随机信号的参数建模法

一．随机信号的参数建模法

概述：
为随机信号建立参数模型是研究随机信号的一种基本方法，其含义是认为随机信号x（n）是由白噪 激励某一确定系统的响应（如图 ）。只要白噪的参数确定了，研究随机信号就可以转化成研究产生随机信号的系统。

而对于平稳随机信号，我们有三种常用的线性模型。分别是 AR 模型（自回归模型 Auto-regression model），MA 模型（滑动平均模型 Moving average model）和 ARMA 模型（自回归滑移平均模型 Auto-regression-Moving average model）。

1.MA模型

随机信号x(n)由当前的激励w(n)和若干次过去的激励w(n-k)线性组合产生：

该模型的系统函数是：

这里面的q表示系统阶数，系统函数只有零点，没有极点，所以该系统一定是稳定的系统，也称为全零点模型，用 MA（q）来表示。

2.AR 模型

随机信号x(n)由当前的激励w(n)和若干次过去的激励w(n-k)线性组合产生：

该模型的系统函数是：

p 是系统阶数，系统函数中只有极点，无零点，也称为全极点模型，系统由于极点的原因，要考虑到系统的稳定性，因而要注意极点的分布位置，用 AR（ p ）来表示。

3.ARMA模型

ARMA 是 AR 与 MA 模型的结合：

该模型的系统函数是：

其中，它既有零点又有极点，所以也称极零点模型，要考虑极零点的分布位置，保证系统的稳定，用 ARMR（ p ，q）表示。

二．AR模型参数估计

1. AR模型参数与自相关函数的关系
推导

2. 例一

a. 直接带入公式，利用matlab计算

b. 接着上面的代码，白噪声方差为1，参数为后三个

c.
使用前两问的方法步骤，求得估计值:

与真实 AR 模型参数误差为： e1＝0.1151， e2＝0.1002，e3＝0.0498，原因在于我们只有一部分的观测数据，使得自相关序列值与理想的完全不同。输入信号的方差误差比较大：为0.5322，造成的原因比较多，计算机仿真的白噪声由于只有 32 点长，32 点序列的方差不可能刚好等于 1。给出一段观测值求 AR 模型参数这样直接解方程组，当阶数越高时直接解方程组计算就越复杂，因而要用特殊的算法使得计算量减小且精确度高。

三．L-D算法

1. 准备知识
在求解时要得到更精确的估计值，就要建立更高阶的AR模型，直接用观测值的自相关序列来求解Y-W方程的计算量太大。因此把AR模型和预测系统联系起来，换个方法来估计AR参数。
从AR模型的时域表达式：

可知当前输出值与它过去的输出值有关。若序列的模型已知而用过去观测的数据来推求现在和将来的数据称为前向预测器，m 阶预测器表示为：

其预测误差为：

把e(n)看成是系统的输出，x(n)看成是系统的输入，得到系统函数：

假如 m＝p，且预测系数AR模型参数相同，如下框图所示，即有w(n)=e(n)即前向预测误差系统中的输入为 ，输出为预测误差 等于白噪声。也就是说前向预测误差系统对观测信号起了白化的作用。由于AR模型和前向预测误差系统有着密切的关系，两者的系统函数互为倒数，所以求 AR 模型参数就可以通过求预测误差系统的预测系数来实现。

求预测误差均方值：

要使均方误差最小，将上式右边对预测系数求偏导并且等于零，得到m个等式：

求得最小均方误差：

2. L-D算法
L-D 递推算法是模型阶数逐渐加大的一种算法。这种递推算法的特点是，每一阶次参数的计算是从低一阶次的模型参数推算出来的，既可减少工作量又便于寻找最佳的阶数值，满足精度时就停止递推。
预测系数和均方误差估计的通式：

其中am​(m)称为反射系数，从上式知道整个迭代过程需要已知自相关函数，给定初始值E0=R(0),a0(0)=1以及AR模型的阶数p，就可以按照流程图进行估计。

3. 优缺点
L-D 算法的优点就是计算速度快，求得的 AR 模型必定稳定，且均方预测误差随着阶次的增加而减小。
L-D 算法的缺点：由于在求自相关序列时，是假设除了观测值之外的数据都为零，必然会引入较大误差。

4. 例二matlab实现



阶数越高，均方误差越小

四．L-D算法改进

1. Burg算法
为了克服L-D算法导致的误差，1968年Burg提出了Burg算法，其基本思想是对观测的数据进行前向和后向预测，然后让两者的均方误差之和为最小作为估计的准则估计处反射系数，进而通过L-D算法的递推公式求出AR模型参数。Burg算法的优点是，求得的AR模型是稳定的，较高的计算效率，但递推还是用的L-D算法，因此仍然存在明显的缺点。

与上面L-D算法的结果略有不同，更为精确

2. Marple算法
1980年Marple在前人的基础上提出一种高效算法，Marple算法或者称不受约束的最小二乘法（LS），该算法的思想是，让每一个预测系数的确定直接与前向、后向预测的总的平方误差最小，这样预测系数就不能由低一阶的系数递推确定了，所以不能用L-D算法求解，实践表明该算法比L-D、Burg算法优越。由于该算法是从整体上选择所有的模型参数达到总的均方误差最小，与自适应算法类似，不足是该算法不能保证AR模型的稳定性。

五．AR模型预测阶数的选择

AR模型的阶数选择对模型效果有有较大的影响，因而如何选择阶数很重要。因此国内外学者在这方面都做了许多研究工作，其中基于均方误差最小的最终预测误差（FPE）准则是确定AR模型阶次比较有效的准则。

其定义是：给定观测长度N，从某个过程的一次观测数据中估计到了预测系数，然后用该预测系数构成的系统处理另一次观察数据，则有预测均方误差。该误差在某个阶数p时为最小，其表达式为：