随机信号的参数建模法（验证）

随机信号的参数建模法

一、参数模型

• 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w(n)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。
  
• 对平稳随机信号，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）。

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：

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。

AR模型

随机信号x(n)由本身的若干次过去值 (x)(n− k)和当前的激励值w(n)线性组合产生：


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。

ARMA模型

ARMA 是 AR 与 MA 模型的结合：

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、模型参数的估计（matlab实现）

已知自回归信号模型 AR（3）为：

解决思路：

a：已知参数模型a1=-14/24，a2=-9/24，a3=1/24，求自相关序列Rxx（m）。
利用公式
将ak代入，利用自相关函数的偶对称得到矩阵：
用matlab求解得自相关序列：

a=[-14/24 -9/24 1/24];
A=[1,a(1),a(2),a(3);a(1),1+a(2),a(3),0;a(2),a(1)+a(3),1,0;a(3),a(2),a(1),1];
b=[1;0;0;0];
Rxx=A\b

Rxx =

4.9377
4.3287
4.1964
3.8654

即Rxx（0）=4.9377、Rxx（1）=4.3287、Rxx（2）=4.1964、Rxx（3）=3.8654，又根据：

求Rxx(4)、Rxx(5)

for m=5:6
Rxx(m)=0;
for k=1:3
Rxx(m)=Rxx(m)-a(k)*Rxx(m-k);
end
end

Rxx

Rxx =

4.9377
4.3287
4.1964
3.8654
3.6481
3.4027

b：已知自相关序列值，来估计3阶 AR 模型的参数以及方差.
利用公式：

R=[Rxx(1),Rxx(2),Rxx(3),Rxx(4);Rxx(2),Rxx(1),Rxx(2),Rxx(3);Rxx(3),Rxx(2),Rxx(1),Rxx(2);Rxx(4),Rxx(3),Rxx(2),Rxx(1)];
format rat
a0=R\b

a0 =

   1       
  -7/12    
  -3/8     
   1/24  

可以发现对 AR 模型参数是无失真的估计，因为已知 AR 模型，我们可以得到完全的输出观
测值，因而求得的自相关函数没有失真，当然也就可以不失真的估计。
c利用给出的 32 点观测值，先求自相关序列：

xn=[0.4282 1.1454 1.5597 1.8994 1.6854 2.3075 2.4679 1.9790 1.6063 1.2804 -0.2083 0.0577 0.0206 0.3572 1.6572 0.7488 1.6666 1.9830 2.6914 1.2521 1.8691 1.6855 0.6242 0.1763 1.3490 0.6955 1.2941 1.0475 0.4319 0.0312 0.5802 -0.6177];
Rxx_obs=xcorr(xn)./length(xn);
Rxx_obs=Rxx_obs(length(xn):end)

把头 4 个相关序列值代入矩阵求得估计值：

Rxx=[1.9271;1.6618;1.5381;1.3545];
R=[Rxx(1),Rxx(2),Rxx(3),Rxx(4);Rxx(2),Rxx(1),Rxx(2),Rxx(3);Rxx(3),Rxx(2),Rxx(1),Rxx(2);Rxx(4),Rxx(3),Rxx(2),Rxx(1)];
a1=R\b

误差分析：
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。
造成的原因较多：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等。