AR模型(Autoregress)
来源:互联网 发布:商超软件排名 编辑:程序博客网 时间:2024/06/06 02:21
定义 设{xt,t=0,±1,±2,…}为时间序列,白噪声序列为{εt,t=0,±1,±2,…} ,且对任意的 s<t,E(xsεt)=0,则称满足等式
的时间序列为p阶自回归(Autoregression)序列,上式为p阶自回归模型,记作 AR(p)。
其中是自回归参数。
易见,此自回归模型描述了数据序列内部的递推的线性回归关系。
方程式可用框图表示: 设想有一个滤波器,输入的是白噪声序列,而输出的则是某种平稳序列,即
易见,滤波器成为一个对时间序列进行变换的实体,变换前的序列称为输入,经滤波器变换的得到的序列称为输出。
等式两端同乘xt-k即得
对两端取数学期望, 并由性质:
得
又因为
所以可得矩阵方差
如何求解以上矩阵获得自回归参数?可以利用Yule-Walker方程求AR(p)序列的自相关函数方法,即称为尤尔-沃克法。
其中可以用Levinson算法和Burg算法求解Yule-Walker方程来计算模型参数。
例1 单摆现象:单摆在第t个摆动周期中最大摆幅记为xt,由于阻尼作用,在第t+1个摆动周期中,其最大振幅为其中ρ为阻尼系数。若再受到外界干扰εt的影响,则实际上的最大振幅为易见, 此例即为一个一阶自回归模型 AR(1)。
例2 已知AR(4)模型为其中w是零均值、单位方差的白噪声。用此模型分别产生1024点数据,然后分别用Levinson算法和Burg算法求解Yule-Walker方程来计算模型参数,并与真实值进行列表比较;在此基础上,用AR模型计算其功率谱,同时用FFT直接计算功率谱,请将不同数据点数情况下两种方法的功率谱进行画图比较,并简要说明。解:MATLAB编程实现
图左:方法参考(也可直接调用pburg函数) 图右:AR估计与FFT估计功率谱曲线
误差 delta = -0.0016 -0.0051 0.0064 -0.0053结果分析:从图像可以看出,估计功率谱密度采用AR模型比FFT估计要平滑。
0 0
- AR模型(Autoregress)
- AR模型
- AR模型
- AR模型
- Yii AR模型
- R 语言 ar模型
- AR模型方法
- 最小二乘法求AR模型
- CI AR模型
- AR模型原理
- AR模型的最佳预测
- 拟合AR模型的代码
- 【Yii】AR模型和db
- AR模型的谱估计
- Yii模型 AR(ActiveRecord)学习总结
- yii AR模型内置验证类说明
- 现代数字信号处理——AR模型
- AR模型的谱估计(转)
- MySQL(一)
- 专题四1002
- Learn Once ,Write Anywhere —— 从零开始学习React Native(一)搭建环境
- JVM垃圾回收机制
- JAVA——对象的序列化Serializable
- AR模型(Autoregress)
- phpcms 同步到发布站点,发布站点到远程FTP根目录
- div+css做出带三角的弹出框
- 多线程控制、同步的几个实用的类
- 【一天一道LeetCode】#100. Same Tree(100题大关)
- Socket长连接适配IPV4和Ipv6
- Android Parcelable的写法
- 埃及分数
- 备用交换机