随机信号的参数建模法
(Modern modeling method for signal)
一、基本介绍
二、3种参数模型
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:
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:
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:
系统函数是:
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。
在随机信号时域分析中,提出了许多数学模型用来由已知在最大不确定原则下预测将来值,其优点是只需要很少的已知值。但是它不能用在信号是确定性的场合,在确定信号的情况下,信号是由确定的数学方程预测的。这点要特别注意。例如,如果我们用心电的 R 波升枝作已知数据进行随机预测,则预测值即为与 R 波上升枝有关的数据,决不可能预测出整个 P- QRS-T 复合波来。
三、AR模型参数估计
用适当的算法估计模型参数( ak、bk、 p 、q ),以便用模型对随机信号进行预测。
其中方程组的系数组成自相关矩阵[R] p+1,由于自相关函数是偶对称函数,即R xx (m)=R xx(−m),因而自相关矩阵为对称矩阵,与主对角线平行的斜对角线上的元素都是相同的,故存在高效算法,其中广泛应用的有Levinson-Durbin(L-D)算法。Y-W方程表明,只要已知输出平稳随机信号的自相关函数,就能求出AR模型中的参数{ak },并且需要的观测数据较少。
用matlab实现:
a. 由题可知,a1=14/24;a2=9/24; a3=-1/24;
代入自相关序列的矩阵可得:
整理为:
由matlab计算出R(0) R(1) R(2) R(3)
b. 已知自相关序列值,来估计 3 阶 AR 模型的参数
如果已知 R(0),R(1),R(2),R(3)时,只需要代入矩阵即可反求得a1 a2 a3:
- 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.用观测值的自相关序列直接来估计AR (3)的参数{ a ^ k }以及输入白噪声的方差σ ^ w 2
样本自相关定义:
由此可以求出自相关序列Rxx:
选取Rxx前4个值,可以得到{ak}:
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:e=0.5322
法二:Y-W 方程的解法——L-D 算法
要得到更精确的估计值,就要建立更高阶的 AR 模型。