рефераты конспекты курсовые дипломные лекции шпоры

Раздел Связь
/
Авторегрессионное спектральное оценивание

Реферат Курсовая Конспект

Выберите учебное заведение

Авторегрессионное спектральное оценивание

Авторегрессионное спектральное оценивание - раздел Связь, Спектральный анализ и его приложения к обработке сигналов в реальном времени Авторегрессионное Спектральное Оценивание. Введение Одна Из Причин Применения...

Авторегрессионное спектральное оценивание. Введение Одна из причин применения параметрических моделей случайных и процессов и построения на их основе методов получения оценок спектральной плотности мощности обусловлена увеличением точности оценок по сравнению с классическими методами.

Еще одна важная причина - более высокое спектральное разрешение. Далее рассматриваются следующие методы метод Юла-Уалкера оценивания авторегрессионных параметров по последовательности оценок автокорреляционной функции, метод Берга оценивания авторегрессионных параметров по последовательности оценок коэффициентов отражения, метод раздельной минимизации квадратичных ошибок линейного предсказания вперед и назад - ковариационный метод, метод совместной минимизации квадратичных ошибок прямого и обратного линейного предсказания - модифицированный ковариационный.

Модель временного ряда называемая модели авторегрессии-скользящего среднего в случае входной последовательности - белого шума, которая пригодна для аппроксимации многих встречающихся на практике детерминированных и стохастических процессов с дискретным временем, описывается следующим разностным уравнением Системная функция, связывающая вход и выход этого фильтра имеет рациональную форму Если в качестве входной последовательности использовать белый шум, то приходим к АРСС-модели.

Спектральную плотность для АРСС-модели получаем, подставляя, что дает, где а - дисперсия возбуждающего белого шума В частных случаях для авторегрессионной модели и модели скользящего среднего получаем соответственно 1.4.2. Оценивание корреляционной функции - метод Юла-Уалкера.

Из соотношения, связывающего параметры АРСС-модели с порядком авторегрессии p и скользящего среднего q Поскольку полагается, что u k - белый шум, то m q, m 0 В частном случае для авторегрессионных параметров, получаем m 0 , m 0 В матричном виде эти соотношения выглядят следующим образом Таким образом, если задана автокорреляционная последовательность для, то АР-параметры можно найти в результате решения последнего матричного соотношения называемого нормальными уравнениями Юла-Уалкера, где автокорреляционная матрица является и теплицевой, и эрмитовой.

Наиболее очевидным подходом к авторегрессионному оцениванию является решение нормальных уравнений Юла-Уалкера, в которые вместо значений неизвестной автокорреляционной функции подставляем их оценки.

Результаты экспериментов с этим, первым методом АР-оценивания и сравнение с другими методами этого класса приведены в соответствующем разделе. 1.4.3.

Развернуть

Открыть в широком формате

– Конец работы –

Эта тема принадлежит разделу:

Спектральный анализ и его приложения к обработке сигналов в реальном времени

Особенности реализации. Заключение. Выводы.

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Авторегрессионное спектральное оценивание

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Проблемы в области спектрального оценивания
Проблемы в области спектрального оценивания. Интерес к альтернативным методам спектрального анализа поддерживается тем улучшением характеристик, которое они обещают, а именно более высоким ч

Спектральные оценки по конечным последовательностям данных
Спектральные оценки по конечным последовательностям данных. Спектральная оценка, получаемая по конечной записи данных, характеризует некоторое предположение относительно той истинной спектральной ф

Общая картина
Общая картина. Из формального определения спектра, следует, что спектр является некоторой функцией одних лишь статистик второго порядка, относительно которых в свою очередь предполагается, что они

Основные определения и теоремы классического спектрального анализа
Основные определения и теоремы классического спектрального анализа. Непрерывно-временное преобразование Фурье. Определение Непрерывно-временным преобразованием Фурье называется функция В спектральн

Анализ эргодичных дискретных процессов
Анализ эргодичных дискретных процессов. Определение Дискретный случайный процесс эргодичен в среднем если Определение Дискретный случайный процесс автокорреляционно эргодичен если Допущение

Окна данных и корреляционные окна в спектральном анализе
Окна данных и корреляционные окна в спектральном анализе. Окна представляют собой весовые функции, используемые для уменьшения размывания спектральных компонент, обусловленного конечностью интервал

Периодограммные оценки спектральной плотности мощности
Периодограммные оценки спектральной плотности мощности. Пренебрегая операцией вычисления математического ожидания и полагая, что конечное множество данных содержит N отсчетов, получаем выбор

Коррелограммные оценки спектра
Коррелограммные оценки спектра. льной Плотности Мощности. Альтернативным методом является коррелограммный метод. Косвенный метод основан на использовании бесконечной последовательности значе

Методы оценивания коэффициентов отражения
Методы оценивания коэффициентов отражения. Рекурсивное решение уравнений Юла-Уалкера методом Левинсона связывает АР-параметры порядка p c параметрами порядка p-1 выражением, где n 1,2, p-1 К

Гармонический алгоритм Берга
Гармонический алгоритм Берга. Алгоритм Берга идентичен геометрическому, однако оценка коэффициента отражения находится из других соображений, а именно при каждом значений параметра p в нем минимизи

Спектральное оценивание на основе моделей авторегрессии - скользящего среднего
Спектральное оценивание на основе моделей авторегрессии - скользящего среднего. Модель авторегресии-скользящего среднего имеет больше степеней свободы, чем авторегрессионная модель, поэтому следует

Спектральное оценивание по методу минимума дисперсии
Спектральное оценивание по методу минимума дисперсии. Оценка спектральной плотности мощности по методу минимума дисперсии не является истинной функцией СПМ, поскольку площадь под графиком МД-оценки

Оценки частоты в пространстве шума. Глава
Оценки частоты в пространстве шума. Глава. Экспериментальный анализ алгоритмов спектрального анализа. В данной работе математическое моделирование и вычислительные эксперименты преследовали