Date post: | 30-Dec-2015 |
Category: |
Documents |
Upload: | rahim-velazquez |
View: | 31 times |
Download: | 1 times |
© Institut biostatistiky a analýz
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
prof. Ing. Jiří Holčík, CSc.prof. Ing. Jiří Holčík, CSc.
[email protected]@iba.muni.cz
© Institut biostatistiky a analýz
V.PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO
SPEKTRApokračování
V.PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO
SPEKTRApokračování
MA A ARMA MODELYMA A ARMA MODELY
© Institut biostatistiky a analýz
MA MODELYMA MODELY
opakování
0m)mT(
qm0bb
qm0
)mT(
yy
mq
0kmkk
2xyy
jindy0
0m}xx{E0}x{E
xby
2x
nmnn
q
0mmnmn
© Institut biostatistiky a analýz
MA MODELYMA MODELY
(b0z0+b1z1+…+bqzq).(b0z0+b1z-1+…+bqz-q) =
= b02+b0b1z+…+b0bqzq+b0b1z-1+b1
2+b2b1z+…+bqb1zq-1+…+
+b0bqz-q+b1bqz-q+1+b2bqz-q+2+…+bq2 =
= (b0b0+b1b1+…+bqbq).z0 +(b0b1+b1b2+…+bq-1bq).z-1 +
d0 d-1
+(b1b0+b2b1+…+bqbq-1).z1 +…+(…).zq
d-1
q
qm
mm
1 zd)z(D)z(B).z(B
mq
ékmkkm qmprobbd
© Institut biostatistiky a analýz
MA MODELYMA MODELY
Tedy
a výkonové spektrum
odhad spektra:
qmd
qm0)mT(
m2x
yy metoda momentůmetoda momentů
q
qm
fmT2jyy
MA e).mT()f(yy
q
qm
fmT2jyy
MA e).mT(r)f(Pyy
!!! A TO JE KLASIKA !!!!!! A TO JE KLASIKA !!!
© Institut biostatistiky a analýz
MA MODELYMA MODELY
ALTERNATIVA:stanovení {bk}založené na aproximaci MA procesu AR
procesem vysokého řádu,tj. p » q
v tom případě platí, že B(z) = 1/A(z), resp. B(z).A(z)=1 a proto
q
1kknkn 0n0
0n1a.ba
© Institut biostatistiky a analýz
MA MODELYMA MODELY
ALTERNATIVA:protože p » q, můžeme odhad {bk} zpřesnit pomocí metody nejmenších
čtvercůurčíme kvadratickou chybu
a tu minimalizujeme výběrem parametrů {bk}
kde;q...,,2,1j,ipro,a.a)ji(R
jip
0njinnaa
0kpro0a;1a,1a.bae k0
p
0n
2q
0kknkn
aa1aa.rRb
.q...,,2,1ipro,a.a)i(rip
0ninnaa
vymyslel to Durbin a ukázalo se, že je to přibližně odhad s maximální pravděpodobností, je-li proces normální
vymyslel to Durbin a ukázalo se, že je to přibližně odhad s maximální pravděpodobností, je-li proces normální
© Institut biostatistiky a analýz
URČENÍ ŘÁDU MA MODELUURČENÍ ŘÁDU MA MODELU
pro vyjádření úzkých pásem je třeba hodně vysoký řád;
intuitivně:
hodnoty odhadu autokorelační funkce musí rychle klesat k nule, protože yy(mT)=0 pro m>q
test, zda ryy(mT)0 je založený na srovnávání ryy(qT) s rozptylem hodnot ryy(qT) pro m<q
© Institut biostatistiky a analýz
jinak:založeno na testu „bělosti“ posloupnosti, která je
výsledkem působení soustavy inverzní k odhadnutému MA modelu na analyzovanou posloupnost
Akaikovo informační kritérium
URČENÍ ŘÁDU MA MODELUURČENÍ ŘÁDU MA MODELU
N
q2lnAIC 2
wq
© Institut biostatistiky a analýz
ARMA MODELYARMA MODELY
opět si stručně zopakujeme:
0k0
0k)kT(a1b
)T)kn((xb)T)kn((ya)nT(y
2x
xx0
q
0kk
p
1kk
qm0)mTkT(hb)kTmT(a
qm)kTmT(a)mT( q
mkk
2x
p
1kyyk
p
1kyyk
yy
2p
1kk
2q
1kk
2x
ARMAyy
)fkT2jexp(a1
)fkT2jexp(b1.T
)f(P
odhadvýkonovéhospektra
odhadvýkonovéhospektra
© Institut biostatistiky a analýz
ARMA MODELYARMA MODELY
ARMA(1,1):
u(kT) je jednotkový skok
mnoho teoretických postupů bez praktického významu, protože: jsou výpočetně příliš náročné (maticové operace, iterační
optimalizační postupy); iterační optimalizace nezaručuje konvergenci řešení nebo
konvergenci ke skutečně optimálnímu řešení;
proto suboptimální postupy : používají metody nejmenších čtverců řešení soustavy lineárních
rovnic; oddělený výpočet AR a MA parametrů
2m),TmT(a)mT(
b)0(a)T(
)bab1()T(a)0(
)1k(u)a(b)kT(u.)a()kT(h
yy1yy
12xyy1yy
1121
2xyy1yy
1k11
k1
© Institut biostatistiky a analýz
ARMA MODELYARMA MODELYMETODA PRVNÍMETODA PRVNÍ
pro m>q je
dosadíme yy a řešíme p lineárních rovnic (pro modely vyšších řádů horší výsledky díky slabším odhadům yy(mT) pro větší m);
přeurčená soustava lineárních rovnic (pro m>q)
její řešení opět optimalizací metodou nejmenších čtverců
)a(f.resp),a(f)mT( kkyy
© Institut biostatistiky a analýz
ARMA MODELYARMA MODELYMETODA PRVNÍMETODA PRVNÍ
předpokládejme, že známe odhady autokorelační funkce až do zpoždění M > p+q
protože Ryy je rozměru (M-q) x p a M-q > p, lze použít metodu nejmenších ;
výsledkem minimalizace je
(může být použito i váhování k potlačení méně spolehlivých odhadů AK funkcí)
yyyy
yy
yy
yy
p
2
1
yyyyyy
yyyyyy
yyyyyy
)M(r
)2q(r
)1q(r
a
a
a
.
)pM(r)2M(r)1M(r
)2pq(r)q(r)1q(r
)1pq(r)q(r)q(r
raR
yyTyy
1yy
Tyy ..).( rRRRa
© Institut biostatistiky a analýz
ARMA MODELYARMA MODELYMETODA PRVNÍMETODA PRVNÍ
analyzovanou sekvenci vyfiltrujeme FIR filtrem a dostaneme
kaskádní zapojení ARMA(p,q) [HARMA(z)=B(z)/A(z)] s AR(p) reprezentuje přibližně MA(q) proces s HMA(z)=B(z)
p
1k
kk z.a1)z(A
)z(A
;1N...,,1,0n,)kTnT(y.a)nT(y)nT(vp
1kk
)z(A)z(HAR
© Institut biostatistiky a analýz
z filtrované sekvence v(nT) pro pnN-1 je rvv(mT), odhad výkonového spektra potom je
(opět můžeme „woknovat“ k potlačení méně spolehlivých odhadů autokorelačních funkcí nebo filtrace AR(q) oběma směry dvě různé posloupnosti autokorelační funkce)
ARMA MODELYARMA MODELYMETODA PRVNÍMETODA PRVNÍ
q
qmvv
MAyy )fmT2jexp()mT(r)f(P
2p
1kk
MAvvARMA
yy
)fkT2jexp(a1
)f(P)f(P
© Institut biostatistiky a analýz
vstupní/výstupní identifikace metodou nejmenších
opakování:
nelinearita vztahu pro výpočet yy(mT) plyne z toho, že neznáme yy(mT-kT), protože neznáme x(nT)
ARMA MODELYARMA MODELYMETODA DRUHÁMETODA DRUHÁ
q
mkxyk
p
1kyykyy )kTmT(b)kTmT(a)mT(
q
0kk
p
1kk )kTnT(xb)kTnT(ya)nT(y
© Institut biostatistiky a analýz
y = H.θ +
y = [y(0) y(T) … y(NT-T)]T
= [x(0) x(T) … x(NT-T)]T
θ = [-a1 –a2 … -ap b1 b2 … bq ]T
matice vstupních/výstupních dat o rozměru N x (p+q)
ARMA MODELYARMA MODELYMETODA DRUHÁMETODA DRUHÁ
1N...,,1,0n),nT(x)kTnT(xb)kTnT(ya)nT(yq
1kk
p
1kk
1qN3N2N1pN3N2N
1q101p10
q21p21
xxxyyy
xxxyyy
xxxyyy
H
© Institut biostatistiky a analýz
minimalizace nejmenšími
počáteční podmínky y-p, …, y-1, x-q, …, x-1 buď specifikovat nebo nulové
odhad hodnot vstupního šumového signálu z analyzované posloupnosti AR modelem vysokého řádu
ARMA MODELYARMA MODELYMETODA DRUHÁMETODA DRUHÁ
yHHHΘ ..).( T1T
© Institut biostatistiky a analýz
(už tu částečně byla)
koeficienty {ck} se určí nějakým AR algoritmem a z nich {ak} a {bk}
je-li p>q, pak
nebo v časové oblasti
ARMA MODELYARMA MODELYMETODA TŘETÍMETODA TŘETÍ
1k
kkzc1)z(Ckde,
)z(C
1
)z(A
)z(B
qpM,zc1)z(CM
1k
kk
,)z(C
1
)z(A
)z(B
q
0k0nknk 1b,...;2,1n,ac.b
© Institut biostatistiky a analýz
protože by mělo platit an = 0 pro n>p, je
pro určení se spočítají z
ARMA MODELYARMA MODELYMETODA TŘETÍMETODA TŘETÍ
qp,...,2p,1pnpro,0c.b kn
q
0kk
qp
2p
1p
q
2
1
p2qp1qp
q2pp1p
q1p1pp
c
c
c
b
b
b
.
ccc
ccc
ccc
}b,...,b,b{ q21
}a,...,a,a{ p21
1c;p,...,2,1npro,ac.b 0nkn
q
0kk
© Institut biostatistiky a analýz
co je maticově
ARMA MODELYARMA MODELYMETODA TŘETÍMETODA TŘETÍ
q
1
qp2p1pp
12
1
p
2
1
b
b
1
c
0
0
ccc
1cc
01c
a
a
a
.
© Institut biostatistiky a analýz
URČENÍ ŘÁDŮ ARMA MODELUURČENÍ ŘÁDŮ ARMA MODELU
dodatečné kritérium:posouzení bělosti posloupnosti po inverzní filtraci analyzované
posloupnosti navrženou ARMA soustavou
odhad p
det(R’yy)=0, pokud je rozměr modelu větší než řád analyzovaného procesu
je odhad rozptylu vstupní chybové posloupnosti
wpqwpq ,N
)qp(2ln
q)AIC(p,
)q(r)2pq(r)1pq(r
)2pq(r)q(r)1q(r
)1pq(r)1q(r)q(r
'R
yyyyyy
yyyyyy
yyyyyy
yy
rozšířené modifikované Y.-W. rovnice