220 likes | 315 Views
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD. prof. Ing. Jiří Holčík, CSc. holcik @ iba.muni.cz. V. PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO SPEKTRA pokračování. MA A ARMA modely. MA MODELY. opakování. MA MODELY. (b 0 z 0 +b 1 z 1 +…+ b q z q ).(b 0 z 0 +b 1 z -1 +…+ b q z -q ) =
E N D
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz
V.PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO SPEKTRApokračování MA A ARMA modely
MA MODELY • opakování
MA MODELY (b0z0+b1z1+…+bqzq).(b0z0+b1z-1+…+bqz-q) = = b02+b0b1z+…+b0bqzq+b0b1z-1+b12+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
MA MODELY Tedy a výkonové spektrum odhad spektra: metoda momentů !!! A TO JE KLASIKA !!!
MA 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
MA MODELY ALTERNATIVA: protože p»q, můžeme odhad {bk} zpřesnit pomocí metody nejmenších čtverců určíme kvadratickou chybu a tu minimalizujeme výběrem parametrů {bk} kde vymyslel to Durbin a ukázalo se, že je to přibližně odhad s maximální pravděpodobností, je-li proces normální
určení 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
určení řádu MA modelu • jinak: založeno na testu „bělosti“ posloupnosti, která je výsledkem působení soustavy inverzní k odhadnutému MA modelu na analyzovanou posloupnost • Akaikovo informační kritérium
ARMA MODELY opět si stručně zopakujeme: odhad výkonového spektra
ARMA 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
ARMA MODELYMETODA 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
ARMA MODELYMETODA PRVNÍ předpokládejme, že známe odhady autokorelační funkce až do zpoždění M > p+q protože Ryy je rozměru (M-q)xp a M-q>p, lze použít metodu nejmenších ; výsledkem minimalizace je (může být použito i váhování k potlačení méně spolehlivých odhadů AK funkcí)
ARMA MODELYMETODA 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)
ARMA MODELYMETODA PRVNÍ 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 MODELYMETODA druhá 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 MODELYMETODA druhá 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 MODELYMETODA druhá 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 MODELYMETODA třetí (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 MODELYMETODA třetí protože by mělo platit an = 0 pro n>p, je pro určení se spočítají z
ARMA MODELYMETODA třetí co je maticově
určení 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 rozšířené modifikované Y.-W. rovnice