Авторегрессивные параметры модели все-полюса — измененный метод ковариации
a = armcov(x,p)
[a,e] = armcov(x,p)
a = armcov(x,p) использует измененный метод ковариации, чтобы соответствовать th-порядку p авторегрессивная модель (AR) к входному сигналу, x, который принят, чтобы быть выводом системы AR, управляемой белым шумом. Этот метод минимизирует прямые и обратные ошибки прогноза в смысле наименьших квадратов. Выходной массив, a, содержит нормированные оценки системных параметров AR, A (z), в убывающих степенях z. a имеет p + 1 столбец. Если x является вектором, то a является вектором - строкой. Если a является матрицей, то коэффициенты вдоль n th строка модели a n th столбец x.
[a,e] = armcov(x,p) возвращает оценку отклонения, e, белого шумового входа к модели AR.
Используйте вектор полиномиальных коэффициентов, чтобы сгенерировать AR (4) процесс путем фильтрации 1 024 выборок белого шума. Сбросьте генератор случайных чисел для восстанавливаемых результатов. Используйте измененный метод ковариации, чтобы оценить коэффициенты.
rng default
A = [1 -2.7607 3.8106 -2.6535 0.9238];
y = filter(1,A,0.2*randn(1024,1));
arcoeffs = armcov(y,4)arcoeffs = 1×5
1.0000 -2.7741 3.8404 -2.6841 0.9360
Сгенерируйте 50 реализации процесса, изменив каждый раз отклонение входного шума. Сравните измененная ковариация оценила отклонения к фактическим значениям.
nrealiz = 50; noisestdz = rand(1,nrealiz)+0.5; randnoise = randn(1024,nrealiz); for k = 1:nrealiz y = filter(1,A,noisestdz(k) * randnoise(:,k)); [arcoeffs,noisevar(k)] = armcov(y,4); end plot(noisestdz.^2,noisevar,'*') title('Noise Variance') xlabel('Input') ylabel('Estimated')
Повторите процедуру с помощью многоканального синтаксиса armcov.
realiz = bsxfun(@times,noisestdz,randnoise); Y = filter(1,A,realiz); [coeffs,variances] = armcov(Y,4); hold on plot(noisestdz.^2,variances,'o') q = legend('Single channel loop','Multichannel'); q.Location = 'best';
