arcov

Параметры авторегрессивной модели все-полюса — метод ковариации

Синтаксис

a = arcov(x,p)
[a,e] = arcov(x,p)

Описание

a = arcov(x,p) использует метод ковариации, чтобы соответствовать pth-порядок авторегрессивная модель (AR) к входному сигналу, x, который принят, чтобы быть выходом системы AR, управляемой белым шумом. Этот метод минимизирует прямую ошибку 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 вектор, затем a вектор-строка. Если a матрица, затем коэффициенты вдоль n th строка a смоделируйте n th столбец x.

[a,e] = arcov(x,p) возвращает оценку отклонения, e, из белого шумового входа к модели AR.

Примеры

свернуть все

Используйте вектор полиномиальных коэффициентов, чтобы сгенерировать AR (4) процесс путем фильтрации 1 024 выборок белого шума. Сбросьте генератор случайных чисел для восстанавливаемых результатов. Используйте 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 = arcov(y,4)
arcoeffs = 1×5

    1.0000   -2.7746    3.8419   -2.6857    0.9367

Сгенерируйте 50 реализации процесса, изменив каждый раз отклонение входного шума. Сравните оцененные по ковариации отклонения с фактическими значениями.

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)] = arcov(y,4);
end

plot(noisestdz.^2,noisevar,'*')
title('Noise Variance')
xlabel('Input')
ylabel('Estimated')

Повторите процедуру с помощью arcovмногоканальный синтаксис.

realiz = bsxfun(@times,noisestdz,randnoise);

Y = filter(1,A,realiz);

[coeffs,variances] = arcov(Y,4);

hold on
plot(noisestdz.^2,variances,'o')

q = legend('Single channel loop','Multichannel');
q.Location = 'best';

Больше о

свернуть все

AR (p) модель

Позвольте y (n) быть широким смыслом стационарный вероятностный процесс, полученный путем фильтрации белого шума отклонения e с системной функцией A (z). Если Py (ejω) является степенью спектральная плотность y (n), то

Py(ejω)=e|A(ejω)|2=e|1+k=1pa(k)ejωk|2.

Поскольку метод характеризует входные данные с помощью модели все-полюса, верный выбор порядка модели, p, важен.

Смотрите также

| | | | |

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте