Используйте вектор с полиномиальными коэффициентами, чтобы сгенерировать AR (4) процесс путем фильтрации 1 024 выборок белого шума. Сбросьте генератор случайных чисел для восстанавливаемых результатов. Используйте метод Юла-Уокера, 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 = aryule(y,4)

arcoeffs = 1×5

    1.0000   -2.7262    3.7296   -2.5753    0.8927

Сгенерируйте 50 реализации процесса, изменив каждый раз отклонение входного шума. Сравните Оцененные по Рождеству-Уокером отклонения с фактическими значениями.

nrealiz = 50;

noisestdz = rand(1,nrealiz)+0.5;

randnoise = randn(1024,nrealiz);
noisevar = zeros(1,nrealiz);

for k = 1:nrealiz
    y = filter(1,A,noisestdz(k) * randnoise(:,k));
    [arcoeffs,noisevar(k)] = aryule(y,4);
end

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

Повторите процедуру с помощью многоканального синтаксиса функции.

Y = filter(1,A,noisestdz.*randnoise);

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

hold on
plot(noisestdz.^2,variances,'o')
hold off
legend('Single channel loop','Multichannel','Location','best')

Используйте вектор с полиномиальными коэффициентами, чтобы сгенерировать AR (2) процесс путем фильтрации 1 024 выборок белого шума. Сбросьте генератор случайных чисел для восстанавливаемых результатов.

rng default

y = filter(1,[1 -0.75 0.5],0.2*randn(1024,1));

Используйте метод Юла-Уокера, чтобы подбирать модель AR (10) к процессу. Выведите и постройте отражательные коэффициенты. Только первые два коэффициента лежат вне 95% доверительных границ, указывая, что модель AR (10) значительно переоценивает временную зависимость в данных. Смотрите Выбор Порядка AR с Частичной Последовательностью Автокорреляции для получения дополнительной информации.

[ar,nvar,rc] = aryule(y,10);

stem(rc)
xlim([0 11])
conf95 = sqrt(2)*erfinv(0.95)/sqrt(1024);
[X,Y] = ndgrid(xlim,conf95*[-1 1]);
hold on
plot(X,Y,'--r')
hold off
title('Reflection Coefficients')