Страница: 8/16
, где 
Коррелограммный метод заключается в подстановке в определение спектральной плотности мощности оценку автокорреляционной последовательности (коррелограммы). Таким образом, имея две оценки автокорреляционной последовательности получаем две оценки спектральной плотности мощности:
, 
, где 
, где 
- ядро Дирихле
Эффект неявно присутствующего окна из-за конечности данных приводит к свертке истинной спектральной плотности с преобразованием Фурье дискретно-временного прямоугольного или треугольного (как в случае со смещенными оценками) окна. Для уменьшения этого эффекта используется корреляционное окно 
и коррелограммная оценка спектральной плотности мощности в общем виде выглядит следующим образом:
Экспериментальные результаты приведены в соответствующем разделе.
1.3.5. Область применения.
Классические методы спектрального анализа применимы почти ко всем классам сигналов и шумов в предположении о стационарности. Вычислительная эффективность периодограммных и коррелограммных методов основана на использовании алгоритма Быстрого Преобразования Фурье. Недостатком всех методов спектрального анализа является искажения в спектральных составляющих по боковым лепесткам из-за взвешивания данных при помощи окна. Сравнение экспериментальных результатов с другими методами и характеристики взвешивающих окон приведены в соответствующем разделе.
1.4. Авторегрессионное спектральное оценивание.
1.4.1. Введение
Одна из причин применения параметрических моделей случайных и процессов и построения на их основе методов получения оценок спектральной плотности мощности обусловлена увеличением точности оценок по сравнению с классическими методами. Еще одна важная причина - более высокое спектральное разрешение. Далее рассматриваются следующие методы: метод Юла-Уалкера оценивания авторегрессионных параметров по последовательности оценок автокорреляционной функции, метод Берга оценивания авторегрессионных параметров по последовательности оценок коэффициентов отражения, метод раздельной минимизации квадратичных ошибок линейного предсказания вперед и назад - ковариационный метод, метод совместной минимизации квадратичных ошибок прямого и обратного линейного предсказания - модифицированный ковариационный.
Модель временного ряда (называемая модели авторегрессии-скользящего среднего в случае входной последовательности - белого шума), которая пригодна для аппроксимации многих встречающихся на практике детерминированных и стохастических процессов с дискретным временем, описывается следующим разностным уравнением:
Системная функция 
, связывающая вход и выход этого фильтра имеет рациональную форму:
Если в качестве входной последовательности использовать белый шум, то приходим к АРСС-модели. Спектральную плотность для АРСС-модели получаем, подставляя 
, что дает
, где
, 
, а 
- дисперсия
возбуждающего белого шума
В частных случаях для авторегрессионной модели и модели скользящего среднего получаем соответственно :
1.4.2. Оценивание корреляционной функции - метод Юла-Уалкера.
Из соотношения, связывающего параметры АРСС-модели с порядком авторегрессии p и скользящего среднего q:
Поскольку полагается, что u[k] - белый шум, то
, 
, m>q
Реферат опубликован: 18/12/2006