自回归滤波器的设计

介绍了滤波器设计中近代谱估计法的基本思想，重点分析了自回归（AR）模型、以及模型参数与自相关函数、功率谱之间的关系。通过Levinson—Durbin递推算法来确定自回归模型的系数，并给出AR模型阶数的算法。用递推公式得到滤波器的输出。经过分析得出结论：自回归模型的参数估计计算简单，具有递推特性，适合表示很窄的频谱。     

FIR方法在维纳滤波器设计中的应用与仿真

基于最小均方误差准则,得到维纳-霍夫方程,并利用FIR(有限冲击响应)方法求解,进而得到维纳滤波器的传递函数。在MatLab环境下,基于一阶AR(自回归)模型生成原始信号,对维纳滤波器进行设计和仿真,并分析抽样点数、AR模型参数、信噪比和滤波器阶数对滤波效果的影响。仿真结果表明,增大抽样点数和信噪比以及减小AR模型参数,滤波效果增强;增大滤波器阶数,滤波效果先增强后减弱。     

FIR方法在维纳滤波器设计中的应用与仿真

基于最小均方误差准则,得到维纳一霍夫方程,并利用FIR（有限冲击响应）方法求解,进而得到维纳滤波器的传递函数。在MatLab环境下,基于一阶AR（自回归）模型生成原始信号,对维纳滤波器进行设计和仿真,并分析抽样点数、AR模型参数、信噪比和滤波器阶数对滤波效果的影响。仿真结果表明,增大抽样点数和信噪比以及减小AR模型参数,滤波效果增强;增大滤波器阶数,滤波效果先增强后减弱。     

短记忆性时间序列的建模分析及预测

AR模型作为时间序列模型的一种,由于其参数估计和定阶简单而广泛用于系统辨识.在多维AR序列的最小二乘建模的基础上,结合Kalman滤波算法,推导了应用Kalman滤波技术的多维AR序列参数估计方法.该算法无需保存历史数据,可对AR模型的估计参数进行实时的修正.在确定AR模型阶数时,提出了两步F检验法.选取上证某A股收益序列作为样本,利用时间序列相关性分析对该算法的有效性进行验证;对时间序列的RMSE和MAD指标进行比较,结果表明该算法大大减少了建模过程中的计算工作量,并具有较好的预测性.     

基于AR模型的多普勒散射计回波功率谱估计

当采样点数少或流速较小时,采用周期图法估计的多普勒散射计(Doppler scatterometer, DopSCAT)回波功率谱分辨率低,多普勒频移提取精度低。对此,提出了一种基于自回归(autoregressive, AR)模型的DopSCAT回波功率谱估计方法。该方法为DopSCAT回波信号建立含有未知参数的AR模型,采用赤池信息量准则自适应确定模型的最优阶数;对定阶后的AR模型采用Burg算法计算模型参数,利用得到的AR模型估计回波功率谱;对功率谱进行峰值检测提取多普勒频移计算径向流,采用两个观测方位向的径向流合成得到海面流场。利用OSCAR海流数据进行了回波功率谱估计与海流反演实验。分析结果表明,与周期图法相比,该方法能够显著提高回波功率谱分辨率和多普勒频移的提取精度,进而提高了海流的反演精度。     

基于AR模型和ZMNL变换的K分布海杂波仿真方法

海杂波统计模型的研究对最优检测算法设计和雷达性能预估有重要作用。文章介绍了一种基于AR模型和ZMNL变换的K分布海杂波仿真方法,结合ACI准则和Yule-Walker方程,利用Levinson-Durbin递推关系式求解AR模型的阶数和参数,将生成的高斯序列通过线性滤波器产生服从K分布的相关序列。仿真结果表明,无论是功率谱还是概率分布都与理想分布相吻合。     

基于小波去噪和AR建模的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种基于小波去噪和AR建模的MEMS陀螺组合数据处理方法.采用小波去噪法对MEMS陀螺输出信号去噪,自适应确定小波分解层数,提高了其信噪比.采用AR(autoregressive,自回归)模型对MEMS陀螺的随机漂移进行建模,利用平均均方预测误差确定模型的最佳阶数,并与传统的一阶马尔可夫模型进行了比较.实验结果表明,该组合数据处理方法可有效抑制MEMS陀螺输出噪声,且能更精确地对MEMS陀螺随机漂移进行建模及预测.     

自回归滤波器的研究

该文主要介绍了现代谱估计中常用到的自回归（AR）谱估计.利用Levinson-Durbin算法可以推导出在已知输出自相关序列的情况下确定预测误差滤波器系数,即AR模型的系数.AR模型的阶次选择是个关键问题,阶次太低会导致平滑的谱估计值,而阶次太高又会引起伪峰并且会产生一般的统计不稳定性.文章中采用了应用比较广泛的最终预测误差（FPE）准则和阿凯克信息论准则（AIC）,最终确定AR模型的阶数.并通过激励高斯白噪声仿真得到海洋混响的输出波形图.     

AR模型压力变送器响应时间测量方法

压力变送器响应时间传统检测方法是将待测变送器送入试验室进行离线检测。电厂压力变送器无法进行实时性检测。压力变送器在役期响应时间原位测量对保证电厂系统的可靠性与安全性非常重要。基于电厂正常工作期的压力变送器噪声信号,研究一种压力变送器噪声时域信号自回归(AR)模型分析的响应时间测量方法。通过最终测量误差(FPE)和阿凯克信息论(AIC)准则判断模型收敛阶数,Yuler-walker算法估计参数。模型参数确定后,计算模型脉冲响应,积分得斜坡响应并求得模型的响应时间。通过仿真验证模型算法,在实验室条件下通过外加气动噪声,对3款压力变送器试验,并与传统斜坡法测试结果进行对比。结果表明,3款压力变送器测试结果与斜坡法误差均小于7%,该研究对国内电厂压力变送器原位测试装置的研发有重要意义。     

稀疏原子分解算法在AR模型参数估计中的应用

针对自回归(Autoregressive,AR)模型阶数和系数的估计问题,提出一种基于稀疏表示的原子分解新算法。首先,根据AR模型自相关函数特征构造一个过完备稀疏字典;其次,针对含噪观测信号,通过引入松弛变量,建立关于AR模型特征根稀疏恢复的优化模型;最后, 将定阶和参数估计问题转化为求解稀疏最优基问题,并提出一种改进的变尺度变换算法来求解该优化问题。实验结果表明,无论是对模拟信号,还是真实的脑电信号,该算法在定阶和系数估计两方面均优于传统估计方法,具有更好的预测精度和鲁棒性。     

简练模型结构的辨识

本文采用投影技术辨识系统的标准向量差分方程的简练结构——可观性指数,噪声自回归阶数以及需估的最小模型参数位置。本文提出的方法可在有色噪声下同时把可观性指数与AR模型噪声的阶估计出来。此外,算法还可确定那些对改善模型质量贡献最大的参数的位置。     

基于隐马尔可夫模型的陀螺仪漂移预测

针对陀螺仪实验数据的有限性和非平稳性,提出了基于自回归(AR)模型和隐马尔科夫模型(HMM)的陀螺漂移预测方法。首先利用AR模型参数能够敏感状态变化规律的特性,提取陀螺漂移数据的自回归系数作为特征量;然后对具有混合高斯输出的HMM进行训练;最后对陀螺仪的状态进行加权预测,改进了趋势预测的方法,解决了陀螺漂移在小样本数据条件下的预测问题。实验分析了加权模型阶数和HMM状态数对陀螺漂移预测结果的影响,并验证了预测方法的有效性。     

基于最速跟踪微分器的电罗经直航向鲁棒控制

为减小舰船直航向运动情况下风、流、摇摆等对电罗经航向造成的随机误差影响,提高舰船直航向运动时电罗经指向精度,采用高阶AR模型对其随机误差进行建模,确定模型阶数,获得了较为准确的误差模型。同时,基于建立的模型,对电罗经航向随机误差进行预测,利用前期预测值结合自行设计的鲁棒最速跟踪微分器对随机扰动进行抑制。通过与标准最速跟踪微分器进行对比表明,采用鲁棒最速跟踪微分器与高阶AR模型结合的方法较为有效地抑制了电罗经航向随机误差过程,为减小电罗经直航向误差提供一种行之有效的方法。     

基于EMD-AR和关联维数的轧机主传动系统故障诊断研究

为提高轧机主传动系统故障诊断的精度,提出了一种基于EMD-AR模型和关联维数的故障特征提取算法.该方法采用小波滤波和EMD对振动信号进行去噪和平稳化预处理,再对包含主要故障信息的本征模函数(IMF)分别建立AR模型进行降维,最后通过时延相图法重构AR模型参数的相空间,并计算其关联维数.实验分析表明:该算法不仅能够深刻、...     

盲信号处理技术在双通道前臂肌电信号识别中的应用

根据肌电信号产生机理,本文对双通道前臂肌电信号建立单输入多输出FIR系统模型 ,由于模型输入未知且不可测,采用了盲信号处理方法对模型参数进行辨识．通过提取模型 冲激响应作为信号特征,能够对握拳、展拳、前臂内旋和前臂外旋四类前臂动作进行识别． 实验表明,该方法仅需建立较低阶数的模型即可达到较好的分类目的,性能要优于传统的AR 模型方法．     

基于AR模型的特殊路面的路面谱测量及分析

提出了一种特殊路面的路面谱的测量方法,在运输车辆车桥上安装加速度传感器,通过测量该处的时域加速度信号来间接计算路面功率谱;运用DASP和MATLAB等软件对测试数据进行处理,并对特殊路面不平度建立AR模型和进行谱估计,得到了多种特殊路面的位移功率谱密度曲线图;结果表明,该实验方法是可行的,同时提出了一种基于AR模型的特殊路面的路面谱测量手段,并验证了用AR模型法对特殊路面进行功率谱分析的可靠性和可行性。     

Kalman滤波在Yule-Walker谱估计中的应用

在现代谱估计中,由于Yule-Walker沃克谱估计算法中平稳随机序列的长度n在某些情况下偏小,使计算出的ARMA随机过程的功率谱密度不能精确逼近真实值,所以我们在用自相关法估计AR模型参数时加入了kalman滤波器。将估计的AR模型系数及高斯白噪声作为滤波器的输入及部分参数,对最终估计的功率谱进行修正。实验结果表明,...     

分层向量自回归的多通道脑电信号的特征提取研究

有效的特征提取方法能提高脑机接口（Brain-computer interface,BCI）系统对脑电（Electroencephalogram,EEG）信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归（Hierarchical vector autoregression,HVAR）模型用于脑电信号的特征提取,并结合传统的线性支持向量机（Support vector machine,SVM）用于脑电信号识别.该模型不仅克服了自回归（Autoregression,AR）模型只能用来提取单通道特征的局限性,而且不再采用传统VAR（Vector autoregression）模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下（2阶）与阶数较大（6阶）的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义.     

应用阶数自学习自回归隐马尔可夫模型对控制过程异常数据的在线检测

针对过程工业中强噪声环境下实时采集的控制过程海量数据难以在线精确检测的问题,提出了基于阶数自学习自回归隐马尔可夫模型(ARHMM)的工业控制过程异常数据在线检测方法.该算法采用自同归(AR)模型对时间序列进行拟合,利用隐马尔科夫模型(HMM)作为数据检测的工具,避免了传统检测方法中需要预先设定检测阈值的问题,并将传统的...     

一种基于自动回归的改进网格主机负载预测模型

提出了一种基于自动回归（AR）改进的主机负载预测模型,它不仅具有AR模型本身的计算成本小、预测性能稳定的优点,还对AR模型只对未来某个固定时间段的负载预测进行了改进,使之能根据作业的预测执行时间进行主机负载动态预测,同时该模型还充分体现了主机负载变化的自相似性和长期依赖性。实验结果表明,该模型达到了预期的效果。