生成粉红噪声的ARMA模型

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(Auto-regressive moving average,ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

基于ARMA模型的NCS前向时延预测研究

网络化控制系统（Networked Control System,NCS）中固有的网络时延会降低系统性能甚至导致系统不稳定,网络时延主要包括前向时延和后向时延。考虑到前向时延在控制器设计控制律时尚未发生,采用自回归滑动平均模型对前向时延进行预测,并将其与径向基函数（RBF）神经网络预测结果进行了对比分析,验证了所给方法的有效性和优越性。     

小波域多尺度ARMA模型的纹理分割方法

纹理特征的提取是纹理分割的关键。在小波域内,对图像建立多尺度自回归滑动平均(MultiscaleAutoregressiveMovingAverage,简称MARMA)模型,并用小生境遗传算法对MARMA模型进行参数估计,将估计出的参数向量作为纹理分割的特征标准。不同纹理图像的MARMA模型的参数向量具有较好的可分性,这就保证了最终纹理分割的质量。     

基于ARMA的微惯性传感器随机误差建模方法

针对微惯性传感器随机误差建模效果不理想,影响微惯性组合导航系统性能的问题,提出了采用自回归滑动平均(ARMA)对微惯性传感器随机误差进行建模的方法。通过对随机误差模型应用于微惯性器件误差建模的深入分析,将Yule-Walker方程引入线性预测问题中,实现AR功率谱密度的估计,建立了基于随机过程有理功率谱密度的ARMA模型建立方法,并给出了ARMA建模准确性的LDA验证准则。通过微惯性传感器实测数据,对随机误差建模方法进行了有效性验证。该方法为微惯性器件的随机误差建模和分析提供了一种新的途径。     

基于自回归积分滑动平均模型的日前电价预测

常见的电价预测模型一般建立在时间序列法和神经网络法的基础上。本文将小波变换与自回归积分滑动平均模型结合起来得到小波ARIMA模型并使用该模型进行预测,相对其他时间序列方法,自回归积分滑动平均模型在处理电价这类非平稳时间序列时有更好的表现。经过预测误差的对比分析可以得知小波ARIMA模型的预测效果要优于传统的ARIMA模型。     

基于ARMA模型的煤矿瓦斯灾害预测研究

瓦斯预测有助于减少煤矿瓦斯灾害损失,甚至可以完全避免严重事故或灾害的发生.使用时间序列分析法,建立瓦斯灾害预测的自回归滑动平均ARMA模型,用AIC信息量准则实现模型定阶,用最小二乘法确定模型中的未知参数.对于非平稳时间序列,经差分处理后得到平稳时间序列,再用ARMA模型进行预测.仿真结果表明建立的预测模型和数据处理方法能获得较准确的预测结果.     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

基于ARMA建模的MEMS陀螺随机误差补偿改进算法研究

基于MEMS技术生产的MEMS器件,具有体积小、重量轻、成本低、耐冲击性、高可靠性等特点,它被广泛应用于动态水平测量装置当中。但是由于外界环境的干扰,MEMS器件的测量精度一直难以达到实际应用水平。分析了在动态水平测量当中影响MEMS器件测量精度的各种因素之后,提出了一种基于ARMA模型的针对MEMS陀螺器件随机误差补偿的改进型算法。以某型号的陀螺的随机误差为研究对象进行实验验证,结果表明,MEMS陀螺的测量精度在滤波之后有了明显的提高。经过改进后的卡尔曼滤波器和引入自适应渐消因子的卡尔曼滤波器,在静态环境下,它们的误差标准差分别降为原始误差的3.75%和4.8%,动态环境下的滤波精度也得到有效提高。证明该方法是可行的和有效的,具有较大的工程实践意义。     

基于ARMA的混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个基于ARMA(autoregressive moving average model,自回归滑动平均模型)的混合卷烟销售预测模型,实现卷烟月总量的预测。该模型首先基于ARMA建立月预测模型;再用计划评审技术PERT得到月预测经验期望值;最后通过设定加权系数,综合两个预测值得到月预测销售总量。实验结果证明该模型能够较好地预测出规格卷烟月销售总量值变化。     

基于ARMA模型的在线电视剧流行度预测

在线电视剧的迅速普及和发展,引发了一个全新的研究问题,即在线电视剧流行度预测。电视剧情节演化的连续性,使相邻剧集的流行度序列具有很强的线性相关性。扩展了自回归滑动平均(autoregressive moving average,ARMA)模型。具体地,采用多集单天和多集多天两种不同的建模策略,使用电视剧之间共享参数方法进行模型参数估计。利用均方根误差(root mean squared error,RMSE)评价预测方法的准确性,在大量的真实数据集上的实验表明,上述两种策略相比于对比方法,可以使RMSE平均分别降低22.0%和32.3%。     

估计MA参数的多维强Gevers-Wouters算法及其在构造ARMA新息模型中的应用

提出了用多维Gevers-Wouters（G－W）算法得到稳定的滑动平均（MA）过程的一个频域充分条件,并给出了在构造ARMA新息模型中的应用,给出了保证ARMA新息模型的MA多项式矩阵稳定的一个时域充分条件,仿真结果表明,多维G－V算法具有快速收敛的性质。     

带白色观测噪声的ARMA模型参数的无偏估计

本文研究了如何利用受白色噪声污染的观测数据辨识ＡＲＭＡ（ｐ，ｑ）模型参数数据的问题，提出了一种递推辅助变量法．利用这种方法首先辨识出ＡＲ（ｐ）部分的参数及观测噪声的方差，然后根据所得的估计利用常用的Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ方法确定ＭＡ（ｑ）部分的参数。     

Computation of the exact Cramer–Rao lower bound for the parameters of a nonsymmetric half-plane 2-D ARMA model

The Cramer–Rao lower bound (CRLB) that gives the minimal achievable variance/standard deviation for any unbiased estimator offers a useful tool for an assessment of the consistency of parameter estimation techniques. In this paper, a closed-form expression for the computation of the exact CRLB on unbiased estimates of the parameters of a two-dimensional (2-D) autoregressive moving average (ARMA) model with a nonsymmetric half-plane (NSHP) region of support is developed. The proposed formulation is mainly based on a matrix representation of 2-D real-valued discrete and homogeneous random field characterized by the NSHP ARMA model. Assuming that the random field is Gaussian, the covariance matrix of the NSHP ARMA random field is first expressed in terms of the model parameters. Then, using this matrix structure, a closed-form expression of the exact Fisher information matrix required for the CRLB computation of the NSHP ARMA model parameters is developed. Finally, the main formulas derived for the NSHP ARMA model are rearranged for its autoregressive and moving average counterparts, separately. Numerical simulations are included to demonstrate the behavior of the derived CRLB formulas.     

残差噪声模型在PMC技术中的应用

PMC技术在提高语音识别的鲁棒性方面发挥重要作用。但PMC技术仍存在一些难点：如何获得精确的卷积噪声模型；如何在低信噪比情况下提高识别性能。该文提出了PMC技术的改进方法：引入新的残差噪声模型以及伪干净语音模型，结合信号增强技术，能有效地提高系统的鲁棒性。实验是在英国剑桥大学的HTK语音识别工具包的基础上进行，结果表明，新的PMC技术在噪声环境下能显著提高识别性能。     

基于多图像先验知识的噪声水平评估算法

为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值, 之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明：较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.     

多维滑动和（MA）模型参数的自适应估计

本文利用AR模型LS梯格滤波的有关公式给出了实时辨识多维MA模型参数的递推算法,该算法建立在对模型噪声和观测的自协方差阵和互协方差阵的矩估计基础上,由一个N阶反馈形式的梯格滤波器构成,可关于时间和阶次双重递推,该算法计算量为O(N)的量级,并具备梯格滤波固有的良好数值及结构特性。     

空间有色噪声背景下多目标检测性能研究

重点对一些典型的多目标检测方法在空间有色噪声背景下的检测性能进行分析,并利用统一的仿真模型对它们的检测能力进行比较。每种方法都运用了两个分离的线列阵,来接收多个从不同方向入射的平面波和噪声。仿真采用ARMA模型来产生空间有色噪声,使噪声功率谱相似于实际工程应用中的噪声特性。并且分别研究了各种方法的优缺点,对比了这些方法在有色噪声背景下检测信号源数目的效果。     

On estimating the order of an ARMA process

An order estimation scheme is proposed for scalar autoregressive-moving average processes. It is based on the determination of the rank of estimated matrices. Numerous heuristic tests have already been derived around the relations existing between the rank of covariance matrices and ARMA orders. Using results from matrix perturbation theory we indicate how to build and justify statistical tests which permit decisions about e.g. how many eigenvalues should be declared equal to zero. The usefulness of these asymptotic developments is verified by simulations. The results are in agreement with the predictions for quite small sample sizes and the performances are satisfactory.     

A novel method of blind signal detection using the distribution of the bin values of the power spectrum density and the moving average

Signal detection in additive white Gaussian noise (AWGN) is one of the long-term developments driving the evolution of many different fields of science and technology, with important applications in telecommunications, medicine and astronomy. In this paper, we propose a novel method of blind signal detection that does not require knowledge of the noise variance. This method uses the distribution of the bin values of the power spectrum density of the received signal and the moving average (MAV). The simulation results for radio pulses show that the spectrum sensing performance is significantly improved under the proposed scheme compared to that of known blind signal detection methods.