一种平稳时序数据的高效辨识改进算法

发布时间：2021-05-22 21:58

　　时序数据驱动系统辨识的主要优点是可利用既有数据所蕴含的内在规律进行建模,且无需掌握系统内部结构,利用这一优势,提出一种基于自回归模型的平稳时序数据的高效辨识改进算法。利用重抽样方法估计待辨识序列的数学期望和方差,分别析出相依随机型序列和完全随机型序列,并以矩阵满秩为约束条件,用升阶的方式计算相依随机型序列的自回归系数矩阵的秩,得到自回归模型的阶数,在定阶的同时,以融合迭代和递推机制的方式估算自回归模型的参数。实验表明改进后的算法可在花费更少量计算成本的情况下,在辨识精度的稳定性上较现有算法有显著的提升。 

【文章来源】：微处理机. 2019,40(01)

【文章页数】：8 页

【文章目录】：
1 引言
2 问题描述
3 改进算法
    3.1 基于重抽样的随机白噪声干扰估计
    3.2 融合迭代和递推机制的自回归模型求解方法
    3.3 算法设计
4 实验及结果分析
    4.1 实验过程与方法
    4.2 实验的结果与分析
5 结束语


【参考文献】：
期刊论文
[1]利用自回归模型的平稳时序数据快速辨识算法[J]. 黄雄波,胡永健.  计算机应用研究. 2018(09)
[2]平稳时序数据的Bootstrap辨识及其改进算法研究[J]. 黄雄波.  微型电脑应用. 2018(03)
[3]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[4]确定性信号分解与平稳随机信号分解的统一研究[J]. 王宏禹,邱天爽.  通信学报. 2016(10)
[5]基于自相关函数的非平稳时序数据的辨识改进[J]. 黄雄波.  微型机与应用. 2016(13)
[6]多周期时序数据的傅氏级数拟合算法[J]. 黄雄波.  计算机系统应用. 2015(07)
[7]自回归预测模型变权组合定阶[J]. 杨帆,谢佳君,邵阳.  测绘科学. 2015(08)
[8]关于时间序列AR模型定阶问题的一些研究[J]. 段志善,常国光,闻邦椿.  西安建筑科技大学学报(自然科学版). 1989(04)
[9]AR模型的两种计算量较小的建模方法[J]. 张思宇,陈克兴.  北京钢铁学院学报. 1987(01)



本文编号：3201728