SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
-
Upload
garrison-baxter -
Category
Documents
-
view
61 -
download
0
description
Transcript of SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
![Page 1: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/1.jpg)
© Institut biostatistiky a analýz
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
prof. Ing. Jiří Holčík, CSc.prof. Ing. Jiří Holčík, CSc.
[email protected]@iba.muni.cz
![Page 2: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/2.jpg)
© Institut biostatistiky a analýz
V.PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO
SPEKTRApokračování
V.PARAMETRICKÉ METODY ODHADU VÝKONOVÉHO
SPEKTRApokračování
![Page 3: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/3.jpg)
© Institut biostatistiky a analýz
BURGOVA METODABURGOVA METODA
nejpopulárnější metoda odhadu parametrů AR modelu z N vzorků
předpokládá: stacionární proces v širším slova smyslu
využívá:optimální dopřednou a zpětnou lineární predikci
z hlediska minimální energie chybové posloupnosti;
požaduje:aby AR parametry splňovaly Levinsonovu rekurzi
![Page 4: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/4.jpg)
© Institut biostatistiky a analýz
odhad hodnoty x(nTvz): dopřednou lin. predikcí:
zpětnou lin. predikcí:
chyby odhadu: dopřednou lin. predikcí:
zpětnou lin. predikcí:
energie chybové posloupnosti
chceme, aby byla splněna Levinsonova rekurze
ap(k)=ap-1(k)+ap(p).a*p-1 (p-k)= ap-1(k)+Kpa*p-1 (p-k)
(Kp=ap(p) je koeficient odrazu v mřížkovém realizačním schématu prediktoru)
BURGOVA METODABURGOVA METODA
p
1kvzvzpvz )kTnT(x)k(a)nT(x
p
1kvzvzvz
*pvzvz )pTkTnT(x)k(a)pTnT(x
)nT(x)nT(x)nT(e vzvzvzfp
)pTnT(x)pTnT(x)nT(e vzvzvzvzvzbp
1N
pn
2
vzbp
2
vzfpp )nT(e)nT(eE
chceme, aby byl AR model stabilní
![Page 5: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/5.jpg)
© Institut biostatistiky a analýz
obecně:
LEVINSONŮV – DURBINŮV LEVINSONŮV – DURBINŮV ALGORITMUSALGORITMUS
21k
2k
2k
fk
k1k1kk
f1k
1k
1ryy1kyy
k
)].k(a1[E
)k(a).ik(a)i(a)i(a
E
)rk().r(a)k()k(a
![Page 6: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/6.jpg)
© Institut biostatistiky a analýz
BURGOVA METODABURGOVA METODA
až se všechno podosazuje je
abychom Ep minimalizovali, derivujeme podle ap(p) a výsledek položíme roven nule, z toho pak je
|Ki(i)|1 … model je tedy opravdu stabilní
!!! HALELUJAH !!!!!! HALELUJAH !!!
)E),p(a(fE 1ppp tohle známe z předchozí rekurze
p...,,2,1i,)1k(e)k(e
)1k(e).k(e2K)i(a
1N
ik
2*b1i
2f1i
1N
ik
*b1i
f1i
ii
![Page 7: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/7.jpg)
© Institut biostatistiky a analýz
BURGOVA METODABURGOVA METODA
p...,,2,1i,EE
)1k(e).k(e2K
b1i
f1i
1N
ik
*b1i
f1i
i
odhad celkové energie chybydokážeme jej také počítat rekurzivně:
2f1i
2b1i
2
1i1ii )i(e)iN(e))1i(a1.(
Andersonův vztah
odhad výkonového spektra podle pana Burga
2p
1k
fkT2jp
pvzBUxx
vze).k(a1
E.T)f(P
![Page 8: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/8.jpg)
© Institut biostatistiky a analýz
BURGOVA METODABURGOVA METODA
výhody: dobrá frekvenční rozlišovací schopnost; AR model je stabilní; dobře se to počítá
nevýhody: štěpení spektrálních čar při velkém poměru signál/šum; parazitní vrcholy ve spektru při modelech vyšších řádů u harmonických signálů v šumu je odhad citlivý na
počáteční fázi harmonického signálu – projevuje se to frekvenčním posunem
![Page 9: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/9.jpg)
© Institut biostatistiky a analýz
BURGOVA METODABURGOVA METODA
jak na uvedené nevýhody?např. woknováním posloupnosti čtverců chyb
potom
umí se to, dělalo se to s Hammingovým oknem, parabolickým oknem, adaptivně, …
1N
pn
2
vzbp
2
vzfpvzp
WBUp )nT(e)nT(e)nT(wE
p...,,2,1i,)TkT(e)kT(e)kT(w
)TkT(e).kT(e).kT(w2K
1N
ik
2
vzvz*b1i
2
vzf1ivz1i
1N
ikvzvz
*b1ivz
f1ivz1i
i
![Page 10: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/10.jpg)
© Institut biostatistiky a analýz
SPEKTRÁLNÍ ODHAD S MAXIMÁLNÍ SPEKTRÁLNÍ ODHAD S MAXIMÁLNÍ ENTROPIÍ (MEM)ENTROPIÍ (MEM)
je založen na extrapolaci známého segmentu AK posloupnosti pro další hodnoty posunutí
máme {xx(0), xx(1), …, xx(p)}
a jak určit {xx(p+1), xx(p+2), …}, aby výsledná matice zůstala semidefinitní
existuje nepřeberně možností
Burg – extrapolaci provést tak, aby exrapolovaná AK posloupnost měla maximální entropii, tzn. posloupnost má být co nejnáhodnější ze všech co mají určených p+1 prvních členů funkce spektrální hustoty bude nejplošší
takový odhad klade nejméně požadavků na neznámou posloupnost;
maximální znáhodnění produkuje řešení s minimální chybou
![Page 11: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/11.jpg)
© Institut biostatistiky a analýz
SPEKTRÁLNÍ ODHAD S MAXIMÁLNÍ SPEKTRÁLNÍ ODHAD S MAXIMÁLNÍ ENTROPIÍ (MEM)ENTROPIÍ (MEM)
obecná formulace pro určení AR spektra posloupnosti s maximální entropií vede na soustavu nelineárních rovnic
Y-W odhad je odhad s maximální entropií pouze v případě, že je analyzovaná AK posloupnost generována náhodným procesem s normálním rozložením;
Burgův odhad by byl odhad autokorelační posloupnosti identický s průběhem skutečné AK posloupnosti
![Page 12: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/12.jpg)
© Institut biostatistiky a analýz
NEPODMÍNĚNÁ METODA NEJMENŠÍCH NEPODMÍNĚNÁ METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
až sem je to totéž jako u Burgovy metody, ale teď si nebudeme přát, aby koeficienty ap(k) splňovaly Levinsonovu rekurzi
metoda nejmenších čtverců na rovnici Ep se všemi koeficienty ap(k)
1N
pn
2p
1kvzvzvz
*pvzvz
2p
1kvzvzpvz
1N
pn
2
vzbp
2
vzfpp
)pTkTnT(x).k(a)pTnT(x)kTnT(x).k(a)nT(x
)nT(e)nT(eE
![Page 13: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/13.jpg)
© Institut biostatistiky a analýz
NEPODMÍNĚNÁ METODA NEJMENŠÍCH NEPODMÍNĚNÁ METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
p...,,2,1l;)0,l(r)k,l(r).k(ap
1kxxxxp
kde rxx(l,k) je cosi, čemu se říká autokorelace a je to definováno vztahem
,)kTpTnT(x).lTpTnT(x)lTnT(x).kTnT(x)k,l(r1N
pnvzvzvzvzvzvzvzvzvzvzxx
minimální energie predikční chyby je
p
1kxxpxx
LSp )k,0(r).k(a)0,0(rE
,. ppp EAR
pk,l0
kde
![Page 14: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/14.jpg)
© Institut biostatistiky a analýz
LEVINSONŮV – DURBINŮV LEVINSONŮV – DURBINŮV ALGORITMUSALGORITMUS
dopředná lineární predikce
normální rovnice:
l=1,2,…,p; ap(0)=1
výsledná minimální MSE
rozšířené normální rovnice:
p
0kvzvzyyp 0)kTlT()k(a
p
1kvzyypyy
fp )kT()k(a)0(E
p
0k
fp
vzvzyypp,...,2,1l0
0lE)kTlT()k(a
![Page 15: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/15.jpg)
© Institut biostatistiky a analýz
NEPODMÍNĚNÁ METODA NEJMENŠÍCH NEPODMÍNĚNÁ METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
0
0
E
)p,p(r)0,p(r
)p,0(r)0,0(r
;
)p(a
)1(a
1 LSp
p
xxxx
xxxx
p
p
pp
ERA
konečně odhad výkonového spektra:
2p
1k
fkT2jp
LSpvzLS
xx
e).k(a1
E.T)f(P
![Page 16: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/16.jpg)
© Institut biostatistiky a analýz
NEPODMÍNĚNÁ METODA NEJMENŠÍCH NEPODMÍNĚNÁ METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
počítání: Gaussovou eliminační metodou – O(p3) dá se to zefektivnit [Marple] - O(p2)
Rp se vyjádří jako součty a součiny Toeplitzových a Hankelových matic, ve skutečnosti pracnost asi o 20% vyšší než u Burga
zvýšení pracnosti se vrátí v lepších vlastnostech: je menší frekvenční posun, není štěpení spektrálních čar, nejsou parazitní vrcholy; model nemusí být stabilní – ale to nám v podstatě moc nevadí
![Page 17: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/17.jpg)
© Institut biostatistiky a analýz
ILUSTRACEILUSTRACE
LS
![Page 18: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/18.jpg)
© Institut biostatistiky a analýz
ILUSTRACEILUSTRACE
![Page 19: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/19.jpg)
© Institut biostatistiky a analýz
ILUSTRACEILUSTRACE
![Page 20: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/20.jpg)
© Institut biostatistiky a analýz
KOMENTÁŘE K ILUSTRACÍMKOMENTÁŘE K ILUSTRACÍM
parazitní vrcholypokud by byl analyzovaný proces přesně typu AR(p), pak koeficienty modelu
protože to tak není pro i>p existuje n-p pólů navíc; pokud jsou tyto nadbytečné póly v blízkosti jednotkové kružnice, projeví se ve spektru
doporučení: řád modelu by neměl být větší než N/2; N je počet vzorků v záznamu
fázová závislost u AR modelů klesá s délkou posloupnosti; různá pro různé odhady (u Burgova odhadu je až 16 %); pomáhá woknování;
n,...,1pi0
p,...,2,1i)i(a)i(a p
p
0)i(ap
![Page 21: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/21.jpg)
© Institut biostatistiky a analýz
KOMENTÁŘE K ILUSTRACÍMKOMENTÁŘE K ILUSTRACÍM
štěpení spektrálních čaru Burgova algoritmu, když je: vysoký SNR; počáteční fáze sinové složky je rovna lichému násobku 45°; doba záznamu je taková, že obsahuje lichý počet čtvrtin periody
harmonické složky; AR parametrů je velký počet ve srovnání s počtem vzorků v sekvenci
roste-li počet vzorků relativně vůči řádu modelu, štěpení vrcholů se omezuje;
vysvětluje se tím, že Burgův algoritmus optimálně neminimalizuje chybu
![Page 22: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/22.jpg)
© Institut biostatistiky a analýz
citlivost na šumstejnosměrná složka a lineární trend znehodnocuje spektrum na
nízkých kmitočtech – odstranit předem !!!
zobecnění problému:
yn = xn + wn a nechť je wn bílý šum s rozptylem σw2 a je
nekorelovaný s xn;
pak výkonové spektrum
KOMENTÁŘE K ILUSTRACÍMKOMENTÁŘE K ILUSTRACÍM
vz2w2
i
fiT2jp
2xvz
y T
e).i(a1
.T)f(P
vz
*)z/1(*A).z(A
T.*)z/1(*A).z(AT
*)z/1(*A).z(A
.T)f(P vz
2w
2x
vz2w
2xvz
y
!!! tohle už ale není přenosová funkce AR, alébrž ARMA !!!
![Page 23: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/23.jpg)
© Institut biostatistiky a analýz
citlivost na šum – pokračovánílze si pomoct:1. použitím ARMA odhadu (o tom se dozvíme později);
2. odfiltrováním šumu (nejdřív je potřeba určit vlastnosti šumu);
3. použitím AR odhadu vyššího řádu
za tím je Woldova dekompozice
vzhledem k doporučení omezujícímu štěpení vrcholů (řád menší než polovina počtu vzorků), nelze řád modelu zvyšovat bezhlavě;
4. kompenzovat odhad AK funkce nebo reflexních koeficientů vzhledem k šumu
KOMENTÁŘE K ILUSTRACÍMKOMENTÁŘE K ILUSTRACÍM
![Page 24: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/24.jpg)
© Institut biostatistiky a analýz
MODEL SIGNÁLU PRŮCHODEM LINEÁRNÍ MODEL SIGNÁLU PRŮCHODEM LINEÁRNÍ SOUSTAVOUSOUSTAVOU
dekompoziční teorém (Wold 1938) jakýkoliv ARMA nebo MA proces může být
jednoznačně reprezentován AR modelem max. řádu;
jakýkoliv ARMA nebo AR proces lze reprezentovat MA modelem max. řádu;
je nám jedno, co použijeme za model, jen by měl mít co nejméně parametrů, které se snadno počítají
![Page 25: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/25.jpg)
© Institut biostatistiky a analýz
URČENÍ ŘÁDU AR MODELUURČENÍ ŘÁDU AR MODELU
řád nebývá znám apriori, je třeba jej odhadnout – je-li nízký – spektrum se vyhlazuje, je-li vysoký – zvýšený výskyt parazitních detailů první možnost – zvyšovat řád, dokud predikční
chyba nebude minimální všechny LMS metody mají teoreticky monotónně
klesající chybu
Ei = Ei-1[1-|ai(i)|2] …. Y.-W. metoda
![Page 26: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/26.jpg)
© Institut biostatistiky a analýz
URČENÍ ŘÁDU AR MODELUURČENÍ ŘÁDU AR MODELU
kritéria, která vykazují extrém se zvyšováním řádu modelu
konečná predikční chyba (final prediction error – FPE) – Akaike
N je počet vzorků
zlomek roste s pN, protože roste neurčitost odhadu Ep;paráda na umělých datech čistých AR procesů; na reálných datech
příliš malé
Akaikovo informační kritérium (AIC)pro normální rozložení
AICp = ln(Ep) + 2(p+1)/N, někdy ln(Ep) + 2p/N;druhý člen vyjadřuje cenu použití zbytečných AR koeficientů;AIC je statisticky nekonzistentní odhad; pravděpodobnost chyby
odhadu řádu nejde k nule, když N
)1p(N
1pN.EFPE pp
![Page 27: SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD](https://reader035.fdocument.pub/reader035/viewer/2022081504/5681350b550346895d9c5c2f/html5/thumbnails/27.jpg)
© Institut biostatistiky a analýz
URČENÍ ŘÁDU AR MODELUURČENÍ ŘÁDU AR MODELU
kritéria, která vykazují extrém se zvyšováním řádu modelu
minimalizace délky popisu (Rissanenovo informační kritérium)(minimization of the description length – MDL)
MDLp = N.ln(Ep) + p.ln(N)
je statisticky konzistentní;
kritérium AR přenosu (Parzenovo kritérium)
(criterion AR transfer – CAT)
pro krátké posloupnosti nefunguje nic; pN/3; N/2;
pro harmonický proces v šumu – FPE a AIC – malé p, je-li SNR vysoký;
kk
p
p
1k k
p E.kN
N'E,
E
1
'E
1
N
1CAT