利用Burg方法Simulink计算自回归(AR)模型参数的估计金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

描述

Burg AR Estimator块使用Burg方法来拟合自回归(AR)在约束AR参数满足Levinson-Durbin递归的同时，通过最小化(最小二乘)前向和后向预测误差，对输入数据进行建模。

输入必须是列向量或无向向量，假设是白噪声驱动的AR系统的输出。该输入表示来自单通道信号的连续时间采样帧。该块计算AR系统参数的归一化估计，一个（z)，为每个连续的输入帧独立。

$H （ z ）＝ \frac{G}{一个（ z ）} ＝ \frac{G}{1 + 一个（ 2 ） z^{- 1} + .．. + 一个（ p + 1 ） z^{- p}}$

当你选择从输入维度继承估计顺序参数，顺序，p的值小于输入向量的长度。方法指定的值估计订单参数。

的输出(年代)参数允许您在AR过程的两种实现之间进行选择:

标量增益，G，在底部输出(G）.

下表比较了Burg AR Estimator块与协方差AR Estimator、Modified协方差AR Estimator和Yule-Walker AR Estimator块的特征。

	伯格AR估计器	协方差AR估计器	修正协方差AR估计器	Yule-Walker AR估计器
`特征`	不应用窗口的数据	不应用窗口的数据	不应用窗口的数据	将窗口应用于数据
`特征`	最小化最小二乘意义上的正向和反向预测误差，约束AR系数以满足L-D递归	最小化最小二乘意义上的前向预测误差	最小化最小二乘意义上的正向和反向预测误差	最小化最小二乘意义上的前向预测误差(也称为“自相关方法”)
`优势`	总是产生一个稳定的模型	最小化最小二乘意义上的前向预测误差	最小化最小二乘意义上的正向和反向预测误差	总是产生一个稳定的模型
`缺点`		可能产生不稳定的模型	可能产生不稳定的模型	对于较短的数据记录，性能相对较差
`非奇异性条件`		顺序必须小于或等于输入帧大小的一半	顺序必须小于或等于输入帧大小的2/3	由于有偏估计，自相关矩阵保证是正定的，因此是非奇异的

凯，s.m。现代谱估计:理论与应用。恩格尔伍德悬崖，新泽西州:Prentice-Hall, 1988。

马普尔，s.l.， Jr.数字光谱分析及其应用。恩格尔伍德悬崖，新泽西州:Prentice-Hall, 1987。