这个例子展示了如何对时间序列数据进行谱估计。我们使用Marple的测试用例(The complex data in L. Marple: S.L. Marple, Jr, Digital Spectral Analysis with Applications, Prentice-Hall, Englewood Cliffs, NJ 1987.)。
让我们首先加载测试数据:
加载mar
系统识别工具箱™中的大多数例程都支持复杂数据。金宝app然而,对于策划,我们将分别检查数据的实数和虚部。
首先,看看数据:
子图(211),绘图(真实(Marple)),标题(“数据的真实部分”。)子图(212),plot(imag(marple)),标题('虚部的数据。')
作为初步的分析步骤,让我们检查数据的周期图:
per = etfe(marple);W =每。频率;clf h = spectrumplot(每,w);选择= getOptions(h);opt.freqscale ='线性';opt.FreqUnits =“赫兹”;setoption (h,选择)
由于数据记录仅为64个样本,并且计算为128个频率的周期图,从而清楚地看到窄频窗口的振荡。因此,我们将一些平滑的顺序相对于周期图(对应于1/32 Hz的频率分辨率):
马普尔sp = etfe (32);spectrumplot(每sp w);
让我们现在尝试Blackman-Tukey方法来频谱估计:
ssm = spa(marple);%函数spa执行频谱估计Spectrumplot(SP,'B',SSM,'G',W,选择);传奇({'平滑一期间'那'Blackman-Tukey估计'});
默认窗口长度为此少量数据提供了一个非常窄的LAG窗口。我们可以选择一个更大的滞后窗口:
SS20 = SPA(Marple,20);Spectrumplot(SP,'B',ss20,'G',W,选择);传奇({'平滑一期间'那'Blackman-Tukey估计'});
参数5阶AR模型由以下计算:
T5 = AR(Marple,5);
与期限评论估计进行比较:
Spectrumplot(SP,'B',t5,'G',W,选择);传奇({'平滑一期间'那'第五阶AR估计'});
ar命令实际上涵盖了20种不同的频谱估计方法。上面这个就是马普尔书中所谓的“修正协方差估计”。
有一些其他众所周知的人是:
TB5 = AR(Marple,5,“城”);%Burg的方法Ty5 = AR(Marple,5,'yw');圣诞老人沃克法Spectrumplot(T5,TB5,TY5,W,OPT);传奇({'修改协方差'那'Burg'那“Yule-Walker”})
AR建模也可以使用乐器可变方法完成。为此,我们使用该功能Ivar.
:
马普尔ti = ivar (4);spectrumplot (t5、钛,钨,选择);传奇({'修改协方差'那'ofternal变量'})
此外,系统识别工具箱涵盖光谱的ARMA建模:
Ta44 = armax(marple,[4 4]);% 4 ar参数和4 ma参数Spectrumplot(T5,Ta44,W,OPT);传奇({'修改协方差'那'arma'})