使用复杂数据的频谱估算-Marple的测试用例
此示例显示了如何对时间序列数据执行光谱估计。我们使用Marple的测试用例(L. Marple中的复杂数据:S.L. Marple,JR,JR,数字光谱分析,应用程序,Prentice-Hall,Englewood Cliffs,NJ,1987年。)
测试数据
让我们首先加载测试数据:
加载马普尔
系统标识Toolbox™中的大多数例程都支持复杂数据。金宝app为了绘制,我们分别检查了数据的真实和虚构部分。
首先,查看数据:
子图(211),情节(真实(marple)),标题(“数据的真实部分。”)子图(212),情节(图像(marple)),标题(“数据的虚构部分”。)
作为初步分析步骤,让我们检查数据的期刊:
per = etfe(marple);w = per.frequency;Clf H = Spectrumplot(Per,W);opt = getOptions(h);opt.freqscale =“线性”;opt.frequnits ='赫兹';setOptions(h,opt)
由于数据记录仅为64个样本,并且计算了128个频率的期刊图,因此我们清楚地看到了狭窄频率窗口的振荡。因此,我们对期刊(对应于1/32 Hz的频率分辨率)进行一些平滑处理:
sp = etfe(Marple,32);Spectrumplot(PER,SP,W);
现在让我们尝试Blackman-Tukey的频谱估计方法:
SSM = SPA(MARPLE);%功能SPA执行光谱估计Spectrumplot(sp,'b',SSM,'G',w,opt);传奇({“平滑期刊图”,,,,“布莱克曼 - 塔基估计”});
默认窗口长度为少量数据提供了一个非常狭窄的滞后窗口。我们可以选择一个较大的滞后窗口:
SS20 = SPA(Marple,20);Spectrumplot(sp,'b',SS20,'G',w,opt);传奇({“平滑期刊图”,,,,“布莱克曼 - 塔基估计”});
估计自动回归(AR)模型
参数5阶AR模型由以下方式计算
t5 = ar(marple,5);
与期刊估计值进行比较:
Spectrumplot(sp,'b',T5,'G',w,opt);传奇({“平滑期刊图”,,,,“第五阶估计”});
实际上,AR-Command涵盖了20种不同的方法进行频谱估计。以上是Marple书中所谓的“修改后协方差估计”。
获得了其他一些知名度:
tb5 = ar(marple,5,'burg');%burg的方法ty5 = ar(Marple,5,'yw');%Yule-Walker方法Spectrumplot(T5,TB5,TY5,W,OPT);传奇({“修改协方差”,,,,'burg',,,,'Yule-Walker'})
使用仪器变量方法估算AR模型
也可以使用仪器变量方法进行AR模型。为此,我们使用该功能伊瓦
:
ti = ivar(Marple,4);Spectrumplot(T5,Ti,W,Opt);传奇({“修改协方差”,,,,“乐器变量”})
光谱的自回旋移动平均值(ARMA)模型
此外,系统识别工具箱涵盖了光谱的ARMA模型:
ta44 = armax(marple,[4 4]);%4个AR-Parameters和4个MA-参数Spectrumplot(T5,TA44,W,OPT);传奇({“修改协方差”,,,,'arma'})