国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種精確混合譜預測方法

      文檔序號:9810846閱讀:357來源:國知局
      一種精確混合譜預測方法
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明屬于預測方法技術(shù)領(lǐng)域,尤其涉及一種精確混合譜預測方法。
      【背景技術(shù)】
      [0002]常規(guī)混合譜分析方法或是基于周期圖的,或是基于高階AR模型的,詳細討論了有限階AR譜估計方法對低階混合譜估計的漸近統(tǒng)計特性。然而,這些譜估計方法的估計精度受到采集數(shù)據(jù)長度有限及模型階數(shù)有限的影響。由于參數(shù)化方法相對非參數(shù)化方法具有較高的譜估計精度,因此,很多文獻通過對特定混合譜參數(shù)化模型進行參數(shù)估計來實現(xiàn)混合譜估計的目的。參數(shù)化的混合譜估計過程中需要對正弦參數(shù)及AR模型參數(shù)進行估計,因涉及高維搜索問題,運算復雜度過高。

      【發(fā)明內(nèi)容】

      [0003]本發(fā)明就是針對上述問題,提供一種運算復雜度低的精確混合譜預測方法。
      [0004]為實現(xiàn)上述目的,本發(fā)明包括以下步驟。
      [0005]AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈,通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本。
      [0006]步驟1:設(shè)置c=r,利用其計算出相應的矩陣D和矢量d。
      [0007]步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ。
      [0008]步驟3:根據(jù)樣本i τ,依參數(shù)a的滿條件后驗分布抽取其樣本ia。
      [0009]步驟4:根據(jù)將樣本i τ和ia,依中間參數(shù)c的滿條件后驗分布抽取其樣本ic。
      [0010]步驟5:利用樣本ic重新計算矩陣D和矢量d,并執(zhí)行步驟2,循環(huán)計算。
      [0011]作為一種優(yōu)選方案,本發(fā)明將Markov鏈收斂前的估值去除,并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。
      [0012]作為另一種優(yōu)選方案,本發(fā)明通過最小二乘法、子空間類法獲得相應的頻率ω及幅度Ct。
      [0013]本發(fā)明有益效果。
      [0014]本發(fā)明基于Bayes統(tǒng)計推斷思想,利用Markov鏈的MonteCarlo(MarkovChainMonteCarlo, MCMC)實驗方法,通過交替估計正弦參數(shù)與AR模型參數(shù)來實現(xiàn)混合譜參數(shù)估計。由于充分利用了模型信息和樣本數(shù)據(jù)內(nèi)在信息,并結(jié)合了模型總體分布中未知參數(shù)信息,本發(fā)明方法可以很好的解決傳統(tǒng)統(tǒng)計方法的樣本不足及樣本質(zhì)量不佳的問題,更適宜混合譜估計。
      [0015]本發(fā)明根據(jù)混合譜參數(shù)化模型對混合譜數(shù)據(jù)中的正弦參數(shù)及AR雜波參數(shù)進行估計。由于更充分地利用了模型信息和樣本數(shù)據(jù)內(nèi)在信息,因此本發(fā)明方法更適用于小樣本環(huán)境。仿真實驗結(jié)果表明,本發(fā)明所提出方法與DPE算法相比,在小樣本條件下,性能更優(yōu),兩類解耦算法都幾乎不受信雜比的影響。
      [0016]本發(fā)明有效降低運算復雜度,通過先后對正弦參數(shù)及AR模型參數(shù)進行順序估計實現(xiàn)降低運算復雜度的目的。另外,由于DPE算法中的AR模型是與采集數(shù)據(jù)中雜波同階的,所以在估計過程中需要的初始數(shù)據(jù)較少,降低了對采集數(shù)據(jù)長度的需求。
      【具體實施方式】
      [0017]本發(fā)明包括以下步驟。
      [0018]AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈,通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本。
      [0019]步驟1:設(shè)置c=r,利用其計算出相應的矩陣D和矢量d。
      [0020]步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ。
      [0021]步驟3:根據(jù)樣本i τ,依參數(shù)a的滿條件后驗分布抽取其樣本ia。
      [0022]步驟4:根據(jù)將樣本i τ和ia,依中間參數(shù)c的滿條件后驗分布抽取其樣本ic。
      [0023]步驟5:利用樣本ic重新計算矩陣D和矢量d,并執(zhí)行步驟2,循環(huán)計算。
      [0024]作為一種優(yōu)選方案,本發(fā)明將Markov鏈收斂前的估值去除,并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。
      [0025]作為另一種優(yōu)選方案,本發(fā)明通過最小二乘法、子空間類法獲得相應的頻率ω及幅度Ct。
      [0026]本部分通過幾個仿真實驗結(jié)果來說明本發(fā)明所提出混合譜估計方法的性能。假設(shè)仿真實驗中的混合譜的復數(shù)據(jù)為為零均值高斯白噪聲。信雜比SCR定義為混合信號中的正弦分量與雜波分量的能量之比,通過改變正弦分量的幅度α可以實現(xiàn)調(diào)整混合譜信雜比。
      [0027]首先研究仿真數(shù)據(jù)長度N對混合譜中AR雜波參數(shù)估計的影響。假設(shè)混合譜數(shù)據(jù)的信雜比SCR= - 5dB。本發(fā)明混合譜估計方法與DPE方法對參數(shù)la、2a的估計性能比較。
      [0028]兩種方法對參數(shù)la、2a的估計性能隨數(shù)據(jù)長度的增大而改善,而且本發(fā)明提出方法在數(shù)據(jù)長度較短時性能優(yōu)于DPE算法,隨著數(shù)據(jù)長度N的增大,兩者差異減小。
      [0029]本發(fā)明方法對混合譜中AR雜波參數(shù)估計的性能。假設(shè)仿真數(shù)據(jù)長度N=100。本發(fā)明混合譜估計方法與DPE方法對參數(shù)la、2a的估計性能,la、2a的估計性能幾乎不受信雜比SCR的影響。說明交替對混合譜數(shù)據(jù)中的正弦及雜波參數(shù)進行估計時,正弦分量的去除效果受信雜比的影響較小。
      [0030]以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明作的進一步詳細說明,不能認定本發(fā)明的具體實施只局限于這些說明,對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干簡單推演或替換,都應當視為屬于本發(fā)明所提交的權(quán)利要求書確定的保護范圍。
      【主權(quán)項】
      1.一種精確混合譜預測方法,其特征在于包括以下步驟: AR模型參數(shù)a、τ及中間參數(shù)c根據(jù)被估計參數(shù)的滿足條件后,分布建立Markov鏈,通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本; 步驟1:設(shè)置c=r,利用其計算出相應的矩陣D和矢量d ; 步驟2:滿條件后驗分布抽取參數(shù)τ的樣本i τ ; 步驟3:根據(jù)樣本i τ,依參數(shù)a的滿條件后驗分布抽取其樣本ia ; 步驟4:根據(jù)將樣本i τ和ia,依中間參數(shù)c的滿條件后驗分布抽取其樣本ic ; 步驟5:利用樣本ic重新計算矩陣D和矢量d,并執(zhí)行步驟2,循環(huán)計算。2.根據(jù)權(quán)利要求1所述一種精確混合譜預測方法,其特征在于將Markov鏈收斂前的估值去除,并將收斂后的參數(shù)估計進行統(tǒng)計平均后為各個參數(shù)估值。3.根據(jù)權(quán)利要求2所述一種精確混合譜預測方法,其特征在于通過最小二乘法、子空間類法獲得相應的矩陣D和矢量d。
      【專利摘要】<b>一種精確混合譜預測方法屬于預測方法技術(shù)領(lǐng)域,尤其涉及一種精確混合譜預測方法。本發(fā)明提供一種運算復雜度低的精確混合譜預測方法。本發(fā)明包括以下步驟:</b><b>AR</b><b>模型參數(shù)</b><b>a</b><b>、τ及中間參數(shù)</b><b>c</b><b>根據(jù)被估計參數(shù)的滿足條件后,分布建立</b><b>Markov</b><b>鏈,通過循環(huán)抽取每個參數(shù)獲得服從相應分布的參數(shù)估計樣本;步驟</b><b>1</b><b>:設(shè)置</b><b>c=r</b><b>,利用其計算出相應的矩陣</b><b>D</b><b>和矢量</b><b>d</b><b>;步驟</b><b>2</b><b>:滿條件后驗分布抽取參數(shù)τ的樣本</b><b>i</b><b>τ;步驟</b><b>3</b><b>:根據(jù)樣本</b><b>i</b><b>τ,依參數(shù)</b><b>a</b><b>的滿條件后驗分布抽取其樣本</b><b>i</b><b>a</b><b>。</b>
      【IPC分類】G06F19/00
      【公開號】CN105574319
      【申請?zhí)枴緾N201410622907
      【發(fā)明人】李福霞
      【申請人】李福霞
      【公開日】2016年5月11日
      【申請日】2014年11月8日
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1