時序數(shù)據(jù)驅(qū)動系統(tǒng)辨識的主要優(yōu)點是可利用既有數(shù)據(jù)所蘊含的內(nèi)在規(guī)律進行建模,且無需掌握系統(tǒng)內(nèi)部結(jié)構(gòu),利用這一優(yōu)勢,提出一種基于自回歸模型的平穩(wěn)時序數(shù)據(jù)的高效辨識改進算法。利用重抽樣方法估計待辨識序列的數(shù)學(xué)期望和方差,分別析出相依隨機型序列和完全隨機型序列,并以矩陣滿秩為約束條件,用升階的方式計算相依隨機型序列的自回歸系數(shù)矩陣的秩,得到自回歸模型的階數(shù),在定階的同時,以融合迭代和遞推機制的方式估算自回歸模型的參數(shù)。實驗表明改進后的算法可在花費更少量計算成本的情況下,在辨識精度的穩(wěn)定性上較現(xiàn)有算法有顯著的提升。 

【文章來源】：微處理機. 2019,40(01)

【文章頁數(shù)】：8 頁

【文章目錄】：
1 引言
2 問題描述
3 改進算法
    3.1 基于重抽樣的隨機白噪聲干擾估計
    3.2 融合迭代和遞推機制的自回歸模型求解方法
    3.3 算法設(shè)計
4 實驗及結(jié)果分析
    4.1 實驗過程與方法
    4.2 實驗的結(jié)果與分析
5 結(jié)束語


【參考文獻】：
期刊論文
[1]利用自回歸模型的平穩(wěn)時序數(shù)據(jù)快速辨識算法[J]. 黃雄波,胡永健.  計算機應(yīng)用研究. 2018(09)
[2]平穩(wěn)時序數(shù)據(jù)的Bootstrap辨識及其改進算法研究[J]. 黃雄波.  微型電腦應(yīng)用. 2018(03)
[3]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預(yù)測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報. 2018(04)
[4]確定性信號分解與平穩(wěn)隨機信號分解的統(tǒng)一研究[J]. 王宏禹,邱天爽.  通信學(xué)報. 2016(10)
[5]基于自相關(guān)函數(shù)的非平穩(wěn)時序數(shù)據(jù)的辨識改進[J]. 黃雄波.  微型機與應(yīng)用. 2016(13)
[6]多周期時序數(shù)據(jù)的傅氏級數(shù)擬合算法[J]. 黃雄波.  計算機系統(tǒng)應(yīng)用. 2015(07)
[7]自回歸預(yù)測模型變權(quán)組合定階[J]. 楊帆,謝佳君,邵陽.  測繪科學(xué). 2015(08)
[8]關(guān)于時間序列AR模型定階問題的一些研究[J]. 段志善,常國光,聞邦椿.  西安建筑科技大學(xué)學(xué)報(自然科學(xué)版). 1989(04)
[9]AR模型的兩種計算量較小的建模方法[J]. 張思宇,陳克興.  北京鋼鐵學(xué)院學(xué)報. 1987(01)



本文編號：3201728