Предполагая бесшумный процесс AR (1) y(t)= a*y(t-1)
. У меня есть следующие концептуальные вопросы и буду рад разъяснению.Проблемы с привязкой данных к линейной модели
Q1 - Несоответствие между математической формулировкой и реализацией. Математическая формулировка модели AR представлена в виде y(t) = - summmation over i=1 to p[a*y(t-p)] + eta(t)
где p = порядок модели и eta(t)
- белый гауссовский шум. Но при оценке коэффициентов с использованием любого метода, такого как arburg()
или наименьшего квадрата, мы просто вызываем эту функцию. Я не знаю, будет ли явно добавлен белый гауссовский шум. Затем, когда мы разрешаем уравнение AR с оцененными коэффициентами, я видел, что отрицательный знак не учитывается, и добавленный шум не добавляется.
Какое правильное представление модели AR и как найти средние коэффициенты по k числу испытаний, когда у меня есть только один образец из 1000 точек данных?
Q2 - Кодирование проблемы в Как имитировать fitted_data для к числу испытаний, а затем найти остатки - я приспособил данные «данные», полученных от неизвестной системы и получил коэффициент по
load('data.txt');
for trials = 1:10
model = ar(data,1,'ls');
original_data=data;
fitted_data(i)=coeff1*data(i-1); % **OR**
data(i)=coeff1*data(i-1);
fitted_data=data;
residual= original_data - fitted_data;
plot(original_data,'r'); hold on; plot(fitted_data);
end
При расчете остаточного - это данные, полученные как описано выше, путем решения уравнения AR с полученными коэффициентами? У Matlab есть функция для этого, но я хотел сделать свой собственный. Итак, после определения коэффициентов из исходных данных, как мне решить? Указанное выше кодирование неверно. Прикреплен график исходных данных и встроенных_данных.
Место данные для моделирования пути к темной стороне, это молодая пада ап. Скорее вы должны подгонять модель к своим данным ... –
код, который вы опубликовали, запутан, например, вы используете индекс i в какой-то момент. Пожалуйста, напишите код MATLAB или объясните, что вы публикуете псевдокод. –