تصحيح روش انتخاب مرتبه مدل اتورگرسيو با استفاده از تجزيه مقادير منفرد در حالت داده هاي محدود

توضیحات

چکیده

روش هايي براي انتخاب مرتبه مدل ARبا استفاده از تجزيه مقادير منفرد قبلا توسط محققان ارائه شده است. در اين  مقاله، سعي شده است كه با تصحيح آستانه ارائه شده توسط اين محققان براي تشخيص بين مقادير مهم و مقادير منفرد با اهميت كمترِ ماتريس داده هاي مدل ،ARالگوريتم برگشتي جديدي براي انتخاب مرتبه مدل ARپيشنهاد شود. همچنين عملكرد اين روش جديد در انتخاب مرتبه مدلهاي AR در حالت داده محدود با استفاده از داده هاي شبيه  سازي، مورد ارزيابي قرار خواهد گرفت. نتايج شبيه سازي نشان داده است كه اين تكنيك براي انتخاب مرتبه مدل ARدر حالت دادههاي محدود، مؤثرتر از روش قبلي عمل ميكند .

 

مقدمه

يكي از مسائل مورد علاقه در مخابرات، كنترل و پردازش سيگنال، انتخاب مرتبه مناسب براي مدل AR (Autoregressive)مي باشد. به عنوان مثال، دقت تخمين فركانس در مسئله تخمين طيف با استفاده از مدل  ،ARبستگي به انتخاب مرتبه مناسب براي مدل ARدارد. در هنگام استفاده از اين مدل براي مدل كردن داده ها، بايد ضرايب و مرتبة مدل تخمين زده شود. براي تخمين ضرايب مدل ARچهار روشِ متداول وجود دارد كه عبارتند از : ,،Yule-Walker(YW), Burg Least-Squares-Forward- وLeast-Squares-Forward(LSF) ) . Backward(LSFBدر اين مقاله ما از روش LSFبراي تخمين ضرايب استفاده خواهيم كرد.

 

ABSTRACT

Methods for selecting the AR model rank using a single-parity analysis have already been proposed by the researchers. In this paper, with the threshold correction provided by these researchers, it is tried to find a new recursive algorithm for selecting the order of the AR model to distinguish between significant values ​​and single values ​​with lesser importance of the model data matrix. Also, the performance of this new method will be evaluated in order to select the order of AR models in limited data mode using simulation data. The simulation results have shown that this technique is more effective than the previous method for selecting the order of the AR model in the limited data mode.

 

INTRODUCTION

One of the favorite issues in telecommunication, control and signal processing is the choice of the appropriate range for the AR (Autoregressive) model. For example, the accuracy of estimating the frequency in the spectrum estimation problem using the AR model depends on the choice of the appropriate order for the AR model. When using this model for modeling the data, the coefficients and the order of the model must be estimated. To estimate the coefficients of the AR model, there are four common methods: Yule-Walker (YW), Burg Least-Squares-Forward and Least-Squares-Forward (LSF). Backward (LSFB) In this paper, we will use the LSF method to estimate the coefficients.

 

 

Year: 2010

Publisher : Eighteenth International Energy Conference of Iran

By : Shapour Soltani, Mahmoud Karimi

File Information: Persian Language/ 6 Page / size: 466 KB

Download

سال :1389

ناشر : هجدهمین کنفرانس بین المللی برق ایران

کاری از : شاپور خورشيدي ،محمود كريمي

اطلاعات فایل : زبان فارسی / 6 صفحه / حجم : KB 466

لینک دانلود