توضیحات
ABSTRACT
The problem of estimating the parameters of a noisy autoregressive (AR) signal is considered. We propose a new leastsquares (LS) method for estimating AR parameters that uses both low-order and high-order Yule- Walker equations in a new way. This estimate is biased. We derive a new method for noise variance estimation to yield unbiased LS estimate of the AR parameters. To evaluate the performance of the proposed method, computer simulations are performed. Simulation results illustrate that the performance of the proposed method is much better than the other estimation methods.
INTRODUCTION
The autoregressive (AR) modeling techniques are extensively used for data modeling in various fields of science and engineering such as geophysics, econometrics, speech processing, image processing and communications. The AR modeling techniques are very popular due to their excellent resolution performance. A very important problem which limits the utility of these parameter estimation techniques is their sensitivity to addition of observation noise to the AR process . The noisy AR estimation techniques have been extensively studied (see ). Most of the methods used to estimate AR signals from noisy observations are summarized into two main categories: autoregressive moving average (ARMA) model based estimation and AR model based estimation. In ARMA model based estimation, the noisy AR(p) signal is modeled by an ARMA(p,p) model and then the AR parameters are estimated using ARMA estimation techniques. The modified Yule-Walker (MYW) method , the maximum likelihood (ML) estimator , and the recursive prediction error (RPE) method are based on ARMA modeling. It has been observed that ARMA parameter estimation methods may have an unacceptably high variance.
چکیده
مشکل برآورد پارامترهای سیگنال اتخذ (AR) پر سر و صدا در نظر گرفته شده است. ما روش جدید ledsquares (LS) را برای برآورد پارامترهای AR پیشنهاد می کنیم که با استفاده از معادلات یول و واکر پایین و مرتبه بالا یک روش جدید است. این تخمین زشت است. ما یک روش جدید برای برآورد واریانس سر و صدا برای ارزیابی LS غیر ارادی از پارامترهای AR به دست می آوریم. برای ارزیابی عملکرد روش پیشنهادی، شبیه سازی کامپیوتری انجام می شود. نتایج شبیه سازی نشان می دهد که عملکرد روش پیشنهادی بسیار بهتر از روش های برآورد دیگر است.
مقدمه
تکنیک های مدل سازی خودکار (AR) برای مدل سازی داده ها در زمینه های مختلف علوم و مهندسی مانند ژئوفیزیک، اقتصاد سنجی، پردازش گفتاری، پردازش تصویر و ارتباطات به طور گسترده ای مورد استفاده قرار می گیرند. تکنیک های مدل سازی AR به دلیل عملکرد وضوح عالی آنها بسیار محبوب هستند. یک مشکل بسیار مهم که ابزارهای این تکنیک های برآورد پارامتر را محدود می کند، حساسیت آنها نسبت به اضافه شدن سر و صدا مشاهده به فرآیند AR است. تکنیک های ارزیابی پر سر و صدای زیاد مورد مطالعه قرار گرفته اند (نگاه کنید به). اکثر روش های مورد استفاده برای ارزیابی سیگنال های AR از مشاهدات پر سر و صدا به دو دسته اصلی تقسیم می شوند: برآورد مبتنی بر مدل بر اساس مدل ARMA (ARMA) و تخمین بر اساس مدل AR. برآورد مبتنی بر مدل ARMA، سیگنال AR (p) پر سر و صدا با مدل ARMA (p، p) مدل سازی شده و سپس پارامترهای AR با استفاده از تکنیک های ارزیابی ARMA برآورد می شوند. روش Yule-Walker (MYW) اصلاح شده، برآورد حداکثر احتمال (ML) و روش خطای پیش بینی بازگشتی (RPE) بر اساس مدل ARMA است. مشاهده شده است که روش های ارزیابی پارامترهای ARMA ممکن است دارای واریانس غیر قابل قبول باشد.
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : Alimorad Mahmoudi , Mahmood Karimi
File Information: English Language/ 5 Page / size: 731 KB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : علی مراد محمودی، محمود کریمی
اطلاعات فایل : زبان انگلیسی / 5 صفحه / حجم : KB 731
نقد و بررسیها
هنوز بررسیای ثبت نشده است.