平稳时序数据的Bootstrap辨识及其改进算法研究
|
摘要
在平稳时序数据的自回归辨识过程中,通过引入Bootstrap方法对辨识残差序列进行重采样、参数估计及模型修正等处理。对现有的基于Bootstrap方法的自回归辨识算法进行了如下的两点改进:一是以自回归模型阶数为Bootstrap方法的滑动窗口宽度,对残差序列进行重抽样处理;二是基于矩阵奇异值的迭代分解理论,对Bootstrap重抽样序列的参数进行求解。实验表明,上述改进能有效地提高原有算法的辨识精度和辨识速度。
In the process of identification of auto-regressive stationary time series data,by introducing Bootstrap method,to resampling,parameter estimation and model updating of identification residual sequence the identification accuracy can be imepoved for the original model.The following two improvements on the existing Bootstrap method are preseated based on the auto-regressive identification algorithm.One is to use auto-regressive model as sliding window width,toprocess the residuals resampling processing;The another is based on iterative matrix singular value decomposition theory to sdve the parameters of the Bootstrap sequence for re-sampling.Experimental results show that the proposed algorithm can effectively improve the identification accuracy and speed of the existing algorithms,and improve the availability of the existing algorithms.
In the process of identification of auto-regressive stationary time series data,by introducing Bootstrap method,to resampling,parameter estimation and model updating of identification residual sequence the identification accuracy can be imepoved for the original model.The following two improvements on the existing Bootstrap method are preseated based on the auto-regressive identification algorithm.One is to use auto-regressive model as sliding window width,toprocess the residuals resampling processing;The another is based on iterative matrix singular value decomposition theory to sdve the parameters of the Bootstrap sequence for re-sampling.Experimental results show that the proposed algorithm can effectively improve the identification accuracy and speed of the existing algorithms,and improve the availability of the existing algorithms.
引文
[1]克西盖斯纳,沃特斯,哈斯勒.现代时间序列分析导论[M].张延群,刘晓飞,译.北京:中国人民大学出版社,2015.
[2]冀振元.时间序列分析与现代谱估计[M].哈尔滨:哈尔滨工业大学出版社,2016.
[3]黄雄波,胡永健.利用自回归模型的平稳时序数据快速辨识算法[J/OL,网络优先出版].计算机应用研究,2018,35(9).
[4]苏志铭,陈靓影.基于自回归模型的动态表情识别[J].计算机辅助设计与图形学学报,2017,29(6):1085-1092.
[5]王宏禹,邱天爽,陈喆.非平稳随机信号分析与处理(第2版)[M].北京:国防工业出版社,2008.
[6]王宏禹,邱天爽.非平稳确定性信号与非平稳随机信号统一分类法的探讨[J].通信学报,2015,36(2):2801-2810.
[7]王宏禹,邱天爽.确定性信号分解与平稳随机信号分解的统一研究[J].通信学报,2016,37(10):1891-1898.
[8]博克思,詹金斯,莱因泽尔.时间序列分析:预测与控制(第4版)[M].王成璋译.北京:机械工业出版社,2011.
[9]黄雄波.基于自相关函数的非平稳时序数据的辨识改进[J].微型机与应用,2016,35(13):10-14.
[10]王文华,王宏禹.分段平稳随机过程的参数估计方法[J].电子科学学刊,1997,19(3):311-317.
[11]张海勇,马孝江,盖强.一种新的时变参数AR模型分析方法[J].大连理工大学学报,2002,42(2):238-241.
[12]张海勇,李勘.非平稳随机信号的参数模型分析方法[J].系统工程与电子技术,2003,25(3):386-390.
[13]轩建平,史铁林,杨叔子.AR模型参数的Bootstrap方差估计[J].华中科技大学学报,2001,29(9):81-83.
[14]杨晓蓉.自回归时间序列的极限理论及其应用[D].浙江大学博士学位论文,2008.
[15]徐礼文.复杂数据的bootstrap统计推断及其应用[M].北京:科学出版社,2016.
[16]James W.Demmel.应用数值线性代数[M]王国荣译.北京:人民邮电出版社,2007.
[17]徐树方.数值线性代数(第二版)[M].北京:北京大学出版社,2013.
[2]冀振元.时间序列分析与现代谱估计[M].哈尔滨:哈尔滨工业大学出版社,2016.
[3]黄雄波,胡永健.利用自回归模型的平稳时序数据快速辨识算法[J/OL,网络优先出版].计算机应用研究,2018,35(9).
[4]苏志铭,陈靓影.基于自回归模型的动态表情识别[J].计算机辅助设计与图形学学报,2017,29(6):1085-1092.
[5]王宏禹,邱天爽,陈喆.非平稳随机信号分析与处理(第2版)[M].北京:国防工业出版社,2008.
[6]王宏禹,邱天爽.非平稳确定性信号与非平稳随机信号统一分类法的探讨[J].通信学报,2015,36(2):2801-2810.
[7]王宏禹,邱天爽.确定性信号分解与平稳随机信号分解的统一研究[J].通信学报,2016,37(10):1891-1898.
[8]博克思,詹金斯,莱因泽尔.时间序列分析:预测与控制(第4版)[M].王成璋译.北京:机械工业出版社,2011.
[9]黄雄波.基于自相关函数的非平稳时序数据的辨识改进[J].微型机与应用,2016,35(13):10-14.
[10]王文华,王宏禹.分段平稳随机过程的参数估计方法[J].电子科学学刊,1997,19(3):311-317.
[11]张海勇,马孝江,盖强.一种新的时变参数AR模型分析方法[J].大连理工大学学报,2002,42(2):238-241.
[12]张海勇,李勘.非平稳随机信号的参数模型分析方法[J].系统工程与电子技术,2003,25(3):386-390.
[13]轩建平,史铁林,杨叔子.AR模型参数的Bootstrap方差估计[J].华中科技大学学报,2001,29(9):81-83.
[14]杨晓蓉.自回归时间序列的极限理论及其应用[D].浙江大学博士学位论文,2008.
[15]徐礼文.复杂数据的bootstrap统计推断及其应用[M].北京:科学出版社,2016.
[16]James W.Demmel.应用数值线性代数[M]王国荣译.北京:人民邮电出版社,2007.
[17]徐树方.数值线性代数(第二版)[M].北京:北京大学出版社,2013.