Модель авторегрессии в корреляционной теории
1. Принципы построения модели авторегрессии
В основу модели АР положена корреляция отсчета случайного процесса в текущий момент времени с некоторым конечным или бесконечным числом отсчетов в предыдущие моменты времени. Корреляционные связи позволяют осуществить регрессию текущего отсчета на предшествующие отсчеты.
Такой вид регрессии называется авторегрессией. В уравнении АР текущий отсчет представляется взвешенной суммой предыдущих с некоторыми коэффициентами веса
, (1)
где - коэффициенты АР, - некоррелированные случайные отсчеты, - порядок модели АР.
Величина
, (2)
называется предсказанием случайной величины . Разность между текущим значением отсчета и его предсказанием называется ошибкой предсказания
. (3)
Величина характеризует, по существу, максимальную точность предсказания текущего отсчета, а ее статистические свойства определяют выбор порядка модели АР.
Из (1) видно, что построение АР модели случайного процесса сводится к нахождению коэффициентов АР и определению порядка .
Умножив правую и левую части (1) на , а затем усреднив, можно получить систему уравнений
, , (4a)
, (4б)
где - значения функции корреляции случайного процесса
- дисперсия ошибок предсказания модели АР, - дисперсия случайного процесса . Набор уравнений (4а) и (4б) называется полной системой уравнений Юла – Уокера.
Решением этой системы являются коэффициенты АР и дисперсия ошибок предсказания. При выводе уравнений (4а) было учтено, что
, , , (5a)
, , . (5б)
Соотношения (5) следуют из некоррелированности ошибок предсказания . Решение системы уравнений (4а) можно представить в матричном виде
, (6a)
где
,,. (6б)
Как видно из (4а), уравнение не изменится, если вместо использовать нормированные значения функции корреляции , которые называются коэффициентами корреляции. Очевидно, что при этом параметры модели АР останутся прежними.
Как следует из (6а, б), для первого порядка модели АР
. (7)
Для модели АР второго порядка коэффициенты АР равны
,
. (8)
Отметим важное свойство коэффициентов АР, на котором основано использование моделей предсказания в качестве обеляющих фильтров. Коэффициенты АР, рассчитанные с помощью уравнений Юла-Уокера (4а) минимизируют дисперсию ошибки предсказания
. (9)
В этом легко убедиться, продифференцировав (9) по , и приравняв производную к нулю. При этом полученная система уравнений совпадает с (4а).
Достоинством модели АР является ее конструктивность, заключающаяся в возможности синтеза довольно простым образом алгоритмов обработки случайных процессов.
На рис. 1 представлен АР фильтр предсказания (обеляющий фильтр), алгоритм действия которого описывается выражением (3). Он состоит из линий задержки, усилителей с коэффициентами усиления ,и сумматора.
Ошибки предсказания на выходе этого фильтра будут отсчетами белого шума, а точнее некоррелированным процессом. Дисперсия ошибки предсказания на выходе фильтра будет иметь минимальное значение, если коэффициенты АР найдены из уравнения (4а).
Порядок процесса АР определяется с использованием различных критериев, как правило, основанных на минимизации некоторой теоретико-информационной функции. ............