使用复杂数据的频谱估计- Marple的测试用例
这个例子展示了如何对时间序列数据执行谱估计。我们使用Marple的测试用例(L. Marple: S.L. Marple, Jr,数字光谱分析与应用,Prentice-Hall, Englewood Cliffs, NJ 1987中的复杂数据)。
测试数据
让我们从加载测试数据开始:
负载玛
System Identification Toolbox™中的大多数例程都支持复杂数据。然而,对于绘图,我们分别检查数据的实部和虚部。
首先,看看数据:
次要情节(211),情节(真正的(玛))、标题(“数据的实部。”)次要情节(212)、图(图像放大(玛))、标题(“数据的虚部。”)
作为初步的分析步骤,让我们检查数据的周期图:
Per = etfe(marple);频率;CLF h = spectrumplot(per,w);Opt = getoptions(h);opt.FreqScale =“线性”;opt.FreqUnits =“赫兹”;setoption (h,选择)
由于数据记录只有64个样本,并且周期图计算了128个频率,我们可以从狭窄的频率窗口清楚地看到振荡。因此,我们对周期图进行一些平滑处理(对应于1/32 Hz的频率分辨率):
Sp = etfe(marple,32);spectrumplot(每sp w);
现在让我们尝试Blackman-Tukey方法进行频谱估计:
SSM = spa(marple);函数spa执行光谱估计spectrumplot (sp,“b”、导弹、‘g’, w,选择);传奇({“平滑周期图”,“Blackman-Tukey估计”});
默认的窗口长度为少量的数据提供了非常窄的延迟窗口。我们可以通过以下方法选择更大的延迟窗口:
Ss20 = spa(marple,20);spectrumplot (sp,“b”ss20,‘g’, w,选择);传奇({“平滑周期图”,“Blackman-Tukey估计”});
估计自回归(AR)模型
参数化5阶ar模型计算公式为:
T5 = ar(marple,5);
与周期图估计比较:
spectrumplot (sp,“b”t5,‘g’, w,选择);传奇({“平滑周期图”,“五阶AR估计”});
ar命令实际上涵盖了20种不同的频谱估计方法。上面这个就是马普尔书中所说的“修正协方差估计”。
其他一些广为人知的方法是:
Tb5 = ar(marple,5,“城”);%伯格法Ty5 = ar(marple,5,“yw”);圣诞步行者法spectrumplot (t5 tb5 ty5 w,选择);传奇({修改后的协方差的,“城”,“Yule-Walker”})
用工具变量法估计AR模型
ar建模也可以使用工具变量方法完成。为此,我们使用函数ivar
:
Ti = ivar(marple,4);spectrumplot (t5、钛,钨,选择);传奇({修改后的协方差的,“工具变量”})
光谱的自回归移动平均(ARMA)模型
此外,系统识别工具箱涵盖了光谱的arma建模:
Ta44 = armax(marple,[4 4]);4个ar参数和4个ma参数spectrumplot (t5 ta44 w,选择);传奇({修改后的协方差的,“ARMA”})