一种精确混合谱预测方法
【技术领域】
[0001]本发明属于预测方法技术领域，尤其涉及一种精确混合谱预测方法。
【背景技术】
[0002]常规混合谱分析方法或是基于周期图的，或是基于高阶AR模型的，详细讨论了有限阶AR谱估计方法对低阶混合谱估计的渐近统计特性。然而，这些谱估计方法的估计精度受到采集数据长度有限及模型阶数有限的影响。由于参数化方法相对非参数化方法具有较高的谱估计精度，因此，很多文献通过对特定混合谱参数化模型进行参数估计来实现混合谱估计的目的。参数化的混合谱估计过程中需要对正弦参数及AR模型参数进行估计，因涉及高维搜索问题，运算复杂度过高。
【发明内容】
[0003]本发明就是针对上述问题，提供一种运算复杂度低的精确混合谱预测方法。
[0004]为实现上述目的，本发明包括以下步骤。
[0005]AR模型参数a、τ及中间参数c根据被估计参数的满足条件后,分布建立Markov链，通过循环抽取每个参数获得服从相应分布的参数估计样本。
[0006]步骤1:设置c=r,利用其计算出相应的矩阵D和矢量d。
[0007]步骤2:满条件后验分布抽取参数τ的样本i τ。
[0008]步骤3:根据样本i τ，依参数a的满条件后验分布抽取其样本ia。
[0009]步骤4:根据将样本i τ和ia，依中间参数c的满条件后验分布抽取其样本ic。
[0010]步骤5:利用样本ic重新计算矩阵D和矢量d，并执行步骤2，循环计算。
[0011]作为一种优选方案，本发明将Markov链收敛前的估值去除，并将收敛后的参数估计进行统计平均后为各个参数估值。
[0012]作为另一种优选方案，本发明通过最小二乘法、子空间类法获得相应的频率ω及幅度Ct。
[0013]本发明有益效果。
[0014]本发明基于Bayes统计推断思想，利用Markov链的MonteCarlo(MarkovChainMonteCarlo, MCMC)实验方法,通过交替估计正弦参数与AR模型参数来实现混合谱参数估计。由于充分利用了模型信息和样本数据内在信息，并结合了模型总体分布中未知参数信息，本发明方法可以很好的解决传统统计方法的样本不足及样本质量不佳的问题，更适宜混合谱估计。
[0015]本发明根据混合谱参数化模型对混合谱数据中的正弦参数及AR杂波参数进行估计。由于更充分地利用了模型信息和样本数据内在信息，因此本发明方法更适用于小样本环境。仿真实验结果表明，本发明所提出方法与DPE算法相比，在小样本条件下，性能更优，两类解耦算法都几乎不受信杂比的影响。
[0016]本发明有效降低运算复杂度，通过先后对正弦参数及AR模型参数进行顺序估计实现降低运算复杂度的目的。另外，由于DPE算法中的AR模型是与采集数据中杂波同阶的，所以在估计过程中需要的初始数据较少，降低了对采集数据长度的需求。
【具体实施方式】
[0017]本发明包括以下步骤。
[0018]AR模型参数a、τ及中间参数c根据被估计参数的满足条件后,分布建立Markov链，通过循环抽取每个参数获得服从相应分布的参数估计样本。
[0019]步骤1:设置c=r,利用其计算出相应的矩阵D和矢量d。
[0020]步骤2:满条件后验分布抽取参数τ的样本i τ。
[0021]步骤3:根据样本i τ，依参数a的满条件后验分布抽取其样本ia。
[0022]步骤4:根据将样本i τ和ia，依中间参数c的满条件后验分布抽取其样本ic。
[0023]步骤5:利用样本ic重新计算矩阵D和矢量d，并执行步骤2，循环计算。
[0024]作为一种优选方案，本发明将Markov链收敛前的估值去除，并将收敛后的参数估计进行统计平均后为各个参数估值。
[0025]作为另一种优选方案，本发明通过最小二乘法、子空间类法获得相应的频率ω及幅度Ct。
[0026]本部分通过几个仿真实验结果来说明本发明所提出混合谱估计方法的性能。假设仿真实验中的混合谱的复数据为为零均值高斯白噪声。信杂比SCR定义为混合信号中的正弦分量与杂波分量的能量之比，通过改变正弦分量的幅度α可以实现调整混合谱信杂比。
[0027]首先研究仿真数据长度N对混合谱中AR杂波参数估计的影响。假设混合谱数据的信杂比SCR= - 5dB。本发明混合谱估计方法与DPE方法对参数la、2a的估计性能比较。
[0028]两种方法对参数la、2a的估计性能随数据长度的增大而改善，而且本发明提出方法在数据长度较短时性能优于DPE算法，随着数据长度N的增大，两者差异减小。
[0029]本发明方法对混合谱中AR杂波参数估计的性能。假设仿真数据长度N=100。本发明混合谱估计方法与DPE方法对参数la、2a的估计性能，la、2a的估计性能几乎不受信杂比SCR的影响。说明交替对混合谱数据中的正弦及杂波参数进行估计时，正弦分量的去除效果受信杂比的影响较小。
[0030]以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。
【主权项】
1.一种精确混合谱预测方法，其特征在于包括以下步骤: AR模型参数a、τ及中间参数c根据被估计参数的满足条件后,分布建立Markov链，通过循环抽取每个参数获得服从相应分布的参数估计样本； 步骤1:设置c=r，利用其计算出相应的矩阵D和矢量d ； 步骤2:满条件后验分布抽取参数τ的样本i τ ； 步骤3:根据样本i τ，依参数a的满条件后验分布抽取其样本ia ； 步骤4:根据将样本i τ和ia，依中间参数c的满条件后验分布抽取其样本ic ； 步骤5:利用样本ic重新计算矩阵D和矢量d，并执行步骤2，循环计算。2.根据权利要求1所述一种精确混合谱预测方法，其特征在于将Markov链收敛前的估值去除，并将收敛后的参数估计进行统计平均后为各个参数估值。3.根据权利要求2所述一种精确混合谱预测方法，其特征在于通过最小二乘法、子空间类法获得相应的矩阵D和矢量d。
【专利摘要】<b>一种精确混合谱预测方法属于预测方法技术领域，尤其涉及一种精确混合谱预测方法。本发明提供一种运算复杂度低的精确混合谱预测方法。本发明包括以下步骤：</b><b>AR</b><b>模型参数</b><b>a</b><b>、τ及中间参数</b><b>c</b><b>根据被估计参数的满足条件后，分布建立</b><b>Markov</b><b>链，通过循环抽取每个参数获得服从相应分布的参数估计样本；步骤</b><b>1</b><b>：设置</b><b>c=r</b><b>，利用其计算出相应的矩阵</b><b>D</b><b>和矢量</b><b>d</b><b>；步骤</b><b>2</b><b>：满条件后验分布抽取参数τ的样本</b><b>i</b><b>τ；步骤</b><b>3</b><b>：根据样本</b><b>i</b><b>τ，依参数</b><b>a</b><b>的满条件后验分布抽取其样本</b><b>i</b><b>a</b><b>。</b>
【IPC分类】G06F19/00
【公开号】CN105574319
【申请号】CN201410622907
【发明人】李福霞
【申请人】李福霞
【公开日】2016年5月11日
【申请日】2014年11月8日