搜索资源列表
Kalman
- 本例为AR（1）过程的Kalman滤波估计，方法简单，结果比较准确。-In this case AR (1) process, Kalman filter estimation method is simple and the results more accurate.
L_D
- 用Matlab程序实现P阶Levinson-Durbin算法。以一个2阶自回归模型（参数为b0=1, a1=0, a2=0.81）和一个2阶滑动平均模型（参数为b0=1, b1=1, b2=1）为例，选取观测数据长度为1000，分别用一个AR(2)模型和一个AR(10)阶模型来估计其功率谱。设激励信号模型的高斯白噪声的均值为0，方差为1。用Levinson-Durbin算法迭代计算AR模型参数，并用估计出的AR模型参数画出观测信号的功率谱。并对Levinson-Durbin算法的性能进行分析。-
OUProcess
- This program calibrates the Ornstein–Uhlenbeck process, a mean reverting AR(1) stochastic process. The parameters are estimated using (1)Least Squares fitting and (2)Maximum Likelihood estimation.-This program calibrates the Ornstein–Uhlenbeck proces
ARMA2D
- 主程序arma2Ddemo是对模拟图像的2DAR和ARMA参数估计。-arma2Ddemo: See and run the demo arma2Ddemo for an example of 2D AR and ARMA parameters estimation from simulated images. - sim_ar2d: generation of simulated 2D AR process. - sim_arma2d: generation of simula
LMS_AR
- Matlab Code for Estimation of AR(1) Process by Using LMS Algorithm.
computerwork_2
- 2. 设 是窄带信号，定义 是在 区间上均匀分布的随机相位。 是寬带信号，它是一个零均值、方差为1的白噪音信号e(n)激励一个线性滤波器而产生，其差分方程为 。 1） 计算 和 各自的自相关函数，并画出其函数图形。根据此选择合适的延时，以实现谱线增强。 2） 产生一个 序列。选择合适的 值。让 通过谱线增强器。画出输出信号 和误差信号e(n)的波形，并分别与 和 比较。 -Computer Experiments: 1. Consider an AR process x
matlab
- 时间序列建模AR（1）后的卡尔曼滤波程序，整个过程非常详细，里面自带一组数据。-Time series modeling AR (1) after the Kalman filtering process, the entire process is very detailed, which comes with a set of data.
Untitled
- 设有一个随机信号 服从AR(4)过程，它是一宽带过程，参数如下： 我们通过观测方程 来测量该信号， 是方差为1的高斯白噪声，用LMS算法和RLS算法通过观测方程来估计原信号。并用Matlab对此问题进行仿真。 -There is a random signal obedience AR (4) process, which is a broadband process parameters are as follows: We are measured by observing
1
- 观测随机过程通过滤波器后，输出和输入过程的统计特性所发生的变化。 a. 生成 的24个样本值。 b. 在理论上计算真实的自相关序列，并与xcorr计算的样本自相关序列相比； c. 对估计的自相关序列采用fft来计算功率谱，画出功率谱； d. 用估计的自相关序列和Yule-Walker方程来计算模型参数，并与理论结果相比。 e. 直接用估计的模型参数代入AR模型的功率谱中，画出该功率谱； -After observing the random process through
3
- 对于一个1阶AR过程，已知其自相关序列。观测数据包含期望信号和零均值的不相关白噪声 a. 编写设计p阶FIR维纳滤波器的Matlab程序，要求能返回滤波器系数和均方误差； b. 分别计算均方误差，并比较这些误差的大小 c. 画出均方误差的值 -For a one order AR process, which is known autocorrelation sequence. Observation data contains the desired signal and u
arimanet
- ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法[1] ，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳