序约束下AR(2)模型参数的拟似然估计

在约束条件下利用拟似然估计方法对AR(2)模型的参数进行统计推断,研究了拟似然估计(α)和约束拟似然估计(α)*的相合性及渐近正态性,并给出了AR(2)模型参数序关系的假设检验方法及模拟结果.     

AR(p) 模型参数的Bayes 估计及分布

利用Jeffrey模糊先验原理，通过分析AR(p)模型参数的概率分布密度函数，在二次损失下，参数的Bayes估计可以转化为LS估计，并给出参数的后验概率分布。     

数据随机脱落时正态AR模型参数的最小平方和估计

本文在[2]基础上讨论了周期图与正态AR模型参数最小平方和估计之间的关系,得出联系二者的明确公式。本文还介绍了数据随机脱落时正态AR模型参数最小平方和估计。     

AR(1)误差的非线性随机效应模型的参数估计

介绍一类具有AR（1）误差的非线性随机效应模型估计的EM算法。这种算法能一次性的估计出模型中的所有参数，并用随机模拟数据和实际例子说明了EM算法的有效性。     

ARMA模型参数的拟线性估计方法

提出了一种ARMA模型的线性估计方法，这种方法通过两次AR模型的估计来实现ARMA模型的估计。     

利用现代谱估计技术估计SAR多普勒中心频率

多普勒中心频率是合成孔径雷达（SAR）成像过程中的重要参数之一.根据SAR信号的特点和估计多普勒中心频率这个信号处理任务,将两种现代谱估计技术AR模型法和TLS-ESPRIT法用于SAR实测数据多普勒中心频率的估计.结果表明,AR模型法与经典方法相关函数法等价,并与TLS-ESPRIT法的估计结果相近,成功用于实测数据成像表明该思路有效.     

一种新的时变参数AR模型分析方法

提出了一种新的非平稳信号的时变参数AR模型分析方法－局域波分解及其时变参数AR模型。该方法先用局域波分解方法把待处理信号分解成有限个基本模型分量，再对分解得到的基本模式分量建立时变参数AR模型，从而得出时频平面上的时变参数AR模型谱。它扩大了传统的时变参数模型法的应用范围，可用于复杂的非平稳信号的分析和处理。     

基于高阶累积量的线性化子波提取方法研究

在地震子波非因果、混合相位的假设下，分别应用滑动平均（MA）和自回归滑动平均（ARMA）模型对地震记录建模，并采用基于高阶累积量的线性方程法对子波提取和模型适应性进行了研究。数值仿真结果表明，ARMA模型比MA模型在描述地震记录时具有参数节俭、模型更为高效的特点；基于高阶累积量的线性方程法对加性高斯色噪声有较好的压制效果，却强烈依赖于累积量样本估计的准确性。如果累积量样本估计的误差和方差适度，结合AR—MA模型描述的累积量线性方程法适用于非因果、混合相位的子波提取，其有效性通过实际地震数据的处理得到了验证。     

参数在线学习的动态贝叶斯网络态势估计算法

为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.     

两参数指数分布步进应力加速寿命试验的统计分析

给出了两参数指数分布产品截尾样本场合下步进应力加速寿命试验损伤失效率模型下参数的极大似然估计和拟矩估计，并通过Monte—Carlo模拟说明方法的可行性．     

ARMA模型参数的拟线性估计方法

提出了一种ARMA模型的线性估计方法,这种方法通过两次AR模型的估计来实现ARMA模型的估计.     

随机扰动项误设对GARCH模型参数估计的影响

以AR(1)-GARCH(1,1)为例,讨论随机扰动项误设与不同优化算法对模型参数估计结果的影响。结果发现,随机扰动项误设对条件均值方程参数估计值影响不大,而条件方差方程中ARCH项系数、GARCH项系数与真值的偏差较为厉害。进一步分析发现,在小样本情况下采用NLMINB算法,ARCH项系数的均值估计结果更理想一些,但收敛于真值的速度却低于LBFGSB算法;LBFGSB算法估计GARCH项系数结果会更理想,但LBFGSB算法估计CARCH系数时收敛于真值速度却低于NLMINB算法。     

用于AR参数估计的一种神经网络新方法

提出一种用于估计ＡＲ参数的神经网络新方法和相应的递归预测误差算法，其优点是网络结构简单、估计结果准确．使用作者所提出的方法在估计ＡＲ功率谱时具有频率偏移小、无谱线分裂等优点。仿真模拟结果表明，文中所提出的神经网络方法和相应的算法是有效的。     

多传感器AR信号自校正加权融合Wiener滤波器

对带多传感器和带未知模型参数及未知噪声方差的自回归(AR)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器。用取局部估值器的平均得到信息融合估值器。将它们代入最优加权融合AR信号Wiener滤波器,提出一种自校正加权融合Wiener滤波器。它们以概率1收敛于最优融合Wiener滤波器,因而具有渐近最优性。它的精度比每个局部自校正Wiener滤波器精度都高。仿真例子说明了其有效性。     

ARMA模型参数的分步估计方法

提出了一种ARMA模型的线性估计方法，这种方法通过两次AR模型的估计来实现ARMA的估计。讨论了一维时间序列开环系统、闭环系统的辨识方法及定阶问题。仿真结果表明该方法具有良好的准确度和可靠性，可直接用于结构状态监测。     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。     

时间序列AR模型参数的积分求解法

基于对时间序列实质的分析，提出了旨在减少序列的随机误差影响以及提高拟合精度的ＡＲ模型参数的积分求解法．重点讨论了ＡＲ（１）模型及ＡＲ（ｐ）模型参数的积分求解法，并与最小二乘法在计算机上进行了仿真比较．结果表明，采用积分求解法所得的ＡＲ模型参数的估计精度比最小二乘法的高．     

基于AR模型和SVM的果蝇振翅声分类

分别对3个不同品系果蝇的振翅声建立了AR模型,提取AR系数和白噪声序列的方差作为特征,然后用支持向量机(support vector machine,SVM)分类同种内的3个不同品系果蝇的振翅声。使用AIC准则确定AR模型的阶数,用Burg方法估计AR模型的参数,用重尾径向基函数作为支持向量机的核函数,实现对不同品系果蝇振翅声的特征提取和分类。实验结果表明3个品系的果蝇振翅声的分类正确率均达到了88%以上。     

多变量偏差补偿递推最小二乘法及其收敛性

对于带白色观测噪声的多变量自回归(AR)信号,提出了未知模型参数和噪声方差估计的偏差补偿递推最小二乘算法,用动态误差系统分析方法严格证明了所得到的模型参数和噪声方差估值是强一致的,即它们以概率1收敛于相应真实值。一个仿真例子说明了其有效性。     

多维和多重递推辅助变量辨识算法

对带白色观测噪声的多维自回归(AR)模型,应用相关方法,分别提出了多维和多重递推辅助变量(RIV)算法,给出了未知AR参数的强一致估计;推广了一维RIV算法。提出了模型噪声和观测噪声方差的信息融合估值器,它们具有强一致性。一个仿真例子说明其有效性。