经过线性变换的平稳序列的谱函数和谱密度

平稳序列是时间序列研究的主要内容,而平稳序列的统计特性在自协方差函数中可以得到充分体现,时间序列分析的重要特点之一是利用自协方差函数研究平稳时间序列的统计性质,而平稳序列的谱函数或谱密度与其自协方差函数有着非常密切的关系.即平稳序列的统计性质可以由其谱分布函数或谱密度函数刻画.文章主要研究了经过线性变换之后的平稳序列的谱密度与谱函数问题.     

ARMA过程有理谱密度特征的另一证明

以exp{-iω}的有理函数为谱密度是ARMA过程的特征.这一性质的证明通常由平稳随机过程的谱表示定理导出.本文在讨论了ARMA过程自协方差函数的差分性质以后,用算围道积分的复变函数方法,论证了ARMA过程的有理谱密度形式的同一结果.     

USDBL的双互协方差及双互谱密度

本文计算出了上次对角双线性时序模型的输入序列与输出序列的互协方差函数和双互协方差函数，获得了该模型的互谱密度函数的双互谱密度函数，得到了一些良好的性质。     

混合自回归模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.已有研究者将AR模型推广到MAR(混合自回归)模型,并且讨论了该模型的参数估计及模型选择问题.作者利用全期望公式及差分方程理论研究了混合自回归时间序列模型的谱分析,导出了自协方差函数的递推公式,给出计算谱密度的算法,并对一些常见的特殊情形给出了谱密度的具体表达式.     

非平稳随机过程功率谱与自相关的关系推导

涉及随机过程的文献或书籍通常只介绍广义平稳随机过程的功率谱密度与自相关函数的关系,即佩利-维纳准则.本文就非平稳随机过程的功率谱与自相关之间的关系进行了推导,结论是功率谱密度与自相关函数的时间平均是1对傅立叶变换.     

M-J集分维分布谱密度函数的计算机构造

在对ＭＪ集对应的不同周期轨道的各种混沌特征分析的基础上,研究发现与ＭＪ集的分维分布密切相关的５个主要因数:轨道周期数、吸引率、拟李雅普诺夫指数、协方差和重心,利用计算机对ＭＪ集整体分维分布的性质进行了研究,运用概率统计方法给出了其上的分维分布谱密度函数,通过统计分析说明谱密度函数的可靠性·     

混合自回归条件异方差模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.2001年Wong Chun-shan等将混合自回归(MAR)模型推广到混合自回归条件异方差(MAR-ARCH)模型,并且讨论了该模型的参数估计及模型选择问题,本文导出了MAR-ARCH模型自协方差函数的递推关系式及计...     

一种检验独立平稳时间序列谱密度一致性的方法

主要讨论两个独立平稳时间序列谱密度一致性检验问题.根据周期图的分布性质,构造了新的检验统计量,在两个谱密度相等的假设下,得到统计量渐进服从正态分布.模拟显示:本文统计量的经验势优于Dette et al的统计量.对8组Frmi(功能性磁共振成像)血液氧化水平信号进行谱密度的一致性检验,发现本文的检验统计量比Dette et al中的统计量有效.     

LSDBL(p,q,r)模型的频域分析

针对下次对角双线性（ＬＳＤＢＬ）模型进行研究,计算出了该模型的自协方差函数、互协方差函数和双互协方差函数,在此基础上得到了该模型的谱密度、互谱密度和双互谱密度。由于在该类模型的双谱密度难于求出,本文用双互谱来分析其非线性性质。     

基于结构健康监测的苏通大桥实测强风演变功率谱

对基于小波变换的非平稳时间序列演变功率谱密度函数的估计方法进行了总结.以苏通大桥结构健康监测系统实测的台风达维、海葵以及冬季强北风数据为研究对象,基于Morlet小波计算了上述3个实测典型强风的演变功率谱密度函数.实测风演变谱在时域内的均值与傅里叶谱吻合良好,验证了演变谱估计结果的准确性.实测强风的演变功率谱分析结果表明,脉动风的能量主要集中在低频部分,且脉动风速功率谱随时间变化显著,具有较强的非平稳特性.基于平稳随机过程假设的传统风谱计算方法无法准确描述实测强风风谱的非平稳特征.研究结论可为桥址区三维非平稳脉动风场的准确模拟以及强/台风作用下苏通大桥的非平稳抖振分析提供实测参考.     

基于谱分析下的时间序列的平稳性检验

将时间序列分为S个子序列片断,用周期图方法估计时间序列的谱密度,在此基础上用3σ原理和两因素方差分析比较各子序列的异同,用以分别检验时间序列的均值函数和协方差函数的平稳性.较其它方法避免了复杂的计算,同时给出了检验统计量和判别准则,克服了人为主观因素的影响.     

周期性平稳过程和数字频谱的计算

在通信工程中,通常把数字信号看作弱平稳过程或离散的弱平稳过程,但在严格意义上它并不符合弱平稳过程的条件,它的自相关函数是时间t的周期函数,称为周期性平稳过程,其功率谱仍可用相关函数来定义。本文证明该谱密度与其任一样本函数的谱密度相等,并列举了一些计算多态数字信号功率谱的例子。     

混沌时间序列拟随机性的一种解释

为"混沌时间序列具有拟随机性"的论点给出了时间序列方面的案例解释.采用自功率谱密度函数、符号序列直方图及其Shannon熵、重构相空间维数(符号序列长度)等几个时间序列特征,比较随机数据与混沌数据的差异.结果表明,对于自功率谱密度函数和符号序列直方图及其Shannon熵,随机数据与混沌数据之间特征相近.对于重构相空间维数(符号序列长度),随机数据与混沌数据之间特征有差异.故此,论证了混沌时间序列具有拟随机性的性质.     

协方差函数与谱密度中的窗因子

本文从一般的角度讨论实平稳正态过程的协方差函数和谱密度的加窗因子估计法,得到了渐近无偏、弱一致估计的充要条件,并指出传统的周期图加窗的估计法是不可取的.     

谱密度弱一致估计的若干充分条件

本文讨论实平稳正态序列的协方差与谱密度的一种新的估计法。得到渐近无编、弱一致估计的苦干充分条件，它明显优于常用的周期图加窗估计法。     

线性平稳序列的自相关分析

本文的目的在于,对于线性平稳时间序列的样本、自协方差、自相关和偏相关函数的渐近性质,给出一个比较系统的描述.以下内容将是被论及到的,上述样本函数的矩的性质,渐近正态分布,强相容性和几乎处处收敛的速度等.我们将给出在上述诸方面的某些重要的新的成果,这些结果都是在时间序列分析的文献中被建立起来的,与此同时,我们还对其中比较深的结果给出详细的数学推导.文中的绝大部分内容,都曾做为硕士研究生的时间序列课程的一部分被使用过.     

一类随机丢失值平稳序列的自协方差函数估计的渐近协方差

本文给出按0-1分布规律丢失值的平稳序列自协方差函数估计的渐近协方差,其结界主要是公式(9)及(10),类似于通常的 Bartlett 公式。     

混合自回归模型自协方差函数绝对可和的探讨

AR(自回归)模型平稳的充分必要条件是自协方差函数绝对可和,而自协方差函数绝对可和的充要条件又是自协方差函数满足的特征方程所对应的特征根全位于单位圆外.本文证明了在某种特定情形下MAR(混合自回归)模型自协方差函数绝对可和的充要条件是其自协方差函数满足的特征方程所对应的特征根全位于单位圆外.为平稳性的进一步研究获得了一些重要的结果.     

多维平稳时间序列二阶矩的性质

讨论了多维平稳时间序列均值向量和协方差函数的极限性质,并在多维移动平均(VMA)情况下,给出了最佳线性预报的误差估计.     

混合自回归模型的谱密度计算

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.文献[3]将AR模型推广到MAR模型,并且讨论了该模型的参数估计及模型选择问题.文献[5]给出了计算该模型谱密度的算法.本文利用该模型谱密度的"算法",讨论模型在一些常见情形下,谱密度的具体表达式.