小波变换和HMM模型在语音识别中的应用

提出了一种基于小波变换和HMM模型的ARMA新模型参数,并将它用于A…N的英文字母的识别。小波变换可以高频提供高的频率分辨,在低频提供高的时间分辨率,而ARMA模型则可以改善LPC模型中没有零点的不足。实验结果表明,2个零点,10个极点的ARMA对字母C的识别准确性明显提高。     

ARMA模型识别及参数估计的新方法

基于随机模拟的方法，利用可逆跳MCMC算法讨论了ARMA模型的识别和参数估计。     

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。     

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。     

时间序列ARMA模型的贝叶斯分析

ARMA模型是时间序列分析中应用比较广泛的一种模型。本文采取贝叶斯估计法估计ARMA模型的各个未知参数,进而利用估计的参数对ARMA模型进行预测,最后对我们采取的贝叶斯估计法进行模拟仿真。     

一类ARMA模型的逐步识别算法

在时序分析中,人们对于ARMA模型给予了足够重视.在实施模型的识别时,利用样本自相关函数与样本偏相关函数的特征是重要方法之一.另一方面,有许多实际的时间序列可以用低阶ARMA模型来拟合,因而这类模型能够用简便的方法进行识别.本文导出了逐步识别模型的一阶算符法.在算法适用的范围内,能够正确识别模型,获得相应参数的较好估计.     

利用时序分析方法识别模态参数的研究

本文对时间序列分析方法识别模态参数进行了研究。重点介绍了ARMA和ARMAV模型识别模态参数的原理,并用大量模拟实验检验了两种模型在分离模态、不同信噪比、大阻尼、密集模态等复杂情况下识别模态参数的能力,从结果可以看出ARMAV模型是一种有效的识别方法。     

依等价AR模型阶次递增的自回归滑动平均模型辨识

通过用AR模型等价ARMA模型的思想,提出了一种确定ARMA模型参数估计方法.针对等价AR模型阶次合理选定问题,借助数据乘积矩矩阵的分块矩阵求逆引理,给出了计算等价AR模型参数估计和相应准则函数的依阶次递增递推算法.通过判定准则函数的变化趋势,来确定出AR模型的最合理阶次和相应的参数估计值.然后基于所拟合的AR模型参数,通过解一个不相容代数方程组便可确定ARMA模型参数.仿真实例验证了该算法的性能.     

基于ARMA模型和VAR模型的中国债券市场信用价差预测比较研究

选取上海证券交易所企业债和国债月度数据,利用遗传算法对静态利率期限结构NSM参数模型进行求解,进而拟合较为精确的企业债和国债的利率期限结构,据此计算出企业债的信用价差。数据一部分作为样本内拟合区间,另外一部分作为样本外预测区间以检查模型的预测精度。通过建立自ARMA样本外预测模型和VAR样本外预测模型分别对我国债券市场信用价差进行预测,最后比较两种模型的预测精度。结果表明VAR模型对于信用价差短期预测较为准确,而ARMA模型对于较长期预测较为准确。     

ARMA模型参数估计的GW-LS两段算法

提出了新的GW-LS两段算法,很好地改善了自回归滑动平均(ARMA)模型参数估计的性能。首先摈弃传统的拟合到AR模型的思考方法,而是基于ARMA模型的相关函数用Gevers-Wouters(GW)算法对ARMA模型拟合到高阶滑动平均(MA)模型;然后在拟合的MA模型参数基础上,用最小二乘(LS)算法求解一个不相容的线性方程组,从而估计出ARMA模型参数。最终的仿真实例说明了本算法较高精度、较快速度的收敛特性。     

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.     

基于GA遗传算法的ARMA模型的辨识方法

提出一种基于浮点数编码遗传算法的系统辨识方法,融合和改进了一些遗传操作,并把该方法应用于有噪声背景下的ARMA模型参数的辨识。实验表明,该方法可有效地克服噪声干扰,可获得系统参数的无偏估计。     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

非平稳随机信号ARMA模型时变参数与其WVD的关系

研究了非平稳随机信号自回归滑动平均（ＡＲＭＡ）模型时变参数与其对应的离散ＷＶＤ以及ＡＲＭＡ模型时变参数与连续ＷＶＤ之间的关系，使ＷＶＤ可以用ＡＲＭＡ模型的时变参数表示，计算机仿真结果验证了理论推导。     

基于ARMA模型滤波的微弱信号辨识

双线性时频分布能更全面地表征复杂背景下瞬态机械故障信号特征,但双线性时频变换固有的交叉项干扰严重影响了算法的时频分辨率。探讨了双线性时频分析技术在微弱瞬态信号辨识中的应用,提出采用ARMA模型滤波的方法来抑制双线性Wigner-Ville时频变换的交叉项干扰,并给出算法推导。结合实验数据,对比平滑伪Wigner-Ville算法的信号辨识结果,表明基于ARMA模型预滤波的双线性时频分析能更好的抑制交叉项干扰,具备更高的时频分辨能力和瞬态微弱信号辨识能力。     

正交Chirp信号数字产生方法

提出了一种正交Chirp信号的数字产生算法,具有运算量小和存储容量要求低的特点.该算法用二阶时变参数ARMA模型来表示Chirp信号,避免了Chirp信号产生中常规DDS技术的正弦函数的计算和相位截断效应.通过采用二阶时变参数ARMA模型,由于实时计算出了信号的及时值,并不需要有查找表,所以能将数据字长做到很大,可以大大降低幅度量化带来的误差.     

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。