随机地震动谱拟合模型1

基于Burg算法的AR模型功率谱估计简介

基于Burg 算法的AR 模型功率谱估计简介 摘要：在对随机信号的分析中，功率谱估计是一类重要的参数研究，功率谱估计的方法分为经典谱法和参数模型方法。参数模型方法是利用型号的先验知识，确定信号的模型，然后估计出模型的参数，以实现对信号的功率谱估计。根据wold 定理,AR 模型是比较常用的模型，根据Burg 算法等多种方法可以确定其参数。 关键词：功率谱估计；AR 模型；Burg 算法 随机信号的功率谱反映它的频率成分以及各成分的相对强弱, 能从频域上揭示信号的节律, 是随机信号的重要特征。因此, 用数字信号处理手段来估计随机信号的功率谱也是统计信号处理的基本手段之一。在信号处理的许多应用中, 常常需要进行谱估计的测量。例如, 在雷达系统中, 为了得到目标速度的信息需要进行谱测量; 在声纳系统中, 为了寻找水面舰艇或潜艇也要对混有噪声的信号进行分析。总之, 在许多应用领域中, 例如, 雷达、声纳、通讯声学、语言等领域, 都需要对信号的基本参数进行分析和估计, 以得到有用的信息, 其中, 谱分析就是一类最重要的参数研究。 1 功率谱估计简介 一个宽平稳随机过程的功率谱是其自相关序列的傅里叶变换，因此功率谱估计就等效于自相关估计。对于自相关各态遍历的过程，应有： )()()(121lim *k r n x k n x N N x N N n =? ?????++∞→∑-= 如果所有的)(n x 都是已知的，理论上功率谱估计就很简单了，只需要对其自相关序列取傅里叶变换就可以了。但是，这种方法有两个个很大的问题：一是不是所有的信号都是平稳信号，而且有用的数据量可能只有很少的一部分；二是数据中通常都会有噪声或群其它干扰信号。因此，谱估计就是用有限个含有噪声的观测值来估计)(jw x e P 。 谱估计的方法一般分为两类。第一类称为经典方法或参数方法，它首先由给定的数据估 计自相关序列)(k r x ，然后对估计出的)(?k r x 进行傅里叶变换获得功率谱估计。第二类称为非经典法，或参数模型法，是基于信号的一个随机模型来估计功率谱。非参数谱估计的缺陷是其频率分辨率低，估计的方差特性不好, 而且估计值沿频率轴的起伏甚烈，数据越长, 这一现象越严重。 为了改善谱分辨率，研究学者对基于模型的参数方法进行了大量研究。参数方法的第一步是对信号选择一个合适的模型，这种选择可能是基于有关信号如何产生的先验知识，也可能是多次试验后获得的结果。通常采用的模型包括AR 、MA 、ARMA 模型和谐波模型（噪声中含有复指数）。一旦模型选择好后，下一步就是计算模型的参数。最后将计算得到的参数带

插值与数据拟合模型

第二讲 插值与数据拟合模型 函数插值与曲线拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二者的数学方法上是完全不同的。而面对一个实际问题，究竟用插值还是拟合，有时容易确定，有时则并不明显。 在数学建模过程中，常常需要确定一个变量依存于另一个或更多的变量的关系，即函数。但实际上确定函数的形式（线性形式、乘法形式、幂指形式或其它形式）时往往没有先验的依据。只能在收集的实际数据的基础上对若干合乎理论的形式进行试验，从中选择一个最能拟合有关数据，即最有可能反映实际问题的函数形式，这就是数据拟合问题。 一、插值方法简介 插值问题的提法是，已知1+n 个节点n j y x j j ,,2,1,0),,( =，其中j x 互不相同，不妨设b x x x a n =<<<= 10，求任一插值点)(*j x x ≠处的插值*y 。),(j j y x 可以看成是由某个函数)(x g y =产生的，g 的解析表达式可能十分复杂，或不存在封闭形式。也可以未知。 求解的基本思路是，构造一个相对简单的函数)(x f y =，使f 通过全部节点，即),,2,1,0()(n j y x f j j ==，再由)(x f 计算插值，即*)(*x f y =。 1．拉格朗日多项式插值 插值多项式 从理论和计算的角度看，多项式是最简单的函数，设)(x f 是n 次多项式，记作 0111)(a x a x a x a x L n n n n n ++++=-- （1） 对于节点),(j j y x 应有 n j y x L j j n ,,2,1,0,)( == （2） 为了确定插值多项式)(x L n 中的系数011,,,,a a a a n n -，将（1）代入（2），有 ???????=++++=++++=++++---n n n n n n n n n n n n n n n n y a x a x a x a y a x a x a x a y a x a x a x a 01110111110001010 （3） 记 T n T n n n n n n n n n n y y y Y a a a A x x x x x x X ),,,(,),,,(,11110011111 100 ==?????? ? ??=---- 方程组（3）简写成 Y XA = （4） 注意X det 是Vandermonde 行列式，利用行列式性质可得 ∏≤<≤-= n k j j k x x X 0)(det 因j x 互不相同，故0det ≠X ，于是方程（4）中A 有唯一解，即根据1+n 个节点可以确定唯一的n 次插值多项式。 拉格朗日插值多项式 实际上比较方便的做法不是解方程（4）求A ，而是先构造一组基函数： n i x x x x x x x x x x x x x x x x x l n i i i i i i n i i i ,,2,1,0,) ())(()()())(()()(110110 =--------=+-+- （5） )(x l i 是n 次多项式，满足

功率谱估计

功率谱估计及其MATLAB仿真 詹红艳 （201121070630控制理论与控制工程） 摘要:从介绍功率谱的估计原理入手分析了经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法。 关键词:功率谱估计;周期图法;AR参数法;Matlab Power Spectrum Density Estimation and the simulation in Matlab Zhan Hongyan （201121070630Control theory and control engineering） Abstract:Mainly introduces the principles of classical PSD estimation and modern PSD estimation,discusses the characteristics of the methods of realization in Matlab.Moreover,It gives an example of each part in realization using Matlab functions. Keywords:PSDPstimation,Periodogram method,AR Parameter method,Matlab 1引言 现代信号分析中,对于常见的具有各态历经的平稳随机信号,不可能用清楚的数学关系式来描述,但可以利用给定的N个样本数据估计一个平稳随机信号的功率谱密度叫做功率谱估计(PSD)。它是数字信号处理的重要研究内容之一。功率谱估计可以分为经典功率谱估计(非参数估计)和现代功率谱估计(参数估计)。 功率谱估计在实际工程中有重要应用价值,如在语音信号识别、雷达杂波分析、波达方向估计、地震勘探信号处理、水声信号处理、系统辨识中非线性系统识别、物理光学中透镜干涉、流体力学的内波分析、太阳黑子活动周期研究等许多领域,发挥了重要作用。 Matlab是MathWorks公司于1982年推出的一套高性能的数值计算和可视化软件,人称矩 阵实验室,它集数值分析、矩阵运算、信号处理和图形显示于一体,构成了一个方便的、界面友好的用户环境,成为目前极为流行的工程数学分析软件。也为数字信号处理进行理论学习、工程设计分析提供了相当便捷的途径。本文的仿真实验中,全部在Matlab6.5环境下调试通过;随机序列由频率不同的正弦信号加高斯白噪声组成。 2经典功率谱估计 经典功率谱估计是将数据工作区外的未知数据假设为零,相当于数据加窗。经典功率谱估计方法分为:相关函数法(BT法)、周期图法以及两种改进的周期图估计法即平均周期图法和平滑平均周期图法,其中周期图法应用较多,具有代表性。 1.1相关函数法(BT法) 该方法先由序列x(n)估计出自相关函数R(n),然后对R(n)进行傅立叶变换,便得到x(n)的功率谱估计。当延迟与数据长度相比很小时,可以有良好的估计精度。 Matlab代码示例1: Fs=500;%采样频率 n=0:1/Fs:1;

离散数据拟合模型

辽宁工程技术大学上机实验 报告

（2）取定t0=1790，拟合待定参数x0和r； 程序代码： >> p=@(r,t)r(2).*exp(r(1).*(t-1790)); >> t=1790:10:2000; >> c=[,,,,,,,,, ,,,,,,,,,,,,]; >> r0=[,]; >> r=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).^2); >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口（单位：百万）') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') 程序调用： >> r r = >> sse sse = +003

（3）拟合待定参数t0, x0和r.要求写出程序，给出拟合参数和误差平方和的计算结果，并展示误差平方和最小的拟合效果图. 程序代码： >> p=@(r,t)r(2).*exp(r(1).*(t-1790+1.*r(3))); >> t=1790:10:2000; >> c=[,,,,,,,,, ,,,,,,,,,,,,]; >> r0=[,,1]; >> [r,x]=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).^2); >> a=1790+1.*r(3); >> subplot(2,1,1) >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口（单位：百万）') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') >> subplot(2,1,2) >> plot(t,x,'k+',[1790:2000],[0,0],'k') >> axis([1790,2000,-20,20])

(完整版)Matlab学习系列13.数据插值与拟合

13. 数据插值与拟合 实际中，通常需要处理实验或测量得到的离散数据（点）。插值与拟合方法就是要通过离散数据去确定一个近似函数（曲线或曲面），使其与已知数据有较高的拟合精度。 1.如果要求近似函数经过所已知的所有数据点，此时称为插值问 题（不需要函数表达式）。 2.如果不要求近似函数经过所有数据点，而是要求它能较好地反 映数据变化规律，称为数据拟合（必须有函数表达式）。 插值与拟合都是根据实际中一组已知数据来构造一个能够反映数据变化规律的近似函数。区别是：【插值】不一定得到近似函数的表达形式，仅通过插值方法找到未知点对应的值。【拟合】要求得到一个具体的近似函数的表达式。 因此，当数据量不够，但已知已有数据可信，需要补充数据，此时用【插值】。当数据基本够用，需要寻找因果变量之间的数量关系（推断出表达式），进而对未知的情形作预测，此时用【拟合】。

一、数据插值 根据选用不同类型的插值函数，逼近的效果就不同，一般有：（1）拉格朗日插值（lagrange插值） （2）分段线性插值 （3）Hermite （4）三次样条插值 Matlab 插值函数实现： （1）interp1( ) 一维插值 （2）intep2( ) 二维插值 （3）interp3( ) 三维插值 （4）intern( ) n维插值 1.一维插值（自变量是1维数据） 语法：yi = interp1(x0, y0, xi, ‘method’) 其中，x0, y0为原离散数据（x0为自变量，y0为因变量）；xi为需要插值的节点，method为插值方法。 注：（1）要求x0是单调的，xi不超过x0的范围； （2）插值方法有‘nearest’——最邻近插值；‘linear’——线性插值；‘spline’——三次样条插值；‘cubic’——三次插值；

matlab_数学实验_实验报告_数据拟合

数据的分析之数据的拟合 一、实验项目：Matlab 数据拟合 二、实验目的和要求 1、掌握用matlab 作最小二乘多项式拟合和曲线拟合的方法。 2、通过实例学习如何用拟合方法解决实际问题，注意差值方法的区别。 3、鼓励不囿于固定的模式或秩序，灵活调整思路，突破思维的呆板性，找到打破常规的解决方法。并在文献检索 动手和动脑等方面得到锻炼。 三、实验内容 操作一：Malthus 人口指数增长模型 用以上数据检验马尔萨斯人口指数增长模型，根据检验结果进一步讨论马尔萨斯人口模型的改进。 马尔萨斯模型的基本假设是人口的增长率为常数，记为r 。记时刻t 的人口为()x t ，且初始时刻的人口为x 0，于是得到如下微分方程 (0)dx rx dt x x ?=???=? 需要先求微分方程的解，再用数据拟合模型中的参数。 一、分析 有这个方程很容易解出0()*rt x t x e = r>0时，是表示人口箭杆指数规律随时间无限增长，称为指数增长模型。 将上式取对数，可得y=rt+a ，y=lnx ，a=lnx0 二、用matlab 编码 t=1790:10:1980; x=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92 106.5 123.2 131.7 150.7 179.3 204.0 226.5]; p=polyfit(t,log(x),1); r=p(1) x0=exp(p(2)) x1=x0.*exp(r.*t); plot(t,x,'r',t,x1,'b')

三、结果和图像 0.0214r = 0 1.2480016x e =- 1780 1800182018401860188019001920194019601980 050 100 150 200 250 300 350 操练二：旧车价格预测 分析用什么形式的曲线来拟合数据，并预测使用4、5年后的轿车平均价格大致为多少。 一、分析 用matlab 编码绘制出点图，预测图像大致形状。

参数法功率谱估计

参数法功率谱估计 一、信号的产生 （一）信号组成 在本实验中，需要事先产生待估计的信号，为了使实验结果较为明显，我产生了由两个不同频率的正弦信号（频率差相对较大）和加性高斯白噪声组成的信号。 （二）程序 N=1024;n=0:N-1; xn=2*cos(2*pi*0.2*n)+ cos(2*pi*0.213*n)+randn(1,1024); 这样就产生了加有白噪声的两个正弦信号 其波形如下

0100200300400500600 -8-6 -4 -2 2 4 6 8 10 (a) 两个正弦信号与白噪声叠加的时域波形 二、参数模型法功率谱估计 （一）算法原理简介 1．参数模型法是现代谱估计的主要内容，思路如下： ① 假定所研究的过程)(n x 是由一个白噪声序列)(n 激励一个因果稳定的可逆线性系统)(z H 的输出； ② 由已知的)(n x ，或其自相关函数)(m r x 估计)(z H 的参数； ③ 由)(z H 的参数来估计)(n x 的功率谱。 2．自回归模型，简称AR 模型，它是一个全极点的模型。“自回归”的含义是：该模型现在的输出是现在的输入和过去p 个输出的加权和。此模型可以表现

为以下三式：

① ∑=+--=p k k n u k n x a n x 1 )()()(； ② ∑=-+==p k k k z a z A z H 111)(1)(； ③ 212 1)(∑=-+=p k jwk k jw x e a e P σ。 3．AR 模型的正则方程建立了参数k a 和)(n x 的自相关函数的关系，公式如下： =)(m r x ∑=--p k x k k m r a 1)( 1≥m 时，=)(m r x 21)(σ+-∑=k r a p k x k 0=m 时。 （二）两种AR 模型阶次的算法 1．Yule-Walker 算法(自相关法) （1）算法主要思想 Yule-Walker 算法通过解Yule-Walker 方程获得AR 模型参数。从低阶开始递推，直到阶次p ，给出了在每一个阶次时的所有参数。公式如下： ① 11 11/])()()([--=-∑+--=m m k x x m m m r k m r k a k ρ； ② )()()(11k m a k k a k a m m m m -+=--；

2013年数学建模数据拟合方法

数据拟合 问题的提出及最小二乘原理 取 x 的n 个不全相同的值n x x x ,,,21 作独立试验，得到样本 ()11,y x ，()22,y x ，…，()n n y x ,，则 i i i bx a y ε++=， 设()2 ,0~σεN i ，各 i ε 相互独立 于是 () 2 ,~σi i bx a N y +， n i ,,2,1 =。且由 n y y y ,,,21 的独立性，知n y y y ,,,21 的联合概率密度为 ()?? ? ?? ?---??? ??=∑=n i i i n bx a y L 12 2 21exp 21σπσ （1） 现用最大似然估计法来估计未知参数 b a ,。对于任意一组观察值 n y y y ,,,21 ，（1）式就是样本的似然函数。显然，要L 取最大值， 只需函数 ()() ∑=--=n i i i bx a y b a Q 12 , 取最小值。 如果 y 不是正态变量，则直接用（1）式估计b a ,使 y 的观察值 i y 与 i bx a + 偏差的平方和 ()b a Q , 为最小。这种方法叫最小二乘法。 如果y 是正态变量，则最小二乘法与最大似然估计法给出相同的结果。 取 ()b a Q ,分别关于b a ,的偏导数，并令它们等于0，得到b a ,

应满足方程 ()()???????=---=??=---=??∑∑==020211n i i i i n i i i x x b a y b Q x b a y a Q （2） （2）式称为正规方程组。解此方程组即可确定 b a ,，从而得到直线方程 bx a y +=*。 对一组测定数据用最小二乘原理找出其合适的数学公式，可以分以下几步： 1． 由观测数据作出散点图 2． 根据散点图确定近似公式的函数类 3． 用最小二乘原理确定函数中的未知参数 这一方法称为数据拟合法。 常用的曲线（函数类）有直线、多项式、双曲线、指数曲线等，实际操作中可以在直观判断的基础上，选几种曲线分别做拟合，然后比较看哪条曲线的最小二乘指标最小。 一． 多变量的数据拟合 若影响变量 y 的因素不只是一个，而是几个，譬如有 k 个因素 k x x x ,,,21 ，这时通过n 次实验可以得到数据表： 实验 1x 2x … k x y 1 11x 21x … 1k x 1y 2 12x 22x … 2k x 2y … … … … … … n n x 1 n x 2 … kn x n y

数学建模案例分析插值与拟合方法建模1数据插值方法及应用

第十章 插值与拟合方法建模 在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。 §1 数据插值方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的一类问题是当原始数据 ),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段 多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。 1、分段线性插值 这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。如果 b x x x a n =<<<= 10 那么分段线性插值公式为 n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11 1 11 =≤<--+--= ----- 可以证明，当分点足够细时，分段线性插值是收敛的。其缺点是不能形成一条光滑曲线。 例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。

用多项式模型进行数据拟合实验报告(附代码)

实验题目： 用多项式模型进行数据拟合实验 1 实验目的 本实验使用多项式模型对数据进行拟合，目的在于： （1）掌握数据拟合的基本原理，学会使用数学的方法来判定数据拟合的情况； （2）掌握最小二乘法的基本原理及计算方法； （3）熟悉使用matlab 进行算法的实现。 2 实验步骤 2.1 算法原理 所谓拟合是指寻找一条平滑的曲线，最不失真地去表现测量数据。反过来说，对测量 的实验数据，要对其进行公式化处理，用计算方法构造函数来近似表达数据的函数关系。由于函数构造方法的不同，有许多的逼近方法，工程中常用最小平方逼近（最小二乘法理论）来实现曲线的拟合。 最小二乘拟合利用已知的数据得出一条直线或曲线，使之在坐标系上与已知数据之间的距离的平方和最小。模型主要有：1.直线型2.多项式型3.分数函数型4.指数函数型5.对数线性型6.高斯函数型等，根据应用情况，选用不同的拟合模型。其中多项式型拟合模型应用比较广泛。 给定一组测量数据()i i y x ,，其中m i ,,3,2,1,0Λ=，共m+1个数据点，取多项式P （x ），使得 min )]([020 2=-=∑∑==m i i i m i i y x p r ，则称函数P （x ）为拟合函数或最小二乘解，此时，令 ∑==n k k k n x a x p 0 )(，使得min ])([02 002=??? ? ??-=-=∑∑∑===m i n k i k i k m i i i n y x a y x p I ，其中 n a a a a ,,,,210Λ为待求的未知数，n 为多项式的最高次幂，由此该问题化为求),,,(210n a a a a I I Λ=的极值问题。 由多元函数求极值的必要条件：0)(200 =-=??∑∑==m i j i n k i k i k i x y x a a I ，其中n j ,,2,1,0Λ= 得到： ∑∑∑===+=n k m i i j i k m i k j i y x a x )(，其中n j ,,2,1,0Λ=，这是一个关于n a a a a ,,,,210Λ的线 性方程组，用矩阵表示如下所示：

参数法功率谱估计

参数法功率谱估计 一、 信号的产生 （一）信号组成 在本实验中，需要事先产生待估计的信号，为了使实验结果较为明显，我产生了由两个不同频率的正弦信号（频率差相对较大）和加性高斯白噪声组成的信号。 （二）程序 N=1024;n=0:N-1; xn=2*cos(2*pi*0.2*n)+ cos(2*pi*0.213*n)+randn(1,1024); 这样就产生了加有白噪声的两个正弦信号 其波形如下 0100200300400500600 -8 -6-4-202468 10(a) 两个正弦信号与白噪声叠加的时域波形

二、参数模型法功率谱估计 （一）算法原理简介 1．参数模型法是现代谱估计的主要内容，思路如下： ① 假定所研究的过程)(n x 是由一个白噪声序列)(n ω激励一个因果稳定的可逆线性系统)(z H 的输出； ② 由已知的)(n x ，或其自相关函数)(m r x 估计)(z H 的参数； ③ 由)(z H 的参数来估计)(n x 的功率谱。 2．自回归模型，简称AR 模型，它是一个全极点的模型。“自回归”的含义是：该模型现在的输出是现在的输入和过去p 个输出的加权和。此模型可以表现为以下三式： ① ∑=+--=p k k n u k n x a n x 1)()()(； ② ∑=-+== p k k k z a z A z H 111) (1 )(； ③ 2 12 1)(∑=-+= p k jwk k jw x e a e P σ。 3．AR 模型的正则方程建立了参数k a 和)(n x 的自相关函数的关系，公式如下： =)(m r x ∑=--p k x k k m r a 1 )( 1≥m 时，=)(m r x 21 )(σ+-∑=k r a p k x k 0=m 时。

数学建模插值及拟合详解

插值和拟合 实验目的：了解数值分析建模的方法，掌握用Matlab进行曲线拟合的方法，理解用插值法建模的思想，运用Matlab一些命令及编程实现插值建模。 实验要求：理解曲线拟合和插值方法的思想，熟悉Matlab相关的命令，完成相应的练习，并将操作过程、程序及结果记录下来。 实验内容： 一、插值 1．插值的基本思想 ·已知有n +1个节点（xj,yj），j = 0,1,…, n，其中xj互不相同，节点(xj, yj)可看成由某个函数y= f （x）产生； ·构造一个相对简单的函数y=P(x)； ·使P通过全部节点，即P (xk) = yk，k=0,1,…, n ； ·用P (x)作为函数f ( x )的近似。 2．用MA TLAB作一维插值计算 yi=interp1(x，y，xi，'method') 注：yi—xi处的插值结果；x，y—插值节点；xi—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：线性插值；‘spline’：三次样条插值；‘cubic’：立方插值；缺省时：线性插值）。注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。 练习1：机床加工问题 每一刀只能沿x方向和y方向走非常小的一步。 表3-1给出了下轮廓线上的部分数据 但工艺要求铣床沿x方向每次只能移动0.1单位. 这时需求出当x坐标每改变0.1单位时的y坐标。 试完成加工所需的数据，画出曲线. 步骤1：用x0，y0两向量表示插值节点； 步骤2：被插值点x=0:0.1:15; y=y=interp1(x0,y0,x,'spline'); 步骤3：plot(x0,y0,'k+',x,y,'r') grid on 答：x0=[0 3 5 7 9 11 12 13 14 15 ]; y0=[0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 ]; x=0:0.1:15; y=interp1(x0,y0,x,'spline'); plot(x0,y0,'k+',x,y,'r') grid on

高层建筑地震作用计算的时域显式随机模拟法

文章编号 5777=4>4?!6758"75=7753=57!"##57<5@774A B587 华南理工大学亚热带建筑科学国家重点实验室项目 6753e I75 作者简介 苏成 5?4> ! 男 广东潮阳人 工学博士 教授 X=O'+( 0K0J2$^20$/:1,$:0& 收稿日期 675@年3月 35

数学建模使用MATLAB进行数据拟合

1.线性最小二乘法 x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=r\y % if AB=C then B=A\C x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 运行结果： 2.多项式拟合方法 x0=[1990 1991 1992 1993 1994 1995 1996]; y0=[70 122 144 152 174 196 202]; a=polyfit(x0,y0,1) y97=polyval(a,1997) x1=1990:0.1:1997; y1=a(1)*x1+a(2);

plot(x1,y1) hold on plot(x0,y0,'*') plot(1997,y97,'o') 3.最小二乘优化 3.1 lsqlin函数 例四： x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=lsqlin(r,y) x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 3.2lsqcurvefit函数

（1）定义函数 function f=fun1(x,tdata); f=x(1)+x(2)*exp(-0.02*x(3)*tdata); %其中x(1)=a，x(2)=b，x(3)=k （2） td=100:100:1000; cd=[4.54 4.99 5.35 5.65 5.90 6.10 6.26 6.39 6.50 6.59]; x0=[0.2 0.05 0.05]; x=lsqcurvefit(@fun1,x0,td,cd) %x(1)=a，x(2)=b，x(3)=k t=100:10:1000; c=x(1)+x(2)*exp(-0.02*x(3)*t); plot(t,c) hold on plot(td,cd,'*')

功率谱估计方法的比较

功率谱估计方法的比较 摘要： 本文归纳了信号处理中关键的一种分析方法, 即谱估计方法。概述了频谱估计中的周期图法、修正的协方差法和伯格递推法的原理，并且对此三种方法通过仿真做出了对比。 关键词：功率谱估计；AR 模型；参数 引言： 谱估计是指用已观测到的一定数量的样本数据估计一个平稳随机信号的谱。由于谱中包含了信号的很多频率信息，所以分析谱、对谱进行估计是信号处理的重要内容。谱估计技术发展 渊源很长，它的应用领域十分广泛，遍及雷达、声纳、通信、地质勘探、天文、生物医学工程等众多领域，其内容、方法都在不断更新，是一个具有强大生命力的研究领域。谱估计的理论和方法是伴随着随机信号统计量及其谱的发展而发展起来的，最早的谱估计方法是建 立在基于二阶统计量, 即自相关函数的功率谱估计的方法上。功率谱估计的方法经历了经典谱估计法和现代谱估计法两个研究历程，在过去及现在相当长一段时间里，功率谱估计一直占据着谱估计理论里的核心位置。经典谱估计也成为线性谱估计，包括BT 法、周期图法。现代谱估计法也称为非线性普估计，包括自相关法、修正的协方差法、伯格（Burg ）递推法、特征分解法等等。 原理： 经典谱估计方法计算简单，其主要特点是谱估计与任何模型参数无关，是一类非参数化的方法。它的主要问题是：由于假定信号的自相关函数在数据的观测区间以外等于零，因此估计出来的功率谱很难与信号的真实功率谱相匹配。在一般情况下，经典法的渐进性能无法给出实际功率谱的一个满意的近似，因而是一种低分辨率的谱估计方法。现代谱估计方法使用参数化的模型，他们统称为参数化功率谱估计，由于这类方法能够给出比经典法高得多的频率分辨率，故又称为高分辨率方法。下面分别介绍周期图法、修正的协方差法和伯格递推法。修正的协方差法和伯格递推法采用的模型均为AR 模型。 （1）周期图法 周期图法是先估计自相关函数, 然后进行傅里叶变换得到功率谱。假设随机信号x(n)只观测到一段样本数据，n=0, 1, 2, …, N -1。根据这一段样本数据估计自相关函数，如公式（1） 对（1）式进行傅里叶变换得到（2）式。 ??? ? ????+=∑-=∞ →2 j j e )(121lim )e (N N n n N xx n x N E P ωω ∑--=+= 1||0 *) ()(1 )(?m N n xx m n x n x N m r

MATLAB中AR模型功率谱估计中AR阶次估计的实现

MATLAB中AR模型功率谱估计中AR阶次估计的实现 （最近看了几个关于功率谱的问题，有关AR模型的谱估计，在此分享一下，希望大家不吝指正） （声明：本文内容摘自我的毕业论文——心率变异信号的预处理及功率谱估计） （按：AR模型功率谱估计是对非平稳随机信号功率谱估计的常用方法，但是其模型阶次的估计，除了HOSA工具箱里的arorder函数外，没有现成的函数可用，arorder函数是基于矩阵SVD分解的阶次估计方法，为了比较各种阶次估计方法的区别，下面的函数使用了'FPE', 'AIC', 'MDL', 'CAT'集中准则一并估计，并采用试验方法确定那一个阶次更好。） ………………………………以上省略…………………………………………………………………… 假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下： 复制内容到剪贴板 代码: Y = x; Y(1:n) = []; m = N-n; X = [];% 构造系数矩阵 for i = 1:m for j = 1:n X(i,j) = xt(n+i-j); end end beta = inv(X'*X)*X'*Y'; beta即为用最小二乘法估计出的模型参数。 此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。 4.3.3 AR模型阶次的选择及实验设计

文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（Singular Value Decomposition, SVD）定阶法、最小预测定误差阶准则 （Final Prediction Error Criterion, FPE）、AIC定阶准则（Akaika’s Information theoretic Criterion, AIC）、MDL定阶准则以及CAT定阶准则。文献[28]中还介绍了一种BIC定阶准则。SVD方法是对Yule-Walker方 程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。 以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）： 复制内容到剪贴板 代码: for m = 1:N-1 …… % 判断是否达到所选定阶准则的要求 if strcmp(criterion,'FPE') objectfun(m+1) = (N+(m+1))/(N-(m+1))*E(m+1); elseif strcmp(criterion,'AIC') objectfun(m+1) = N*log(E(m+1))+2*(m+1); elseif strcmp(criterion,'MDL') objectfun(m+1) = N*log(E(m+1))+(m+1)*log(N); elseif strcmp(criterion,'CAT') for index = 1:m+1 temp = temp+(N-index)/(N*E(index)); end objectfun(m+1) = 1/N*temp-(N-(m+1))/(N*E(m+1)); end if objectfun(m+1) >= objectfun(m) orderpredict = m; break; end end orderpredict变量即为使用相应准则预测的AR模型阶次。

插值与拟合模型

插值与拟合模型 水道测量数据问题 表1给出了在以码（1码=0.914米）为单位的直角坐标为X，Y的水面一点处以英尺（1英尺=0.3048米）计的水深Z。水深数据是在低潮时测得的。 表1 水道测量数据在低潮时测得的水深 船的吃水深度为5英尺。在矩形区域(75,200)ⅹ(-50,150)里哪些地方船要避免进入。 解答： 所给14个点的平面散点图如下，其中有两点不落在所给区域：(75,200)ⅹ(-50,150)。

图17.1 水道离散点平面图 本问题采用地球科学上的反距离权重法(IDW)。首先将所给区域(75,200)ⅹ(-50,150)按较细的网格进行剖分。然后利用所给14个点的水深值Z ，按照IDW 方法求出所有剖分点的水深值Z ，并找出水深低于5米的点。然后作出水底曲面图，等值线图，标出水深低于5米的区域。 IDW 算法： 设有n 个点(,,)i i i x y z ，计算平面上任意点(,)x y 的z 值。 1 .n i i i z w z == ∑ 其中权重： 1 1/1/p i i n p i i d w d == ∑ ，i d = 即(,)x y 处的z 值由各已知点加权得到，其权重为(,)x y 到各点距离的p 次方成反比。 p 决定距离(,)x y 近的(,)i i x y 作用的相对大小。当p 越大，则当(,)i i x y 距离(,)x y 越近， 其相对作用越大，越远相对作用越小。本题取3p =。 按照IDW 方法，x 方向剖分50个区间，区间间隔2.5；y 方向剖分80个区间，区间间隔 2.5dy =得到的水底河床图及等值线图如下。实现的Matlab 程序见后。