Пред.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
Глава 7. ПРИМЕРЫ ОДНОМЕРНОГО СПЕКТРАЛЬНОГО АНАЛИЗАВ этой главе теория, изложенная в гл. 6, применяется для получения практических способов оценивания спектров по наблюдаемым временным рядам. Для того чтобы читатель приобрел опыт в вычислениях, которые нужно при этом проводить, в разд. 7.1 проиллюстрировано влияние изменения полосы частот окна и его формы на спектральные оценки искусственных временных рядов. В разд. 7.2 вводится один практический метод оценивания спектров, названный стягиванием окна. Для этого метода нужно сначала использовать окно с широкой полосой частот, а затем постепенно уменьшать полосу до тех пор, пока не выявятся все важные детали спектра. Однако такая процедура бывает иногда очень неустойчивой из-за сильной изменчивости выборочных оценок спектра, обусловленных малой длиной временного ряда. В разд. 7.3 обсуждаются практические вопросы, возникающие при оценивании спектров, а также приводится стандартный метод оценивания, который можно применять на практике. Подчеркивается важность предварительной фильтрации данных для устранения низкочастотных трендов. В разд. 7.4 даются примеры спектрального анализа в грех прикладных областях: построении моделей, планировании экспериментов и изучении частотных характеристик. 7.1. СПЕКТРАЛЬНЫЙ АНАЛИЗ ИСКУССТВЕННЫХ ВРЕМЕННЫХ РЯДОВВ этом разделе вычисляются выборочные оценки спектров для искусственных временных рядов. Это сделано для того, чтобы читатель приобрел опыт в интерпретации выборочных спектральных оценок. В разд. 7.1.1 даются формулы, непосредственно пригодные для вычисления на цифровых машинах выборочных сглаженных спектральных оценок, а также приводятся результаты вычислений выборочных характеристик. Затем в разд. 7.1.2 проиллюстрировано влияние изменения точки отсечения корреляционной функции на спектр. Для этого функция обсуждение практических способов сглаживания, проводится исследование влияния точки отсечения (разд. 7.1.2) и формы спектрального окна (разд. 7.1.3) на спектральные оценки. 7.1.1. Формулы для дискретного оцениванияВ предыдущих главах статистическая теория спектрального оценивания была развита в предположении, что данные Предположим, что цифровые данные
В (7.1.1) выборочная оценка
моменты времени Так как
и функцию (7.1.2) требуется вычислять лишь при Для удобства вычислений предположим, что
При Наконец, если вместо ковариаций использовать корреляции, то можно получить сглаженную выборочную оценку нормированной спектральной плотности по формуле
В работе [2] было предложено вычислять В действительности нет никакой необходимости связывать шаг по частоте для цифровых вычислений сглаженной выборочной оценки нормированного спектра принимает вид
Логическая схема соответствующей вычислительной программы приведена в Приложении Вычисление выборочных характеристик. Выборочные корреляции для дискретного процесса авторегрессии второго порядка (5.3.36) приведены в табл. 5.2. Рис. 7.1. (см. скан) Сглаженная выборочная оценка нормированного спектра процесса авторегрессии второго порядка Эти величины можно использовать для получения выборочной оценки нормированного спектра
получаем из (7.1.6) сглаженную выборочную оценку нормированного спектра
Например, при
Если нужны выборочные оценки с шагом по частоте Таблица 7.1 (см. скан) Пример вычисления выборочной спектральной оценки Эти выборочные оценки нормированного спектра показаны точками на рис. 7.1. Видно, что через эти точки можно вполне однозначно провести плавную кривую. На этом же графике крестиками отмечены выборочные оценки с шагом
Мы видим, что в этом случае ширина полосы равна всему частотному диапазону, и, следовательно, выборочная оценка сильно сглажена.
|
1 |
Оглавление
|