随机过程基础:3.平稳过程(2)

        平稳过程是指随机过程的统计特性(如均值、方差、协方差等)不随时间变化。我们可以在时间域或频率域上研究其性质。以下是对平稳过程的协方差函数和功率谱密度的详细讨论。

一、协方差函数

        协方差函数就像是描述两个随机变量之间关系的一种“尺子”。想象一下,你有两个朋友,一个朋友每天吃的冰淇淋数量(X),另一个朋友每天喝的汽水数量(Y)。协方差函数就是用来衡量这两个朋友每天消费的冰淇淋和汽水之间是否有某种关联。

        如果协方差函数的结果是正数,那就意味着当一个朋友吃更多冰淇淋时,另一个朋友也倾向于喝更多汽水;如果是负数,那就意味着一个朋友吃更多冰淇淋时,另一个朋友可能会喝更少汽水;如果是零,那就意味着这两个朋友的消费行为之间没有明显的关联。

        协方差函数 R(τ) 的定义和性质如下:

  1. 对称性:R(τ)=R(−τ) ,无论你是先考虑冰淇淋,再考虑汽水,还是反过来,你得到的关联程度是一样的。就像你的朋友 A 吃冰淇淋可能会影响朋友 B 喝汽水,朋友 B 喝汽水也可能会影响朋友 A 吃冰淇淋,这种影响是相等的。
  2. 有界性:∣R(τ)∣≤R(0),这种特性表示,两个随机变量之间的关联程度是有上限的。在我们的例子中,不管 A 吃多少冰淇淋,它对 B 喝汽水的影响程度是有限的,不能无限大。这个上限通常来自于这两个随机变量自身的变化范围。
  3. 非负定性:对任意实数 a1​,a2​,...,aN​ 及时刻 t1​,t2​,...,tN​\sum_{n=1}^{N} \sum_{m=1}^{N} a_n a_m R(t_n - t_m) \geq 0,在实际中,意味着不管我们怎么看,两个朋友的消费行为总是有某种程度的关联,而不是完全无关。

       常见协方差函数如下:

  • 三角形协方差函数R(\tau) = \begin{cases} 1 - \frac{|\tau|}{T}, & |\tau| \leq T, \\ 0, & |\tau| > T. \end{cases}
  • 指数衰减型协方差函数R(\tau) = e^{-\alpha |\tau|}, \alpha > 0
  • 正态分布型协方差函数R(\tau) = e^{-\beta^2 \tau^2}
  • 振幅调制波:若 Z(t) = Y(t) e^{j\omega_0 t},则R_Z(\tau) = R_Y(\tau) e^{j\omega_0 \tau}
  • 频率调制波:若 X(t) = \cos(Y(t)),其中 Y(t) 是零均值高斯过程,则

    R_X(\tau) = e^{-R_Y(0)} \cosh(R_Y(\tau))

二、功率谱密度

        功率谱密度(PSD)是描述平稳过程在频率域上的分布特性。我们可以利用傅里叶变换将协方差函数转化为功率谱密度。功率谱密度就是告诉我们在观察到的信号中,不同频率的成分有多强,它帮助我们理解这些频率成分是如何组合在一起,构成我们观察到的整体运动或信号的。根据维纳-欣钦(Wiener-Khintchine)定理,功率谱密度 S(ω) 和协方差函数 R(τ) 之间的关系为:

S(\omega) = \int_{-\infty}^{\infty} R(\tau) e^{-j\omega \tau} d\tau

反之,

R(\tau) = \frac{1}{2\pi} \int_{-\infty}^{\infty} S(\omega) e^{j\omega \tau} d\omega

三、自回归模型和滑动平均模型

        想象一下,你正在看一部侦探剧,剧中的侦探需要根据一系列线索来推断罪犯的身份。

1.自回归模型(AR模型)

        自回归模型就像是一个侦探,他主要依赖于过去的线索(过去的观察值X_{n-1})来预测下一个线索(下一个观察值X_n)。比如说,如果前几集的剧情中,每当出现红色汽车时,接下来都会发生一起盗窃案,那么侦探就会认为,如果下一集又出现了红色汽车,那么很可能又会有一场盗窃案。这就是自回归模型的工作方式,它依赖于历史数据来预测未来。此外他还会考虑到一些不可预测的因素,比如目击者的记忆偏差、证据收集时的偶然错误等(噪音项\epsilon_n)。这些不可预测的因素就像是侦探在推理过程中必须考虑的“噪音”,它们可能会影响最终的预测结果。

  • 一阶自回归模型 AR(1):

    X_n = \phi X_{n-1} + \epsilon_n

    其中, \epsilon_n 为白噪声,且 ∣ϕ∣<1。其‘步线性最佳预报’为:

    \hat{X}_{n+\ell | n} = \phi^\ell X_n

  • 高阶自回归模型 AR(p) :

    X_n = \phi_1 X_{n-1} + \phi_2 X_{n-2} + \cdots + \phi_p X_{n-p} + \epsilon_n

2.滑动平均模型(MA模型)

        MA模型不直接依赖于过去的观察值,而是依赖于过去的预测误差。这些预测误差被视为隐含在数据中的随机冲击,可以帮助我们理解和预测未来的变化。继续使用侦探的比喻,MA模型是有着另一种探案思路的侦探,他不仅关注目前的预测误差或突发事件,还特别关注旧的预测误差或突发事件。案件的结果最新的预测误差 \epsilon_n抵消一系列过去事件的加权预测误差组合而成。

  • 滑动平均模型 MA(q):

    X_n = \epsilon_n - \theta_1 \epsilon_{n-1} - \theta_2 \epsilon_{n-2} - \cdots - \theta_q \epsilon_{n-q}

3.自回归滑动平均模型(ARMA模型)

        自回归滑动平均模型(ARMA模型)结合了自回归(AR)和滑动平均(MA)两种模型的特点,可以看作是一位经验丰富的侦探,他既关注过去的案件线索(自回归部分),也关注这些线索中可能包含的随机冲击或意外事件(滑动平均部分)。既考虑了历史案件的模式和趋势,也考虑了可能影响案件结果的随机因素。

        自回归部分(AR)类似于侦探根据过去的案件线索来预测当前案件的性质。例如,如果过去的几个案件中都出现了类似的作案手法,侦探可能会推测当前案件也可能采用类似的手法。这部分模型关注的是时间序列数据中的自相关性,即当前值与过去值之间的关系。

       滑动平均部分(MA)则类似于侦探考虑每个案件中出现的随机冲击或意外事件。例如,如果某个案件中突然出现了一个关键的新证人,这个证人提供了之前未知的线索,这些线索可能会对案件的解决产生重大影响。这部分模型关注的是时间序列数据中的随机误差项,即当前值与过去预测误差之间的关系。 

  • 混合模型 ARMA(p, q):

    X_n - \phi_1 X_{n-1} - \cdots - \phi_p X_{n-p} = \epsilon_n - \theta_1 \epsilon_{n-1} - \cdots - \theta_q \epsilon_{n-q}

四、预报理论

        预报问题包括根据已知数据预报未来数据,最常用的方法是最小均方误差预报。对平稳序列,可以通过递推公式实现多步预报。对于AR模型,预报值是已知数据的线性组合,对于MA模型,通过将模型转化为无穷阶自回归模型,可以得到预报值。对于ARMA模型的预报,可以采用递推方法。利用现有数据和参数估计出过去的随机误差项,然后将这些误差项与观察值结合,逐步推导出未来的预报值。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/46651.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LLM之Prompt(四)| OpenAI、微软发布Prompt技术报告

摘要 生成式人工智能 &#xff08;GenAI&#xff09; 系统正越来越多地部署在各行各业和研究机构。开发人员和用户通过使用提示或提示工程与这些系统进行交互。虽然提示是一个广泛提及且被研究的概念&#xff0c;但由于该领域的新生&#xff0c;存在相互矛盾的术语和对构成提示…

API接口的概念和接口测试的概念

一、什么是接口测试 接口测试是项目测试的一部分&#xff0c;顾名思义&#xff0c;它测试的主要对象是接口&#xff0c;是测试系统组件间接口的一种测试。接口测试主要用于检测外部系统与所测系统之间以及内部各系统之间的交互点。测试的重点是检查数据交互、传递、和控制管理过…

三级_网络技术_17_交换机及其配置

1.下面是一台三层交换机的部分路由表信息。根据表中的路由信息&#xff0c;以下描述错误的是()。 此设备启用了OSPF动态路由协议&#xff0c;并学到了E1和E2两种类型的OSPF外部路由 比设备通过动态路由协议得到缺省路由&#xff0c;下一跳是设备的TenGigabitEthernet1/15接口 …

聚类分析方法(三)

目录 五、聚类的质量评价&#xff08;一&#xff09;簇的数目估计&#xff08;二&#xff09;外部质量评价&#xff08;三&#xff09;内部质量评价 六、离群点挖掘&#xff08;一&#xff09;相关问题概述&#xff08;二&#xff09;基于距离的方法&#xff08;三&#xff09;…

泛微E-Cology WorkflowServiceXml SQL注入漏洞复现(QVD-2024-26136)

0x01 产品简介 泛微e-cology是一款由泛微网络科技开发的协同管理平台,支持人力资源、财务、行政等多功能管理和移动办公。 0x02 漏洞概述 2024年7月,泛微官方发布了新补丁,修复了一处SQL注入漏洞。经分析,攻击者无需认证即可利用该漏洞,建议受影响的客户尽快修复漏洞。…

springboot 适配ARM 架构

下载对应的maven https://hub.docker.com/_/maven/tags?page&page_size&ordering&name3.5.3-alpinedocker pull maven:3.5.3-alpinesha256:4c4e266aacf8ea6976b52df8467134b9f628cfed347c2f6aaf9e6aff832f7c45 2、下载对应的jdk https://hub.docker.com/_/o…

《后端程序员 · Nacos 常见配置 · 第一弹》

&#x1f4e2; 大家好&#xff0c;我是 【战神刘玉栋】&#xff0c;有10多年的研发经验&#xff0c;致力于前后端技术栈的知识沉淀和传播。 &#x1f497; &#x1f33b; CSDN入驻不久&#xff0c;希望大家多多支持&#xff0c;后续会继续提升文章质量&#xff0c;绝不滥竽充数…

C++ 类和对象(A)

一、类与对象的初步认识 1.类是对象的抽象&#xff0c;而对象是类的具体实例。 类是抽象的&#xff0c;不占用内存&#xff1b;而对象是具体的&#xff0c;占用存储空间。 2.面向过程与面向对象 C语言是面向过程的&#xff0c;关注的是过程中的数据与方法。 C是面向对象的&…

3D打印技巧

blender建模设置 避免破面 插件&#xff1a;3D打印 其中 错误连续边bad contig. edges指的是同一条线两侧法向不同&#xff0c;解决方案&#xff1a;shiftn 零面zero face指有两个面重叠&#xff0c;解决方案&#xff1a;按距离合并 非平面non flat face指四边形面的四个顶…

Django select_related()方法

select_related()的作用 select_related()是Django ORM&#xff08;对象关系映射&#xff09;中的一种查询优化方法&#xff0c;主要用于减少数据库查询次数&#xff0c;提高查询效率。当你在查询一个模型实例时&#xff0c;如果这个实例有ForeignKey关联到其他模型&#xff0…

【.NET全栈】ASP.NET开发web应用——ASP.NET中的样式、主题和母版页

文章目录 前言一、在ASP.NET中应用CSS样式1、创建CSS样式&#xff08;1&#xff09;内联样式&#xff08;2&#xff09;内部样式表&#xff08;3&#xff09;外部样式表 2、应用CSS样式&#xff08;1&#xff09;菜鸟教程-简单例子&#xff08;2&#xff09;菜鸟教程-用户界面&…

2024-07-12 Unity AI状态机1 —— 框架介绍

文章目录 1 有限状态机2 状态机实现框架2.1 StateMachine2.2 BaseState2.3 ...State2.4 IAIObject 3 框架类图 本文章参考 B 站唐老狮 2023 年直播内容。点击前往唐老狮 B 站主页。 1 有限状态机 ​ 有限状态机&#xff08;Finite - State Machine&#xff0c;FSM&#xff09…

【Diffusion学习】【生成式AI】Diffusion Model 原理剖析 (2/4) (optional)【公式推导】

文章目录 影像生成模型本质上的共同目标【拟合分布】Maximum Likelihood Estimation VAE 影像生成模型本质上的共同目标【拟合分布】 Maximum Likelihood Estimation VAE

# Redis 入门到精通(四)-- linux 环境安装 redis

Redis 入门到精通&#xff08;四&#xff09;-- linux 环境安装 redis 一、linux 环境安装 redis – 基于 Linux 安装 redis 1、基于 Center 0S7 或者 unbunt-18.04 安装 Redis 1&#xff09;下载安装包wget http://download.redis.io/releases/redis-?.?.?.tar.gz 如&…

夏令营入门组day4

一. 题目 二. 思路 &#xff08;1&#xff09;B要先去和A回合&#xff0c;因为B只能将红染成蓝&#xff0c;不能直接将白染成蓝&#xff0c;所以B必须走A走过的路才有效。 &#xff08;2&#xff09;答案分为两部分&#xff0c;去和A回合的最短距离 以回合点为根节点&#xf…

FPGA上板项目(二)——PLL测试

目录 实验内容实验原理实验步骤实验结果 实验内容 将差分时钟信号转化为 192MHz 时钟信号作为输出。 实验原理 PLL&#xff0c;即锁相环&#xff0c;一种反馈控制电路&#xff0c;具有时钟倍频、分频、相位偏移和可编程占空比的功能。 实验步骤 添加 clocking wizard IP核&…

Gitlab CI/CD --- use a sample CI/CD template

0 Preface/Foreword Pipeline, job, stage的关系如下描述&#xff1a; A pipeline is composed of independent jobs that run scripts, grouped into stages. Stages run in sequential order, but jobs within stages run in parallel. 关键信息&#xff1a; pipeline由独…

Ubuntu 磁盘扩容

1.下载工具 sudo apt-get install gparted 2.调整大小

IP风险画像 金融行业的安全盾牌

在当今数字化时代&#xff0c;金融行业面临着前所未有的安全挑战。随着在线交易和数字银行业务的迅猛发展&#xff0c;欺诈和网络攻击的威胁也在不断增加。金融机构需要高效、可靠的安全解决方案来保护客户的资产和个人信息&#xff0c;防止各种形式的欺诈行为。 IP风险画像是…

postman点code选http出现乱码?

最近在调OA接口新建流程&#xff0c;用postman调成功了&#xff0c;但是要换到数据库来的时候就不知道咋弄了&#xff0c;一开始还以为是出现了乱码&#xff0c;都不敢用http的code&#xff0c;但其实是参数被urlencoding了&#xff0c;所以写到Oracle数据库的时候&#xff0c;…