1. 理解

  1.1 Matlab 帮助:

  a = arburg(x,p)返回与输入数组x的p阶模型相对应的归一化自回归(AR)参数。 如果x是一个向量,则输出数组a是一个行向量。 如果x是矩阵,则参数沿模型的第n行位于x的第n列。 a有p + 1列。 p必须小于x的元素(或行)数。

  [a,e] = arburg(x,p)返回白噪声输入的估计方差e。

  [a,e,rc] = arburg(x,p)返回rc中的反射系数。

  1.2 自我的一些理解

  AR(P) 模型作用: 使用前几个数据来预测后面的数据,p是阶数,对应p个历史数据

  

  In an AR model of order p, the current output is a linear combination of the past p outputs plus a white noise input.

  The weights on the p past outputs minimize the mean-square prediction error of the autoregression.

  If y(n) is the current value of the output and x(n) is a zero mean white noise input, the AR(p) model is:

  在阶数为p的AR模型中,当前输出是过去p输出的线性组合加上白噪声

  p过去的输出上的权重使自回归的均方预测误差最小。

  如果y(n)是输出的当前值并且x(n)是零平均白噪声输入,则AR(p)模型为:

  y(n) =  -(负号)  p个累加a(k)*y(n-k) + 0均值的高斯白噪声x(n)  [通常其他表达里使用 w(n)]

  -----------------------------------

  [ ar_coeffs,NoiseVariance] = arburg(data,order)

  ar_coeffs 第一位不需要用,是用于归一化,后面是对应的系数

  NoiseVariance 是方差

  举例:

  p=3: [a E]=arburg(x,3)

  a =1.0000 -0.6982 -0.2626 0.0739

  E =0.4567

  p=12: [a E]=arburg(x,12)

  a =1.0000 -0.6495 -0.3066 -0.0934 0.0987 0.4076 -0.1786 -0.0126 -0.0805 -0.0899 0.0382 0.1628 -0.2501

  E =0.3237

  1.3 网络

  https://blog.csdn.net/weixin_43165881/article/details/106878784

  1.4 python

  Python 中 librosa 库中有 lpc 函数是使用的 burg 方法。

2使用:

  向前向后预测

  寻找一个案列,进行AR拟合,与原函数一致

  这个AR(1)模型在当初陀螺仪卡尔曼滤波中用过,w(n) 是高斯白噪声,先要通过一组数据算出方差。

  burg的具体的应用方法还需要再组织一下想法

  2021-03-25 日更新

  恰巧这日用python 实现了下, python种的librosa 库种lpc 函数是使用 burg法的线性预测 ,代码如下

# %% 0_0.import libs
import numpy as np
import librosa as lb
import matplotlib.pyplot as plt #%% 0_1.def funcs
def next_predict(sig,M_nexts,p): a= lb.lpc(sig,p) # 计算模型系数 len_sig = len(sig)
len_sig_pred = M_nexts+ sig
sig_predict = np.zeros(len_sig_pred)
sig_predict[:len_sig]=sig for i in range(M_nexts):
sig_predict[ len_sig + i ] = -np.dot(a[1:],sig_predict[len_sig + i :len_sig+ i-p:-1]) # + error sig_predict_out = sig_predict[len_sig:] return sig_predict_out def forward_predict(sig,M_forward,p): a= lb.lpc(sig,p) # 计算模型系数 len_sig = len(sig)
len_sig_pred = M_forward + len_sig
sig_predict = np.zeros(len_sig_pred)
sig_predict[M_forward:]=sig for i in range(M_forward):
sig_predict[ M_forward -1 - i ] = - np.dot(a[1:],sig_predict[ M_forward-i : M_forward-i+ p]) # + error sig_predict_out = sig_predict[:M_forward]

return sig_predict_out

  

# %% 1. 数据的ar-burg 预测系数

t = np.arange(0,10,0.01)
sig1 = np.sin(2*np.pi*t) # sin 函数
sig2 = 0.2 *np.sin(10*np.pi*t)
noise = np.random.randn(len(sig1))
sig = sig1 + sig2 + noise # %% 2. 求arburg 预测的数据
# ar,err = arburg(sig,n_Order)
# librosa.lpc 使用了burg法计算 lpc系数
p=300
a= lb.lpc(sig,p) # %% 根据得到的系数进行向前向后预测
M_nexts = 200 # 向后预测的个数
M_befores = 200 # 向后预测的个数 # 设第 n个数的预测为,预测M个数
# sig_predict(n)= - a[1]*sig(n-1) -a[2]*sig(n-2) - a[3]*sig(n-3)... -a[p]*sig(n-p)
len_sig = len(sig)
len_sig_pred = M_nexts+ len_sig
sig_predict = np.zeros(len_sig_pred)
sig_predict[:len(sig)]=sig # 预测
for i in range(M_nexts):
sig_predict[ len_sig + i ] = -np.dot(a[1:],sig_predict[len_sig + i :len_sig+ i-p:-1]) # + error # 如果我们知道err,计算出err的方差,也可以进行预测
plt.figure()
plt.plot(sig_predict)
plt.plot(sig ) sig_f_pred = forward_predict(sig,M_befores,p) sig_all = np.hstack([sig_f_pred,sig])
plt.figure()
plt.plot(sig_all)
plt.plot(sig_f_pred)

  

  

图1.向前预测

图2. 向后预测

Matlab 中 arburg 函数的理解与实际使用方法的更多相关文章

  1. matlab中patch函数的用法

    http://blog.sina.com.cn/s/blog_707b64550100z1nz.html matlab中patch函数的用法——emily (2011-11-18 17:20:33) ...

  2. matlab中subplot函数的功能

    转载自http://wenku.baidu.com/link?url=UkbSbQd3cxpT7sFrDw7_BO8zJDCUvPKrmsrbITk-7n7fP8g0Vhvq3QTC0DrwwrXfa ...

  3. 【原创】Matlab中plot函数全功能解析

    [原创]Matlab中plot函数全功能解析 该帖由Matlab技术论(http://www.matlabsky.com)坛原创,更多精彩内容参见http://www.matlabsky.com 功能 ...

  4. matlab 中max函数用法

    Matlab中max函数在矩阵中求函数大小的实例如下:(1)C = max(A)返回一个数组各不同维中的最大元素.如果A是一个向量,max(A)返回A中的最大元素.如果A是一个矩阵,max(A)将A的 ...

  5. Matlab中plot函数全功能解析

    Matlab中plot函数全功能解析 功能 二维曲线绘图 语法 plot(Y)plot(X1,Y1,...)plot(X1,Y1,LineSpec,...)plot(...,'PropertyName ...

  6. matlab中cumsum函数

    matlab中cumsum函数通常用于计算一个数组各行的累加值.在matlab的命令窗口中输入doc cumsum或者help cumsum即可获得该函数的帮助信息. 格式一:B = cumsum(A ...

  7. 『转载』Matlab中fmincon函数获取乘子

    Matlab中fmincon函数获取乘子 一.输出结构 [x,fval,exitflag,output,lambda] = fmincon(......) 二.结构说明 lambda结构 说     ...

  8. matlab中norm函数的用法

    格式:n=norm(A,p) 功能:norm函数可计算几种不同类型的矩阵范数,根据p的不同可得到不同的范数 以下是Matlab中help norm 的解释 NORM   Matrix or vecto ...

  9. matlab中fprintf函数的具体使用方法

    matlab中fprintf函数的具体使用方法实例如下: fprintf函数可以将数据按指定格式写入到文本文件中.其调用格式为: 数据的格式化输出:fprintf(fid, format, varia ...

随机推荐

  1. 2.docker安装及原理

    一. docker的架构 1.1 docker的架构 先来看docker官网给出的docker架构图: 看官网,docker的架构描述: https://docs.docker.com/get-sta ...

  2. 使用uView UI+UniApp开发微信小程序--微信授权绑定和一键登录系统

    在前面随笔<使用uView UI+UniApp开发微信小程序>和<使用uView UI+UniApp开发微信小程序--判断用户是否登录并跳转>介绍了微信小程序的常规登录处理和验 ...

  3. python学习笔记(十一)-python程序目录工程化

    在一个程序当中,一般都会包含文件夹:bin.conf.lib.data.logs,以及readme文件. 所写程序存放到各自的文件夹中,如何进行串联? 首先,通过导入文件导入模块方式,引用其他人写好的 ...

  4. MySQL安装指导文档

    MySQL 是最流行的关系型数据库管理系统,可以在本地搭建一个mysql的环境,便于学习. windows7/windows10 5.7.26 安装mysql前环境准备工作 1) 要有Net fram ...

  5. JQuery EasyUI 结合ztrIee的后台页面开发

    JQuery EasyUI 结合 zTree树形结构制作web页面.easyui用起来比较简单,很好的封装了jquery的部分功能,使用起来更加方便,但是从1.2.3版本以后,商业用途是需要付费的, ...

  6. windows terminal+wsl+neovim配置过程杂记

    长期记录,草稿 coc依赖于node,直接sudo apt intsll node得到的版本是10.x,无法满足要求, 这篇博客介绍了安装新版node的方法https://www.cnblogs.co ...

  7. THUSC & 中考 & NOI 拉跨记

    THUSC 的拉胯记 时代比较久远了,可能有些事情记不清楚了. Day -\(\infty\) 本来说只有我.llsw.wxk过了审核,后来wy.lyc也搞了个体验营名额,于是和高二的一起集训. Da ...

  8. CF739E Gosha is hunting(费用流/凸优化dp)

    纪念合格考爆炸. 其实这个题之前就写过博客了,qwq但是不小心弄丢了,所以今天来补一下. 首先,一看到球的个数的限制,不难相当用网络流的流量来限制每个球使用的数量. 由于涉及到最大化期望,所以要使用最 ...

  9. Oracle-绑定执行计划

    一.绑定执行计划 Oracle存在某个SQL多个执行计划的情况,那么如何快速将Oracle 好的执行计划,绑定到不好的SQL上呢? 由于版本的演进,绑定执行计划在10g 一般使用sql profile ...

  10. kafka应用讲解及应用场景(三)

    一. 验证 1.进入bin目录 cd bin 2.ls查看脚本 会发现下面有很多脚本文件,由于我是要创建一个topic所有直接打开kafka-topics.sh脚本查看命令 打开脚本后发现里面有很多命 ...