ARMA分析法(6页).doc

-ARMA分析法-第 6 页Ch1 随机序列的基本概念1.1随机序列：随机变量在集合T下的全体。1.2 随机序列的表征参数：均值函数：自协方差函数：r(t,s)=E(X(t)-EX（t）)( X(s)-EX（s）)自相关函数：rho(t,s)=r(t,s)/sqrt(r(t,t)r(s,s)1.3 平稳随机序列：严平稳：X(t1),X(t2),X(tm)与X（t1+r）,X(t2+r)X(tm+r)具有相同的联合分布宽平稳随机序列：con1:EX(t)=uCon2:r(t,s)仅为t-s的函数1.4 常见的参数估计方法：极大似然估计：要求实现方法要求精度应用极大似然估计被估量的概率分布类型已知高利用样本估计模型的未知参数最小方差估计被估量的一阶二阶矩较低依一随机向量的样本估计另一随机向量最小二乘法无低利用样本估计模型的未知参数ARMA序列特点AR(P)MA(Q)ARMA(P,Q)Epsi(B)=aW=sita(B)Epsi(B)W=sita(B)A平稳条件（化为白噪序列）Epsi(w)=0根模1本身即是Epsi(w)=0根模1可逆条件（白噪表示成历史信号）本身即是Sita(w)=0根模1Sita(w)=0根模1传递形式W=inv(epsi(B)a本身即是W=inv(epsi(B)*sita(B)a逆转形式本身即是a=inv(sita(a)wa=inv(sita(B)*epsi(B)w格林函数Inv(epsi(B)：拖尾Sita(B):截尾Inv(epsi(B)*sita(B):拖尾逆函数Epsi（B）：截尾Inv(sita(B)：拖尾Epsi(B)*inv(sita(B)：拖尾自相关拖尾截尾拖偏相关截尾拖尾拖ARMA模型时间序列分析法 ARMA模型时间序列分析法简称为时序分析法，是一种利用参数模型对有序随机振动响应数据进行处理，从而进行模态参数识别的方法。参数模型包括AR自回归模型、MA滑动平均模型和ARMA自回归滑动平均模型。1969年Akaike H首次利用自回归滑动平均ARMA模型进行了白噪声激励下的模态参数识别。 N个自由度的线性系统激励与响应之间的关系可用高阶微分方程来描述，在离散时间域内，该微分方程变成由一系列不同时刻的时间序列表示的差分方程，即ARMA时序模型方程： (1) 式(1)表示响应数据序列与历史值的关系，其中等式的左边称为自回归差分多项式，即AR模型，右边称为滑动平均差分多项式，即MA模型。2N为自回归模型和滑动均值模型的阶次，、分别表示待识别的自回归系数和滑动均值系数，表示白噪声激励。当k0时，设。 由于ARMA过程具有唯一的平稳解为 (2)式中：为脉冲响应函数。 的相关函数为 (3) 是白噪声，故 (4)式中：为白噪声方差。 将此结果代人式(3)，即可得 (5) 因为线性系统的脉冲响应函数，是脉冲信号，激励该系统时的输出响应，故由ARMA过程定义的表达式为 (6) 利用式(5)和式(6)，可以得出： (7) 对于一个ARMA过程，当是大于其阶次2N时，参数0。故当l>2N时，式(7)恒等于零，于是有 (8)或写成 (9) 设相关函数的长度为L，并令M2N。对应不同的l值，由代人以上公式可得一组方程： (10)将式(10)方程组写成矩阵形式，则有 (11)或缩写为 (12) 式(12)为推广的Yule-walker方程。一般情况下，由于L比2N大得多，采用伪逆法可求得方程组的最小二乘解，即 (13)由此求得自回归系数。滑动平均模型系数可通过以下非线性方程组来求解： (14)其中 (15)式中：为响应序列的自协方差函数。 滑动平均模型MA系数的估算方法很多，主要的有基于Newton-Raphson算法的迭代最优化方法和基于最小二乘原理的次最优化方法。 当求得自回归系数和滑动均值系数后，可以通过ARMA模型传递函数的表达式计算系统的模态参数，ARMA模型的传递函数为 (16)用高次代数方程求解方法计算分母多项式方程的根： (17)或表示成以下形式的方程： (18)求解得到的根为传递函数的极点，它们与系统的模态频率，和阻尼比的关系为 (19)并且由式(19)可求得模态频率，和阻尼比，即 (20)为计算模态振型，需要先求出留数。设q点处激励p点响应的传递函数的第是阶留数为，可用下式计算留数： (21) 振型向量可以通过对一系列响应测点求出的留数处理得到。对于一个有n个响应测点的结构，首先需要从n个对应同一阶模态的留数中找出绝对值最大的测点，假设该点是测点m，对应第k阶模态的归一化复振型向量可由下式求出： (22)