定義
ARMA模型(auto regressive moving average model)自回歸滑動平均模型,模型參量法高解析度譜分析方法之一。這種方法是研究平穩隨機過程有理譜的典型方法,適用於很大一類實際問題。它比AR模型法與MA模型法有較精確的譜估計及較優良的譜解析度性能,但其參數估算比較繁瑣。
ARMA模型參數估計的方法很多:
如果模型的輸入序列{u(n)}與輸出序列{a(n)}均能被測量時,則可以用最小二乘法估計其模型參數,這種估計是線性估計,模型參數能以足夠的精度估計出來;
許多譜估計中,僅能得到模型的輸出序列{x(n)},這時,參數估計是非線性的,難以求得ARMA模型參數的準確估值。從理論上推出了一些ARMA模型參數的最佳估計方法,但它們存在計算量大和不能保證收斂的缺點。因此工程上提出次最佳方法,即分別估計AR和MA參數,而不像最佳參數估計中那樣同時估計AR和MA參數,從而使計算量大大減少。
基本原理
將預測指標隨時間推移而形成的數據序列看作是一個隨機序列,這組隨機變數所具有的依存關係體現著原始數據在時間上的延續性。一方面,影響因素的影響,另一方面,又有自身變動規律,假定影響因素為x1,x2,…,xk,由回歸分析,

其中Y是預測對象的觀測值,Z為誤差。作為預測對象Yt受到自身變化的影響,其規律可由下式體現,

誤差項在不同時期具有依存關係,由下式表示,

由此,獲得ARMA模型表達式:

基本形式
ARMA模型分為以下三種:
自回歸模型(AR:Auto-regressive)

如果時間序列
滿足


其中
是獨立同分布的隨機變數序列,且滿足:


以及 E(
) = 0

則稱時間序列
為服從p階的自回歸模型。
自回歸模型的平穩條件:
滯後運算元多項式

的根均在單位圓外,即φ(B) = 0的根大於1。
移動平均模型(MA:Moving-Average)

如果時間序列
滿足


,則稱時間序列
為服從q階移動平均模型;
移動平均模型平穩條件:任何條件下都平穩。
自回歸滑動平均模型(ARMA)

如果時間序列
滿足:


則稱時間序列
為服從(p,q)階自回歸滑動平均混合模型。或者記為φ(B)
= θ(B)
AR模型
AR 模型(auto regressive model)自回歸模型,模型參量法高解析度譜分析方法之一,也是現代譜估計中常用的模型。
用AR模型法求信具體作法是:
①選擇AR模型,在輸入是衝激函式或白噪聲的情況下,使其輸出等於所研究的信號,至少,應是對該信號的一個好的近似。
②利用已知的自相關函式或數據求模型的參
數。
③利用求出的模型參數估計該信號的功率譜。
MA模型
MA模型(moving average model)滑動平均模型,模型參量法譜分析方法之一,也是現代譜估中常用的模型。
用MA模型法求信號譜估計的具體作法是:①選擇MA模型,在輸入是衝激函式或白噪聲情況下,使其輸出等於所研究的信號,至少應是對該信號一個好的近似。②利用已知的自相關函式或數據求MA模型的參數。③利用求出的模型參數估計該信號的功率譜。
在ARMA參數譜估計中,大多數估計ARMA參數的兩步方法都首先估計AR參數,然後在這些AR參數基礎上,再估計MA參數,然後可求出ARMA參數的譜估計。所以MA模型參數估計常作為ARMA參數譜估計的過程來計算。
套用
可以用於處理分離正弦信號頻率,多套用於機械零件比如齒輪、軸承故障診斷和分析。