这学期学了Applied Time Series，刚开始学也很头疼，加上老师不知道哪里的英文口音，听得云里雾里，好在课下做了点努力，算是明白了点皮毛。在本科的时候，关于时间序列只学了贾俊平《统计学基础》里时间序列章节的内容，讲得比较浅显，帮助不大。自己也网上买了基本国内的教材，自我感觉一般，不太值得看，后来在谷歌找了国外大学的讲义和电子书，算是讲得比较透彻且通俗易懂，真心建议多读国外教材。白噪声序
转载
2024-04-10 10:53:01
77阅读
sasssass的安装：sass依赖于ruby环境，所以装sass之前先确认装了ruby。安装完ruby之后，在开始菜单中，找到刚才我们安装的ruby，打开Start Command Prompt with Ruby，直接在命令行输入gem install sass,按回车键确认等待安装完成在安装的时候，请勾选Add Ruby executables to your PATH这个选项，添加环境变量
转载
2024-09-16 14:18:03
16阅读
本章主要内容为图像退化模型与噪声模型、图像的空域复原和频域复原方法、退化函数的估计方法、逆滤波、维纳滤波、约束最小二乘滤波。 本章要求重点掌握的内容为四种典型的图像噪声的表现特点；图像退化的数学模型；三种典型的退化函数；退化函数的估计方法。 &nbs
立法白噪声什么是时间序列时间序列的分析流程和方法 借鉴这两篇文章的思路，我写了个立法白噪声检验的直接使用的程序，用于遇到问题时直接跑程序代码main文件即可% 立法数白噪声检验，渡边笔记
% 如果易知原始数据不是平稳的，则不能做随机性检验
% 接下来要求差分,目的: 变成平稳的数据
% p 如果比 0.05 小就不是白噪声序列，可以使用时间序列
% 某种现象的指标数值按照时间顺序排列而成的数值序列
转载
2023-12-27 11:31:37
1009阅读
回归模型的残差不应当含有任何可以预测的成分。对于普通回归模型，我们通常需要检验残差的正态性（见推文：残差分析和异常点检验）；对于时间序列模型，我们通常需要检查残差是否为白噪音（见推文：ARMA模型的拟合）；而对于空间计量模型来说，我们也应检查残差是否具有空间自相关性。本篇目录如下：1 引例2 理论基础3 SpatialFiltering函数4 与空间误差模型的比较1 引例加载示例数据：librar
转载
2024-07-31 18:24:48
168阅读
目录1.模型的显著性检验R语言实现例题2.参数显著性检验 例题小结1.模型的显著性检验检验模型的有效性（对信息的提取是否充分)判定原则： 一个好的拟合模型应该能够提取几乎所有的样本相关信息，即残差序列应该为白噪声序列。反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效原假设:残差序
转载
2023-12-26 20:21:30
722阅读
本文是Quantitative Methods and Analysis: Pairs Trading此书的读书笔记。随机游走过程是一种特殊的ARMA序列。从分子运动到股价波动等现象都被建模为随机游走。随机游走过程是AR(1)序列，而且,时间序列在时刻的值为： 随机游走过程本质上是到当前时间为止所有白噪声实现(white noise realization)的简单求和。或者说，前一刻的时
转载
2024-08-18 13:06:47
78阅读
知乎同名账号同步发布。如有错误，欢迎指正。 目录问题来源一、基础知识和生成AWGN步骤二、从MATLAB生成含AWGN的noisy image入手分析二.0、先放结论三、小结 问题来源读这两篇文章的时候，发现文中AWGN（加性高斯白噪声）的方差用σ²表示，noise level用σ表示，符号使用似乎出现了冲突；又发现作者默认已知噪声模型，生成的含噪声图像的ground-truth的noise le
噪声水平估计对于非盲去噪方法是至关重要的，噪声水平估计质量直接影响去噪的质量。一般认为图像的噪声都是零均值噪声，所谓的噪声水平估计就是通过单张噪声图像估计高斯噪声的方差（或标准差）噪声的分类高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号
转载
2024-07-24 22:59:19
97阅读
基带信号的检测是通信系统中至关重要的一环，知道如何选取判决门限以及通信系统的误码率计算可以更好地辅助我们对通信系统进行设计和优化。下面我们从理论的角度一起推导一下：首先，我们在本文中的推导是基于二进制的通信系统。我们假设这个系统会发送两种符号（0和1），发送0的概率是 ；发送1的概率是 。即： （从上面的表达式我们可以知道现在我们用的是单极性不归零编码）我们回顾一下基带信号成型的公式：所以我们可
如何用matlab 产生 均值为0，方差为5的高斯噪声2011-07-15 19:36 y=randn(1,2500); y=y/std(y); y=y-mean(y); a=0; b=5; y=a+b*y; 就得到了 N ( 0, 5 ) 的高斯分布序列。R = normrnd(MU,SIGMA,m,n)其中MU为均值，SIGMA为标准方差，m、n为矩阵大小；提问：（randn与no
转载
2024-01-15 23:57:49
83阅读
白噪声一、白噪声定义及性质在时间序列中，最简单的平稳过程(纯随机过程)就是白噪声过程(White Noise)，具体如下： {} 是白噪声过程，如果满足： 也就是均值为0，方差为 ，协方差为0 (无自相关性) 的序列，简单记为 从白噪声序列的协方差为0可以得到，其ACF除在0处之外均为0，即 只有当序列为白噪声序列才有上述的关系，容易出错的是，很多人往往计算时会下意识默认序列为平稳序列，于是
转载
2024-06-05 12:50:30
257阅读
系统的状态方程为：这个状态方程是根据上一时刻的状态和控制变量来推测此刻的状态，wk-1是服从高斯分布的噪声，是预测过程的噪声，它对应了 xk 中每个分量的噪声，是期望为 0，协方差为 Q 的高斯白噪声wk-1~N(0,Q),Q即下文的过程激励噪声Q.观测方程为：vk是观测的噪声，服从高斯分布，vk~N(0,R),R即下文的测量噪声R。卡尔曼滤波算法有两个基本假设: ( 1) 信息过程的足够精确的模
转载
2023-12-29 23:25:11
87阅读
一、导入数据num<-read.csv("D:\\nhtemp.csv",header = T)
num二、画出时序图number<-ts(num[,2],start = 1912)
number
plot(number)三、平稳性检验和白噪声检验ADF检验library(aTSA)
adf.test(number, nlag = 2)从ADF检验结果上看，在95%的显著性水平下，P&
转载
2023-12-06 19:29:04
624阅读
[时间序列分析][1]--平稳性,白噪声的检验 这是一个全新的专题，讲关于时间序列分析的。还是老规矩，我使用mathematica来实现。 我个人认为时间序列分析是一门挺重要的科目，如果做建模什么的一定是知道的，或者处理数据的时候，很多数据都是和时间有关的，所以时间序列还是很值得学习的。 这次我申请了一个专栏，我会把文章放在专栏里。截
转载
2023-07-29 19:18:00
250阅读
1、模型识别 （1） 数据录入 打开 Eviews 软件，选择“File”菜单中的“New–Workfile”选项，在“Workfile structure type” 栏选择Dated-regular frequency，在Date specification栏中选择Monthly，start date填2017:1、end date填2019:12，点击 ok，如下图，这样就建立了一个工作文件
转载
2023-12-10 09:12:32
3939阅读
白噪音定义1：如果时间序列满足如下条件，则称该时间序列为白噪音序列
。即当时，和不相关定义2：如果时间序列满足如下性质，则称该序列为纯随机序列，也称为白噪音序列
性质
纯随机性，无记忆：方差齐性：序列中每个变量的方差都相等，即。如果序列不满足方差齐性，则称序列具有异方差性质。
根据马尔科夫定理，满足方差齐性时，用最小二乘得到的未知参数估计值是准确的、有效的。若不满足，最
转载
2023-08-09 00:58:40
581阅读
随机信号处理笔记：白噪声——南京理工大学顾红老师的《随机信号处理》浅析 文章目录随机信号处理笔记：白噪声1.关于白噪声1.1白噪声的概念1.2白噪声的统计学定义1.3白噪声的自相关函数2.白噪声通过LTI系统2.1限带白噪声2.1.1低通白噪声2.1.2带通白噪声3.等效噪声带宽3.1等效原则3.2等效公式 引言在几乎所有的电子通信中，都不可避免地会有噪声干扰正常的通信质量。因此对噪声统计特性的研
转载
2024-01-15 06:54:19
243阅读
一、预处理 纯随机性和平稳性进行检验，这个连个重要的检验称为序列的预处理。根据检验结果可以将序列分为不同的类型，对不同类型的序列会采取不同的分析方法。纯随机序列，又称为白噪声序列。 序列的各项之间没有任何相关关系，序列在进行完全无序的随机波动，可以终止对该序列的分析。白噪声序列是没有信息可以提取的平稳序列。平稳非白噪声序列，它的均值和方差是常数，通常是建立一个线性模型来拟合该序列的发展，
转载
2023-11-08 21:43:54
232阅读
1、kalman滤波器：最优化自回归数据处理算法。自回归模型：根据前一次的表现，来预测接下来的情况，他们存在一种线性关系。2、Kalman滤波器的三个重要假设：a.被建模的系统是线性关系。b.影响测量的噪声属于白噪声（噪声与时间无关）。c.噪声的本质是高斯分布（即正态分布）。a假设的意思是k时刻的系统状态（state）可以用某个矩阵（转换矩阵F）与k-1时刻的系统状态的乘积表示。b.c假设说明噪声
转载
2023-12-26 15:24:25
96阅读
