Question

我正在尝试使用MATLAB的pmcov()函数来计算700 ms长的离散时间信号的功率谱密度估计值（PSD），采样频率为1000 Hz。此函数需要用于生成PSD估计的自回归模型的模型顺序。

如何估算此模型顺序以预测拟合的正确性？我知道有一些标准，例如AIC，BIC，GIC可用于估算模型顺序，但无法找到如何在matlab中使用它们。有人可以帮忙吗？我的输入时间信号是[700 129]矩阵。

非常感谢！

Answer 1

如果您的信号可靠地平滑，您可能只需查看每个试验的自相关函数，并选择将订单设置为ACF开始衰减时的滞后。

autocorr(Y);

如果你想获得更多的定量拟合（这可能比眼球和129个信号更容易）。您可以安装AR模型

您要做的第一件事就是选择您要评估的订单范围（我会查看ACF的几个信号并选择ACF中相对没有信号的订单）。

bounds = 1:12; % Order bounds

现在，您将遍历每个订单的可能性并计算AIC，BIC。较低的值==更适合。

for p = bounds
   myModel = arima(p,0,0);      % no moving average (I'm not sure about no MA...)
   for sig_ind = 1:size(sig_mat,2)
        % Get the log likelihoods
        [~,~,LL(p,sig_ind)]= estimate(myModel,sig_mat(:,sig_ind));
    end
end
for sig_ind = 1:size(sig_mat,2)
    [aic(sig_ind,:),bic(sig_ind,:)] = aicbic(LL(:,sig_ind),bounds,size(sig_mat,1));
end

所以现在你想要选择最低的BIC分数。在这种情况下，如果你愿意，我会使用信号的平均值真的小心我会看看分布并选择一个低点中位数，分布紧张。您也可以使用AIC进行评估。

[~,order_ind] = min(mean(bic,1));
order = bound(order_ind);

估计自回归（AR）模型的模型顺序

1 个答案: