%-----AR(3)-------- clear; clc; close all; N=1000; %步長 rand('seed',10); %改變種子改變數據 a=-[ -1.2000 0.2900 -0.0180]; %poly([0.1 0.2 0.9]) e=0.6*randn(1,N+1); %白噪聲序列 y(1)=e(1); %初值y(1),y(2),y(3) y(2)=a(1)*y(1)+e(2); y(3)=a(1)*y(2)+a(2)*y(1)+e(3);for t=4:N+1y(t)=a(1)*y(t-1)+a(2)*y(t-2)+a(3)*y(t-3)+e(t);%AR(3)的RLS算法實現 endn=3; lamda=1;%遺忘因子 sita(:,3)=zeros(n,1);%初值,均為0 P(:,:,3)=10^5*eye(n);%P的初值,選取足夠大的單位陣for t=3:Nfai(:,t+1)=[y(t) y(t-1) y(t-2)]';%最小二乘格式的fai(t)的表達式%參數估值sita(:,t+1)=sita(:,t)+P(:,:,t)*fai(:,t+1)/(lamda+fai(:,t+1)'*P(:,:,t)*fai(:,t+1))*...[y(t+1)-fai(:,t+1)'*sita(:,t)];P(:,:,t+1)=1/lamda*(P(:,:,t)-P(:,:,t)*fai(:,t+1)/(lamda+fai(:,t+1)'*P(:,:,t)*fai(:,t+1))*...fai(:,t+1)'*P(:,:,t)); endee(1)=y(1); taoe(1)=ee(1)^2;%y(0)的初值為0 for t=2:N%對噪聲方差的估計ee(t)=y(t)-fai(:,t)'*sita(:,t-1);taoe(t)=taoe(t-1)+1/t*[ee(t)^2-taoe(t-1)]; endt=1:N; subplot(2,2,1); plot(t,sita(1,t),'r'); line([0,N],[a(1),a(1)]) subplot(2,2,2); plot(t,sita(2,t),'r'); line([0,N],[a(2),a(2)]) subplot(2,2,3); plot(t,sita(3,t),'r'); line([0,N],[a(3),a(3)]) subplot(2,2,4); plot(t,taoe,'r'); line([0,N],[0.36,0.36])

其中,e代表,為白噪聲序列

lamda代表,為遺忘因子

sita代表,估值參數之一

fai代表,為估值參數之一

ee代表

taoe代表

總結

以上是生活随笔為你收集整理的AR(3)模型递推最小二参数估计的MATLAB实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。