本 Matlab 教程逐步演示了奇异谱分析 (SSA) 的多通道版本，这是一种用于多元时间序列的非参数谱估计方法。 该指南解释了 SSA 分析的以下步骤- 创建轨迹矩阵- 计算协方差矩阵- 协方差矩阵的特征分解- 结果特征值，特征向量- 计算主成分-时间序列的重建。 本教程还解释了 Plaut 和 Vautard (1994) 的 Toeplitz 方法与 Broomhead 和 King (1986) 的轨迹方法之间的区别。 请注意，只有后一种方法才能确保具有非负特征值的半正定协方差矩阵。 有关 SSA 的评论，请参阅 Ghil 等人。 (2002) 和 Groth 和 Ghil (2015)。 参考Broomhead、DS 和 GP King，1986：关于实验动力系统的定性分析，非线性现象和混沌，Sarkar，S.（编辑），Adam Hilger，113-144。
Ghil, M
2021-07-06 20:53:15
140KB
1
针对空间侦察中单通道宽带接收机截获到多个独立辐射源信号时的盲源分离问题,提出了一种新的单通道盲信号分离算法。该算法首先利用奇异谱分析(SSA)构建伪阵列信号,进而采用盲源分离算法(BSS)实现信号分离。仿真试验表明:该算法可以有效地分离空间侦察中的几种常用信号,对单频信号和线性调频信号构成的单通道信号,在信噪比大于6dB时,分离前后信号的相似系数大于0.9;对不同的相移键控信号构成的单通道信号,在信噪比大于4dB时,误码率小于0.01。
2021-04-12 16:39:14
436KB
1
奇异谱分析是一种能够将时间序列分解分解为多种子成分的方法，广泛应用于时间序列分析的问题中。本资源包含Python语言编写奇异谱分析实例，由浅入深的讲解了奇异谱分析的原理及算法流程，最后给出了该方法在具体问题中应用案例。
2021-03-14 22:40:46
92KB
1
奇异谱分析方法用于对时间序列的周期分析，相对于功率谱分析而言，其优越性在于(1)不像通常的谱分析需要预先给定滤波周期，而是根据资料自身确定。
(2)能够通过成分重建做延伸预报。
2019-12-21 21:54:20
6KB
1
该算法属于SSA奇异谱分析，里面详细介绍了奇异谱分析的代码流程，并附有中文注释，中文注释对SSA奇异谱分析的原理给予了一定阐述，对读懂代码大有益处。
2019-12-21 20:33:09
3KB
1