| 标题 | ARIMA—PSM时序自适应动态脉冲阶梯调制 |
| 范文 | 梁雯 摘 要 PSM广播发射机技术已成熟并被广泛应用，通过数字处理技术调制音频信号。随着技术革新，许多其它技术也可以尝试应用在PSM广播发射机中，本文通过对ARIMA模型的介绍、分析、测试，进而研究ARIMA模型在广播发射机数据分析中应用的可行性及有效性。 关键词 ARIMA模型、PSM、分析与预测、效率与质量。 中图分类号G2 文献标识码 A 文章编号 1674-6708（2015）136-0057-01 0 引言 脉冲阶梯调制（PSM）采用放大音频信号的方法，将音频模拟信号转换成数字信号，凭借数字处理技术，使调幅器输出迭加成一种能反映音频信号变化规律的脉冲波形，然而实际应用中，音频数据存在明显的时序特征，本文利用ARIMA时序方法，对音频数据进行时序分析，预测音频趋势，提升转换效率与质量。 1 相关研究 自回归积分移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）最早由Box和Jenkins提出[1-6]。ARIMA模型的参数有三种，分别是p、d和q，其中p表示自回归，q表示移动平均，d为时间序列差分次数。ARIMA模型根据时间序列的不同，分为移动平均（Moving Average，MA）、自回归（Autoregressive，AR）和自回归移动平均（AutoregressiveMoving Average，ARMA）[7]。 1.1 ARIMA模型简介 ARIMA模型将时间序列视为随机序列，利用数学模型描述序列，通过计算回归方程，预测未来一定时间段的值。 1.2 ARIMA模型预测的基本程序 1）时间序列数据整形，判定是否属于平稳型序列。 2）将非平稳序列平稳化。 3）建立时间序列预测模型。 4）进行参数估计，检验模型的有效性。 5）对模型进行假设检验。 6）利用预测模型进行分析。 2 ARIMA-PSM模型 ARIMA-PSM模型，首先对音频数据进行识别，将非平稳序列转化为平稳序列，再根据时间序列预测模型进行识别、参数估计、假设检验，最后利用检验模型进行预测，为PSM提供可预测的脉冲阶梯调制方案，详细流程如图1所示。 图1 ARIMA-PSM模型 3 ARIMA-PSM模型测试 ARIMA-PSM模型测试，采用实际工作中采集的音频数据进行学习，分别测试不同音频数据曲线拟合的准确度，如表1所示。 表1 预测模型评价效果 音频数据 预测模型评价指标 MSE MAE MAPE RMSE UDDF 音频1 0.0398 0.1181 0.0088 0.1995 0.9879 音频2 0.0405 0.1235 0.0123 0.2013 0.9979 音频3 0.0054 0.0511 0.0108 0.0732 0.9875 音频3 0.0067 0.0592 0.0111 0.0821 0.9901 平均值 0.0231 0.0879 0.0107 0.1390 0.9908 表1给出了音频测试数据的样本评价指数。MAPE计算实际值与预测值的波动性，以监测模型在预测未知数据的有效性。实验表明MAPE普遍小于0.01，该数据表明预测效果符合实际情况。UDDF显示，模型的平均预测准确度达99%以上。实验表明，模型能够满足实际需求，具备在海量数据下对音频数据的实时分析处理。 4 结论 综上所述，ARIMA-PSM模型具备良好的可预测性，可在一定程度提升PSM转化效率与质量，未来将重点研究如何提升预测准确度。 参考文献 [1]Zhang G P.Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing，2003，50：159-175. [2] Hillmer S C， Tiao G C. An ARIMA-model-based approach to seasonal adjustment[J]. Journal of the American Statistical Association，1982，77（377）：63-70. [3] Tseng F M， Tzeng G H， Yu H C， et al. Fuzzy ARIMA model for forecasting the foreign exchange market[J]. Fuzzy sets and systems， 2001， 118（1）： 9-19. [4] Shukur O B， Lee M H. Daily wind speed forecasting through hybrid KF-ANN model based on ARIMA[J]. Renewable Energy， 2015， 76： 637-647. [5] Tran Q T， Ma Z， Li H， et al. A Multiplicative Seasonal ARIMA/GARCH Model in EVN Traffic Prediction[J]. International Journal of Communications， Network and System Sciences， 2015， 8（4）： 43. [6] Yuan L. Stock Index Forecasting Based on Hybrid ARIMA and LSSVM Methodology[C]//2015 International Conference on Education， Management， Information and Medicine. Atlantis Press， 2015. [7] He C， Xing J C， Zhang X. A New Method for Modal Parameter Identification Based on Natural Excitation Technique and ARMA Model in Ambient Excitation[C]//Advanced Materials Research. 2015， 1065： 1016-1019. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。