AR模型

xu7562025-11-132025-11-13

太好了！明白了代码，现在我来详细讲解AR模型的原理和公式。我会用直观的方式解释。

🎯 AR模型核心思想

基本概念

AR模型（自回归模型）的核心思想很简单：

当前的信号值 = 过去几个信号值的加权和 + 随机噪声

就像：

经济预测：今天的股价受昨天、前天的股价影响
天气预报：今天的温度受前几天温度的影响
语音信号：当前的声音与之前的声音相关

📐 AR模型的数学公式

AR(p)模型的一般形式：

$x(n) = a₁·x(n-1) + a₂·x(n-2) + ... + aₚ·x(n-p) + w(n)$

其中：

x(n)：当前时刻的信号值
x(n-1), x(n-2), ..., x(n-p)：过去p个时刻的信号值
a₁, a₂, ..., aₚ：自回归系数（权重）
w(n)：白噪声（随机扰动）
p：模型阶数

🔧 系统函数与极点

从时域到z域

把AR模型公式两边进行z变换：

$x(n) = a₁·x(n-1) + a₂·x(n-2) + ... + aₚ·x(n-p) + w(n)$

变成：
$X(z) = a₁·z⁻¹X(z) + a₂·z⁻²X(z) + ... + aₚ·z⁻ᵖX(z) + W(z)$

整理得：
$X(z) - a₁·z⁻¹X(z) - a₂·z⁻²X(z) - ... - aₚ·z⁻ᵖX(z) = W(z)$

提取公因式：
$X(z)[1 - a₁·z⁻¹ - a₂·z⁻² - ... - aₚ·z⁻ᵖ] = W(z)$

系统函数 H(z)

$H(z) = X(z)/W(z) = 1 / [1 - a₁·z⁻¹ - a₂·z⁻² - ... - aₚ·z⁻ᵖ]$

这就是代码中的：
ar_coeffs = [1, -a1, -a2] # 对应分母多项式：1 - a₁·z⁻¹ - a₂·z⁻² w, h = signal.freqz([1], ar_coeffs) # 计算 H(z) = 1 / (1 - a₁·z⁻¹ - a₂·z⁻²)

🎛️ 极点与频谱的关系

什么是极点？

极点就是让分母为零的z值：
$1 - a₁·z⁻¹ - a₂·z⁻² - ... - aₚ·z⁻ᵖ = 0$

对于AR(2)模型：
$1 - a₁·z⁻¹ - a₂·z⁻² = 0$

乘以z²：
$z² - a₁·z - a₂ = 0$

解这个二次方程就得到两个极点。

极点位置决定频谱形状

极点位置	频谱特征	物理意义
靠近单位圆	尖锐的峰值	强共振频率
在实轴上	低频或高频峰值	单调振荡
复数共轭	共振峰	阻尼振荡
单位圆内	稳定系统	信号不会爆炸
单位圆外	不稳定系统	信号会发散

📊 实际例子分析

例1：AR(2)模型，a₁=1.4, a₂=-0.9

系统方程：x(n) = 1.4·x(n-1) - 0.9·x(n-2) + w(n)
系统函数：H(z) = 1 / (1 - 1.4·z⁻¹ + 0.9·z⁻²)

极点计算：

z² - 1.4z + 0.9 = 0
极点：z = 0.7 ± j0.71
幅度：|z| = √(0.7² + 0.71²) ≈ 0.997

频谱特征：

极点非常靠近单位圆（|z|≈0.997）
频谱会出现很尖锐的峰值
像吹瓶子产生的纯音

例2：AR(2)模型，a₁=0.9, a₂=0

系统方程：x(n) = 0.9·x(n-1) + w(n)
系统函数：H(z) = 1 / (1 - 0.9·z⁻¹)

极点计算：

z - 0.9 = 0
极点：z = 0.9

频谱特征：

极点在正实轴上
频谱在低频处有峰值
信号有很强的"记忆性"

🎯 关键要点总结

AR模型：用过去的信号值预测当前值
系统函数：H(z) = 1 / A(z)，是全极点模型
极点：决定系统的共振频率
稳定性：所有极点必须在单位圆内
频谱峰值：极点靠近单位圆 → 尖锐的频谱峰

物理意义：

极点位置 = 系统的"固有振动模式"
极点靠近单位圆 = 该频率成分很强
白噪声输入 = 激发所有可能的振动模式
AR系数 = 控制各个振动模式的强度

这样理解，AR模型就不再是枯燥的公式，而是一个描述信号"记忆"和"惯性"的生动工具！