MA模型

xu7562025-11-132025-11-13

🎯 MA模型公式详解

MA（Moving Average）模型是参数化模型中的重要成员，特别适合描述具有短期相关性的信号。

📐 MA模型的基本公式

时域公式

$x(n) = w(n) + b₁·w(n-1) + b₂·w(n-2) + ... + b_q·w(n-q)$

或者写成更紧凑的形式：
$x(n) = ∑_{k=0}^{q} b_k·w(n-k)$
其中 b₀ = 1

其中：

x(n)：当前时刻的信号值（输出）
w(n)：当前时刻的白噪声输入
w(n-1), w(n-2), ..., w(n-q)：过去q个时刻的噪声值
b₁, b₂, ..., b_q：滑动平均系数（MA参数）
q：模型阶数

🔧 系统函数表示

Z域公式

对时域公式两边进行Z变换：
$X(z) = W(z) + b₁·z⁻¹W(z) + b₂·z⁻²W(z) + ... + b_q·z⁻ᵖW(z)$

提取公因式：
$X(z) = W(z)[1 + b₁·z⁻¹ + b₂·z⁻² + ... + b_q·z⁻ᵖ]$

系统函数 H(z)

$H(z) = X(z)/W(z) = 1 + b₁·z⁻¹ + b₂·z⁻² + ... + b_q·z⁻ᵖ$

简化表示：
$H(z) = B(z)$
其中：

$B(z) = 1 + b₁·z⁻¹ + b₂·z⁻² + ... + b_q·z⁻ᵖ$ （MA多项式）

🎛️ 功率谱密度公式

理论功率谱

$Pₓₓ(ω) = σ_w² · |H(e^{jω})|² = σ_w² · |1 + b₁·e^{-jω} + b₂·e^{-j2ω} + ... + b_q·e^{-jqω}|²$

或者写成：
$Pₓₓ(ω) = σ_w² · |B(e^{jω})|²$

🔬 物理意义解读

MA模型的本质

MA模型描述的是：当前输出是当前和过去若干个白噪声的加权和

系统特性：

全零点模型：系统函数只有零点，没有极点（除了原点处的极点）
有限脉冲响应：系统的冲击响应是有限长度的
短期记忆：只能"记住"最近q个输入值

频谱特性：

产生频谱凹陷：零点在单位圆附近时产生频谱凹陷
平坦区域：零点远离单位圆时频谱相对平坦
无共振峰：因为没有极点，所以不会产生尖锐的频谱峰值

📊 自相关函数特性

MA(q)过程的自相关函数

$rₓₓ(m) = σ_w² · ∑_{k=0}^{q-|m|} b_k·b_{k+|m|} , 对于 |m| ≤ q rₓₓ(m) = 0 , 对于 |m| > q$

重要性质：

MA(q)过程的自相关函数在滞后m>q时严格为零
这是MA过程的一个重要特征

🎯 MA模型参数的意义

参数	影响系统	物理意义	频谱表现
bⱼ	零点位置	噪声的加权系数	凹陷位置和深度
q	MA阶数	噪声影响的记忆长度	凹陷数量和复杂度
σ_w²	噪声功率	输入激励强度	整体功率水平

🔍 零点与频谱的关系

零点位置 → 频谱凹陷

零点靠近单位圆 → 深的频谱凹陷
零点远离单位圆 → 浅的频谱凹陷
零点在正实轴 → 低频凹陷
零点在负实轴 → 高频凹陷
复数共轭零点 → 对称凹陷

举例说明：

# MA(2)模型示例：
# 零点在 0.8e^(±jπ/3) 位置
b1 = -2*0.8*np.cos(np.pi/3)  # ≈ -0.8
b2 = 0.8²                    # = 0.64
# 系统函数：H(z) = 1 - 0.8z⁻¹ + 0.64z⁻²

这会在频率 π/3 处产生一个凹陷。

💡 MA模型的特点总结

优点：

总是稳定的：因为没有极点（除了原点）
参数估计相对简单：可以通过自相关函数直接估计
适合短期相关性：能很好描述脉冲性、突发性信号
频谱凹陷建模：能精确描述频谱中的"空洞"

缺点：

需要较多参数：相比AR模型，需要更多参数来描述相同复杂度的频谱
难以捕捉长期相关性：记忆长度有限
参数解释性差：MA系数没有AR系数那样的直观物理意义

典型应用：

金融时间序列：股票收益率的建模
信号去噪：滑动平均滤波
通信系统：信道建模
地震信号处理：反射序列建模

🎯 关键要点

MA模型是全零点模型，系统函数 = B(z)
自相关函数截尾：rₓₓ(m) = 0 for |m| > q
频谱只有凹陷，没有峰值
总是稳定的，但需要满足可逆性条件（零点在单位圆内）
适合建模具有短期相关性的信号

MA模型通过零点在频域产生凹陷，是描述频谱"空洞"和短期相关性的有力工具！