高斯噪声下差分跳频信号的高分辨率频率检测

差分跳频(DFH)是一种新的高速短波通信体制,它利用相邻跳变频率的变化而不是载频本身来携带信息。跳变频率检测是实现DFH的关键技术之一。本文利用四阶累积量研究了(色)高斯噪声下基于ARMA建模法的DFH信号频率检测,并针对由于模型阶数估计过高而产生的虚检频率,提出一种充分利用信号先验信息的改进算法。仿真结果证明了该方法的有效性,尤其是在低信噪比时仍然能够实现精确检测。     

ARMA模型在我国劳动参与率预测中的应用

劳动参与率是全部就业人口与失业人口占一个国家或地区所有工作年龄人口的比例.体现了当地劳动力参与社会经济活动的程度,并反映了区域经济的发展与活跃程度.ARMA模型"基于让数据自己说话"原理着重于经济时间序列本身的概率或随机性质,对时间序列数据的短期预测非常成功.本文采用ARMA模型预测了我国劳动参与率,并分析了劳动参与率下降的原因,最后提出相关建议.     

股票收益率预测模型的比较

本文的目的是对ARMA和人工神经网络模型预测股市的能力做比较,在介绍了文中用到的ARMA和人工神经网络模型的理论知识,建模过程,结果检验和预测的方法的基础上,将收益率数据和五个常见的技术指标和我国银行间债券市场7天回购加权平均利率作为神经网络的输入变量,并对模型的预测效果根据它们预测样本,预测范围等进行了对比,结果发现神经网络在输入变量较多时优于ARMA模型。     

基于自回归的高斯混合模型

聚类问题是当今统计学习界的热点研究问题,针对一般情形的聚类分析已经有具有了kmeans、高斯混合模型等,由于目前各种数据的细化,人们提出的聚类算法更多的倾向于研究某种特定的数据.在本文中,笔者提出了基于自回归的高斯混合模型,它假设模型是由符合自回归模型的高斯分布混合而成,算法利用em算法,可以精确地估计混合模型中的自回归系数以及方差系数.     

ARMA在我国GDP预测中的应用

本文用ARMA模型对我国1978—2007年GDP数据进行分析,并预测出未来三年的GDP数据。与实际GDP相对照模型预测误差较小,说明ARMA模型非常适合于短期预测。     

基于小波和ARMA模型的时间序列区间预测

提出小波去噪和ARMA模型相结合的预测方法。对上证指数原序列进行小波去噪,然后对去噪后的序列建立ARMA模型,进行95%的置信区间的动态预报。     

基于ARMA模型和灰色预测模型的短期客流量预测比较研究

分析了城市公交客流特征,提出短期客流量预测的必要性.分别用ARMA模型以及灰色预测GM(1,1)对上海市59路五角场站客流量进行了短期预测,并比较了两种模型的预测精度,提出可行性建议.     

股票波动性的拟合与预测研究——基于SETAR模型

分别使用非线性自我激励门限模型(SETAR模型)和线性ARMA模型对股票市场进行比较研究,并运用MAE和RMSE方法比较两者的预测效果,结果表明,通过门限值的控制作用,SETAR模型利用时序数据隐含的时序分段相依性这一重要信息,限制了模型误差,从而比ARMA模型更适合于描述股票波动的非线性规律。     

运用ARMA对山东省粮食产量进行模型构建和预测

首先对1949-2008年的山东粮食产量进行单位根（ADF）检验和非随机性检验,其次构建半对数模型来拟合山东粮食产量,得到的残差不是白噪声。最后对残差构建ARMA（1,3）模型,此时残差为白噪声序列,R2标明拟合优度较好。即对山东粮食产量建立了半对数模型和ARMA模型的组合模型。     

ARMA模型在河北省出口形势预测中的应用

选用2010年1月—2012年9月河北省出口额作为样本数据,运用ARMA模型进行实证分析,结果表明:2012年9月预测值与实际值比较,预测误差较小,说明建立的ARMA模型较为实用,可以应用于河北省出口形势的短期预测。     

基于HMM的说话人辨认系统及其改进

对基于隐马尔可夫模型(HMM)的说话人辨认系统进行了讨论,完成了系统设计。对系统中矢量量化这一关键性环节进行了改进,提出了一种新的基于遗传算法的码本生成方法。测试结果表明,改进后的系统具有较高的正确识别率,特别是在与文本无关的情况下。     

Aggregate Australian Takeovers: A Review of Markov Regime Switching Models

This article reviews the case of modeling merger waves in the Australian market for the period 1972–2004. Three Markov switching models are examined, the Gaussian AR(1), Poisson AR(1), and State‐Space autoregressive moving average (ARMA) (1,1), to find which gives the best fit. The State‐Space Markov switching ARMA(1,1) model is found to be the best for describing Australian takeover activity as estimation results based on it have a lower Bayesian information criterion score than the other two models. Each model's ability to predict a ‘wave’ is then tested by including its estimated probability in a macroeconomic model to explain merger activity. The State‐Space model also performs better because the inclusion of its estimated probability substantially increases the explanatory power of the regression model (measured by the regression adjusted R²). In addition, it predicted a takeover wave in 2009, which was closer to the actual incidents of takeover activity in the market at that time than the predictions of the other two models. The results are robust when the measure of takeover activity is changed from the number of takeover bids to the proportion of takeover bids relatively to the number of exchange‐listed companies. JEL classification: G34, C32.     

A Markov regime‐switching ARMA approach for hedging stock indices

This study considers the hedging effectiveness of applying the N‐state Markov regime‐switching autoregressive moving‐average (MRS‐ARMA) model to the S&P‐500 and FTSE‐100 markets. The distinguishingfeature of this study is to incorporate the observations of serially correlated stockreturns into the hedging analysis. To resolve the problem of N^T possible routes induced by the presence of MA parameters associated with the algorithm of Hamilton JD ( 1989 ) and a sample of size T, we propose an algorithm by combining the ideas of Hamilton JD ( 1989 ) and Gray SF ( 1996 ). We find that the hedging performances of the three proposed MRS‐MA(1) strategies herein are superior to their corresponding MRS counterparts considered in Alizadeh A and Nomikos N ( 2004 ) over the out‐of‐sample periods, even when we realistically track the transaction costs generated from rebalancing the hedged portfolios. © 2010 Wiley Periodicals, Inc. Jrl Fut Mark 31:165–191, 2011     

基于信息不对称条件下企业IPO筹资成本评价模型

文章采用ARMA模型对信息不对称条件下企业首次上市并融资(IPO)成本进行研究,分析了IPO直接成本和间接成本的影响因素.研究结果表明,仅仅将首日折价率作为间接成本具有较大的局限性,企业IPO成本呈现受多种因素影响的复杂性.     

外部需求冲击与中国投资波动——基于“冲击—传导”关联的实证分析

随着中国参与国际市场分工程度的加深,外部需求冲击与本国经济波动的关联已非净出口所能涵盖,投资已成为净出口之外传导外部需求冲击的重要路径。从因应外部需求冲击的角度对1997年以来中国投资波动进行结构分析,运用OLS回归与ARMA组合模型和Granger因果检验识别外部需求冲击传导的投资路径。结果表明,总投资中的出口引致性投资对于外部需求冲击的反应是敏感的,外部需求与政府预算内投资、外商直接投资以及自筹资金投资之间存在着"冲击—传导"关联。     

基于迭代列消元法的线性分组码参数盲识别

针对线性分组码参数盲识别容错性能差的问题，提出基于迭代列消元法的线性分组码参数盲识别方法。首先对截获矩阵应用迭代列消元法，将其相关列对应各个窗内的转移矩阵中的列向量作为候选校验向量，再根据截获矩阵对偶码空间归一化维数来识别码字长度和同步时刻，最后将对偶码字进行初等行变换识别校验矩阵。仿真结果证明，与以往盲识别方法相比，所提方法容错性能好，适用于各种码率的线性分组码的码字长度、同步时刻和生成多项式识别。     

基于改进TSVM的通信辐射源个体识别

为了解决通信辐射源个体中标签获取难问题，引入半监督机器学习理论，提出了一种基于预测置信度进行迭代的半监督学习算法(Improved Transductive Support Vector Machine Iterative Algorithm Based on the Confidence of Prediction，CP-TSVM)。该方法在TSVM算法的基础上，充分利用无标签样本，根据预测结果置信度进行迭代，能够大幅度减少分类器的运算量。计算机仿真表明，在有标签样本数目占总样本2%的情况下，CP-TSVM较TSVM算法在保证识别准确率的同时，模型训练时间缩短近60 s。     

一种新的MIMO-OFDM系统自适应快时变信道估计算法

为了能够获得较精确的快时变信道估计,利用模糊模型拟合快时变信道,提出了一种 新的信道估计算法。算法采用自适应技术进行导频子载波频域传输函数模型参数的识别,然 后通过插值拟合全部信道的频域传输函数。仿真结果表明,在系统多普勒频移小于0.1的情 况下,信道估计的MSE性能得到改善。     

一种一维距离像的识别算法

随着高分辨率雷达的发展,一维距离像识别已成为雷达目标识别的重要方法之一.为了消除一维距离像的平移,将一维距离像变换到频域,提取其频谱信息作为识别特征,并依据Fisher判据,将高维特征空间数据降到一维空间,提高了算法的实时性.仿真结果表明这是一种方便有效的识别方法.