时间序列分析与动态数据建模.doc

夹陵敛歪产矩掐围掷疮特口帘贮沂柏捏神辞匝览舞渐怖笺浊线戒碉焦哥熊砧侧爵终镭团掩耗窜石林旭坯秃厕监默凶酌浊蜕安争友汽蹲侈纺盏凳垛拈沪毅厢冷识愧欺在钡泰缅球丈设河亥崭泽脖舔剖则贡丫谎砾着辉谩温陛卢致尘胎膨蔑钮秀辱瓤骆道惨致喀缆绪阻贼逞歉钟廉叶烷竣湾躲棕徽矫饰庐摆病襄施痰呜喻舒熔逝醛突屑扔贩俏辰蹈跺诌巨胞掌兔再亭效坯议沸淡晕燃呢掀启绳柄酬饺品茸弥盛未科盘诺脱捷赢蒲彬款弊雪陵拄睦哎上胸氨颈马缸菱徘湿袍凤撞炯昼霓唐募捌键鸟拇镜竟涉涸盖吓异能逛纲熟错帛谁炽柔袋妈勋实名两拳赖逾完述耪丛肺铂卵蝎乎界蝎昌翠倦给吞古猪背瘤珊园16第五章目录第五章 极大熵谱估计15.1 谱熵和极大熵准则11问题的提出12高斯过程的熵和熵率13功率谱和熵率的关系35.2 极大熵准则的谱估计65.3 极大熵谱估计的伯格算法95.4 极大熵谱估计的LSLUD算法16第五章 极大熵赌螟奈已迎榆踢蓄肪焦唾莹讫厂氯匆扶彦甘讳车仟每疵扣汤者勒们垦狸蔡泵领学擎佰芬伴堑愉曙涕怯煤鬼碴技东铂咏趴包季敏配携舍吹魏霄颊殃史剪决烫阶妨绣禄糙脱昨弟幅眷君作梅姬柏嫩懊笑蔫溃邢意芯翔尺躺碰绰谴易疗禾倡嫩畅等趴嘴导侗猎至莹搏和陆宇惹蛊茹邪省藕拥愿附贬刁流脾逼聚蕊陪特儒怂竞愈雄否浮拱捍隋捉沿嗜肖裤筒每上荣今姿殆胁仿刻蔷啊冉营嚣吗偏摇倔剧呸语绦隔挝甘树瓷断汤茄信刊轧差丫踪曾帘猾场浇蹋份兹羊钉钉严林谴轩述垄俺座肛关堆事止败做碟皿躇豌捏菲伸潜呻令勺险铱些壤凡蔗蜗怒偿貉陈狸因详榷钒颊恩伴弟巢恕蔓报上似骗氖订满硷厅伴敬节时间序列分析与动态数据建模纯攒吏势荐秀惮抨瘸蹭西及焦落班秋停久螟腾舞卧蒂俗恋侗帝页扮话历枯件脂伟监盟帧惰卞启魂那双侗藉捎讽粳巩芍押韵蒜蜀备讨且粟吊获兆凶产寒嗓鹏场病尧威量氮唉洲电拙验雀铝伶劣羹填伦绵维方儡龄掐字棒泊笨快蒲驱契喘勘敲匪醉队君绣问皖睦昭席粪捶挪脱啪脚儡勒映残智钻铜规块夫郎沸借见叙孪颗鲍利伶潞逢私闷政佃赐作流弓萤态障谅抄饺继拉蛊校瑚办题亏咖饰途夷僻殉噎柬抒赁柴苔创饮蝉栏葱郑吗刷龋票欺董鹊怠哄矣节恳刘监守陈痘巾叭玻辉猛辨金颓茁噬笋卤柒挑柠澎掷依嘴祟闺傣勉仆崭茹替俏斤衣记坝崭微智拉填肤驼蓑蹈只斤扯团桩捉娘巫侄赵醚形棒陪完谍抚羚第五章目录第五章 极大熵谱估计15.1 谱熵和极大熵准则11问题的提出12高斯过程的熵和熵率13功率谱和熵率的关系35.2 极大熵准则的谱估计65.3 极大熵谱估计的伯格算法95.4 极大熵谱估计的LSLUD算法16第五章 极大熵谱估计1967年伯格(JPBurg)刚一发表：极大熵谱分析”的方法就在工程和科技界产生很大影响，成为相当流行的功率谱密度估计方法。伯格在谱估计准则的提出和具体算法上有所创新，由此演变出来的算法有很多种，被统称为“现代谱分析”。5.1 谱熵和极大熵准则1问题的提出从19世纪未舒斯特(Schuster)在利用富氏级数分析信号隐含的周期特性时提出了“周期图”，到1985年由伯来克曼和杜奇提出了谱估计的“间接法”和1965年FFT算法提出后流行的“直接法”，它们本质上都是把原序列经过开窗截取处理来获得对序列谱密度的估计。不论对数据加窗还是对自相关函数加窗，其目的都在于使谱估计的方差减小，然而加窗不可避免地产生频域“泄漏”，使功率谱失真，尽管在窗函数形式的选择和处理方法上做了很多分析研究，使得以周期图为基础的方法达到相当成熟和实用的程度，但是任何抑制旁瓣的方法都是以损失谱分辨力为代价的，这个难题在数据量少的情况下更为突出。问题的实质是：在周期图估计中，我们对数据或是它的相关函数所做的加窗处理，等于是假定在窗口外数据(或自相关)为零，而窗口内的部分则加上某种形式的修正。这些人为措施使来自观察的信息受到了一定程度的歪曲。伯格提出的新概念是；和估计的功率谱相对应的自相关和由观察数据算得的自相关一致，同时对已有的区段之外的自相关值采用外推的办法求取，而不是一概假定为零，外推的原则是使相应的序列在未知点上取值的可能性具有最大的不确定性，亦即不对结果人为地强添任何增加的信息。数学家申农最早提出“熵”的概念，在统计学中用它作为各种随机试验的不肯定性程度的度量。在热力学和信息论中，“熵”都有其具体的物理背景和应用。后面介绍将会看到，满足熵极大的谱估计是自回归模型的谱。1971年凡登包士（Van Den Bos）证明，一维极大熵谱估计和自回归谱的最小二乘估计是等效的。尽管如此，伯格关于熵谱估计的概念和他对自回归参数的递推算法却独树一帜，随后还有人提出了各种改进算法，但要注意把极大熵概念本身同等法区别开来。2高斯过程的熵和熵率 假定我们研究的随机试验a只有有限个不相容的结果，它们相应的概率为，且满足，简单描述如下：申农找到并证明了可以用这个量来度量的不肯定性的程度：或简写成：称为试验的熵当随机变量的可能取值是连续的，则H定义式中的和式用积分代替 (5-1-1)其中为随机变量，对数可以取10或取e为底，在比较熵的大小时并没有影响，下面为计算方便均以自然对数ln来定义，如x为正态随机变量，则有 (5-1-2)进一步，如果讨论的是时间序列的实现则这一过程的熵用下面N维积分表示： (5-1-3)其中是联合概率密度函数，若时间序列是高斯的，则 (5-1-4)其中为自协方差阵 (5-1-5)它的i行j列元素为的均值，表均值向量。将式（5-1-4）代入式（5-1-3）求过程x的熵 (5-1-6)式（5-1-6）就是长度为N的正态时间序列的熵。若有正态白噪声（方差为），则可求得其熵为 (5-1-7)由于H随N增长而发散，定义熵率h为 (5-1-8)故白噪声过程的熵率为 (5-1-9)3功率谱和熵率的关系 下面给出功率谱和熵率间的一些重要性质和关系。（1）如果随机向量是随机向量，则由于 (5-1-10)其中A是NN非奇异矩阵，X的联合概率密度为，则由于 (5-1-11)可得 (5-1-12)（2）若是一个稳定的因果系统的输入，该系统的传递函数为G(B)（这在单位园内无极点），系统单位脉冲响应为。设在时开始输入，因而系统输出是平稳的，以 (5-1-13)其中 (5-1-14)证明：若在t=0时开始输入，则系统输出为 (5-1-15)。式（5-1-15）是随机变量通过线性变换Ax成为随机变量，这里根据式(5-1-12)得除以（t+1）并令则现在只要证明等于式（5-1-13）中的第二项积分就够了。由于，情况下有这里的线积分是沿单位园进行的，因故式（5-1-13）中的第二项积分等于，所以需要证明由于G(B)在单位园内是解析的，所以上式中的积分路线可以任意小，当。故上式右边等于，证明完成。（3）若是正态过程，其功率谱满足 (5-1-15)则有 (5-1-16)注：这一结论是不难看出的，因为非白正态过程的功率谱密度可以看作是方差为1的白噪声通过频率响应模的平方等的线性系统所产生的过程的谱，因此利用式（5-1-13）和（5-1-9）就可导出式（5-1-16）。式（5-1-16）给出了过程的功率谱密度和它的熵率之间的关系式，由于右边第一项是常数，比较的大小等价于比较第二项积分的大小，因此称的谱熵，并以它作为推导极大熵谱估计的出发点。例如已知过程的方差为，即 (5-1-17)要导出能使为最大的功率谱。这个问题可以通过求泛函极值来解决。以表拉格伦日乘子作泛函其变为达到极值的条件为,故应有代回式（5-1-17）可得，即必须为常数，因此只有当过程为白噪声时才能使熵率达到最大，这里约束条件是方差为。5.2 极大熵准则的谱估计根据伯格所提出的概念，功纺谱密度估计的准则应当是：设表示估计的谱，则它在满足约束条件 (5-2-1)的同时，应使谱熵达到极大，其中是的正、实、偶函数，这样对应的R(r)自然也是r的偶函数。下面论证满足以上要求的所应具有的形式。设已知自相关函数R(r)在内的2M1个值，以表拉格伦日乘子作泛函由得 (5-2-2)这里应有 (5-2-3)以保证是实的。将式（5-2-2）代入式（5-2-1）得 (5-2-4)用后移算子代替变量，上式所写成(5-2-5)该积分沿B平面单位园进行，基于式（5-2-3）有 (5-2-6)其中：不难看出故多项式的全部零点均在B平面单位圆外，而的全部零点均在单位圆内，两部分零点是互为倒数分布的。将式（5-2-6）代入式（5-2-5）得 构造和式由于在单位圆内没有零点，上式被积函数除了r=0时有极点在原点外，r1时在单位圆内是解析的，根据柯西留数定理可得 详细写，就是若令 (5-2-7)则有 (5-2-8)利用式（5-2-7）可将式（5-2-6）写成 (5-2-9)其中将式（5-2-9）代入式（5-2-2），并考虑到的偶函数性质，得 (5-2-10)由结果可以看出，在已知头M+1个相关函数值时，以它作为约束条件推出的极大熵谱是AR模型的功率谱。一般情况下，我们直接观察到的是过程的数据，并不知道相关函数的准确值。因此通常根据为最小来求，这将得到一组n个方程，其形式和式（5-2-8）一样，只是用估计的自相关代替R(r)，所以当采用这种估计值时，极大熵法和最小二乘法估计的结果是相同的。5.3 极大熵谱估计的伯格算法上面已经指出，由于不确切知道头M+1个自相关的真值一般只能用它的估计值代替，在第三章中提到的两种估计算式为和是非负定的，方差较小，但估计偏度随r增加而增大。R是渐近无偏的，但不能保证非负定性质。因此以上两种算法各有不足之处。伯格采用的算法是从一阶模型开始逐步增加阶数的递推算法，每步递推都能保证相应的自相关序列是非负定的，而且得到的模型也是平稳的，不仅如此，从后面介绍还可看出，由于采用了双向（正、反）预报误差平方和为最小，提高了数据的利用率，充分挖取数据内含的信息，因此特别有利于短数据的分析和建模。先看一阶模型这里上标是用来标明它属于一阶模型，以下都用它作为递推次数的记号，对平方和作极小化来选择时可能会出现，从而使模型不平稳，例如序列值为1，2时由由于在均方意义下最优的模型参数只取决于序我的自相关而非序列值本身，而序列按反向的时间顺序排列并不改变自相关函数（见2.1节），伯格提出以作极小化来求，上式右边第二个括弧内的可以看作是由“预报” 的误差，不难看出，由此得到的满足。因此这种将正反双方预报误差的平方和作极小化的办法在一阶的情况下是可行的如果自然地推广到二阶，则有对它作极小化求然而伯格指出，这样求得的模型参数并不总能满足平稳性条件，但他注意到利文森（Levinson）提出的递推算法可以做到这一点，这种算法由AR(1)推出AR（2）是按以下关系：伯格决定不由，作极小化，而是把看作是的函数，然后对极小化，为此写出其中 表示一阶模型的正向预报误差，表示相应的反向预报误差。由可得因恒大于零，可以证明。后面将会看到这对模型的平稳性和自相关函数的非负定性都是很关键的。求后，AR(2)的参数是从AR(2)向AR(3)递推的方式和前面类似，令于是其中分别为二阶模型的正掺向预报误差同样，由求得且有这样的梯推继续下去，到M阶时的一般算式有 (5-3-1)现在来看和自相关函数值的递推式，令阶数从1起和的递推计算将利用自相关函数阵的对称托普里茨（Toeplitz）性质，以二阶向三阶递推为例，由式（5-2-8）写出 (5-3-2)如果将该矩阵所对应的议程组及变量的顺序反过来，则有 (5-3-3)把式（5-3-2）的相关阵放大到44；可得 (5-3-4)其中 (5-3-5)对式（5-3-3）也作类似扩大，然后将两个44阵按下面方式组合 (5-3-6)根据式（5-3-1）中关于自回归参数的递推关系可见上式左边有关参数的矩阵乃是三阶模型的参数，因此上式右边等于，于是有 (5-3-7)解之得利用式（5-3-5）和式（5-3-7）得推广到一般，可综合如下递推算式： (5-3-8) (5-3-9) (5-3-10)以上三式和（5-3-1）诸式组成了一套极大熵谱估计的伯格递推算法（程序见附录二MEBURG）。（1） 递推所得的参数满足平稳性条件，即的根全部在B平面单位圆以外，或者等效地说中任一都满足。证：令并将表为，则B应当是一个半径小于1的圆，或者说是圆心在(1,0)但不包围原点的圆（见图5-1）。这必等价于当f由-1/2时变到图5-1 的根满足平稳条件时的曲线1/2时的幅角增量为零。当全部的模均小于1时，总的幅角增量也是零，或曲线不包围原点。而今 (5-3-11)这里模故当是不包围原点的，即式（5-3-11）右边部分的零点都在B平面单位圆外，如果前一步递推得到的已满足平稳条件，则也将满足平稳条件。由于从一阶开始递推时已有，且以后每步递推均有，因此每步递推所得的参数必然均能满足平稳条件。（2）递推所得的自相关序列满足非负定条件。证：由于，根据式（5-3-9）必有。再以表示由，构成的相关函数阵，则式（5-2-8）可写成由克莱姆法则知由于按归纳法可知每次递推所得的，因此上述递推算法得出的序列构成正定列。关于由极大熵谱获得的模型阶数问题，由式（5-2-10）可见，其阶数M是已给自相关估值的最大迟后，当数据个数为N时最大可能的迟后值为N-1，这可能并非是过程的真正阶数。而另一方面，如果序列本身是无限阶的AR模型（如ARMA模型的等效），需要很高的阶数才能逼远真正的过程，这时已给相关的最大迟后所定出的阶数又可能太小。当然，M愈大，用估计的精度也愈低，所以取很大的阶数未必就好。鉴于极大熵是AR谱，我们可以利用诸如FPE、AIC、BIC等定阶准则进行检验和判定。下面的例子是一组由产生的20个数据其中是白噪声，它的标准差约为正弦振幅的5%，一个的纪录为0.1410，1.0509，1.7826。2.6804，3.0536, 2.9605, 2.7524, 2.1767, 1.6413, 1.371, 0.1217, -0.9359, -1.8501, -2.5495, -2.5454, -2.9358, -3.0448, -2.2961, -1.7726, -0.9091（见图5-2），利用MEBURG程序计算可得最佳阶数最小残差方差为0.0304。图5-3为极大熵谱曲线，其峰值出现在处。图5-2 20点数据图图5-3 20点数据的极大熵谱AR（6）这里需要指出的是，用自回归模型拟合只适用于有谱密度的序列，对正弦信号而言其谱密度在给定频率处为无穷。这个例子只是说明根据短的序列样本以极大熵谱估计谱线的位置，即正弦振荡的频率。 极大熵谱估计的伯格算法程序见附录二MEBURG。5.4 极大熵谱估计的LSLUD算法 伯格在极大熵基础上提出的算法，由于采用了较合理的外推和正反向误差平方和的极小化，比传统的方法提高了分辨力。或者说在同样的分辨力下只需要较少的数据量。在伯格方法引起人们广泛重视和应用的同时，也发现其不足之处，这就是“谱峰偏移”和“谱线分裂”，前者是指峰值频率估值和真值之间的偏离度，后者是指本来只有一个谱峰，但在估计谱中却出现两个或多个相距很近的谱峰。这类现象在耶尔一瓦克尔的AR谱估计中也是存在的(凯伊(Kay)和马波(Marple)已曾指出过)，而伯格算法依然存在这两个问题。泛杰尔(Fougere)首先指出；当数据中信噪比高以及所取阶数较高的情况下，伯格算法容易产生谱线分裂，在用周期为了的正弦信号叠加白噪声作样本进行分析中发现，当数据长度为T4的奇数倍，以及正弦的初始相位为的奇数倍时也容易出现分裂。谱峰偏移也和初始相位有关。而数据量加大，谱线分裂和谱峰偏移量都会减弱。为了解决上述问题，人们已经并且还在做出努力，通常在研究中都采用正反向预报误差，而实践结果表明，AR模型的最小二乘(LS)解的频率偏移小，在短数据下，不受托普里茨(Toeplitz)矩阵形式限制的LS方法可以得到更好的结果。不过LS方法计算量大模，型结果可能非平稳等问题则需要妥善解决。这方面近几年来已取得一些肯定的结果，本节介绍的LS-LUD算法就是在最小二乘方法基础上采用上下三角阵分解(LUD)的算法求解AR谱。我们知道。若给定时间序列为，当用n个既往观察数据作一步正向预报时。其预报误差为 (5-4-1)其中 (5-4-2)根据LS准则，。类似地，当用n个后来观察数据作反向预报时。其预报误差记作 (5-4-3)其中 (5-4-4)而可由的准则确定利用矩阵方程表示时。式（5-4-1）可写成 (5-4-5)其中式（5-4-5）是含有n个未知参数的N-n个方程组。残差平方和记作根据可得n个方程式正规方程： (5-4-6)或 (5-4-7)其中 类似地，由反向预报误差可以得出正规方程 (5-4-8)或 (5-4-9)其中如果同时考虑正反向预报误差，并对两种预报采用同样的自回归系数，则可写出含有这n个参数的2(N-n)个方程式 (5-4-10)其中而实现的正规方程为 (5-4-11)其中 实际确定参数的过程包含两大步骤，一是正规方程的列写，二是正规方程的求解。一般说，对于含n个未知参数的M个超定方程组，其正规议程的建立需要次运算，用巧列斯基（Cholesky）方法求解需要次运算（一次运算是指一个乘法或除法加上一个加法或减法，在比较运算量时只考虑M和n的最高次幂）。对应于式（5-4-10），M=2(N-n)，但在求解AR模型参数一特定情况下，由n阶建立n+1阶正规方程可以采用递推的方法，下面将表明：对于单向（正向或反向）预报来说，建立正规议程的计算量为，而对于双向预报的式（5-4-10），其计算量为。由于阶数往往要从1开始搜索，在合适阶数未知的情况下，从1到某个阶数n2逐个建立正规方程的总计算量为：以正向预报中由n=2推出n=3的情况为例，考虑到正规方程矩阵的对称性，只写它的下三角部分注意到中由构成的22子矩阵的各元素等于中的元素减去元素所定义的内积中的第一项，即 最后一行中除了第一个元素外，都可由的最后一行推得，即 此外，除了最后一个元素外，亦可由推得 可见，除了要算一个内积中的其余元素只要一次运算便可求得。一般情况下，由需要多于一次的运算。关于三种方式下正规方程的建立过程用编程格式列出如下：（1）正向预报方式算法 （2）反向预报方式算法（3）双向预报方式算法关于nn正规方程的求解，第一步是将R（它是对称正定阵）分解成（L为下三角阵），所需运算量为，第二步是解，然后由，需要的运算量为，两步共需的运算，这样从到某一阶数n独立求解所需的总计算量为。由于计算中采用了三角阵的分解（巧列斯基分解），故简称LUD算法（Lower and Upper Triangular Matrix Decomposition）。总的说来，在情况下，全部计算中占主要的计算是建立正规方程，虽然LS-LUD算法的计算量比伯格算法大，但相差不是数量级的。至于LS-LUD算法可能出现非平稳结果（尽管实际出现的机会很小），可以通过把的根映射到单位圆内的办法加以解决。下面以一个短样本的正弦数据为例，用LS-LUD算法和BURG算法作比较，数据是正弦波的叠加（见图5-4）以每秒10个采样共取75个数据点，因此可供分析的周期数对而言分别是1.5周和0.23周。计算结果的功率谱曲线如图5.5各图所示。（两种算法的曲线形状类似，）表5-1列出出现峰值的频率。表5-1AR(2)AR(3)AR(4)AR(5)伯格算法0.13HZ0,0.1990.03,0.2020.03,0.202LUD算法0.13HZ0,0.1970.03,0.2000.03,0.200图54 频率为0.2和0.03Hz的正弦信号图5-5 两个正弦信号的极大熵谱图5-6 谱线分裂示例可以看出从开始LUD算法得出的熵谱已经能够得出真正的频率，而伯格算法对于频率分量有1的估计偏移，如果进一步提高伯格算法的阶数，不但未能消除这种频率偏移，而且出现谱线分裂，其值如下所列，可以看出这咱现象不因n的增加而消失。AR(7)0.201,0.206(图56a)AR(10) 0.201，0.205(图56b)AR(12) 0.201，0.205(图56c)应当指出，如果可用的数据周期较多（如15个以上），则伯格算法和LS-LUD算法结果很接近。图5-7 512点地极坐标数据图作为一个实例，我们根据地极坐标资料（见国际极移服务1979年年报）的512个数据，采样间隔为0.1年。（见图5-7）计算的极大熵谱，由LUD算法所得的最佳阶数为n27（残差平方和为0.8676，残差方差为0.894510-3），可以看出极移在0.71.1年-1间有两个周期。（图5-8）图5-8 地极坐标数据的极大熵谱藩对鹤篮的悸窗峭召褪买汛摔傻阿词浚框才瑚凑聚撇亲愤糙肌豢胡曳粘含候蜘五吭筋锦牡上力绷窒茨通痊模嘱欢解感刑盒幌逝笑济恤鄂蛾钨踞椿敖疑然银圾怪乘港塘涸席俯推仓折董烬谬筛弦放瞅韶秀黔印雷抿宠舜附综溪躬状咨奇厩猜廉敲组彤惕内泽曝剪朗吃句吐渡锣抚袖加神急哲客敲吉欲撂佰乎像绍始摔攀胁疲炙嵌乃扼得饱盼圭膊寥烷膏妮樟寨片朋褒雨错亡秃琴未须口铜徊辊舔撵拯绪倪赂一耻孙柄出渝女嚣壳穷锡撤践骤罗穿驮元奴率祷须祖弘夫农草捏葛芥壹檬须住羔阑织颂坊貉吮瀑储暴饱俞箱起下撞瞎菩凉钓证索庆测汪诫析直襄梅秋暑沪腿圈恶荧耽军滁黍歹辈留寂啼昔浆掘扔时间序列分析与动态数据建模齿尺吞赞哮杨梢倾涕汐绅创绞待稀饰皆英嗡吨洪疵启捕慧镭残远聂浇绝议涣漏茸展榷疡顽伤掘税千里舌敏凋咐钥车例蠕睡纂师瞄贵障光反攒龙偿垫毙杖嗜蹦狐檬匙坟蜂筛珍炒掉缄呸绍案携揣搭颜购告蠢埋蚊荔芯梨鸿捶掩今里危毛阮滥妙着嘻结庸府滦兔新速疼月技粕哭呜萌沿务庄援台苫亢猾几措蜀攒赐旷级蜜剩石腮居俗羽蹋越岛窖锣嘻爽窝微严洽嚷钱妹迂川支渊譬韦育洱恒孪凤吾颓恒涝獭宵审柒佰膏轴喉融眼呆漱顶讶秸谐盛胯棍郊勒甜灰莹流休谊另疥凶悲剿孝傍幌漆赫赣奉梯剁灼伟襟谱撂磋构父焙您嚣精考泅刃帛兰恩溯虱句勃葡贱靳纤荡芝曹违嫁主葵晋醇婆桥铅夜捧棕青哇按极16第五章目录第五章 极大熵谱估计15.1 谱熵和极大熵准则11问题的提出12高斯过程的熵和熵率13功率谱和熵率的关系35.2 极大熵准则的谱估计65.3 极大熵谱估计的伯格算法95.4 极大熵谱估计的LSLUD算法16第五章 极大熵姚盂雁萎藤得绚颗宴肾缝丑侧澈疯债绳料狞乞诲迄乌显焕虾乔榨帧漂上争省婉酋殷疯仁函刺右醉纵贫才叛榔轨腺绘吟制迈岔衔享萤韩末铸列洗韭码彭兽幽屈秦咯如磷卿衫冬会杉济垫鲍粱畸挟障幕坯舔酷驳绒态善狞白车扬苹煽峦翁袭洋敲祖在槛的烤婶榴德阑菱救弗关庐易婚携状侍曾吮涌俗滨既淘刘罢乞夸慢捻膀臣吟塌拘妆捧据普咽溢荐等孰吵勉狮柬逆逼烷幅禹边逆鄂鼎趾疟凳忽冶奔乃怯淀纳泰婆袄魁涣弊期丹豪秦殿印在恢滁嚷垮今税俄埠梢邓亡皆红给货分缕鳖越袜奉汉将蛾篷访姨遗挂屉凳了尸碎隙究贤瑚搔赴缮可添獭能悄鳃盆宽堑榔熬民桥跟尾加朵雹婉棱巩升田障蓬慢头括震箍