摘 要： 使用經(jīng)典回歸分析對信號處理時通常假定噪聲服從高斯過程，然而現(xiàn)實(shí)中許多信號呈現(xiàn)噪聲自相關(guān)等非平穩(wěn)特性。常用的廣義差分法對噪聲自相關(guān)做差分處理時，固定了連續(xù)兩個樣本間的相關(guān)系數(shù)，但是現(xiàn)實(shí)中相鄰兩個時間點(diǎn)樣本的相關(guān)程度往往不是確定的。將矢量三角形加減法法則與廣義差分相結(jié)合，開創(chuàng)性地提出具有無機(jī)自適應(yīng)性的矢量差分算法，其相關(guān)系數(shù)根據(jù)信號自身的規(guī)律自動調(diào)整。最后，將該方法應(yīng)用于噪聲自相關(guān)實(shí)例，結(jié)果表明矢量差分算法比廣義差分法的無機(jī)自適應(yīng)能力更強(qiáng)，能夠更好地刻畫信號的變化規(guī)律。

關(guān)鍵詞： 無機(jī)自適應(yīng)算法； 噪聲自相關(guān)； 矢量差分； 系數(shù)自動調(diào)整

中圖分類號： TN911?34； TP18 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）14?0016?04

一個離散的時間序列就是一個離散的時間信號。在兩個時間序列數(shù)據(jù)的回歸分析中，通常假設(shè)殘差噪聲在不同時點(diǎn)之間是不相關(guān)的。然而在現(xiàn)實(shí)問題的研究中，不少時間序列隨著時間的推移有一種長期趨勢，呈現(xiàn)信號不平穩(wěn)的特性。對這樣的兩列信號建立回歸模型時，殘差之間的相互獨(dú)立性就會遭到破壞，噪聲之間存在依賴性，用此模型進(jìn)行預(yù)測和結(jié)構(gòu)分析就會有較大的誤差。這時就需要用一定的方法對其進(jìn)行補(bǔ)救，國內(nèi)外學(xué)者對噪聲自相關(guān)問題的處理和研究主要是差分法。當(dāng)自相關(guān)系數(shù)已知時，通常采用廣義差分法對信號進(jìn)行處理，消除噪聲序列的自相關(guān)性。但在實(shí)際數(shù)據(jù)中，自相關(guān)系數(shù)一般是未知的，所以需要對其進(jìn)行估計(jì)。Cochrane和Orcutt于1949年提出了Cochrane?Orcutt迭代法，通過逐步迭代，提高自相關(guān)系數(shù)的近似估計(jì)精度直到滿意為止，再采用廣義差分法[1]。1960年Durbin提出了Durbin兩步法，即將數(shù)據(jù)進(jìn)行兩次廣義差分變換處理，再使用OLS法估計(jì)參數(shù)，其優(yōu)點(diǎn)是只要樣本容許，可以修正任意階自相關(guān)[2]。張荷觀提出根據(jù)自回歸分布滯后模型直接建立樣本回歸方程的方法[3?4]，并給出自相關(guān)系數(shù)的估計(jì)，改進(jìn)了估計(jì)量的統(tǒng)計(jì)性質(zhì)并提高了擬合優(yōu)度。無論是差分法還是迭代法，它們都將信號樣本點(diǎn)間的相關(guān)系數(shù)固定，然而現(xiàn)實(shí)中相鄰兩期樣本點(diǎn)的相關(guān)程度往往不是固定的。為克服廣義差分法固定相關(guān)系導(dǎo)致構(gòu)建的模型泛化能力較弱的缺點(diǎn)，本文將矢量三角形加減法法則與廣義差分方法相結(jié)合，開創(chuàng)性地提出了基于相關(guān)系數(shù)可自動調(diào)整的無機(jī)自適應(yīng)算法——矢量差分方法。這種無機(jī)自適應(yīng)算法與有機(jī)智能算法是不同的，現(xiàn)有的智能算法處理的大多是多變量、非線性的復(fù)雜系統(tǒng)，對單變量、線性信號系統(tǒng)的建模效果較差[5]。智能算法在對目標(biāo)函數(shù)進(jìn)行優(yōu)化搜索時強(qiáng)調(diào)整體最優(yōu)，這樣就會造成瞻前顧后，不能保證預(yù)測效果最優(yōu)，而人們往往希望用于預(yù)測和分析的后期時間點(diǎn)最優(yōu)。本文提出的矢量差分算法是對輸入信號進(jìn)行優(yōu)化搜索，在強(qiáng)調(diào)當(dāng)期對近期依賴性的同時保證了當(dāng)期與遠(yuǎn)期的相互關(guān)聯(lián)性。

本文介紹了矢量差分的方法原理、矢量差分的一般公式和矢量差分算法的無機(jī)自適應(yīng)性；最后用噪聲自相關(guān)的離散時間序列做實(shí)驗(yàn)，結(jié)果表明矢量差分算法模型比廣義差分法的無機(jī)自適應(yīng)能力更強(qiáng)，能夠更好地刻畫信號的變化規(guī)律。

1 矢量差分的方法原理

矢量差分是按照三角形減法法則進(jìn)行的。在圓里面將矢量由最低點(diǎn)出發(fā)依次排列，連續(xù)兩期樣本點(diǎn)之間根據(jù)矢量模的大小就形成了不同的夾角。這樣在圓里面就實(shí)現(xiàn)了信號樣本點(diǎn)自相關(guān)系數(shù)在各點(diǎn)的自動調(diào)整。

1.1 矢量差分的原理

在三角形[OA1A2]中，矢量減法法則為：[A1A2=OA2-OA1]，其中[A1A2]反映了矢量差，如圖1所示。

圖1 圓中三角形的矢量差分方法

下面按照張昴等提出的在直徑為1的圓中進(jìn)行矢量差分推導(dǎo)的方法，給出矢量差分[A1A2]的數(shù)值[6]。在圓[M]中，取直徑[OO′=1]，令從點(diǎn)[O]出發(fā)任意一條弦[OA]的弦切角（與水平線的夾角）為[α]。根據(jù)弦切角定理：弦所對的圓周角的大小等于弦切角，則有[∠OO′A=α]；即可得出，在直角[ΔOO′A]中，[OA=sin α]，即任意圓周角[α]對應(yīng)弦的弦長為[sinα]。于是標(biāo)準(zhǔn)化轉(zhuǎn)換到[0，1]區(qū)間兩期數(shù)據(jù)間的矢量差為[A1A2=sin（α2-α1）]。下面結(jié)合廣義差分法給出矢量差分的一般形式。

1.2 矢量差分公式推導(dǎo)

在消除殘差噪聲自相關(guān)時，由于廣義差分法將相關(guān)系數(shù)固定，所以扭曲了信號的變化規(guī)律。本文將矢量差分算法可以自動調(diào)整相關(guān)系數(shù)的特性運(yùn)用到廣義差分法上，從而實(shí)現(xiàn)兩個連續(xù)樣本點(diǎn)相關(guān)系數(shù)的調(diào)整。

在圓里的矢量差分的代數(shù)形式為：

[At-1At=sin（αt-αt-1）]

而廣義差分的代數(shù)本質(zhì)如下式所示：

[xt-ρxt-1=sinαt-ρsinαt-1 =sin（arcsinxt）-ρsin（arcsinxt-1）]

本文提出一般矢量差分公式：

[xt-xt-1=sin（arcsinxt）-sin（ρ（arcsinxt-1））]

比較廣義差分法[xt-ρxt-1]，矢量差分的一般公式為：

[xt-ρsin（arcsinxt-1）=xt-ρtxt-1]

進(jìn)而，在實(shí)現(xiàn)廣義差分的同時，保證了相關(guān)系數(shù)的自動調(diào)整。根據(jù)線性系統(tǒng)輸入輸出信號響應(yīng)分析的一般步驟[7]，其原理圖如圖2所示。

圖2 矢量差分處理器

1.3 矢量差分的優(yōu)點(diǎn)：相關(guān)系數(shù)的自適應(yīng)調(diào)整

由于[xn-ρxn-1=OAn-ρOAn-1=An-1An]，則有[ρ=OAn-An-1AnOAn-1=sinαn-sinΔαnsinαn-1]，其幾何形式見圖3。

圖3 自相關(guān)系數(shù)的自適應(yīng)調(diào)整

首先，對其進(jìn)行極限分析。當(dāng)兩期指標(biāo)非常接近時，[limΔαn→0ρ=sinαnsinαn-1=1]。 然后，任取[OAn-1=][sinαn-1，][ρ∝OAn-An-1An=sinαn-sinΔαn=sinαn-][sinαn-αn-1]。令[OAn]增大角度[θ]，則有[ρ′∝sin（αn+θ）-sin[（αn+θ）-αn-1]=sin（αn+θ）-][sin[（αn-αn-1）+θ]]。注意到，正弦函數(shù)[y=sinx]在區(qū)間[（0，π2）]的二階導(dǎo)數(shù)小于0，隨著自變量[x]的增加[y]的增加越來越緩慢。那么當(dāng)角[αn]和[（αn-αn-1）]同時增加[θ]時，[（αn-αn-1）]對應(yīng)的函數(shù)值增加的更大，即有[sin（αn+θ）-sinαn

2 實(shí)驗(yàn)研究

2.1 一階殘差噪聲自相關(guān)

例1：在研究我國城鎮(zhèn)人均支出和人均收入兩列離散信號之間關(guān)系的問題中，記輸出信號城鎮(zhèn)家庭平均每人全年消費(fèi)性支出（元）為y，輸入信號城鎮(zhèn)家庭平均每人可支配收入（元）為x。 這里收集到1990—2009年20年的信號樣本點(diǎn)[8]如表1所示，試檢驗(yàn)殘差噪聲是否存在一階自相關(guān)，建立相應(yīng)的線性映射方程并做響應(yīng)分析。

表1 我國城鎮(zhèn)人均收支表

2.1.1 直接對輸入信號和輸出信號做線性映射回歸

根據(jù)歸一化公式：

[x′=x-xminxmax-xmin] （1）

將兩列信號樣本數(shù)據(jù)映射到[0，1]區(qū)間進(jìn)行標(biāo)準(zhǔn)化處理。將輸入信號x和輸出信號y進(jìn)行線性映射回歸擬合，得映射回歸為：[y=0.021+0.996x]。

此方程的調(diào)整R2為0.998。經(jīng)檢驗(yàn)[DW=0.300]，[dL=1.200]，[dU=1.410]，[0.300

2.1.2 對輸入信號和輸出信號做廣義差分處理

分別對輸入信號x和輸出信號y的原始樣本點(diǎn)進(jìn)行轉(zhuǎn)換，即[xt′=xt-0.85xt-1]，[yt′=yt-0.85yt-1]。再次進(jìn)行回歸擬合，得到：[yt′=0.009+0.954xt′]。

新回歸方程的調(diào)整R2為0.990，殘差的[DW=2.327]，[dL=1.18]，[dU=1.40]，[dU<2.327<4-dU]，因而[DW]落入無自相關(guān)區(qū)域[10]。

2.1.3 對輸入信號和輸出信號做矢量差分處理

對輸入信號x和輸出信號y分別進(jìn)行矢量差分，差分得到的信號分別表示為[x*]和[y*]，則為[y*]對[x*]的線性映射為：[y*t=0.007+0.975x*t]。此時調(diào)整R2為0.996，殘差的[DW=2.301]，[dU<2.301<4-dU]，殘差噪聲已經(jīng)消除了自相關(guān)。

2.1.4 信號間響應(yīng)分析

經(jīng)過一階廣義差分法處理后有效數(shù)據(jù)樣本點(diǎn)是19個，基于[DW]檢驗(yàn)要求數(shù)據(jù)樣本量大于15，對信號進(jìn)行4步預(yù)測，并作響應(yīng)分析。以用前16個樣本值構(gòu)線性映射，預(yù)測第17個樣本值為例進(jìn)行詳細(xì)說明。本文使用[w=y-yy]作為預(yù)測誤差計(jì)算公式。

（1） 用前16個樣本量進(jìn)行廣義差分構(gòu)建的滯后回歸方程為：

[yt-0.624 0yt-1=0.005 8+1.038 9（xt-0.624 0xt-1）]

還原線性映射為：

[yt-0.624 0yt-1=130.731+0.728 6（xt-0.624 0xt-1）]

帶入樣本預(yù)測2006年城鎮(zhèn)家庭平均每人全年消費(fèi)性支出為8 884.42 726元，實(shí)際值為8 696.55元，誤差[w]為2.16%。

（2） 用前16個樣本量進(jìn)行矢量差分構(gòu)建的滯后回歸方程為：

[sin（arcsinyt-0.624 0arcsinyt-1）=0.005 3+ 1.048 9sin（arcsinxt-0.624 0arcsinxt-1）]

還原線性映射為：

[sin（arcsiny-yminΔy-0.624 0arcsinyt-1-yminΔy）=0.005 3+1.048 9sin（arcsinx-xminΔx-0.624 0arcsinxt-1-xminΔx）]

輸入信號x在2006年的數(shù)值，輸出2006年城鎮(zhèn)家庭平均每人全年消費(fèi)性支出為8 858.609 67元，實(shí)際為8 696.55元，誤差[w]為1.86%。按照這種方法，2007年，2008年和2009年的城鎮(zhèn)家庭平均每人全年消費(fèi)性輸出值可以依次求得，誤差結(jié)果見表2。

表2 一階噪聲自相關(guān)預(yù)測誤差 %

可見矢量差分算法的預(yù)測值全部顯著高于廣義差分法，凸顯其具有可自動調(diào)整的無機(jī)適應(yīng)性的優(yōu)越性，較好地刻畫了信號變化規(guī)律。

2.2 高階殘差噪聲自相關(guān)

例2：在研究我國人均消費(fèi)水平的問題中，記輸出信號全國人均消費(fèi)金額（元）為y，輸入信號人均國民收入（元）為x。收集到1980—1998年19年間的信號樣本點(diǎn)[8]如表3所示，試檢驗(yàn)殘差噪聲是否存在一階殘差噪聲自相關(guān)，建立相應(yīng)的線性映射方程并做響應(yīng)分析。

表3 全國人均收支表

2.2.1 直接對輸入信號和輸出信號做線性映射回歸

將兩列信號樣本數(shù)據(jù)按照式（1）標(biāo)準(zhǔn)化到[0，1]區(qū)間。建立映射回歸如下所示：

[y=0.013+0.984x]

調(diào)整R2為0.999。計(jì)算出[DW=0.873，][dL=1.18 ， 0.873

2.2.2 對輸入信號和輸出信號做廣義差分處理

對輸入信號x和輸出信號y廣義差分法處理后進(jìn)行回歸擬合，新回歸方程殘差的[DW=1.372]。此時[dL=1.16]，[dU=1.39]，[dL<1.372

[y″=0.001+0.995x″]

2.2.3 對輸入信號和輸出信號做矢量差分處理

一階矢量差分處理[DW]值為1.400，發(fā)現(xiàn)[dL<1.400

[y**]對[x**]的映射回歸如下：

[y**=0.04+1.005x**]

由此可見矢量差分算法改進(jìn)估計(jì)量的統(tǒng)計(jì)性質(zhì)，提高映射回歸的擬合優(yōu)度及系數(shù)檢驗(yàn)的顯著性。

2.2.4 信號間響應(yīng)分析

二次差分處理后有效數(shù)據(jù)樣本量是17，基于[DW]檢驗(yàn)要求數(shù)據(jù)樣本量大于15，對模型進(jìn)行2步預(yù)測，并做相應(yīng)分析，誤差結(jié)果如表4所示。

表4 高階噪聲自相關(guān)預(yù)測誤差 %

由表4可以看出兩年的矢量差分預(yù)測誤差均明顯低于廣義差分。進(jìn)一步論證了矢量差分在高階殘差噪聲自相關(guān)無機(jī)適應(yīng)性能力的優(yōu)越性，較好地刻畫了信號變化規(guī)律。

2.3 結(jié)果分析

通過一階殘差噪聲自相關(guān)和高階殘差噪聲自相關(guān)實(shí)例，分別利用廣義差分法和矢量差分法消除序列自相關(guān)并進(jìn)行響應(yīng)分析?？梢园l(fā)現(xiàn)，無論是在擬合優(yōu)度，還是在預(yù)測效果上，矢量差分方法都遠(yuǎn)遠(yuǎn)好于一般的廣義差分方法。從而論證了相關(guān)系數(shù)可以自動調(diào)整這一無機(jī)適應(yīng)性能力的優(yōu)越性。

3 結(jié) 語

本文提出將矢量三角形加減法法則與差分相結(jié)合所構(gòu)建的矢量差分方法在處理殘差噪聲自相關(guān)異常問題時，基于其自相關(guān)系數(shù)可以自動調(diào)整的無機(jī)適應(yīng)性，對輸入信號數(shù)值間進(jìn)行優(yōu)化搜索，在強(qiáng)調(diào)當(dāng)期對近期依賴性的同時滿足當(dāng)期與遠(yuǎn)期的關(guān)聯(lián)關(guān)系。對單變量、線性信號系統(tǒng)的實(shí)驗(yàn)表明通過矢量差分算法得出的映射回歸方程，其統(tǒng)計(jì)特性更加優(yōu)良，比廣義差分法泛化能力更強(qiáng)，在響應(yīng)分析時凸顯了預(yù)測最優(yōu)的特性，能夠更好地刻畫信號的變化規(guī)律。

參考文獻(xiàn)

[1] COCHRANE D， ORCUTT G H. Application of least squares regression to relationships containing auto?correlated error terms [J]. Journal of the American Statistical Association， 1949， 44 （245）： 32?61.

[2] DURBIN J. Estimation of parameters in time?series regression models [J]. Journal of the Royal Statistical Society B， 1960， 22（1）： 139?153.

[3] 張荷觀.存在自相關(guān)時檢驗(yàn)和估計(jì)方法的改進(jìn)—基于自回歸分布滯后模型的自相關(guān)檢驗(yàn)和參數(shù)估計(jì)[J].統(tǒng)計(jì)與信息論壇，2012，27（4）：44?49.

[4] 張荷觀.存在自相關(guān)時估計(jì)方法的改進(jìn)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2010（11）：155?160.

[5] 徐守時.信號與系統(tǒng)：理論、方法和應(yīng)用[M].合肥：中國科技大學(xué)出版社，2003.

[6] 張昴，郭琨.基于等時圓矢量差分的ARVMA模型及其實(shí)證研究[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2015，35（2）：193?205.

[7] 崔本亮.線性時不變（LTI）系統(tǒng)分析方法討論[J].現(xiàn)代電子技術(shù)，2009，32（3）：127?129.

[8] 何曉群，劉文卿.應(yīng)用回歸分析[M].北京：中國人民大學(xué)出版社，2011.

[9] WOOLDRIDGE J. Introductory econometrics： A modern approach [M]. USA： South Western， Division of Thomson Learning， 2012.

[10] 高鐵梅.計(jì)量經(jīng)濟(jì)分析方法與建模[M].北京：清華大學(xué)出版社，2006.