amar演算法

1. eviews怎麼對arma模型運用aic准則

簡單方法：EViews6.0的ADFtest自動給出BIC滯後長度。
滯後階數越大，自由度就越小。
一般根據AIC和SC取值最小准則來確定階數。
如果AIC和SC並不是同時取值最小，採用LR檢驗進行取捨。
如果時序數據樣本容量小，這時AIC和SC准則可能需要謹慎，還是需要根據經驗驗證。自己的經驗看，這時一般比較滯後1、2、3階基本可以得到較好結果。
另外，還可以通過eviews6.0軟體確定最大滯後階數， 在var估計結果窗口中點擊view/lag structure/lag length criteria 輸入最大滯後階數，以*號最多的階數確定滯後階數。

AIC 和SIC 都是人為規定的標准
其原理是，當構建模型時，增加自變數的個數會使擬合度增加，但是也會有可能增加無關自變數。人們在減小自變數個數和增加擬合度之間的權衡方法就是AIC和SIC標准。

最小的AIC和SIC代表著擬合與自變數個數的最佳權衡。
但是因為側重點，也就是演算法不用，往往AIC和SIC所選出的最大滯後不同。

2. arma演算法在gdp預測中的應用論文中的數據怎樣用sas運行出來

第9卷第6期
2010年12月

江南大學學報(自然科學版)
JournalofJiangnanUniversity(NaturalScienceEdition)

Vo.l9 No.6Dec. 2010

收稿日期:2010-04-16; 修訂日期:2010-06-23。
作者簡介:范玉妹(1948)),女,上海人,教授,碩士生導師。主要從事概率論與數理統計、運籌學、最優化方向等
研究。Emai:[email protected]
ARMA演算法在GDP預測中的應用
范玉妹, 玄婧
(北京科技大學應用科學學院,北京100083)
摘 要:從時間序列的基本概念出發,應用時間序列模型ARMA,對北京市人均GDP建立ARMA
模型。應用ARMA模型對2009年GDP值進行預測,其預測值與實際值擬和較好;在此基礎上,預測了2010年至2014年北京市人均GDP值。
關鍵詞:時間序列分析;ARMA模型;EViews軟體;國內生產總值
中圖分類號:O212文獻標識碼:A文章編號:1671-7147(2010)06-0736-05

FANYu-me,i XUANJing
(SchoolofAppliedScience,,Beijing100083)
Abstract:,,ARMAmode.lFurthermore,thepaperdevelopedARMA
modelofGDPpercapitaofBeijing.Moreover,,.Basedontheconclusion,.Keywords:timeseriesanalysis,ARMAmode,lEViews,GDP
時間序列是一組依賴於時間t的隨機變數。時間序列分析預測法,將預測目標的歷史數據按照時間先後的順序排列,分析它們隨時間的變化趨勢及自身的統計規律,得到預測目標的未來取值。時間序列分析與預測在社會生產生活等諸多領域都佔有重要的地位,在經濟生活中的影響也越來越大。經濟運行過程從較長時間序列看,在市場機制的作用下呈現一定的規律性,這對預測提供了依據。
ARMA模型是時間序列分析的基本模型,在經濟預測過程中,既考慮了經濟現象在時間序列上的依存性,也考慮了隨機波動的干擾性,對經濟運行短期趨勢的預測准確率較高,是近年來應用較廣泛
的方法[1]
。文中對ARMA模型及其識別、估計與檢驗進行了研究,並以北京市1978年到2009年人均

3. 汽車本是個不適合聽音樂的環境，但Bose卻把它轉變為移動的音樂廳

文/攝影|阮錦程

作為一個在航旅縱橫上可以打敗99.9%的出差狗，我們的生活和工作都離不開Bose這個品牌。

凱迪拉克、英菲尼迪、保時捷......我們試駕的許多豪華車型都有Bose的身影。出差在酒店，一個輕巧BoseSoundLinkmini藍牙揚聲器趕走了寫稿的疲勞。

回顧歷史，如今種種神奇的聲學創新技術，都源於1964年。因為那一年，美國麻省理工學院電氣學工程教授AmarG.Bose博士創建Bose公司。而在童年時代的AmarG.Bose博士，已經對電子產品產生痴迷，他喜歡拆解、探究電子產品的工作原理。

當年AmarG.Bose博士憑藉以聲學改變世界的抱負和多項專利創立了Bose公司，而在此後的50餘年裡，Bose公司在音頻領域深耕，秉承對尖端聲學表現的不懈追求，不斷推出眾多創新技術。

Bose在用心做好每一件產品，它也不知不覺地改變了人們的生活。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

4. 遙感圖像分類法

圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。

以下是幾種常用的遙感圖像分類方法：

1.最大似然分類（maximum likelihood classification）

最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（w_i）和條件概率密度函數P（w_i，x）。P（w_i）通常根據各種先驗知識給出或假定它們相等：P（w_ix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），則x屬於w_i類。其中，j≠i，j=1，2，…，m。m為類別數。

從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。

通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。

K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。

2.最小距離分類（minimum distance classification）

最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：

（1）明氏距離（minkowski distance）

中亞地區高光譜遙感地物蝕變信息識別與提取

式中T_ij=-T_ij。

③經過①②步後，隨機象元X被劃歸為正確的類。

另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。

Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。

H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。

Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。

5. 如何用Matlab求ARMA模型的殘差（急，謝謝）

用Matlab求ARMA模型的殘差
數組Y X，方程y=f(x)
則殘差c=Y-y
[b, bint,r,rint,stats]=regress(Y,X,alpha）
rcoplot(r,rint)做殘差圖
從殘差圖可以看出數據的殘差離零點的遠近，當殘差的置信區間均包含零點，這說明回歸模型 能較好的符合原始數據，否則可視為異常點。
MATLAB[1] 是美國MathWorks公司出品的商業數學軟體，用於演算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和互動式環境，主要包括MATLAB和Simulink兩大部分。
MATLAB是matrix&laboratory兩個詞的組合，意為矩陣工廠（矩陣實驗室）。是由美國mathworks公司發布的主要面對科學計算、可視化以及互動式程序設計的高科技計算環境。它將數值分析、矩陣計算、科學數據可視化以及非線性動態系統的建模和模擬等諸多強大功能集成在一個易於使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案，並在很大程度上擺脫了傳統非互動式程序設計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟體的先進水平。

6. 有人用matlab做過ARMA模型擬合么，參數估計是怎麼做的

matlab自帶的函數裡面有很多可以求解模型參數的函數（具體可參考《matlab在時間序列分析中的應用》，張善文，雷英傑，馮有前編著，電子書很容易搜得到），但是因為我理論掌握的不好，matlab計算的常數項一直是1，所以不知道matlab函數具體用的是什麼演算法求解的，而我們一般較常見的是用最小二乘法來求解參數，所以為了保持和eviews求解結果一致（這里選擇的是最小二乘），我沒有用matlab自帶函數求解，而是按照最小二乘的求解演算法寫的，結果是一樣了（我覺得不同演算法求出來的結果可能本身就不該一樣，我沒有去深究，不同結果應該都可以作為模型參數，個人理解，不知道對錯）。ARMA模型也可以類似處理。
所以我覺得如果題主理論比較好的話，可以看看那本書，函數用法講解的比較詳細，然後用起來應該會很得心應手。

7. ArmA怎麼實現持續敬禮

簡單方法：EViews6.0的ADFtest自動給出BIC滯後長度。滯後階數越大，自由度就越小。一般根據AIC和SC取值最小准則來確定階數。如果AIC和SC並不是同時取值最小，採用LR檢驗進行取捨。如果時序數據樣本容量小，這時AIC和SC准則可能需要謹慎，還是需要根據經驗驗證。自己的經驗看，這時一般比較滯後1、2、3階基本可以得到較好結果。另外，還可以通過eviews6.0軟體確定最大滯後階數， 在var估計結果窗口中點擊view/lag structure/lag length criteria 輸入最大滯後階數，以*號最多的階數確定滯後階數。AIC 和SIC 都是人為規定的標准其原理是，當構建模型時，增加自變數的個數會使擬合度增加，但是也會有可能增加無關自變數。人們在減小自變數個數和增加擬合度之間的權衡方法就是AIC和SIC標准。最小的AIC和SIC代表著擬合與自變數個數的最佳權衡。但是因為側重點，也就是演算法不用，往往AIC和SIC所選出的最大滯後不同。

8. Guptasarma線性濾波演算法

在電磁場表達式中，存在形如F（r）=f（m）J_i （mr）dm（i=0，1）的積分，稱為漢克爾積分。其中漢克爾積分的核函數J_i（mr）為0階（i=0）或1階（i=1）貝賽爾函數，對此可使用數值濾波方法進行計算。本文採用Guptasarma和Singh給出的 61點漢克爾J₀變換線性濾波器和47點漢克爾J₁變換線性濾波器進行計算。正演結果表明，這套濾波系數方案有良好的計算精度和計算速度。

使用這套濾波系數，首先需要使用如下公式，將漢克爾積分離散化：

電法勘探成果文集

其中：n為積分區間的長度，C_i為濾波系數。對於J₀，a=-5.0825，s=1.16638303862e-01，使用61點濾波系數（表1）。對於J₁，a=-3.05078187595，s=1.10599010095e-1，使用47點濾波系數（表2）。

表1 含零階貝賽爾函數積分的61點濾波系數

表2 含零階貝賽爾函數積分的47點濾波系數

9. ARMA模型的教程

將這三個函數結合在一起還是可以的，目前許多計算軟體都能直接順利完成，比如eviews，matlab中也有一個庫。
如果自己手寫的話比較麻煩，太多意外的情況需要額外處理，而且最後的定階過程有好幾種演算法，建議樓主直接使用現成的庫。
本人最近在做一個arma建模的作業，已經被折騰得失去人生意義了。