1. SSA奇异谱分解:从理论到实践的全解析
第一次接触奇异谱分解(SSA)是在处理一组气象数据时。当时需要从几十年的温度记录中分离出长期趋势、年周期变化和随机波动,传统傅里叶变换对非平稳信号束手无策,直到发现了SSA这个"瑞士军刀"。它不需要预先假设信号模型,仅凭数据本身就能完成成分分离,这种数据驱动的特性让我印象深刻。
SSA本质上是一种"时空转换"技术——通过构造轨迹矩阵,将一维时间序列转换为二维矩阵,再利用奇异值分解(SVD)提取特征模式。这种思路与主成分分析(PCA)类似,但专门针对时间序列设计。最神奇的是,经过对角平均重构后,这些数学上的特征模式会对应到实际的物理成分(趋势、周期等)。下面我将结合MATLAB实例,拆解SSA的完整实现流程。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. SSA核心原理与实现步骤
2.1 轨迹矩阵:时间序列的时空转换
轨迹矩阵是SSA的第一步,也是理解整个方法的关键。假设有一个长度为N的时间序列x(t),我们选择一个窗口长度L(通常取N/4到N/2之间),然后按如下方式构造矩阵:
code复制X = [x(1) x(2) ... x(K)
x(2) x(3) ... x(K+1)
... ... ... ...
x(L) x(L+1) ... x(N)]
其中K=N-L+1。这个L×K的矩阵被称为轨迹矩阵,它通过滑动窗口的方式,将时间序列的局部片段排列成矩阵的行。这种表示方法实际上是把时间序列的时域信息转换到了"时间-延迟"的二维空间。
窗口长度L的选择至关重要:L太小会导致频率分辨率不足,太大则会使矩阵过于稀疏。对于周期信号,建议L取目标周期的整数倍;对于趋势分析,L通常取较大值(如N/2)。
2.2 奇异值分解:特征模式提取
对轨迹矩阵X进行奇异值分解(SVD),得到:
X = UΣVᵀ
其中U是L×L的正交矩阵,V是K×K的正交矩阵,Σ是L×K的对角矩阵(奇异值按降序排列)。这个分解的物理意义在于:
- U的列向量(左奇异向量)代表特征时间模式
- V的列向量(右奇异向量)代表特征空间模式
- 奇异值σᵢ表示对应模式的能量大小
在MATLAB中,我们可以用经济型SVD提高计算效率:
matlab复制[U, S, V] = svd(X, 'econ');
sigma = diag(S); % 奇异值向量
2.3 成分重构:对角平均技巧
对每个奇异值σᵢ,我们可以重建其对应的成分矩阵:
Xᵢ = σᵢ uᵢ vᵢᵀ
其中uᵢ和vᵢ分别是U和V的第i列。要将这个矩阵转换回时间序列,需要使用对角平均(Diagonal Averaging)技术:
matlab复制function x_rec = diagonal_averaging(Xi)
[L, K] = size(
