白噪声是时间序列预测中的一个重要概念。如果一个时间序列是白噪声，它是一个随机数序列，不能预测。如果预测误差不是白噪声，它暗示了预测模型仍有改进空间。
什么是白噪声时间序列？
时间序列可能是白噪声。时间序列如果变量是独立的且恒等分布的均值为0，那么它是白噪声。这意味着所有变量具有相同的方差 (sigma^2)，并且每个值与该系列中的所有其他值具有零相关。
如果序列中的变量被高斯分布绘制，则该系列称为高斯白噪声。
为什么这么重要？
白噪声是时间序列分析和预测中的一个重要的概念。
重要的两个主要原因为：
1.可预测性：如果你的时间序列是白噪声，那么根据定义它是随机的。你无法对它合理的建模并进行预测。
2.模型诊断：时间序列上一系列误差的预测模型最好是白噪声。
模型诊断是时间序列预测的重要领域。
时间序列数据在潜在的因素产生的信号上被预测，它包含一些白噪声成分。
例如：
y(t)= signal(t)+ noise(t)
通过时间序列预测模型进行预测，可以对其进行收集和分析。在理想情况下，预测误差应该是白噪声。
当预测误差为白噪声时，意味着时间序列中的所有信号已全部被模型利用进行预测。剩下的就是无法建模的随机波动。
模型预测的信号不是白噪声则表明可以进一步对预测模型改进。
你的时间序列白噪音吗?
你的时间序列如果符合下面条件则不是白噪声:
你的序列均值为零吗?
方差随时间变化吗?
值与延迟值相关吗?
你可以用一些工具来检查你的时间序列是否为白噪音:
创建一个折线图。检查总体特征，如变化的平均值，方差或延迟变量之间的明显关系。
计算汇总统计。对照序列中有意义的连续块的均值和方差，检查整个序列的均值和方差(如年、月、日)。
创建一个自相关的图。检查延迟变量之间的总体相关性。
白噪声时间序列的例子
在本节中,我们将使用Python创建一个高斯白噪声序列并做一些检查。它有助于在实践中创建和评估白噪声时间序列。它将提供参考框架和示例图并且使用和比较自己的时间序列项目的统计测试，以检查它们是否为白噪声
首先，我们可以使用随机模块的gauss()函数创建一个1,000个随机高斯变量的列表。
我们将从高斯分布提取变量：平均值(mu)0.0和标准偏差(sigma)1.0。
一旦创建,为方便起见，我们可以在Pandas序列中打包这个列表。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plot# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)
接下来，我们可以计算和打印一些汇总统计数据，包含序列的平均值和标准偏差。
# summary statsprint(series.describe())鉴于我们在绘制随机数时定义了平均值和标准偏差，所以应该不会有意外。
count 1000.000000mean -0.013222std 1.003685min -2.96121425% -0.68419250% -0.01093475% 0.703915max 2.737260我们可以看到平均值接近0.0，标准偏差接近1.0。考虑到样本较小预测会有些误差。
如果我们有更多的数据，将序列分成两半计算和比较每一半的汇总统计可能会更有趣。我们认为每个子系列的平均值和标准差都会相似。
现在我们可以创建一些序列的线条图。
# line plotseries.plot()pyplot.show()
我们可以看到，这个序列似乎是随机的。
我们还可以创建直方图，并确认分布是高斯分布。
# histogram plotseries.hist()pyplot.show()
事实上，直方图显示了典型的钟形曲线。
最后，我们可以创建一个自相关图并检查延迟变量的所有自相关。
# autocorrelationautocorrelation_plot(series)pyplot.show()自相关图没有显示任何显著的自相关特征。在峰值时可信度达在95％和99％，但这只是统计的偶然情况。
为了完整性，下面提供了完整的代码清单。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plotfrom matplotlibimport pyplot# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)# summary statsprint(series.describe())# line plot
series.plot()pyplot.show()# histogram plot
series.hist()pyplot.show()# autocorrelationautocorrelation_plot(series)pyplot.show()
原文：网页链接
加性高斯白噪声属于白噪声的一种，有如下两个特点：
random.gauss(mu, sigma) 其值即服从高斯分布，若想要是实现加性高斯白噪声，循环作加即可
实际上逆滤波是维纳滤波的一种理想情况，当不存在加性噪声时，维纳滤波与逆滤波等同。
在时域内有
根据时域卷积定理，我们知道 时域卷积等于频域乘积
则有
这意味着，当我们已知系统函数时，我们可以很简单的完成滤波。
理解了逆滤波的基本过程之后，实际上维纳滤波就不是太大问题了。实际上，逆滤波对于绝大多数情况滤波效果都不好，因为逆滤波是通过傅里叶变换将信号由时域转换到频域，再根据 时域卷积定理 ，在频域作除法。对于乘性干扰这当然是没问题的，甚至是完美的。而如果存在加性噪声，例如：加性高斯白噪声。逆滤波效果就不好了，某些情况下几乎无法完成滤波情况。
输入信号经过系统函数后
时域上
频域上
若存在加性噪声则为
时域上
频域上
则
于是，从上面对输入信号的估计表达式可以看出，多出了一项加性噪声的傅里叶变换与系统函数的比值。尤其当 相对于 很小时，滤波后的信号差距十分严重。
而我们又知道： 白噪声的白为噪声的功率谱为常数 ，即 为常数，于是，从直观上看，当 相对于 较大时，则 较小，上式第一项则较小，而第二项较大从而保持相对平稳。
click me!
任意波形的生成 (geneartion of arbitrary waveform) 在商业，军事等领域都有着重要的应用，诸如空间光通信 (free-space optics communication)， 高速信号处理 (high-speed signal processing)，雷达 (radar) 等。在任意波形生成后， 如何评估生成的任意波形 成为另外一个重要的话题。
假设有一组实验数据，已知他们之间的函数关系：y=f(x)，通过这些信息，需要确定函数中的一些参数项。例如，f 是一个线型函数 f(x)=k*x+b，那么参数 k 和 b 就是需要确定的值。如果这些参数用 p 表示的话，那么就需要找到一组 p 值使得如下公式中的 S 函数最小：
这种算法被称之为 最小二乘拟合 (least-square fitting)。scipy 中的子函数库 optimize 已经提供实现最小二乘拟合算法的函数 leastsq 。下面是 leastsq 函数导入的方式：
scipy.optimize.leastsq 使用方法
在 Python科学计算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 对数字示波器采集的三角波数据导入进行了介绍，今天，就以 4GHz三角波 波形的拟合为案例介绍任意波形的拟合方法。
在 Python科学计算——如何构建模型？ 一文中，讨论了如何构建三角波模型。在标准三角波波形的基础上添加了 横向，纵向的平移和伸缩特征参数 ，最后添加了 噪声参数 模拟了三角波幅度参差不齐的随机性特征。但在波形拟合时，并不是所有的特征参数都要纳入考量，例如，噪声参数应是 波形生成系统 的固有特征，正因为它的存在使得产生的波形存在瑕疵，因此，在进行波形拟合并评估时，不应将噪声参数纳入考量，最终模型如下：
在调用 scipy.optimize.leastsq 函数时，需要构建误差函数：
有时候，为了使图片有更好的效果，需要对数据进行一些处理：
leastsq 调用方式如下：
合理的设置 p0 可以减少程序运行时间，因此，可以在运行一次程序后，用拟合后的相应数据对 p0 进行修正。
在对波形进行拟合后，调用 pylab 对拟合前后的数据进行可视化：
均方根误差 (root mean square error) 是一个很好的评判标准，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。
RMSE 用程序实现如下：
拟合效果，模型参数输出：
leastsq 函数适用于任何波形的拟合，下面就来介绍一些常用的其他波形：
