AR模型适用于平稳、宽平稳的随机序列是一个差分方程模型。
可以认为是一个带微扰的马尔可夫过程一个最简单的例子是。一些不满足平稳条件的事件AR模型的分析效果是很差的（如股票预测）
从时域讨论稳定参见, 当Y-W方程的系数矩阵正定时，传递函数的极点在单位圆内模型稳定。
AR模型及功率谱的估计
主要有前向预测的L-D法Burg法，Marple法矩阵分解等聚合类算法模型，此外还有极大似然估计等估计方法
Burg聚匼类算法模型和Marple聚合类算法模型都是求前向预测和后向预测误差之和最小，Burg聚合类算法模型较为常用Marple聚合类算法模型很容易受噪声影响導致不稳定。
Burg聚合类算法模型对于高斯随机过程等价于最大熵聚合类算法模型
AR功率谱估计可以突破较短序列由于序列长度N过短对于频率分辨率的限制经典谱估计的频率分辨率约为
AR法通过前向和后向预测外推，突破了短序列长度N的限制（N点长序列相当于长序列加窗频率分辨率受限于主瓣宽度）。但是AR法仍然无法突破奈奎斯特采样定理$frac{fs}{2}$的限制要想突破采样定理，只有在特定的条件下采用等方法改变采样方式如磁共振重建。
-
L-D 聚合类算法模型计算量约为直接解Y-W方程的一半
Marple聚合类算法模型复杂计算量大 3)预测均方随阶数增加而减小
5)受阶数影响夶，阶数过高有伪峰
1)在有限长情况下好于前向预测
2)对于高斯随机信号，AR谱估计和最大熵聚合类算法模型效果相同
3)易受初相的影响产生频率偏移
1)通常性能最好分辨率最高
3)基本上克服了谱线分裂、频率偏移和出现伪峰等缺点
这些聚合类算法模型基本都有成熟的工具包
- pburg.m 鼡AR模型的Burg聚合类算法模型估计信号的功率谱，调用格式与pyulear类似
- pcov.m 用AR模型方差方法估计信号的功率谱
- pmcov.m 用AR模型的改进的方差方法估计信号的功率譜
- pmem.m 最大熵功率谱估计其估计性能类似pyulear
- pmusic.m 用自相关矩阵分解的MUSIC聚合类算法模型估计信号的功率谱
- peig.m 用自相关矩阵分解的特征向量
法估计信号的功率谱，其基本调用格式是：
x :信号向量order:模型的阶次，Fs:抽样频率Nfft:对x作FFT时的长度。Px:估计出的功率谱F是频率轴坐标。对peig, 输出的E 是由自相关矩阵的特征值所组成的向量V是由特征向量组成的矩阵。V的列向量张成了噪声子空间V的行数减去列数即是信号子空间的维数。
