WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 32 |

Рассмотрение начнем с находящейся под воздействием входного непрерывного случайного сигнала системы, описываемой нелинейным дифференциальным уравнением первого порядка dx(t) = ft (x) + t (x) (t), xt0 = x(0), (2.42) dt где ft()и t() - детерминированные дифференцируемые функции своих аргументов, удовлетворяющие условию регулярности |ft(x)|2+|t(x)|2k2(1+|x|2), k - постоянная величина, (t) - входной стационарный центрированный случайный процесс с конечным временем корреляции. Приведем некоторые результаты, вытекающие из анализа уравнения (2.42). Если для случайной функции (t) ее интервал корреляции удовлетворяет условию -ft (x) T0 >>, (2.43) x где T0 - характерная постоянная времени системы, то вместо уравнения (2.42) можно использовать стохастическое дифференциальное уравнение (2.16) dx(t) = ft (x) + t (x)(t), xt0 = x( 0 ) (2.44) dt или в эквивалентной форме (2.15) уравнение dx(t)=ft(x)dt+t(x)dB(t), xt0 = x( 0), (2.45) решением которых является диффузионный марковский процесс, а (t) и B(t) введенные в разд. 2.2. гауссовский белый шум и винеровский процесс. Интервал корреляции марковского процесса определяется характерной постоянной времени системы – T0. В силу ранее рассмотренных свойств винеровского процесса этот процесс не дифференцируем, но сохраняет свойства непрерывности. Покажем, что случайный процесс, определяемый уравнением (2.45) является марковским процессом. Действительно, интеграл уравнения (2.17) изза статистической независимости приращений винеровского процесса при tt0 в момент времени t>t0 зависит от x0 и от значений правой части этого уравнения и не зависит от значений x(t) до момента времени t0. Таким образом, правая часть этого уравнения при t>t0 статистически независима от ее значений при t

На основании (2.33) и (2.34) с учетом записи стохастического дифференциального уравнения (2.44) в форме Ито коэффициенты сноса и диффузии соответственно равны K1(x,t) = f1(x), K2(x,t) = N t2(x).

Если коэффициент сноса является линейной функцией x(t), а коэффициент диффузии постоянной величиной, не зависящей от x(t), то одномерная плотность вероятностей становится гауссовской. Как уже отмечалось, аналитический аппарат марковских процессов позволяет разработать общие методы определения статистических характеристик случайных процессов. Для гауссовских марковских процессов указанные методы достаточны просты и приводят к решению линейных дифференциальных уравнений относительно математического ожидания и корреляционной функции (дисперсии) процесса. Отметим, что из-за необходимости выполнения условия уравнения (2.32), не каждый гауссовский процесс обладает марковскими свойствами. Действительно, после подстановки условной плотности (2.4) для моментов времени t1,t2 и t2,t3 в это уравнение, последующего интегрирования, получаем соотношение, из которого следует равенство для введенных в разделе 2.1.

коэффициентов корреляции r(t1,t3)=r(t1,t2)r(t2,t3).

Для стационарного процесса при 1=t2-t1 и 2=t3-t2 это выражение принимает форму r(1+2)=r(1)r(2). Этому соотношению соответствует корреляционная функция экспоненциального вида.

В качестве примера приведем уравнение напряжения на выходе апериодического звена (RC-цепочки) с постоянной времени -1=RC при воздействии на вход звена белого шума (t) со спектральной плотностью N dx(t) = -x(t) + (t), =, x0 = x( 0 ). (2.46) dt Для рассматриваемого случая коэффициенты сноса и диффузии соответственно равны K1=-x(t), K2= N2.

Общее решение этого уравнения имеет вид t x(t) = x0 exp{-t}+ exp{-(t - )}( )d.

Математическое ожидание x(t) с учетом M{(t)}=0 равно mx(t)=M{x(t)}=x0exp{-t}.

Корреляционная функция, принимая во внимание M{(t1)(t2)}= N(t2-t1), K2x (t1,t2) = M{[x(t1) - mx(t1)][x(t2) - mx (t2)]} = t1 t= N exp{-[(t -1) + (t2 -2)]} (t2 - t1)d1d2.

0 На основании фильтрующих свойств дельта-функции окончательно получаем N k2x (t1,t1 + ) = exp{- | |}(1- exp{-2t1}), = t2 - t1.

Отсюда при =0 дисперсия принимает вид N Dx(t) = (1- exp{-2t}).

Для более точного описания реальных сигналов прибегают к многомерному марковскому процессу. Образуя векторный процесс x(t)=||x1...xr||T, можно заменить реальный исходный процесс компонентой r-мерного марковского процесса. С одной стороны, чем выше размерность марковского процесса, тем точнее аппроксимируется исходный процесс, с другой стороны, это усложняет модели сигналов, что приводит к более сложным синтезируемым алгоритмам обработки информации.

Рассмотрим механизм формирования гауссовского многомерного марковского процесса с использованием представлений о формирующем фильтре. Ранее было показано, при каких условиях реальный сигнал можно аппроксимировать одномерным марковским процессом. Рассмотрим случай, когда условие (2.43) не выполняется и интервал корреляции процесса (t) соизмерим с характерной постоянной времени системы. Можно представить, что воздействие (t) является реакцией некоторой фиктивной системы первого порядка на воздействие типа белого шума. Таким образом, приходим к двумерному марковскому процессу. В общем случае в зависимости от характера процесса фиктивная система (или формирующий фильтр) может иметь более высокую размерность и описываться стохастическими линейными дифференциальными уравнениями первого порядка (уравнениями состояния системы) относительно компонент (переменных состояний) векторного марковского процесса dx1(t) = - f1x1(t) + x2(t) + 1(t), dt dx2(t) = - f2x1(t) + x3(t) + (t), dt........................................................ (2.47) dxr -1(t) = - fr -1x1(t) + xr (t) + (t), r -dt dxr (t) = - fr x1(t) + (t), r dt или в векторной форме dx(t) = Fx(t) + (t), x0 = x( 0), (2.48) dt где - f1 10... 1 0............

- f2 01... 0 0........

F =......, =....................

- fr -1 0...01 0...... 0 r-- fr 0....0 0.......... r Таким образом, за счет расширения вектора состояния системы удается сколь угодно точно аппроксимировать реальный случайный сигнал.

Последовательно дифференцируя уравнения первого порядка (2.47) можно получить стохастическое дифференциальное уравнение какой-либо компоненты многомерного гауссовского марковского процесса, например, x1(t)=x(t) r r -d d x(t) + f1 -1 x(t) +... + fr x(t) = dtr dtr (2.49) r -1 r -d d = 1 -1(t) + (t) +... + (t) 2 r dtr dtr -Путем замены s=d/dt непосредственно из уравнения (2.49) получают дробно-рациональную относительно s передаточную функцию формирующего фильтра 1sr -1 + sr -2 +... + 2 r w(s) =.

sr + f1sr -1 +... + fr По передаточной функции этого фильтра (после замены s=j) и спектральной плотности белого шума N на основании известной методики [9] определяют спектральную плотность компоненты x1(t) многомерного диффузионного марковского процесса Fx1 () =| w( j) |2 N.

Она также является дробно-рациональной относительно функцией. Таким образом, гауссовский марковский случайный процесс имеет дробно-рациональную спектральную плотность.

Следовательно, любой гауссовский случайный процесс с дробнорациональным спектром может быть представлен марковским процессом. Приведенный результат имеет важное значение, так как спектральную плотность реального процесса всегда можно аппроксимировать с определенной степенью точности рациональной функцией частоты. И поэтому реальный даже, может быть, гауссовский, но не марковский процесс приближенно можно представить в виде марковского процесса.

Многомерный оператор уравнения ФПК для уравнения (2.48) принимает вид r r 1 Lr{} = - [Fx(t)]i{}+ [N T ]ij {}, xi 2 xix i=1 i, j =1 j где [NT]ij - (ij) компонента матрицы NT;

[Fx(t)]i - i компонента вектора Fx(t).

Для общего уравнения многомерного диффузионного марковского процесса dx(t) = ft (x) + t (x)(t), (2.50) dt каждая из компонент которого задана стохастическим дифференциальным уравнением первого порядка в форме Ито r dxi (t) = fit (x) + (x)i (t), ijt dt j =многомерный оператор ФПК равен (2.41), где K1i (x,t) = fit (x), r K2ij (x,t) = N ikt (x) (x).

kt jkt k =В технических приложениях также находят широкое применение сигналы, математическая модель которых описывается детерминированной функцией времени t и вектора случайных величин a: St(a), где вектор a зависит от неизвестных параметров (a1,...,ak). Эти параметры неизменны на интервале наблюдения, но имеют начальное распределение, т.е. являются случайными величинами. Процессы, зависящие от этих параметров, называются квазидетерминированными сообщениями. Такими процессами могут k являться сигналы вида x(t) = i (t), где {i(t)} a j j =детерминированные функции времени. В частности, этим сигналом описывается равноускоренное (замедленное) движение объектов по координате x при t0=x(t) = a t j -1, a = ||a1 a2 a3||T (2.51) j j =или x(t)=x0+vt+aуt/2, где a1=x0, a2=v, a3= aу/2.

Очевидно, что квазидетерминированный процесс относится к вырожденному частному случаю марковского диффузионного процесса. От этой модели, в которой сигнал меняется случайным образом, всегда можно перейти к более простой с постоянными параметрами. Так как в конкретной реализации случайного процесса вектор параметров постоянен, необходимо считать F==0 и уравнение (2.48) принимает вырожденную форму dat=0, решение которого совпадает с заданным начальным условием a0 = a = ||a1 a2 a3||T.

Переходная плотность вероятностей для моментов времени ti-1 и ti принимает дельтаобразный вид (ai|ai-1)=(ai-ai-1), а многомерная n плотность вероятностей p(a0, a1,..., an ) = p(a0) (ai - ai-1), где p(a0) i=- начальная плотность вероятностей. При дальнейшем упрощении марковских моделей можно прийти к детерминированному процессу – известному сигналу f(t). В этом случае многомерная плотность вероятностей имеет вид n p(x0, x1,..., xn) = (xi - f (ti )).

i=2.3.8. ВРЕМЕННАЯ ДИСКРЕТИЗАЦИЯ МАРКОВСКОГО ПРОЦЕССА Применение марковских моделей процессов, как уже ранее отмечалось, существенно упрощает реализацию алгоритмов обработки информации, так как используются последние результаты наблюдения (измерения) и некоторые статистики от всех предшествующих наблюдений. В этом случае указанные алгоритмы оказываются рекуррентными, функционирующие в режиме дискретного времени. Они описываются системой уравнений первого порядка в конечных разностях (разностными уравнениями). Кроме того, указанный подход соответствует характеру вычислительного процесса цифровых ЭВМ: чередованию временных моментов приема отсчетов входного сигнала и выдачи результатов расчета, отделенных друг от друга интервалом обработки (расчета) входного сигнала.

Пусть поведение системы характеризуется одномерным стохастическим нелинейным дифференциальным уравнением (2.45).

Решением этого уравнения является рассмотренное в разделе (2.22) интегральное представление в форме Ито t t x(t) = x0 + f (x)d + (x)dB( ), t0 tгде дифференциал винеровского процесса dB()=()d.

Представим интервал (t0,t) в виде непрерывной последовательности неперекрывающихся, примыкающих друг к другу одинаковых подынтервалов t=tn+1-tn, называемых шагом дискретизации, t-t0=[k]t, где [k] - ближайшее целое число, удовлетворяющее соотношению t - t0 kt, [k] =1,n.

Запишем интегральное представление для малого шага дискретизации. Учитывая непрерывность функций f() и (), получим реализующую реккурентную процедуру уравнение в конечной разности первого порядка x(tn+1, ) = x(tn, ) + f (x,tn, )t + (x,tn, )B(tn, ) (2.52) где 01, tn+1,=tn+1+(1-)tn, B(tn,)=(tn,)t.

С помощью параметра отсчет приближенного значения x фиксируется внутри интервала (tn,tn+1). Действительно, это уравнение является рекуррентным, так как позволяет при увеличении n шаг за шагом, используя независимость приращений винеровского процесса на неперекрывающихся интервалах времени, получить последовательность дискретных отсчетов оценок процесса x.

Неточность полученных решений связана с тем, что уравнению (2.52) можно сопоставить бесконечное число уравнений в конечных разностях (через точки отсчетов можно провести бесконечное число кривых). Вследствие этого точное решение уравнения (2.52) представляет чрезвычайно сложную задачу. Кроме того, в правой части уравнения (2.52) присутствует белый шум, дисперсия которого бесконечна. В то же время в реальных условиях использования рекуррентных процедур в цифровых ЭВМ дискретные отсчеты случайных процессов должны соответствовать сигналам с ограниченной дисперсией. Конструктивное решение этих проблем может быть осуществлено сглаживанием сигналов на шаге дискретизации и приданию параметру определенного значения с последующей оценкой погрешности полученного решения.

Путем сглаживания на шаге дискретизации получают дискретный белый шум tn +t n = (t)dt.

t tn Действительно, дисперсия в этом случае на основании фильтрующих свойств -функции принимает конечное значение, зависящее от t tn +t Dn = M{ (tn )} = M{(t1)(t2)}dt1dtt2 tn tn +t N n = n N (t2 - t1)dt1dt2 =, t t2 tn и при t0 бесконечно возрастает, что соответствует переходу к непрерывному времени. Математическое ожидание дискретного белого шума равно нулю tn +t mn = M{(tn )} = M{(t)}dt = 0.

t tn Таким образом, дискретный белый шум представляет собой последовательность независимых гауссовских случайных величин {n} с нулевым математическим ожиданием и дисперсией Dn=Nn/t.

Аналогичным образом в качестве временных дискретных отсчетов марковских процессов также необходимо использовать осредненные значения tn +t xn = x(t)dt.

t tn На практике, не внося сколько-нибудь существенную погрешность, учитывая малое значение шага дискретизации и непрерывность x(t), ограничиваются временными отсчетами марковского процесса.

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 32 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.