Использование преобразования Лапласа 2 страница

даточной функции.(Диф. уравнение преобразует-

ся по Лапласу). Передаточная функция записы-

вается для удобства в комплексном виде, на

мнимой оси p=jw можно найти АЧХ и ФЧХ линей-

ной системы. Передаточная функция дает инфор-

мацию об устойчивости системы.

3) Нелинейные динамические системы описываются

нелинейными диф. уравнениями, в этих системах

обязательно есть нелинейность вида (

и др.), общих решений и анализа через переда-

точную функцию как правило не существует, по-

этому есть два метода:

а) численный метод (Эйлера и др.) (восстановле-

ние по точкам)

б) решение диф. уравнений методом фазового порт-

рета (качественная теория). (Это наглядный

путь выяснения поведения нелинейной системы)

Стохастические системы

Стохастика - случайность.

Определение: Динамическая система называется стохастичес-

кой, если она описывается дифференциальным

или разностным уравнением, в правую часть

которого входит случайный процесс.

Такую систему можно представить в виде линейного или не-

линейного четырехполюсника, на вход которого подается шум

Стохастическая

x(t) система X(t)

x(t)- шум

X(t)- выходной процесс

Составление модели любой динамической системы должно

в реальных условиях(например движение самолета или раке-

ты) составляться с помощью предварительных экспериментов

над движением реальной системы. (Как правило это диффе-

ренциальные или разностные уравнения) и в эти уравнения

вставляется некоторый шум, который является случайным

процессом.

Для дальнейшего составления модели используется иден-

тификация модели на основании эксперимента или экспери-

ментальных данных.

Идентификацией называется оценка коэффициентов разност-

ного уравнения и оценка параметров шума:

дисперсии, мат. ожидания, ковариации и др.

Идентификация служит для того, чтобы реальный процесс и

модель были близки.Получив модель мы имеем возможность,

используя эту модель, получить близкую к реальной карти-

не ситуацию движения системы и создать управление ситуа-

цией по нашей модели.

Вывод: Модель нужна, чтобы на ЭВМ научиться проектировать

управляемые динамические системы для любых такти-

ческих ситуаций, известных из практики.

Правильно созданная модель - это максимум успеха в проек-

тировании эффективной систе-

мы. После создания и отработки модели стохастической ди-

намической системы создается аппаратура по этой модели,

которая проверяется на динамическом стенде.

Динамический стенд - 2й этап моделирования реальной ситу-

ации уже с аппаратурой.

3й этап состоит в проверке аппаратуры на полигоне.(На

борту транспортного или военного средства).

Моделирование случайных процессов с дискретным временем

(1) - выборка случайного процесса с дискретным

временем.

X(t) Процесс (1) в общем виде очень

трудно анализировать, этот про-

цесс, как правило, получен из

эксперимента. Этот реальный

процесс обычно аппроксимируется

другим процессом, который поз-

волит нам математически созда-

t вать модели, близкие к реально-

му процессу.

Такое создание моделей называется - аппроксимацией.

Сам аппроксимирующий процесс называется агрегат.

Марковская аппроксимация случайных процессов

Марковским процессом называется такой процесс, у которого

многомерная плотность вероятности

факторизуется в следующем виде: . Некоторые

значения фазовых переменных в n-мерном пространстве - это

многомерная плотность вероятности

Двумерная плотность Многомерная ФПВ несет всю ин-

вероятности формацию о случчайном процес-

W(x,y)се. Больше информации не су-

ществует.

Однако использовать эту мно-

гомерную ФПВ чрезвычайно сло-

жно на практике, поэтому час-

то прибегают к некоторым ап-

проксимациям процесса:

Y

X

Аппроксимировать - выбрать такие отсчеты

процесса в моменты времени , чтобы все были

независимы, тогда многомерная ФПВ факторизуется следую-

щим образом: - факторизация.

Однако при такой факторизации может потеряться информа-

ция о случайном процессе. Есть потеря информации для

произвольных отсчетов (кореллированность процесса).

Существует 2й способ аппроксимации - марковский способ

аппроксимации. Для марковских процессов многомерная ФПВ

факторизуется так:

(2) , где - ус-

ловная плотность вероятности.

Факторизация (2) позволяет сильно упростить математичес-

кие выкладки в задачах фильтрации и управления.

Определение: Процесс называется марковским, если выпол-

няется условие (2)

Оказывается, существует очень много генераторов марковс-

ких процессов. Мы переходим к их рассмотрению.

Процессы авторегрессии

Процесс авторегрессии - простой генератор марковского

процесса.

1. Односвязная регрессия

(3)

- задано.

- от генератора белого шума

- корреляция.

Если а<1, то ®0 имеем

устойчивый процесс.

a<1

Если а>1 - неустой-

чивый процесс 1 2 3 4 n

®¥ (P=1)

x(t) a=0.9

a³1

a=0.3

1 2 3 4 5 n t

а=1 - модель взрыва. Если - гауссовский случайный про-

цесс, то легко доказать, что многомерная ФПВ факторизует-

ся.

а - коэффициент регрессии.

Если 0<a<1, то можно доказать, что а - это коэффициент

корреляций между и .

Если процесс изменяется очень медленно, то он сильно кор-

релирован. Коррелированными процессами очень легко управ-

лять и они очень легко анализируются и прогнозируются.

Генератор марковского процесса, реализующий авторегрессию

1-го порядка

(1)

Генератор

- марковский случайный процесс

- генератор случайных чисел (в ЭВМ)

i = 0,1,2...n

Утверждение (1): процесс (1) является марковским.

Доказательство: Пусть заданная величина. Процедура (1) называется реккурсивной или иттеративной, рекурент-

ной.

(2)

Пусть ~ , где 0-среднее, - дисперсия.

В формуле (2) разность имеет гауссовкий процесс распре-

деления или:

(3)

(4)

(3) получено из (4) и (2) заменив на . Поскольку

- независимые по условию, то имеем:

Утверждение доказано. Процесс (1) является марковским.

Структурная схема генератора марковского процесса

реализация рекурсии

a |¾¾| рис. 1

T

|¾¾| - линия задержки.

Это структурная схема 4х полюсника, которая реализует

генерацию марковского случайного процесса . Это генера-

тор с внешним возбуждением, который возбуждается с по-

мощью независимого гауссовского процесса .

Сетка дискретного времени:

|¾¾|¾¾|¾¾|¾¾® t

T

Утверждение (2)

На выходе 4х полюсника процесс ,i=1,2...n - коррелиро-

ван, с коэффициентом корреляции ‘a’.

Доказательство: Из (1) имеем , берем мат-

ожидание, ,

, - коэффициент корреляции.

Утверждение доказано.

Вывод: На вход схемы рис.1 идет некоррелированный слу-

чайный процесс , а следовательно независимый.

(если процесс гауссовский и некоррелированный, то

он независимый, для других процессов это неверно)

В природе наиболее часто встречается гауссовский

случайный процесс. На выходе схемы - зависимый

коррелированный марковский процесс, у которого

плотность факторизуется по условным плотностям.

- не факторизуется

- факторизуется

Процесс (1) называется односвязный марковский

процесс.

Замечание: Процесс (1) получен при дискретизации непре-

рывного линейного диф. уравнения 1-го порядка.

без учета стохастической правой час-

ти

На сетке дискретного времени имеем:

; - получаем обычную (не

стохастическую) авторегрессию.

Tc+1=a

Авторегрессия 2-го порядка - двухсвязный процесс

(1)

Коэффициенты называются коэффициентами регрес-

сии. Уравнение (1) без стохастической правой части легко

получается из диф. уравнения 2-го порядка. Уравнение (1)

реализует генератор марковского процесса, который называ-

ется двухсвязным в зависимости от входного процесса .

генератор

марковского рис.2

двухсвязного

процесса

На вход генератора действует белый шум. На выходе - двух

связный марковский процесс.

g(f)

белый шум

0 f f

В зависимости от коэффициентов ны выходе будут раз-

личные процессы. Процесс (1) получается из линейного диф.

уравнения 2-го порядка, если это диф. уравнение рассмат-

ривать на временной сетке (дискретна во времени).

Известно, что диф. уравнение 2-го порядка имеет реше-

ние в виде комплексной экспоненты, если корни характерис-

тического уравнения комплексные, аналогично для некоторых

значений коэффициентов , процесс авторегрессии будет

иметь вид стохастической синусоиды.

Генератор двухсвязного марковского процесса

|¾¾| |¾¾|

T - период дискретизации

Изменение по синусоиде называется синусоидальный тренд.

Марковский процесс 2-го порядка более богатый, чем 1-го,

с помощью него можно моделировать более сложные процессы.

Авторегрессия m-го порядка

(2)

- возбуждающий белый шум.

Процесс (2) получен из диф. уравнения m-го порядка путем

дискретизации. Это марковский процесс с дискретным време-

нем.

Этот процесс значительно более информативен, чем ра-

нее рассмотренные, ибо он может моделировать сложномоду-

лированные случайные процессы. Он может модулировать АМ,

ЧМ, ФМ путем подбора , а также подбором мож-

но идентифицировать очень многие случайные процессы ре-

ально существующие на практике, например: хорошо моду-

лируется движение летательнвх аппаратов при маневре (рег-

рессия m=6¸16), речь, полет космического корабля, посадка

на планету.Стохастическая модель удобна потому, что она адекватна реальным ситуациям.

Генератор m-связного марковского процесса

|¾¾|...... |¾¾| |¾¾|

Разностные модели на примере модели 2-го порядка

(3) - разностная модель 2-го порядка

- приращение, характеризует скорость изменения

процесса

Модель с приращением удобна в том

плане, что не требуется заранее

знать коэффициенты регрессии.

Разностные модели 3-го порядка

(4)

- 1-я разность

- 2-я разность

1-я разность характеризует скорость изменения случайного

процесса.

2-я разность характеризует ускорение.

Модель (3) и (4) очень широко иcпользуется на практи-

ке, т.к. здесь почти нет коэффициентов, которые нужно

идентифицировать (а и ), они легко подбираются на ЭВМ

по методу наименьших квадратов. Для этого надо иметь ре-

альный процесс отсчетов, модель (4) и нужно воспользо-

ваться следующей формулой МНК/метод наименьших квадратов/

min где, - модель,

- реальный процесс

Суть МНК состоит в следующем:

Есть m-отсчетов реального процесса, есть m-отсчетов

модели, составляется сумма квадратов и подбираются пара-

метры (а, ) так, чтобы минимизировать эту сумму (делает-

ся это на ЭВМ)(метод перебора) но в авторегрессии m-го

порядка. Сделать это очень сложно.

Модели скользящего среднего

Пусть - независимая случайная величина, с произвольным распределением (очень часто гауссовское распределение)

М =0; М = ; (процесс не коррелирован)

Тогда процесс

(1)

называется процессом скользящего среднего. Этот

процесс сформирован полностью из шума (из белого шума)

путем сдвига и весового суммирования.

( - весовые коэффициенты). Сумма (1) генерирует

процесс . Процесс - коррелированный марковский

процесс.

Генератор скользящего среднего для формулы (1)

a

i

x

: i

:

Модель авторегрессии и скользящего среднего

авторегрессия скользящее среднее

генератор генератор

случайного сигнала авторегресии

Здесь - белый шум;

- марковский(модельный)процесс, n=1,2....

Между генераторами процесс коррелирован.

Многомерная марковская модель

(1) , где

; ;

Это самая распространенная модель

(2)

В модели (1) шумы характеризуются матрицей ковариации в

отличие от авторегрессии, под которой понимается следую-

щее:

; ;

- столбец

- строка

Элементы матрицы состоят из корреляции внутри столбика

шума. Столбики между собой коррелированы.

Модель нелинейной регрессии

(3)

(4)

В формулах (3)(матричная форма записи),и (4)(скалярная

форма записи) индексы при ‘Х’ это не степени, а номера в

формуле столбика.

(3) и (4) - самая информативная модель, все предыдущие

модели получаются как частный случай из этой модели. Нап-

ример модель речи линейная и нелинейная, но нелинейная

более точная.

Глава 4

Динамические системы наблюдаемые на фоне

шумов

Одномерные динамические системы и фильтр Калмана

(1) ;

Шумы - называются шумами наблюдения (для активных по-

мех). Задачу фильтрации будем решать методом наименьших

квадратов. Задача фильрации требует уменьшить .

Вводим эмпирический риск:

(2)

- Это есть классическая запись метода наименьших квадра-

Дата добавления: 2014-12-16