С.А. Прохоров, И.М. Куликовских ОРТОГОНАЛЬНЫЕ МОДЕЛИ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК СЛУЧАЙНЫХ ПРОЦЕССОВ Лабора...
57 downloads
187 Views
7MB Size
Report
This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form
С.А. Прохоров, И.М. Куликовских ОРТОГОНАЛЬНЫЕ МОДЕЛИ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК СЛУЧАЙНЫХ ПРОЦЕССОВ Лабораторный практикум
Самара 2008 г.
Прохоров Сергей Антонович – доктор технических наук, профессор, академик Международной академии информатизации, член-корреспондент Российской академии естественных наук, заслуженный работник высшей школы Российской Федерации, лауреат губернской премии в области науки и техники, премии Ленинского комсомола, конкурса на лучшую научную книгу 2005 года среди преподавателей высших учебных заведений, награжден медалями Келдыша М.В., Гагарина Ю.А. федерации космонавтики РФ, изобретателя СССР, «За заслуги перед городом Самара», нагрудным знаком «Ветеран космодрома Плесецк», заведующий кафедрой информационных систем и технологий Самарского государственного аэрокосмического университета. В качестве председателя Головного Совет Минвуза России по автоматизации научных исследований в период 1988-1996 г.г. руководил разработкой и выполнением шести научноисследовательских программ и подпрограмм АН СССР, Минэлектронпрома СССР, Минвуза России. Результаты его работы нашли отражение в 276 научных трудах, в том числе 15 монографиях, 12 брошюрах, 40 авторских свидетельствах, 6 работах опубликованных за рубежом, выступлениях более чем на 90 международных, Всесоюзных и республиканских конференциях и симпозиумах.
Куликовских Илона Марковна – инженер кафедры информационных систем и технологий Самарского государственного аэрокосмического университета имени академика С.П. Королева. Результаты её работы нашли отражение в 15 научных трудах, в том числе 2 монографиях, выступлениях на 12 международных и всероссийских конференциях.
УДК 681.518.3, 514:681.323/043.3/ ББК 32.965я73 Рецензенты: Заслуженный деятель науки РФ, член-корреспондент РАН, д. т. н., профессор Сойфер В.А.; д. ф.-м. н., профессор Жданов А.И.
П 10 Прохоров С.А., Куликовских И.М. Ортогональные модели корреляционно-спектральных характеристик случайных процессов. Лабораторный практикум/ СНЦ РАН, 2008. 301 с., ил. ISBN – 978-5-93424-351-8 Рассматриваются классические ортогональные полиномы и функции, определяются их основные характеристики, применяемые при построении и исследовании ортогональных моделей функциональных вероятностных характеристик случайных процессов (временных рядов). Анализируются методы, алгоритмы аппроксимативного анализа вероятностных функциональных характеристик временных рядов в различных ортогональных базисах: корреляционных функций и спектральных плотностей мощности, функций спектра и т.д. Предназначена для преподавателей, научных сотрудников, инженеров, аспирантов и студентов как руководство по изучению основ аппроксимативного анализа случайных процессов в ортогональных базисах.
ББК 32.965я73 Печатается по решению издательского совета Самарского научного центра Российской академии наук.
© С.А. Прохоров, 2008
3 5 7 9 15 15 24 25 25 26 26 31 31 32
СОДЕРЖАНИЕ СПИСОК СОКРАЩЕНИЙ ПРЕДИСЛОВИЕ ВВЕДЕНИЕ ИССЛЕДОВАНИЕ СВОЙСТВ ОРТОГОНАЛЬНЫХ ПОЛИНОМОВ 1.
1.1. 1.2. 1.3. 1.4. 2.
ИССЛЕДОВАНИЕ СВОЙСТВ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ
2.1. 2.2. 2.3. 2.4. 3.
6.
7.
ОРТОГОНАЛЬНЫЕ МОДЕЛИ КОРРЕЛЯЦИОННЫХ ФУНКЦИЙ
10.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ОРТОГОНАЛЬНЫЕ МОДЕЛИ СПЕКТРАЛЬНЫХ ФУНКЦИЙ
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ОРТОГОНАЛЬНЫЕ МОДЕЛИ ОБОБЩЕННЫХ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК
9.1. 9.2. 9.3. 9.4.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ПОСТРОЕНИЕ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ (АИС)
10.1. 10.2.
Теоретические основы лабораторной работы Задание на самостоятельную работу
33 33 34 34 35 36 36 48 48 48 49 49 70 70 71
ОРТОГОНАЛЬНЫМИ
ОРТОГОНАЛЬНЫЕ МОДЕЛИ СПЕКТРАЛЬНЫХ ПЛОТНОСТЕЙ МОЩНОСТИ
8.1. 8.2. 8.3. 8.4. 9.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
5.1. Теоретические основы лабораторной работы 5.2. Задание на самостоятельную работу 5.3. Содержание отчёта 5.4. Контрольные вопросы АППРОКСИМАЦИЯ КОРРЕЛЯЦИОННЫХ ФУНКЦИЙ ФУНКЦИЯМИ С УЧЕТОМ УСЛОВИЯ НОРМИРОВКИ 6.1. Теоретические основы лабораторной работы 6.2. Задание на самостоятельную работу 6.3. Содержание отчёта 6.4. Контрольные вопросы 7.1. 7.2. 7.3. 7.4.
8.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ЧАСТОТНЫЕ ХАРАКТЕРИСТИКИ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ
4.1. 4.2. 4.3. 4.4. 5.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ОПРЕДЕЛЕНИЕ МАКСИМАЛЬНОЙ ДЛИТЕЛЬНОСТИ И ИНТЕРВАЛА ДИСКРЕТИЗАЦИИ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ
3.1. 3.2. 3.3. 3.4. 4.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
72 72 80 81 81 82 82 94 94 94 95 95 100 101 101 102 102 116 117 117
118 118 126 3
10.3. 10.4. 11.
ПОСТРОЕНИЕ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ ВЗАИМНЫХ СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ АИС
11.1. 11.2. 11.3. 11.4. 12.
КОРРЕЛЯЦИОННО-
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ВЛИЯНИЕ ПОГРЕШНОСТИ ОЦЕНКИ КОЭФФИЦИЕНТОВ РАЗЛОЖЕНИЯ НА УВЕЛИЧЕНИЕ ПОГРЕШНОСТИ АППРОКСИМАЦИИ КОРРЕЛЯЦИОННОЙ ФУНКЦИИ ОРТОГОНАЛЬНЫМИ ФУНКЦИЯМИ
13.1. 13.2. 13.3. 13.4. 14.
126 127
АНАЛИЗ ПОГРЕШНОСТЕЙ ОЦЕНКИ КОЭФФИЦИЕНТОВ РАЗЛОЖЕНИЯ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННОЙ ФУНКЦИИ
12.1. 12.2. 12.3. 12.4. 13.
Содержание отчёта Контрольные вопросы
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
АНАЛИЗ МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ ОЦЕНКИ ПАРАМЕТРОВ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННЫХ ФУНКЦИЙ С ПОМОЩЬЮ АИС
14.1. 14.2. 14.3. 14.4.
Теоретические основы лабораторной работы Задание на самостоятельную работу Содержание отчёта Контрольные вопросы
ЗАКЛЮЧЕНИЕ СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ПРИЛОЖЕНИЕ
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24.
4
Вид ортогональных полиномов 0 – 5 порядков Лабораторная работа 1 Вид ортогональных функций 0 – 5 порядков Правила действий над коэффициентами производящих функций и интегральное представление комбинаторных чисел Лабораторная работа 2 Лабораторная работа 3 Частотные характеристики ортогональных функций Частотные характеристики ортогональных фильтров Лабораторная работа 4 Алгебраические выражения для вычисления коэффициентов разложения Лабораторная работа 5 Лабораторная работа 6 Лабораторная работа 7 Лабораторная работа 8 Лабораторная работа 9 Алгоритмы рекурсивной фильтрации АИС корреляционно-спектрального анализа в ортогональных базисах Руководство пользователя Формат вводимых и выводимых файлов Пример обработки экспериментальных данных Вид центрированных фотоплетизмограмм Лабораторная работа 12 Лабораторная работа 13 Краткие биографии математиков
128 128 134 135 135 136 136 138 138 139 140 140 144 144 144 145 145 150 151 151 152 153 157 157 159 165 167 171 178 183 196 207 211 218 228 237 241 243 247 249 258 266 267 275 279 284 288
СПИСОК СОКРАЩЕНИЙ АСНИ – автоматизированная система научных исследований; ВКФ – взаимная корреляционная функция; ВНКФ – взаимная нормированная корреляционная функция; ВР – временной ряд; ИВК – измерительно-вычислительный комплекс; ИИС – информационно-измерительная система; КФ – корреляционная функция; НКФ – нормированная корреляционная функция; ПО – процессор обработки; ПРИС – процессорно-измерительное средство; СП – случайный процесс; ) AΘ {x(t k ) } – алгоритм оценки вероятностной характеристики Θ; ) As {x( t k )} – алгоритм оценки сигнала; C x ( J ) – интервальная корреляционная функция; d – параметр усреднения (время T, совокупность реализаций N или время и совокупность реализаций TN ); ) Dx – оценка дисперсии; ent[ ] – операция взятия целой части числа; Fx (ω ) – спектральная функция; g[ ] – оператор, представляющий собой преобразования, лежащие в основе определения вероятностной характеристики Θ; K a (τ ) – аппроксимирующее выражение корреляционной функции; K axy (τ ) – аппроксимирующее выражение взаимной корреляционной функции; K x (τ ) – корреляционная функция стационарного случайного процесса; K x (t , t' ) – корреляционная функция случайного процесса; K xy (τ ) – взаимная корреляционная функция;
ψ k (τ ,α / γ ) – ортогональная функция k-го порядка;
M [ ] – оператор математического ожидания; Sd – оператор усреднения; Sign – знаковая функция; S axy (ω ) – аппроксимирующее выражение взаимной спектральной плотности мощности; o
S x (ω ) – спектральная плотность мощности процесса x (t ) ; o
S xн (ω ) – нормированная спектральная плотность мощности процесса x (t ) ; S xy (ω ) – взаимная спектральная плотность мощности; Wk ( jω ) – частотная характеристика ортогональных функций k-го порядка; x j (t ) – j-ая реализация случайного процесса; r x (Θ ,t ) – реализация случайного процесса; β k – коэффициент разложения ортогонального ряда; 5
bk – коэффициент разложения ортогонального ряда; ck – коэффициент разложения ортогонального ряда; Δ – погрешность аппроксимации; δ – относительная погрешность аппроксимации; Δt ji – интервал дискретизации; Δω ϕ – полоса пропускания фильтра; Δω c – эквивалентная ширина спектра мощности сигнала; γ см – погрешность от смещенности оценки; γ см доп , γ м доп – допустимые значения погрешностей оценки; γ м – методическая статистическая погрешность; μ – показатель колебательности; ) Θ j [ X (t )] – j-текущая оценка вероятностной характеристики; Θ [ X (t )],Θ – измеряемая вероятностная характеристика; r Θ) – вектор информативных параметров случайного процесса; Θ ср [ X (t )] – средняя оценка вероятностной характеристики; ) Θ [ X (t )] – оценка измеряемой вероятностной характеристики; ) Θ t [ X (t )] – t-текущая оценка вероятностной характеристики; ρ a (τ , α 1 , ... α n ) – аппроксимирующее выражение нормированной корреляционной функции; ρ x (τ ) – нормированная корреляционная функция стационарного случайного процесса; ρ x (t , t ′) – нормированная корреляционная функция случайного процесса; ρ xy (τ ) – взаимная нормированная корреляционная функция; rxy – коэффициент корреляции;
τ k( i ) – интервал корреляции; τ k max – максимальный интервал корреляции; r
Ω – вектор информативных параметров объекта исследований.
6
ПРЕДИСЛОВИЕ Предлагаемый Вашему вниманию лабораторный практикум, посвященный изучению ортогональных моделей корреляционно-спектральных характеристик случайных процессов, подготовлен для преподавателей, научных сотрудников, инженеров, аспирантов и студентов как руководство и дополняет следующие монографии: 1. Прохоров С.А. Аппроксимативный анализ случайных процессов./Самар. гос. аэрокосм. ун-т, 2001. 329 с., ил. 2. Прохоров С.А. Аппроксимативный анализ случайных процессов. – 2-е изд., перераб. и доп./СНЦ РАН, 2001. 380 с., ил. 3. Прохоров С.А. Математическое описание и моделирование случайных процессов/Самарский государственный аэрокосмический университет, 2001. 209 с.: ил. 4. Прохоров С.А. Моделирование и анализ случайных процессов. Лабораторный практикум/Самарский государственный аэрокосмический университет, 2001. 191 с.: ил. 5. Прохоров С.А. Моделирование и анализ случайных процессов. Лабораторный практикум. – 2-е изд., перераб. и доп./ СНЦ РАН, 2002. 277 с., ил. 6. Прохоров С.А., А.В. Иващенко, А.В. Графкин. Автоматизированная система корреляционно-спектрального анализа случайных процессов./ СНЦ РАН, 2003. 286 с., ил. 7. Прохоров С.А., Графкин А.В. Программный комплекс корреляционноспектрального анализа в ортогональных базисах./ СНЦ РАН, 2005. 198 с., ил. 8. Прикладной анализ случайных процессов. Под ред. Прохорова С.А./ СНЦ РАН, 2007. 582 с., ил. Представленные лабораторные работы можно разбить на три блока: 1) изучение свойств ортогональных полиномов и функций с использованием системы Mathcad (1 - 4 лабораторные работы); 2) построение ортогональных моделей корреляционно-спектральных характеристик с использованием системы Mathcad и автоматизированной информационной системы (5 - 11 лабораторные работы); 3) анализа погрешностей оценки параметров ортогональных моделей корреляционно-спектральных характеристик с использованием системы Mathcad и автоматизированной информационной системы (12 - 14 лабораторные работы). Материалы, представленные в лабораторном практикуме, получены в результате выполнения научно-исследовательских работ на кафедрах «Информационноизмерительная техника», «Информационная техника» Самарского государственного технического университета (СГТУ), «Информационные системы и технологии» Самарского государственного аэрокосмического университета (СГАУ), Самарском филиале Российского НИИ информационных систем, естественно-математическом факультете Загребского университета и «Центре исследования моря» института «Руджер Бошкович» (г. Загреб, Хорватия), выполненных под руководством и при непосредственном участии Прохорова С.А. Отдельные разделы лабораторного практикума использовались при чтении лекций по ряду дисциплин при подготовке студентов по специальностям «Информационно-измерительная техника», «Автоматизированные системы обработки информации и управления» в Самарском государственном аэрокосмическом университете, 7
Самарском государственном техническом университете, Самарском государственном университете, Волгоградском государственном университете, Оренбургском государственном университете, Саратовском государственном техническом университете, Уфимском государственном авиационно-техническом университете, также для научных сотрудников и аспирантов в «Центре исследования моря» института «Руджер Бошкович» (г. Загреб, Хорватия), на естественно-математическом факультете Загребского университета, Международном университете подготовки аспирантов (г. Дубровник, Хорватия), Пекинском техническом университете (Китай). В полном объеме лабораторный практикум прошел апробацию на кафедре информационных систем и технологий Самарского государственного аэрокосмического университета при подготовке специалистов по специальности «Автоматизированные системы обработки информации и управления-230102», Самарском государственном университете, кафедре радиотехники Саратовского государственного технического университета, и, на наш взгляд, может быть рекомендован для подготовки специалистов по смежным специальностям. Авторы выражают благодарность всем сотрудникам, аспирантам и студентам указанных кафедр за обсуждение материалов лабораторного практикума, критические замечания которых были учтены. Авторы считают своим долгом выразить глубокую признательность ректору СГАУ член-корреспонденту РАН, профессору Сойферу В.А. за постоянную поддержку и рецензию, а также рецензенту д.ф-м.н., профессору Жданову А.И. за ценные замечания. Замечания и пожелания по книге просьба направлять по адресу: Россия, 443086, г. Самара, Московское шоссе, 34, Самарский государственный аэрокосмический университет имени академика С.П. Королёва, факультет информатики, кафедра «Информационные системы и технологии», заведующему кафедрой Прохорову С.А. E-mail: INTERNET: sp @ smr. ru
8
ВВЕДЕНИЕ При проведении научных исследований, комплексных испытаний с помощью средств информационно-измерительной техники исследователь получает случайный сигнал x(t ,Θ ) , характеристики которого Θ подлежат определению. Все вероятностные характеристики, определяемые во временной области, можно условно разделить на характеристики положения и формы кривой распределения вероятностей случайного процесса и характеристики взаимосвязи (см. рис. В.1).
Рисунок В.1 - Классификация вероятностных характеристик случайных процессов
При этом наиболее часто определяются (в порядке возрастания материальных и вычислительных затрат): • числовые характеристики случайного процесса; • авто и взаимные корреляционные функции; • спектральные плотности мощности; • законы распределения. На основании общей теории статистических измерений [55] измеряемая вероятностная характеристика определяется как предел выборочного среднего функционально преобразованного случайного процесса: (В.1) Θ [X (t )] = lim S d g x j (t ) , d →∞
[
]
где Θ – измеряемая вероятностная характеристика; Sd – оператор идеального усреднения; d – параметр усреднения (время T, совокупность реализаций N или время и совокупность реализаций TN); g – оператор, представляющий собой преобразования, лежащие в основе определения вероятностной характеристики Θ; xj(t) – j-ая реализация случайного процесса.
9
В зависимости от вида усреднения получаем следующие вероятностные характеристики: 1. При усреднении по совокупности:
Θ [ X (t )] = lim N →∞
1 N ∑ g [x j (t )] . N j =1
(В.2)
2. При усреднении по времени:
Θ [ X (t )] = lim T →∞
1T ∫ g [x j (t )]dt . T0
(В.3)
3. При усреднении по времени и совокупности:
Θ [X (t )] =lim N →∞ T →∞
1 N T ∑ ∫ g [x j (t )]dt . NT j =1 0
(В.4)
На практике исследователь имеет дело с ограниченной совокупностью выборочных данных (результатов измерения). Результат определения значения вероятностной характеристики по ограниченной совокупности выборочных данных носит название оценки: ) Θ [X (t )] = S d g x j (t ) (j = 1, 2, ...N). (В.5)
[
]
К основным свойствам оценок относятся несмещенность, состоятельность и эффективность. Оценка называется несмещенной, если ее математическое ожидание равно истинному значению оцениваемой характеристики: ) M Θ [ X (t )] = Θ [ X (t )] . (В.6) При невыполнении равенства оценка будет смещенной. Оценка называется состоятельной, если при бесконечном увеличении объема выборочных данных она сходится по вероятности к истинному значению оцениваемой характеристики ) (В.7) lim P Θ [ X (t )] − Θ [ X (t )] < ε = 1
[
d→∞
]
(
)
при любом ε. При невыполнении этого условия оценка будет несостоятельной. Эффективными называются оценки, дисперсия которых минимальна. Следует подчеркнуть, что свойства оценок, которые описываются несмещенностью, состоятельностью и эффективностью, тесно связаны с характером ошибок, которые определяются методами математической статистики [55]. Таким образом, при ограниченном наборе выборочных данных выражения (В.2) - (В.4) при анализе случайных процессов примут вид: - при усреднении по совокупности
)
Θ t [ X (t )] =
1 N ∑ g [x j (t )] ; N j =1
(В.8)
- при усреднении по времени
)
Θ j [ X (t )] =
1T ∫ g [x j (t )]dt ; T0
(В.9)
- при усреднении по времени и совокупности
)
Θ ср [ X (t )] = 10
1 NT
∑ ∫ g [x (t )]dt . N T
j =1 0
j
(В.10)
Следует отметить, что этими соотношениями определяются разные вероятностные характеристики. При усреднении только по совокупности реализаций (при фиксированном моменте времени) вероятностная характеристика Θ[ X (t )] будет зави-
)
сеть от текущего времени и называется t-текущей характеристикой Θ t [55]. При усреднении только по времени, когда выборочные значения относятся к одной реализации j, вероятностная характеристика Θ [ X (t )] будет зависеть от номера реализации и
)
называется j-текущей характеристикой Θ j . При усреднении и по времени, и совокупности значение Θ [ X (t )] не зависит ни от текущего времени, ни от номера реализации
)
и называется средней характеристикой – Θ ср . Наличие или отсутствие зависимости значений вероятностных характеристик от времени или номера реализации определяет такие фундаментальные свойства процесса, как стационарность и эргодичность. Стационарным называется процесс, вероятностные характеристики которого не зависят от времени. Эргодическим называется процесс, вероятностные характеристики которого не зависят от номера реализации. В теории случайных процессов различают стационарность в узком и широком смыслах. Данное выше определение относится к случайным процессам, стационарным в узком смысле. Для этих процессов равенство Θt = const выполняется для любой вероятностной характеристики. Когда от времени не зависят только одно- и двумерные вероятностные характеристики, случайный процесс считается стационарным в широком смысле. Если условие стационарности не выполняется хотя бы для одной вероятностной характеристики, процесс называется нестационарным по этой характеристике. По аналогии, процесс считается эргодическим в узком смысле, если Θ j =const, где j – номер реализации, для любой вероятностной характеристики, и в широком смысле, если независимость значений вероятностных характеристик от номера реализаций имеет место лишь для характеристик первых двух порядков. Если условие эргодичности не выполняется, процесс называется неэргодическим. Таким образом, случайные процессы на основе свойств стационарности и эргодичности можно представить в виде четырех классов (см. рис. В.2): стационарные эргодические; стационарные неэргодические; нестационарные эргодические; нестационарные неэргодические. Каждый из перечисленных классов имеет своё характерное описание – математическую модель, параметры которой подлежат определению как с помощью теоретических, так и экспериментальных методов исследования. Различные комбинации этих процессов совместно с детерминированными дают возможность построить более сложные модели, используемые как при исследованиях с целью определения их характеристик, так и при генерировании процессов с заданными свойствами, используемых при имитационном моделировании средств измерения и обработки Рисунок В.2 - Классификация случайных процессов
11
с целью определения их метрологических характеристик. Ответ на вопрос, какие характеристики определять: Θt, Θj, Θср, – во многом определяется свойствами исследуемого процесса и способом формирования выборочных данных. Таким образом, прежде чем выбрать тип вероятностной характеристики (вид оператора усреднения), необходимо решить вопрос о стационарности и эргодичности случайного процесса. Этот вопрос самостоятельный и выходит за рамки работы. В [55] показано, что для стационарного эргодического случайного процесса Θt= Θj = Θср, для стационарного неэргодического процесса – Θt = Θср, для нестационарного эргодического – Θj = Θср, а для нестационарного неэргодического процесса все виды вероятностных характеристик различны. При фиксированном типе Sd вопросы организации эксперимента и принципы организации массивов выборочных данных о мгновенных значениях исследуемого случайного процесса подробно рассмотрены в [55]. Результаты измерений могут формироваться с использованием: • различных временных интервалов одной и той же совокупности реализаций; • одних и тех же временных интервалов различных совокупностей реализаций; • различных временных интервалов различных совокупностей реализаций. Причем, от эксперимента к эксперименту возможно изменение N, M и T, т.е. объема выборочных данных. Выделим три метода статистических измерений: прямые, косвенные и совокупные. Прямым методом статистических измерений будем называть метод получения оценки вероятностной характеристики в соответствии с выражением (В.1). Косвенным методом статистических измерений будем называть метод получения оценки вероятностной характеристики с использованием функционального преобразования оценок других вероятностных характеристик, полученных с помощью прямых методов статистических измерений: ) Θ [z( t )] = F S d 1 g x x j ( t i( x ) ) , S d 2 g y [yl ( t i( y ) )],... , (В. 11) где F {
{
[
]
}
} представляет собой функциональное преобразование ) ) Θ [x( t )] , Θ [ y( t )] и т.д. с целью получения оценки Θ [z( t )] . )
полученных оценок
Под совокупными статистическими измерениями будем понимать метод получения оценок в результате решения системы уравнений, содержащей оценки других вероятностных характеристик, полученных с помощью прямых, косвенных методов статистических измерений или их комбинацией:
Ξ i {S d 1 g (1) [x (j1 )( t i(1 ) )] ,..., S dm g ( m ) [x (jm )( ti( m ) )]}= 0 ; Ξ i {F (1 ) {S d 1 g (1) [x (j1 )( t i(1 ) )]},..., F ( m ) {S dm g [x (jm )( ti( m ) )]}} = 0 .
(В. 12) (В. 13)
Автоматизированные системы научных исследований (АСНИ) дают возможность обрабатывать временные последовательности случайных процессов – временные ряды. В этом случае выражения (В.2) – (В.4) при представлении случайного процесса X(t) ансамблем последовательностей примут вид:
12
1 N ∑ g [x j (ti )]; N j =1 1 M Θ [X (t )] =Mlim ∑ g [x j (ti )]; →∞ M i =1 1 N M Θ [ X (t )] = lim ∑ ∑ g [x j (ti )] , N → ∞ N M j =1 i =1
Θ [ X (t )] = lim N →∞
(В.14) (В.15) (В.16)
M →∞
где x j (t i ) – i-ый отсчёт j-ой реализации случайного процесса. При ограниченном наборе данных при анализе последовательностей выражение (В.5) примет вид: ) Θ [ X (t )] = S d g x j (ti ) ( j = 1,2,..., N, i = 1,2,...,M ) . (В.17)
[
]
Выражения (В.8) – (В.10) для оценки вероятностных характеристик при анализе последовательностей (временных рядов) запишем в виде: - при усреднении по совокупности
)
1 N Θ i [ X (t )] = ∑ g [x j (t i )]; N j =1
(В.18)
- при усреднении по времени
)
1 M Θ j [ X (t )] = ∑ g [x j (ti )]; M i =1
(В.19)
- при усреднении по времени и совокупности
)
Θ ср [ X (t )] =
1 NM
∑ ∑ g [x (t )]. N
M
j =1 i =1
j
i
(В.20)
Следующим шагом является построение математической модели анализируемой вероятностной функциональной характеристики в виде параметрической модели. Следует отметить, что модель должна сохранять основные свойства анализируемой характеристики, особенно условие нормировки [21]. Учитывая большое разнообразие функциональных вероятностных характеристик, наиболее целесообразно искать их модель в виде ряда в том или ином ортогональном базисе ψ k ( x ,α / γ ) с весом μ ( x ) , где α / γ - параметр масштаба [21]. Представив модель вероятностной функциональной характеристики в виде m
f ( x ) = ∑ β kψ k ( x ,α / γ ) ,
(В.21)
k =0
⎧ ψ k 2 , если k = n; ∫aψ k (x ,α / γ )ψ n (x ,α / γ )μ (x )dx = ⎨0 , если k ≠ n. ⎩ b
Для минимизации квадратической погрешности приближения b
Δ = ∫ ⎡⎢ f ( x ) − ∑ β kψ k ( x ,α / γ )⎤⎥ μ ( x )dx = min a
m
⎣
⎦
k =0
(В.22)
лишь коэффициенты разложения – коэффициенты Фурье с учетом свойств ортогональных функций автоматически определяются выражением
βk =
1
ψk
b
∫ f (x )ψ (x ,α / γ )μ (x )dx . k
(В.23)
a
13
Для определения же остальных параметров модели необходимо решать дополнительные задачи. Таким образом, для построения ортогональной модели необходимо: 1) выбрать ортогональный базис – ψ k ( x ,α / γ ) ; 2) определить численное значение параметра масштаба α / γ ; 3) определить коэффициенты разложения β k ; 4) определить количество членов разложения ряда (В.21); 5) определить корректирующие коэффициенты, обеспечивающие выполнение моделью основных свойств вероятностной функциональной характеристики, как правило, условия нормировки [21]. Графическая интерпретация аппроксимативного анализа вероятностных характеристик случайных процессов представлена ниже.
{x (t )} [
{x
t∈ 0 ,Tj ]
j
{
j =0... N
где x ji ,t ji / Δt ji
}
i =1 , M j
,t ji / Δt ji }j =0... N
i =1 , M j
ji
[
Θ [ X (t )] = S d g {x ji ,t ji / Δt ji }j =0...N ^
i =1...M j
]
- временной ряд;
j = 0... N
Аппроксимативный корреляционно-спектральный анализ случайных процессов
Θ [ X (t )] = σ x2 ρ x (τ ) ^
^
ρ ax (τ , β m )
^
^
ρ x (τ )
(n )
τ k ,μ k
S ax (ω , β m )
Fax (ω , β m )
Δω э ,ω э , S x (ω э )
Pa (ω1 , ω 2 )
^
^
^
Аппроксимативный анализ взаимных корреляционно-спектральных характеристик случайных процессов
Θ [ X (t ),Y (t )] = σ xy2 ρ xy (τ ) ^
^
ρ xy (τ )
^
ρ axy (τ , β m ) ^
τ k( n ) , μ k
S a (ω , β m ) ^
Δω э ,ω э , S x (ω э )
Fa (ω , β m ) ^
^
Pa (ω1 , ω 2 )
Изучению особенностей решения задач, связанных с построением ортогональных моделей типовых функциональных вероятностных характеристик и предназначен предлагаемый лабораторный практикум. 14
1. ИССЛЕДОВАНИЕ СВОЙСТВ ОРТОГОНАЛЬНЫХ ПОЛИНОМОВ изучение основных свойств классических ортогональных полиномов, приобретение навыков работы с ними.
Цель работы:
1.1. Теоретические основы лабораторной работы Рассмотрим основные понятия и определения, необходимые для описания и исследования ортогональных полиномов и функций, применяемых для построения функциональных вероятностных характеристик случайных процессов [7, 17, 21 - 28, 51, 53]. Определение 1. Функция f ( x ) , заданная на отрезке [a , b], называется функцией с суммируемым квадратом, если b
∫ f (x )dx < ∞ . 2
(1.1)
a
Множество всех функций с суммируемым квадратом обозначается обычно символом L2 - f ( x ) ∈ L2 . Отметим, что и c f ( x ) ∈ L2 , где c = const . Определение 2. Нормой функции f ( x ) называется число, определяемое выражением
f =
b
∫ f (x )dx . 2
(1.2)
a
Отметим, что 1. f ≥ 0 , причем f = 0 тогда и только тогда, когда f ( x ) тождественно равно нулю; 2. cf = c f и, в частности f = − f ; 3.
f +g ≤ f + g .
Введение нормы позволяет рассматривать L2 как метрическое пространство, в котором можно производить измерения, если принять число
ρ( f , g) = f − g
за расстояние между элементами f и g класса L2 . При этом расстояние ρ ( f , g ) обладает следующими свойствами: 1. ρ ( f , g ) ≥ 0 , причем ρ ( f , g ) = 0 тогда и только тогда, когда f = g ; 2. ρ ( f , g ) = ρ (g , f ) ; 3. ρ ( f , g ) ≤ ρ ( f , h ) + ρ (h , g ) . Если на некотором множестве A элементов любой природы задана функция ρ ( f , g ) , то множество A называют метрическим пространством. Следовательно, множество L2 - метрическое пространство. Впервые эту точку зрения на L2 развил Д. Гильберт, поэтому L2 часто называют пространством Гильберта. Определение 3. Элемент f пространства L2 называется пределом последовательности f1 , f 2 , …, элементов этого же пространства, если всякому ε > 0 отвечает такое N , что при всех n > N будет выполняться f − f n < ε , т.е.
15
b
lim ∫ [ f n ( x ) − f ( x )] dx = 0. 2
(1.3)
a
n→∞ Этот вид сходимости последовательности функций называется сходимостью в среднем. Определение 4. Две функции f ( x ) и g ( x ) , заданные на отрезке [a , b], называются взаимно ортогональными, если b
∫ f (x )g (x )dx = 0 .
(1.4)
a
Определение 5. Функция f н ( x ) , заданная на отрезке [a , b] , называется нормированной, если b
∫ f (x )dx = 1 . 2 н
(1.5)
a
b
Отметим, что в общем случае
2 ∫ f (x )dx = a
f
2
и f н (x ) =
f (x ) . f
Определение 6. Система функций ψ 0 ( x ) , ψ 1 ( x ) , …, заданных на отрезке [a , b] , называется ортонормальной системой, если каждая функция системы нормирована, а любые две функции системы ортогональны. Иначе говоря, система функций {ψ k (x )} ортонормальна, если
⎧1, если k = n;
b
∫ψ (x )ψ (x )dx = ⎨0 , если k ≠ n. н ,k
н ,n
⎩
a
(1.6)
Определение 7. Система функций ψ 0 ( x ) , ψ 1 ( x ) , …, заданных на отрезке [a , b] , называется ортогональной системой, если любые две функции системы ортогональны:
⎧ ψ k 2 , если k = n; ∫aψ k (x )ψ n (x )dx = ⎨0 , если k ≠ n. ⎩ ψ (x ) . Отметим, что ψ н , k ( x ) = k b
(1.7)
ψk Определение 8. Пусть {ψ н ,k ( x )} есть ортонормальная система и f ( x ) некоторая функция из L2 . Тогда числа b
β k = ∫ f ( x )ψ н ,k ( x )dx
(1.8)
a
называются коэффициентами Фурье функции f ( x ) в системе функций {ψ н ,k ( x )}.
Для ортогональной системы {ψ k ( x )} коэффициенты Фурье функции f ( x ) определяются в виде
βk =
16
1
ψk
b
2
∫ f (x )ψ (x )dx . k
a
(1.9)
Определение 9. Ряд
f (x ) =
∞
∑ β kψ н ,k (x )
(1.10)
k =0
называется рядом Фурье функции f ( x ) в системе {ψ н ,k ( x )}. Рассмотрим, насколько близка в пространстве Гильберта частная сумма ряда Фурье функции f ( x )
f m (x ) =
m
∑ β kψ н ,k (x ) ,
(1.11)
k =0
2
к самой этой функции, т.е. вычислим f − f m . С учетом свойств ортогональности (см. определение 6), получим
f − fm
2
2
b
m ⎡ ⎤ = ∫ ⎢ f ( x ) − ∑ β kψ н ,k ( x )⎥ dx = f k =0 ⎦ a⎣
2
m
− ∑ β k2 .
(1.12)
k =0
Это равенство называется тождеством Бесселя. Так как его левая часть не отрицательна, то из него следует неравенство Бесселя m
∑ β k2 ≤
f
2
.
(1.13)
k =0
Поскольку m произвольно, то неравенство Бесселя можно представить в усиленной форме ∞
∑ β k2 ≤
f
2
f
2
.
(1.14)
,
(1.15)
k =0
Если ∞
∑ β k2 =
k =0
то это равенство носит название формулы замкнутости или равенства Парсеваля. С учетом (1.15) формулу (1.12) представим в виде
lim f − f m = 0. n→∞
(1.16)
Иначе говоря, формула замкнутости означает, что частные суммы f m ( x ) ряда Фурье функции f ( x ) сходятся в среднем к этой функции. Для ортогональной системы функций выражение (1.12) приведем к виду
f − fm
2
2
b
m ⎤ ⎡ = ∫ ⎢ f ( x ) − ∑ β kψ k ( x )⎥ dx = f k =0 ⎦ a⎣
2
m
2
− ∑ β k2 ψ k .
(1.17)
k =0
Определение 10. Ортонормальная система {ψ н ,k ( x )} называется замкнутой, если формула замкнутости имеет место для любой функции из L2 . Теорема 10.1. Если система {ψ н ,k ( x )} замкнута, то для любой пары функций
f ( x ) и g ( x ) из L2 будет b
∞
a
k =0
∫ f (x )g (x )dx = ∑ a k bk ,
(1.18)
17
b
∫ f (x )ψ (x )dx ,
где ak =
н ,k
(1.19)
a
b
bk = ∫ g ( x )ψ н ,k ( x )dx .
(1.20)
a
Эта формула называется обобщенной формулой замкнутости. Следствие. Если система {ψ н ,k ( x )} замкнута и f ( x ) ∈ L2 , то ряд Фурье f ( x ) в
системе {ψ н ,k ( x )} можно почленно интегрировать по любому измеримому множеству
E ⊂ [a , b], т.е.
∫ E
∞
f ( x )dx = ∑ β k ∫ψ н ,k ( x )dx . k =0
(1.21)
E
Определение 11. Система функций {ψ н ,k ( x )} , заданных на отрезке [a , b] и принадлежащих L2 называется полной, если в L2 не существуют отличной от нуля функции, ортогональной ко всем функциям {ψ н ,k ( x )}.
Теорема. Для того, чтобы ортонормальная система {ψ н ,k ( x )} была полна, необходимо и достаточно, чтобы она была замкнута. Определение 12. Пусть на отрезке [a, b] задана положительная непрерывная функция μ ( x ) . Система функций {ϕ k ( x )}, заданная на отрезке [a, b] называется ортогональной (первое условие ортогональности) на этом отрезке с весом μ ( x ) , если
⎧ ϕ k 2 , если k = n; (1.22) ∫a ϕ k (x )ϕ n (x )μ (x )dx = ⎨ 0 , если k ≠ n. ⎩ Из ортогональности системы {ϕ k ( x )} с весом μ ( x ) следует ортогональность b
системы ψ k ( x ) = μ ( x )ϕ k ( x ) . Отметим, что в этом случае ϕ k = ψ k .
Определение 13. Все нули ортогонального многочлена ψ k ( x) действительны, различны и расположены в интервале (a, b ) - второе условие ортогональности. Определение 14. Система Φ n = {ϕ1 ,...,ϕ n } называется линейно независимой, если n
∑C ϕ j =1
j
j
= 0,
(1.23)
только тогда, когда все C j = 0 . Важным аппаратом многих исследований является ортогонализация заданной системы элементов гильбертова пространства. Если задана линейно независимая система элементов Φ n = {ϕ1 ,...,ϕ n }, можно построить ортогональную линейно независимую систему Ψn = {ψ 1 ,...,ψ n } элементов вида j
ψ j = ∑ b jiϕ i , j = 1,...,n ,
(1.24)
i =1
где bii = 1 . Совокупность соотношений (1.24) при j ≤ n можно представить в виде (1.25) ψ n = BnΦ n , где 18
⎛1 ⎜ ⎜b Bn = ⎜ 21 b ⎜⎜ 31 ⎝ .
0 1 b32 .
0 0 ...⎞ ⎟ 0 0 ...⎟ , 1 0 ...⎟ ⎟ . . ...⎟⎠
(1.26)
и Ψn , Φ n являются вектор-столбцами из соответствующих элементов. В то же время, перенося все ψ i из правой части в левую, получим Φ n = An Ψn , где
0 0 0 ...⎞ ⎛ 1 ⎟ ⎜ a 1 0 0 ... ⎟ ⎜ An = ⎜ 21 ; (1.27) a31 a32 1 0 ...⎟ ⎟⎟ ⎜⎜ . . . . ... ⎝ ⎠ матрицу Bn иногда называют матрицей ортогонализации. Так как det Bn = 1 , то преобразование, задаваемое матрицей Bn , является невырожденным и переводит линей-
но независимую систему элементов Φ n в линейно независимую систему Ψ n . В силу линейной независимости системы функций Φ n отсюда следует, что
Bn = An−1 . При построении ортогональных многочленов в качестве элементов системы функций Φ j берутся функции 1, x , x j −1 и производится ортогонализация по описанной выше процедуре. Получаемые многочлены j −1
ψ j ( x ) = x j −1 + ∑ b ji x i −1
(1.28)
i =1
называются ортогональными многочленами, соответствующими весу μ ( x ) и отрезку ортогональности [a, b] . Иногда ортогональными многочленами, соответствующими весу μ ( x ) , называют многочлены g j ( x ) = α jψ j ( x ) , в которых величины α j подбираются из каких-либо дополнительных соображений. Ответ на вопрос, каким образом определяется весовая функция ортогональных полиномов, дает решение дифференциального уравнения Пирсона [53]:
p 0 + p1 x y' = , y q0 + q1 x + q 2 x 2
(1.29)
в правой части которого все коэффициенты действительны. Вид решения этого уравнения и область существования зависят от многочленов A( x ) = p 0 + p 1 x ; (1.30)
B ( x ) = q 0 + q1 x + q 2 x 2 .
(1.31) Рассмотрим решения уравнения (1.29) в зависимости от коэффициентов многочленов (1.30) и (1.31) и выделим те из них, которые на всей связной области своего существования могут быть весовой функцией, и, следовательно, могут определять некоторую систему ортогональных многочленов, а именно, те системы, которые будут использоваться при последующем анализе. 19
Пусть многочлен B( x ) не имеет нулей, т. е. q2 = 0 , q1 ≠ 0 . Тогда без нарушения общности можно считать q0 = 0 , так как это достигается линейным преобразованием независимого переменного, а уравнение (1.29) примет вид:
y' α = −β, y x
(1.32)
y = μ ( x ) = c1 x α e − β x
(1.33)
где α и β - некоторые постоянные. Его решение будет весовой функцией на полусегменте [0 , ∞ ) при условиях c1 > 0 , α > −1 , β > 0 . Многочлены, ортогональные с весом (1.9) и β = 1 , можно рассматривать как обобщенные многочлены Сонина-Лагерра [6, 53]. Пусть многочлен B( x ) имеет два действительных и различных нуля. Тогда уравнение Пирсона можно представить в виде
p0 + p1 x y' β α , = = − y q 2 ( x − a )( x − b ) x − a b − x где α и β - некоторые постоянные, а a < b .
(1.34)
Решение уравнения (1.34)
y = μ ( x ) = c2 (b − x ) ( x − a ) (1.35) определено на интервале (a , b ) и весовой функцией может быть только при условиях c2 > 0 , α > −1 , β > −1 . Линейным преобразованием функция (1.35) сводится к весоα
β
вой функции многочленов Якоби. Легко видеть, что при тех же коэффициентах уравнение Пирсона имеет решения и на интервалах (− ∞ , a ) и (b , ∞ ) , но полученные решения не могут служить весовыми функциями [53]. Ортогональные многочлены полученных весовых функций, а именно Якоби и Сонина-Лагерра, относятся к числу классических ортогональных многочленов. Заметим, при параметрах q1 = q2 = 0 , q0 ≠ 0 решением уравнения (1.29) является весовая функция многочленов Эрмита, которые также относятся к числу классических. Для классических ортогональных многочленов имеет место весьма важное представление через весовую функцию, которое называется обобщенной формулой Родрига [6, 53]. Если весовая функция h( x ) на интервале ортогональности удовлетворяет уравнению (1.29), то функция
1 [μ (x ) B (n ) (x )](n ) μ (x ) есть многочлен степени не выше n .
ψ n (x ) =
(1.36)
В дальнейшем при анализе будут использоваться системы ортогональных многочленов Сонина-Лагерра L(kα ) ( x ) (1.33) при β = 1 и Якоби Pk(α ,β ) ( x ) (1.35) при задании некоторых частных параметров, а именно: Сонина-Лагерра (0) (Лагерра) L(k0 ) ( x ) = Lk ( x ) ; Сонина-Лагерра (1) L(k1 ) ( x ) ; Сонина-Лагерра (2) L(k2 ) ( x ) ; Якоби (-0,5, 0)
Pk( −0 ,5 ,0 ) ( x ) ; Якоби (0,5, 0) Pk(0 ,5 ,0 ) ( x ) ; Якоби (0, 0) (Лежандра) Pk(0 ,0 ) ( x ) = Leg k ( x ) ; Яко-
20
би (1, 0) Pk(1 ,0 ) ( x ) ; Якоби (2, 0) Pk( 2 ,0 ) ( x ) ; Якоби (0, 1) Pk(0 ,1 ) ( x ) ; Якоби (0, 2) Pk(0 ,2 ) ( x ) ;
Якоби (-0,5, -0,5) (Чебышева 1-ого рода) Pk( −0 ,5 ,−0 ,5 ) ( x ) = Tk ( x ) ; Якоби (0,5, 0,5) (Чебы-
шева 2-ого рода) Pk(0 ,5 ,0 ,5 ) ( x ) = U k ( x ) , а также широко применяемые в прикладном анализе ортогональные полиномы Дирихле 1 Dk ( x ) и Дирихле 2 Dirk ( x ) . Следует отметить, что ортогональные полиномы Дирихле не относятся к классическим полиномам. Вид ортогональных полиномов представлен в Приложении 1. Общие представления Родрига для ортогональных базисов Сонина-Лагерра и Якоби соответственно имеют вид:
1 −α x α + k − x ( k ) x e (x e ) ; k! k ( − 1) −α −β α β (α ,β ) 2 k ( ) ( ) ( ) ( ) ( ) Pk ( x ) = 1 − x 1 + x 1 − x 1 + x 1 − x k !2 k
L(kα ) ( x ) =
[
(1.37)
]
(k )
.
(1.38)
Явные выражения многочленов представлены в таблице 1.1. При проведении аналитических преобразований с использованием ортогональных многочленов более удобным является представление в виде конечного ряда, получаемого проведением операции дифференцирования с помощью формулы Лейбница [5] к выражению (1.36). В общем случае представления (1.37) и (1.38) в виде конечного ряда имеют вид [53]: k
Lk ( x ) = ∑ C (α )
(− x )
s
k −s k +α
;
s! k −s s Cks ( x − 1) ( x + 1) Γ (α + k + 1)Γ (β + k + 1) k (α ,β ) . Pk ( x ) = ∑ k !2 k s =0 Γ (α + k − s + 1)Γ (β + s + 1) s =0
(1.39) (1.40)
Форма представления ортогональных многочленов в виде конечного ряда является более удобной и наглядной для анализа и проведения различных операций над ними, в частности, операций интегрирования и дифференцирования. Однако такие выражения для ортогональных многочленов обладают существенным недостатком при реализации на ЭВМ: невозможность вычисления многочлена высокого порядка из-за необходимости вычисления комбинаторного числа сочетаний. Форма представления ортогональных полиномов в виде конечного ряда представлена в таблице 1.1. Указанный недостаток может быть исправлен использованием рекуррентных соотношений. Общие выражения для рекуррентных соотношений рассматриваемых ортогональных базисов представлены ниже [53]:
(α + 2k + 1 − x ) L(α ) (x ) − (α + k ) L(α ) (x ) ; (k + 1) (k + 1) [(α + β + 2k + 2)(α + β + 2k )x + α − β ](α + β + 2k + 1) P(α β ) (x) − P(α β ) ( x) = 2(k + 1)(α + β + k + 1)(α + β + 2k ) (α + k )(β + k )(α + β + 2k + 2) P(α β ) (x). − (k + 1)(α + β + k + 1)(α + β + 2k ) L(kα+)1 ( x ) =
k −1
k
2
, k +1
(1.41)
2
,
k
(1.42)
, k −1
Применение рекуррентных соотношений (1.41) и (1.42) позволяет резко снизить как временные затраты, так и ресурсные, исследовать ортогональные полиномы высоких порядков и их свойства. 21
Формы представления ортогональных полиномов Таблица 1.1 Орт. полиномы
k
12
Pk( −1 2 ,0 ) ( x )
k!⋅2k
(− 1)
(− 1)
(x )
k
(− 1)
Pk( 2 ,0 ) ( x )
Pk( 0 ,2 ) ( x ) Leg k ( x ) = P
(− 1)
(
k
(− 1) ((1 − x ) k
2 k
(x )
Чебышева 1-ого рода
Tk ( x ) = Pk( −1 2 ,−1 2 ) ( x ) Чебышева 2-ого рода
U k ( x ) = Pk( 1 2 ,1 2 ) ( x ) Дирихле 1
Dk ( x )
Дирихле 2
(k )
k !⋅2 k
(k )
(− 1) (1 − x ) ((1 − x ) k
2 k −1 2
2 12
k!⋅2k
(− 1)
k
1
k!⋅2k (1 − x 2 )1 2
2 k +1 2
отсутствует
Сонина-Лагерра
s −1 2 k + s −1 2
s +1 2 k + s +1 2
s k
s
⎛ x − 1⎞ CC ⎜ ⎟ ∑ s =0 ⎝ 2 ⎠ s k k −s ⎛ x + 1 ⎞ s s +1 C k C k + s +1 (− 1) ⎜ ⎟ ∑ s =0 ⎝ 2 ⎠ k
s k
s+2 k +s+2
(− 1) ⎛⎜ x + 1 ⎞⎟ CC ∑ s =0 ⎝ 2 ⎠ s k s s ⎛ x − 1⎞ Ck Ck + s ⎜ ⎟ ∑ s =0 ⎝ 2 ⎠ k
1 2k
k
s
k −s
s+2 k +s+2
s k
∑ C (x − 1) (x + 1) k −s
2s 2k
s =0
s
k 1 k −s s C22ks++21 (x − 1) (x + 1) ∑ k 2 (k + 1) s=0
∑C C s =0
1 x k − x (k ) e (x e ) k! 1 x k +1 − x ( k ) e (x e ) k! x 1 x k +2 − x (k ) e (x e ) k! x 2
L(k1 ) ( x )
(k )
s
k
k
Лагерра
Сонина-Лагерра
)
(k )
((1 − x ) )
отсутствует
Lk ( x ) = L(k0 ) ( x )
)
(k )
)
Dirk ( x )
L(k2 ) ( x )
)
1 2 2 k ( ) ( ) 1 + x 1 − x 2 k!⋅2k (1 + x)
Якоби
( 0 ,0 ) k
(
1 (1 + x) (1 − x2 )k k k!⋅2 (1 + x)
(x )
Лежандра
(− 1)
k
Якоби
)
)
⎛ x − 1⎞ CC ⎜ ⎟ ∑ s =0 ⎝ 2 ⎠ s k s s +1 ⎛ x − 1 ⎞ C k C k + s +1 ⎜ ⎟ ∑ s =0 ⎝ 2 ⎠
s k
s =0
(k )
(k )
s
∑C C
(k )
(
k
⎛ x − 1⎞ ⎜ ⎟ ⎝ 2 ⎠
k
)
1 2 2 k ( ) ( ) 1 − x 1 − x k!⋅2k (1 − x)2
Якоби
P
(
k
1 (1 − x) (1 − x 2 )k k!⋅2 (1 − x)
Якоби
( 0 ,1 ) k
(
1 (1 − x)1 2 (1 − x2 )k 12 k k!⋅2 (1 − x)
Pk( 1 2 ,0 ) ( x ) P
⎛ 1 ⎜⎜ (1 − x2 )k ⎞⎟⎟ 12 ⎝ (1 − x) ⎠
k
Якоби
(1, 0 ) k
(k )
(− 1) (1 − x)
Якоби
Представление в виде конечного ряда
Представление в форме Родрига
k
∑C s =0
s k
s k
C
s +1 k + s +1
s +1 k + s +1
k
(− 1) (1 − x ) k −s
(− 1)
∑C
k −s
s 2
⎛1− x ⎞ ⎜ ⎟ ⎝ 2 ⎠
s 2
(− x )
s
s k
s! s k k − s (− x ) C k +1 ∑ s! s =0 s k k − s (− x ) Ck +2 ∑ s! s =0 s =0
Отметим, что, в общем случае, для построения и исследования ортогональных моделей функциональных вероятностных характеристик необходимо для каждой ортогональной системы определить [21]: 1. интервал ортогональности [a , b]; 22
2. 3.
вес; аналитическое выражение ортогонального полинома (функции) k-го по-
рядка; 4. рекуррентную формулу определения ортогонального полинома (функции) k-го порядка; 5. норму ортогонального полинома (функции) k-го порядка; 6. значение ортогонального полинома (функции) k-го порядка на концах сегмента ортогональности (в «нуле»); 7. длительность ортогонального полинома (функции) k-го порядка; 8. преобразование Фурье ортогонального полинома (функции) k-го порядка; 9. выражения для коэффициентов разложения для различных моделей исследуемой функциональной характеристики случайных процессов; 10. выражения для оценки методической погрешности аппроксимации функциональной характеристики; 11. аналитические выражения для оценки параметров ортогональных функций; 12. выражения для оценки методической погрешности коэффициентов разложения функциональной характеристики и её составляющих. Следует отметить, что задачи 1 – 8 инварианты к виду вероятностной функциональной характеристики, а – 9 – 12 решаются для конкретных случаев. В предлагаемой лабораторной работе, состоящей из пяти частей, рассматриваются только часть из перечисленных вопросов, характерных для ортогональных полиномов. Первая часть посвящена представлению ортогональных полиномов различными способами. Одним из важнейших алгебраических свойств ортогональных полиномов является возможность представления через формулу Родрига [53] (см. (1.36)). Во второй части требуется определить интервал ортогональности ортогональных полиномов [a ,b], под которым понимается их интервал существования. Находя значения полиномов на границах сегмента ортогональности, необходимо получить значения выражений ψ k (a ) и ψ k (b ) . В третьей части работы производится расчет нормы ортогональных многочленов, которая определяется выражением (1.22). 2 С другой стороны, норма ортогональных полиномов ψ k рассчитывается по аналитическим выражениям, данным в таблице 1.2. Там же можно найти выражения для соответствующих весовых функций. В четвертой части необходимо произвести проверку 1 – ого необходимого и достаточного условия ортогональности. В пятой части необходимо произвести проверку 2 – ого условия ортогональности. В результате проведенных исследований необходимо оформить отчет и сделать вывод по проделанной работе.
23
Основные характеристики ортогональных полиномов Орт. полиномы Якоби ( −1 2 ,0 ) k
P
(x )
Якоби
Таблица 1.2
μ (x )
ψk
1 1− x
2 2 4k + 1 4 2 4k + 3 2 k +1 8 2k + 3 2 (k + 1) 8 (2k + 3) 2 2k + 1 ⎧ π ,k = 0 ⎨ ⎩π 2 , k ≠ 0
1− x
Pk( 1 2 ,0 ) ( x ) Якоби
Pk( 1,0 ) ( x )
1− x
Якоби
(1 − x )
( 2 ,0 ) k
P
2
(x )
Якоби
Pk( 0 ,1 ) ( x )
1+ x
Якоби
(1 + x )
( 0 ,2 ) k
P
2
(x )
Лежандра
Leg k ( x ) = Pk( 0 ,0 ) ( x )
1
Чебышева 1-ого рода
1
Tk ( x ) = P
( −1 2 , −1 2 ) k
(x )
Чебышева 2-ого рода
U k (x ) = P
( 1 2 ,1 2 ) k
(x )
Дирихле 1
Dk ( x )
1 − x2 1
Дирихле 2
Dirk ( x )
1
Лагерра
Lk ( x ) = L(k0 ) ( x ) Сонина-Лагерра
L(k1 ) ( x )
Сонина-Лагерра
L(k2 ) ( x )
1 − x2
2
π
2(k + 1) 1 k +1 2 k +1
2
e−x
1
xe − x
k +1
x2e−x
(k + 1)(k + 2 )
1.2. Задание на самостоятельную работу Представление ортогональных полиномов k - ого порядка: 1.1. Представить ортогональные полиномы в форме Родрига (если есть) и получить аналитические выражения и графики для первых шести порядков; 1.2. Представить ортогональные полиномы в виде конечного ряда и получить аналитические выражения и графики для первых шести порядков. Сравнить результат с пунктом 1.1. 1.
24
2. Определить интервал ортогональности [a, b] . Рассчитать ортогональные полиномы k - ого порядка на концах интервала ортогональности. 3. Определение нормы ортогональных полиномов: 3.1. Определить значения нормы ортогональных полиномов из выражения (1.22). Результат представить в виде матрицы значений с разрядностью (k, m ) , привести графическую интерпретацию j = 0, k , i = 0, m . 3.2. Определить значения нормы ортогональных полиномов k - ого порядка, используя выражения, приведенные в таблице 1.2. Результат представить в виде вектора значений. Сравнить полученный результат с диагональными значениями матрицы (k, m ) , полученной в пункте 3.1. 4. Проверить выполняемость 1 – ого условия ортогональности. 5. Проверить выполняемость 2 – ого условия ортогональности. 6. Оформить отчет.
(
)
1.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Аналитические выражения и графики ортогональных полиномов первых шести порядков заданного ортогонального базиса (пункт 1.1 и пункт 1.2) в полученном интервале ортогональности (пункт 2). 6. Матрицу значений нормы ортогональных полиномов с разрядностью (k ,m) и соответствующую ей графическую интерпретацию j =0, k, i =0, m (пункт 3.1). 7. Вектор значений нормы ортогональных полиномов (пункт 3.2). 8. График, иллюстрирующий проверку 1 – ого условия ортогональности (пункт 4). 9. График, иллюстрирующий проверку 2 – ого условия ортогональности (пункт 5). 10. Выводы. Пример выполнения лабораторной работы 1 приведен в Приложении 2.
(
)
1.4. Контрольные вопросы 1. Что называют интервалом ортогональности ортогональных многочленов? От чего зависит его значение? 2. Что такое весовая функция и как она влияет на поведение ортогонального многочлена? 3. Чем ортогональная линейно независимая система функций отличается от линейно независимой системы функций? Что понимают под матрицей ортогонализации? 4. Что такое ортогональный многочлен и каковы его основные характеристики? 5. Сформулируйте 1 – ое и 2 – ое условия ортогональности. О чем говорит их выполняемость? 25
2. ИССЛЕДОВАНИЕ СВОЙСТВ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ исследование свойств ортогональных функций и определение их основных характеристик.
Цель работы:
2.1. Теоретические основы лабораторной работы При решении значительного количества прикладных задач наиболее часто применяются ортогональные функции, определенные на интервале [0 , ∞ ) [6, 21]. Как правило, они получаются из соответствующих ортогональных полиномов путем введения замены: x = 1 − ae − cγτ , (2.1) где γ – параметр масштаба; с - целое число, определяемое для каждого ортогонального базиса; a – параметр, который зависит от заданного сегмента ортогональности (см. таблицу 2.1). С учетом введенной замены (2.1) выражение для определения квадрата нормы (1.7) примет следующий вид: ∞
∫ψ (1 − ae )ψ (1 − ae )μ (1 − ae )d (1 − ae − cγτ
− cγτ
k
− cγτ
m
0
− cγτ
⎧ ψ k 2 , k = m; )= ⎨ (2.2) ⎩ 0, k ≠ m .
Проделав ряд преобразований, получим:
⎧ψk 2 ⎪ , k = m; − cγτ − cγτ − cγτ − cγτ ∫0 ψ k (1 − ae )ψ m (1 − ae )μ (1 − ae )e dτ = ⎨ acγ ⎪ 0, k ≠ m . ⎩
∞
Выражение (2.3) показывает, что преобразуются в ортогональные функции:
ортогональные
ψ k ,f
2
=
ψk acγ
полиномы
ψ k (x )
cγτ
ψ k , f (τ ,γ ) = ψ k (1 − ae −cγτ ) μ (1 − ae −cγτ )e 2 , определенные на интервале [0 , ∞ ) с весом μ (τ ,γ ) = 1 и нормой −
(2.3)
(2.4)
2
.
(2.5)
Ортогональные функции k - ого порядка в различных базисах и их основные характеристики представлены в таблице 2.1, а вид – в Приложении 3. По аналогии с импульсной переходной характеристикой можно ввести понятие длительности ортогональной функции, применяемое в различных приложениях [21]: ∞
τ k( 2,и) = ∫ψ k , f (τ ,γ )dτ ;
(2.6)
τ k(4,и) = ∫ψ k , f (τ ,γ )dτ .
(2.7)
0 ∞
2
0
В дальнейшем при рассмотрении только ортогональных функций индекс f будет опущен.
26
Форма представления и характеристики ортогональных функций Таблица 2.1 2 Орт. Представление в виде ( ψk (0,γ / α) a, c) ψk функции конечного ряда
Pk( −1 2,0 ) (τ,γ )
( 4s+1)γτ
1 γ (4 k + 1) 1 γ (4 k + 3) 1 2γ (k + 1) 1 2γ (2 k + 3 ) 1 3 4γ (k + 1)
(− 1)
k
(− 1)
k
(− 1)
k
(− 1)
k
(2 ,2 )
2 2 2 γ(2k+3)(k+1) (k+2)
(− 1)
(2 ,2 )
1 2α (2 k + 1)
(− 1)
k
Tk (τ ,γ )
e−γτ , k = 0 ⎧ ⎪k ⎨ k Cs (− 4)k−s e−[2(k−s)+1]γτ , k ≠ 0 2k −s ⎪⎩∑ s=0 k − s
(2 ,2 )
⎧π ⎪⎪4γ , k = 0 ⎨π ⎪ ,k ≠0 ⎪⎩8γ
(− 1)
k
U k (τ ,γ )
1 k s k −s C 2 k − s +1 (− 4 ) e −[2 ( k − s )+1]γτ ∑ k + 1 s =0
(2 ,2 )
(− 1)
k
Pk( 1 2,0 ) (τ ,γ ) ( 1,0 ) k
P
(τ ,γ )
k
∑C C s=0
∑CksCks++s1+21 2 (− 1) e s
k
k
∑C C (− 1) e ( s k
k
s +1 k + s +1
(− 1)
s =0 k
s +1 k + s +1
(− 1)
s k
∑C C s k
k
∑C
s k
− 2 s +1)ατ
s
s k +s
∑C C
s =0
k −s
k −s
(− ατ ) s!
(2 ,2 )
e−( s+1)ατ
(1,2 )
e −( s+1)ατ
(2 ,2 )
s
e
−
⎛ ln(1−ατ) ⎞ ⎜⎜1, − ⎟ γτ ⎟⎠ ⎝
ατ 2
Lk (τ ,γ )
1 k k −s (− γτ ) −γτ2 ∑Ck +1 s! e k + 1 s=0
Lk (τ ,γ )
γτ k − 2 k − s (− γτ ) Ck +2 e 2 ∑ (k + 1)(k + 2) s=0 s!
(2 )
(2 ,2 )
(2 ,2 )
− 2s+3)γτ
s
s+2 k +s+2
s k
1 k s s s Ck Ck + s+1 (− 1) e −( 2 s+1)γτ ∑ k + 1 s=0 k 2 s Cks Cks+s+2 (− 1) e−( 2s+1)γτ ∑ (k + 1)(k + 2) s=0
s =0
(1 )
(2 ,2 )
(2 ,1)
∑C C (−1) e (
s=0
Lk (τ ,α )
2
− s+1)γτ
s
s+1 k +s +1
s k
k
Legk (τ ,α )
Dirk (τ ,α )
( 4 s+3)γτ
∑C C (− 1) e ( s=0
Dk (τ ,α )
−
2
s=0
Pk( 2,0 ) (τ ,γ )
Pk( 0,2 ) (τ ,γ )
(−1) e
−
s
k
s=0
Pk( 0,1 ) (τ ,γ )
s−1 2 k +s−1 2
s k
s
s
⎛ ln(1 − γτ) ⎞ ⎜⎜1, − ⎟ γτ ⎟⎠ ⎝ ⎛ ln(1 − γτ) ⎞ ⎜⎜1, − ⎟ γτ ⎟⎠ ⎝
π
8γ (k + 1) 1 2α (k + 1) 1 2α (k + 1)
2
1
α
(− 1)
k
k
1 1 1
1 (k + 1)γ 2
1
4 (k + 1)(k + 2)γ 3
1
27
В качестве примера рассмотрим ортогональные полиномы Dk ( x ) на интервале [0 , 1] с весом μ( x ) = 1 k
Dk ( x ) = ∑ C ks C ks++s1+1 (− 1)
k −s
(1 − x )
s 2
(2.8)
s =0
и преобразуем их в ортогональные функции на интервале [0 , ∞ ) . Отметим, что значение ортогональных полиномов в «нуле» и норма [21] Dk ( 0 ) = 1 , (2.9) 2
Dk
⎧ 1 , m = k; ⎪ = ∫ Dk ( x )Dm ( x )μ ( x )dx = ⎨ k + 1 0 ⎪⎩0 , m ≠ k . 1
(2.10)
В соответствии с (2.1) для преобразования интервала [0 , 1] в диапазон [0 , ∞ ) введем замену переменных x = 1 − e −2ατ . С учетом введенной замены выражение (2.10) примет вид: ∞
2α ∫ Dk ( 1 − e
− 2 ατ
)Dm ( 1 − e
− 2 ατ
)e
− 2 ατ
0
⎧ 1 , m = k; ⎪ μ( τ )dτ = ⎨ k + 1 ⎪⎩0 , m ≠ k .
(2.11)
Соотношение (2.11) показывает, что ортогональные полиномы преобразуются в функции, ортогональные на интервале [0 , ∞ ) с весом μ (τ ) = 1 .
Dk ( τ , α ) = e −ατ Dk (1 − e − 2ατ ) = ∑ C ks C ks++s1+1 ( −1 )k − s e −( s +1)ατ . k
(2.12)
s =0
Квадрат нормы и длительность с учетом (2.5) и (2.10) имеет вид:
1 ⎧ , m = k; ⎪ ( ) + 2 k 1 α = D ( , ) D ( , ) ( ) d τ α τ α μ τ τ ⎨ m ∫0 k ⎪0 , m ≠ k , ⎩
∞
(− 1) . τ = ∫ D (τ ,α )dτ = (k + 1)α (2 )
k
∞
k ,и
(2.13)
k
(2.14)
o
Способ представления ортогональных полиномов и функций в виде комбинаторных сумм (см. таблицу 1.1 и таблицу 2.1) позволяет использовать унифицированный подход к вычислению конечных и бесконечных сумм путем их сведения к одномерным и кратным интегралам, как правило, контурным. Одним из таких унифицированных подходов является метод производящих функций, являющийся одним из основных аналитических подходов получения комбинаторных тождеств [11]. Производящие функции, либо производящие интегралы, могут быть использованы для изучения свойств систем многочленов, включая нахождение явных формул, получение и решение рекуррентных соотношений (дифференциальных, интегральных и дифференциально-разностных уравнений), связывающих эти последовательности чисел, получение асимптотических формул для производимых чисел (функций) [11]. Однако при решении задач с определением и изучением свойств ортогональных многочленов, рассматриваемых нами, воспользуемся общим унифицируемым подходом – методом коэффициентов. 28
Опишем необходимую последовательность действий при реализации данного метода. На первом этапе вычислений нами в простейшем виде реализуется фундаментальная идея об интегральном представлении решения, удовлетворяющего заданным краевым условиям. На заключительном этапе, в случае представления решения с помощью контурных интегралов, используется теория вычетов одного или нескольких комплексных переменных [11, 52]. Главным отличием данного метода вычисления комбинаторных сумм от известных ранее подходов является создание единой стандартизированной процедуры получения интегральных представлений вычисляемых сумм с полным обоснованием данного метода, как и метода производящих функций, с помощью теории одномерных и кратных вычетов [52]. В случае формальных рядов вводится понятие коэффициентов Coef , непосредственно связанное с понятием вычета из теории аналитических функций и пригодное для использования различных функций, включая степенные. Связь с теорией вычетов позволила выписать свойства Coef , аналогичные свойствам вычета, и унифицировать схему метода коэффициентов, независимо от того, какие ряды: сходящиеся либо формальные - используется при вычислениях [11]. Для работы с Coef и проведения различных операций над ними существует правила, записанные в табличном виде и приведенные в приложении Б. Там же приведены интегральные представления комбинаторных чисел [11]. Результат использования метода коэффициентов можно увидеть на примере получения соотношения для ортогональных функций Якоби: k Pk(α ,0 ) (0 ,γ ) = (− 1) , (2.15) где
P
(α ,0 )
k
k
( 0 , γ ) = ∑ C ks C ks++αs +α (− 1) . s
(2.16)
s =0
Последовательность действий, реализующая метод использованием правил работы над Coef представлена ниже. k
k
(
)
(
∑ Cks Cks++αs +α (− 1) = ∑ Coef (1 + u ) u − s−1 ⋅ Coef (1 + v ) s
s =0
s =0
= Coef (1 + v )
k +α
v
u
k
v
k + s +α
⎛ k ⎛ (1 + v ) ⎞ k − s −1 v −α −1 ⋅ ⎜⎜ ∑ ⎜ − ⎟ Coef (1 + u ) u v ⎠ u ⎝ s =0 ⎝ s
(
коэффициентов
)
с
v − s −α −1 ⋅ (− 1) = s
)⎞⎟⎟ = ⎠
(1 + v ) ⎞ = Coef (1 + v )k +α v −α −1 ⋅ (− 1)k v −k = ⎛ v −α −1 ⋅ ⎜ 1 − ⎟ v v v ⎠ ⎝ k k +α − k −α −1 k k k +α = (− 1) Coef (1 + v) v = (− 1) Ck +α = (− 1) . = Coef (1 + v )
k
k +α
v
В справедливости полученного соотношения несложно убедиться [21, 32, 35, 36]. Для других ортогональных функций подход аналогичен. Разумеется, с использованием данного подхода можно реализовать аналитические преобразования более сложных комбинаторных сумм и выражений. В качестве демонстрации сказанному представим аналитические преобразования с использованием Coef при получении соотношения также для ортогональных функций Якоби для общности:
29
1
2
Pk(α ,0 ) =
,
(2k + α + 1)cγ
(2.17)
где ∞
Pk(α ,0 ) = ∫ Pk(α ) (τ ,γ )Pm(α ) (τ ,γ )dτ ; 2
(2.18)
0
(α )
Pk
k
(τ ,γ ) = ∑ C C s k
s =0
s +α k + s +α
(− 1) e s
⎛ α +1 ⎞ −c ⎜ s + ⎟ γτ 2 ⎠ ⎝
;
(2.19)
где c - параметр замены (2.1). Заметим, что при проведении аналитических преобразований над равенством цифровым эквивалентом указывается используемое при получении промежуточного результата правило (см. Приложение 4). ∞
k
m
− c (α +1 )γτ ∑ Cks Cks++αs +α (− 1) e −csγτ ∑ Cms Cms++αs+α (− 1) e −csγτ dτ = ∫e s
s =0
0
s
s =0
∞
k
0
s =0
= ∫ e −c (α +1 )γτ ∑ Coef ( 1 + u )k u − s −1 Coef ( 1 + v )k + s +α u − k + s +α −1 (− 1) e −csγτ × s
u
v
m
× ∑ Coef ( 1 + u )m u − s −1 Coef ( 1 + v )m+ s +α u − m+ s +α −1 (− 1) e −csγτ dτ = s
u
s =0 ∞
= ∫e
v
− c (α +1 )γτ
(1 + v ) Coef v
0
(1 + v ) × Coef
m +α
v 3 ∞
=∫e
v m−α +1
− c (α +1 )γτ
⎛ k ⎛ (1 + v )v ⎞ s ⎞ k − s −1 ⎜ ⎟× Coef ( 1 + u ) u − ⎟ ⎜ ∑ ⎟ v k −α +1 ⎜⎝ s =0 ⎝ e csγτ ⎠ u ⎠ s ⎛ k ⎛ (1 + v )v ⎞ ⎞ 3 ⎜ ∑ ⎜ − csγτ ⎟ Coef ( 1 + u )m u − s −1 ⎟dτ = ⎜ s =0 ⎝ ⎟ e ⎠ u ⎝ ⎠ k +α
e
− ( k + m )cγτ
α ( 1 + v) (e Coef α k+
v
0
α ( 1 + v) (e × Coef α k+
v
∞
= ∫e 0
vk−
+1
− c (α + k + m +1 )γτ
v
− (1 + v )v ) × k
(1 + v ) − (1 + v )v ) Coef
m−k
− cγτ
k
v m−k
v
(1 + v ) Coef
2 k + 2α
v
− cγτ
k − +1
v 2 k − 2α +1
(e Coef v
− cγτ
dτ =
def − (1 + v )v ) δ mk dτ = v 2k
1 ⎧ , k = m; ⎪ = ⎨ (2 k + α + 1) cγτ ⎪⎩ 0 , k ≠ m.
def
Справедливость получаемых соотношений после ряда аналитических преобразований с помощью указанных методов несложно проверить с использованием общих математических пакетов, либо специализированных автоматизированных систем, одной из которых является автоматизированная информационная система исследования ортогональных полиномов и функций семейства Якоби [35]. Данная система позволяет строить ортогональные полиномы и функции высоких порядков, исследовать свойства ортогональных многочленов и
30
влияние параметров ортогонального базиса друг на друга и на результат исследования. 2.2. Задание на самостоятельную работу Получение ортогональных функций k - ого порядка: 1.1. Получить ортогональные функции из ортогональных полиномов k ого порядка путем введения соответствующей замены, приведенной в таблице 2.1, и использования выражения (2.4). Найти аналитические выражения и графики для первых шести порядков. 1.2. Получить ортогональные функции, используя представление, приведенное в таблице 2.1. Найти аналитические выражения и графики для первых шести порядков. Полученный результат сравнить с пунктом 1.1. 2. Рассчитать значения ортогональных функций k - ого порядка в «нуле». 3. Определение нормы ортогональных функций: 3.1. Определить значение нормы ортогональных функций из выражения (2.5). Результат представить в виде матрицы значений с размерностью (k , m ) , 1.
(
)
привести графическую интерпретацию j = 0 , k , i = 0 , m . 3.2. Определить значения нормы ортогональных функций k - ого порядка, используя выражения, приведенные в таблице 2.1. Результат представить в виде вектора значений. Сравнить полученный результат с диагональными значениями матрицы (k , m ) , полученной в пункте 3.1. 4. Рассчитать длительности, используя выражения (2.6) и (2.7). Построить графические зависимости τ k( 2,и) и τ k( 4,и) ортогональных функций k - ого порядка от параметра масштаба. Спроектировать двумерную зависимость длительности от порядка и параметра масштаба для каждого из выражений. 5. Оформить отчет. 2.3. Содержание отчета 1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Аналитические выражения и графики ортогональных функций первых шести порядков заданного ортогонального базиса (пункт 1.1 и пункт 1.2). 6. Матрицу значений нормы ортогональных функций с разрядностью (k , m )
(
)
и соответствующую ей графическую интерпретацию j = 0, k , i = 0, m (пункт 3.1). 7. Вектор значений нормы ортогональных функций (пункт 3.2). 8. Графические зависимости τ k( 2,и) (γ ) и τ k(4,и) (γ ) ортогональных функций k ого порядка. 9. Двумерные графические зависимости τ и( 2 ) (k ,γ ) и τ и(4 ) (k ,γ ) . 10. Выводы. Пример выполнения лабораторной работы 2 приведен в Приложении 5.
31
2.4. Контрольные вопросы 1. Почему при решении ряда прикладных задач ортогональные полиномы предпочитают ортогональным функциям? 2. При решении каких задач целесообразно использовать ортогональные полиномы, ортогональные функции? 3. Что дает получение ортогонального многочлена с единичной весовой функцией? 4. Для каких целей вводят параметр масштаба ортогональных функций? Какие значения он может принимать? Что понимают под длительностью ортогональной функции, и какой 5. смысл она имеет? 6. Чем отличаются два введенных определения длительности? Для чего введено второе определение, и в каких случаях целесообразнее использовать данное определение? 7. О чем говорит полученная двумерная зависимость?
32
3. ОПРЕДЕЛЕНИЕ МАКСИМАЛЬНОЙ ДЛИТЕЛЬНОСТИ И ИНТЕРВАЛА ДИСКРЕТИЗАЦИИ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ изучение методов и приобретение навыков в определении максимальной длительности и интервала дискретизации ортогональных функций.
Цель работы:
3.1. Теоретические основы лабораторной работы Длительность ортогональной функции k-ого порядка τ k max определяется в результате решения уравнения [15]: ψ k ( τ > τ k max ,α / γ ) ≤ Δ , (3.1) где Δ – заданная погрешность, α / γ – параметр масштаба ортогональных функций. Таким образом, под длительностью ортогональной функции понимается временной интервал от начала координат до точки пересечения с линиями Δ или − Δ , после которой функция не выходит из коридора [− Δ ,Δ ]. На рисунке 3.1 показан пример определения длительности ортогональной функции k - ого порядка. Также, с заданной погрешностью можно считать, что вне интервала [0 ,τ k max ] функция тождественно равна нулю. 1
0.5
τ k max
P( k , τ , γ ) P( k , τ , γ ) + δ
0
P( k , τ , γ ) − δ
2
4
δ −δ 6
8
10
0.5
1 τ
Рисунок 3.1 - Длительность ортогональной функции
Интервал дискретизации при линейной интерполяции с заданной погрешностью можно вычислить по формуле [21]:
Δt =
8δ
ψ k''
,
(3.2)
max
где δ – заданная погрешность восстановления, 33
ψ k''
max
– максимальное по модулю значение второй производной соответствую-
щей функции. Число интервалов дискретизации:
где
⎤ ⎡τ n = ent ⎢ k max + 0 ,5 ⎥ , ⎦ ⎣ Δt ent[ ] – целая часть от числа,
(3.3)
τ k max –максимальная длительность ортогональной функции k-ого порядка, Δt – интервал дискретизации. 3.2. Задание на самостоятельную работу 1. Задать вид ортогональной функции. 2. Задать порядок ортогональной функции. 3. Задать значение параметра масштаба. 4. Задать погрешность приближения δ = 0 ,02; 0 ,05; 0 ,1 . 5. Построить график ортогональной функции. 6. На основании графика приблизительно определить интервал, внутри которого находится значение τ k max для данной функции и заданном значении погрешности приближения. 7. Получить на основании общей формулы ортогональных функции частные формулы функции, ее первой, второй и третьей производных. 8. Вычислить максимум второй производной. 9. Вычислить интервал дискретизации для ортогональной функции. 10. Определить максимальную длительность ортогональной функции. 11. Вычислить количество интервалов дискретизации. 12. Занести все полученные значения (максимум второй производной, длительность функции, интервал дискретизации, число интервалов дискретизации) в таблицу. 13. Повторить пункты 4-12 для каждого из заданных значений погрешности приближения. 14. Повторить пункты 3-13 для каждого заданного значения параметра масштаба. 15. Повторить пункты 2-14 для каждого заданного порядка ортогональных функций. 16. Построить зависимость τ k max = f 1 (k / α ) . 17. 18. 19.
Построить зависимость τ k max = f 2 (α / k ) .
Построить зависимость Δt = f 3 (k / α ) . Оформить отчет.
3.3. Содержание отчета 1. 2. 3. 34
Цель работы. Задание. Исходный текст программы, написанной в MathCad.
4. Результаты выполнения работы в мат. пакете MathCad. 5. Метод и алгоритм нахождения интервала дискретизации и длительности функции. 6. Графики заданных ортогональных функций. 7. Формулы заданных ортогональных функций и их трех первых производных. 8. Выводы. Пример выполнения лабораторной работы 3 приведен в Приложении 6. 3.4. Контрольные вопросы 1. Поясните физический смысл длительности ортогональной функции? 2. Какой информацией необходимо располагать для определения интервала дискретизации ортогональных функций? 3. Как изменяется длительность ортогональной функции с увеличением её порядка? 4. Как изменяется длительность ортогональной функции с увеличением параметра масштаба? 5. Как изменяется число интервалов дискретизации с увеличением погрешности восстановления?
35
4. ЧАСТОТНЫЕ ХАРАКТЕРИСТИКИ ОРТОГОНАЛЬНЫХ ФУНКЦИЙ исследование частотных характеристик ортогональных функций.
Цель работы:
4.1. Теоретические основы лабораторной работы Многие задачи аппроксимативного корреляционно-спектрального анализа удобнее решать с использованием частотных характеристик ортогональных функций [21, 34, 38, 45 - 47]. Рассмотрим ортогональные базисы, представленные в таблице 2.1. Найдем преобразование Фурье ортогональных функций (см. таблицу 4.1) ∞
Wk ( jω ) = ∫ψ k (τ ,α )e − jωτ dτ .
(4.1)
0
Из результатов, представленных в таблице 4.1, видно, что преобразование Фурье ортогональных функций 1, 4-10 можно представить в общем виде:
[ψ (0 ,α )] W ( jω ) = 1 / 2 ψ (α ) +
k −1
k
k
jω
2
k
∏ s =0
jω − 1 / 2 ψ s (α )
jω + 1 / 2 ψ s (α )
2
.
2
(4.2)
Выражение (4.2) приведем к виду
Wk ( jω ) =
2 ψ k (α ) [ψ k (0 ,α )] 2
1 + j 2 ψ k (α ) ω 2
k −1
∏ s =0
j 2 ψ s (α ) ω − 1 2
j 2 ψ s (α ) ω + 1 2
.
(4.3)
Введем обозначения tgϕ s = 2 ψ s (α ) ω , ϕ s = arctg 2 ψ s (α ) ω . Тогда 2
2
2 ψ k (α ) [ψ k (0 ,α )] k −1 jtgϕ s − 1 Wk ( jω ) = = ∏ 1 + jtgϕ k s =0 jtgϕ s + 1 2
2 k ⎞ ⎛ = 2(− 1) ψ k (α ) ψ k (0 ,α )cos ϕ k exp⎜ − j ⎛⎜ ϕ k + 2∑ ϕ s ⎞⎟ ⎟ . k −1
⎝
⎝
s =0
⎠⎠
(4.4)
Отсюда k −1 2 k ReWk ( jω ) = 2(− 1) ψ k (α ) ψ k (0 ,α )cos ϕ k cos ⎡ϕ k + 2∑ ϕ s ⎤ ; ⎢⎣ ⎥⎦ s =0 k −1 2 k +1 ImWk ( jω ) = 2(− 1) ψ k (α ) ψ k (0 ,α )cos ϕ k sin ⎡ϕ k + 2∑ ϕ s ⎤ ; ⎢⎣ ⎥⎦ s =0 2 Wk ( jω ) = 2 ψ k (α ) cos ϕ k ;
(4.7)
Φ k ( jω ) = −⎛⎜ ϕ k + 2∑ ϕ s ⎞⎟ .
(4.8)
k −1
⎝
s =0
⎠
(4.5) (4.6)
Частотные характеристики с использованием экспоненциальных и тригонометрических функций, представленные в виде (4.4) – (4.8), удобно применять при корреляционно-спектральном анализе [15]. Примеры частотных характеристик исследуемых ортогональных функций различных порядков, соответствующие таблице 4.1 и формуле (4.4) представлены в Приложении 7.
36
Преобразование Фурье ортогональных функций Таблица 4.1 № 1
2
3
Ортогональные функции
Wk ( jω )
Lk (τ ,α )
⎛ jω − α / 2 ⎞ 1 ⎜ ⎟ jω + α / 2 ⎜⎝ jω + α / 2 ⎟⎠
L(k1 ) (τ ,γ ) L(k2 ) (τ ,γ )
4
Leg k (τ ,α )
5
Dk (τ ,α )
6
Pk( −1 2 ,0 ) (τ ,γ )
7
Pk( 1 2 ,0 ) (τ ,γ )
8
Pk( 1 ,0 ) (τ ,γ )
9
Pk( 0 ,0 ) (τ ,γ )
10
Pk( 2 ,0 ) (τ ,γ )
11
Pk( 0 ,1 ) (τ ,γ )
12
Pk( 0 ,2 ) (τ ,γ )
13
Tk (τ ,γ )
14
U k (τ ,γ )
k
k +1 1 ⎛⎜ ⎛ jω − γ / 2 ⎞ ⎞⎟ ⎟ 1−⎜ γ (k + 1) ⎜⎝ ⎜⎝ jω + γ / 2 ⎟⎠ ⎟⎠
⎡⎛ ⎛ jω − γ / 2 ⎞ k +1 ⎞ ⎤ 2 ⎟ ⎜ ⎟ − 1 ( jω − γ / 2) + γ (k + 1)⎥ ⎢ ⎜ ⎟ γ 2 (k + 1)(k + 2) ⎢⎣⎜⎝ ⎜⎝ jω + γ / 2 ⎟⎠ ⎥⎦ ⎠ k −1 (2 s + 1)α − jω 1 ∏ (2k + 1)α + jω s =0 (2 s + 1)α + jω k −1 1 jω − (s + 1)α ∏ jω + (k + 1)α s =0 jω + (s + 1)α k −1 (4 s + 1)γ / 2 − jω 1 ∏ (4 k + 1)γ / 2 + jω s =0 (4 s + 1)γ / 2 + jω k −1 (4 s + 3)γ / 2 − jω 1 ∏ (4 k + 3)γ / 2 + jω s =0 (4 s + 3)γ / 2 + jω k −1 (s + 1)γ − jω 1 ∏ (k + 1)γ + jω s=0 (s + 1)γ + jω k −1 (2 s + 1)γ − jω 1 ∏ (2k + 1)γ + jω s =0 (2 s + 1)γ + jω k −1 (2 s + 3)γ − jω 1 ∏ (2k + 3)γ + jω s=0 (2 s + 3)γ + jω 1 k s s 1 s C k C k + s +1 (− 1) ∑ (2 s + 1)γ + jω k + 1 s =0 k 2 1 s C ks C ks+ s + 2 (− 1) ∑ (2 s + 1)γ + jω (k + 1)(k + 2 ) s =0 1 ⎧ ,k = 0 ⎪⎪ γ + jω ⎨k k 1 k −s ⎪∑ C 2sk − s (− 4 ) ,k ≠ 0 ⎪⎩ s =0 2 k − s (2(k − s ) + 1)γ + jω 1 k s 1 k −s C 2 k − s +1 (− 4 ) ∑ (2(k − s ) + 1)γ + jω k + 1 s =0
Частотные характеристики ортогональных функций Сонина-Лагерра (1) и (2), как видно из таблицы 4.1, не описываются формулой (4.2). Однако, введя обозначе37
ния tgϕ = 2ω / γ , ϕ = arctg 2ω / γ , также можно получить аналитические выражения частотных характеристик с использованием экспоненциальных и тригонометрических функций. Так для ортогональных функций Сонина-Лагерра (1):
(
)
(4.9)
)
(4.10)
1 k 1 + (− 1) exp [− 2(k + 1) jϕ ] ; γ ⋅ (k + 1) 1 k ReWk(1 ) ( jω ) = 1 + (− 1) cos [2(k + 1)ϕ ] ; γ ⋅ (k + 1) 1 (− 1)k +1 sin [2(k + 1)ϕ ] . ImWk(1 ) ( jω ) = γ ⋅ (k + 1)
Wk(1 ) ( jω ) =
(
(
)
(4.11)
Для ортогональных функций Сонина-Лагерра (2):
⎞ ⎛ exp(− jϕ ) (− 1)k exp[− (2k + 3) jϕ ] 2 ⎜⎜ Wk ( jω ) = + + k + 1⎟⎟ ; (4.12) γ ⋅ (k + 1)(k + 2) ⎝ 2 cosϕ 2 cosϕ ⎠ (2)
⎞ ⎛ 1 (− 1)k cos [(2 k + 3 )ϕ ] 2 ⎜⎜ + ReWk ( jω ) = + k + 1 ⎟⎟ ; γ ⋅ (k + 1)(k + 2 ) ⎝ 2 2 cos ϕ ⎠ (2 )
⎛ (− 1)k +1 sin [(2 k + 3 )ϕ ] tg ϕ ⎞ 2 ⎜ ⎟. ImWk ( jω ) = − 2 cos ϕ 2 ⎟⎠ γ ⋅ (k + 1)(k + 2 ) ⎜⎝ (2 )
(4.13) (4.14)
Частотные характеристики ортогональных функций Якоби (0, 1) и Якоби (0, 2) с учетом обозначения tgϕ s =
ω
γ (2 s + 1)
ω
, ϕ s = arctg
γ (2 s + 1) s cos ϕ s exp(− jϕ s )
равны:
k 1 ; Wk ( jω ) = C ks C ks+ s +1 (− 1) ∑ (2 s + 1) (k + 1)γ s =0 2 k 1 s cos ϕ s (0 ,1 ) s s ReWk ( jω ) = ; C k C k + s +1 (− 1) (k + 1)γ ∑ (2 s + 1) s =0 k 1 s cos ϕ s sin ϕ s ImWk(0 ,1 ) ( jω ) = − C ks C ks+ s +1 (− 1) ; ∑ (k + 1)γ s=0 (2 s + 1) k 2 s cos ϕ s exp(− jϕ s ) ; Wk(0 ,2 ) ( jω ) = C ks C ks+ s + 2 (− 1) ∑ (2 s + 1) (k + 1)(k + 2 )γ s =0 2 k 2 s cos ϕ s (0 ,2 ) s s ReWk ( jω ) = ; C k C k + s + 2 (− 1) (k + 1)(k + 2 )γ ∑ (2 s + 1) s =0 k 2 s cos ϕ s sin ϕ s (0 ,2 ) . ImWk ( jω ) = − C ks C ks+ s + 2 (− 1) ∑ (k + 1)(k + 2 )γ s=0 (2 s + 1)
(0 ,1 )
(4.15) (4.16) (4.17) (4.18) (4.19) (4.20)
Модули и фазы частотных характеристик ортогональных функций СонинаЛагерра (1) и (2), Якоби (0, 1) и Якоби (0, 2) определяются следующими общими выражениями:
Wk ( jω ) = ReWk(i / 0 ,i ) ( jω ) + ImWk(i / 0 ,i ) ( jω ) ; ImWk(i / 0 ,i ) ( jω ) Φ k ( jω ) = arctg . ReWk(i / 0 ,i ) ( jω ) 2
38
2
(4.21) (4.22)
Полученные выражения для преобразования Фурье ортогональных функций позволяют решать разнообразные задачи аппроксимативного анализа случайных процессов. Так, например, из выражения (4.1) можно найти выражение для определения длительности ортогональных функций (см. таблицу 4.2), необходимые для оценки интервала корреляции [21]. ∞
τ k ,и = ∫ψ k (τ ,α )dτ = Wk (0 ,α ) . (2 )
(4.23)
0
Длительность ортогональных функций Таблица 4.2 №
Ортогональные функции
1
Lk (τ ,α )
2
L(k1 ) (τ ,γ )
3
L(k2 ) (τ ,γ )
4
Leg k (τ ,γ )
5
Dk (τ ,γ )
6
Pk( −1 2 ,0 ) (τ ,γ )
7
Pk( 1 2 ,0 ) (τ ,γ )
8
Pk( 1 ,0 ) (τ ,γ )
9
Pk( 0 ,0 ) (τ ,γ )
10
Pk( 2 ,0 ) (τ ,γ )
11
Pk( 0 ,1 ) (τ ,γ )
12
Pk( 0 ,2 ) (τ ,γ )
τ k( 2,и) 2(− 1)
k
α
2 ⎡ (k + 1) mod 2 ⎤ ⎥⎦ k +1 γ ⎢⎣ 4 ⎡ (k + 2 ) div 2 ⎤ γ ⎢⎣ (k + 1)(k + 2 )⎥⎦ 1 α (2 k + 1) (− 1)k α (k + 1) 2 γ (4 k + 1) 2 γ (4 k + 3) 1 γ (k + 1) 1 γ (2k + 1) 1 γ (2k + 3) (k + 1)mod 2 ( k + 1 )2 γ k 2 4(− 1) [(k + 2 )div 2] ( k + 1 )2 ( k + 2 ) 2 γ
Введем понятие полосы пропускания линейной динамической системы [21]:
39
∞
Δωс =
где
* m
W
∫W
* m
2
( j ω ) dω
0
2
Wm* ( jω ) max
( jω ) =
(4.24)
∞
1
ψm
,
2
∫ψ (τ ,α )μ (τ )e m
− jωτ
dτ
0
– частотная характеристика семейства ор-
тогональных фильтров (см. таблицу 4.3); 2
Wm* ( jω ) = Wm* ( jω ) ⋅ Wm* ( − jω ) – квадрат модуля частотной характеристики семейства ортогональных фильтров. Вид частотных характеристик ортогональных фильтров приведен в Приложении 8. Следует отметить, что для ортогональных функций 1, 4 - 10 μ (τ ) = 1 и
Wm* ( jω ) =
1
ψm
2
Wm ( jω )
.
(4.25)
Графически полоса пропускания показана на рисунке 4.1.
Wm* ( jω )
2
2
Wm* ( jω ) max
∆ωс ω Рисунок 4.1 - Полоса пропускания линейной динамической системы
Частотные характеристики ортогональных фильтров Таблица 4.3 Ортогональные функции
Wk* ( jω )
1
Lk (τ ,α )
⎛ jω − α / 2 ⎞ α ⎜ ⎟ jω + α / 2 ⎜⎝ jω + α / 2 ⎟⎠
2
Lk (τ ,γ )
⎛ jω − γ / 2 ⎞ γ2 ⎜ ⎟ ( jω + γ / 2 )2 ⎜⎝ jω + γ / 2 ⎟⎠
3
Lk (τ ,γ )
⎛ jω − γ / 2 ⎞ γ3 ⎜ ⎟ 3⎜ 2( jω + γ / 2 ) ⎝ jω + γ / 2 ⎟⎠
№
40
(1 )
(2 )
k
k
k
4
Leg k (τ ,γ )
5
Dk (τ ,γ )
6
Pk( −1 2 ,0 ) (τ ,γ )
7
Pk( 1 2 ,0 ) (τ ,γ )
8
Pk( 1 ,0 ) (τ ,γ )
9
Pk( 0 ,0 ) (τ ,γ )
10
Pk( 2 ,0 ) (τ ,γ )
11
Pk( 0 ,1 ) (τ ,γ )
12
Pk( 0 ,2 ) (τ ,γ )
2α (2 k + 1) k −1 (2 s + 1)α − jω (2k + 1)α + jω ∏ s =0 (2 s + 1)α + jω 2α (k + 1) k −1 jω − (s + 1)α ∏ jω + (k + 1)α s =0 jω + (s + 1)α k −1 (4 k + 1)γ (4 s + 1)γ / 2 − jω ∏ (4 k + 1)γ / 2 + jω s =0 (4 s + 1)γ / 2 + jω k −1 (4 k + 3)γ (4 s + 3)γ / 2 − jω ∏ (4 k + 3)γ / 2 + jω s =0 (4 s + 3)γ / 2 + jω 2γ (k + 1) k −1 (s + 1)γ − jω (k + 1)γ + jω ∏ s =0 (s + 1)γ + jω k −1 (2 s + 1)γ − jω 2γ (2 k + 1) ∏ (2k + 1)γ + jω s =0 (2 s + 1)γ + jω 2γ (2 k + 3 ) k −1 (2 s + 3 )γ − jω (2k + 3)γ + jω ∏ s =0 (2 s + 3 )γ + jω 3 2 k −1 (2 s + 1)γ − jω 8γ (k + 1) ∏ [(2k + 1)γ + jω ][(2k + 1)γ + jω ] s=0 (2 s + 1)γ + jω 2 2 k −1 (2s + 1)γ − jω 4γ 3 (2k + 3)(k + 1) (k + 2) ∏ [(2k + 1)γ + jω][(2k + 1)γ + jω][(2k + 5)γ + jω] s=0 (2s + 1)γ + jω
Квадраты модулей частотных характеристик ортогональных фильтров и их максимумы приведены в таблице 4.4.
№
Квадраты модулей частотных характеристик и их максимумы Таблица 4.4 Ортого2 2 Wm* ( jω ) max Wm* ( jω ) нальные функции
1
Lk (τ ,α )
2
L(k1 ) (τ ,γ )
3
Lk (τ ,γ )
4
Leg k (τ ,γ )
5
Dk (τ ,γ )
(2 )
α2
4
α 2 / 4 +ω2 2 γ 4 (m + 1) (γ 2 / 4 + ω 2 )2
16 (m + 1)
γ 6 (m + 1) (m + 2 ) 3 4 (γ 2 / 4 + ω 2 ) 2 4(2m + 1) ⋅ α 2 (2m + 1)2 ⋅ α 2 + ω 2 2 4(m + 1) ⋅ α 2 (m + 1)2 ⋅ α 2 + ω 2 2
2
2
16 (m + 1) (m + 2) 2
2
4 4
41
( −1 2 ,0 ) k
6
P
7
P
8
P
( 1 2 ,0 ) k
( 1 ,0 ) k
( 0 ,0 ) k
9
P
10
P
( 2 ,0 ) k
( 0 ,1 ) k
P
11
( 0 ,2 ) k
P
12
(4 m + 1) ⋅ γ (4 m + 1) ⋅ γ / 4 + ω (4 m + 3) ⋅ γ (4 m + 3) ⋅ γ / 4 + ω 4(m + 1) ⋅ γ (m + 1) ⋅ γ + ω 4(2 m + 1) ⋅ γ (2m + 1) ⋅ γ + ω 4(2 m + 3 ) ⋅ γ (2m + 3) ⋅ γ + ω 2
(τ ,γ )
2
2
2
2
2
2
2
4 4
2
2
2
2
(τ ,γ )
4
2
2
(τ ,γ )
2
2
2
(τ ,γ )
(τ ,γ )
2
2
(τ ,γ )
(τ ,γ )
2
2
2
4
2
4
2
2
64 (m + 1) ⋅ γ 4
64(m + 1) (2m + 1)2 (2m + 3)2 6
6
[ (2m + 1)
2
⋅γ 2 + ω2
][ (2m + 3)
2
⋅γ 2 + ω2
16 (2m+3) (m+1) (m+2) ⋅γ 6 2
[(2m+1) ⋅γ
2
2
][
4
]
][
4
+ω2 (2m+3) ⋅γ 2 +ω2 (2m+5) ⋅γ 2 +ω2 2
16 (m + 1) (m + 2) (2m + 1)2 (2m + 5)2
4
2
]
4
Значения полосы пропускания линейной динамической системы для различных ортогональных функций приведены в таблице 4.5.
№
42
Значения полосы пропускания линейной динамической системы Таблица 4.5 Ортогональные Δωс функции
1
Lk (τ ,α )
πα
2
L(k1 ) (τ ,γ )
πγ
3
L(k2 ) (τ ,γ )
4
Leg k (τ ,γ )
5
Dk (τ ,γ )
6
Pk( −1 2 ,0 ) (τ ,γ )
7
Pk( 1 2 ,0 ) (τ ,γ )
8
Pk( 1,0 ) (τ ,γ )
3πγ 32 πα (2m + 1) 2 πα (m + 1) 2 πγ (4 m + 1) 4 πγ (4 m + 3) 4 πγ (m + 1) 2
4
8
9
Pk( 0 ,0 ) (τ ,γ )
10
Pk( 2 ,0 ) (τ ,γ )
11
Pk( 0 ,1 ) (τ ,γ )
12
Pk( 0 ,2 ) (τ ,γ )
πγ (2 m + 1) 2 πγ (2 m + 3 ) 2 πγ (2 m + 1)(2 m + 3 ) 8(m + 1) 3πγ (2 m + 1)(2 m + 3 )(2 m + 5 ) 64 (m + 1)(m + 2 )
Отметим, что квадраты модуля частотных характеристик ортогональных фильтров m - ого порядка 1, 4 - 10 соответствуют квадрату модуля 0-ого порядка с 2 параметром 1 / 2 ψ m
Wm ( jω ) = 2
(
1
ψ m 1/ 4ψ m + ω2 4
4
)
=
4 1 + 4ψ m ω2 4
,
(4.26)
а соотношение неопределенности [51]:
Δωсτ 0 ,и =
π
2
.
(4.27)
Заметим, что выражения для частотных характеристик ортогональных функций записаны с учетом некоторых преобразований в более удобной форме для дальнейшего использования и применения. В частности, для ортогонального базиса СонинаЛагерра с использованием формулы геометрической прогрессии [5], а для ортогонального базиса Якоби с единичной весовой функцией с использованием чисел Стирлинга 1-ого и 2-ого рода. Ниже, в качестве примера, приведем аналитические преобразования с использованием комбинаторных чисел Стирлинга при получении соотношения для преобразования Фурье ортогональных функций Якоби:
α + 1⎞ ⎛ ⎛ ⎞ + − γ ω j c s ⎜ ⎟ ⎜ ⎟ k −1 2 ⎠ 1 ⎝ ⎝ ⎠, Wk ,1 ( jω ) = ∏ α + 1⎞ α + 1⎞ s =0 ⎛ ⎛ ⎛ ⎞ c⎜ k + ⎟ γ + jω ⎜ c ⎜ s + ⎟ γ + jω ⎟ 2 ⎠ 2 ⎠ ⎝ ⎝ ⎝ ⎠
(4.28)
где k
Wk ,2 ( jω ) = ∑ C ks C ks++αs +α (− 1) s =0
s
1 . α + 1⎞ ⎛ ⎛ ⎞ ⎜ c⎜ s + ⎟γ + jω ⎟ 2 ⎠ ⎝ ⎝ ⎠
(4.29)
Выражение (4.28) необходимо проверить на сходимость с использованием соотношения:
ak ⎞ a1 ⎞⎛ a2 ⎞ ⎛ ⎛ 1 − − − 1 ... 1 ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ∞ ( n − a1 )(n − a2 )...(n − ak ) ∞ ⎝ n ⎠⎝ n⎠ ⎝ n⎠ P=∏ =∏ . bk ⎞ b1 ⎞⎛ b2 ⎞ ⎛ n =1 (n − b1 )(n − b2 )...(n − bk ) n =1 ⎛ ⎜ 1 − ⎟⎜ 1 − ⎟...⎜ 1 − ⎟ n ⎠⎝ n⎠ ⎝ n⎠ ⎝
(4.30)
Необходимым условием сходимости соотношения является следующее [10]: 43
a1 + a2 + ... + ak − b1 − b2 − ... − bk = 0 . (4.31) Вид суммы ряда Wk ,2 ( jω ) позволяет перейти к более общей комбинаторной схеме: работе с комбинаторными числами. Под комбинаторными числами понимают перечисления различных множеств комбинаторных объектов. Различные элементы в перечисляемом множестве могут быть неравноценны, что приводит к назначению весов, в общем случае различных, на множестве отображений и вычислению сумм этих весов на каких - либо подмножествах исходного множества. Тогда операцию нахождения таких сумм называют взвешенными перечислениями (перечисления с весами). В частном случае считающих весов, равных единице на каждом элементе - обычное перечисление - имеем дело с биномиальными коэффициентами. Многие комбинаторные числа – частные случаи элементов обобщенного треугольника. Известно, как строится треугольник Паскаля. Число сочетаний C nk определяют как решение разностного уравнения C nk = C nk−−11 + C nk−1 , n = 1,∞ , k = 0 , n − 1 . (4.32) Обобщения производят, дополняя различными способами разностное уравнение. По аналогии с построением треугольника Паскаля строят обобщенный треугольник на основании рекуррентного соотношения [10]: V ( n , k ) = β n ,k −1V (n − 1, k − 1) + α n .k V ( n − 1, k ) . (4.33) Величины α n ,k и β n ,k - весовые коэффициенты.
Vn = ∑ V (n , k ) = ∑ (α n ,k + β n ,k )V (n − 1, k ) . n
n −1
k =0
k =0
(4.34)
Однако иногда оказывается полезной и следующая интерпретация элементов обобщенного треугольника Паскаля. Полагая, что V ( n , n ) ≠ 0 , n = 0 ,∞ зафиксируем значение параметра n и построим нормированную последовательность элементов n ой строки:
V ( n ,0 ) V ( n ,1 ) V ( n,n ) . , ,..., V ( n,n ) V ( n,n ) V ( n,n )
(4.35)
Пусть n 1 (4.36) V (n , k )x k , ∑ V ( n , n ) k =0 где μ n ,0 , μ n ,1 ,..., μ n ,n −1 - корни многочлена Pn ( x ) , взятые с противоположным знаком.
Pn ( x ) =
Тогда
V ( n,k ) = Bkn , V ( n,n )
(4.37)
где Bkn - обобщенные числа Стирлинга 1-ого рода, строящиеся при каждом фиксиро-
ванном n на базе {μ n ,m }m =0 . В свою очередь, биномиальные коэффициенты получаются из (4.33) при значениях V0 = 1 , α n ,k = β n ,k = 1 ; n = 1,∞ , k = 0 , n . n −1
Если же V0 = 1 , β n ,k = 1 , а α n ,k = μ n −1 ; n = 1,∞ , k = 0 , n , то имеем рекуррентное соотношение для обобщенных чисел Стирлинга 1-ого рода: Bkn = Bkn−−11 + μ n −1 Bkn −1 . (4.38) 44
Рассмотрим случай: V0 = 1 , α n ,k = α n , β n ,k = β k ; n = 1,∞ , k = 0 , n . В этом случае имеем: V ( n , k ) = β k V ( n − 1, k − 1 ) + α nV ( n − 1, k ) .
(4.39)
Считая, что в последовательности {β k }n =1 все члены отличны от нуля, введем величины: ∞
B00 = 1, Bkn =
V ( n,k ) . β 1 β 2 ...β k
Тогда
B00 = 1, Bkn = Bkn−−11 +
(4.40)
α n n −1 Bk . βk
После нормировки элементы каждой строки обобщенного треугольника выражаются при помощи обобщенных чисел Стирлинга 1-ого рода, построенных на базе ∞
⎧α n ⎫ ⎨ ⎬ . ⎩ β k ⎭ n =1 Нормировку можно проводить и иными методами в зависимости от условия решаемой задачи.
α + 1⎞ ⎛ c⎜ s + ⎟γ 2 ⎠ k ⎝ Введем базу {α s }s =0 , α s = и затем построим на этой базе jω
обобщенные числа Стирлинга 1-ого рода. Тогда в соответствии с постановкой задачи, выражениями (4.34) и (4.36), рекуррентным соотношением (4.38) будем иметь: Bsk = Bsk−−11 + α k Bsk −1 ; (4.41)
α + 1⎞ ⎛ ⎛ ⎞ ⎜ c⎜ k + ⎟ ⎟γ 2 ⎠ k k −1 k −1 ⎜ ⎝ − 1⎟ ; Bs = Bs (α k − 1) = Bs ⎜ ⎟ jω ⎜ ⎟ ⎝ ⎠ α + 1⎞ ⎛ ⎛ ⎞ ⎜ c⎜ k + ⎟γ − jω ⎟ 2 ⎠ ⎝ ⎠; Bsk = Bsk −1 ⎝ jω 1 . Bsk −1 = C ks C ks++αs +α α + 1⎞ ⎛ ⎛ ⎞ ⎜ c⎜ k + ⎟ ⎟γ 2 ⎠ + 1⎟ ⎜ ⎝ ⎜ ⎟ jω ⎜ ⎟ ⎝ ⎠
(4.42)
(4.43) (4.44)
Далее произведем формирование чисел Стирлинга на заданной базе:
45
α + 1⎞ ⎛ ⎛ ⎞ ⎜ c⎜ k + ⎟γ − jω ⎟ 2 ⎠ ⎝ ⎠; ⋅⎝ jω
jω α + 1⎞ ⎛ c⎜ s + ⎟γ + jω 2 ⎠ ⎝ α + 1⎞ ⎛ c⎜ k + ⎟γ − jω 2 ⎠ ⎝ . α + 1⎞ ⎛ c⎜ s + ⎟γ + jω 2 ⎠ ⎝
Bsk = C ks C ks++αs +α
Bsk = C ks C ks++αs +α
(4.45)
(4.46)
Введем следующее обозначение:
⎛ α + 1⎞ c⎜ k + ⎟γ − jω k 2 ⎠ s ⎝ s s +α Wk ,2' ( jω) = Ck Ck +s+α (− 1) = ∑ Bsk x s , т. е. x = −1 , s=0 ⎛ α + 1⎞ c⎜ s + ⎟γ + jω 2 ⎠ ⎝
(4.47)
α + 1⎞ ⎛ ⎛ ⎞ Wk ,2 ' ( jω ) = ⎜ c⎜ k + ⎟γ − jω ⎟Wk ,2 ( jω ) . 2 ⎠ ⎝ ⎝ ⎠
(4.48)
где
Введем понятия чисел Стирлинга и на их основании рассмотрим свойства этих чисел [10]. Взаимосвязь между степенной функцией x n и специальными полиномами вида (x )n = x(x − 1)...(x − n + 1) ; (4.49) [x]n = x(x + 1)...(x + n − 1), (4.50) которые называются факториальными степенями и выражаются формулами: (x )0 = [x]0 = 1 ; (4.51)
(x )
n
n
= ∑ (− 1) bkn x k ; n−k
(4.52)
k =0
n
x k = ∑ a kn ( x )k ;
(4.53)
[x ]
(4.54)
k =0
n
n
= ∑ bkn x k ; k =0
x n = ∑ (− 1) akn [x ]k , n = 0 ,∞ . n
n−k
(4.55)
k =0
Коэффициенты (− 1) bkn и a kn - числа Стирлинга 1-ого и 2-ого рода соответственно. Пусть An = {0 ,1,..., n}, n = 0 ,∞ . Тогда анализ записанных выше формул позволяет сделать выводы: 1) число bkn , n > k - сумма всех различных произведений по n − k сомножителей, которые выбираются без повторения из множества An −1 ; n−k
2) число a kn , n > k - сумма всех различных произведений по n − k сомножителей, которые выбираются, допуская многократные повторения, из множества Ak . 46
Приведенные правила, по которым из элементов множества An −1 и Ak строятся числа Стирлинга, позволяют выполнить аналогичные построения из элементов различных последовательностей (даже не обязательно числовых). Возьмем последова∞ тельность элементов некоторого кольца {μ i }i =0 - базу. С применением членов базы строят разложения: k −1
n
∏ (x + μ ) = ∑ B i
i =0
k
xk ∏ i =0
n k
k =0
x k , n = 1,∞ ,
∞ 1 = ∑ Akn x n , k = 0 ,∞ . (1 − μ i x ) n=k
(4.56) (4.57)
В свою очередь, коэффициенты в суммах известны: 1) Bkn − элементарные симметрические функции;
Akn − суммы однородных произведений. 2) Иначе обобщенные числа Стирлинга 1-ого и 2-ого рода соответственно. Воспользуемся выражениями (4.56) и (4.57) для построения производящей функции B - формы распределения, которой является следующее выражение с нормированными коэффициентами [10]:
(x + α ) ∏ (1 + α ) = ∏ ∑ B n −1
−1
k
n
k =0
k
n
k =0
n k
xk , αk > 0 ,
(4.58)
Таким образом
∏
k
k
k
s =0
∑B s =0
(x + α ) ; (1 + α ) (x + α ) . =∏ ∏ (1 + α ) k −1
∑ Bsk x s = ∏
−1
k s
xs
s
s =0
s
k −1
k
(4.59)
s
s =0
(4.60)
s
С учетом выражений (4.47) и (4.48) запишем: k
∑B s =0
k s
x s = Wk ,2 ' ( jω ) x = −1 ; k −1
Wk ,2 ' ( jω ) = ∏k ∏ s =0
(α (α
s s
− 1) . + 1)
(4.61) (4.62)
Соотношения (4.61) и (4.62) позволяют записать результат в виде:
⎛ ⎛ α + 1⎞ ⎞ ⎜ c⎜ s + ⎟γ ⎟ 2 ⎠ ⎜ ⎝ − 1⎟ ⎟ ⎞ ⎜ ⎛ ⎛ α + 1⎞ jω ⎜c⎜k + ⎟γ − jω⎟ k−1 ⎜ ⎟ 2 ⎠ ⎞ ⎛ ⎛ α + 1⎞ ⎝ ⎝ ⎠; ⎠ ⎝ ⎜c⎜k + ⎟γ − jω⎟ ⋅Wk ,2 ( jω) = ∏ 2 ⎠ ⎞ ⎞ s=0 ⎛ ⎛ α + 1⎞ ⎛ ⎛ α + 1⎞ ⎠ ⎝⎝ ⎜c⎜k + ⎟γ ⎟ ⎟γ + jω⎟ ⎜ c⎜ s + 2 ⎠ 2 ⎠ ⎠ ⎜ ⎝ ⎝⎝ + 1⎟ ⎜ ⎟ jω ⎜ ⎟ ⎝ ⎠
(4.63)
47
α + 1⎞ ⎞ ⎛ ⎛ ⎜ c⎜ s + ⎟γ − jω ⎟ 2 ⎠ 1 ⎠. ⎝ ⎝ Wk ,2 ( jω ) = ∏ α + 1⎞ s =0 ⎛ ⎛ α + 1⎞ ⎞ ⎛ c⎜ k + ⎟γ + jω ⎜ c⎜ s + ⎟γ + jω ⎟ 2 ⎠ 2 ⎠ ⎝ ⎠ ⎝ ⎝ k −1
(4.64)
4.2. Задание на самостоятельную работу 1. Для заданных систем ортогональных функций для m = 0 − 4 и α = const построить частотные характеристики и их составляющие: вещественную, мнимую, модуль и фазу, например, для моделей 1, 4 - 10 - соответствующие выражениям (4.4) (4.8). 2. Для заданных систем ортогональных функций и α / γ = const построить
Wm* ( jω ) = f 1 (m / α ) для m = 0 − 4 . 2
Для заданных систем ортогональных функций и m = const построить
3.
Wm* ( jω ) = f 2 ( / α / m ) . 2
4. Построить зависимость полосы пропускания ортогонального фильтра k ого порядка от параметра масштаба. 5. Оформить отчет. 4.3. Содержание отчета 1. 2. 3. 4.
Цель работы. Задание. Исходный текст программы, написанной в MathCad. Результаты выполнения работы в мат. пакете MathCad.
5.
Графические зависимости Wm* ( jω ) = f 1 (m / α ) для m = 0 − 4 .
6.
Графические зависимости Wm* ( jω ) = f 2 ( / α / m ) .
2
2
7. Графические зависимости полосы пропускания ортогонального фильтра k - ого порядка от параметра масштаба. 8. Выводы. Пример выполнения лабораторной работы 4 приведен в Приложении 9. 4.4. Контрольные вопросы 1. Поясните физический смысл полосы пропускания ортогонального фильтра? 2. Для какой ортогональной системы функций полоса пропускания не зависит от порядка функций? 3. Что такое соотношение неопределенности для ортогонального фильтра? 4. Как определить порядок ортогональной функции по виду вещественной частотной характеристики? 5. Чем различаются частотные характеристики ортогональных функций и ортогонального фильтра? В чем их физический смысл?
48
5. ОРТОГОНАЛЬНЫЕ МОДЕЛИ КОРРЕЛЯЦИОННЫХ ФУНКЦИЙ изучение методов и приобретение практических навыков при аппроксимации корреляционных функций случайных процессов ортогональными функциями.
Цель работы:
5.1. Теоретические основы лабораторной работы 5.1.1. Основные понятия и определения Важной частью статистического анализа является корреляционный анализ. Знание корреляционных функций позволяет решать задачи идентификации динамических систем, выбирать оптимальный интервал дискретизации исследуемого процесса, оценивать погрешности средств измерений, строить корреляционные приёмники и т.д.[21, 51]. Корреляционная функция представляет собой корреляционный момент ее значений при двух значениях аргумента t и t ′ , рассматриваемый как функция [48, 49]:
K x (t , t ') = M ⎡ x(t ) x(t ′)⎤ , ⎢⎣ ⎥⎦ o
o
(5.1)
где x(t ) = x(t ) − m x (t ) , а mx (t ) – математическое ожидание случайного процесса в сечении t. Корреляционная функция характеризует степень линейной связи между сечениями процесса. Часто вместо корреляционной функции для характеристики связи между сечениями процесса используют нормированную корреляционную функцию, которая представляет собой коэффициент корреляции значений процесса при двух значениях аргумента: o
ρ x (t , t ′) =
K x (t , t ′) . Dx (t ) Dx (t ′)
(5.2)
Для стационарно связанных (стационарных) случайных процессов корреляционная функция зависит лишь от разности аргументов и является четной функцией [48]: K x (τ ) = K x (−τ ) , τ = t − t ′ . (5.3) Это свойство позволяет определять одну ветвь корреляционной функции, т.е. только во временном интервале [0 ,∞ ) . Нормированная корреляционная функция для стационарных процессов, в соответствии с выражением (5.2), равна:
ρ x (τ ) =
K x (τ ) . K x (0)
(5.4)
Отсюда видно, что ρ x (τ ) ≤ 1. (5.5) Типовые модели нормированных корреляционных функций, широко применяемых в приложениях, приведены в таблице 5.1 ( λi = 1 и ω0 ,i = 5 ), а их классифика49
ция – на рис. 5.1 [21]. Обратите внимание на разную длительность корреляционных функций при одном и том же значении параметра затухания λi . Типовые модели корреляционных функций Вид модели
ρ x (τ , λi , ω 0 ,i )
№
1
e
2
e−λ
3
e
e
4
− λ4 τ
e
5
50
2
τ
− λ3 τ
− λ1 τ
(1 + λ τ ) 2
(1 − λ τ ) 3
λ24τ 2 ⎞ ⎛ ⎜ 1 + λ4 τ + ⎟ 3 ⎠ ⎝
− λ5 τ
cos(ω 0 , 5τ )
Случайный процесс
Таблица 5.1 Нормированная корреляционная функция
6 e
− λ6 τ
7 e
− λ7 τ
⎛ λ ⎜ cos (ω0 ,6τ ) + 6 sin(ω0 ,6 τ ⎜ ω0 ,6 ⎝
)⎟⎟
⎛ λ ⎜ cos(ω0 ,7τ ) − 7 sin(ω0 ,7 τ ⎜ ω0 ,7 ⎝
)⎟⎟
⎞ ⎠
⎞ ⎠
Корреляционные функции
Монотонные
Дифференцируемые
Колебательные
Недифференцируемые
Рисунок 5.1 - Классификация корреляционных функций
Из анализа моделей видно, что все корреляционные функции можно разбить на два класса: монотонные (1-2) и колебательные (3-7). Из графиков видно, что в ряде случаев (модели 1, 3, 5, 7) в «нуле» производная корреляционных функций при подходе к нулю слева и справа определяется неоднозначно, т. е. K ′(τ − 0 ) ≠ K ′(τ + 0 ) . Такие случайные процессы относятся к классу недифференцируемых процессов. Случайный процесс называется дифференцируемым, если производная корреляционной функции в «нуле» непрерывна (см. модели 2, 4, 6). Отметим, что корреляционная функция n-ой производной стационарного случайного процесса определяется выражением: n ( 2n ) K x (τ ) = (− 1) K x (τ ) . (5.6) (n)
Отсюда видно, что все производные дифференцируемых стационарных случайных процессов являются стационарными случайными процессами [48]. Таким образом, корреляционные функции стационарных случайных процессов можно разделить на четыре класса: 1. монотонные недифференцируемые (модели 1); 2. монотонные дифференцируемые (модели 2, 4); 3. колебательные недифференцируемые (модели 3, 5, 7); 4. колебательные дифференцируемые (модели 6). 51
Такое разделение стационарных случайных процессов по виду корреляционной функции оказывается полезным при решении самых разнообразных задач, например, аппроксимации корреляционных функций, полученных экспериментально, параметрическими моделями [22, 23]. Взаимной корреляционной функцией двух случайных функций x(t ) и y (t ) называется неслучайная функция двух аргументов t и t ' , которая при каждой паре значений t и t' равна корреляционному моменту соответствующих сечений случайной функции x(t ) и случайной функции y (t ) : o o K xy (t , t ') = M ⎡ x(t ) y (t ')⎤ . ⎢⎣ ⎥⎦
(5.7)
Если взаимная корреляционная функция не тождественно равна нулю, случайные процессы называются коррелированными, в противном случае они называются некоррелированными. Следует отметить, что при одновременной перестановке аргументов и индексов взаимная корреляционная функция не изменяется: K xy (t ,t' ) = K yx (t ′,t ) . (5.8) Часто вместо корреляционной функции для характеристики связи между сечениями процесса используют нормированную корреляционную функцию, которая представляет собой коэффициент корреляции значений процесса при двух значениях аргумента:
ρ xy (t ,t' ) =
K xy (t ,t ′)
Dx ( t ) D y ( t ′ )
.
(5.9)
Для стационарно связанных (стационарных) случайных процессов [48] корреляционная функция зависит лишь от разности аргументов τ = t − t' . Нормированная корреляционная функция, в соответствии с выражением (5.25), равна:
ρ xy (τ ) =
K xy (τ )
σ x ⋅σ y
.
(5.10)
Отсюда видно, что ρ xy (τ ) ≤ 1 .
(5.11)
Из свойства взаимной корреляционной функции следует, что две взаимные корреляционные функции двух стационарно связанных случайных функций x(t ) и y (t ) , ρ xy (τ ) ρ yx (τ ) взятых в различных порядках, связаны соотношением ρ xy (τ ) = ρ yx (− τ ) . (5.12)
τ Рисунок 5.2 - Взаимные корреляционные функции
52
Графически это означает, что кривая ρ yx (τ ) является зеркальным отражением кривой ρ xy (τ ) относительно оси ординат (рис. 5.2).
Из анализа рис. 5.2 видно, что при взаимном корреляционном анализе необходимо оценивать две ветви корреляционной функции. 5.1.2. Аппроксимация корреляционных функций Корреляционные функции, представленные в виде последовательности ординат и предназначенные для дальнейших расчетов, как правило, аппроксимируются теми или иными аналитическими выражениями в соответствии с выбранным критерием приближения. Независимо от метода аппроксимации, как правило, определяются параметры модели, удовлетворяющие выбранному критерию приближения. Знание модели корреляционной функции и численных значений её параметров позволяет легко, используя известные определения, вычислить интервалы корреляции, моменты корреляционных функций, спектральную плотность мощности и т.д. Кроме того, следует отметить, что при проведении большого числа корреляционных измерений аппроксимативный подход позволяет существенно сократить объём хранимой информации, так как вместо большого числа отсчётов корреляционных функций в заданных точках необходимо хранить только вид модели и численные значения её параметров. Одной из самых сложных и плохо формализуемых задач, от правильного решения которой во многом будет определяться точность, достоверность полученных результатов, простота технической реализации, является выбор модели корреляционной функции. В качестве моделей корреляционных функций, основываясь на априорной информации о свойствах процесса, наиболее часто принимают: • линейную комбинацию конечного числа функций (возможна аппроксимация одной функцией) [51]; • бесконечный (конечный) ряд некоторой определенной системы функций (в частности, возможна аппроксимация степенными рядами, рядами по дисперсиям производных, ортогональными полиномами и функциями, асимптотическими рядами) [21, 22, 23, 51]. Выбор той или иной модели корреляционной функции основывается на наличии априорной информации о свойствах процесса. Если ориентировочно известен вид корреляционной функции исследуемого процесса, то наиболее целесообразно выбирать конкретный вид модели, желательно с меньшим числом параметров. От числа неизвестных параметров в значительной степени зависит сложность аппаратуры, удобство полученной модели для исследователя [51]. Если кроме эквивалентной ширины спектра мощности процесса ничего неизвестно, то в качестве модели следует применять разложение корреляционной функции в ряд по какой-либо системе ортогональных функций или полиномов [21, 51]. Впервые этот метод предложил Д. Лампард [57]. Математическим обоснованием этого метода является теорема Мерсера, согласно которой симметричная и положительно определенная функция, которой и является функция корреляции, может быть разложена в равномерно и абсолютно сходящийся ряд вида: ∞
K а (τ ) = σ x2 ∑ β kψ k (τ ,α ) ,
(5.13)
k =0
где β k - коэффициенты Фурье; ψ k (τ ,α ) - семейство ортогональных функций в интервале [0 ,∞ ) ; α - параметр масштаба. 53
Это семейство характеризуется интегралом:
⎧0 , если k ≠ n ; 2 ⎩ ψ k (α ) , если k = n .
∞
∫ψ k (τ ,α )ψ n (τ ,α )μ (τ )dτ = ⎨ 0
(5.14)
Так как ряд сходится в интервале [0, ∞ ) , то коэффициенты разложения β k в соответствии с [21] определяются выражением:
βk =
∞
1
ψ k (α )
2
∫ ρ (τ )ψ (τ ,α )μ (τ )dτ . x
(5.15)
k
0
В качестве системы базисных функций применяются ортогональные функции Лагерра, Дирихле, Лежандра, Якоби и т. д. Выбор системы базисных функций зависит, в основном, от возможности представления корреляционной функции минимальным числом членов разложения для типовых моделей, удобством в работе. Следует подчеркнуть, что на практике приходится ограничиваться конечным числом ряда (5.13) m
^
K a (τ ) = σ x2 ∑ β kψ k (τ ,α ) .
(5.16)
k =0
Это приводит к появлению методической погрешности, значение которой зависит как от свойств процесса, так и способа оценки параметров модели. С учетом свойств ортогональных функций определим относительную методическую погрешность аппроксимации в виде m
∑ β ψ (α ) 2 k
2
k
. δ = 1 − ∞k =0 2 ∫ ρ x (τ )μ (τ )dτ
(5.17)
0
Из (5.17) видно, что значение относительной погрешности аппроксимации δ зависит от значений {β k }k =0 ,...m , т.е. вида корреляционной функции (см. выражение 5.15), значения параметра масштаба α и числа членов разложения ряда (5.16) m . Задавшись видом модели корреляционной функции, в первую очередь необходимо найти аналитические выражения коэффициентов разложения {β k }k =0 ,...m . Как показали исследования при прочих равных условиях численные значения методических погрешностей больше у колебательных моделей КФ [21]. Для решения этой задачи воспользуемся частотным представлением ортогональных функций (см. лабораторную работу 4). −λ τ cos ω 0τ , воспользовавшись преобразованием Так, например, НКФ ρ 5, x (τ ) = e Эйлера, представим в виде
ρ 5 ,x (τ ) =
1 −(λ − jω [e 2
o
)τ
+ e −(λ + jω
o
)τ
], τ > 0 .
(5.18)
Подставив выражение (5.18) в выражение (5.15), получим для ортогональных функций, у которых μ (τ ) = 1 ,
β 5 ,k =
ψ (τ ,α )[e (λ ∫ 2 ψ (α ) 1
∞
k
−
k
2
− jωo )τ
+ e −(λ + jω
o
)τ
]dτ .
0
С учетом выражения (4.1), выражение (5.19) преобразуем к виду
54
(5.19)
β 5 ,k =
1
2 ψ k (α )
[ψ (0 ,α )] ⎧ = ⎨ 2 ψ (α ) ⎩
[W (λ − k
jω0 ) + Wk (λ + jω0 )] = 1
k
k −1
1 / 2 ψ k (α ) + λ − jω0
2
2
k
+
2
1
1 / 2 ψ k (α ) + λ + jω0 2
k −1
∏ s =0
∏ s =0
λ − jω0 − 1 / 2 ψ s (α )
2
1 / 2 ψ s (α ) + λ − jω0
λ + jω0 − 1 / 2 ψ s (α )
2
2
1 / 2 ψ s (α ) + λ + jω0 2
+
(5.20)
⎫ ⎬. ⎭
Введем обозначения
ω0 1 1 , A1 ,k = , 2 2 2 1 / 2 ψ k (α ) + λ 2 ψ k (α ) 1 / 2 ψ k (α ) + λ ω0 1 1 , A2 ,k = , tgϕ 2 ,k = 2 2 2 λ − 1 / 2 ψ k (α ) 2 ψ k (α ) λ − 1 / 2 ψ k (α ) ω0 ω0 ϕ 1,k = arctg , ϕ 2 ,k = arctg . 2 2 ( ) λ − 1 / 2 ψ α 1 / 2 ψ k (α ) + λ k tgϕ 1,k =
(5.21)
Тогда
βk =
A1,k [ψ k (0,α )] k −1 A1,s 1 − jtgϕ2 ,s A1,k [ψ k (0,α )] k −1 A1,s 1 + jtgϕ2 ,s . + ∏ ∏ 1 − jtgϕ1,k s =0 A2 ,s 1 − jtgϕ1,s 1 + jtgϕ1,k s =0 A2 ,s 1 + jtgϕ1,s
(5.22)
Или
A1 ,k [ψ k (0 ,α )]cos ϕ 1 ,k k −1 cos ϕ 2 ,s − j sin ϕ 2 ,s + ∏ Bs cos ϕ 1 ,k − j sin ϕ 1 ,k s =0 cos ϕ 1 ,s − j sin ϕ 1 ,s A [ψ (0 ,α )]cos ϕ 1 ,k k −1 cos ϕ 2 ,s + j sin ϕ 2 ,s + 1 ,k k ∏ Bs cos ϕ + j sin ϕ , cos ϕ 1,k + j sin ϕ 1,k s =0 1 ,s 1 ,s A cos ϕ 1,s . где Bs = 1 ,s A2 ,s cosϕ 2 ,s
β 5 ,k =
(5.23)
Выполнив преобразования, получим
β 5 ,k = A1,k [ψ k (0 ,α )]cos ϕ 1,k exp( jϕ 1 ,k )∏ Bs exp[ j (ϕ 1 ,s − ϕ 2 ,s )] + k −1 s =0
+ A1 ,k [ψ k (0 ,α )]cos ϕ 1 ,k exp(− jϕ 1 ,k )∏ Bs exp[− j (ϕ 1 ,s − ϕ 2 ,s )] = k −1 s =0
k −1 k −1 ⎧ ⎡ ⎤ = A1 ,k [ψ k (0 ,α )]cos ϕ 1 ,k ∏ Bs ⎨ exp ⎢ j ⎛⎜ ϕ 1 ,k + ∑ (ϕ 1,s − ϕ 2 ,s )⎞⎟⎥ + s =0 ⎠⎦ s =0 ⎣ ⎝ ⎩ k −1 ⎡ ⎤ ⎫ + exp ⎢− j ⎛⎜ ϕ 1,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟⎥ ⎬ = ⎠⎦ ⎭ s =0 ⎣ ⎝
k −1 k −1 = 2 A1 ,k [ψ k (0 ,α )]cos ϕ 1 ,k cos⎛⎜ ϕ 1,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟∏ Bs . s =0 ⎝ ⎠ s =0
(5.24)
Выражения для коэффициентов разложения модели ρ 5 ,x (τ ) = e cos ω0τ для различных ортогональных базисов зависят от принятых обозначений, представленных в таблице 5.2. −λ τ
55
Принятые обозначения № ψ k (τ ,γ / α ) 1
Lk (τ ,α )
2
Legk (τ ,α )
3
Dk (τ ,α )
4
Pk( −1 2,0 ) (τ,γ )
5
Pk( 1 2,0 ) (τ ,γ )
6
Pk( 1,0 ) (τ ,γ )
7
Pk( 0,0 ) (τ ,γ )
8
Pk( 2,0 ) (τ ,γ )
tgϕ 1 ,k ω0 α / 2+λ ω0 α(2k +1) + λ ω0 α(k +1) + λ
ω0
Таблица 5.2
tgϕ 2 ,k ω0 λ −α / 2 ω0 λ − α(2k + 1) ω0 λ − α(k + 1)
γ (4k + 1) / 2 + λ ω0 γ (4k + 3) / 2 + λ ω0 γ (k + 1) + λ ω0 γ (2k + 1) + λ ω0 γ (2 k + 3 ) + λ
A1,k α/2 α / 2+λ α(2k + 1)
ω0
λ − γ (4k + 1) / 2 ω0 λ − γ (4k + 3) / 2
α(2k + 1) + λ α(k + 1) α(k + 1) + λ γ (4k + 1) / 2 γ (4k + 1) / 2 + λ γ (4k + 3) / 2 γ (4k + 3) / 2 + λ
γ (k + 1)
ω0 λ − γ (k + 1) ω0 λ − γ (2k + 1) ω0 λ − γ (2 k + 3 )
γ (k + 1) + λ γ (2k + 1) γ (2k + 1) + λ γ (2 k + 3 ) γ (2 k + 3 ) + λ
A2,k α/2 λ −α / 2 α(2k + 1) λ − α(2k + 1) α(k + 1) λ − α(k + 1) γ (4k + 1) / 2 λ − γ (4k + 1) / 2 γ (4k + 3) / 2 λ − γ (4k + 3) / 2
γ (k + 1) λ − γ (k + 1) γ (2k + 1) λ − γ (2k + 1) γ (2k + 3 ) λ − γ (2 k + 3 )
В таблице 5.3 представлены выражения коэффициентов разложения модели ρ 5 ,x (τ ) = e − λ τ cos ω0τ . Аналитические выражения коэффициентов разложения для 5 модели Таблица 5.3 β ψ k (τ ,γ / α ) № 5, k 1
Lk (τ ,α )
2 A1 ,k Bkk cos ϕ 1,k cos((k + 1)ϕ 1,k − kϕ 2 ,s )
2
Dk (τ ,α )
3
Legk (τ ,α ) Pk( α ,0 ) (τ ,γ )
k −1 k −1 2 A1,k cos ϕ 1,k cos⎛⎜ ϕ 1 ,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟∏ Bs ⎝ ⎠ s =0 s =0 k −1 k −1 k 2 A1,k (− 1) cos ϕ 1,k cos⎛⎜ ϕ 1 ,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟∏ Bs ⎝ ⎠ s =0 s =0
Для определения коэффициентов разложения 6 и 7 моделей
⎛
ρ 6 ,7 ,x (τ ) = e −λ τ ⎜⎜ cos ω0τ ± ⎝
λ sin ω0 τ ω0
⎞ ⎟⎟ необходимо определить ⎠
∞ λ J= ψ k (τ ,α )[e −(λ − jω )τ − e −(λ + jω )τ ]dτ . 2 ∫ 2 ψ k (α ) jω0 0 o
o
(5.25)
Тогда
β 6 , 7 ,k = β 5,k ± J .
С учетом (5.20), получим
56
(5.26)
J=
λ [Wk (λ − jω0 ) − Wk (λ + jω0 )] . 2 2 ψ k (α ) jω0
(5.27)
С учетом принятых обозначений (5.21)
k −1 k −1 A1 ,k [ψ k (0 ,α )]λ ⎧ ⎡ ⎤ cos ϕ 1 ,k ∏ Bs ⎨ exp ⎢ j ⎛⎜ ϕ 1 ,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟⎥ − jω 0 ⎠⎦ s =0 s =0 ⎣ ⎝ ⎩ k −1 ⎡ ⎤ ⎫ − exp ⎢− j ⎛⎜ ϕ 1,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟⎥ ⎬ = ⎠⎦ ⎭ s =0 ⎣ ⎝
J=
=
2 A1 ,k [ψ k (0 ,α )]λ
ω0
(5.28)
k −1 k −1 A1 ,k cos ϕ 1 ,k sin⎛⎜ ϕ 1,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟∏ Bs . s =0 ⎝ ⎠ s =0
Подставив выражение (5.28) в выражение (5.25), окончательно получим
β 6 ,7 ,k = 2 A1 ,k [ψ k (0 ,α )]cos ϕ 1 ,k ⎡⎢cos⎛⎜ ϕ 1,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟ ± k −1
⎝
⎣
⎠
s =0
(5.29)
k −1 ⎤ k −1 λ ⎛ ⎞ sin⎜ ϕ + ∑ (ϕ − ϕ 2 ,s )⎟ ⎥ ∏ Bs . ± ω0 ⎝ 1,k s =0 1 ,s ⎠ ⎦ s =0
В таблице 5.4 представлены выражения коэффициентов разложения модели
⎛
ρ 6 ,7 ,x (τ ) = e −λ τ ⎜⎜ cos ω0τ ± ⎝
λ sin ω0 τ ω0
⎞ ⎟⎟ . ⎠
Аналитические выражения коэффициентов разложения для 6 и 7 моделей Таблица 5.4
№
ψ k (τ ,γ / α )
1
Lk (τ ,α )
2
β 6, 7 ,k
2 A1,k Bkk cos ϕ 1,k [cos ((k + 1)ϕ 1,k − kϕ 2 ,s ) ± ±
Dk (τ ,α )
Legk (τ ,α ) Pk( α ,0 ) (τ ,γ )
]
k −1 ⎡ ⎛ ⎞ 2 A1,k cos ϕ1,k ⎢cos⎜ ϕ1,k + ∑ (ϕ1,s − ϕ 2,s )⎟ ± s =0 ⎠ ⎣ ⎝
±
3
λ sin((k + 1)ϕ 1,k − kϕ 2 ,s ) ω0
k −1 λ ⎛ ⎞ sin ⎜ ϕ1,k + ∑ (ϕ1, s − ϕ 2, s )⎟ ω0 ⎝ s =0 ⎠
⎤ k −1 ⎥ ∏ Bs ⎦ s =0
k −1 k ⎡ 2 A1,k (− 1) cos ϕ 1,k ⎢cos⎛⎜ ϕ 1 ,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟ ± s =0 ⎠ ⎣ ⎝
±
k −1 ⎤ k −1 λ sin⎛⎜ ϕ 1 ,k + ∑ (ϕ 1 ,s − ϕ 2 ,s )⎞⎟ ⎥∏ Bs ω0 ⎝ ⎠ ⎦ s =0 s =0
Воспользовавшись предлагаемым подходом, с учетом принятых обозначений (см. таблицу 5.5), аналитические выражения коэффициентов разложения для типовых колебательных моделей корреляционных функций в ортогональных базисах СонинаЛагерра и Якоби (0 , β ) представим в таблицах 5.6 и 5.7.
57
Принятые обозначения №
ψ k (τ ,γ / α )
2
3
tgφi ,k
Ai ,k
1 ω0 ; A1,k = ; Lk (τ ,γ ) , λ +γ /2 λ +γ / 2 ω0 1 L(k2 ) (τ ,γ ) tgϕ 2 ,k = A2 ,k = λ −γ / 2 λ −γ / 2 ω0 2γ (k + 1) ; ; A1 ,k = tgφ1 ,k = γ (2 k + 1) + λ γ (2 k + 1) + λ ω0 2γ (k + 1) ; ; tgφ2 ,k = A2 ,k = Pk( 0,1 ) (τ ,γ ) γ (2k + 3) + λ γ (2k + 3) + λ ω0 2γ (k + 1) tgφ3 ,k = A3 ,k = γ (2k + 1) − λ γ (2k + 1) − λ A cos ϕ 1,s ; C k = A1 ,k A2 ,k cos ϕ 1 ,k cos ϕ 2 ,k Bs = 1,s A3 ,s cosϕ 3 ,s ω0 γ (k + 1)(k + 2 ) ; ; A1,k = tgφ1 ,k = γ (2 k + 1) + λ γ (2 k + 1) + λ ω0 γ (k + 1)(k + 2 ) ; ; tgφ2 ,k = A2 ,k = γ (2k + 3) + λ γ (2k + 3) + λ ( 0 ,2 ) Pk (τ ,γ ) ω0 γ ; ; tgφ3 ,k = A3 ,k = γ (2k + 5 ) + λ γ (2k + 5 ) + λ ω0 γ (k + 1)(k + 2 ) A4 ,k = tgφ4 ,k = γ (2 k + 1) − λ γ (2 k + 1) − λ A cos ϕ 1,s ; C k = A1 ,k A2 ,k A3 ,k cos ϕ 1 ,k cos ϕ 2 ,k cos ϕ 3 ,k Bs = 1,s A4 ,s cosϕ 4 ,s tgϕ 1,k =
(1 )
1
Таблица 5.5
Аналитические выражения коэффициентов разложения для 5 модели Таблица 5.6
1
ψ k (τ ,γ / α ) L(k1 ) (τ ,γ )
2
L(k2 ) (τ ,γ )
№
( 0 ,1 ) k
(τ ,γ )
3
P
4
Pk( 0,2 ) (τ ,γ )
58
β 5, k
γ 2 (k + 1) A1,k Bk cos 2 φ1,k cos [kφ2 ,k − (k + 2 )φ1,k ] 2
γ 3 (k + 1)(k + 2 ) 2
k
A1 ,k Bk cos 3 φ1 ,k cos [kφ2 ,k − (k + 3 )φ1 ,k ] 3
k
k −1 k −1 2 C k (k + 1)cos⎛⎜ ϕ 1 ,k + ϕ 2 ,k + ∑ (ϕ 1,s + ϕ 3 ,s )⎞⎟∏ Bs ⎝ ⎠ s =0 s =0 k −1 k −1 4 C k (2 k + 3 )cos⎛⎜ ϕ 1 ,k + ϕ 2 ,k + ϕ 3 ,k + ∑ (ϕ 1 ,s + ϕ 4 ,s )⎞⎟∏ Bs ⎝ ⎠ s =0 s =0
Аналитические выражения коэффициентов разложения для 6 и 7 моделей Таблица 5.7
ψ k (τ ,γ / α )
№
β 6, 7 ,k
γ 2 (k + 1) ⋅ A1 ,k Bk cos 2 φ1 ,k [cos[kφ2 ,k − (k + 2 )φ1 ,k ] m 2
L(k1 ) (τ ,γ )
1
m
λ ⎤ sin[kφ2 ,k − (k + 2 )φ1,k ]⎥ ω0 ⎦
γ 3 (k + 1)(k + 2 ) 2
L(k2 ) (τ ,γ )
2
m
3
k
k −1 ⎡ 2 C k (k + 1)⎢cos⎛⎜ ϕ 1 ,k + ϕ 2 ,k + ∑ (ϕ 1,s + ϕ 3 ,s )⎞⎟ ± ⎠ s =0 ⎣ ⎝ k −1 ⎤ k −1 λ ⎛ ⎞ ± sin⎜ ϕ + ϕ 2 ,k + ∑ (ϕ 1,s + ϕ 3 ,s )⎟⎥∏ Bs ω0 ⎝ 1 ,k ⎠ ⎦ s =0 s =0 k −1 ⎡ 4 C k (2 k + 3 )⎢cos⎛⎜ ϕ 1,k + ϕ 2 ,k + ϕ 3 ,k + ∑ (ϕ 1,s + ϕ 4 ,s )⎞⎟ ± ⎠ s =0 ⎣ ⎝
Pk( 0,2 ) (τ ,γ )
4
⋅ A1 ,k Bk cos 3 φ1 ,k [cos[kφ2 ,k − (k + 3 )φ1 ,k ] m
λ ⎤ sin[kφ2 ,k − (k + 3 )φ1 ,k ]⎥ ω0 ⎦
Pk( 0,1 ) (τ ,γ )
3
k
k −1 ⎤ k −1 λ ⎛ ⎞ ± sin⎜ ϕ + ϕ 2 ,k + ϕ 3 ,k + ∑ (ϕ 1 ,s + ϕ 4 ,s )⎟⎥ ∏ Bs ω0 ⎝ 1 ,k ⎠ ⎦ s =0 s =0
Коэффициенты разложения β k могут быть представлены и в алгебраической форме. В качестве примера в таблице 5.8 представлены коэффициенты разложения в ортогональном базисе Лежандра для типовых моделей корреляционных функций. Таблица 5.8 ρ x (τ ) βk № 1
e
2
e
3
e
4
e
−λ τ
5 6 7
−λ τ
−λ τ
e
−λ τ
−λ τ
2α (2 k + 1)
(1 − λ τ )
2α (2 k + 1)
2 2
e
e
(1 + λ τ )
(1 + λ τ + λ τ −λ τ
k
1
∑ C ks C ks+ s (− 1)s λ + α (2 s + 1)
2α (2 k + 1)
−λ τ
s =0 k
2λ + α (2 s + 1)
∑ C ks C ks+ s (− 1)s [λ + α (2s + 1)]2 s =0 k
α (2 s + 1)
∑ C ks C ks+ s (− 1)s [λ + α (2s + 1)]2 s =0
/3
)
∑
2α (2 k + 1)
⎛ λ ⎜⎜ cos ω 0τ − sin ω 0 τ ω0 ⎝
C ks C ks+ s (− 1)s
s =0
k
8 λ 2 + 9αλ (2 s + 1) + α 2 (2 s + 1)2 3[λ + α (2 s + 1)]3
λ + α (2 s + 1)
∑ C ks C ks+ s (− 1)s [λ + α (2 s + 1)]2 + ω 2
2α (2 k + 1)
cos ω 0τ
⎛ λ ⎜⎜ cos ω 0τ + sin ω 0 τ ω0 ⎝
k
s =0
⎞ ⎟⎟ ⎠ ⎞ ⎟⎟ ⎠
k
0
2λ + α (2 s + 1)
∑ C ks C ks+ s (− 1)s [λ + α (2 s + 1)]2 + ω 2
2α (2 k + 1)
s =0 k
0
α (2 s + 1)
∑ C ks C ks+ s (− 1)s [λ + α (2 s + 1)]2 + ω 2
2α (2 k + 1)
s =0
0
59
Алгебраические выражения для коэффициентов разложения типовых моделей корреляционных и ортогональных функций приведены в Приложении 10. Воспользовавшись выражениями для оценки коэффициентов разложения, определим погрешности аппроксимации в соответствии с (5.17). На рисунке 5.3 представлены результаты оценки погрешности аппроксимации 5, 6 моделей с параметрами λ = 1 , ω0 , α = 0 ,1961 ортогональными функциями Лежандра.
1
1
0.75
0.75
0.5
δ( n) 0.5
0.25
0.25
0.99845
δ( n)
0.03737 0
0
10
0
n
20 20
0
0
10
20
30
n
Рисунок 5.3 - Погрешность аппроксимации ортогональными функциями Лежандра
Из анализа рис. 5.3 видно, что при n → ∞ δ (n ) → 0 , т.е. выполняется равенство Парсеваля (см. лабораторную работу 1). 5.1.3. Определение параметра масштаба ортогональных функций Как показали исследования значение погрешности аппроксимации, определяемой выражением (5.17), зависит от параметра масштаба [21]. В таблице 5.9 приведены результаты определения погрешности аппроксимации −λ τ cos( ω0 ,5τ ) при нормированной корреляционной функции вида ρ x ( τ ,λ5 ,ω0 ,5 ) = e разных значениях m , в зависимости от отношения параметра ортогональных функ5
ций к показателю затухания исследуемых корреляционных функций – χ 5 =
γ для λ5
ортогональных базисов Якоби (α ,0 ) . Из полученных результатов видно, что при выбранной модели корреляционной функции, μ = const , m = const , погрешность существенным образом зависит от χ , т.е. γ . Кроме того, наблюдаются локальные экстремумы погрешности, количество которых зависит от m [21]. Следует отметить, что исследователя интересует значение параметра α , обеспечивающего минимум квадратической погрешности аппроксимации, т.е. определение глобального минимума. Отметим, что точное решение задачи определения параметра масштаба в силу свойств ортогональных функций возможно лишь для ортогональных функций Лагерра [22, 23]. Для этого необходимо решить уравнение относительно α β m +1 = 0 .
60
Относительная методическая погрешность аппроксимации НКФ δ (χ / m , μ ) в ортогональном базисе Якоби (α ,0 )
ψ k (τ ,γ / α )
График методической погрешности
(μ
5
= 3 ,4 ,5; m = 2 )
1
Pk( −1 2,0 ) (τ,γ )
Таблица 5.9 График методической погрешности
(μ
5
1
0.83
0.83
δ( χ , 2 , 3) 0.67
δ( χ , 3 , 5) 0.67
δ( χ , 2 , 4) 0.5
δ( χ , 4 , 5) 0.5
δ( χ , 2 , 5) 0.33
δ( χ , 5 , 5) 0.33
0.17
0.17
0
= 5; m = 3 ,4 ,5 )
0
0.83 1.67 2.5 3.33 4.17
5
0
0
1
2
χ
0.83
0.83 δ( χ , 3 , 5) 0.67
δ( χ , 2 , 4) 0.5
δ( χ , 4 , 5) 0.5
δ( χ , 2 , 5) 0.33
δ( χ , 5 , 5) 0.33
0.17
0.17 0
0.83 1.67 2.5 3.33 4.17
5
0
0
1
2
χ
0.83
0.83 δ( χ , 3 , 5) 0.67
δ( χ , 2 , 4) 0.5
δ( χ , 4 , 5) 0.5
δ( χ , 2 , 5) 0.33
δ( χ , 5 , 5) 0.33
0.17
0.17 0
0.83 1.67 2.5 3.33 4.17
5
0
0
1
2
χ
5
6
3
4
5
6
4
5
1
0.83
0.83
δ( χ , 2 , 3) 0.67
δ( χ , 3 , 5) 0.67
δ( χ , 2 , 4) 0.5
δ( χ , 4 , 5) 0.5
δ( χ , 2 , 5) 0.33
δ( χ , 5 , 5) 0.33
0.17
0.17
0
4
χ
1
Pk( 0,0 ) (τ ,γ )
3
1
δ( χ , 2 , 3) 0.67
0
6
χ
1
Pk( 1,0 ) (τ ,γ )
5
1
δ( χ , 2 , 3) 0.67
0
4
χ
1
Pk( 1 2,0 ) (τ ,γ )
3
0
0.83 1.67 2.5 3.33 4.17 χ
5
0
0
1
2
3
6
χ
61
Pk( 2,0 ) (τ ,γ )
1
1
0.83
0.83
δ( χ , 2 , 3) 0.67
δ( χ , 3, 5) 0.67
δ( χ , 2 , 4) 0.5
δ( χ , 4, 5) 0.5
δ( χ , 2 , 5) 0.33
δ( χ , 5, 5) 0.33
0.17
0.17
0
0
0.83 1.67 2.5 3.33 4.17
5
χ
0
0
1
2
3
4
5
6
χ
Рассмотрим один из эмпирических способов определения параметра масштаба ортогональных функций, у которых μ (τ ) = 1 [21]. Он основан на применении соотношения неопределенности [51]
π
Δω э ,kτ k( 2,и) =
2
∞
где Δω э ,k =
,
(5.30)
* ∫ Wk ( jw) dw 2
0
2
Wk* ( jw ) max
- эквивалентная частота пропускания ортогонального
фильтра k-ого порядка; ∞
* k
W
( jω ) = ∫ φ (τ ,α )e
− jωτ
k
dτ - частотная характеристика ортогонального фильтра
0
k-ого порядка;
φk (τ ,α ) =
1
ψk
2
ψ k (τ ,α ) - импульсная переходная характеристика ортогонально-
го фильтра k-ого порядка; ∞
∫ φ (τ ,α )dτ τ = φ (τ ,α ) (2 )
k
0
k ,и
= Wk* (0 ) / φ k (τ ,α )max - длительность импульсной переходной
max
k
характеристики ортогонального фильтра k-ого порядка; Отсюда
Δω э ,k =
π . 2τ k( 2,и)
(5.31)
Заметим, что квадраты модуля частотных характеристик рассматриваемых ортогональных фильтров соответствуют квадратам модуля апериодического звена первого порядка (см. таблицу 4.2), импульсная характеристика которого определяется выражением
hk (τ ) =
1 (2 )
τ k ,и
exp[− τ k( 2,и)τ ].
(5.32)
Следовательно, можно записать, что для погрешности восстановления импульсной переходной характеристики при линейной интерполяции 2% [21]
τ k( 2,и) = 62
0 ,4
Δτ 0
,
(5.33)
где Δτ 0 = Δτ – интервал дискретизации случайного процесса. Подставив выражение (5.33) в (5.31), получим
Δω э ,k =
0 ,2 π
Δτ 0
.
(5.34)
Отсюда можно определить численное значение параметра масштаба для любого ортогонального базиса при m членов разложения ряда (5.16). В таблице 5.10 приведены основные соотношения для определения α / γ для различных ортогональных базисов. Определения параметра масштаба ортогональных функций Лагерра, Лежандра, Дирихле
ψ k (τ ,γ / α )
W m ( jω )
Lk (τ ,α )
α2 ω2 +α 2 / 4 2 4(2 m + 1) α 2 (2m + 1)2 α 2 + ω 2 2 4(m + 1) α 2 (m + 1)2 α 2 + ω 2
Legk (τ ,α )
Dk (τ ,α )
2
Таблица 5.10 α
Δω э ,m
τ (2 )
πα
2
0 ,8
4
α
Δτ 0
1 (2m + 1)α
0 ,4 (2m + 1)Δτ 0
1 (m + 1)α
0 ,4 (m + 1)Δτ 0
π (2m + 1)α 2
π (m + 1)α 2
m ,и
В таблице 5.11 приведены основные соотношения для определения параметра масштаба γ для ортогональных функций Якоби (α ,0 ) и Сонина-Лагерра. Определения параметра масштаба ортогональных функций Якоби (α ,0 ) и Сонина-Лагерра
ψ k (τ ,γ / α ) Pk( −1 2,0 ) (τ,γ )
Pk( 1 2,0 ) (τ ,γ ) Pk( 1,0 ) (τ ,γ ) Pk( 0,0 ) (τ ,γ ) ( 2 ,0 ) k
P
(τ ,γ )
Wm ( jω )
2
γ 2 (4 m + 1)
2
2
⎛ 4m + 1 ⎞ 2 2 ⎜ ⎟ γ +ω ⎝ 2 ⎠ 2 γ 2 (4 m + 3) 2
⎛ 4m + 3 ⎞ 2 2 ⎜ ⎟ γ +ω ⎝ 2 ⎠ 2 4γ 2 (m + 1) (m + 1)2 γ 2 + ω 2 4γ (2 m + 1) (2m + 1)2 γ 2 + ω 2 2
2
4γ 2 (2 m + 3 ) (2m + 3)2 γ 2 + ω 2 2
Таблица 5.11
Δω э ,m
τ m(2,)и
π (4 m + 1)γ
2 (4 m + 1)γ
0 ,8 (4 m + 1)Δτ 0
2 (4 m + 3)γ
0 ,8 (4 m + 3)Δτ 0
1 (m + 1)γ
0 ,4 (m + 1)Δτ 0
1 (2m + 1)γ
0 ,4 (2m + 1)Δτ 0
1 (2m + 3)γ
0 ,4 (2m + 3)Δτ 0
4
π (4 m + 3)γ 4
π (m + 1)γ 2
π (2 m + 1)γ 2
π (2 m + 3 )γ 2
γ
63
γ 4 (m + 1) (γ 2 / 4 + ω 2 )2 2
Lk (τ ,γ ) (1 )
γ 6 (m + 1) (m + 2 ) 3 4 (γ 2 / 4 + ω 2 ) 2
Lk (τ ,γ ) (2 )
2
πγ
4
8
γ
1,6 Δτ 0
3πγ 32
16 3γ
6 ,4 3Δτ 0
В таблице 5.12 приведены основные соотношения для определения параметра масштаба γ для ортогональных функций Якоби (0 , β ) . Определения параметра масштаба ортогональных функций Якоби (0 , β ) Таблица 5.12
W m ( jω )
2
[
Δω э ,m
Pk( 0,1 ) (τ ,γ )
τ m( 2,и) γ W m ( jω )
Pk( 0,2 ) (τ ,γ )
64 (m + 1) ⋅ γ (2m + 1) ⋅ γ + ω 2 (2m + 3)2 ⋅ γ 2 + ω 2 πγ (2m + 1)(2m + 3) 8(m + 1) 4(m + 1) γ (2m + 1)(2m + 3) 1,6 (m + 1) (2m + 1)(2m + 3)Δτ 0 6
2
4
][
2
]
16 (2 m + 3 ) (m + 1) (m + 2 ) ⋅ γ 6 (2m + 1)2 ⋅ γ 2 + ω 2 (2m + 3)2 ⋅ γ 2 + ω 2 (2m + 5 )2 ⋅ γ 2 + ω 2 3πγ (2 m + 1)(2 m + 3 )(2 m + 5 ) 64(m + 1)(m + 2 ) 32(m + 1)(m + 2 ) 3γ (2 m + 1)(2 m + 3 )(2 m + 5 ) 12 ,8(m + 1)(m + 2 ) 3Δτ 0 (2 m + 1)(2 m + 3 )(2 m + 5 ) 2
2
[
Δω э ,m
τ m( 2,и) γ
][
4
4
][
]
Так как для колебательных моделей КФ с погрешностью восстановления 2%
Δτ 0 =
0 ,4
λ + ω02 2
,
(5.35)
выражения для определения параметра масштаба для различных ортогональных функций примут вид, представленный в таблице 5.13.
64
Параметр масштаба для колебательных моделей Таблица 5.13
ψ k (τ ,γ / α ) Lk (τ ,α )
2 λ2 + ω02
L(k1 ) (τ ,γ )
4 λ2 + ω02
(τ ,γ )
16 λ2 + ω02 3 2 λ + ω02 (2m + 1)
(2 )
Lk
α /γ
Legk (τ ,α ) Pk( 0,0 ) (τ ,γ )
λ2 + ω02
Dk (τ ,α )
(τ,γ )
2 λ2 + ω02 (4 m + 1)
(τ ,γ )
2 λ2 + ω02
(τ ,γ )
λ2 + ω02
( −1 2,0 ) k
P
( 1 2,0 ) k
P
( 1,0 ) k
P
(m + 1)
(4 m + 3) (m + 1)
λ2 + ω02
Pk( 2,0 ) (τ ,γ )
(2m + 3) 4(m + 1) λ + ω (2m + 1)(2m + 3) 32(m + 1)(m + 2 ) λ + ω 3(2 m + 1)(2 m + 3 )(2 m + 5 ) 2
Pk( 0,1 ) (τ ,γ ) ( 0 ,2 ) k
P
2 0
2
(τ ,γ )
2 0
В работе [22] показано, что для ортогональных функций Лагерра параметр масштаба α может быть определен в результате решения уравнения β0 = 1 . (5.36) Рассмотрим это же уравнение для ортогональных функций, у которых μ (τ ) = 1 , в общем виде
1
ψ k (α )
∞ 2
∫ ρ x (τ )ψ k (τ ,α )dτ − 1 = 0 , 0
*
(
(5.37)
)
где ψ k* (τ ,α ) = exp − τ / 2 ψ k (α ) . Как видно из выражения (5.37), численное значение параметра масштаба зави−λ τ сит от вида корреляционной функции. Так для ρ x 5 (τ ) = e cos ω0τ это уравнение приведем к виду: 2
65
1
∫ cos ω0τ exp[− (1 / 2 ψ k (α ) + λ )τ ]dτ − 1 = 0 .
∞
ψ k (α )
2
2
(5.38)
0
Разрешив уравнение относительно 1 / ψ k (α ) , получим: 2
1 / ψ k (α ) = 2 λ2 + ω02 . 2
(5.39) Результаты определения параметра масштаба для различных ортогональных функций представлены в таблице 5.14. Параметры масштаба ортогональных функций для 5 модели
{ψ k (τ , α / γ )}
№
α0 (γ 0 )
1
Lk (τ ,α )
2
Dk ( τ , α ), Pk (1,0 ) (τ ,γ ) Pk
3
( −1 / 2 ,0 )
2 λ2 + ω02
λ2 + ω02 / (k + 1) 2 λ2 + ω02 / (4 k + 1)
(τ ,γ )
Leg k ( τ , α ), Pk
4
(0 ,0 )
λ2 + ω02 / (2k + 1)
(τ ,γ )
(1 / 2 ,0 )
(τ ,γ ) ( 2 ,0 ) Pk (τ ,γ )
5
Pk
6 Решив
ρ x ,6 ,7 (τ ) = e −λ τ
2 λ2 + ω02 /( 4 k + 3 )
λ2 + ω02 /( 2k + 3 )
уравнение
(5.37) для ⎛ ⎞ λ ⎜⎜ cos ω0τ ± sin ω0 τ ⎟⎟ , получим: ω0 ⎝ ⎠
(
1 / ψ k (α ) = 2 2
Таблица 5.14
корреляционных
функций
)
2λ2 + ω02 m λ .
(5.40) Результаты определения параметра масштаба для различных ортогональных функций представлены в таблице 5.15. Параметры масштаба ортогональных функций для 6,7 моделей № 1 2 3 4 5 6
{ψ (τ , α / γ )} L (τ ,α ) ( ) (τ ,γ ) P ( ) D ( τ , α ), P (τ ,γ ) ( ) Leg ( τ , α ), P (τ ,γ ) ( ) (τ ,γ ) P ( ) P (τ ,γ ) k
k
−1 / 2 ,0
k
1 ,0
k
k
0 ,0
k
k
1 / 2 ,0
k
2 ,0
k
(
2
α (γ )
Таблица 5.15
2λ2 + ω02 m λ
)
( 2λ + ω m λ )/ (4m + 1) ( 2λ + ω m λ )/ (m + 1) ( 2λ + ω m λ )/ (2m + 1) 2 ( 2λ + ω m λ ) /( 4 m + 3 ) ( 2λ + ω m λ ) /( 2m + 3 ) 2
2
2 0
2
2 0
2
2 0
2
2 0
2
2 0
Для ортогональных функций Сонина-Лагерра одно из возможных решений, обеспечивающее допустимую погрешность аппроксимации и лучшую сходимость с наименьшими вычислительными затратами, связано с введением ограничения (5.36) [21]. 66
Решим уравнение
L(0α )
⎞ α λ − λτ ⎛ (α ) ⎟ ⎜ ( ) L τ , γ e cos ω τ sin ω τ ± 0 0 ⎟ ⋅ τ dτ = 1 ∫0 0 ⎜ ω0 ⎠ ⎝
∞
1 2
для моделей ρ x ,6 ,7 (τ ) = e
−λ τ
⎛ λ ⎜⎜ cos ω 0τ ± sin ω 0 τ ω ⎝ 0
(5.41)
⎞ ⎟⎟ . ⎠
Проведя ряд преобразований, выражение (5.41) представим в виде:
⎤ ⎡ λ K 1 ± K 2 ⎥ = 1, 2 ⎢ ω0 2 L(0α ) ⎣ ⎦ 1 1 + ; где K 1 = α +1 α +1 ⎛γ ⎞ ⎛γ ⎞ ⎜ + λ + jω 0 ⎟ ⎜ + λ − jω 0 ⎟ ⎝2 ⎠ ⎝2 ⎠ 1 1 − K2 = . α +1 α +1 ⎛γ ⎞ ⎛γ ⎞ ⎜ + λ + jω 0 ⎟ ⎜ + λ − jω 0 ⎟ ⎝2 ⎠ ⎝2 ⎠
α!
(5.42)
Введем некоторые упрощения, позволяющие представить уравнение (5.42) в форме, удобной для дальнейшего преобразования и применения: 1. с увеличением параметра α K 2 принимает ничтожно малые значения, которыми можно пренебречь; 2. наиболее простой вид уравнение принимает при значении α = 0 . Тогда с учетом принятых упрощений получим уравнение
⎡ ⎤ γ +λ ⎢ ⎥ γ⎢ 2 ⎥ = 1. 2 ⎥ 2 ⎢⎛ γ ⎞ 2 ⎢ ⎜ + λ ⎟ + ω0 ⎥ ⎠ ⎣⎝ 2 ⎦
(5.43)
Проведя ряд преобразований, и решив получившееся квадратное уравнение с учетом того, что параметр масштаба γ > 0 , получим
γ = 2 λ2 + ω 02 .
(5.44) Следует отметить, параметр масштаба γ , определенный по алгоритму (5.36), находится вблизи оптимального значения γ opt , и обеспечивает погрешности аппроксимации, близкие к минимальным погрешностям. На рис. 5.4 построены двумерные зависимости относительной погрешности аппроксимации при разных значениях m и рассматриваемых α от параметра масштаба, где в качестве модели КФ взята модель
⎛
ρ x ,6 (τ ) = e −λ τ ⎜⎜ cos ω 0τ + ⎝
λ sin ω0 τ ω0
⎞ ⎟⎟ с параметрами λ = 1 и ω 0 = 5 . ⎠
На рис. 5.5 представлены проекции двумерных зависимостей (см. рис. 5.4), представляющий относительную погрешность аппроксимации на плоскость m = 5 при заданных значениях α в одной системе координат. Заметим, что прямая линия на рисунке символизирует найденное решение (5.44).
67
Рисунок 5.4 - Двумерные зависимости относительной погрешности аппроксимации от параметра масштаба γ ∈(0, 40] и числа членов m ∈ [2 , 6 ] для α = 0 , 1, 2
Рисунок 5.5. - Зависимости относительной погрешности аппроксимации от параметра масштаба γ ∈ (0 , 40 ] при m = 5 для α = 0 , 1, 2
Из рис. 5.5 видно, что значение γ , полученное в результате решения уравнения (5.41), при всех исследуемых значениях параметра α располагается вблизи глобального оптимума, и с увеличением данного параметра решение (5.44) становится более близким, что объясняется правильностью введенных выше упрощений. Аналогичные результаты можно получить и для ортогональных функций Якоби (0 , β ) , Чебышева 1 (аналогично Якоби (− 0 ,5 ,0 ) ), Чебышева 2 (аналогично Якоби (0 ,5 ,0 ) ), выполнив преобразования (5.41) - (5.44) [47]. Ниже для примера на рис. 5.6 приведены результаты аппроксимации КФ 5 модели при произвольном выборе численного значения α = 7 ,000 , m = 12 (левая ветвь). Рисунок 5.6 - Аппроксимация КФ ортогональными функциями Лагерра
68
Полученные результаты можно обобщить на аппроксимацию взаимных корреляционных функций ортогональными функциями. При этом необходимо аппроксимировать как правую, так и левую ветви взаимной корреляционной функции, т. е. необходимо искать модель в виде:
где
m1 m2 ⎡ K axy (τ ) = Amax ∑ β k ,п 1(τ )ψ k (τ ,α 1 ) + ∑ β k ,л 1(− τ )ψ k (− τ ,α 2 )⎤ , ⎥⎦ ⎢⎣ k =0 k
(5.45)
⎧1, τ > 0 ; ⎧0 , τ > 0 ; ⎪⎪ 1 ⎪⎪ 1 1(τ ) = ⎨ , τ = 0 ; и 1(− τ ) = ⎨ , τ = 0 ; ⎪2 ⎪2 ⎪⎩0 , τ < 0 ⎪⎩1, τ < 0 ,
(5.46)
Amax = σ xσ y - наибольшее значение ВКФ; ∞
β k ,п = α п ∫ ρ xy (τ )ψ n (τ ,α п )dτ ;
(5.47)
0
∞
β k , л = α л ∫ ρ yx (τ )ψ n (τ ,α л )dτ .
(5.48)
0
Исследования показали, что это будет справедливо, если максимум взаимной корреляционной функции будет находиться в «нуле». В противном случае в нулевой точке будет наблюдаться выброс (см. рис. 5.7).
Рисунок 5.7 - Результаты аппроксимации корреляционной функции ортогональными функциями Лагерра
Из анализа результатов видно, что даже при аппроксимации простейших моделей взаимных корреляционных функций ортогональными функциями, например Лагерра, для обеспечения допустимых погрешностей необходимо определять большое 69
число членов разложения ряда (в рассматриваемом примере m = 40 ). Кроме того, после аппроксимации необходима нормировка, так как значение модели корреляционной функции в нуле не равно 1. Эти обстоятельства без модификации модели затрудняют её применение. Для устранения этих недостатков необходимо, в первую очередь, определить τ m - значение аргумента, при котором K axy (τ ) достигает своего максимального значения, и искать модель взаимной корреляционной функции в виде: m1 m2 Kaxy(τ ) = Amax⎡∑βk ,п 1(τ −τ m )ψ k (τ −τ m , α1 ) + ∑βk ,л 1(τ m −τ )ψ k (τ m −τ , α2 )⎤ , ⎢⎣k=0 ⎥⎦ k
(5.46)
∞
где β k ,п = α п ∫ ρ xy (τ + τ m )ψ n (τ ,α п )dτ ;
(5.47)
0 ∞
β k ,л = α л ∫ ρ xy (τ m − τ )ψ n (τ m ,α л )dτ .
(5.48)
0
5.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции и показателя колебательности μ определить коэффициенты разложения {β k }k =0 ,...m . По-
строить графическую зависимость {β k }k =0 ,...m . 2.
Построить зависимость δ (1 ) (m / χ , μ ) =
Δ( m / χ , μ ) ∞
∫ ρ (τ )μ (τ )dτ
. Значение пара-
2 x
0
метра χ выбрать произвольно, μ = 0 ÷ 5 . Убедиться в справедливости равенства Парсеваля (см. лаб. работу 1). 3. Построить зависимость δ ( 2 ) (χ / m , μ ) , m = 2 ÷ 6 , μ = 0 ÷ 5 (Результаты представить аналогично результатам таблицы 5.9). Определить количество локальных минимумов δ (χ / m , μ ) , их численные значения χ opt и соответствующие им значения погрешностей. (3 ) (1 ) 4. Построить зависимость δ min μ / m , χ opt и δ min m / μ , χ opt .
(
5.
Сравнить
результаты
оценки
)
(
δ 1 (μ / m , χ 1 ) , (3 )
)
δ 2(3 ) (μ / m , χ 2 ) ,
δ 1(1) (m / μ , χ 1 ) , δ 2(1) (m / μ , χ 2 ) с соответствующими минимальными оценками погрешности. Значение параметра χ 1 определяется по таблице 5.10-5.13, а χ 2 - по таблицам 5.13-5.14. 6. Построить модели корреляционной функции, соответствующие выражению 5.16, для λ = 1, μ = 5 , χ 1 , χ 2 , χ opt , m = 5 , 10 . 7.
Оформить отчет. 5.3. Содержание отчёта
1. 2. 3. 70
Цель работы. Задание. Исходный текст программы, написанной в MathCad.
4. Результаты выполнения работы в мат. пакете MathCad. 5. Ортогональная модель корреляционной функции в заданном ортогональном базисе. 6. Аналитическое выражение для оценки коэффициентов разложения
{β } k
k =0 ,...m
7. 8. 9. 10. 11.
.
Аналитические выражения для оценки χ 1 и χ 2 .
Графические зависимости δ (1) (m / χ , μ ) (пункт 2). Графические зависимости δ ( 2 ) (χ / m , μ ) (пункт 3). (3 ) (1 ) Графические зависимости δ min μ / m , χ opt и δ min m / μ , χ opt (пункт 4).
(
)
(
)
Графические зависимости δ 1(3 ) (μ / m , χ 1 ) , δ 2(3 ) (μ / m , χ 2 ) , δ 1(1 ) (m / μ , χ 1 ) ,
δ 2(1) (m / μ , χ 2 ) (пункт 5).
12. Графики моделей корреляционной функции (пункт 6). 13. Выводы. Пример выполнения лабораторной работы 5 приведен в Приложении 11. 5.4. Контрольные вопросы 1. Какие параметры входят в ортогональную модель корреляционной функции? 2. Как параметры ортогональной модели влияют на вид оцениваемой корреляционной функции? 3. Как количество локальных экстремумов погрешности аппроксимации связаны с m и μ ? 4. Какое условие положено в основу приближенного определения параметра масштаба? 5. Каким образом изменится длительность ортогональной функции при увеличении параметра масштаба? 6. Как изменится численное значение параметра масштаба при увеличении числа членов разложения ряда? 7. Как изменится численное значение параметра масштаба при увеличении показателя колебательности корреляционной функции?
71
5.6666661 6. АППРОКСИМАЦИЯ КОРРЕЛЯЦИОННЫХ ФУНКЦИЙ ОРТОГОНАЛЬНЫМИ ФУНКЦИЯМИ С УЧЕТОМ УСЛОВИЯ НОРМИРОВКИ изучение метода и приобретение практических навыков при аппроксимации корреляционных функций случайных процессов ортогональными функциями с учетом условия нормировки.
Цель работы:
6.1. Теоретические основы лабораторной работы Одной из отрицательных черт аппроксимации корреляционной функции ортогональными функциями является то, что её основное свойство ^
m
K a (0 ) = σ x2 ∑ β k ⋅ψ k (0 ,α ) ≠ σ x2
(6.1)
k =0
при произвольной величине α не выполняется при конечном m [21] (см. рис.6.1), т.е. не выполняется условие нормировки.
Рисунок 6.1 - Аппроксимация КФ 5 модели с μ = 5 ортогональными функциями Лагерра - m = 15 , α = 4 ,899
Для обеспечения условия (6.1) аналитическое выражение K x (τ ) можно искать в виде: ^
m
K a (τ ) = σ x2 ∑ν k ⋅ψ k (τ ,α ) k =0
72
где
νk =
βk
.
m
∑ βk
(6.2)
k =0
^
m
Легко проверить, что в этом случае ρ a (0 ) = ∑ν kψ k (0 ,α ) = 1 . Однако, коэффиk =0
циенты разложения ν k , определенные по формуле (6.2), не обеспечивают минимума квадратической погрешности аппроксимации. Таким образом, общим недостатком известных способов определения коэффициентов разложения является то, что они либо нарушают основное свойство корреляционных функций, либо не обеспечивают минимума квадратической погрешности аппроксимации. Поставим задачу определить коэффициенты разложения корреляционной функции bk для ортогональных функций, у которых μ (τ ) = 1 , ^
m
ρ a (τ ) = ∑ bk ⋅ψ k (τ ,α )
(6.3)
k =0
так, чтобы квадратическая погрешность аппроксимации была минимальной при дополнительном условии ^
m
ρ a (0 ) = ∑ bk ⋅ψ k (0 ,α ) = 1 .
(6.4)
k =0
Т.е. для этого необходимо минимизировать Δ1 по bk [21, 22]: 2
∞
m m Δ1 = ∫ ⎡ ρ x (τ ) − ∑ bk ⋅ψ k (τ ,α )⎤ dτ + λ ⋅ ∑ bk ⋅ψ k (0 ,α ) = min ⎢ ⎥⎦ k =0 k =0 0 ⎣
Найдём частные производные
∂Δ1 и приравняем их нулю: ∂β n
∞ m ∂Δ1 = −2 ∫ ⎡ ρ x (τ ) − ∑ bkψ k (τ ,α )⎤ψ n (τ ,α )dτ + λψ k (0 ,α ) = 0 . ⎢ ⎥⎦ k =0 ∂ bn 0 ⎣
(6.5)
Выполнив промежуточные преобразования, определим 2 2 − 2 β n ψ n + 2bn ψ n + λψ n (0 ,α ) = 0 . Отсюда
(6.6)
bn = β n −
(6.7)
λ ψ n (0 ,α ) ⋅ . 2 2 ψn
Подставляя найденное значение b n в выражение (6.4), получим: m
⎡
k =0
⎢⎣
∑ ⎢β k −
λ ψ k (0 ,α )⎤ ⎥ ⋅ψ k (0 ,α ) = 1 . 2 2 ψ n ⎥⎦
(6.8)
Тогда
⎛ 1 − m β ⋅ψ (0 ,α )⎞ ⎜ ∑ k k ⎟ λ ⎝ ⎠ k =0 =− m ψ 2 (0 ,α ) 2 k
∑ k =0
ψn
(6.9)
2
Отметим, что для рассматриваемых ортогональных базисов ψ k2 (0 ,α ) = 1 . 73
Подставив λ / 2 в выражение для оценки коэффициента разложения bn , получим:
⎛ 1 − m β ⋅ψ (0 ,α )⎞ ⎜ ∑ k k ⎟ ψ (0 ,α ) k =0 ⎝ ⎠⋅ n bn = β n + = β n + Cn . 2 m 1 ψn
∑ k =0
ψk
(6.10)
2
Выражения для Сn для различных ортогональных базисов представлены в таблице 6.1. Значения коэффициентов Сn при ограничениях на модель корреляционной функции μ (τ ) = 1 Таблица 6.1
ψ k (τ ,γ / α )
Сn
Lk (τ ,α )
⎛1 − m β ⎞ ⎜ ∑ k⎟ ⎝ ⎠ k =0 ( m + 1)
Legk (τ ,α )
⎛ 1 − m β ⋅ ( −1 )k ⎞ ⎜ ∑ k ⎟ ⎝ ⎠ ⋅ ( −1 )n ⋅ ( 2 n + 1 ) k =0 2 ( m + 1)
Dk (τ ,α )
m 2( n + 1 )⎛⎜ 1 − ∑ β k ⎞⎟ ⎝ ⎠ k =0 ( m + 1 )( m + 2 )
( −1 2,0 ) k
P
(τ,γ )
Pk( 1 2,0 ) (τ ,γ ) Pk( 0,0 ) (τ ,γ )
( 1,0 ) k
P
( 2 ,0 ) k
P
74
(− 1) (4 n + 1)⎡⎢1 − ∑ (− 1) β n
m
k
⎤ ⎥⎦
⎣ k =0 (m + 1)(2m + 1) m (− 1)n (4 n + 3)⎡⎢1 − ∑ (− 1)k β k ⎤⎥ ⎣ k =0 ⎦ (m + 1)(2m + 3) m (− 1)n (2n + 1)⎡⎢1 − ∑ (− 1)k β k ⎤⎥ ⎣ k =0 ⎦ 2 (m + 1)
(τ ,γ )
(− 1) 2(n + 1)⎡⎢1 − ∑ (− 1) β
(τ ,γ )
(− 1) (2n + 3)⎡⎢1 − ∑ (− 1) β
n
m
k
⎣ k =0 (m + 1)(m + 2 )
n
m
⎣ k =0 (m + 1)(m + 3)
k
k
k
k
⎤ ⎥⎦ ⎤ ⎥⎦
Заметим, что при произвольном весе ортогональной функции μ (τ ) необходимо минимизировать Δ(11 ) по bk : 2
∞
m m Δ1 = ∫ ⎡⎢ ρ x (τ ) − ∑ bk ⋅ψ k (τ ,α )⎤⎥ μ (τ )dτ + λ ⋅ ∑ bk ⋅ψ k (0 ,α ) = min . ⎦ k =0 k =0 0 ⎣
(1 )
Выполнив преобразования, аналогичные (6.5) – (6.10), получим аналитические выражения для коэффициентов Сn (см. таблицу 6.2). Значения коэффициентов Сn при ограничениях на модель корреляционной функции μ (τ ) ≠ 1 Таблица 6.2
ψ k (τ ,γ / α )
Сn
L(k1 ) (τ ,γ )
m 2⎛⎜ 1 − ∑ β k ⎞⎟ k =0 ⎝ ⎠ (n + 1) (m + 1)(m + 2 )
L(k2 ) (τ ,γ )
m 3⎛⎜ 1 − ∑ β k ⎞⎟ k =0 ⎝ ⎠ (n + 1)(n + 2 ) (m + 1)(m + 2 )(m + 3)
Pk( 0,1 ) (τ ,γ )
m k ⎡ 4 1 − ∑ β k (− 1) ⎤ ⎢⎣ k =0 ⎥⎦ (− 1)n (n + 1)3 2 2 (m + 1) (m + 2 )
Pk( 0,2 ) (τ ,γ )
m k 3 ⎡1 − ∑ β k (− 1) ⎤ ⎢⎣ k =0 ⎥⎦ (− 1)n (2n + 3)(n + 1)2 (n + 2 )2 2 2 2 (m + 1) (m + 2 ) (m + 3)
Tk (τ ,γ )
⎛ 1 − m β (− 1)k ⎞ ⎜ ∑ k ⎟ ⎝ ⎠ (− 1)n k =0 (m + 1)
U k (τ ,γ )
m k 6 ⎛⎜ 1 − ∑ β k (− 1) ⎞⎟ ⎝ ⎠ (− 1)n (n + 1)2 k =0 (m + 1)(m + 2 )(2m + 3)
Определим погрешность аппроксимации Δ1 ( μ (τ ) = 1 ). 2
∞
m Δ1 = ∫ ⎡ ρ x (τ ) − ∑ bk ⋅ψ k (τ ,α )⎤ dτ = ⎢ ⎥⎦ k =0 0 ⎣ m
= τ k(4 ) − ∑ β k2 ψ k k =0
2
m
(6.11)
+ ∑ С k2 ψ k . 2
k =0
Представим погрешности аппроксимации КФ в виде:
Δ1 = Δ + Δ2 ,
(6.12)
75
где Δ2 составляющая методической погрешности аппроксимации, вызванная дополнительным условием (6.4). Тогда
⎧Δ = τ ( 4 ) − m β 2 ψ 2 ; ∑ k k k ⎪ k =0 ⎨ m 2 ⎪ Δ2 = ∑ С k2 ψ k . ⎩ k =0
(6.13)
Вторую составляющую погрешности Δ2 удобнее представить в виде: 2
⎡1 − m β ψ (0 ,α )⎤ ⎢ ∑ k k ⎥⎦ . Δ2 = ⎣ k =0m 1
∑ k =0
ψk
(6.14)
2
В таблице 6.3. приведены выражения для оценки Δ и Δ2 для различных базисов. Составляющие методической погрешности аппроксимации НКФ ортогональными функциями μ (τ ) = 1 Таблица 6.3
ψ k (τ ,γ / α ) Lk (τ ,α )
Legk (τ ,α )
(4 )
τk −
τ k(4 ) −
Δ
Δ2
1
⎛1 − m β ⎞ ⎜ ∑ k⎟ ⎝ ⎠ k =0 α (m + 1)
m
∑β α k =0
2 k
2
1 m β ∑ 2α k =0 2k + 1 1 m β ∑ 2α k =0 k + 1
⎛1 − m β ⎞ ⎜ ∑ k⎟ ⎝ k =0 ⎠ α ( m + 1 )( m + 2 )
2
Dk (τ ,α )
Pk( −1 2,0 ) (τ,γ ) Pk( 1 2,0 ) (τ ,γ ) Pk( 1,0 ) (τ ,γ )
76
2
⎛ 1 − m β ⋅ ( −1 )k ⎞ ⎜ ∑ k ⎟ ⎝ ⎠ k =0 2 2α ( m + 1 )
2 k
τ k(4 ) −
2 k
1
m
2
β
2 k
β
2 k
τ k(4 ) −
∑ γ 4k + 1
τ k(4 ) −
1
∑ γ 4k + 3
τ k(4 ) −
1 2γ
k =0
m
2
k =0
m
β
⎡1 − m (− 1)k β ⎤ k ⎢⎣ ∑ ⎥⎦ k =0 γ (m + 1)(2m + 3) 2
2 k
∑k +1 k =0
⎡1 − m (− 1)k β ⎤ k ⎢⎣ ∑ ⎥⎦ k =0 γ (m + 1)(2m + 1)
⎡1 − m (− 1)k β ⎤ k ⎢⎣ ∑ ⎥⎦ k =0 γ (m + 1)(m + 2 )
Pk( 0,0 ) (τ ,γ )
( 2,0 ) k
P
τ k(4 ) −
(τ ,γ )
(4 )
τk
1 2γ
β
m
⎛ 1 − m β ⋅ ( −1 ) k ⎞ ⎜ ∑ k ⎟ ⎝ k =0 ⎠ 2 2γ ( m + 1 ) ⎡1 − m (− 1)k β ⎤ k ⎢⎣ ∑ ⎥⎦ k =0 2γ (m + 1)(m + 3 )
2 k
∑ 2k + 1 k =0
1 m β k2 − ∑ 2 λ k =0 2 k + 3
2
При произвольном весе ортогональной функции μ (τ ) ≠ 1 2
∞
m Δk = ∫ ⎡⎢ ρ x (τ ) − ∑ bk ⋅ψ k (τ ,α )⎤⎥ μ (τ )dτ = k =0 ⎦ 0 ⎣
(1 ) ∞
m
0
k =0
= ∫ ρ x2 (τ )μ (τ )dτ − ∑ β k2 ψ k
2
m
+ ∑ С k2 ψ k . 2
k =0
В этом случае ∞
m
0
k =0
Δ(1) = ∫ ρ x2 (τ )μ (τ )dτ − ∑ β k2 ψ k . 2
Составляющие методической погрешности аппроксимации нормированной корреляционной функции ортогональными функциями при μ (τ ) ≠ 1 представлены в таблице 6.4. Составляющие методической погрешности аппроксимации НКФ ортогональными функциями μ (τ ) ≠ 1 Таблица 6.4
ψ k (τ ,γ / α )
Δ2
Δ(1 ) β 1 ∫ ρ (τ )μ (τ )dτ − γ ∑ (k + 1)
β 4 ∫ ρ (τ )μ (τ )dτ − γ ∑ (k + 1)(k + 2 )
⎛1 − m β ⎞ ⎜ ∑ k⎟ 12 ⎠ k =0 ⎝ 3 γ (m + 1)(m + 2 )(m + 3)
β 1 ∫ ρ (τ )μ (τ )dτ − 4γ ∑ (k + 1)
⎛ 1 − m β (− 1)k ⎞ ⎟ k 1 ⎜⎝ ∑ ⎠ k =0 2 γ ( m + 1 ) ( m + 2 )2
β 2 ∫ ρ (τ )μ(τ )dτ − γ ∑ (2k + 3)(k + 1) (k + 2)
⎛ 1 − m β (− 1)k ⎞ ⎜ ∑ k ⎟ 6 ⎝ ⎠ k =0 2 2 γ ( m + 1 ) ( m + 2 ) ( m + 3 )2
L(k1 ) (τ ,γ )
2 x
2
∞
L(k2 ) (τ ,γ )
3
0
∞
2 x
0
k =0
m
k =0
2
2 k
3
k =0
0
2
2 k
m
2 x
∞
k =0
m
2 x
Pk( 0,1 ) (τ ,γ )
2 k
m
0
Pk( 0,2 ) (τ ,γ )
2
⎛1 − m β ⎞ k ⎟ 2 ⎜⎝ ∑ ⎠ k =0 2 γ (m + 1)(m + 2 )
∞
2 k
2
2
2
77
Tk (τ ,γ )
U k (τ ,γ )
2 m ⎧ ⎛ k ⎞ β k (− 1) ⎟ ⎪π ⎜⎝ 1 − ∑ k =0 ⎠ , k = 0; ⎪ ⎪ 4 γ (m + 1) ⎨ 2 m ⎪ π ⎛⎜ 1 − ∑ β k (− 1)k ⎞⎟ ⎪ ⎝ k =0 ⎠ ,k ≠ 0 ⎪ 8 γ (m + 1) ⎩
π m 2 ⎧∞ 2 ( ) ( ) − d ρ τ μ τ τ ∑ β k , k = 0; ⎪⎪∫0 x 4γ k = 0 ⎨∞ π m 2 ⎪ ∫ ρ x2 (τ )μ (τ )dτ − ∑ βk , k ≠ 0 ⎪⎩ 0 8γ k = 0
π 2 ( ) ( ) d − ρ τ μ τ τ ∫0 x 8γ
∞
m
∑( k =0
2
m k ⎛ 3π ⎜ 1 − ∑ β k (− 1) ⎞⎟ ⎝ ⎠ k =0 4 γ (m + 1)(m + 2 )(2 m + 3 )
β k2
k + 1)
2
В [22] для ортогонального базиса Лагерра было показано, что Δ является функцией параметра α . Можно показать, что и погрешность Δ2 , которую с учетом (6.14) приведем к виду: m+1
⎡ jω −α / 2 jω2 −α / 2⎤ 1 ∞∞ Δ2 = Sx н (ω1 ) Sx н (ω2 )⎢ 1 ∫ ∫ ⎥ dω1dω2 , + + α (m+1) −∞−∞ j ω α / 2 j ω α / 2 ⎣ 1 ⎦ 2
(6.15)
также является функцией параметра α . Найдём условие определения оптимального значения параметра α , при котором Δ1 = min . Это условие, как следует из (6.12), найдем из уравнения:
∂Δ1 ∂Δ ∂Δ2 = + = 0. ∂α ∂α ∂α ∂Δ определяется выражением Значение ∂α
(6.16)
2
⎧⎪⎡ ∞ ⎤ ∂Δ jω = −(m + 1)⎨⎢ ∫ S x (ω ) Wm ( jω )d ω ⎥ − ∂α jω + α / 2 ⎪⎩⎣ −∞ ⎦
(6.17)
2
⎡∞ ⎤ α/2 − ⎢ ∫ S x (ω ) Wm ( jω )dω ⎥ , jω + α / 2 ⎣ −∞ ⎦
а
∂Δ2 с учётом (6.15) примет вид: ∂α ⎡∞ ∂Δ2 ⎤ jω 1 ⎧⎪ ( ) =− 2 + 2 α m 1 dω ⎥ × ⎨ ⎢ ∫ Sx н (ω)Wm ( jω) ∂α α (m + 1) ⎪⎩ jω +α / 2 ⎦ ⎣−∞
2 ⎡∞ ⎡∞ ⎤ ⎫ × ⎢ ∫ Sx н (ω)Wm ( jω)( jω −α / 2)dω + ⎢ ∫ Sx н (ω)Wm ( jω)( jω −α / 2)dω⎥ ⎬ ⎣−∞ ⎦ ⎭ ⎣−∞
.
(6.18)
Подставив в (6.16) выражения (6.17) и (6.18), после промежуточных преобразований получим:
78
∞ jω ∂ Δ1 1 ⎧⎡ ( ) Wm( jω)dω + α m 1 Sx н(ω) =− 2 + ⎨⎢ ∫ j ω α / 2 ∂α α (m+1) ⎩⎣ + −∞
2 ⎫ 2 ∞ ⎤ ⎪ ⎤ ⎡ α/ 2 Wm( jω)dω⎥ ⎬. + ∫Sx н(ω)Wm( jω)( jω −α / 2)dω ⎥ − ⎢α (m+1) ∫ Sx н(ω) j ω α / 2 + ⎦ −∞ −∞ ⎣ ⎦ ⎪ ⎭ ∞
(6.19)
Представляя в выражении (6.19) разность квадратов как произведение суммы оснований на их разность, получим: ∞ ∞ ⎤ ∂Δ1 1 ⎡ =− 2 ⎢α(m+1) ∫ Sx н (ω)Wm( jω)dω + ∫ Sx н (ω)Wm( jω)( jω −α / 2)dω⎥ × ∂α α (m+1) ⎣ −∞ −∞ ⎦ (6.20) ∞ ∞ ⎡ ⎤ × ⎢α(m+1) ∫ Sx н (ω)Wm+1( jω)dω + ∫ Sx н (ω)Wm( jω)( jω −α / 2)dω⎥ . −∞ −∞ ⎣ ⎦
Выражение (6.20) с учётом (6.11) равно:
∂Δ1 m+1 = − 2 bm bm +1 . ∂α α
(6.21)
Так как коэффициент bm ≠ 0 и параметр α ≠ 0 , условие минимума погрешности Δ1 примет вид: m
bm +1 = β m+1 +
1 − ∑ βk k =0
m+1
= 0.
(6.22)
Таким образом, при аппроксимации корреляционной функции для обеспечения минимума квадратической погрешности требуется изменением параметра α добиться равенства нулю β m+1 коэффициента. Значения b0 ,...bm в этом случае будут оптимальными. На рис.6.2. представлены результаты аппроксимации КФ 5 модели с μ = 5 , коэффициенты разложения которой определяются в соответствии с выражением (6.10). Из анализа полученных результатов можно сделать следующие выводы: • число корней уравнения (6.22) в общем случае равно (m + 1) ; • величина минимума погрешности Δ1 зависит от найденного значения α ; • для обеспечения минимума-миниморума погрешности необходимо правильно выбирать диапазон изменения α , т.е. необходима априорная информация о свойствах процесса. Как показали исследования [22], α opt находится вблизи корня, найденного в результате решения уравнения β 0 − 1 = 0 . Следует отметить, что при изменении числа членов разложения ряда (6.3), необходимо пересчитать в соответствии с (6.10) все параметры bk . К сожалению, для других ортогональных базисов аналитически решить задачу поиска оптимального значения α не удалось.
79
Рисунок 6.2 - Аппроксимация КФ 5 модели с μ = 5 ортогональными функциями Лагерра - m = 15 , α = 4 ,899
6.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции и показателя колебательности μ и m определить коэффициенты разложения {β k }k =0 ,...m
и {bk }k =0 ,...m . Параметр α задать произвольно. Построить графическую зависимость
{β } k
k =0 ,...m
и {bk }k =0 ,...m .
2. Построить зависимость δ b( 2 ) (χ / m , μ ) , m = 2 ÷ 6 , μ = 0 ÷ 5 (Результаты представить аналогично результатам таблицы 5.6). Определить количество локальных минимумов δ b( 2 ) (χ / m , μ ) , численные значения параметров χ opt и соответствующие
им значения погрешностей. ) ) Построить зависимости δ b(1,min μ / m , χ opt и δ b( ,2min m / μ , χ opt и сравнить их 3.
( ) ( ) (μ / m, χ ) и δ ( ) (m / μ , χ ).
) с соответствующими зависимостями δ β(1,min
4.
Сравнить
результаты
оценки
2
opt
β ,min
δ b ,1 (μ / m , χ 1 ) , (1 )
opt
δ b(1,2) (μ / m , χ 2 ) ,
δ b(,21) (m / μ , χ 1 ) , δ b(,22) (m / μ , χ 2 ) с соответствующими минимальными оценками погрешности. Значение параметра χ 1 определяется по таблице 5.10-5.13, а χ 2 - по таблицам 5.14. 5. Построить модели корреляционной функции, соответствующие выражению 6.3, для λ = 1, μ = 5 , χ 1 , χ 2 , χ opt , m = 5 , 10 . 6.
80
Оформить отчет.
6.3. Содержание отчёта
1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Ортогональная модель корреляционной функции в заданном ортогональном базисе. 6. Аналитическое выражение для оценки коэффициентов разложения {bk }k =0 ,...m , χ 1 и χ 2 . 7.
Графические зависимости δ b( 2 ) (χ / m , μ ) (пункт 2).
8.
Графические
зависимости
) (μ / m, χ opt ) , δ b(1,min
) (m / μ , χ opt ) , δ b( ,2min
) (μ / m, χ opt ) и δ β(2,min) (m / μ , χ opt ) (пункт 3). δ β(1,min 9. Графические зависимости δ b(1,1) (μ / m , χ 1 ) , δ b(1,2) (μ / m , χ 2 ) , δ b( ,21) (m / μ , χ 1 ) , δ b(,22) (m / μ , χ 2 ) (пункт 5).
10. Графики моделей корреляционной функции (пункт 6). 11. Выводы. Пример выполнения лабораторной работы 6 приведен в Приложении 12. 6.4. Контрольные вопросы
Поясните физический смысл условия нормировки ортогональной модели 1. корреляционной функции. 2. Какие параметры входят в ортогональную модель корреляционной функции при выполнении условия нормировки? 3. Из каких соображений выбирается значение параметра масштаба ортогональных функций? 4. Для какого ортогонального базиса возможно точное решение определения параметра масштаба? Почему? 5. Как количество локальных экстремумов погрешности аппроксимации связаны с m и μ ? Перечислите недостатки метода построения ортогональной модели с 6. применением корректирующих коэффициентов.
81
7. ОРТОГОНАЛЬНЫЕ МОДЕЛИ СПЕКТРАЛЬНЫХ ПЛОТНОСТЕЙ МОЩНОСТИ изучение методов и приобретение практических навыков при аппроксимации спектральных плотностей мощности случайных процессов ортогональными функциями.
Цель работы:
7.1. Теоретические основы лабораторной работы Спектральные плотности мощности представляют собой частотное распределение энергетических характеристик случайного процесса. Существуют различные способы их определения, например: преобразование Фурье процесса, преобразование Фурье корреляционной функции. Определим спектральную плотность мощности в виде [4, 48]:
1 2π
Sx(ω ) =
∞
∫ K (τ )e
− jωτ
x
dτ .
(7.1)
−∞
Воспользовавшись обратным преобразованием Винера-Хинчина, можно установить связь между корреляционной функцией и спектральной плотностью мощности:
K x (τ ) =
∞
∫ S x (ω )e
jωτ
dω .
(7.2)
−∞
Определив параметры ортогональной модели корреляционной функции
b0 ,...,bm ,α
m m K a (τ ) = σ x2 ⎧⎨∑ bkψ k (τ ,α )1(τ ) + ∑ bkψ k (− τ ,α )1(− τ )⎫⎬ , ⎩ k =0 k =0 ⎭
(7.3)
оценим спектральную плотность мощности случайного процесса. Для этого необходимо подставить модель корреляционной функции (7.3) в выражение для определения спектральной плотности мощности. В результате получим. m σ x2 ∞ ⎡ m ( ) ( ) S a (ω ) = b ψ τ , α 1 τ + bkψ k (− τ ,α )1(− τ )⎤ e − jωτ dτ = ∑ ∑ k k ∫ ⎢ ⎥⎦ 2π −∞⎣ k =0 k =0 2 σ x2 ⎡ m ⎤ σx m = ∑ bk [Wk ( jω ) + Wk (− jω )]⎥ = π ∑ bk Re Wk ( jω ). 2π ⎢⎣ k =0 ⎦ k =0
(7.4)
Воспользовавшись результатами, представленными в 3 разделе, приведем аналитические модели спектральной плотности для различных базисов (см. табл. 7.1-7.2). Аналитические выражения спектральной плотности мощности с использованием тригонометрических функций Таблица 7.1 №
ψ k (τ ,γ / α )
1
Lk (τ ,α )
2 82
L(k1 ) (τ ,γ )
S a (ω )
ϕk arctg
2ω
α 2ω arctg α
2σ x2 cos ϕ
σ γπ
2 x
απ
m
k ∑ bk (− 1) cos (2 k + 1)ϕ k =0
∑ (k + 1) [1 + (− 1) m
k =0
bk
k
]
cos( 2( k + 1 )ϕ k )
3
Lk (τ ,γ )
4
Legk (τ ,α )
5
Dk (τ ,α )
(2 )
( −1 2,0 ) k
P
6
( 1 2,0 ) k
(τ,γ )
(τ ,γ )
7
P
8
Pk( 1,0 ) (τ ,γ )
9
Pk( 0,0 ) (τ ,γ )
10
Pk( 2,0 ) (τ ,γ )
arctg
⎡1 (− 1)k cos((2k + 3)ϕk ) ⎤ bk + k + 1⎥ ∑ ⎢ + γπ k=0 (k + 1)(k + 2) ⎣2 2cosϕk ⎦
2σx2
2ω
α ω arctg 2(k + 1)α ω arctg (k + 1)α 2ω arctg (4 k + 1)γ 2ω arctg (4 k + 3)γ ω arctg (k + 1)γ ω arctg (2k + 1)γ ω arctg (2k + 3)γ
m
σ x2 m 1 ⎡ϕ + 2k−1ϕ ⎤ cos ϕ cos b ∑k k s ⎢⎣ k ∑ ⎥⎦ s=0 απ k=0 (2k + 1) k −1 σ x2 m (− 1)k cosϕk cos⎡ϕk + 2∑ϕs ⎤ ∑bk ⎥⎦ ⎢⎣ s=0 απ k =0 (k + 1)
2σ x2
m
bk
∑ (4 k + 1) cos ϕ γπ k =0
2σ x2
k −1 ⎡⎛ cos ϕ 2 ϕ s ⎞⎟⎤⎥ + ⎜ ∑ k ⎢⎣⎝ k s =0 ⎠⎦
k −1 bk ⎡⎛ ⎤ cos ϕ k cos ⎢⎜ ϕ k + 2∑ ϕ s ⎞⎟⎥ ∑ γπ k =0 (4 k + 3 ) s =0 ⎠⎦ ⎣⎝ k −1 σ x2 m 1 ⎡ bk cosϕk cos ϕk + 2∑ϕs ⎤ ∑ ⎢⎣ ⎥⎦ γπ k =0 (k + 1) s =0 k −1 σ x2 m 1 bk cosϕk cos⎡ϕk + 2∑ϕs ⎤ ∑ ⎢⎣ ⎥⎦ γπ k =0 (2k + 1) s =0 k −1 σ x2 m 1 bk cosϕk cos⎡ϕk + 2∑ϕs ⎤ ∑ ⎢⎣ ⎥⎦ γπ k =0 (2k + 3) s =0 m
Аналитические выражения спектральной плотности мощности с использованием биномиальных коэффициентов для ортогональных функций Якоби (0 , β ) и Чебышева № ψ k (τ ,γ / α ) 1
( 0 ,1 ) k
P
( 0 ,2 ) k
(τ ,γ ) (τ ,γ )
2
P
3
Tk (τ ,γ )
arctg
arctg 4
S a (ω )
ϕk arctg
Таблица 7.2
2 σ x2 m bk k s s s cos ϕ s ∑ ∑C C (− 1) (2s + 1) γπ k =0 (k + 1) s=0 k k +s+1
ω
(2k + 1)γ ω
(2k + 1)γ ω
(2(k − s ) + 1)γ
U k (τ ,γ )
2σ x2
m
2 k bk s cos ϕ s s s ∑ ∑C C (− 1) (2s + 1) γπ k =0 (k + 1)(k + 2) s=0 k k +s+2 1 m ⎧ βk cos2 ϕ0 ,0 , k = 0, ∑ ⎪⎪ π γ k =0 ⎨ 1 m k cos2 ϕk ,s k k −s s ⎪ ∑ βk ∑ ,k ≠0 C (− 4) ⎪⎩π γ k =0 s=0 2k − s 2k −s (2(k − s) + 1)
1
k
πγ
βk
k
∑ k + 1 ∑C k =0
s =0
s 2 k − s +1
(− 4 )
k −s
cos 2 ϕ k ,s (2(k − s ) + 1)
На рисунке 7.1 представлены результаты аппроксимации КФ - восстановление СПМ в ортогональном базисе Якоби с параметрами (0 ,0 ) (функции Лежандра) для
случайного процесса с ρ x (τ ) = e
−τ
cos 5τ , N = 5000 , Δτ = 0 ,078 .
83
Рисунок 7.1 - Результат восстановления СПМ ортогональными функциями Якоби (функциями Лежандра) с параметрами (0 , 0 )
Полученные результаты можно обобщить на оценку взаимной спектральной плотности мощности и её составляющих по параметрам ортогональных моделей ВКФ. Представим модель ВКФ в виде: m1 m2 Kaxy (τ ) = σ xσ y ⎧⎨∑bk ,п 1(τ −τ m )ψ k (τ −τ m , α1 ) + ∑bk ,л 1(τ m −τ )ψ k (τ m −τ , α2 )⎫⎬ . (7.5) k ⎩k =0 ⎭
где τ m - значение аргумента, соответствующего максимуму ВКФ Определим взаимную спектральную плотность мощности
σ xσ y ∞ ⎡ m 1 S axy ( jω ) = ∫ ∑ bk ,п 1(τ − τ m )ψ k (τ − τ m , α 1 ) + 2π −∞⎢⎣ k =0
⎤ + ∑ bk ,л 1(τ m − τ )ψ k (τ m − τ , α 2 ) ⎥ exp(− jωτ )dτ . k =0 ⎦ Введем замену переменных u = τ − τ m . Тогда ∞ σ xσ y exp(− jωτ m ) ⎡ m 1 S axy ( jω ) = bk ,п ∫ψ k (u , α 1 ) exp(− jωu )du + ⎢ ∑ 2π 0 ⎣ k =0 0 m2 ⎤ + ∑ bk ,л ∫ψ k (− u , α 2 ) exp(− jωu )du ⎥ = k =0 −∞ ⎦ m2 σ σ exp(− jωτ m ) ⎡ m1 ( ) = x y + b W j ω bk ,лWk (− jω )⎤ . ∑ ∑ k ,п k ⎢ ⎥⎦ 2π k =0 ⎣ k =0 m2
Отсюда
ReSaxy ( jω) =
σ xσ y ⎧ ⎡ ⎨ cosωτm ⎢ 2π ⎩ ⎣
m2 ⎡ ⎤ + ∑bk ,л ReWk ( jω) ⎥ − sinωτm ⎢ k =0 ⎦ ⎣
84
m1
k =0
k ,п
ReWk ( jω) +
m2 ⎤ ⎫ ( ) Im W j ω bk ,л ImWk ( jω) ⎥ ⎬, − ∑ k ,п k k =0 ⎦ ⎭
∑b k =0
m1
∑b
(7.6)
(7.7)
ImSaxy ( jω) =
σ xσ y ⎧ ⎡ ⎨ − sinωτm ⎢ 2π ⎩ ⎣
m2 ⎡ ⎤ + ∑bk ,л ReWk ( jω) ⎥ + cosωτm ⎢ k =0 ⎦ ⎣
m1
m1
∑b k =0
k ,п
ReWk ( jω) +
m2 ⎤ ( ) Im W j ω bk ,л ImWk ( jω) ⎥ − ∑ k ,п k k =0 ⎦
∑b k =0
⎫ ⎬. ⎭
Введем обозначения m1
m2
k =0
k =0
m1
m2
k =0
k =0
A(ω ) = ∑ bk ,п ReWk ( jω ) + ∑ bk ,л ReWk ( jω );
(7.8)
B(ω ) = ∑ bk ,п ImWk ( jω ) − ∑ bk ,л ImWk ( jω ).
(7.9)
Окончательно получим
σ xσ y [A(ω )cos ωτ m − B(ω ) sin ωτ m ]; 2π σ xσ y [B(ω )cos ωτ m − A(ω ) sin ωτ m ]. Im S axy ( jω ) = 2π
Re S axy ( jω ) =
(7.10) (7.11)
В таблицах 7.4 – 7.5 для различных ортогональных базисов приведены выражения для ReWk ( jω ) и ImWk ( jω ) . Вещественные и мнимые части преобразования Фурье ортогональных функций с использованием тригонометрических функций Таблица 7.4
ψ k (τ ,γ / α ) Lk (τ ,α ) L(k1 ) (τ ,γ ) Lk (τ ,γ ) (2 )
Legk (τ ,α )
Dk (τ ,α )
Pk( −1 2,0 ) (τ,γ )
ReWk ( jω )
2
α
(− 1)
k
(
Im Wk ( jω )
cos ϕ cos(2 k + 1)ϕ
−
)
k
cos ϕ sin(2 k + 1)ϕ
)
1 (− 1)k +1 sin [2(k + 1)ϕ k ] γ (k + 1)
⎛ 1 (−1)k cos[(2k +3)ϕk ] ⎞ 2 ⎛ (− 1)k+1 sin [(2k + 3)ϕk ] tgϕk ⎞ 2 ⎜ + ⎟ + k + 1 ⎜ ⎟ − ⎟ 2cosϕk γ (k +1)(k +2) ⎜⎝ 2 ⎠ γ (k + 1)(k + 2) ⎜⎝ 2cosϕk 2 ⎟⎠ k −1 1 ⎤ ⎡ cos ϕ k cos ⎢⎛⎜ ϕ k + 2∑ ϕ s ⎞⎟⎥ (2k + 1)α s =0 ⎠⎦ ⎣⎝ k (− 1) cos ϕ cos ⎡⎛ϕ + 2 k −1 ϕ ⎞⎤ ∑ k s ⎟⎥ ⎢⎣⎜⎝ k (k + 1)α ⎠⎦ s =0 k −1 2 ⎡ ⎤ cos ϕ k cos ⎢⎛⎜ ϕ k + 2∑ ϕ s ⎞⎟⎥ (4 k + 1)γ ⎠⎦ s =0 ⎣⎝
(τ ,γ )
Pk( 1,0 ) (τ ,γ )
k −1 1 ⎡⎛ ⎞⎤ cos ϕ k cos ⎢⎜ ϕ k + 2 ∑ ϕ s ⎟⎥ (k + 1)γ s =0 ⎠⎦ ⎣⎝
P
α
(− 1)
(
1 k 1 + (− 1) cos[2(k + 1)ϕk ] γ (k + 1)
k −1 2 ⎡⎛ ⎞⎤ cos ϕk cos⎢⎜ϕk + 2 ∑ ϕ s ⎟⎥ (4k + 3)γ s =0 ⎠⎦ ⎣⎝
( 1 2,0 ) k
2
k −1 1 ⎤ ⎡ cosϕk sin⎢⎛⎜ϕk + 2∑ϕs ⎞⎟⎥ (2k + 1)α s =0 ⎠⎦ ⎣⎝ k (− 1) cosϕ sin⎡⎛ϕ + 2 k −1 ϕ ⎞⎤ − ∑ k s ⎟⎥ ⎢⎣⎜⎝ k (k + 1)α ⎠⎦ s =0 k −1 2 ⎡ ⎤ − cosϕk sin⎢⎛⎜ϕk + 2∑ϕs ⎞⎟⎥ (4k + 1)γ ⎠⎦ s =0 ⎣⎝
−
k −1 2 ⎡⎛ ⎞⎤ cos ϕ k sin ⎢⎜ ϕ k + 2 ∑ ϕ s ⎟⎥ (4 k + 3)γ s =0 ⎠⎦ ⎣⎝ k −1 1 ⎡⎛ ⎞⎤ cos ϕ k sin ⎢⎜ ϕ k + 2 ∑ ϕ s ⎟⎥ − (k + 1)γ s =0 ⎠⎦ ⎣⎝
−
85
( 2,0 ) k
P
k −1 1 ⎡⎛ ⎞⎤ cosϕk cos⎢⎜ϕk + 2 ∑ ϕs ⎟⎥ (2k + 3)γ s =0 ⎠⎦ ⎣⎝
(τ ,γ )
−
k −1 1 ⎡⎛ ⎞⎤ cos ϕ k sin ⎢⎜ ϕ k + 2 ∑ ϕ s ⎟⎥ (2k + 3)γ s =0 ⎠⎦ ⎣⎝
Вещественные и мнимые части преобразования Фурье ортогональных функций с использованием биномиальных коэффициентов Таблица 7.5 Re Wk ( jω )
Im Wk ( jω )
2 k 1 s cos ϕ s s s Ck Ck +s+1 (− 1) (2s + 1) (k + 1)γ ∑ s =0 2 k 2 s cos ϕs s s Ck Ck+s+2 (−1) (k +1)(k + 2)γ ∑ (2s +1) s=0 cos2 ϕ0,0 ⎧ , k =0, ⎪ ⎪ γ ⎨k 2 ⎪∑ k Cs (− 4)k−s cos ϕk,s , k ≠0 ⎪⎩s=0 2k − s 2k−s (2(k − s) +1) γ cos 2 ϕ k ,s 1 k s k −s ∑ C2 k −s +1 (− 4 ) (2(k − s ) + 1) γ k + 1 s =0
k 1 s cosϕ s sinϕ s Cks Cks+s+1 (− 1) ∑ (k + 1)γ s=0 (2s + 1) k 2 s cosϕs sinϕs − CksCks+s+2 (−1) ∑ (2s +1) (k +1)(k + 2)γ s=0 cosϕ0,0 sinϕ0,0 ⎧ − , k = 0, ⎪⎪ γ ⎨ k cosϕk ,s sinϕk ,s ⎪− ∑ k C2sk−s (− 4)k−s ,k ≠0 ⎪⎩ s=0 2k − s (2(k − s) + 1) γ 1 k s k − s cos ϕ k ,s sin ϕ k ,s − C 2 k − s +1 (− 4 ) ∑ (2(k − s ) + 1) γ k + 1 s =0
ψ k (τ ,γ / α ) ( 0 ,1 ) k
P
(τ ,γ )
Pk( 0,2 ) (τ ,γ )
Tk (τ ,γ )
U k (τ ,γ )
−
Отметим, что при построении ортогональной модели спектральной плотности мощности по параметрам ортогональной модели корреляционной функции возможно применение различных ортогональных базисов при аппроксимации левой и правой ветвей корреляционной функции. На рисунках 7.2 – 7.3 приведены результаты построения взаимной спектральной плотности мощности с помощью аппроксимирующих выражений в сравнении с теоретическими кривыми [48, 49]. При построении спектра с большим значением τ m , необходимо правильно выбирать значение интервала дискретизации спектра Δω . В противном случае будет проявляться эффект наложения частот. Рекомендуемое значение интервала дискретизации, определяемое для восстановления cos ωτ m
Δω ≤
0 ,2 ÷ 0 ,4
τm
.
(7.12)
Рисунок 7.4 иллюстрирует эту ситуацию. Другой способ построения ортогональной модели спектральной плотности мощности заключается в аппроксимации спектральной плотности мощности в каком либо базисе {ψ k (ω ,α )}k =0 ,...m при μ (τ ) = 1 . При этом, учитывая четность спектральной плотности мощности, необходимо выбором параметров модели гарантировать выполнения условия нормировки
86
Рисунок 7.2 - Спектральная плотность мощности и ее составляющие
Рисунок 7.3 – Вещественная, мнимая части и модуль спектральной плотности мощности 87
Рисунок 7.4 - Взаимные спектральные плотности мощности при различных значениях интервала дискретизации для ρ xy (τ ) = exp − τ − 100 cos 5(τ − 100 )
(
88
)
∞
∞ m
m
0 k =0
k =0
∫ S a н (ω )dω = ∫ ∑ β kψ k (ω ,α )dω =∑ β kWk (0 ) = 0
m
= 2∑ β k ψ k k =0
2
[− ψ (0 ,α )]
k
k
(7.13)
= 1 / 2.
Однако, в общем случае условие (7.13) не выполняется. Для выполнения свойства (7.13), представим модель в виде m
S a н (ω ) = ∑ сkψ k (ω ,α ) .
(7.14)
k =0
при условии, что m
2∑ сk ψ k k =0
2
[− ψ (0 ,α )]
= 1/ 2.
k
k
(7.15)
Запишем выражение для оценки погрешности с учетом условия (7.15) 2
∞
m m 2 k Δ1 = ∫ ⎡S x н (ω ) − ∑ сkψ k (ω ,α )⎤ dω + 2λ ∑ β k ψ k [−ψ k (0 ,α )] = min . ⎢ ⎥⎦ k =0 k =0 0⎣ Для определения значения параметров с n найдем ∞ m ∂Δ1 2 n = −2∫ ⎡S x н (x) − ∑ сkψ k (ω ,α )⎤ψ n (ω ,α )dω + 2λ ψ n [−ψ n (0,α )] = 0 . ⎢ ⎥⎦ k =0 ∂сn 0⎣
(7.16)
(7.17)
С учетом свойств ортогональных функций выражение (7.17) приведем к виду 2 2 2 n − 2 β n ψ n + 2сn ψ n + 2λ ψ n [− ψ n (0 ,α )] = 0 . (7.18) Отсюда n сn = β n − λ [− ψ n (0 ,α )] . (7.19) С учетом (7.15) выражение для определения λ равно 2 k ∑ β k ψ k [− ψ k (0 ,α )] − 1 / 4 m
λ=
k =0
m
∑ ψk
2
.
(7.20)
k =0
Подставив выражение (7.20) в выражение (7.19), окончательно получим
⎡ 1 / 4 − m β ψ 2 [− ψ (0 ,α )]k ⎤ ∑ k k k ⎥ ⎢ n k =0 Cn = β n + ⎢ m ⎥[− ψ n (0 ,α )] = 2 ∑ ψk ⎥ ⎢ k =0 ⎦ ⎣ = βn + ς n .
(7.21)
Рассмотрим несколько частных случаев. Так для ортогональных функций Лагерра с учетом их свойств m
λ=
k ∑ β k (− 1) − α / 4 k =0
,
m+1 ⎡α / 4 − m β (− 1)k ⎤ ∑ k ⎢ ⎥ k =0 (− 1)n . Cn = β n + ⎢ ⎥ m+1 ⎢ ⎥ ⎣ ⎦
(7.22)
(7.23)
89
Рассмотрим пример уточнения коэффициентов разложения по предлагаемому алгоритму: ρ x 5 (τ ) = exp(− λ τ ) cos ω0τ , λ = 1 , ω0 = 5 (см. рис. 7.5).
Рисунок 7.5 - Аппроксимация СПМ ортогональными функциями Лагерра,
α = 4 , m = 36
Выражения для оценки коэффициентов разложения ς n для других ортогональных базисов представлены в таблице 7.6. Таблица 7.6 №
1
ψ k (τ ,γ / α )
ςn
Lk (τ ,α )
⎡α / 4 − m β (− 1)k ⎤ ∑ k ⎢ ⎥ k =0 (− 1)n ⎢ ⎥ m+1 ⎢ ⎥ ⎣ ⎦ m
2
Legk (τ ,α )
3
Dk (τ ,α )
α/2−∑
βk
2k + 1 1 ∑ k =0 2 k + 1 k m β (− 1) ⎤ ⎡ k ⎥ ⎢α / 2 − ∑ k =0 k + 1 ⎥ (− 1)n ⎢ m 1 ⎥ ⎢ ∑ ⎢⎣ ⎥⎦ k =0 k + 1 k =0
m
В таблице 7.7 приведены аналитические выражения для оценки Pk (α ,β )
(α ,β )
2
и ςn
(τ ,γ ) . Отметим, что для рассматриваемых ортогональных функций Якоби P (0 ,γ ) = (− 1) . Коэффициенты разложения КФ в ортогональных базисах Якоби (α , β )
для различных функций Якоби Pk (α ,β )
k
90
k
⎡ 1 / 4 − m β P (α ,β ) ∑ k k ⎢ k =0 Cn = β n + ⎢ m (α ,β ) 2 P ∑ ⎢ k k =0 ⎣ = βn + ς n .
2
⎤ ⎥ ⎥= ⎥ ⎦
(7.24)
Корректирующие коэффициенты Якоби (α ,β ) и Сонина-Лагерра Таблица 7.7
№
ψ k (τ ,γ / α )
ςn m
1
γ /4−∑
4k + 1 1 ∑ k =0 4 k + 1
Pk( −1 2,0 ) (τ,γ )
k =0
m
m
2
γ /4−∑ k =0
m
γ /2−∑ k =0
m
γ /2−∑
6
k =0
m
7
γ /2−∑
Pk( 2,0 ) (τ ,γ )
Pk( 0,1 ) (τ ,γ )
Pk( 0,2 ) (τ ,γ )
βk
2k + 1 1 ∑ k =0 2 k + 1
Pk( 0,0 ) (τ ,γ )
m
5
βk
k +1 1 ∑ k =0 k + 1
Pk( 1,0 ) (τ ,γ )
m
4
βk
4k + 3 1 ∑ k =0 4 k + 3
Pk( 1 2,0 ) (τ ,γ )
m
3
βk
βk
2k + 3 1 ∑ k =0 2 k + 3 m β [(k + 1) mod 2] ⎤ −∑ k ⎥ k =0 (k + 1)2 m [(k + 1)mod 2] ⎥⎥[(n + 1)mod 2] (n + 1) ∑ ⎥⎦ (k + 1) k =0 k =0
m
⎡γ ⎢2 ⎢ ⎢ ⎢⎣
k 2 m ⎡γ β k (− 1) [(k + 2 ) div 2] ⎤ ⎢ −∑ (k + 1)2 (k + 2 )2 ⎥⎥[(n + 2 ) div 2]2 (2n + 3)(− 1)n ⎢ 8 k =0 4 ⎢ m [(k + 2 ) div 2] (2 k + 3 ) ⎥ ⎢ ∑ ⎥ (k + 1)2 (k + 2 )2 ⎣ k =0 ⎦
91
8
L(k1 ) (τ ,γ )
9
L(k2 ) (τ ,γ )
⎡ γ m β k [(k + 1) mod 2] ⎤ ⎢4 −∑ ⎥ (k + 1) k =0 ⎢ ⎥[(n + 1) mod 2] m [ ] ( ) + k 1 mod 2 ⎢ ∑ ⎥ ⎢⎣ k =0 ⎥⎦ (k + 1) ⎡ γ m β k [(k + 2 ) div 2] ⎤ ⎥ ⎢ −∑ ( )( ) 8 k 1 k 2 + + k =0 ⎥[(n + 2 ) div 2] ⎢ m [(k + 2 ) div 2]2 ⎥ ⎢ ⎥ ⎢ ∑ ⎦ ⎣ k =0 (k + 1)(k + 2 )
Определим погрешность аппроксимации Δ1 2
∞
m Δ1 = ∫ ⎡⎢ S xн (ω ) − ∑ с k ⋅ψ k (ω ,α )⎤⎥ dω = k =0 ⎦ 0 ⎣ ∞
m
= ∫ S xн (ω ) − ∑ β ψ k 0
k =0
2 k
m
(7.25)
+ ∑ς ψ k .
2
2
2 k
k =0
Представим погрешности аппроксимации КФ в виде:
Δ1 = Δ + Δ2 ,
(7.26) где Δ2 составляющая методической погрешности аппроксимации, вызванная дополнительным условием (7.15). Тогда ∞ m 2 ⎧ 2 ( ) = − Δ S ω d ω β ψ ; ∑ x н k k ∫0 ⎪ k =0 ⎨ m 2 ⎪ Δ2 = ∑ ς k2 ψ k . ⎩ k =0
(7.27)
Вторую составляющую погрешности Δ2 удобнее представить в виде:
⎡1 / 4 − m β ψ ∑ k k ⎢⎣ k =0 Δ2 = m
∑ψ k =0
2
[− ψ (0 ,α )]
k
k
2
2
⎤ ⎥⎦ .
(7.28)
k
В таблице 7.8 приведены выражения для оценки Δ2 для различных базисов. Составляющие методической погрешности аппроксимации нормированной спектральной плотности мощности ортогональными функциями Таблица 7.8 №
1
92
ψ k (τ ,γ / α )
Δ2
Lk (τ ,α )
1 m ⎡ k⎤ 1 4 − / β k (− 1) ⎥ ∑ ⎢⎣ α k =0 ⎦ (m + 1) / α
2
2
3
4
5
6
7
8
9
Legk (τ ,α )
Dk (τ ,α )
⎡ 1 m 1 ⎤ − 1 / 4 ∑ βk ⎢ 2α k =0 (2 k + 1)⎥⎦ ⎣ 1 m 1 ∑ 2α k =0 (2 k + 1) k ⎡ ( 1 m − 1) ⎤ ∑ βk ⎢1 / 4 − ⎥ 2α k =0 (k + 1)⎦ ⎣ 1 m 1 ∑ 2α k =0 (k + 1)
2
2
2
Pk( −1 2,0 ) (τ,γ )
⎡ 1 m 1 ⎤ − 1 / 4 ∑ βk ⎢ γ k =0 (4 k + 1)⎥⎦ ⎣ 1 m 1 ∑ γ k =0 (4 k + 1)
2
Pk( 1 2,0 ) (τ ,γ )
⎡ 1 m 1 ⎤ − 1 / 4 β ∑ k ⎢ γ k =0 (4 k + 3)⎥⎦ ⎣ 1 m 1 ∑ γ k =0 (4 k + 3)
2
Pk( 1,0 ) (τ ,γ )
⎡ 1 m 1 ⎤ − 1 / 4 β ∑ k ⎢ 2γ k =0 (k + 1)⎥⎦ ⎣ 1 m 1 ∑ 2γ k =0 (k + 1)
Pk( 2,0 ) (τ ,γ )
1 m 1 ⎤ ⎡ 1 / 4 β − ∑ k ⎢ 2γ k =0 (2 k + 3)⎥⎦ ⎣ 1 m 1 ∑ 2γ k =0 (2 k + 3)
2
Pk( 0,1 ) (τ ,γ )
m ⎡γ β k [(k + 1) mod 2]⎤ − ∑ ⎢ 2 k =0 ⎥ (k + 1)2 1 ⎣ ⎦ m [(k + 1)mod 2] 4γ ∑ (k + 1) k =0
Pk( 0,2 ) (τ ,γ )
k 2 m ⎡γ β k (− 1) [(k + 2 ) div 2] ⎤ ⎢ −∑ (k + 1)2 (k + 2 )2 ⎥⎦ 2 ⎣ 8 k =0 m γ [(k + 2 ) div 2]4 (2k + 3) ∑ k =0 (k + 1)2 (k + 2 )2
2
2
93
10
11
L(k1 ) (τ ,γ )
⎡γ m βk [(k + 1) mod 2]⎤ −∑ ⎥ (k + 1) 1 ⎢⎣ 4 k =0 ⎦ 2 m [(k + 1) mod 2] γ ∑ (k + 1) k =0
L(k2 ) (τ ,γ )
m β k [(k + 2 ) div 2]⎤ ⎡γ − ∑ ⎢ 4 ⎣ 8 k =0 (k + 1)(k + 2 ) ⎥⎦ m γ3 [(k + 2 ) div 2]2 ∑ k =0 (k + 1)(k + 2 )
2
2
7.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции, показателя колебательности μ , воспользовавшись средствами Mathcad найти выражения для оценки α , коэффициентов разложения {β k }k =0 ,...m и δ min (α , m ) (см. лабораторную работу 5). 2. Найти модель спектральной плотности мощности для определенных параметров нормированной корреляционной функции, проверить условие нормировки. 3. Найти модель спектральной плотности мощности для параметров {bk }k =0 ,...m нормированной корреляционной функции, проверить условие нормировки. 4. Для той же модели спектральной модели плотности мощности определить корректирующие коэффициенты ζ k и построить ортогональную модель спектральной плотности мощности. Проверить условие нормировки. 5. Оформить отчет. 7.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Основные соотношения. 6. Результаты расчета, представленные в графической форме. 7. Выводы. Пример выполнения лабораторной работы 7 приведен в Приложении 13. 7.4. Контрольные вопросы 1. Что такое условие нормировки для спектральной плотности мощности? 2. Из каких соображений определяются корректирующие коэффициенты? 3. Почему необходимо правильно выбирать интервал дискретизации спектральной плотности мощности? Каким образом? 4. Какие способы аппроксимации спектральной плотности мощности в ортогональных базисах существуют? В чем их суть? 94
8. ОРТОГОНАЛЬНЫЕ МОДЕЛИ СПЕКТРАЛЬНЫХ ФУНКЦИЙ изучение методов и приобретение практических навыков при аппроксимации спектральных функций случайных процессов ортогональными функциями.
Цель работы:
8.1. Теоретические основы лабораторной работы Определим спектральную функцию по аналогии с функцией распределения в виде ω
F (ω ) = ∫ S (ω )dω . x
(8.1)
x
0
Спектральная функция позволяет определить мощность процесса в заданном диапазоне частот P(ω1 ,ω 2 ) = Fx (ω 2 ) − Fx (ω1 ) . Аналитические выражения спектральной плотности мощности для типовых моделей корреляционных функций представлены в таблице 8.1. Спектральная плотность мощности Таблица 8.1
S x (ω ) =
K x (τ )
σ e 2 x
)
σ x2 e −α τ (1 − α τ
)
σ x2 e −α τ (1 + α τ + α 2τ 2 / 3) σ e 2 x
−α τ
⎛
σ e 2 x
−α τ
σ e 2 x
⎞ ⎟⎟ ⎝ ⎠ ⎛ ⎞ α ⎜⎜ Cosω0τ − Sinω0 τ ⎟⎟ ω0 ⎝ ⎠
−α τ
α Sinω0 τ ω0
(Cosω τ + cSinω τ ) 0
x
− jωτ
dτ
−∞
⎡ ⎤ 1 1 + ⎢ 2 2 2 ⎥ 2 ⎣α + (ω − ω0 ) α + (ω + ω0 ) ⎦ 2σ x2α (α 2 + ω 02 ) 2 2 π α 2 + (ω − ω0 ) α 2 + (ω + ω0 )
σ x2α 2π
Cosω0τ
σ x2 e −α τ ⎜⎜ Cosω0τ +
∫ K (τ )e
σ x2α π (α 2 + ω 2 ) 2σ x2α 3 2 π (α 2 + ω 2 ) 2σ x2αω 2 2 π (α 2 + ω 2 ) 8σ x2α 5 3 3π (α 2 + ω 2 )
−α τ
σ x2 e −α τ (1 + α τ
1 2π
∞
0
[ [
][
]
2σ x2αω 2
][
π α 2 + (ω − ω0 ) α 2 + (ω + ω0 ) 2
2
]
σ x2 [α (α 2 + ω 2 + ω02 ) + cω0 (α 2 − ω 2 + ω02 )] 2 2 π α 2 + (ω − ω0 ) α 2 + (ω + ω0 )
[
][
]
95
Более удобные выражения спектральной плотности мощности для нахождения спектральной функции (интегрирования), представлены в таблице 8.2. Спектральные плотности мощности № модели КФ
S x (ω )
1
σ cos 2 ϕ λπ
Таблица 8.2
ϕ
2 x
σ x2 cos 2 ϕ (1 ± cos 2ϕ ) λπ
2, 3
σ x2 λπ
4
6, 7
ω λ
2 ⎡ 2 ⎤ 3 ⎢⎣cos ϕ (1 + cos 2ϕ ) + 3 cos ϕ cos 3ϕ ⎥⎦
σ x2 (cos 2 ϕ 1 + cos 2 ϕ 2 ) 2λπ σ x2 ⎛ cos 2 ϕ 1 + cos 2 ϕ 2 sin 2ϕ 1 − sin 2ϕ 2 ⎞ ⎜ ⎟⎟ ± 2π ⎜⎝ λ 2ω0 ⎠
5
arctg
ω + ω0 λ ω − ω0 ϕ 2 = arctg λ ϕ 1 = arctg
Спектральные функции для типовых моделей КФ с учетом принятых обозначений представлены в таблице 8.3. Спектральные функции № модели КФ
Fx (ω )
1
σ x2 ϕ π
Таблица 8.3
σ x2 ⎛ sin 2ϕ ⎞ ⎜ϕ ± ⎟ 2 ⎠ π ⎝ σ x2 ⎛ 2 sin 2ϕ sin 4ϕ ⎞ + ⎜ϕ + ⎟ 3 12 ⎠ π ⎝ σ x2 (ϕ 1 + ϕ 2 ) 2π σ x2 ⎛ λ ⎜⎜ ϕ 1 + ϕ 2 m (ln cos ϕ 1 − ln cos ϕ 2 )⎞⎟⎟ 2π ⎝ ω0 ⎠
2, 3 4 5 6, 7
Представив модель спектральной плотности в ортогональном базисе Лагерра в виде [21]
S x (ω ) = где
m
∑b k =0
96
k
2σ x2 cos ϕ
= 1;
απ
m
∑ b (− 1) k =0
k
k
cos(2 k + 1)ϕ ,
(8.2)
ϕ = arctg
2ω
α
,
получим ω
Fx (ω ) = ∫ S x (ω )dω = 0
(8.3)
2σ x2
απ
m
ω
∑ bk (− 1) ∫ cos ϕ cos(2k + 1)ϕ dω . k =0
k
(8.4)
0
Из выражения (8.3), следует, что
ω=
α
2
tgϕ .
Отсюда
dω =
α
2 cos 2 ϕ
dϕ .
Следовательно
ϕ σ x2 m k cos (2 k + 1)ϕ Fx (ω ) = ∑ b (− 1) ∫ cos ϕ dϕ . π k =0 k 0
(8.5)
В соответствии с 2.539.7 [5]
ϕ , если k = 0; ⎧⎪ cos(2 k + 1)ϕ k J =∫ dϕ = ⎨ k − s sin 2 sϕ k ( ) 2 1 − + (− 1) ϕ , если k > 0. cos ϕ ∑ 0 ⎪⎩ s =1 2s ϕ
(8.6)
Подставив (8.6) в (8.5), получим
σ x2 Fx (ω ) = π
m k ⎡ s sin 2 sϕ ⎤ ( ) + − . 2 b 1 ϕ ∑ ∑ k ⎢⎣ 2 s ⎥⎦ k =1 s =1 Отметим, что при ϕ = 0 Fx (ω ) = 0 , а при ϕ = π / 2 Fx (ω ) = σ x2 .
(8.7)
Результаты определения функции спектра для различных моделей в ортогональном базисе Лагерра приведены на рис. 8.1 (σ x2 = 1).
Рисунок 8.1 - Спектральные функции для различных моделей в ортогональном базисе Лагерра
Следует отметить, что спектральную функцию для других ортогональных базисов без биномиальных коэффициентов определить невозможно. Это объясняется тем, что в отличие от ортогональных функций Лагерра у других ортогональных функций экспоненциального типа норма не постоянна, а зависит от порядка функции. 97
Выражения спектральной плотности мощности в ортогональных базисах Сонина-Лагерра приведены в таблице 8.3, а соответствующие им спектральные функции – в таблице – в таблице 8.4. Ортогональные модели спектральных плотностей мощности в базисе Сонина-Лагерра № ψ k (τ ,γ )
L(k1 ) (τ ,γ )
1 2
L(k2 ) (τ ,γ )
Таблица 8.3
ϕ
S x (ω )
2σ x2 cos ϕ
k bk s C kk+−1s (− 2 ) cos s ϕ cos(s + 1)ϕ ∑ ∑ πγ k =0 ( k + 1 ) s =0 2 k m 4σ x cosϕ bk s Ckk+−2s (− 2) cos s ϕ cos(s + 1)ϕ ∑ ∑ πγ k =0 ( k + 1 )( k + 2 ) s =0 m
arctg
2ω
γ
Ортогональные модели спектральных функций в базисе Сонина-Лагерра Таблица 8.4 ϕ Fx (ω ) № ψ k (τ ,γ ) (1) k
L
1 2
s m ⎤ bk k k − s (− 2 ) 1⎡ C k +1 cos s ϕ sin sϕ ⎥ ∑ ⎢ϕ + ∑ π⎣ s k =1 k + 1 s =1 ⎦ s k bk (− 2 ) cos s ϕ sin sϕ ⎤ 2 ⎡ϕ m + C kk+−2s ∑ ∑ ⎢ ⎥ π ⎣ 2 k =1 ( k + 1 )( k + 2 ) s =1 s ⎦
(τ ,γ )
L(k2 ) (τ ,γ )
arctg
2ω
γ
Для определения ортогональных моделей спектральной функции в ортогональных базисах Лежандра, Дирихле и Якоби воспользуемся другим представлением спектральной плотности мощности. Так как
S a (ω ) =
σ x2 π
m
∑b k =0
k
ReWk ( jω ) ,
а для ортогональных функций Лежандра, Дирихле и Якоби k
ReWk ( jω ) = ∑ Ak ,s s =0
1/ 2ψ s 1/ 4ψ s
4
2
+ω2
,
выражения для ортогональных моделей спектральной плотности мощности представим в виде (см. таблицу 8.5). Соответствующие им модели спектральных функций представлены в таблице 8.6. Ортогональные модели спектральных плотностей мощности в базисах Лежандра, Дирихле, Якоби №
98
ψ k (τ ,α / γ )
1
Leg k ( τ , α )
2
Dk ( τ , α )
S x (ω )
Таблица 8.5
σ m k s s α (2 s + 1) bk ∑ C k C k + s ( −1 )s 2 ∑ 2 π k =0 s =0 α (2 s + 1) + ω 2 σ x2 m k s s +1 α (s + 1) bk ∑ C k C k + s +1 ( −1 )k − s 2 ∑ 2 π k =0 s =0 α (s + 1) + ω 2 2 x
( −1 / 2 ,0 )
3
Pk
4
Pk
(1 / 2 ,0 )
(τ ,γ )
(τ ,γ )
5
Pk
(1 ,0 )
(τ ,γ )
6
Pk
(0 ,0 )
(τ ,γ )
7
Pk
( 2 ,0 )
(τ ,γ )
8
Pk
(0 ,1 )
(τ ,γ )
9
Pk
(0 ,2 )
(τ ,γ )
10
Tk (τ ,γ )
11
U k (τ ,γ )
σ x2 m k s s −1 2 γ (4 s + 1) / 2 s bk ∑ C k C k + s −1 2 (− 1) 2 ∑ 2 π k =0 s =0 γ (4 s + 1) / 4 + ω 2 k σ x2 m γ (4 s + 3) / 2 s bk ∑ C ks C ks++s1+21 2 (− 1) 2 ∑ 2 π k =0 s = 0 γ (4 s + 3) / 4 + ω 2 σ x2 m k s s +1 γ (s + 1) s bk ∑ C k C k + s +1 (− 1) 2 ∑ 2 π k =0 s =0 γ (s + 1) + ω 2 k σ x2 m γ (2 s + 1) s bk ∑ C ks C ks+ s (− 1) 2 ∑ 2 π k =0 s = 0 γ (2 s + 1) + ω 2 k σ x2 m s s+2 ( )s 2 γ (2 s +23) 2 b ∑ k ∑ Ck Ck + s+2 − 1 π k =0 s = 0 γ (2 s + 3) + ω 2 m bk k s s σx γ (2s + 1) s Ck Ck +s+1 (− 1) 2 ∑ ∑ 2 π k =0 (k + 1) s=0 γ (2s + 1) + ω 2 k 2σ x2 m bk γ (2s + 1) s Cks Cks+s+2 (− 1) 2 ∑ ∑ 2 π k =0 (k + 1)(k + 2) s=0 γ (2s + 1) + ω 2 σ x2 m ⎧ γ bk 2 , k = 0, ∑ ⎪⎪ π k =0 γ + ω2 ⎨σ 2 m k k (2(k − s) + 1)γ , k ≠ 0 k −s ⎪ x ∑bk ∑ C2sk −s (− 4) 2 2 ⎪⎩ π k =0 s=0 2k − s γ (2(k − s) + 1) + ω2 σ x2 m bk k s (2(k − s ) + 1)γ k −s C 2 k − s +1 (− 4 ) ∑ ∑ 2 π k =0 k + 1 s =0 γ 2 (2(k − s ) + 1) + ω 2
Ортогональные модели спектральных функций в базисах Лежандра, Дирихле и Якоби №
ψ k (τ ,α / γ )
1
Leg k ( τ , α )
2
Dk ( τ , α ) ( −1 / 2 ,0 )
3
Pk
4
Pk
(1 / 2 ,0 )
(τ ,γ )
(τ ,γ )
5
Pk
(1 ,0 )
(τ ,γ )
6
Pk
(0 ,0 )
(τ ,γ )
Fx (ω )
Таблица 8.6
k σ m ω b C ks C ks+ s ( −1 ) s arctg ∑ k∑ π k =0 s = 0 α (2 s + 1) 2 m k σx ω b C ks C ks++s1+1 ( −1 )k − s arctg ∑ k∑ π k =0 s =0 α (s + 1) 2 m k σx 2ω s b C ks C ks+−1s −21 2 (− 1) arctg ∑ k∑ π k = 0 s =0 γ (4 s + 1) 2 m k σx 2ω s b C ks C ks++s1+21 2 (− 1) arctg ∑ k∑ π k =0 s = 0 γ (4 s + 3) 2 m k σx ω s bk ∑ C ks C ks++s1+1 (− 1) arctg ∑ π k = 0 s =0 γ (s + 1) 2 m k σx ω s bk ∑ C ks C ks+ s (− 1) arctg ∑ π k =0 s =0 γ (2 s + 1) 2 x
99
Pk
7
( 2 ,0 )
σ x2 π
(τ ,γ )
8
Pk( 0,1 ) (τ ,γ )
9
Pk( 0,2 ) (τ ,γ )
10
Tk (τ ,γ )
11
U k (τ ,γ )
m
k
∑b ∑C
s k
C ks++s2+ 2 (− 1) arctg s
ω
γ (2 s + 3) 1 m bk k s s ω s C k C k + s +1 (− 1) arctg ∑ ∑ π k =0 k + 1 s =0 γ (2 s + 1) k bk ω 1 m s C ks C ks+ s + 2 (− 1) arctg ∑ ∑ π k =0 (k + 1)(k + 2 ) s =0 γ (2 s + 1) k =0
k
s =0
⎧ σ x2 m ⎛ω ⎞ bk arctg⎜⎜ ⎟⎟, k = 0, ∑ ⎪ π k =0 ⎪ ⎝γ ⎠ ⎨ 2 m k ⎞ ω ⎪σ x ∑bk ∑ k C2sk −s (− 4)k −s arctg⎛⎜ ⎜ γ (2(k − s) + 1) ⎟⎟, k ≠ 0 ⎪⎩ π k =0 s=0 2k − s ⎝ ⎠ σ x2 m bk k s ⎛ ⎞ ω k −s C 2 k − s +1 (− 4 ) arctg ⎜ ⎟ ∑ ∑ ( ( ) ) − + π k =0 k + 1 s =0 γ 2 k s 1 ⎝ ⎠
Недостатком такого представления, является то, что спектральную плотность мощности и спектральные функции нельзя определить для большого числа членов разложения ряда m . На рис. 8.2 - приведены результаты определения спектральной функции для ρ x ,5 (τ ) в ортогональных базисах Лежандра и Дирихле (σ x2 = 1). 0.5
0.5
0.42
0.42
0.33
0.33
F5( ω ) 0.25
F5( ω ) 0.25
0.17
0.17
0.083
0.083
0
0 3.33 6.67 10 13.3316.67 20
0
0 3.33 6.67 10 13.3316.67 20
ω
ω
Рисунок 8.2 - Спектральные функции для ρ x ,5 (τ ) в ортогональных базисах Лежандра и Дирихле
8.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции и её параметров, воспользовавшись средствами Mathcad, найти численное значение параметра масштаба α , коэффициентов разложения {bk }k =0 ,...m (см. лабораторную работу 6). 2. Построить спектральную функцию и её ортогональную модель. 3. Найти приведенную погрешность определения спектральной функции её ортогональной моделью, построить график. 4. Оформить отчет.
100
8.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Основные соотношения. 6. Результаты расчета, представленные в графической форме. 7. Выводы. Пример выполнения лабораторной работы 8 приведен в Приложении 14. 8.4. Контрольные вопросы 1. Поясните физический смысл спектральной функции. Чему равно значение спектральной функции при ω → ∞ ? 2. 3. Существует ли условие нормировки для спектральной функции? В чем оно выражается? 4. По аналогии с какой вероятностной характеристикой введено понятие спектральной функции? 5. По какой причине ограничено использование спектральной функции и ее ортогональной модели при решении ряда задач?
101
9. ОРТОГОНАЛЬНЫЕ МОДЕЛИ ОБОБЩЕННЫХ КОРРЕЛЯЦИОННОСПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК изучение методов и приобретение практических навыков при аппроксимативном анализе корреляционно-спектральных характеристик случайных процессов ортогональными функциями.
Цель работы:
9.1. Теоретические основы лабораторной работы По найденной корреляционной функции возможно определение обобщенных корреляционных характеристик. К ним относятся [21, 48]: • показатель колебательности, равный числу пересечений «нуля» корреляционной функцией и используемый при оценке интервала дискретизации случайного процесса, метрологическом анализе результатов оценивания вероятностных характеристик; • интервалы корреляции, определяющие длительность существования корреляционной функции; • корреляционные моменты, вводимые по аналогии с начальными моментами законов распределения и используемые, например, для идентификации процесса по виду корреляционной функции. Обобщенные корреляционные характеристики широко применяются при решении разнообразных прикладных задач, связанных с: • определением интервала дискретизации исследуемых процессов при цифровых методах анализа; • идентификацией случайного процесса по виду корреляционной функции; • метрологическим анализом результатов измерения вероятностных характеристик с целью получения оценок сверху, инвариантных к виду корреляционной функции исследуемого процесса. Существуют различные способы определения интервалов корреляции, имеющие один и тот же физический смысл – длительность существования корреляционной функции. Максимальный интервал корреляции τ k(1 ) = τ k max определяется в результате решения уравнения (см. таблицу 9.1): ρ ( τ ≥ τ k max ) ≤ Δ , (9.1) где Δ – заданное значение, принимаемое, как правило, равным 0,01; 0,02; 0,05. То есть под максимальным интервалом корреляции понимается временной интервал от начала координат до точки пересечения с линиями Δ или − Δ , после которой нормированная корреляционная функция не выходит из коридора [− Δ ,Δ ]. На рисунке 9.1 поясняется, каким образом определяется максимальный интервал корреляции для колебательной модели корреляционной функции −λ τ ρ x (τ ,λ5 ,ω0 ,5 ) = e cos(ω0 ,5τ ) при λ5 = 1 , ω0 ,5 = 5 , Δ = 0 ,05 . 5
102
Δ −Δ
ρ x (τ )
τ k max
τ Рисунок 9.1 - Максимальный интервал корреляции
Аналитические выражения τ k max для типовых моделей ρ x (τ , λi , ω 0 ,i ) приведены в таблице 9.1. Максимальные интервалы корреляции типовых моделей корреляционных функций Вид модели ρ x (τ ,λi ,ω0 ,i )
Δ = 0 ,01 Δ = 0 ,02 4 ,61 α 3,92 α 6 ,64 α 5 ,84 α
Δ = 0 ,05 3α 4 ,75 α
6 ,27 α
5 ,40 α
4 ,14 α
8 ,03 α
7 ,14 α
5 ,92 α
4 ,61 α
3 ,92 α
3α
6
4 ,61 α
3 ,92 α
3α
7
4 ,61 α
3 ,92 α
3α
№
− λ1 τ
1 − λ2 τ
2
e
3
e−λ
3
e
4 5 6 7
Таблица 9.1
τ
e (1 + λ2 τ
) (1 − λ τ ) 3
λ24τ 2 ⎞ ⎛ + + 1 λ τ ⎜ ⎟ 4 3 ⎠ ⎝ −λ τ e cos(ω0 ,5τ )
− λ4 τ
5
⎛ ⎞ λ e −λ τ ⎜⎜ cos(ω0 ,6τ ) + 6 sin(ω0 ,6 τ )⎟⎟ ω0 ,6 ⎝ ⎠ ⎛ ⎞ λ e −λ τ ⎜⎜ cos(ω0 ,7τ ) − 7 sin(ω0 ,7 τ )⎟⎟ ω0 ,7 ⎝ ⎠
Часто под интервалом корреляции понимается основание прямоугольника с высотой, равной единице, площадь которого равновелика площади фигуры, определяемой нормированной КФ [48, 49]: ∞
τ k( 2 ) = ∫ ρ( τ )dτ .
(9.2)
0
Графическая интерпретация величины τ k( 2 ) дана на рисунке 9.2. 103
ρ x (τ )
τ k( 2 )
τ (2 )
Рисунок 9.2 - Интервал корреляции τ k
Отметим, что для некоторого класса процессов τ k( 2 ) = 0 (например, для колебательных моделей, площадь положительной и отрицательной части которых равна), что свидетельствует об отсутствии корреляции между сечениями процесса. Однако это не так, корреляция есть, и это подтверждает τ k max > 0 . Следовательно, при оценке
длительности существования корреляционной функции интервал корреляции τ k( 2 ) целесообразно применять лишь при анализе случайных процессов с монотонными корреляционными функциями. Для устранения отмеченного недостатка в [48] были предложены следующие определения интервалов корреляции: ∞
τ k(3 ) = ∫ ρ x ( τ ) dτ ,
(9.3)
τ k(4 ) = ∫ ρ 2 x ( τ )dτ .
(9.4)
0 ∞
0
Графическая интерпретация величины τ k(3 ) приведена на рисунке 9.3.
ρ x (τ ) τ k( 3)
τ
(3 )
Рисунок 9.3 - Интервал корреляции τ k 104
Анализ выражений (1.131) и (1.133) показывает, что аналитическая оценка длительности существования корреляционной функции затруднена, особенно для колебательных моделей корреляционных функций. От этого недостатка свободно определение τ k( 4 ) . Поэтому, несмотря на то, что τ k(4 ) дает заниженные результаты, в технических приложениях он применяется значительно чаще, чем τ k( 3 ) . Значения интервалов
корреляции τ k( 2 ) и τ k( 4 ) для типовых моделей корреляционных функций приведены в таблице 9.2. Интервалы корреляции для типовых моделей корреляционных функций Таблица 9.2 (2 ) (4 ) Вид модели ρ x (τ ,λi ,ω0 ,i ) τk τk № 1
e
2
e −λ
3
e e
4
− λ4 τ
e
5 6 7
2
λ1 2
(1 + λ τ )
τ
λ2
2
(1 − λ τ )
− λ3 τ
0
3
λ24τ 2 ⎛ ⎜⎜ 1 + λ4 τ + 3 ⎝
⎞ ⎟⎟ ⎠
cos(ω 0 ,5τ )
− λ5 τ
1 2 λ1 5 4λ2 1 4 λ3
1
− λ1 τ
⎞ ⎛ λ ⎜ cos(ω0 ,6τ ) + 6 sin(ω0 ,6 τ )⎟ e ⎟ ⎜ ω0 ,6 ⎠ ⎝ ⎛ ⎞ λ e −λ τ ⎜⎜ cos(ω0 ,7τ ) − 7 sin(ω0 ,7 τ )⎟⎟ ω0 ,7 ⎝ ⎠ − λ6 τ
7
7 4 λ4 2 2λ 5 + ω 02,5 4λ 5 (λ 25 + ω 02,5 )
8 3λ4
λ5 λ + ω02,5 2 5
5λ62 + ω 02,6
2 λ6 λ62 + ω 02,6
(
4 λ6 λ6 + ω 02,6 2
)
1 4 λ7
0
В таблице 9.3 показано, во сколько раз τ k max больше τ k( 2 ) и τ k( 4 ) ( Δ = 0 ,05 ).
№
Вид модели ρ x (τ , λi ,ω 0 ,i ) − λ1 τ
1
2,375
3,8
∞
16,56
λ2τ 2 ⎞ ⎛ ⎜⎜ 1 + λ 4 τ + 4 ⎟⎟ 3 ⎠ ⎝
2,22
3,38
cos(ω 0 ,5τ )
3( 1 + μ )
3
e −λ
4 5
e
τ k max /τ k(4 ) 6
e
− λ4 τ
τ k max /τ k
Таблица 9.3
3
− λ2
2
e
(2 )
3
e τ (1 + λ2 τ τ
− λ5 τ
(1 − λ
3
) τ)
2 5
2(1 + μ 52 ) 2 + μ 52
105
6 7
⎛ ⎞ λ ⎜ cos(ω0 ,6τ ) + 6 sin(ω0 ,6 τ )⎟ e ⎜ ⎟ ω0 ,6 ⎝ ⎠ ⎛ ⎞ λ e −λ τ ⎜⎜ cos(ω0 ,7τ ) − 7 sin(ω0 ,7 τ )⎟⎟ ω0 ,7 ⎝ ⎠
1,5 (1 + μ
− λ6 τ
2 6
12(1 + μ 62 ) (5 + μ62 )
)
∞
7
12
Отсюда видно, что τ k( 2 ) и τ k( 4 ) дают сильно заниженный результат по сравнению с τ k max . 9.1.1. Интервалы корреляции Определив параметры модели корреляционной функции в ортогональном базисе в виде (5.13) и воспользовавшись определением корреляционных характеристик, можно найти их аналитические выражения, содержащие только параметры модели. ^
Так выражение для оценки τ ^
m
∞
m
k =0
0
k =0
(2 ) k
примет вид:
τ (k2 ) ≈ ∑ β k ∫ψ k (τ ,α )dτ =∑ β kWk (0 ) .
(9.5)
Аналитические выражения τ k( 2 ) для различных ортогональных базисов приведены в таблице 9.4. Интервалы корреляции в различных ортогональных базисах №
ψ k (τ ,γ / α )
1
Lk (τ ,α )
τ (k2 ) 2
m
∑ (− 1) α
k
k =0
bk .
2
L(k1 ) (τ ,γ )
b [(k + 1) mod 2] ∑ γ k +1
3
L(k2 ) (τ ,γ )
b [(k + 2 ) div 2] ∑ γ (k + 1)(k + 2 )
4 5
106
Таблица 9.4 ^
Legk (τ ,α )
Dk (τ ,α )
2
m
k
k =0
4
m
k
k =0
1
1
m
∑ b (2k + 1) α (− 1) 1 b ∑ (k + 1) α k =0
k
k
m
k
k =0
2
bk
m
6
Pk( −1 2,0 ) (τ,γ )
∑ γ (4 k + 1)
7
Pk( 1 2,0 ) (τ ,γ )
2
( 1,0 ) k
(τ ,γ )
8
P
9
Pk( 2,0 ) (τ ,γ )
k =0
bk
m
∑ γ (4 k + 3) k =0
1
1
m
∑ b (k + 1) γ k
k =0
1
1
m
∑ b (2k + 3) γ k =0
k
( 0 ,1 ) k
P
10
( 0 ,2 ) k
P
11
b [(k + 1) mod 2] ∑ γ (k + 1) 1
(τ ,γ )
m
k
2
k =0
bk (− 1) [(k + 2 ) div 2]2 ∑ 2 2 γ k =0 (k + 1) (k + 2 ) 4
(τ ,γ )
k
m
Конечное число членов разложения ряда (5.13) m приводит к погрешности от смещенности в определении интервала корреляции, которую оценим в соответствии с выражением: ^
τ (k2 ) − τ k( 2 ) γ см = . τ k( 2 )
(9.6)
Определим погрешность от смещенности, в качестве примера, для ортогонального базиса Лагерра (частное сообщение Волкова И.И.). Для НКФ
ρ x1 ( τ ) = e − λ τ τ ( ) = 1 , а коэффициенты разложения [22, 23] 2
k
λ
k
βk =
α ⎛ λ −α / 2 ⎞ ⎜ ⎟ . λ +α / 2 ⎝λ +α / 2⎠
(9.7)
Подставив выражение (9.3) в (9.1), получим ^ (2 )
τk
⎛α / 2 − λ ⎞ 1−⎜ ⎟ k m 2 α α / 2+λ⎠ ⎛ λ −α / 2 ⎞ ⎝ k = ⋅∑ ⋅⎜ ⎟ ( −1 ) = α k =0 λ + α / 2 ⎝ λ + α / 2 ⎠ λ
m +1
.
(9.8)
Погрешность от смещенности в соответствии с (9.2) примет вид:
γ см
⎛α / 2 − λ ⎞ = −⎜ ⎟ ⎝α / 2 + λ ⎠
m +1
.
(9.9)
При произвольном значении α γ см может принимать достаточно большое значение. Определим α в результате решения уравнения β 0 = 1 [22, 23]. Отсюда α = 2λ . (9.10) Погрешность от смещенности в этом случае: γ см = 0 . Таким образом, выбор параметра α для данной модели дает возможность получить принципиально нулевую погрешность. Для второй типовой модели ρ x 2 ( τ ) = e
−λ τ
(1 + λ τ ) τ ( ) = 2 , 2
k
λ
k −1
βk =
⎫ α αλ ⎛ λ − α / 2 ⎞ ⎧ λ − α / 2 2λ + α / 2 ⋅⎜ ⋅ −k , (9.11) ⎟ ⎨ 2 ⎬ λ + α / 2 ⎝ λ + α / 2 ⎠ ⎩λ + α / 2 λ + α / 2 (λ + α / 2 ) ⎭
(m + 1)α ⎛ α / 2 − λ ⎞ , τ − ⎜ ⎟ (α / 2 + λ ) ⎝ α / 2 + λ ⎠ (m + 1)αλ ⎤ . 1 ⎛α / 2 − λ ⎞ ⎡ γ =− ⎜ ⎟ ⎢α / 2 − λ + α / 2 + λ ⎝α / 2 + λ ⎠ ⎣ 2(α / 2 + λ )⎥⎦ ^ (2 ) k
2 ⎛α / 2 − λ ⎞ = − ⎜ ⎟ λ λ ⎝α / 2 + λ ⎠ 2
m +1
m
2
(9.12)
m
см
(9.13)
107
Найдем α из условия β 0 = 1 - α = 2λ получим:
γ см = −
(
(m − 1) (− 1)
m
)
2 2 +1
m +1
(
)
2 − 1 [22, 23]. Подставив α в (9.13),
.
(9.14)
Если m=1 γ см =0. При m→∞ γ→0. Погрешность γ см , как следует из (9.14), достигает минимума при
1 1 , γ см min = < 1. ln 1 + 2 2e 3 + 2 2 ln 1 + 2 −λ τ Для третьей типовой модели ρ x 3 ( τ ) = e (1 − λ τ ) τ k( 2 ) =0, n = 1+
(
)
^ (2 ) k
) (
)
k −1 ⎡⎛ λ − α / 2 ⎞ k 2kλ ⎛ λ − α / 2 ⎞ ⎤ ⎟ + ⎜ ⎟ ⎥, ⎢⎜ ( ) + + + λ α / 2 λ α / 2 λ α / 2 ⎠ ⎝ ⎠ ⎦ ⎣⎝
α2 / 2 βk = (λ + α / 2 )2
(m + 1)α τ = (λ + α / 2 )
(
(9.15)
⎛α / 2 − λ ⎞ ⋅⎜ ⎟ . α / 2 + λ ⎝ ⎠ m
2
(9.16) ^ (2 )
Нетрудно видеть, что при произвольном α τ k ≠ 0 . Найдем α из условия β 0 = 1 - α = 2λ 1 + 2 [22, 23]. Величина оценки интервала корреляции в этом случае будет равна:
(
^
τ
(2 ) k
=
1
)
m+1
(9.17)
λ ( 2 + 1)m+1 ^
Как следует из (9.17) при m→∞ τ → 0 , то есть оценка стремится к идеальной. Для типовой модели ρ x 5 (τ ) = e
−λ τ
cos ω0τ τ k( 2 ) =
λ
λ + ω02 2
,
k
k
⎛ λ − α / 2 − jω0 ⎞ ⎛ λ − α / 2 + jω0 ⎞ α/2 α/2 ⎜⎜ ⎟⎟ + ⎜ ⎟ , (9.18) βk = λ + α / 2 − jω0 ⎝ λ + α / 2 + jω0 ⎠ λ + α / 2 + jω0 ⎜⎝ λ + α / 2 + jω0 ⎟⎠
λ 1 ⎡ 1 ⎛ α / 2 − λ + jω0 ⎞ ⎟ ⎜ τk = 2 2− ⎢ λ + ω0 2 ⎢⎣λ − jω0 ⎜⎝ α / 2 + λ − jω0 ⎟⎠ ^
m+1
( 2)
1 ⎛ α / 2 − λ − jω0 ⎞ ⎟ ⎜ + λ + jω0 ⎜⎝ α / 2 + λ + jω0 ⎟⎠
m+1
⎤ ⎥ (9.19) ⎥⎦
Погрешность от смещенности равна:
γ см
m +1 m +1 ⎛ α / 2 − λ + jω0 ⎞ ⎛ α / 2 − λ − jω0 ⎞ ⎤ 1 ⎡ ⎟⎟ + (λ − jω0 )⎜⎜ ⎟⎟ ⎥ (9.20) = ⎢(λ + jω0 )⎜⎜ 2λ ⎢⎣ α / 2 λ j ω α / 2 λ j ω + − + + ⎥⎦ 0 ⎠ 0 ⎠ ⎝ ⎝
Найдем α из условия β 0 = 1 - α = 2 λ2 + ω02 [22,23]. В результате получим:
γ см
ω0 jm + 1 ⎛⎜ = 2λ ⎜⎝ λ + λ2 + ω02
⎞ ⎟ ⎟ ⎠
m +1
[λ + jω
0
+ (− 1)
m +1
λ − (− 1)
m +1
jω 0
]
(9.21)
Величина погрешности γ см , как видно из (9.21), зависит от того, четным или нечетным будет число m. При m=2n, получим: 108
γ см = (− 1)
n +1
ω0 ⎛⎜ ω0 λ ⎜⎝ λ + λ2 + ω02
а при нечетном m=2n+1:
γ см где ξ =
⎛ ω0 n +1 = (− 1) ⎜ ⎜ λ + λ2 + ω 2 0 ⎝
ω0
λ +ω 2
⎞ ⎟ ⎟ ⎠
⎞ ⎟ ⎟ ⎠
2 n +1
2 ( n +1 )
= (− 1)
n +1
⎛ ξ ⎜ 1 − ξ 2 ⎜⎝ 1 + 1 − ξ 2
ξ
⎛ ξ n +1 = (− 1) ⎜ ⎜1+ 1−ξ 2 ⎝
⎞ ⎟ ⎟ ⎠
⎞ ⎟ ⎟ ⎠
2 n +1
(9.22)
2 ( n +1 )
(9.23)
, 0 ≤ ξ ≤ 1.
2 0
Формулы (9.22) и (9.23) можно представить в виде: n ⎧ n +1 1 − ψ ⎛ 1 − ψ ⎞ ⎜ ⎟ ⎪γ см = (− 1) ψ ⎜⎝ 1 + ψ ⎟⎠ ⎪ ⎨ n +1 ⎪ γ = (− 1)n +1 ⎛⎜ 1 − ψ ⎞⎟ ⎜ 1 +ψ ⎟ ⎪⎩ см ⎝ ⎠
λ
где ψ =
λ +ω 2
2 0
(9.24)
, 0 ≤ψ ≤ 1. ^
Анализ погрешности от смещенности оценки τ (k2 ) показывает, что при n→∞ γ см → 0 . Однако при четном m погрешность от смещенности стремится к бесконечности при λ→1 (ψ→0), то есть при большом показателе колебательности корреляционной функции. Поэтому, с точки зрения повышения точности необходимо выбирать m=2n+1. Аналогичные рекомендации можно сделать и для других колебательных моделей корреляционных функций. Воспользовавшись определением погрешности аппроксимации корреляционной функции (μ (τ ) = 1) ∞
m
0
k =0
Δ = ∫ K x2 ( τ )dτ − Am2 ∑ β k2 ψ k
2
(9.25)
и выражением (9.4), в качестве оценки интервала корреляции можно принять выражение: m
τ k ≈ ∑ β k2 ψ k . (4 )
2
(9.26)
k =0
Эта оценка будет тем точнее, чем меньше квадратическая погрешность аппроксимации корреляционной функции моделью вида (5.13). Заметим, что анализ этой погрешности и рекомендации по выбору оптимальных значений параметров модели представлен в лабораторной работе 5. 9.1.2. Оценка моментов корреляционных функций Определив начальный момент n-го порядка в виде ∞
μ n = ∫τ n ρ x (τ )dτ ,
(9.27)
0
109
можно показать, что при аппроксимации корреляционных функций ортогональными функциями Лагерра [22, 23] m
μ n = ϕ n (α )∑ (− 1) cnk β k . k
(9.28)
k =0
Рекомендации по выбору параметров модели α , m и β k аналогичны рекомен^
дациям при определении интервала корреляции τ (k2 ) . Выражения для первых четырёх моментов представлены в таблице 9.5. К определению моментов корреляционной функции Таблица 9.5
μn μ0 μ1 μ2 μ3
ϕ n (α )
cnk
2/α
1
4/α2
1+2k
16α3
1+2k+2k2
32/α4
3+8k+6k2+4k3
С учетом (9.21) выражения для корреляционных моментов в ортогональном базисе Лежандра и Дирихле равны: m
n!
k =0
α n +1
μn = ∑ β k m
k
∑C C s =0
μ n = ∑ β k (− 1)
k
k =0
s k
n!
α n +1
(− 1) (2 s + 1) s
s k +s
k
n +1
∑C C s k
s =0
,
(9.29)
(− 1) (s + 1)
s
s +1 k + s +1
n +1
.
(9.30)
9.1.3. Оценка эквивалентной ширины спектра мощности случайного процесса Наиболее часто для процессов, у которых спектральная плотность мощности сосредоточена вблизи нулевой частоты (рис. 9.4 а), Δωэ определяют в виде: ∞
∫ S (ω )dω σ = . Δω = S (0 ) 2S (0 ) 2 x
x
0
э
x
(9.31)
x
Если основная мощность процесса сосредоточена вблизи экстремальной частоты спектральной плотности мощности ωэ (см. рис. 9.4 б), а не в нуле, выражение для оценки эквивалентной ширины примет вид: Δω э′ = ω э + Δω э / 2 . (9.32) Выражения для экстремальной частоты и эквивалентной ширины спектра мощности для типовых моделей корреляционных функций представлены в таблицах 9.6 и 9.7 соответственно.
110
а) б) Рисунок 9.4 - Эквивалентная ширина спектра мощности
Экстремальные частоты Таблица 9.6
№ 1
ρ x (τ )
ωэ
e − λ|τ |
0
2 3 4 5
e − λ|τ | (1 + λ |τ |) e − λ|τ | (1 − λ |τ |) e − λ|τ | (1 + λ |τ | + λ2τ 2 / 3 ) e − λ|τ | cos ω0τ
2ω0 ω02 + α 2 − (ω02 + α 2 )
6
e − λ|τ | (cos ω0τ + λ / ω0 sin ω0 |τ |)
ω02 − α 2
7
e − λ|τ | (cos ω0τ − λ / ω0 sin ω0 |τ |)
ω02 + α 2
0
α 0
Эквивалентная ширина спектра мощности № КФ
Δω э′ = ω э + πα
1
4 5
2
2
πα
2 3
Δω э′
Таблица 9.7
4 α 2 2 + 9π 4 3πα 16 2 π [α + ( ω э − ω0 )2 ][α 2 + ( ω э + ω0 )2 ] ωэ + 4α (α 2 + ω э2 + ω02 )
(
)
111
6
[ ( π [α + ( ω + α +
) ][
(
2
π α 2 + ω02 − α 2 − ω0 α 2 + ω02 − α 2 + ω0 ω −α + 8α (α 2 + ω02 ) 2 0
7
2
ω02 + α 2
2
2 0
2
− ω0
) ][α + ( ω 2
2
8α (α 2 + ω02 )
2 0
+ α 2 + ω0
)] 2
)] 2
Более точно эквивалентную ширину спектра мощности исследуемого сигнала для колебательных моделей КФ можно определить в соответствии с выражением ∞
∫ S (ω )dω x
Δω э = ω э + Δω = ω э + ' э
ωэ
S x (ω э )
.
(9.33)
С учетом определения спектральной функции формула (9.33) преобразуется к виду:
Δω э = ω э +
Fx (∞ ) − Fx (ω э ) 0 ,5 − Fx (ω э ) = ωэ + . S x (ω э ) S x (ω э )
(9.34)
В таблице 9.8 приведены аналитические выражения эквивалентной ширины спектра Δω э' для колебательных моделей КФ, полученные с использованием формулы (9.33), (9.34). Аналитические выражения для оценки эквивалентной ширины спектра Таблица 9.8 ' Δω э № КФ
π⎞ ⎛ 2λ ⎜ 1 + ⎟ 4⎠ ⎝
3
⎡ ⎡ ⎛ ω э − ω0 ⎞ ⎛ ω э + ω0 ⎢ ⎢arctg ⎜ λ ⎟ + arctg ⎜ λ ⎝ ⎠ ⎝ ⎢1 − ⎣ ⎢2 2π ⎢ ωэ + ⎣ S x (ω э )
5
112
[(
) (
[(
) (
⎞⎤ ⎤ ⎟⎥ ⎥ ⎠⎦ ⎥ ⎥ ⎥ ⎦
)]
6
⎡ ⎡ ⎛ ωэ − ω0 ⎞ ⎛ ω + ω ⎞⎤ ⎤ 2 2 2 2 ⎟ + arctg⎜ э 0 ⎟⎥ ⎥ ⎢ λ ln λ + (ωэ − ω0 ) − ln λ + (ωэ + ω0 ) − 2ω0 ⎢arctg⎜ ⎝ λ ⎠ ⎝ λ ⎠⎦ ⎥ ⎣ ⎢1 + ⎢2 ⎥ 4πω0 ⎢ ⎥ ⎣ ⎦ ωэ + Sx (ωэ )
7
⎡ ⎡ ⎛ ωэ − ω0 ⎞ ⎛ ω + ω0 ⎞⎤ ⎤ 2 2 2 2 ⎟ + arctg⎜ э ⎟⎥ ⎥ ⎢ λ ln λ + (ωэ − ω0 ) − ln λ + (ωэ + ω0 ) + 2ω0 ⎢arctg⎜ ⎝ λ ⎠ ⎝ λ ⎠⎦ ⎥ ⎣ ⎢1 − ⎢2 ⎥ 4πω0 ⎢ ⎥ ⎢⎣ ⎥⎦ ωэ + S x (ωэ )
)]
Определим мощность процесса, сосредоточенную в интервале ( 0 ; Δω э' )
Kσ = 2 x
Δω 'э
∫ S ( ω )dω .
(9.35)
x
0
Значения коэффициента K типовых моделей КФ приведены в таблице 9.9. Значения коэффициента мощности ρ x (τ )
Номер модели 1
e
2
e
−λ τ
3
e
−λ τ
4 5 6 7
−λ τ
(1 + λ τ ) (1 − λ τ )
λ2τ 2 ⎞ ⎛ ⎟ e ⎜⎜ 1 + λ τ + ⎟ 3 ⎝ ⎠ −λ τ e cos (ωτ ) λ ⎛ ⎞ e −λ τ ⎜ cos(ωτ ) + sin(ωτ )⎟ ω ⎝ ⎠ λ ⎛ ⎞ e − λ τ ⎜ cos(ωτ ) − sin(ωτ )⎟ ω ⎝ ⎠ −λ τ
Таблица 9.9 K 0,32 0,367 0,33 0,378 0,4 0,436 0,365
Заметим, что коэффициент K это значение нормированной спектральной функции в точке Δω э . На рисунке 9.5 представлена нормированная спектральная функция и соответствующий коэффициент мощности для третьей модели −λ τ ( ρ x ( τ ) = e ( 1 − λ ⋅ | τ |), λ = 1 ). Этому значению K = 0 ,33 соответствует значение эквивалентной ширины спектра мощности Δω э' = 3 ,571 .
Рисунок 9.5 - Спектральная функция и соответствующий коэффициент мощности −λ τ для третьей модели ( ρ x ( τ ) = e ( 1 − λ ⋅ | τ |), λ = 1 )
Рассмотрим еще один способ определения эквивалентной ширины спектра мощности случайного процесса, основанной на применении ортогональной модели спектральной плотности мощности.
113
Представив модель спектральной плотности в ортогональном базисе Лагерра в виде [21]
2σ x2 cos ϕ
S x (ω ) = где ϕ = arctg
2ω
α
απ
m
∑ b (− 1) k =0
k
k
cos(2 k + 1)ϕ ,
,
(9.36) (9.37)
определим эквивалентную ширину спектра мощности в соответствии с определением (9.26). С учетом выражений (9.27) и (9.28) определим ∞
J = ∫ S x (ω )dω = ωэ
2σ x2
απ
m
∞
∑ b (− 1) ∫ cos ϕ cos(2k + 1)ϕ dω . ω k =0
k
k
(9.38)
э
Из выражения (9.37), следует, что
ω=
α
2
tgϕ .
Отсюда
dω =
α
2 cos 2 ϕ
dϕ .
Следовательно,
π/2 σ x2 m cos(2 k + 1)ϕ k J= bk (− 1) ∫ dϕ . ∑ π k =0 cos ϕ ϕ 2ω э . где ϕ э = arctg α
(9.39)
э
В соответствии с 2.539.7 [5]
ϕ + с, если k = 0; ⎧⎪ cos(2k + 1)ϕ k J 1k = ∫ dϕ = ⎨ k − s sin 2 sϕ k ( ) ( ) 2 1 1 ϕ + с, если k > 0. − + − cosϕ ∑ ⎪⎩ s=1 2s
(9.40)
Подставив пределы интегрирования, получим
J 2k =
π/2
∫
ωэ
cos(2 k + 1)ϕ dϕ = cos ϕ
π / 2 − ϕ э , если k = 0; ⎧ ⎪ k =⎨ k k − s sin 2 sϕ э k ( ) ( ) ( ) − − − − − 1 π / 2 2 1 1 ϕ э , если k > 0. ∑ ⎪⎩ 2s s =1 Подставив J 2 в J , получим m k σ 2 ⎡π s sin 2 sϕ э ⎤ J = x ⎢ − ϕ э − 2∑ bk ∑ (− 1) . π ⎣2 2 s ⎥⎦ k =1 s =1
(9.41)
(9.42)
Тогда выражение для оценки эквивалентной ширины спектра мощности примет вид
m k σ x2 ⎡ π s sin 2 sϕ э ⎤ ( ) Δω э = ω э + 2 b 1 . ϕ − − − ∑ ∑ э k π S x (ω э ) ⎢⎣ 2 2 s ⎥⎦ k =1 s =1 ^
(9.43)
Для других ортогональных базисов, представив модель спектральной плотности мощности в виде (см. таблицу 9.1) и выполнив необходимые преобразования, выражение для оценки эквивалентной ширины спектра мощности представим в виде 114
σ x2 ⎧ 1 m ⎡ 2 k 2 ⎤⎫ k Δω э = ω э + ⎨ ∑ bk ⎢ψ k (0 ,α / γ ) − ∑ Ak ,s arctg 2ω э ψ s ⎥ ⎬ . (9.44) S x (ω э ) ⎩ 2 k =0 ⎣ π s =0 ⎦⎭ ^
Принятые обозначения для выражения (9.43) представлены в таблице 9.10. Принятые обозначения Таблица 9.10
№
ψ k (τ ,α / γ )
Ak ,s
1
Leg k ( τ , α )
C ks C ks+ s ( −1 ) s
2
Dk ( τ , α )
C ks C ks++s1+1 ( −1 )k − s
( −1 / 2 ,0 )
(τ ,γ )
C ks C ks+−1s −21 2 (− 1)
(τ ,γ )
C ks C ks++s1+21 2 (− 1)
3
Pk
4
Pk
(1 / 2 ,0 )
5
Pk
6
Pk
7
Pk
arctg 2ω э ψ s arctg
(τ ,γ )
C ks C ks++s1+1 (− 1)
(0 ,0 )
(τ ,γ )
C ks C ks+ s (− 1)
( 2 ,0 )
(τ ,γ )
C ks C ks++s2+ 2 (− 1)
ωэ
α (2 s + 1) ωэ arctg α (s + 1) 2ω э arctg γ (4 s + 1) 2ω э arctg γ (4 s + 3 ) ωэ arctg γ (s + 1) ωэ arctg γ (2 s + 1) ωэ arctg γ (2 s + 3 )
s
s
(1,0 )
2
s
s
s
Выражения для определения эквивалентной ширины спектра мощности случайного процесса в ортогональных базисах Сонина-Лагерра и Якоби (0 , β ) представлены в таблице 9.11. Эквивалентная ширина спектра мощности случайного процесса в ортогональных базисах Сонина-Лагерра и Якоби (0 , β ) Таблица 9.11
№ ψ k (τ ,γ ) 1
(1) k
L
(τ ,γ )
2
L(k2 ) (τ ,γ )
3
Pk
4
Pk
(0 ,1 )
( 0 ,2 )
(τ ,γ ) (τ ,γ )
^
^
ϕs
Δω э ' = Δω э − ω э
s m ⎤ σ x2 ⎡π bk k k − s (− 1) C k +1 cos s ϕ sin sϕ ⎥ ∑ ⎢ − ϕs − 2 ∑ π S x (ω э ) ⎣ 2 s k = 0 ( k + 1 ) s =0 ⎦ m k ⎡π bk (− 1) coss ϕ sinsϕ⎤ − − ϕ 4 Ckk+−2s ∑ ∑ s ⎢ ⎥ k =0 ( k + 1)( k + 2 ) s=0 π Sx (ωэ ) ⎣ 2 s ⎦ 2 k σx ⎡ π m bk ⎤ s − C ks C ks+ s +1 (− 1) ϕ s ⎥ ∑ ∑ ⎢ π S x (ω э ) ⎣ 2 k =0 ( k + 1 ) s =0 ⎦
σ
2 x
s
k σ x2 ⎡π m bk ⎤ s C ks C ks+ s + 2 (− 1) ϕ s ⎥ − ∑ ∑ ⎢ π S x (ω э ) ⎣ 2 k =0 ( k + 1 )( k + 2 ) s =0 ⎦
arctg
arctg
2ω э
γ
ωэ
γ (2 s + 1)
115
5
6
σ x2 ⎡π m ⎧ ⎤ − b ϕ ∑ k 0 , 0 ⎪⎪ ⎥⎦ , k = 0 , π S x (ω э ) ⎢⎣ 2 k =0 ⎨ σ2 k k ⎤ ⎡π m k −s x ⎪ − b C 2sk − s (− 4 ) ϕ k ,s ⎥ , k ≠ 0 ∑ ∑ k ⎢ ⎪⎩π S x (ω э ) ⎣ 2 k =0 s =0 2 k − s ⎦
Tk (τ ,γ )
σ
bk ⎡π ⎤ k −s − C 2sk − s +1 (− 4 ) ϕ k ,s ⎥ ∑ ∑ ⎢ π S x (ω э ) ⎣ 2 k =0 k + 1 s =0 ⎦
U k (τ ,γ )
2 x
m
arctg
ωэ
γ (2(k − s) + 1)
k
Отметим, что для широкополосных процессов с учетом соотношения неопределенности
Δω эτ k( 2 ) =
π
(9.45)
2
и выражения для определения интервала корреляции m
τ k( 2 ) = ∑ β kWk (0 )
(9.46)
k =0
можно получить более простое выражение для оценки эквивалентной ширины спектра мощности в различных ортогональных базисах
π
^
Δω э =
m
2 ∑ β kWk (0 )
.
(9.47)
k =0
Эквивалентную ширину спектра мощности случайного процесса можно получить, воспользовавшись аппроксимацией спектральной плотности мощности в ортогональных базисах в виде m ⎛m ⎞ Sx (τ ) = Sx (ωэ )⎜ ∑bk ,п 1(ω − ωэ )ψ k (ω − ωэ ,αп ) + ∑bk ,л 1(ωэ − ω)ψ k (ωэ − ω,αл )⎟ , (9.48) k =0 ⎝ k =0 ⎠ п
л
где ω э - частота соответствующая последнему максимуму спектральной плотности
мощности. По аналогии с определением интервала корреляции τ k( 2 ) , окончательно получим ^
m
Δω э = ω э + ∑ β kWk (0 ) .
(9.49)
k =0
9.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции, показателя колебательности μ , воспользовавшись средствами Mathcad, найти выражения для оценки α , коэффициентов разложения {β k }k =0 ,...m , {bk }k =0 ,...m и соответст^
^
вующие оценки интервалов корреляции τ (k2 ) и τ (k 4 ) . 2. Определить относительные погрешности оценки интервалов корреляции ^
^
(2 ) (m ) . и τ (k4 ) , γ см(1 ) (m ) , γ см k 3. Для заданной модели спектральной плотности мощности с использованием параметров модели корреляционной функции определить Δω э′ по аналитиче-
τ
(2 )
116
^
ским выражениям и Δω э по параметрам ортогональной модели корреляционной функции. 4. Определить относительные погрешности оценки эквивалентной ширины спектра мощности по параметрам модели корреляционной функции γ см(3 ) (m ) . 5. Найти параметры модели спектральной плотности мощности, корректи^
рующие коэффициенты ζ k . Определить Δω э по параметрам модели спектральной плотности мощности. 6. Определить относительные погрешности оценки эквивалентной ширины спектра мощности γ см(4 ) (m ) . 7. Оформить отчет. 9.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Основные соотношения. 4. Исходный текст программы, написанной в MathCad. 5. Результаты выполнения работы в мат. пакете MathCad. 6. Результаты расчета, представленные в графической форме. 7. Выводы. Пример выполнения лабораторной работы 9 приведен в Приложении 15. 9.4. Контрольные вопросы 1. Поясните физический смысл интервалов корреляции. 2. В каких случаях целесообразно использовать каждое из описанных определений интервала корреляции? 3. Поясните физический смысл эквивалентной ширины спектра мощности случайного процесса. 4. Какой из способов определения эквивалентной ширины дает более точный результат? Почему? 5. Для чего необходимы аналитические соотношения для определения эквивалентной ширины спектра мощности?
117
10. ПОСТРОЕНИЕ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННОСПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ (АИС) Цель работы:
изучение методов и приобретение практических навыков построения ортогональных моделей корреляционноспектральных характеристик временных рядов.
10.1 Теоретические основы лабораторной работы В предлагаемой лабораторной работе решаются основные задачи корреляционно-спектрального анализа временных рядов. Исследование алгоритмов проводится методом имитационного моделирования на ЭВМ, суть которого заключается в анализе их метрологических характеристик с использованием псевдослучайных последовательностей, сгенерированных с помощью ЭВМ. Как правило, реализация этого метода включает следующие основные блоки: • имитации входных процессов и внешних воздействий; • реальных и идеальных моделей, а также их разности; • формирования изменения параметров модели: - под воздействием внешних факторов; - в случае технологического разброса на множестве экземпляров; - в случае временной нестабильности; • первичной статистической обработки для определения статистических характеристик наблюдаемых процессов при данных испытаниях; • вторичной статистической обработки и управления машинным экспериментом: - совокупной обработки множества результатов экспериментов; - определения необходимого числа прогонов модели и принятия решений при последовательном планировании о продолжении или окончании эксперимента; - управления параметрами модели и значениями внешних факторов; - управления системным временем; • датчик системного времени; • управляющую программу, синхронизирующую процесс моделирования. Функциональная схема системного моделирования, поясняющая взаимодействие отдельных блоков, представлена на рис. 10.1. Сложность имитационной модели и затраты машинного времени при ее исследовании во многом будут зависеть от принципа имитационного моделирования. Учитывая, что основным принципом проектирования АСНИ, ИИС, процессорных средств измерения является агрегатное проектирование [21], наиболее целесообразно при конструировании модели использовать принцип блочного моделирования, суть которого сводится к следующему: • на основании декомпозиции АСНИ, ИИС, ПРИС создается библиотека моделей стандартных блоков для моделирования входных воздействий, дестабилизирующих факторов, блоков реальных систем;
118
• на основании разработанных моделей блоков конструируется модель системы в соответствии с ее структурой, с возможностью контроля промежуточных последовательностей, соответствующих реальным физическим точкам системы.
Рисунок 10.1 - Функциональная схема имитационного моделирования
Достоинствами блочных моделей являются: • гибкость, простота изменения конфигурации модели системы, возможность прослеживания промежуточных результатов; соответствие математической модели; • возможность унификации процедур моделирования путём создания библиотеки стандартных процедур; • единообразие и простота построения моделей разнообразных структур; • возможность автоматизации процедуры построения моделей систем. К недостаткам блочного моделирования следует отнести: • увеличение времени моделирования; • необходимость большого объёма памяти для хранения библиотеки моделей. Следует подчеркнуть, что затраты на моделирование, достоверность полученных результатов во многом зависят от принятых решений на этапе планирования эксперимента, особенно при определении необходимого числа испытаний, выборе входных воздействий и т.д. Согласно методике [16], в качестве метрологической характеристики может ^
выбираться максимальное значение модуля погрешностей оценки Θ : 119
Δ = max{Δ j }j = 1,..., N ,
(10.1)
где N-число испытаний, зависящее от доверительной информации. Так, если Р Д = 0 ,95 , то число испытаний равно 29 независимо от закона распределения погрешностей. В общем случае, структура пакета прикладных программ имитационного моделирования алгоритмов оценивания вероятностных характеристик временных рядов, содержащего как обрабатывающие, так и управляющие программы, состоит из следующих основных блоков: • задания входных воздействий с требуемыми характеристиками; • первичной статистической обработки информации; • вторичной статистической обработки информации; • алгоритмов оценивания вероятностных характеристик; • сервисных; • определения методической погрешности и ее составляющих; • определения инструментальных составляющих погрешности. Методика имитационного моделирования исследуемых алгоритмов представлена на рис.10.2. Одним из важных этапов имитационного моделирования является выбор, обоснование и моделирование сигналов, используемых в модельном эксперименте. Решение этой задачи определяется целевой функцией моделирования, назначением исследуемой системы и т.д. Так как при моделировании АСНИ, ИИС, ПРИС основной задачей является определение метрологических характеристик при определенных ограничениях на технико-экономические показатели, то существенным требованием, предъявляемым к образцовому (испытательному или тестовому) сигналу, является возможность оценки с его помощью погрешности результата измерения данным средством на заданном классе входных воздействий. Учитывая большое разнообразие решаемых задач и соответствующих им средств измерения, однозначного ответа о виде образцового сигнала быть не может. Окончательное решение о выборе Рисунок 10.2 – Методика моделирования вида образцового сигнала для конкретных типов средств измерения должно приниматься по результатам лабораторных исследований. В самом общем виде выбор образцового сигнала осуществляется: 120
• выбором наихудшего сигнала из множества возможных входных сигналов, для обеспечения гарантированной погрешности результата измерения; • формированием набора типовых сигналов, то есть наиболее часто встречающихся входных сигналов или сигналов, наиболее интересующих исследователя; • формированием набора типовых сигналов, включающих в себя наихудший сигнал. Основными требованиями, предъявляемыми к образцовым сигналам, являются следующие: • заданный вид вероятностных характеристик; • принадлежность к классу входных сигналов, для которых предназначено данное средство; • стабильность во времени; • отклонение текущих характеристик от расчетных не должно быть более допустимого. При формировании случайных процессов с заданным видом корреляционной функции (спектральной плотности мощности), как правило, применяется метод фильтрации. При этом необходимо определить характеристики формирующего фильтра при известных характеристиках входного и выходного сигналов [21] (см. рис. 10.3). Известно, что спектральная плотность мощности выy(t) W(jω ) ходного сигнала фильтра определяется в соответствии с выx(t ) ражением: Рисунок 10.3 2 S y (ω ) = W ( jω ) S x (ω ) , (10.2) где S x (ω ) - спектральная плотность мощности входного сигнала; 2 W ( jω ) - квадрат модуля частотной характеристики формирующего фильтра. Учитывая, что S x (ω ) , S y (ω ) и W ( jω ) - чётные функции, их можно представить в виде: ⎧ S x (ω ) = ϕ ( jω )ϕ (− jω ); ⎪ (10.3) ⎨ S y (ω ) = ψ ( jω )ψ (− jω ); ⎪ W ( jω ) 2 = W ( jω )W (− jω ). ⎩ Отсюда ψ ( jω ) W ( jω ) = . (10.4) ϕ ( jω ) Сложность частотной характеристики формирующего фильтра W ( jω ) во многом будет определяться видом S x (ω ) . При использовании в качестве входного сигнала «белого» шума с S x (ω ) = S 0 , получим: ψ ( jω ) . (10.5) W ( jω ) = S0 Для моделирования случайного процесса с помощью ЭВМ необходимо найти импульсную характеристику формирующего фильтра: 2
h(τ ) =
1 2π S0
∞
∫ψ ( jω )e
jωτ
dω .
(10.6)
−∞
121
Выходной сигнал формирующего фильтра может быть определен различными способами в зависимости от принятого способа преобразования аналогового фильтра в цифровой. Один из самых простых, но не эффективных способов в смысле временных затрат заключается в следующем: N1
y j = Δτ ∑ x j −i hi ,
(10.7)
i =0
где N 1 - число отсчётов импульсной характеристики, зависящее от вида корреляционной функции; Δτ - интервал дискретизации исследуемого процесса; hi = h(iΔτ ) - значение импульсной переходной характеристики формирующего фильтра. Значение интервала дискретизации зависит от вида корреляционной функции, значения её параметров, требуемой точности вычисления корреляционной функции δ и способа интерполяции корреляционной функции между узлами. Минимальное количество требуемых ординат импульсной переходной характеристики при линейной интерполяции и различных погрешностях восстановления корреляционной функции представлено в таблице 10.1. Поиски более быстродействующих алгоритмов моделирования ПСП с заданным видом корреляционной функции привели исследователей к использованию рекурсивной фильтрации [21]: N
N
i =0
i =1
yn = ∑ ai xn−i − ∑ bi yn−i .
(10.8)
Для нахождения коэффициентов ai и bi (т.е. параметров фильтра) применяются, в основном, три класса методов: методы преобразования аналоговых фильтров в цифровые, прямые методы расчёта цифровых фильтров в Z - плоскости и методы, использующие алгоритмы оптимизации. В общем случае невозможно отдать предпочтение какому-либо одному из них. С учётом применимости этих методов в конкретных условиях и многих других факторов, каждый из них может оказаться наиболее подходящим. Однако большинство цифровых фильтров рассчитываются методом билинейного преобразования стандартных аналоговых фильтров. Это обстоятельство связано с тем, что в задачах статистического моделирования необходимо проектировать фильтры, для которых билинейные преобразования аналоговых фильтров уже известны. Параметры и вид цифрового рекурсивного фильтра для основных моделей корреляционных функций представлены в Приложении 16. Рассмотренные в предыдущих разделах алгоритмы для аппроксимации корреляционных функций ортогональными моделями предназначены для работы с моделями КФ. Однако часто исследователь имеет дело либо с цифровыми данными, полученными в ходе эксперимента с помощью информационно-измерительных систем, автоматизированных систем научных исследований, либо - в ходе цифрового моделирования того или иного процесса или явления. И в первом и во втором случае исследователь имеет дело со случайными последовательностями i =1 ,... M x ji ,t ji / Δt ji j =1 ,...N , (10.9)
{
}
где j - номер реализации; i - номер отсчета в j - ой реализации; t ji - время отсчёта;
Δt ji = t j ,i+1 − t ji . 122
(10.10)
При Δt ji = Δt0 = const исследователь имеет дело с регулярной временной последовательностью - регулярным временным рядом, примеры реализаций которого приведены на рис. 10.4.
Рисунок 10.4 - Примеры реализации регулярных случайных последовательностей
Выражения для оценки КФ при анализе последовательностей в зависимости от оператора усреднения примут вид:
1 N o o ⎧^ K xy i ( JΔτ ) = ∑ x ji y j ,i+J ; ⎪ N j =1 ⎪^ M −J o o 1 ⎪ ( ) K J Δ τ x y = xy j ji ∑ ⎨ j ,i + J ; i =1 M J 1 − − ⎪^ N M −J o o 1 ⎪K xy ср (JΔτ ) = x ji y j ,i+J . ∑ ∑ ⎪⎩ N( M − J − 1 ) j =1 i=1
(10.11)
Следует отметить, что при аппроксимации ВКФ с помощью ЭВМ не важно, какая характеристика аппроксимируется - t -текущая, j - текущая или средняя, - подход один и тот же. В тех случаях, когда исследователь располагает только одной реализацией ( j = const ) , при проведении корреляционного анализа, как правило, используется мультипликативный алгоритм, инвариантный к закону распределения случайного процесса [55]: При этом интервал дискретизации корреляционной функции, как правило, выбирают равным Δτ = Δt 0 . Значение интервала дискретизации Δτ зависит от вида корреляционной функции, значения её параметров, допустимой погрешности δ и способа восстановления 123
корреляционной функции между узлами. Минимальное количество требуемых ординат корреляционной функции J max при линейной интерполяции и различных погрешностях её восстановления представлено в таблице 10.1 [21]. Количество ординат корреляционной функции и интервалы дискретизации Таблица 10.1 δ = 0 ,02 δ = 0 ,05 ρ x (τ )\ δ Δτ J max J max Δτ Δτ e
−α τ
e
−α τ
e
−α τ
e
−α τ
e
−α τ
e
−α τ
(1 + α τ )
(1 − α τ )
(1 + α τ + α τ
2 2
/3
)
cos ω0τ ,
⎞ ⎛ α ⎜⎜ cos ω0τ ± sin ω0τ ⎟⎟ ω0 ⎠ ⎝
1
α
8δ
0 ,4
α 8δ α 8δ / 3 α 24δ α
α
8δ μ2 + 1
0 ,4
α 0 ,23
α 0 ,693
α 1
α
0 ,16 μ2 + 1
0 ,632
9
0 ,632
13
0 ,365
α
13
1,095
10
μ 2π
9
α
19
47
6
α
7
α 1
0,4 α μ2 +1
47
μ 2π
Для проверки качества генерирования ПСП представляется перспективным использование фазовых портретов. Под фазовым портретом будем понимать графическую зависимость, построенную в координатах: ρ x ( τ ) и ρ ′x ( τ ) : ρ ′(τ ) = Фx [ρ x (τ )] . (10.12) Следует отметить, что каждому типу корреляционных функций соответствует свой, уникальный фазовый портрет (см. рис. 10.5). На практике при построении фазового портрета вместо значения производных корреляционных функций возможно определение её приращений на заданном интервале. Рассмотрим алгоритм построения КФ по параметрам модели спектральной плотности мощности (см. лабораторную работу 7). Для этого представим модель СПМ в виде m m S ax (ω ) = σ x2 ⎛⎜ ∑ C k ⋅ψ k (ω ,α )1(ω ) + ∑ C k ⋅ψ k (− ω ,α )1(− ω )⎞⎟ , (10.13) k =0 ⎝ k =0 ⎠ где коэффициенты разложения C k определяются выражением (7.24) (см. таблицы 7.6
– 7.7). Подставив в выражение (7.2) выражение (10.13), выполнив преобразования, получим: m
K ax (τ ) = 2σ x2 ∑ C k ⋅ Re Wk ( jτ ) .
(10.14)
k =0
Следует отметить, что в автоматизированной системе для унификации (см. лабораторную работу 11) C k являются коэффициентами разложения вещественной части спектра, совпадающей с СПМ. 124
0,00 -0,050,00
0,20
0,40
0,60
0,80
0,00 0,00 0,20 0,40 0,60 0,80 1,00
1,00
-0,04
-0,10 ρ'(τ)
-0,15
ρ '(τ ) -0,08
-0,20 -0,25
-0,12
-0,30 -0,16
-0,35
ρ(τ )
ρ(τ)
ρ x (τ ) = e −α τ , ατ = 0 ,4
а)
б)
ρ x (τ ) = e −α τ (1 + α τ ), ατ = 0 ,4
0,10
0,00 0,00
0,00 -0,20 0,00 -0,10
ٛ 'ٛٛٛ
0,20
0,40
0,60
0,80
0,20
0,40
0,60
0,80
1,00
-0,05
1,00
ρ'(τ ) -0,10
-0,20 -0,30
-0,15
-0,40
-0,20
-0,50
ρ(τ )
ٛ ٛٛٛ
в)
ρ x (τ ) = e −α τ (1 − α τ ), ατ = 0 ,23
г)
ρx (τ ) = e−α τ (1 + α τ + α 2τ 2 / 3), ατ = 0,693 0,20
0,15 0,10
0,10
0,05 -0,50 ρ'(τ)
0,00 -0,25-0,050,00 -0,10
0,25
0,50
0,75
1,00
-0,75
ρ '(τ)
-0,50
-0,25
0,00 0,00
0,25
0,50
0,75
1,00
-0,10
-0,15 -0,20
-0,20
-0,25 -0,30
-0,30 -0,35 ρ(τ)
д)
ρx (τ ) = e−α τ cosω0τ , μ = 3
-0,40
ρ(τ)
е) ρ x (τ ) = e cosω0τ , μ = 5 Рисунок 10.5 – Фазовые портреты моделей КФ −α τ
Для выполнения лабораторной работы необходимо изучить автоматизированную систему корреляционно-спектрального анализа в ортогональных базисах (см.
125
Приложение 17). Руководство пользователя приведено в Приложении 18, а формат вводимых и выводимых данных – в Приложении 19. Основные алгоритмы, положенные в основу её работы, подробно описаны в лабораторных работах 2-9. Следует отметить, что с помощью автоматизированной системы возможен корреляционно-спектральный анализ экспериментальных данных. Для этого необходимо ввести данные в соответствующем формате (см. Приложение 19), используя экранную форму «Filter setting». Пример корреляционно-спектральной обработки экспериментальных данных (см. Приложение 21) приведен в Приложении 20. 10.2. Задание на самостоятельную работу 1. Сгенерировать временной ряд с заданным видом корреляционной функции и со следующими параметрами - M = ent [τ k max / Δτ ] , N= 5000 , δ = 0 ,02 . 2. Построить КФ и её фазовый портрет, сравнить с теоретическими кривыми. 3. Для заданного ортогонального базиса определить параметры модели и погрешность аппроксимации. 4. Определить интервалы корреляции, сравнить с теоретическими интервалами, найти относительную погрешность оценивания интервалов корреляции. 5. Найти корректирующие коэффициенты, обеспечивающие условие нормировки ортогональной модели КФ, и построить модель КФ. 6. Определить интервалы корреляции, сравнить с теоретическими интервалами, найти относительную погрешность оценивания интервалов корреляции. 7. Построить модель спектральной плотности мощности. 8. Определить экстремальную частоту, значение СПМ в точке, соответствующей экстремальной частоте, и эквивалентную ширину спектра мощности. Сравнить полученные результаты с теоретическими характеристиками, найти относительную погрешность оценивания обобщенных характеристик. 9. Передать действительную компоненту СПМ в подсистему аппроксимации составляющих СПМ и построить ортогональную модель действительной части СПМ. 10. Построить КФ и сравнить с теоретической. 11. При исследовании других ортогональных базисов необходимо повторить пункты 3 – 10. 12. Построить КФ «идеального» полосового шума. 13. Построить ортогональную модель КФ. 14. Построить ортогональную модель спектральной плотности мощности. 15. Пункты 13 – 14 повторить и выбрать наилучший базис. 10.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Результаты выполнения работы в автоматизированной системе, представленные в виде экранных форм. 4. Выводы. 126
10.4. Контрольные вопросы 1. Какой метод положен в основу генерации временных рядов с заданным видом корреляционной функции? 2. Из каких соображений выбирают численное значение интервала дискретизации временного ряда? 3. Какой метод фильтрации применен в лабораторной работе? 4. Чем отличается метод имитационного моделирования от обработки экспериментальных данных? 5. С какой целью строятся фазовые портреты моделей? 6. Какая часть фазового портрета наиболее информативна? 7. Как по виду фазового портрета определить характер корреляционной функции: монотонная, колебательная? 8. Что из себя представляет «идеальный полосовой шум»?
127
11. ПОСТРОЕНИЕ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ ВЗАИМНЫХ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ АИС Цель работы:
изучение методов и приобретение практических навыков построения ортогональных моделей взаимных корреляционноспектральных характеристик временных рядов.
11.1. Теоретические основы лабораторной работы В предлагаемой лабораторной работе решаются основные задачи взаимного корреляционно-спектрального анализа временных рядов. Для ее выполнения необходимо изучить автоматизированную систему корреляционно-спектрального анализа в ортогональных базисах (см. Приложение 17). Основные алгоритмы, положенные в основу её работы, подробно описаны в лабораторных работах 2, 3, 5, 6, 9, 10, 11. Исследование алгоритмов проводится методом имитационного моделирования на ЭВМ с помощью АИС (см. Приложение 17). Исходными данными для АИС являются коррелированные временные ряды с заданными корреляционными характеристиками. Самый простой вариант решения этой задачи заключается в генерировании ПСП с заданным видом корреляционной функции и её задержке на заданный временной интервал [21, 22, 23]. В качестве критерия качества генерирования ПСП можно также воспользоваться косвенным методом: • оценить взаимную корреляционную функцию; • аппроксимировать её заданным аналитическим выражением с параметрами, удовлетворяющими минимуму квадратической погрешности аппроксимации; • сравнить найденные параметры модели с требуемыми значениями параметров корреляционной функции [21]. Вторым методом косвенной проверки качества генерирования двух процессов с заданным видом взаимной корреляционной функции является применение фазовых портретов [22, 23]. Методика проверки заключается в выполнении следующих этапов: • генерирования ПСП с заданным видом корреляционной и взаимной корреляционной функций; • построения фазового портрета по взаимной корреляционной функции; • сравнения полученного фазового портрета с эталонным, определенным по аналитической модели требуемой взаимной корреляционной функции. Преимущество такого способа проверки качества генерирования заключается в простоте, наглядности и отсутствии необходимости решать аппроксимативную задачу. На рис. 11.1 - 11.2 приведены примеры фазовых портретов типовых моделей взаимных корреляционных функций. Для сравнения приведены результаты аппроксимации взаимных корреляционных функций соответствующими параметрическими моделями. Следует отметить, что задача проверки качества подобным способом требует предварительного определения фазового портрета корреляционной функции для генерируемого процесса. 128
а) ρ x (τ ) = e
б) ρ x (τ ) = e
−α τ −τm
−α τ −τm
,
α = 1, τ m = 10
( 1 + α τ − τ m ), α = 1, τ m = 10
в) ρ x (τ ) = e ( 1 − α τ − τ m ) , α = 1, τ m = 10 Рисунок 11.1 - Взаимные корреляционные функции и фазовые портреты монотонных моделей −α τ −τm
129
а ) ρ
x
(τ ) =
б ) ρ x (τ ) = e
в ) ρ x (τ ) = e
e
− α τ −τ m
−α τ −τm
−α τ −τm
cos ω 0 (τ − τ
m
), α
= 1, ω 0 = 5 ,τ
m
= 10
(cos ω0 (τ − τ m ) + α / ω0 sin ω0 (τ − τ m ), α = 1, ω0 = 5 , τ m = 10
(cosω0 (τ − τ m ) − α / ω0 sinω0 (τ − τ m ),α = 1, ω0 = 5,τ m = 10
Рисунок 11.2 - Взаимные корреляционные функции и фазовые портреты колебательных моделей 130
Эта задача также может быть решена и методом фильтрации с использованием единственного источника первичного сигнала (см. рис. 11.3). Спектральные плотности мощности
y (t ) o
x(t ) o
W1 ( jω )
Генератор «белого» шума
сигналов z (t ) и ν (t ) соответственно равны: o
ν (t ) o
o
⎧ S z (ω ) = S 0 W1 ( jω ) 2 ; o ⎪ 2 W2 ( jω ) x(t ) ⎪ Sν (ω ) = S 0 W2 ( jω ) ; (11.1) ⎨ S = S W j W − j ; ( ) ( ) ( ) ω ω ω 0 1 2 ⎪ zν ⎪ Рисунок 11.3 - Генерирование коррелиро- ⎩ Sνz (ω ) = S 0W1 (− jω )W2 ( jω ), ванных ПСП с заданным видом где W1 ( jω ), W2 ( jω ) - частотные характекорреляционных функций
ристики формирующих фильтров. В работе [44] в Приложении 2 приведены выражения для импульсных переходных характеристик формирующих фильтров, а в Приложении 3 - соответствующие им корреляционные функции. Рассмотрим алгоритм построения ВКФ по параметрам модели спектральной плотности мощности (см. лабораторную работу 7). Обозначим S xy ( jω ) = ReS xy ( jω ) − j ImS xy ( jω ) . (11.2) Отсюда очевидно, что
S yx ( jω ) = ReS xy ( jω ) + j ImS xy ( jω ) .
(11.3)
Запишем синфазную и квадратурную составляющие спектра:
C xy (ω ) = 2 ReS ( jω ) =
∫ [K (τ ) + K (τ )] cos ωτ dτ ,
1∞
π
Qxy (ω ) = 2 ImS xy ( jω ) =
xy
yx
(11.4)
0
∫ [K (τ ) − K (τ )] sin ωτ dτ .
1∞
π
yx
xy
(11.5)
0
Воспользовавшись обратным преобразованием Фурье, получим: ∞
K xy (τ ) + K yx (τ ) = 2∫ C xy (ω ) cosωτ dω ;
(11.6)
K yx (τ ) − K xy (τ ) = 2∫ Qxy (ω ) sinωτ dω .
(11.7)
0 ∞
0
Из (11.6) и (11.7) следует, что ∞
∞
0
0
K xy (τ ) =∫ C xy (ω ) cosωτ dω −∫ Qxy (ω ) sinωτ dω , ∞
∞
0
0
K xy (τ ) = 2∫ Re S xy (ω ) cosωτ dω − 2∫ Im S xy (ω ) sinωτ dω .
(11.8) (11.9)
Учитывая тот факт, что спектральная плотность мощности – функция комплексной переменной, будем аппроксимировать вещественную и мнимую части раздельно. При использовании в качестве аппроксимирующих функций ортогональные функции получим: 131
mRe
Re S axy (ω ) = ∑ β k Reψ k Re (ω ,α Re ) ;
(11.10)
k =0 mIm
Im S axy (ω ) = ∑ β k Imψ k Im (ω ,α Im ) ,
(11.11)
k =0
где
1 ⎧ ⎪β k Re = ψ ⎪ k Re ⎨ 1 ⎪ β k Im = ⎪⎩ ψ k Im
∞ 2
∫ Re S (u )ψ (u , α )du ; xy
k Re
Re
0
∞ 2
∫ Im S (u )ψ (u , α )du . xy
k Im
(11.12)
Im
0
Представим взаимную корреляционную функцию в виде: ∞ mRe
K axy (τ ) = 2∫ ∑ β k Reψ k Re (ω ,α Re ) cosωτ dω − 0 k =0
(11.13)
∞ mIm
− 2∫ ∑ β k Imψ k Im (ω ,α Im ) sinωτ dω . 0 k =0
Воспользовавшись формулами Эйлера, выражение (11.13) приведем к виду: mRe
Kaxy (τ ) =∑βk Re (Wk Re (− jτ ) + Wk Re ( jτ )) − k =0
1m ∑βk Im (Wk Im (− jτ ) − Wk Im ( jτ )) . j k =0 Im
(11.14)
где Wk(jτ) – преобразование Фурье ортогональных функций (см. таблицу 4.2), в качестве аргумента которых используется jτ . Из выражения (11.14), выполнив преобразования, окончательно получим m m K axy (τ ) = 2 ⎛⎜ ∑ β k Re ⋅ ReWk Re (τ ) + ∑ β k Im ⋅ ImWk Im (τ )⎞⎟ . (11.15) k =0 ⎝ k =0 ⎠ Выражения для оценки ReWk Re (τ ) и ImWk Im (τ ) определяются для ортогональRe
Im
ных функций соответственно формулами: • Лагерра, Лежандра, Дирихле, Якоби (α ,0 ) - (4.6), (4.7); • Сонина-Лагерра (1) - (4.11), (4.12); • Сонина-Лагерра (2) - (4.14), (4.15); • Якоби (0 ,1) - (4,17), (4.18); • Якоби (0 ,2 ) - (4,29), (4.21). В указанных формулах необходимо заменить аргументы: ω на τ . В таблице 11.1 и 11.2 приведены выражения для определения ReWk Re (τ ) и ImWk Im (τ ) в указанных ортогональных базисах.
132
Выражения для определения ReWk Re (τ ) и ImWk Im (τ )
ψk (τ ,α / γ ) Lk (τ ,α )
L(k1 ) (τ ,γ )
Leg k (τ ,α )
Dk (τ ,α )
Pk( −1 2,0 ) (τ ,γ )
Pk( 1 2,0 ) (τ ,γ )
Pk( 1 ,0 ) (τ ,γ )
Re Wk Re (τ ) 2(− 1)
α Re
k
(
)
1 k 1 + (− 1) cos[2(k + 1)ϕk Re ] γ ⋅ (k + 1)
2τ
α Re
τ
(2k + 1)α Re
(− 1)k cosϕ cos⎛ϕ + 2 k −1 ϕ ⎞ ⎜ k Re ∑ s Re ⎟ k Re α Re (k + 1) s =0 ⎝ ⎠ τ
(k + 1)α Re
)
−
2τ
α Re
k −1 1 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (2k + 1) s =0 ⎠ ⎝
τ
(2k + 1)α Im
(− 1)k cosϕ sin⎛ϕ + 2 k −1 ϕ ⎞ ⎜ k Im ∑ s Im ⎟ k Im α Im (k + 1) s =0 ⎝ ⎠
ϕ k Im = arctg
k −1 2 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (4k + 1) s =0 ⎠ ⎝
−
ϕ k Re = arctg
ϕ k Im = arctg
2τ (4 k + 1)γ Re
−
ϕ k Re = arctg
ϕ k Im = arctg −
ϕ k Re = arctg
ϕ k Im = arctg
(k + 1)γ
Re
−
ϕ k Re = arctg
ϕ k Im = arctg
(2k + 1)γ
Re
−
ϕ k Re = arctg
ϕ k Im = arctg
(2k + 3)γ
Re
(k + 1)γ
Im
τ
(2k + 1)γ
Im
k −1 1 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (2k + 3) s =0 ⎝ ⎠
1 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ α Re (2k + 3) s =0 ⎝ ⎠
τ
τ
k −1 1 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (2k + 1) s =0 ⎝ ⎠
1 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ α Re (2k + 1) s =0 ⎝ ⎠
τ
2τ (4 k + 3)γ Im
k −1 1 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (k + 1) s =0 ⎝ ⎠
k −1 1 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ , α Re (k + 1) s =0 ⎝ ⎠
τ
2τ (4 k + 1)γ Im
k −1 2 cosϕk Im sin⎛⎜ϕk Im + 2∑ϕ s Im ⎞⎟ α Im (4k + 3) s =0 ⎠ ⎝
k −1 2 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ α Re (4k + 3) s =0 ⎝ ⎠
2τ (4 k + 3)γ Re
τ
(k + 1)α Im
k −1 2 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ α Re (4k + 1) s =0 ⎝ ⎠
k −1
Pk( 2 ,0 ) (τ ,γ )
−
ϕ k Im = arctg
k −1
Pk( 0 ,0 ) (τ ,γ )
(
1 (− 1)k +1 sin [2(k + 1)ϕ k Re ] γ ⋅ (k + 1)
ϕ k Re = arctg
k −1 1 cosϕ k Re cos⎛⎜ϕ k Re + 2∑ϕ s ,Re ⎞⎟ α Re (2k + 1) s =0 ⎠ ⎝
ϕ k Re = arctg
cos ϕ k Re sin(2k + 1)ϕ k Re α Im ϕ k Im = arctg 2τ / α Im −
ϕ k Re = arctg 2τ / α Re
ϕ k Re = arctg
2(− 1)
k
cos ϕ k Re cos(2 k + 1)ϕ k Re
ϕ k Re = arctg
Im Wk Im (τ )
Таблица 11.1
τ
(2k + 3)γ
Im
133
Выражения для определения ReWk Re (τ ) и ImWk Im (τ ) Сонина-Лагерра (2) Якоби (0, 1) и Якоби (0, 2) представлены ниже: •
Сонина-Лагерра (2) - ϕ k Re = arctg
2τ
α Re
,
ϕ k Im = arctg
2τ
α Im
:
⎛ 1 (− 1)k cos [(2 k + 3 )ϕ k Re ] ⎞ 2 ⎜⎜ + ReWk ( jτ ) = + k + 1⎟⎟ ; (11.16) 2 cos ϕ k Re γ ⋅ (k + 1)(k + 2 ) ⎝ 2 ⎠ (2 )
⎛ (− 1)k +1 sin [(2k + 3 )ϕ k Im ] tg ϕ k Im ⎞ 2 ⎜ ⎟ . (11.17) ImWk ( jτ ) = − γ ⋅ (k + 1)(k + 2 ) ⎜⎝ 2 cos ϕ k Im 2 ⎟⎠ τ τ Якоби (0, 1) и Якоби (0, 2) - ϕ k Re = arctg , ϕk Im = arctg : • (2k + 1)α Re (2k + 1)αIm 2 k 1 s cos ϕ s Re s s ( ) ReWk(0 ,1 ) ( jτ ) = ; (11.18) C C − 1 k k + s +1 (k + 1)γ ∑ (2 s + 1) s =0 k 1 s cos ϕ s Im sin ϕ s Im Im Wk(0 ,1) ( jτ ) = − Cks Cks+ s +1 (− 1) ; (11.19) ∑ (k + 1)γ s=0 (2 s + 1) 2 k 2 s cos ϕ s Re (0 ,2 ) s s ReWk ( jτ ) = ; (11.20) C k C k + s + 2 (− 1) (k + 1)(k + 2 )γ ∑ (2 s + 1) s =0 k 2 s cos ϕ s Im sin ϕ s Im . (11.21) ImWk(0 ,2 ) ( jτ ) = − C ks C ks+ s + 2 (− 1) ∑ (k + 1)(k + 2 )γ s =0 (2 s + 1) (2 )
Основные экранные формы автоматизированной системы для проведения взаимного корреляционно-спектрального анализа приведены в Приложении 18. Следует отметить, что с помощью автоматизированной системы возможен взаимный корреляционно-спектральный анализ экспериментальных данных. Для этого необходимо ввести данные в соответствующем формате (см. Приложение 19), используя экранную форму «Filter setting». 11.2. Задание на самостоятельную работу
1. 2.
Сгенерировать СП с заданным видом ВКФ. Построить ВКФ и её фазовый портрет, сравнить с теоретическими кри-
выми. Для заданного ортогонального базиса определить параметры модели 3. ВКФ и погрешность аппроксимации. Определить интервалы корреляции, сравнить с теоретическими интерва4. лами, найти относительную погрешность оценивания интервалов корреляции. Найти корректирующие коэффициенты, обеспечивающие условие нор5. мировки ортогональной модели ВКФ, и построить модель ВКФ. Определить интервалы корреляции, сравнить с теоретическими интерва6. лами, найти относительную погрешность оценивания интервалов корреляции. Построить модель взаимной спектральной плотности мощности. 7. Передать действительную и мнимую компоненты взаимной СПМ в под8. систему аппроксимации составляющих СПМ и построить их ортогональные модели. Построить ВКФ и сравнить с теоретической. 9. 134
11.3. Содержание отчёта
Цель работы. 1. Задание. 2. Результаты выполнения работы в автоматизированной системе, пред3. ставленные в виде экранных форм. Выводы. 4. 11.4. Контрольные вопросы
В чём заключается специфика аппроксимации взаимных корреляцион1. ных функций по сравнению с аппроксимацией автокорреляционных функций? Какие численные методы применяются при аппроксимации взаимных 2. корреляционных функций? Из каких соображений выбирается начальное приближение при аппрок3. симации взаимных корреляционных функций параметрическими моделями? Как отличить фазовый портрет колебательной взаимной корреляционной 4. функции от монотонной? Как определяются корректирующие коэффициенты взаимной корреля5. ционной функции, обеспечивающие условие нормировки? Как определяются интервалы корреляции взаимной корреляционной 6. функции? Назовите основное отличие спектральной плотности мощности и взаим7. ной спектральной плотности мощности.
135
12. АНАЛИЗ ПОГРЕШНОСТЕЙ ОЦЕНКИ КОЭФФИЦИЕНТОВ РАЗЛОЖЕНИЯ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННОЙ ФУНКЦИИ анализ погрешностей оценки коэффициентов разложения ортогональных моделей корреляционной функции.
Цель работы:
12.1. Теоретические основы лабораторной работы На практике вместо определения коэффициента разложения ортогональной модели (5.16) в соответствии с выражением
βk =
∞
1
ψ k (α )
2
∫ ρ (τ )ψ (τ ,α )dτ , x
(12.1)
k
0
Как правило, приходится ограничиваться конечным интервалом наблюдения корреляционной функции: ^ (1 )
βk =
τ k max
1
ψk
2
∫ K (τ ) ⋅ψ (τ ,α )dτ , x
(12.2)
k
0
где τ k max – интервал корреляции; При этом появляется дополнительная составляющая методической погрешности, вызванная конечным верхним пределом интегрирования: ^ (1 )
Δ(β1 ) = β k − β k = k
∞
1
ψk
2
K (τ )ψ (τ ,α )dτ . ∫ τ x
k
(12.3)
k max
Необходимо отметить, что lim Δ(β1 ) = 0 . τ m →∞
k
Специфика проведения аппроксимативного корреляционного анализа с помощью ЭВМ заключается в выборе численного метода для вычисления интеграла в (12.2), «дискретизации» уравнений для оценки параметра масштаба α / γ . Обозначим оператор численного интегрирования Ф{ }. Тогда оценка коэффициента разложения, вызванная дискретизацией КФ и необходимостью численного интегрирования выражения (12.2) примет вид: ^
где
(2 )
β k = Φ {ρ x (Δτ i ) ⋅ψ k (Δτ i ,α / γ ), J max }, Δτ – шаг дискретизации корреляционной функции; ⎡τ ⎤ J max = ent ⎢ k max ⎥ ; ⎣ Δτ ⎦
(12.4)
i = 1,...J max .
В этом случае составляющая методической погрешности, вызванная дискретизацией КФ и необходимостью численного интегрирования, равна ^
(2 )
^ (1 )
Δβ = β k − β k . (2)
(12.5)
k
В связи с конечностью выборки значений КФ выражение для оценки коэффициента разложения представим в виде (3 )
β k = Φ ⎧⎨ ρ x (Δτ i ) ⋅ψ k (Δτ i ,α / γ ),τ k max , N ⎫⎬ , ^
∧
⎩
136
⎭
(12.6)
N := N , M , NM – объем выборки. С учетом выражений (12.4.) и (12.6), составляющая методической погрешности, вызванная конечностью объема выборки, будет равна: ^
(3 )
^
(2 )
Δβ = β k − β k . (3)
(12.7)
k
Отметим, что для получения достоверных оценок (статистическая погрешность 0,02-0,05), как показали исследования, количество отсчетов равно N = 5000 − 2000 соответственно [22, 23]. Следующая составляющая методической погрешности вызвана необходимостью дискретизации уравнения и применения численных методов для оценки пара^
^
метра масштаба α / γ . Выражение для оценки коэффициента разложения в этом случае примет вид: (4 )
β k = Φ ⎧⎨ ρ x (Δτ i ) ⋅ψ k ⎛⎜ Δτ i ,α / γ ⎞⎟ ,τ k max , N ⎫⎬ , ^
∧
^
^
⎝
⎩
⎠
(12.8)
⎭
Составляющая методической погрешности, вызванная заменой параметра мас^
^
штаба α / γ её оценкой α / γ , будет равна: ^
(4 )
^
(3 )
Δα = β k − β k . (4)
(12.9) Составляющие методической погрешности, как следует из выражений (12.3), (12.5), (12.7) и (12.9), образуют полную группу погрешностей. Следовательно, методическая погрешность вычисления коэффициентов разложения β k определяется выражением: ^
(4 )
Δβ = Δ(β1 ) + Δ(β2 ) + Δ(β3 ) + Δ(α4 ) = β k − β k . k
k
k
(12.10)
k
Конечность интервала интегрирования (интервала корреляции КФ) и интегрирование выражения (12.2) численными методами будут вносить в результирующую погрешность систематическую составляющую, а ограниченность выборки для опре^
^
деления значений КФ и оценки параметра масштаба α / γ – случайную составляющую. Поэтому составляющие погрешности Δ(β1 ) и Δ(β2 ) можно определить, например, k
k
с помощью математического пакета Mathcad, а Δβ
(3) k
и Δα(4 ) - методом имитационного
моделирования. Отметим, что составляющие методической погрешности Δ(β3 ) и Δα(4 ) , и погрешk
ность оценки коэффициента разложения β k Δβ являются случайными величинами, k
распределенными по нормальному закону. Следовательно, для описания необходимо найти их математическое ожидание и дисперсию (среднеквадратическое отклонение). ^
На рис. 12.1 приведены результаты оценки β k и Δβ для ряда ортогональных k
функций методом имитационного моделирования с помощью автоматизированной системы аппроксимативного корреляционно-спектрального анализа в ортогональных базисах [36, 37, 43] (см. лаб. работу 10). В качестве входного процесса был выбран процесс с корреляционной функцией ρ x (τ ) = exp(− τ )cos 5τ , Δτ = 0 ,0816497 ,
J max = 37 , объём выборки N = 5000 , количество экспериментов – 29 [21]. 137
Рисунок 12.1 – Результаты имитационного моделирования
Необходимо отметить, что погрешность определения коэффициентов разложения Δβ возрастает с увеличением порядка k. k
12.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции и показателя колебательности μ определить коэффициенты разложения {β k }k =0 ,...m (см. лабораторную работу 5). 2. 3.
^ (1 )
Найти оценку β k и составляющую методической погрешности Δ(β1 ) . k
^
(2 )
Выбрать численный метод и найти оценку β k и составляющую методи-
ческой погрешности Δ(β2 ) . k
4. Найти систематическую составляющую методической погрешности оценки коэффициента разложения. 5. Оформить отчет.
138
12.3. Содержание отчёта 1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Выражения для оценки составляющих методической погрешности и их численные значения. 6. Выводы. Пример выполнения лабораторной работы 12 приведен в Приложении 22. 12.4. Контрольные вопросы 1.
Какие составляющие погрешности образуют полную группу погрешно-
стей? 2. Из каких соображений выбирается интервал дискретизации корреляционной функции? 3. Какие составляющие методической погрешности относятся к систематическим? 4. Какие составляющие методической погрешности относятся к случайным? 5. Зависят ли численные значения составляющих методической погрешности от вида корреляционной функции и значения её параметров?
139
13. ВЛИЯНИЕ ПОГРЕШНОСТИ ОЦЕНКИ КОЭФФИЦИЕНТОВ РАЗЛОЖЕНИЯ НА УВЕЛИЧЕНИЕ ПОГРЕШНОСТИ АППРОКСИМАЦИИ КОРРЕЛЯЦИОННОЙ ФУНКЦИИ ОРТОГОНАЛЬНЫМИ ФУНКЦИЯМИ изучение погрешностей аппроксимации корреляционных функций ортогональными функциями.
Цель работы:
13.1. Теоретические основы лабораторной работы Запишем погрешность аппроксимации КФ в виде (μ (τ ) = 1) : 2
∞
^ m Δ = ∫ ⎡ K x (τ ) − σ x2 ∑ β k ψ k (τ ,α )⎤ dτ = min , ⎥⎦ ⎢ k =0 0 ⎣
(13.1)
^
где β k – оценка коэффициента β k . С учетом свойств ортогональных функций [21, 22, 23] ∞
m ^
Δ = ∫ K x2 (τ )dτ − 2σ x4 ∑ β k β k ψ k
2
k =0
0
m ^
+ σ x4 ∑ β 2k ψ k
2
.
(13.2)
k =0
Выражение (13.2) является функцией случайных оценок коэффициентов раз^
ложения β k . Считая отклонения оценок от коэффициентов разложения малыми, раз^
ложим выражение (13.2) в ряд Тейлора относительно β k в окрестности β k , ограничившись квадратичными членами ∞
Δ=∫
K x2
m
(τ )dτ − σ ∑ β ψ k 4 x
0
k =0
2 k
2
+σ
4 x
m
∑ ψk
k =0
2⎛
2
⎞ ⎜ β k − βk ⎟ . ⎝ ⎠ ^
(13.3)
В общем случае оценка коэффициентов разложения β k смещена, поэтому ^
o
β k = β k + β k + Δcм ,k .
(13.4)
С учетом того, что ∞
Δmin = ∫
K x2
m
(τ )dτ − σ ∑ β k2 ψ k 4 x
0
2
,
(13.5)
k =0
выражение (13.3) приведем к виду Δ = Δmin + Δm ,
(13.6)
2
m 2 где Δm = σ x4 ∑ ψ k ⎛⎜ β k + Δсм ,k ⎞⎟ . o
k =0
⎝
⎠
Математическое ожидание погрешности аппроксимации равно
M [Δ ] = Δmin + M [Δm ] = Δmin + σ x4 ∑ ψ k m
k =0
2
(σ
2 k
+ Δ2см ,k ) .
(13.7)
Из выражения (13.7) видно, что математическое ожидание погрешности аппроксимации, кроме минимальной погрешности, содержит вторую составляющую, численное значение которой линейно зависит от погрешности оценки коэффициентов разложения и увеличивается с увеличением числа членов разложения ряда m . Следует отметить, что в общем случае с увеличением числа членов разложения ряда Δmin уменьшается. Следовательно, существует минимум погрешности по m (см. рис. 13.1). 140
Δmin , M [Δm ]
M [Δm ]
Δmin ,
0
m
mopt Рисунок 13.1 - Составляющие погрешности аппроксимации
Выполнив все необходимые преобразования, получим дисперсию погрешности аппроксимации:
σ Δ2 = σ x8 ∑ ∑ ψ k ψ n M ⎡γ k γ n ⎤ = m
m
2
o
⎢⎣
k =0 n = 0
m
o
2
m
⎥⎦
= σ x8 ∑ ψ k σ γ2k + 2σ x8 ∑ ψ k ψ n K γ ,k ,n , 4
k =0
2
2
(13.8)
k ≠n
2 o ⎛ ⎛ ⎞ где γ k = ⎜ β k + Δсм ,k ⎟ − ⎜⎜ σ k2 + Δ2см ,k ⎝ ⎠ ⎝ o
⎞ ⎟⎟ , а σ γ2k и K γ ,k ,n - дисперсия и корреляционный ⎠
момент случайной величины γ . При условии некоррелированности γ k , γ n K γ ,k ,n = 0 , получим:
(
m
)
σ Δ2 = σ x8 ∑ ψ k σ γ2k . 4
(13.9)
k =0
o
Оценим σ γ2k . Закон распределения β k , так как выполняются условия теоремы Ляпунова, можно считать нормальным. Тогда
⎧ σ =M⎨ ⎩ 2 γk
2 ⎡⎛ o ⎛ 2 2 ⎞ ⎢⎜ β k + Δсм ,k ⎟ − ⎜⎜ σ k + Δсм ,k ⎠ ⎝ ⎣⎝
2
⎞⎤ ⎫ ⎟⎟⎥ ⎬ = 2σ k4 + 4σ k2 Δ2см ,k . ⎠⎦ ⎭
(13.10)
Подставив в (13.9) выражение (13.10) и выполнив преобразования, окончательно получим:
σ Δ2 = 2σ x8 ∑ ψ k σ k2 (σ k2 + 2Δ2см ,k ). m
4
(13.11)
k =0
Из выражения (13.11) следует, что дисперсия погрешности аппроксимации растет с увеличением числа членов разложения ряда m , а её численное значение зависит от вида ортогональных функций, дисперсии и погрешности от смещенности оценки коэффициентов разложения ряда (5.16). 141
Приведем выражения для оценки математического ожидания и дисперсии погрешности для различных систем ортогональных функций. Так как для ортогональных функций Лагерра Lk (13.11) примут вид:
σΔ =
2σ x8
∑ σ (σ α m
2
= 1 / α , выражения (13.7) и
σ x4 m 2 + ∑ (σ k + Δ2см ,k ) , α k =0
M [Δ ] = Δmin 2
2
2 k
k =0
(13.12)
+ 2 Δ2см ,k ).
2 k
(13.13)
Норма для ортогональных функций Лежандра равна Leg k Тогда выражения (13.7), (13.11) равны:
σ x4 m 2 + ∑ (σ k + Δ2см ,k ) /( 2k + 1 ) , 2α k =0
M [Δ ] = Δmin
σ x8 σΔ = 2 2α 2
∑ σ (σ m
2 k
k =0
2
Норма ортогональных функций Дирихле равна Dk тельно
σ Δ2 =
σ x8 2α 2
(13.15) 2
σ x4 m 2 + ∑ (σ k + Δ2см ,k ) /( k + 1 ) , 2α k =0
M [Δ ] = Δmin
∑ σ (σ m
2 k
k =0
+ 2 Δ2см ,k ) / (k + 1) . 2
2 k
= 1 / 2α (2k + 1) . (13.14)
+ 2 Δ2см ,k ) / (2 k + 1) .
2 k
2
= 1 / 2α (k + 1) . Следова(13.16) (13.17)
Так как на практике, как правило, оценивают относительную погрешность аппроксимации, выражения (13.6) и (13.11) приведем к виду
δ=∞
Δ
= δ min + δ m ,
∫ K (τ )dτ 2 x
(13.18)
0
где δ m =
1
m
∑ψk
2
τ k(4 ) k =0
σδ =
2
⎛ βo + Δ ⎞ . ⎜ k см ,k ⎟ ⎝ ⎠
σ Δ2
2
∞
⎡ 2 ⎤ ⎢ ∫ K x (τ )dτ ⎥ ⎣0 ⎦
2
2 = (4 )2 τ k
m
∑ ψk
k =0
4
σ k2 (σ k2 + 2Δ2см ,k ).
(13.19)
Тогда выражения для оценки относительных математических ожиданий для рассматриваемых ортогональных функций примут вид: • ортогональные функции Лагерра:
M [δ ] = δ
σ δ2 =
min
2
(4 )2
α τk 2
+
1
∑ (σ k2 + Δ2см ,k ) ;
(13.20)
∑ σ k2 (σ k2 + 2Δ2см ,k );
(13.21)
(4 )
ατ k
m
k =0
m
k =0
• ортогональные функции Лежандра: 142
M [δ ] = δ min +
1
∑ (σ 2ατ m
(4 )
k
σ δ2 =
k =0
2 k
+ Δ2см ,k ) /( 2 k + 1 ) ;
σ 2 (σ k2 + 2Δ2см ,k ) / (2k + 1) 2 (4 )2 ∑ k 2α τ m
1
k
2
(13.22) ;
(13.23)
k =0
• ортогональные функции Дирихле:
M [δ ] = δ min +
1
∑ (σ 2ατ m
(4 )
k
σ δ2 =
k =0
2 k
+ Δ2см ,k ) /( k + 1 ) ;
(13.24)
2 2 2 2 ( ) ( ) . σ σ + 2 Δ / k + 1 ∑ k k см , k 2α 2τ (4 )2 m
1
k
(13.25)
k =0
На рис. 13.2 представлены результаты определения второго слагаемого в выражениях (13.20) – ряд 1, (13.22) – ряд 2 и (13.24) – ряд 3 для различных значений погрешности оценки коэффициентов разложения (γ k= σ k2 + Δ2см ,k ). Отсюда видно, что наименьший вклад в увеличении методической погрешности аппроксимации при одинаковой погрешности оценки коэффициентов разложения наблюдается у ортогональных функций Лагерра. Увеличение методической погрешности аппроксимации (γ κ=0,05)
Увеличение методической погрешности аппроксимации (γκ=0,1) 0,5
0,12 0,1
0,4
0,08
Ряд1
0,06
Ряд2
0,04
Ряд3
Ряд1
0,3
Ряд2
0,2
Ряд3
0,1
0,02 0
0 0
5
10
15
20
0
5
10
m
15
20
m
Увеличение методической погрешности аппроксимации (γ κ=0,02) 0,02 0,015
Ряд1
0,01
Ряд2 Ряд3
0,005 0 0
5
10
15
20
m
13.2. Задание на самостоятельную работу
Рисунок 13.2 - Увеличение методической погрешности аппроксимации
143
13.2. Задание на самостоятельную работу 1. Для заданного ортогонального базиса, вида корреляционной функции, показателя колебательности μ , воспользовавшись средствами Mathcad найти выражения для оценки α , коэффициентов разложения {β k }k =0 ,...m и δ min (α , m ) (см. лабораторную работу 5). 2. Построить зависимость δ min ( m / ρ x (τ ), α ) . 3. Задавшись значениями γ k построить зависимость М [δ m ] = f 1 (m / γ k ) . 4. Построить зависимость М [δ ] = f 2 (m / γ k ) . 5. Построить зависимость mopt = f 3 (γ k / μ ) . 6.
Оформить отчет. 13.3. Содержание отчёта
1. Цель работы. 2. Задание. 3. Исходный текст программы, написанной в MathCad. 4. Результаты выполнения работы в мат. пакете MathCad. 5. Основные соотношения. 6. Результаты расчета, представленные в графической форме. 7. Выводы. Пример выполнения лабораторной работы 13 приведен в Приложении 23. 13.4. Контрольные вопросы 1.
От чего зависит значение mopt при аппроксимации корреляционных
функций ортогональными функциями? 2. Как изменится значение mopt при уменьшении значения параметра мас-
штаба α (γ ) ? 3. Как изменится значение mopt при увеличении значения показателя колебательности μ ? 4. Изменится ли значение mopt при смене ортогонального базиса?
144
14. АНАЛИЗ МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ ОЦЕНКИ ПАРАМЕТРОВ ОРТОГОНАЛЬНЫХ МОДЕЛЕЙ КОРРЕЛЯЦИОННО-СПЕКТРАЛЬНЫХ ФУНКЦИЙ С ПОМОЩЬЮ АИС Цель работы:
изучение методики и приобретение практических навыков анализа методических погрешностей оценки параметров ортогональных моделей корреляционно-спектральных функций и их характеристик методом имитационного моделирования.
14.1. Теоретические основы лабораторной работы Сопоставляя методы исследования погрешностей и характеристик погрешностей результатов измерений, следует подчеркнуть особую роль имитационного моделирования в определении характеристик погрешностей [54]. Это обусловлено тем, что составляющие погрешности, входящие в полную группу, хотя и обусловлены разными факторами, в общем случае могут быть коррелированными. Это должно учитываться при их исследовании с целью сопоставления, что делает использование аналитического подхода чрезвычайно затруднительным, а применение экспериментальных методов практически невозможным. С использованием АИС решены следующие задачи имитационного моделирования: 1. Оценка коэффициентов разложения корреляционной функции. 2. Оценка погрешностей оценки коэффициентов разложения. 3. Оценка погрешностей аппроксимации корреляционных функций. 4. Оценка обобщенных корреляционных характеристик. 5. Оценка обобщенных спектральных характеристик. 6. Составление отчета по результатам имитационного моделирования. Математическое описание алгоритмов (см. лабораторные работы 12 - 13), реализованных при проведении имитационного моделирования, включающее условные обозначения исследуемых характеристик, введенных при программной реализации, приведено ниже. 1.
Оценка коэффициентов разложения корреляционной функции. Математическое Обозначение в АИС Алгоритм обозначение
betta(a ) b(a )
βk bk
βk =
∞
1
ψk
2
∫ ρ (τ )ψ (τ ,γ )μ (τ )dτ k
0
bk = β k + ck
145
betta(t ) b(t )
betta( g ) b( g )
^
(2 )
βk
^
(2 )
βk =
ψk
βk
k
0
^
bk
(3 )
∫ ρ (τ )ψ (τ ,γ )μ (τ )dτ
2
^ (2 )
^
τ k max
1
^
b k = β k + ck ^
(3 )
βk =
τ k max ^
1
ψk
∫ ρ (τ )ψ (τ ,γ )μ (τ )dτ x
2
^ (3 )
^
bk
k
0
^
b k = β k + ck
2.
Оценка погрешностей оценки коэффициентов разложения. Математическое Обозначение в АИС Алгоритм обозначение
d (sys ) d (ran )
Δсист Δслуч
(1 )
^
(2 )
(2 )
Δсист = Δβ + Δβ = β k − β k k
k
^
(3 )
(3 )
^
(2 )
Δслуч = Δβ = β k − β k k
d (trunc )
Δмет
(3 )
^
Δмет = Δсист + Δслуч = β k − β k
3.
Оценка погрешностей аппроксимации корреляционных функций. Математическое Обозначение в АИС Алгоритм обозначение m
d ap1
δ1
^
(2 )
∑β k ψk
2
δ 1 = 1 − ∞ k =^0 2 ∫ ρ x (τ )μ (τ )dτ 0
m
d ap 2
δ2
δ2 =
∑c ψ ∞
k =0 ^ 2 x
2 k
∫ ρ (τ )μ (τ )dτ 0
d ap
146
δ
2 k
δ = δ1 + δ 2
4.
Составление таблицы по результатам имитационного моделирования. Математическое Обозначение в АИС Алгоритм обозначение
nexp
n = 1..10000
n
Pk( −0 ,5 , 0 ) (τ ,γ )
Pk(0 ,5 , 0 ) (τ ,γ ) Pk(0 , 0 ) (τ ,γ )
basis
Pk(1 , 0 ) (τ ,γ )
ψ k (τ ,γ )
Pk( 2 , 0 ) (τ ,γ ) L(k0 ) (τ ,γ ) L(k1 ) (τ ,γ ) L(k2 ) (τ ,γ ) e
e CF
ρ (τ )
−λ τ
−λ τ
e − λ τ (1 + λ τ
)
e − λ τ (1 − λ τ
)
λ2τ 2 ⎞ ⎛ ⎜1 + λ τ + ⎟ 3 ⎠ ⎝ e
−λ τ
cos ω0τ
⎛ λ ⎜⎜ cos ω0τ + sin ω0 τ ω0 ⎝
⎞ ⎟⎟ ⎠
⎛ λ e −λ τ ⎜⎜ cos ω0τ − sin ω0 τ ω ⎝ 0
⎞ ⎟⎟ ⎠
e
−λ τ
w0 / lambda
ω0 / λ
λ > 0 , ω0 > 0
delta
δ
0 ,2; 0 ,1; 0 ,05; 0 ,02
147
N
N
M [d ap ]
M [δ ]
MSE[d ap ]
σ [δ ]
max(d ap )
max δ j
N = 1..1000000
{ }
j = 1..nexp
5.
Оценка обобщенных корреляционных характеристик. Математическое Обозначение в АИС Алгоритм обозначение
tau 2 tau 2(t ) tau 4 tau 4(t )
^ (2 )
τk
^ (2 )
m
(3 )
^
τ k = ∑ β k τ k( 2,и) k =0
τ k( 2 ) ^ (4 )
τk
^ (4 )
^
m
τ k = ∑β
(3 ) 2
k =0
k
τ k(4,и)
τ k(4 ) (2 )
^ (2 )
error (tau 2 )
δτ ( ) k
2
δτ ( ) = k
τ k −τ k (2 )
2
τk
(4 )
^ (4 )
error (tau 4 )
δτ ( ) k
4
6.
δτ ( ) = k
4
τ k −τ k (4 )
τk
Оценка обобщенных спектральных характеристик. Математическое Обозначение в АИС Алгоритм обозначение
we (1)
S max (1)
148
^ (1 )
ωэ ^ (1 )
S x (ω э )max
dwe (1)
we (1)(t )
S max (1)(t )
^ (1 )
Δω э
(1 )
ωэ (1 )
S x (ω э )max
dwe (1)(t )
Δω э
we (2 )
ωэ
S max (2 )
⎧ ^ ' (1 ) 1 ⎪Δ ω э = ^ ( 1 ) ⎪ 2 S x (ω э )max ⎨ ^ (1 ) ⎪ ^ (1 ) ^ (1 ) Δ ω ' э ⎪ Δω э = ω э + ⎩ 2
(1 )
^
⎧ ' (1 ) 1 (1 ) ⎪Δ ω э = ⎪ 2 S x (ω э )max ⎨ (1 ) (1 ) (1 ) ' ⎪ Δω э ⎪ Δω э = ω э + ⎩ 2
(2 )
^
(2 )
^ (1 )
ωэ =ωэ
^ (2 )
S x (ω э )max ∞ ^ (2 )
dwe (2 )
we (2 )(t ) S max (2 )(t )
(2 )
^
Δω э
^
Δω
(2 ) э
^
∫ S (ω )dω x
(2 )
=ωэ +
(2 )
^ (2 ) ωэ
^ (2 )
S x (ω э )max
(2 )
ωэ
(1 )
ωэ =ωэ
(2 )
S x (ω э )max (2 )
∞
dwe (2 )(t )
(2 )
Δω э
Δω
(2 ) э
δ
(1 )
ωэ
δ
x
=ωэ + ω
^
error (we (1))
∫ S (ω )dω
(2 )
(1 )
ωэ
=
ω
(1 ) э
(2 ) э
(2 )
S x (ω э )max
−ω
ω
(1 ) э
(1 ) э
149
(1 )
^ (1 )
δ
error (S max(1))
(1 )
Sx
δ
(ω э )max
(1 )
Sx
(ω э )max
=
S x (ω э )max − S x (ω э )max (1 )
S x (ω э )max (1 )
^
δ
error (dwe (1))
δ
(1 )
Δω э
=
(1 )
Δω
э
ωэ
δ
error (we (2 ))
δ
(2 )
ωэ
− Δω
(2 )
(2 )
=
ω
э
ωэ
э
−ω
ω
э
(1 )
Δω ^
(1 )
(2 ) э
(2 ) э
(2 )
^ (2 )
δ
error (S max(2 ))
(2 )
Sx
δ
(ω э )max
(2 )
Sx
(ω э )max
=
S x (ω э )max − S x (ω э )max (2 )
S x (ω э )max (2 )
^
δ
error (dwe (2 ))
δ
(2 )
Δω э
(2 )
=
Δω
э
ωэ
(2 )
− Δω
Δω
э
(2 ) э
14.2. Задание на самостоятельную работу 1. Задать параметры имитационного моделирования в соответствующих подсистемах автоматизированной системы: 1.1. Вид корреляционной функции ρ x (τ ,ω0 λ ) с параметрами M = ent[τ k max / Δτ ] , μ = ω0 λ , δ = 0 ,05; 0 ,02; 0 ,1; 0 ,2 . 1.2. Вид ортогональной функции ψ k (τ ,γ ) . 1.3. Настройка параметров аппроксимации (выполняемость основного свойства, инвертирование, установка максимума в «нуль», диапазон поиска числа членов разложения). 1.4. Объем выборки N . 1.5. Число проводимых экспериментов nexp . 2. Провести имитационное моделирование и выгрузить результаты моделирования в MS Excel. 3. Построить следующие зависимости с помощью MS Excel: 3.1. Графические зависимости M [δ ] N / μ , nexp , σ [δ ] N / μ , nexp ,
(
{ }
)
max δ j (N / μ , nexp ) , δ τ ( ) (N / μ , nexp ) , δ τ ( ) (N / μ , nexp ) , δ
δ
(2 )
ωэ
δ
(2 )
Δω э
150
(N / μ , n ) , δ (N / μ , n ). exp
exp
k
(1 )
Sx
(ω э )max
2
(N / μ , n ) , exp
k
δ
(2 )
Sx
4
(ω э )max
(N / μ , n ) , exp
δ
(1 )
ωэ
( ) (N / μ , n ) , (N / μ , n ) ,
(1 )
Δω э
exp
exp
3.2.
{ }
Графические
зависимости
M [δ ](μ / N , nexp ) , σ [δ ](μ / N , nexp ) ,
max δ j (μ / N , nexp ) , δ τ ( ) (μ / N , nexp ) , δ τ ( ) (μ / N , nexp ) , δ
δ
(2 )
ωэ
δ
(μ / N , n ) , δ (μ / N , n ). exp
(2 )
Δω э
k
(1 )
Sx
(ω э )max
2
(μ / N , n ) , exp
k
δ
(2 )
Sx
4
(ω э )max
(μ / N , n ) , exp
δ
{ }
Графические
зависимости
(2 )
δ
(n (n
(2 )
Δω э
4. 5. 6.
exp
(1 )
Δω э
exp
M [δ ](nexp / N , μ ) , σ [δ ](nexp / N , μ ) ,
max δ j (nexp / N , μ ) , δ τ ( ) (nexp / N , μ ) , δ τ ( ) (nexp / N , μ ) , δ ωэ
(μ / N , n ) , (μ / N , n ) ,
exp
3.3.
δ
(1 )
ωэ
exp
/ N,μ) , δ
exp
/ N , μ ).
k
(1 )
Sx
(ω э )max
2
(n
exp
/ N , μ) , δ
k
(2 )
Sx
4
(ω э )max
(n
exp
/ N ,μ) , δ
(1 )
ωэ
(n (n
(1 )
Δω э
exp
exp
/ N,μ) , / N , μ) ,
Изменить пункты 1.4 и 1.5. Изменить пункт 1.1. Изменить пункт 1.2, повторить пункты 1 - 5 и выбрать наилучший базис. 14.3. Содержание отчёта
1. Цель работы. 2. Задание. 3. Результаты проведения имитационного моделирования в автоматизированной системе, представленные в виде экранных форм. 4. Результаты проведения имитационного моделирования в виде документа MS Excel. 5. Результаты построения требуемых графических зависимостей в виде документа MS Excel. 6. Выводы. 14.4. Контрольные вопросы 1. Каким образом влияет изменение объема выборки на погрешность аппроксимации? Погрешности оценки обобщенных корреляционно-спектральных характеристик? 2. Каким образом влияет изменение показателя колебательности на погрешность аппроксимации? Погрешности оценки обобщенных корреляционноспектральных характеристик? 3. Влияет ли на результаты проведенных экспериментов пересчет коэффициентов разложения с учетом выполнения основного свойства? 4. Какое число экспериментов рекомендуется проводить? Почему? 5. Какой из способов оценки интервалов корреляции дает худший результат? Почему? 6. Какой из способов оценки эквивалентной ширины спектральной плотности мощности дает лучший результат? В каких случаях и почему?
151
ЗАКЛЮЧЕНИЕ В предлагаемом лабораторном практикуме рассмотрены вопросы: 1) математического описания ортогональных полиномов и функций, исследования их свойств; 2) построения ортогональных моделей корреляционно-спектральных функций и их обобщенных характеристик; 3) анализа погрешностей оценки параметров ортогональных моделей корреляционно-спектральных характеристик. Лабораторные работы выполняются как с помощью математического пакета Mathcad, так и с помощью разработанной автоматизированной информационной системы. Учитывая разнообразие вероятностных характеристик случайных процессов, естественно, работу в этой области нельзя считать решенной в полной мере. Однако, авторы полагают, что предлагаемый базовый вариант лабораторных работ предоставляет возможность для обучения научных сотрудников, аспирантов и студентов методам построения ортогональных моделей вероятностных характеристик случайных процессов, имитационного моделирования и обработки случайных процессов. Кроме этого, разработанная автоматизированная информационная система может применяться для решения разнообразных задач науки и техники методом имитационного моделирования, а так же обработки результатов экспериментальных исследований объектов различной природы. Т.е. предлагаемая система может использоваться в качестве вспомогательной системы при выполнении лабораторных работ по другим курсам, например, связанным с испытаниями объектов авиационно-космической техники. Полученные результаты моделирования и обработки результатов экспериментальных исследований с помощью автоматизированной информационной системы могут экспортироваться в MS Excel и MS Word, что существенно облегчает их дальнейшее использование. Отметим, что предлагаемый перечень лабораторных работ отражает лишь опыт и точку зрения автора и может быть существенно расширен как по номенклатуре работ, так и по количеству пунктов исследований в каждой работе.
152
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы: Учеб. пособие. – М.: Наука. Гл. ред. физ.-мат. лит., 1987. – 600 с. 2. Бобнев М.П. Генерирование случайных сигналов. Изд. 2-е перераб. и доп. М.: «Энергия», 1971. – 239 с. 3. Быков В.В. Цифровое моделирование в статистической радиотехнике. – М.: Сов. радио, 1971. 4. Вентцель Е.С. Теория вероятностей. - М.: Наука, 1969. – 576 с. 5. Градштейн И.С., Рыжик И.М. Таблицы интегралов, сумм, рядов и произведений. - М.: Физматгиз, 1963. – 1100 с. 6. Дедус Ф.Ф., Махортых С.А., Устинин М.Н. и др. Обобщенный спектральноаналитический метод обработки информационных массивов. Задачи анализа изображений и распознавания образов. – М.: Машиностроение, 1999. – 357 с. 7. Джексон Д. Ряды Фурье и ортогональные полиномы. - М.: Главное издательство иностранной литературы, 1974. – 260 с. 8. Дженкинс Г., Ваттс Д. Спектральный анализ и его приложения. Ч.1. - М.: Мир, 1971. – 320 с. 9. Дженкинс Г., Ваттс Д. Спектральный анализ и его приложения.Ч.2. - М.: Мир, 1972. – 288 с. 10. Докин В.Н., Жуков В.Д., Колокольникова Н.А. и др. Комбинаторные числа и полиномы в моделях дискретных распределений. – Иркутск: Изд-во ИГУ, 1990. – 208 с. 11. Егорычев Г.П. Интегральное представление комбинаторных сумм. – Новосибирск: Наука, 1977. – 286 с. 12. Ермаков С.М. Метод Монте-Карло и смежные вопросы. – М.: Наука, 1971. – 327 с. 13. Куликовских И.М. Многомерная параметрическая модель артериальной пульсовой волны //Биотехнические, медицинские, экологические системы и комплексы (БИОМЕДСИСТЕМЫ - 2007): Материалы ХХ Юбилейной Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань, 2007. – С. 112-113. 14. Лебедев П.А., Калакутский Л.И., Власова С.П. и др. Диагностика функции сосудистого эндотелия у больных с сердечно-сосудистыми заболеваниями. Методические указания. – СГАУ. – Самара, 2004. – 18 с. 15. Леоненков А.В. Самоучитель UML – СПб.: БХВ - Петербург, 2001. – 304 с., ил. 16. Методы нормирования метрологических характеристик, оценки и контроля характеристик погрешностей средств статистических измерений. РТМ 25 139-74 //Минприбор. – 1974. – 76 с. 17. Натансон И.П. Теория функций вещественной переменной. - М.: Главная редакция физико-математической литературы изд-ва «Наука», 1974. – 480 с. 18. Никифоров А.Ф., Суслов С.К., Уваров В.Б. Классические ортогональные полиномы дискретной переменной. – М.: Наука, 1985. 19. Полляк Ю.Г. Вероятностное моделирование на электронных вычислительных машинах. – М.: Сов. радио, 1971. – 400 с. 20. Попов Ю.П., Самарский А.А. Вычислительный эксперимент. - Новое в жизни, науке и технике. Сер. Мат-ка, киб., 1983, №11, М.: Знание. – 64 с. 21. Прикладной анализ случайных процессов/Под ред. С.А. Прохорова. – Самара: СНЦ РАН, 2007. – 582 с. 22. Прохоров С.А. Аппроксимативный анализ случайных процессов. – 2-е изд., перераб. и доп./СНЦ РАН, 2001. – 380 с., ил. 23. Прохоров С.А. Аппроксимативный анализ случайных процессов. – Самара, СНЦ РАН, 2001. – 329 с. 153
24. Прохоров С.А. Математическое описание и моделирование случайных процессов/Самар. гос. аэрокосм. ун-т. – Уральск, 2001. – 209 с.: ил. 25. Прохоров С.А. Моделирование и анализ случайных процессов. Лабораторный практикум./Самар. гос. аэрокосм. ун-т, Уральск, 2001. – 191 с.: ил. 26. Прохоров С.А. Моделирование и анализ случайных процессов. Лабораторный практикум. – 2-е изд., перераб. и доп./СНЦ РАН, 2001. – 277 с., ил. 27. Прохоров С.А. Прикладной анализ неэквидистантных временных рядов/Самар. гос. аэрокосм. ун-т. – Уральск, 2001. – 374 с.: ил. 28. Прохоров С.А., Иващенко А.В., Графкин А.В.; Под ред. Прохорова С.А. Автоматизированная система корреляционно-спектрального анализа случайных процессов. - СНЦ РАН, 2003. – 286 с., ил. 29. Прохоров С.А., Графкин А.В., Графкин В.В. Автоматизированный комплекс корреляционно-спектрального анализа методом аппроксимации ортогональными функциями/ Вестник Самарского государственного технического университета. Выпуск 33. Серия «Технические науки». 2005. – С. 329-324. 30. Прохоров С.А., Кудрина М.А., Кудрин К.А. Автоматизированная система аппроксимативного корреляционно-спектрального анализа/ Вестник Самарского государственного аэрокосмического университета № 1 (5), 2004. – С. 117-123. 31. Прохоров С.А., Куликовских И.М. Автоматизированная система аппроксимативного корреляционно-спектрального анализа в ортогональных базисах Якоби/ Труды 5 Всероссийской межвузовской научно-практической конференции «Компьютерные технологии в науке, практике и образовании», СГТУ, Самара, 2006. – С. 50-53. 32. Прохоров С.А., Куликовских И.М. Корреляционно-спектральный анализ в ортогональных базисах Якоби/ Труды Всероссийской межвузовской научно-практической конференции «Компьютерные технологии в науке, практике и образовании», СГТУ, Самара, 2005. – С. 54-59. 33. Прохоров С.А. Лабораторный практикум по моделированию и анализу случайных процессов/ Материалы XIV научно-технической конференции с участием зарубежных специалистов «Датчики и преобразователи информации систем измерения, контроля и управления «Датчик-2002»». – С. 305-306. 34. Прохоров С.А. Частотные свойства ортогональных функций экспоненциального типа/ Труды научно-технической конференции с международным участием «Перспективные информационные технологии в научных исследованиях, проектировании и обучении (ПИТ-2006)». Том 2. – Самара, 2006. – С. 55- 62. 35. Прохоров С.А., Куликовских И.М. Автоматизированная информационная система исследования ортогональных полиномов и функций семейства Якоби //Проблемы автоматизации и управления в технических системах: Материалы международной научнотехнической конференции. – ИИЦ ПГУ. – Пенза, 2007. – С. 149-152. 36. Прохоров С.А., Куликовских И.М. Автоматизированная система аппроксимативного корреляционно-спектрального анализа в ортогональных базисах Якоби //Компьютерные технологии в науке, практике и образовании: Труды Всероссийской межвузовской научно-практической конференции. – СГТУ. – Самара, 2006. – С. 50-53. 37. Прохоров С.А., Куликовских И.М. Автоматизированная система корреляционно-спектрального анализа в ортогональных базисах //Современные проблемы информатизации в анализе и синтезе технологических и программно-телекоммуникационных систем (СПИ-2008): Сборник трудов XIII Международной открытой конференции. – Воронеж, 2008. –Выпуск 13. – С. 313-317. 38. Прохоров С.А., Куликовских И.М. Корреляционно-спектральный анализ в ортогональных базисах Чебышева// Радиотехника и связь: Материалы четвертой международной научно-технической конференции. - Саратов, 2007. – С. 12-17. 39. Прохоров С.А., Куликовских И.М. Корреляционно-спектральный анализ в ортогональных базисах Якоби //Компьютерные технологии в науке, практике и образовании: 154
Труды Всероссийской межвузовской научно-практической конференции. – СГТУ. – Самара, 2005. – С. 54-59. 40. Прохоров С.А., Куликовских И.М., Москаленко И.С. Лабораторный практикум по корреляционно-спектральному анализу случайных процессов в ортогональных базисах //Перспективные информационные технологии в научных исследованиях, проектировании и обучении (ПИТ - 2006): Труды научно-технической конференции с международным участием. – Самара, 2006. – Т.3. – С. 117-120. 41. Прохоров С.А., Куликовских И.М. Об одном подходе к уточнению параметра масштаба ортогональных функций в задачах аппроксимативного корреляционноспектрального анализа //Компьютерные технологии в науке, практике и образовании: Труды Всероссийской межвузовской научно-практической конференции. – СГТУ. – Самара, 2007. – С. 42-45. 42. Прохоров С.А., Иващенко А.В. Автоматизированная система для аппроксимативного анализа взаимных корреляционно-спектральных характеристик временных рядов / Труды международного симпозиума "Надежность и качество" / Под ред. Н.К. Юрьева. Пенза: Информационно-издательский центр Пензенского гос. университета, 2002. – С. 146-149. 43. Прохоров С.А., Куликовских И.М. Программный комплекс аппроксимативного анализа корреляционных и спектральных характеристик случайных процессов в классических ортогональных базисах Якоби и Сонина-Лагерра //Инновационные технологии в управлении, образовании, промышленности (АСТИНТЕХ-2007): Материалы Всероссийской научной конференции. – Издательский дом «Астраханский университет». – Астрахань, 2007. – С. 130-134. 44. Прохоров С.А., Графкин А.В. Программный комплекс корреляционноспектрального анализа в ортогональных базисах. – Самара: СНЦ РАН, 2005. – 241 с. 45. Прохоров С.А. Частотные свойства ортогональных функций экспоненциального типа //Перспективные информационные технологии в научных исследованиях, проектировании и обучении (ПИТ - 2006): Труды научно-технической конференции с международным участием. – Самара, 2006. – Т.2. – С. 55-62. 46. Прохоров С.А., Куликовских И.М. Частотные свойства ортогональных функций Якоби //Информационные технологии в высшем профессиональном образовании: сборник докладов второй межрегиональной научно-технической конференции. – Тольятти, 2007. – С. 125-128. 47. Прохоров С.А., Куликовских И.М. Частотные характеристики ортогональных функций Сонина-Лагерра //Вестник Самарского государственного технического университета. Серия «Физико-математические науки». -2007. - №15. – С. 123-127. 48. Пугачёв В.С. Введение в теорию вероятностей. - М.: Наука, 1968. – 368 с. 49. Пугачёв В.С. Теория случайных функций. - М.: Физматиздат., 1962. – 884 с. 50. Романенко А.Ф., Сергеев Г.А. Аппроксимативные методы анализа случайных процессов. - М.: Энергия, 1974. – 176 с., ил. 51. Романенко А.Ф., Сергеев Г.А. Вопросы прикладного анализа случайных процессов. - М.: Сов. радио, 1968 . – 256 с. 52. Свешников А.Г., Тихонов А.Н. Теория функций комплексной переменной. – М.: Физматлит, 2001. – 336 с. 53. Суетин П.К. Классические ортогональные многочлены. - М.: Наука, 1976. – 328 с. 54. Цветков Э.И. Методические погрешности статистических измерений - Л: Л.: Энергоатомиздат, Ленингр. отделение, 1984. – 144 с., ил. 55. Цветков Э.И. Основы теории статистических измерений. - 2-е изд., перераб. и доп. - Л.: Энергоатомиздат, Ленингр. отделение, 1982. – 256 с. 56. Шеннон Р. Имитационное моделирование систем – искусство и наука. – М.: Мир, 1972. 155
57. Lampard D.G. A new Method of determining Correlation Function Stationary Time Series. “Proceedings of the Institution of Electrical Engineers”, vol. 102, part. C. March, 1955, London, № 1. 58. http://millionreferatov.ru/text/18/610.htm 59. http://www.univer.omsk.su/omsk/Edu/Math/ddirihle.html 60. http://be.sci-lib.com/article058261.html 61. http://l-polindrom.com.ru 62. http://www-groups.dcs.st-and.ac.uk/~history/Biographies/Rodrigues.html 63. http://en.wikipedia.org/wiki/Olinde_Rodrigues 64. http://www.math.ru/history/people/Rodrigues 65. http://www.biografija.ru/show_bio.aspx?id=120313 66. http://ru.wikipedia.org/wiki 67. http://www.oval.ru/enc/81859.html 68. http://www.cultinfo.ru/fulltext/1/001/008/121/648.html 69. http://www.krugosvet.ru/articles/106/1010637/1010637a1.htm 70. http://www.c-cafe.ru/days/bio/5/084.php 71. http://www.krugosvet.ru/articles/39/1003936/1003936a1.html 72. http://www.univer.omsk.su/omsk/Edu/Math/jajakobi.html
156
Приложение 1 ВИД ОРТОГОНАЛЬНЫХ ПОЛИНОМОВ 0 – 5 ПОРЯДКОВ
Лагерра
Сонина-Лагерра (1)
Сонина-Лагерра (2)
Лежандра
Якоби (1, 0)
Якоби (2, 0)
157
Продолжение приложения 1
158
Якоби (0, 1)
Якоби (0, 2)
Якоби (-0,5, 0)
Якоби (0,5, 0)
Чебышева 1-ого рода
Чебышева 2-ого рода
Дирихле 1
Дирихле 2
Приложение 2 ЛАБОРАТОРНАЯ РАБОТА 1. «ИССЛЕДОВАНИЕ СВОЙСТВ ОРТОГОНАЛЬНЫХ ПОЛИНОМОВ» Цель работы:
изучение основных свойств классических ортогональных полиномов, приобретение навыков работы с ними.
1. Представление ортогональных полиномов k - ого порядка 1.1. Представить ортогональные полиномы в форме Родрига и получить аналитические выражения и графики для первых шести порядков.
P1( k , x) :=
1 if k
0
⎡⎢ d k ⎤ k+ 1 k⎥ ( 1 − x) ⋅ ( 1 + x) k ⎥ otherwise k ( 1 − x) ⎢ d x ⎣ ⎦ k!⋅ 2
( −1)
k
1
⋅
⋅
P1( 0 , x) simplify → 1
P1( 1 , x) simplify →
P1( 2 , x) simplify →
P1( 3 , x) simplify →
P1( 4 , x) simplify →
P1( 5 , x) simplify →
1 2
−1 2 −3 8 3 8
3
+
−
35 16
2
⋅x
+ x+
− 3 2
15 8
⋅x +
⋅x −
⋅x +
5 2 ⋅x 2 15 2 35 3 ⋅x + ⋅x 8 8
21 2 7 3 63 4 ⋅x + ⋅x + ⋅x 4 2 8
105 4 105 3 35 2 5 231 5 ⋅x − ⋅x − ⋅x + + ⋅x 16 8 8 16 16
159
6 5 P1 ( 0 , x )
4
P1 ( 1 , x )
3
P1 ( 2 , x )
2
P1 ( 3 , x ) P1 ( 4 , x )
1
P1 ( 5 , x )
0 1 2
1
0.75
0.5
0.25
0
0.25
0.5
0.75
1
x
1.2. Представить ортогональные полиномы в виде конечного ряда и получить аналитические выражения и графики для первых шести порядков. k
P( k , x) :=
∑
s =0
x − 1⎞ ⋅ ⋅ ⎛⎜ ⎟ s!⋅ ( k − s )! k!⋅ ( s + 1)! ⎝ 2 ⎠ ( k + s + 1)!
k!
s
P( 0 , x) simplify → 1 P( 1 , x) simplify →
P( 2 , x) simplify →
P( 3 , x) simplify →
P( 4 , x) simplify →
P( 5 , x) simplify →
1
+
2
−1 2 −3 8 3 8 35 16
−
3 2
⋅x
+ x+
− 3 2
⋅x +
15 8
5 2 ⋅x 2
⋅x +
⋅x −
15 2 35 3 ⋅x + ⋅x 8 8
21 2 7 3 63 4 ⋅x + ⋅x + ⋅x 4 2 8
105 4 105 3 35 2 5 231 5 ⋅x − ⋅x − ⋅x + + ⋅x 16 8 8 16 16
6 5 P ( 0 , x) P ( 1 , x) P ( 2 , x) P ( 3 , x)
4 3 2
P ( 4 , x)
1
P ( 5 , x)
0 1 2
1
0.75
0.5
0.25
0 x
160
0.25
0.5
0.75
1
2. Определить интервал ортогональности [a, b]. Рассчитать ортогональные полиномы k - ого порядка на концах интервала ортогональности.
1 0.75 P( 0 , x)
0.5
P( 1 , x) P( 2 , x)
0.25 0
P( 3 , x)
P( 4 , x) 0.25 P( 5 , x) 0.5 0.75 1
2
1
0
1
2
3
4
x
a := −1
k := 0 .. 5
b := 1
P( k , −1) =
P( k , 1) =
1
1
-1
2
1
3
-1
4
1
5
-1
6
3. Определение нормы ортогональных полиномов. 3.1. Определить значения нормы ортогональных полиномов из выражения (1. 7). Результат - в виде матрицы значений размерностью (k, m), привести графическую интерпретацию.
k := 6
μ ( x) := 1 − x
i := 0 .. k − 1 m := k j := 0 .. m − 1
161
b
⌠ NormP( i, j) := ⎮ P( i, x) ⋅ P( j , x) ⋅ μ ( x) dx ⌡ a
NormMP := matrix( k , m , NormP )
⎛ 0 0 2 ⎜ ⎜ 1 0 0 ⎜ ⎜ 0 0.667 0 NormMP = ⎜ ⎜ −1.235 × 10− 15 1.436 × 10− 15 0 ⎜ − 15 − 15 − 15 −4.215 × 10 5.079 × 10 ⎜ −4.607 × 10 ⎜ − 14 − 14 − 15 −1.073 × 10 3.962 × 10 ⎝ 2.326 × 10
− 15
−1.235 × 10
− 15
1.436 × 10
− 15
−4.607 × 10
− 15
5.079 × 10
− 15
0
−4.215 × 10
0.5
2.359 × 10
− 15
− 15
2.359 × 10
− 15
−2.033 × 10
0.4 − 15
−1.138 × 10
⎞ ⎟ − 14 ⎟ −1.073 × 10 ⎟ − 15 ⎟ 3.962 × 10 ⎟ − 15 ⎟ −2.033 × 10 ⎟ − 15 −1.138 × 10 ⎟ ⎟ 0.333 ⎠
NormMP
3.2. Определить значение нормы ортогональных полиномов k - ого порядка, используя выражение, приведенное в таблице 1.2. Результат представить в виде вектора значений. NormPT( i) :=
162
2 i+ 1
− 14
2.326 × 10
NormPT( i) = 2 1 0.667 0.5 0.4 0.333
4. Проверить выполняемость 1 - ого условия ортогональности. m := 0 .. 15 b
⌠ Norm( m, n ) := ⎮ P( m, x) ⋅ P( n , x) ⋅ μ ( x) dx ⌡ a
Norm( m, 16) = 0.3
-3.617·10 -6 -6
2.929·10 -1.916·10 -6 7.979·10 -7 1.688·10 -7 1.555·10
-7
0.25 Norm( m , 9) Norm( m , 15)
2.069·10 -7
Norm( m , 16)
-3.706·10 -7
Norm( m , 19)
3.599·10 -7 -2.356·10
0.2 0.15 0.1 0.05 0
-7
0.05
6.802·10 -8
0.1
8.129·10 -8 -1.688·10 -7
0
2.5
5
7.5
10
12.5
15
m
1.754·10 -7 -1.595·10 -8
1 - ое условие ортогональности выполнено
-2.392·10 -8
5. Проверить выполняемость 2 - ого условия ортогональности. x := 0
j := 1 .. 25
163
f ( j , x) := P( j , x)
solution ( j) := root ( f ( j , x) , x) solution ( j) = 0.4
-0.333
0.29
0.29 -0.181
0.2
0.167 -0.124 0.117 -0.094
solution( j)
0
0.09 -0.076 0.073
0.2 − 0.333
-0.064 0.062 -0.055 0.053
0.4
5
10
15
20
25
j
-0.048 0.047
164
2 - ое условие ортогональности выполнено
Приложение 3 ВИД ОРТОГОНАЛЬНЫХ ФУНКЦИЙ 0 – 5 ПОРЯДКОВ
Лагерра
Сонина-Лагерра (1)
Сонина-Лагерра (2)
Лежандра
Якоби (1, 0)
Якоби (2, 0)
165
Продолжение приложения 3
Якоби (0, 1)
Якоби (0, 2)
Якоби (-0,5, 0)
Якоби (0,5, 0)
Чебышева 1-ого рода
Чебышева 2-ого рода
Дирихле
166
Приложение 4 ПРАВИЛА ДЕЙСТВИЙ НАД КОЭФФИЦИЕНТАМИ ПРОИЗВОДЯЩИХ ФУНКЦИЙ И ИНТЕГРАЛЬНОЕ ПРЕДСТАВЛЕНИЕ КОМБИНАТОРНЫХ ЧИСЕЛ Правила действий над коэффициентами Таблица П 4.1 Правило 1 (снятия коэффициента)
Coef A( w )w − k −1 = Coef B( w )w − k −1 , k = 0 ,1,... , w
w
тогда и только тогда, когда
A( w ) = B( w )
Правило 2 (линейности)
α ⋅ Coef A( w )w − k −1 + β ⋅ Coef B( w )w − k −1 = Coef (α ⋅ A( w ) + β ⋅ B( w ))w − k −1 w
w
w
Правило 3 (замены переменных) Если z ∈ R , то ∞
∑z
k
Coef A( w )w − k −1 = A( z ) w
k =0
Соотношение остается справедливым и в случае, когда A( w ) - полином, а
z=
∞
∑a
k =− m
k
w k , a m ≠ 0 , где m - натуральное число.
Правило 4 (обращения) Если f ( w ) ∈ R0 , то ∞
∑z k =0
k
Coef A( w ) f k ( w )w − k −1 = [A( w )( f ( w )h′( w ))−1 ] w= g ( z ) , w
где h( w ) = wf −1 ( w ) , а g( z ) ∈ R - обратный элемент в кольце R к ряду z = h( w ) ∈ R . Правило 5 (замены переменных под знаком Coef) Если f ( z ) ∈ R0 , то
Coef ( A( w ) f k ( w )w − k −1 ) = Coef [A( w )( f ( w )h′( w ))−1 ] w
z
z − k −1 ,k = 0 ,1,..., w= g ( z )
где h( w ) = wf ( w ) , а g( z ) ∈ R - обратный элемент в кольце R к ряду z = h( w ) ∈ R . Правило 6 (разложения в ряд Бюрмана-Лагранжа) Если g( w ) ∈ R , h( z ) = zf −1 ( z ) ∈ R - обратный элемент в кольце R к ряду g (w) , то −1
∞
B( z ) z = g ( w ) = ∑ w k Coef B( w )h ′( w ) f k =0
k +1
( w )w − k −1
w
Правило 7 (дифференцирования)
k Coef A( w )w − k −1 = Coef A′( w )w − k , k = 0 ,1,... w
w
167
Продолжение таблицы П 4.1 Правило 8 (интегрирования)
1 ⎛w ⎞ Coef A( w )w − k −1 = Coef ⎜ ∫ A( w )dw ⎟ w − k − 2 , k = 0 ,1,... w k +1 w ⎝0 ⎠ Таблица М интегральных представлений чисел Таблица П 4.2 1. Биномиальный коэффициент Определение и интегральное представление - M 1 = M 1 ( w )
n=0 ⎧1, ⎪α (α − 1)(α − 2 )...(α − n + 1) ⎪ , n = 1,2 ,3... • Cαn = ⎨ n ! ⎪ n = −1,−2 ,−3 ,... ⎪⎩0 , 1 α (1 + w)α w − n−1 dw Cαn = Coef (1 + w) w − n −1 = ∫ w 2πi w = ρ
0< ρ m 1 m (1 + w)m w − n −1 dw C mn = Coef (1 + w) w − n −1 = 0