- •Оглавление
- •Предисловие
- •Введение
- •§ 1.1. Предварительные замечания
- •§ 1.2. Роль системных представлений в практической деятельности
- •§ 1.3. Внутренняя системность познавательных процессов
- •§ 1.4. Системность как всеобщее свойство материи
- •§ 1.5. Краткий очерк истории развития системных представлений
- •Заключение
- •Литература
- •Упражнения
- •§ 2.1. Широкое толкование понятия модели
- •§ 2.2. Моделирование – неотъемлемый этап всякой целенаправленной деятельности
- •§ 2.3. Способы воплощения моделЕй
- •Insight озарение
- •§ 2.4. Условия реализации свойств моделей
- •§ 2.5. Соответствие между моделью и действительностью: различия
- •InherencEингерентность
- •§ 2.6. Соответствие между моделью и действительностью: сходство
- •§ 2.7. О динамике моделей
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 3.1. Множественность моделей систем
- •§ 3.2. Первое определение системы
- •Inputs входы (системы)
- •§ 3.3. Модель “черного ящика”
- •§ 3.4. Модель состава системы
- •§ 3.5. Модель структуры системы
- •§ 3.6. Второе определение системы. Структурная схема системы
- •§ 3.7. Динамические модели систем
- •Vertex вершина (графа)
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 4.1. Искусственные системы и естественные объекты
- •§ 4.2. Обобщение понятия системы. Искусственные и естественные системы
- •§ 4.3. Различные классификации систем
- •Variable переменная
- •§ 4.4. О больших и сложных системах
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 5.1. Информация как свойство материи
- •§ 5.2. Сигналы в системах
- •Information
- •Interference
- •§ 5.3. Случайный процесс – математическая модель сигналов
- •§ 5.4. Математические модели реализаций случайных процессов
- •§ 5.5. О некоторых свойствах непрерывных сигналов
- •§ 5.6. Энтропия
- •Independent независимый
- •§ 5.7. Количество информации
- •Interaction взаимодействие
- •§ 5.8. Об основных результатах теории информации
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 6.1. Эксперимент и модель
- •§ 6.2. Измерительные шкалы
- •Interval
- •§ 6.3. Расплывчатое описание ситуаций
- •§ 6.4. Вероятностное описание ситуаций. Статистические измерения
- •§ 6.5. Регистрация экспериментальных данных и ее связь с последующей их обработкой
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 7.1. Многообразие задач выбора
- •§ 7.2. Критериальный язык описания выбора
- •§ 7.3. Описание выбора на языке бинарных отношений
- •§ 7.4. Язык функций выбора
- •§ 7.5. Групповой выбор
- •Voting голосование
- •§ 7.6. Выбор в условиях неопределенности
- •§ 7.7. О выборе в условиях статистической неопределенности
- •§ 7.8. Выбор при расплывчатой неопределенности
- •§ 7.9. Достоинства и недостатки идеи оптимальности
- •§ 7.10. Экспертные методы выбора
- •§ 7.11. Человеко-машинные системы и выбор
- •§ 7.12. Выбор и отбор
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 8.1. Анализ и синтез в системных исследованиях
- •§ 8.2. Модели систем как основания декомпозиции
- •§ 8.3. Алгоритмизация процесса декомпозиции
- •Ignorance незнание, невежество
- •§ 8.4. Агрегирование, эмерджентность, внутренняя целостность систем
- •§ 8.5. Виды агрегирования
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •§ 9.1. Что такое системный анализ
- •§ 9.2. Формулирование проблемы
- •§ 9.3. Выявление целей
- •§ 9.4. Формирование критериев
- •Values ценности
- •§ 9.5. Генерирование альтернатив
- •§ 9.6. Алгоритмы проведения системного анализа
- •§ 9.7. Претворение в жизнь результатов системных Исследований
- •Implementation внедрение (результатов)
- •§ 9.8. О специфике социальных систем
- •Заключение
- •Литература
- •Упражнения
- •Вопросы для самопроверки
- •Краткий словарь специальных терминов
- •Contents
- •Оглавление
§ 5.3. Случайный процесс – математическая модель сигналов
Казалось бы, после того как мы установили, что сигналами служат состояния физических объектов, никаких проблем с их математическим описанием не должно быть: ведь физика имеет богатый опыт построения математических моделей физических процессов и объектов. Например, можно зафиксировать звуковые колебания, соответствующие конкретному сигналу, в виде зависимости давления x от времени t и изобразить этот сигнал функцией x(t); такой же функцией можно изобразить и статический сигнал, например запись этого звука на магнитной ленте или на грампластинке, поставив параметру t в соответствие протяженность (длину) записи.
НЕПРЕДСКАЗУЕМОСТЬ – ОСНОВНОЕ СВОЙСТВО СИГНАЛОВ
Однако имеется существенное различие между просто состоянием x(t) объекта и сигналом x(t). Оно состоит в том, что единственная функция x(t) не исчерпывает всех важных свойств сигналов. Ведь понятие функции предполагает, что нам известно значение x (либо правило его вычисления) для каждого t. Если же это известно получателю сигнала, то отпадает необходимость в передаче: функция x(t) может быть и без этого воспроизведена на приемном конце.
Следовательно, единственная однозначная функция вещественного аргумента не может служить моделью сигнала. Такая функция приобретает сигнальные свойства только тогда, когда она является одной из возможных функций. Другими словами, моделью сигнала может быть набор (или, как еще говорят, ансамбль) функций параметра t, причем до передачи неизвестно, какая из них будет отправлена; это становится известным получателю только после передачи. Каждая такая конкретная функция называется реализацией. Если теперь еще ввести вероятностную меру на множество реализаций, то мы получим математическую модель, называемую случайным процессом*.
RANDOM
случайный
NOISE
шум
OSCILLATION
колебание
ENVELOPE
огибающая
Случайный
процесс хорошо отображает главное
свойство реальных сигналов – их
неизвестность до момента приема. Однако
некоторые модели обладают и “лишними”,
не присущими реальным сигналам
свойствами. Напри-
мер, описание
реализаций случайного процесса
аналитическими функциями предполагает
бесконечную точность, чего в реальности
не бывает.
——————————
* Изложение
будет вестись в предположении, что
читателю знакомы элементы теории
вероятностей.
Вернемся к рассмотрению случайных процессов как моделей сигналов. Имеется несколько различных подходов к тому, как вводить вероятностную меру на множестве реализаций. Для инженерных приложений оказывается удобным определение случайного процесса как такой функции времени x(t), значение которой в каждый данный момент является случайной величиной. Случайная величина полностью характеризуется распределением вероятностей, например плотностью P1(x1 | t1); однако, чтобы охарактеризовать случайный процесс, нужно описать, связаны ли (и если да, то как) значения реализации, разделенные некоторыми интервалами времени. Так как связь только двух таких значений, описываемая распределением второго порядка P2(x1, x2 | t1, t2), может неполно характеризовать процесс в целом, вводят распределения третьего, четвертого, ..., n-го порядков: Рn (x1, ..., xn | t1, ..., tn). В конкретных задачах обычно ясно, до какого порядка следует доходить в описании процесса.
КЛАССЫ СЛУЧАЙНЫХ ПРОЦЕССОВ
Необходимость моделирования самых разнообразных сигналов приводит к построению частных моделей случайных процессов, т.е. наложению дополнительных ограничений на параметры распределений и на сами распределения. Перечислим наиболее важные классы случайных процессов.
Непрерывные и дискретные по времени процессы. Случайный процесс с непрерывным временем характеризуется тем, что его реализации определяются для всех моментов из некоторого (конечного или бесконечного) интервала T параметра t. Дискретный по времени процесс* задается на дискретном ряде точек временной оси (обычно равноотстоящих).
Непрерывные и дискретные по информативному параметру процессы. Эти процессы различаются в зависимости от того, из какого (непрерывного или дискретного) множества принимает значение реализация x случайной величины X.
Стационарные и нестационарные процессы. Так называются процессы в зависимости от постоянства или изменчивости их статистических характеристик. Случайный процесс называется стационарным в узком смысле, если для любого n конечномерные распределения вероятностей не изменяются со временем, т.е. при любом ? выполняется условие
Pn(x1, ..., xn | t1 + ? , t2 + ?, ..., tn + ?) = Pn(x1, ..., xn | t1, t2, ..., tn) .
Если же условие независимости от времени выполняется только для первых двух моментов (среднего и функции автокорреляции), то процесс называется стационарным в широком смысле (или в смысле Хинчина).
Эргодические и неэргодические процессы. На практике при описании случайных величин вместо рассмотрения их распределений часто ограничиваются только их числовыми характеристиками, обычно моментами. В тех случаях, когда распределение неизвестно, моменты (и другие числовые характеристики) можно оценить статистически.
Перенос такой практики на произвольные случайные процессы требует не только учета зависимости отстоящих друг от друга (“разнесенных”) во времени значений, но и наложения дополнительных требований. Требование совпадения величин, получающихся при усреднении по ансамблю (т.е. при фиксированном времени) и при усреднении по времени (точнее, по одной реализации), и называется условием эргодичности. Это требование можно толковать и как совпадение результатов усреднения по любой реализации*. Как и для стационарности, можно различать эргодичность в узком и широком смысле.
Можно продолжать классификацию случайных процессов и дальше, но мы будем делать это при рассмотрении конкретных вопросов.
Подведем итог Основной результат данного параграфа состоит в том, что случайный процесс может служить математической моделью сигнала. Необходимо только следить за тем, чтобы конкретные особенности изучаемых сигналов были корректно отображены в свойствах случайного процесса. |
Summary The gist of this section is the conclusion that a random process can be used as a mathematical model of a signal. But it is necessary to pay special attention to the correctness of mapping characteristics of the studied signals onto properties of the random process. |