Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

книги из ГПНТБ / Романенко, А. Ф. Аппроксимативные методы анализа случайных процессов

.pdf
Скачиваний:
50
Добавлен:
19.10.2023
Размер:
4.98 Mб
Скачать

ций

в ряде

случаев обеспечивает возможность оптимального выбо­

ра

шага у

алгоритма стохастической аппроксимации.

Если в качестве первоначальной оценки а* использовать опера­ тор экспоненциального сглаживания, т. е.

а*п = - 1 7р~Аа*п - 1 х п]

или в непрерывной форме

t

~

t —т

 

I f

т

di,

a* (t) = - - - j - \

х (т) е

 

6

 

 

 

и перейти к параметрической мультипликативной модели

“ *Хп =

то можно показать справедливость рекуррентного выражения

° Хп = в*.>,П—1 Т Х,п— 1 X*»]>

(79)

что соответствует непрерывной форме

t t - 1

А. Г* т~~

а*х (О = ~т~\е

х (т)

6

Приведенное соотношение (79) показывает возможность раз­ дельного определения параметров Т и X.

Так, если параметр Т выбран, то для определения X можно воспользоваться условием несмещенности оценки а*х (£),т. е.

Af« [« (0 -

(*)] = 0.

откуда

“ (0

^ (О

Г—х

(т)е т ch

-I*

Из условия минимума средней квадратической ошибки можно получить уравнения для определения параметров Т и а.

З А К Л Ю Ч Е Н И Е

Для решения задач аппроксимации оценок характе­ ристик случайных процессов разработан метод парамет­ рических функций.

Основные преимущества метода параметрических функций:

возможность учета дополнительной информации от­ носительно оцениваемых характеристик;

170

сравнительно простая реализация соответствующих алгоритмов статистической обработки случайных про­ цессов;

возможность решения задач метрологии случайных процессов.

Сочетание метода параметрических функций с алго­ ритмами стохастической аппроксимации обеспечивают ускорение сходимости соответствующих итерационных процедур.

Рассматривая алгоритмы параметрической аппрокси­ мации с точки зрения регрессионного анализа, следует отметить, что метод параметрических функций есть метод построения линий регрессии уточненной (парамет­

рической) оценки а:\ (х ) на первоначальную оцен­

ку а*(х).

С позиций байесовских алгоритмов метод парамет­ рических функций по сути дела является аппроксима­ тивным, причем для ряда случаев ошибка аппроксима­ ции оказывается незначительной.

Метод параметрических функций может с успехом использоваться в качестве «внутреннего» алгоритма при использовании идей эволюционного моделирования

[Л. 32].

Наиболее полно исследована возможность парамет­ рической статистической обработки нестационарных слу­ чайных процессов, заданных одной реализацией.

Решение этой задачи позволяет сократить число до­ рогостоящих испытаний сложных объектов, увеличить оперативность обработки, упростить вычислительные системы, уменьшить затраты времени и средств на со­ здание новых центров по обработке информации.

Следует отметить все расширяющийся фронт экспе­ риментальных исследований, совершенствование средств вычислительной техники, разработку более эффективных методов прикладного анализа случайных процессов, к числу которых относятся и рассмотренные в книге аппроксимативные методы.

Дальнейшее развитие методов аппроксимации оце­ нок характеристик случайных процессов может прохо­ дить в следующих направлениях:

завершение создания теории параметрической аппро­ ксимации оценок характеристик случайных процессов; разработка методов параметрической аппроксимации

интервальных оценок;

171

разработка «гибридных» методов и, в частности, компенсационно-параметрического метода аппроксима­ ции оценок характеристик случайных процессов;

создание алгоритмов статистического оценивания критериев эффективности больших систем на базе ис­ пользования метода параметрических функций;

развитие метода параметрических функций на основе использования критериев оптимизации информационного типа (например, критерии Шеннона, Кульбака и др.); учета информации относительно предельных значе­

ний оцениваемых параметров.

Последнее из указанных направлений представляет­ ся весьма перспективным. Сущность параметрического подхода к развитию этого направления покажем на примере использования мультипликативной оценки

а*х (х) = Я,,а* (л).

Будем полагать в дальнейшем, что первоначальная оценка а*(х) является несмещенной, т. е. выполняется условие

Мха* (х) — а.

Выражение для средней квадратической ошибки можно представить в виде

R— Мх [а—Яна* (я) ]2 =

=Я^М* [а* (х)]2 — 2Япа2 -(- а2 =

=Я^-[а2 -ф- Дха* (х)] — 2Я,,а2 -ф- а2.

Пусть дисперсия предварительной оценки линейно зависит от квадрата параметра а, т. е.

Dxa*(x) = a + ba2,

где а и b — некоторые коэффициенты.

В этом случае средняя квадратическая ошибка R примет вид:

R = A + Ва2,

где

в = + {1 - я,,)2.

Выбором значения параметрической функции Яи можно получить для заданной области оцениваемого

172

параметра

0 < а ^ ' ( Х м а к с

более точную параметрическую оценку, т. е. такую оцен­ ку ах* (х), для которой выполняется условие

R < D xa* (х).

Действительно, пусть Ь<0, а>0. Предполагая, что величина а макс известна, можно найти значение пара­ метрической функции Яц из условия

 

^

(а макс) =

(X ) |а _ а

,

 

 

т. е.

 

 

 

 

макс

 

 

 

 

 

 

 

 

 

 

 

 

A -f Ва2 = а 4- Ьа2

 

 

 

 

 

1

макс

1

макс

 

 

 

В

последнем

уравнении

выразим

коэффициенты А

и В через параметрическую функцию 1ц

,оси2

 

 

 

 

 

а2

= а 4, -

,

 

+ \^itb + О ~ ^i,] макс

 

1

макс

 

откуда находим оптимальное значение

 

 

 

 

 

2 __

“макс

“макс^

а

 

 

 

 

 

 

“ макс +

“ Макс^ 4" а

 

 

 

Кроме того, из условия

R ^ . D xa* (х),

справедливого

для

любых значений

а, в том числе

и а = 0,

вытекает

№ ца^а, откуда следует дополнительное ограничение

/41;

В практических задачах часто встречается более простая ситуация, характеризуемая Ь 0, а>0. В этом случае параметрическая функция Яц принимает вид:

Яп

“макс — а

“макс4-й

 

Таким образом, дополнительная информация отно­ сительно предельного значения а макс оцениваемого па­ раметра а сравнительно просто может быть учтена с помощью параметрических функций. В результате повышается эффективность соответствующих оценок.

173

ПР И Л О Ж Е Н И Е

Висследованиях часто используются характеристики случайных процессов, являющихся преобразованиями (в общем случае нели­ нейными) некоторых других процессов.

Пусть a (t) — оцениваемая случайная функция; а * (х )— некото­ рая оценка функции a (t), x ( t ) — реализация исследуемого про­ цесса.

Разность

Д (/) = a ( t ) —a*(x)

представляет собой мгновенную ошибку.

Вторая начальная моментная функция процесса

Л = [Д (012 = Мха [а (0 - а* (х)]2

часто называется средней квадратической функцией риска или сред­ ним квадратом ошибки.

Раскрывая выражение для Л, получаем:

 

П = МХЛа2 (0

-

Ш ш (t) а*х] + М Ш [а* (х)]2 =

 

 

=

М а а 2 ( 0 + М ХЛ [ а * ( х ) ] 2 -

2 м а [ а ( < ) М х , „

а * ( * ) ] .

 

 

Учитывая справедливость выражений

 

 

 

 

 

 

 

Ма а2 (0 = Da а (0 +

[Ма а (0]21

 

 

 

 

М х а [а* (X)]2 =

Dxa а* (X) +

1 М ХЛ а* (х)]2;

 

 

 

M 0L [“ ( 0 ^ 1 а ° Ч * ) ] = Я а а * + “ * ( * ) “ "(О-

 

где

/?аа. — взаимная корреляционная

функция процессов a (i)

и a* (х)

 

 

a* (X) =

Мх 1 я а> (X);

а (() =

Мл a (i),

 

 

можно записать:

 

 

 

 

 

 

 

 

 

л =

D a «(О + £

(/)]*+DXie a* (х) +

[ а * (х)]2-

2Лаа. -

 

-

2а* (х) а (0 = Da а (г) + Z ^ a а* (х) -

2Лаа. +

[а (<)

(х)]2.

 

Поскольку ошибка смещения

 

 

 

 

 

 

 

 

есм (0 = Мха [а (0 - а* (х )]= Г (0 - 1 *

(х),

 

то окончательно

 

 

 

 

 

 

 

 

 

 

Л = Dxa a* (х) + sc2M(0 +

Da a (0 -

 

.

(80)

 

Для детерминированных оцениваемых характеристик имеем:

 

 

Л = Л „ .«*(*) + & (0 .

 

 

(81)

причем

 

 

 

_

 

 

 

 

 

еем(0 = а ( 0 —а* (х).

Соотношение (80) можно представить в более компактной фор­ ме [по аналогии с (81)]

Л = ЛдаД(*. х) + 4 ( 0 .

где

Dx,a. Д (*■

=

(*)]=»

174

СП И С О К Л И Т Е Р А Т У Р Ы

1.Андреев Н. И. Корреляционная теория статистически опти­

мальных систем. М., «Наука», 1966.

2. Балл Г. А. К оценке погрешности, вызываемой непрерывным изменением времени задержки при измерении функции автокорре­ ляции. — «Известия вузов. Радиотехника», 1962, т. 5, № 5.

3.Балл Г. А. Аппаратурный корреляционный анализ случайных процессов. М., «Энергия», 1968.

4.Бунимович В. И. Флюктуационные процессы в радиоприем­

ных устройствах. М., «Советское радио», 1951.

5. Воллернер Н. Ф., Балицкая В. Г., Дугин В. В. Оценка ампли­ туды эхо-сигнала с учетом априорного распределения плотностей

вероятностей

его уровней. — «Известия

вузов. Радиотехника»,

1966,

т. 9, № 3.

Г. Н. Теория бесселевых

функций. Пер. с англ.

Под

6. Ватсон

ред. В. С. Бермана. М., Изд-во иностр. лит., 1949.

7.Вентцель Е. С. Теория вероятностей. М., «Наука», 1964.

8.Гренандер У. Случайные процессы и статистические выводы.

Пер. с англ. М., Изд-во иностр. лит., 1961.

9. Дискретная измерительная корреляционная система (ДИКС). Новосибирск, «Наука». 1965, Авт: А. Н. Домарацкий и др.

10. Karhunen К. Ober lineare Methodu in der Wahrscheinlichkeitsrechnung.— «Ann. Acad. Sci. Fennicab. Helsinki, 1947, AI, №37.

11. Котюк А. Ф., Ольшевский В. В. Вопросы метрологии слу­ чайных процессов и полей. — Сборник докладов I Всесоюзного сим­ позиума «Методы представления и аппаратурный анализ случайных процессов и полей». Л., ВНИИЭП, 1968.

12.Крамер Г. Математическая статистика. Пер. с англ. М., Изд-во иностр. лит, 1948.

13.Ланге О. Введение в экономическую кибернетику. Пер с поль­ ского. М., «Прогресс», 1968.

14.Левин Б. Р. Теоретические основы статистической радиоте

ники. Кн 2. М., «Советское радио», 1968.

15.Мартин Т. А. Труды института радиоинженеров. Пер. с англ., 1962. т. 50, № 12.

16.Пугачев В. С. Теория случайных функций и ее применение

кзадачам автоматического управления. М., Физматгиз, 1962.

17.Рао С. Р. Линейные статистические методы и их применения.

М., «Наука», 1966.

18.Robbins Н., Monro S. A stochastic approximation method.— «Ann. Math. Statistics», 1951, v. 22, № 1.

19.Романенко А. Ф., Сергеев Г. А. Вопросы прикладного ана­ лиза случайных процессов. М., «Советское радио», 1968.

20.Романенко А. Ф., Черкай А. Д. О решении задач оптимиза ции оценок характеристик случайных функций.— «Сборник докла-

175

дов III Всесоюзного симпозиума «Методы представления и аппа­ ратурный анализ случайных процессов и полей». Л., ВНИИЭП, 1970 21. Романенко А. Ф., Черкай А. Д. Параметрические методы ана­ лиза вибрационных процессов. — В кн.: Вибрационная техника. М.,

МДНТП, 1968.

22. Романенко А. Ф;, Черкай А. Д. Многопараметрическая опти­ мизация оценок характеристик случайных процессов. — В кн.: «Виб­ рационная техника. М., МДНТП, 1969.

23. Романенко А. Ф., Сергеев Г. А. Статистический анализ физи­ ческих полей с использованием средств вычислительной техники.— Сборник докладов II Всесоюзного симпозиума «Методы представ­ ления и аппаратурный анализ случайных процессов и полей». Л.,

ВНИИЭП, 1969.

24. Романенко А. Ф., Черкай А. Д. Параметрическая оптимиза­ ция в задачах прогнозирования. — В кн.: Научно-техническое прог­ нозирование и экономика научных исследований. М., МДНТП, 1969.

25. Романенко А. Ф., Черкай А. Д. Об аппроксимации оптималь­ ных оценок статистических характеристик случайных процессов.—

Вкн.: Вибрационная техника. М., МДНТП, 1970.

26.Сергеев Г. А., Романенко А. Ф., Евграфов В. Г. Вопросы

моделирования элементов «человеко-машинного» комплекса. — В кн.: Системные исследования больших систем. М., МДНТП, 1968.

27. Сергеев Г. А., Романенко А. Ф., Евграфов В. Г. Вопросы моделирования и контроля функций человека-оператора. — В кн.: Большие информационно-управляющие системы. М., МДНТП, 1969.

28. Сергеев Г. А., Павлова Л. П., Романенко А. Ф. Статистиче­ ские методы исследования электроэнцефалограммы человека. Л. «Наука», 1968.

29. Смирнов Н. В., Белугин Д. А. Теория вероятностей и матема­ тическая статистика в приложении к геодезии. М., «Недра», 1969.

30.Синицын Б. С. Автоматические корреляторы и их примене­ ние. Новосибирск, Изд-во СО АН СССР, 1964,

31.Савчков В. К. Челпанов И. В. К расчету нестационарных

фильтров. — «Научно-технический информационный бюллетень ЛПИ им. М. И. Калинина», 1960, № 7.

32. Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование. М., «Мир» 1969.

 

О Г Л А В Л Е Н И Е

 

 

 

 

 

 

 

 

 

 

 

Предисловие

 

......................................................................................

 

 

 

 

 

 

 

 

 

 

 

 

 

3

В в е д е н и е .............................................................................................

 

 

 

 

задач

аппроксимации

статистических

5

1.

Общая постановка

11

2.

о ц е н о к ....................................................................................................

 

стохастических

систем

обработки

информации

Структуры

18

3.

Измерительные аспекты

проблемы

анализа

случайных про­

28

4.

цессов ...................................................................................................

типы случайных п р о ц е с с о в

 

 

 

 

 

Основные

 

 

 

 

 

31

5.

Характеристики случайных п р о ц е с с о в ............................................

 

 

условия

не­

34

G.

Параметрический

анализ

при

использовании

39

7.

смещенности

о ц е н о к .......................................................................

 

 

 

 

оценок . . .

Примеры

несмещенных

параметрических

46

8.

Параметрический анализ при 'использовании

условия

ми­

 

 

нимума средней квадратической

ошибки

 

для

мультипли­

56

9.

кативной

м о д е л и ..............................................................................

метода

 

параметрических

функций

Качественный

анализ

 

66

10.

Метод параметрических функций в задачах прогнозирова­

70

 

ния случайныхп р о ц е с с о в ..................................................................

 

 

 

 

 

 

 

 

11.

Компенсационный

метод аппроксимации

оценок . . .

74

12.

Применение

метода

параметрических функций в

задачах

82

13.

фильтрации

полезных

с и г н а л о в .................................................

 

 

 

 

 

Примеры

оценок

характеристик

случайных величин . .

90

11.

Примеры

оценок

 

характеристик

случайных

процессов .

99

15.

Параметрическая коррекция линейных оценок математиче­

115

16.

ского ожидания стационарного случайногопроцесса

.

Параметрический

анализ при использовании

условия

ми­

 

 

нимума средней

квадратической

ошибки

 

для

аддативной

 

17.

м о д е л и

.......................................................................................

 

 

анализ

для

 

линейной

 

модели

 

121

 

Параметрический

 

 

(общий

 

18.

с л у ч а й ) ......................................................................................

 

 

 

 

 

 

 

 

 

 

 

 

 

122

 

Особенности параметрического анализа случайных процес­

125

19.

сов по конечному числу реализаций ..................................

 

неэргоднческих

Параметрический

корреляционный

анализ

 

20.

стационарных

случайных

п р о ц е с с о в ...............................

 

 

 

 

129

 

Параметрический

анализ

при

 

использовании

относитель­

132

21.

ной средней квадратической функции потерь

. . .

.

Параметрические функции, оптимальные по условию макси­

133

 

мума вероятности невыхода ошибки из заданныхпределов

22.

Байесовские оценки и их параметрические аппроксимации

136

23.

Связь метода

параметрических

функций

с регрессионным

 

24.

а н а л и з о м

...................................................................................

 

 

 

 

 

 

 

 

 

 

 

 

163

 

Связь метода параметрических функций с методом стоха­

166

 

стической

аппроксимации

........................................................

 

 

 

 

 

 

 

170

З а к л ю ч е н и е .....................................................................................

 

 

 

 

 

»

I

 

 

 

 

 

 

П р и л о ж ен и е ..................................

 

 

.

у ..

 

 

 

 

 

174

 

Список литературы

i

f

.................................................

 

 

 

 

 

175

 

Я ) С Л

Соседние файлы в папке книги из ГПНТБ