книги из ГПНТБ / Тарушкина Л.Т. Статистическая оценка параметров управляемых систем с помощью ЦВМ
.pdf2. Свойство состоятельности оценки qv определяется сходи мостью по вероятности оценки qv к qy при условии, что N —> оо. Оценка qv будет состоятельна, если
|
|
lim |
М [ql — q^f |
= 0. |
|
|
|
3. |
Выделим оценки q*v, |
принадлежащие |
некоторому |
ограни |
|||
ченному классу оценок. Если в этом классе |
оценка qv имеет наи |
||||||
меньшую дисперсию, тогда qv является |
эффективной |
оценкой |
|||||
класса при данном |
числе |
наблюдений |
N. |
|
|
|
|
4. |
Оценка qv, |
принадлежащая некоторому |
классу |
оценок, |
|||
является асимптотически эффективной |
оценкой |
класса, |
если при |
||||
N —>оо |
она имеет наименьшую дисперсию из всех оценок данного |
||||||
класса. |
|
|
|
|
|
|
Отметим, что асимптотические свойства оценок полезны в том случае, когда требуется, например, обосновать увеличение числа измерений, входящих в массивы статистических данных, с тем, чтобы уменьшить дисперсию оценок и тем самым увеличить точ ность.
Наряду с указанными видами оценок для неизвестного пара
метра qwi |
будем рассматривать линейные оценки |
вида |
|||
|
л |
|
|
|
|
где Yvi |
(tr) — значение случайного |
процесса |
|
Yvl |
{t), взятое |
в момент времени, равный tr, причем процесс Yvi |
(t) |
принадлежит |
|||
некоторому заданному классу процессов; avir |
— |
Некоторые по |
|||
стоянные. |
1 |
|
|
|
К линейным оценкам будем предъявлять следующие требо вания.
1. |
Несмещенность оценки. |
Условие |
несмещенности означает, |
||
что |
|
|
|
h |
|
|
|
|
|
|
|
|
|
qvi = Mq*vi = £ avirMYvl |
(tr). |
||
2. |
Минимальность дисперсии среди всего класса оценок, т. е. |
||||
|
|
М [q*vi — Ivi]1 |
= min [qvi |
— ?v<]2- |
|
|
|
|
|
avir |
|
Если для |
неизвестного |
параметра qv |
указана область Qv = |
||
= Qv |
(Rx |
R A ) такая, |
что |
при заданном е вероятность- |
есть известная величина, тогда область Qv является доверитель ной областью для параметра qv. Простейшим случаем довери-
10
тельной области Qv является интервал, в этом случае параметр qv оценивается с помощью доверительного интервала.
Рассмотрим частный случай задачи статистического оцени вания. Предположим, что задано конечное множество Г извест ных й-мерных множеств у^, т. е.
г = ы |
(,х = |
Т7м), . |
где М — конечное число. Известно, |
что q £ Г. С помощью мас |
|
сивов статистических данных |
R x (К = |
1, Л) требуется определить, |
какое из значений множества Г принимает параметр q. Такого рода задачи в статистической литературе принято называть задачами идентификации.
В качестве множества Г может быть взято конечное число допустимых значений для неизвестных параметров системы управ ления.
Уточнение априорных данных и условий формирования масси вов статистических данных. Априорные данные об объекте упра вления уточняются по результатам обработки массивов стати ческих данных. Условия формирования массивов зависят, прежде всего, от частоты ввода данных в ЦВМ. Правильно задать частоту ввода можно лишь в том случае, если известны моменты распре деления случайных функций, реализациями которых являются массивы статистических данных. В начальный момент управле ния зададим шаг квантования сигналов, поступающих с измери тельных устройств, таким, чтобы выполнялся критерий точности относительно ошибок входных величин системы управления при наихудшем влиянии внешних случайных воздействий., В этом случае технические требования, предъявляемые к формированию массивов статистических данных, будут завышены. Исходя из уточненных априорных данных об объекте управления, если есть необходимость, изменяется шаг квантования сигналов. Система управления является адаптивной с выбором наилучшего режима работы как при формировании массивов статистических данных, так и при построении закона управления системой. Заметим, что вся адаптация системы управления ведется с по мощью ЦВМ, т. е. программным путем без структурных изме нений системы управления.
Пример. Рассмотрим работу управления в случае, когда выбор моментов коррекций автоматической системы, связанный с перемещением ее в пространстве, определяется исходя из ре
зультатов обработки данных о |
сигнале |
рассогласования. |
В системе управления (рис. |
1) Хх (t) |
— входное воздействие, |
представляющее собой случайную функцию с неизвестными моментами распределения; X (t) — выход системы. Задачей упра вляющей ЦВМ является выработка сигнала обратной связи Х 2 (t)
таким, чтобы сигнал |
рассогласования |
Y |
(t) = Х п р (t) — X (t) |
был минимальным. |
|
1
Здесь Х п р (0 — программное перемещение автоматической си стемы; X (/) — действительное перемещение.
Предположим, что процесс У (i) имеет нормальный закон распределения. В процессе перемещения автоматической системы в ЦВМ вычисляется вероятность
P\\Y(t + T)\^z},
где t— текущее время; т — величина упреждения; z— величина заданного допуска.
ио |
x(t) |
|
ЦВМ
Рис. 1. Управляющая ЦВМ по . выработке закона управления:
ИО — исполнительный орган
Коррекция траектории происходит дискретно в те моменты времени, начиная с которых указанная вероятность меньше заданной величины. Предположим, что
|
|
MY(f) |
= m, Ку |
(t, |
t) = |
cF (t), |
|
||
где m, |
с—неизвестные |
постоянные; |
F (t) — известная |
функция. |
|||||
Тогда |
моменты |
распределения процесса |
У (f) |
имеют |
известную |
||||
|
|
4 |
|
|
|
|
|
|
|
Формиро |
Результат |
Вычисление |
Алгоритм |
||||||
вание |
|||||||||
запоми |
вероятности |
коррекции |
|||||||
массивов |
|||||||||
нается |
|
Р |
|
траектории |
|||||
|
|
|
|
||||||
Алгоритм |
Изменений |
Алгоритм |
|
|
|||||
обработки |
нет |
|
управления |
|
|
||||
Изменение |
|
|
|
|
|
|
|
||
параметра |
|
|
|
|
|
|
|
||
•я |
|
|
|
|
|
|
|
||
Рис. 2. Решение алгоритмов |
управления, |
коррекции, статистической обработки |
|||||||
|
|
|
с помощью |
ЦВМ |
|
|
|
12
аналитическую структуру |
и q = (т., с) — неизвестный параметр |
|
системы управления. |
|
|
В начальный момент при t — 0 зададим |
априорное'значение |
|
параметра q = q 0 . После |
момента времени |
t — О сигнал Y (t) |
измеряется и его значения записываются в память ЦВМ, обра зуя массив данных Rx — (У (^), . . ., Y Когда массив данных достигает требуемого объема, он поступает на статисти ческую обработку, в результате которой к моменту времени,
равному Т1г |
уточняется значение параметра q. При выборе мо |
||
ментов коррекции на промежутке времени |
[0, Тг] используется |
||
априорное |
значение параметра |
q = q 0 ) на |
промежутке времени |
[7\, Т] — |
уточненное значение |
параметра |
q. |
Блок-схеме алгоритмов системы управления с учетом после довательного уточнения значений параметра q на отдельных промежутках времени представлена на рис. 2.
2.КЛАССЫ ФУНКЦИЙ И АНАЛИТИЧЕСКАЯ СТРУКТУРА МОМЕНТОВ РАСПРЕДЕЛЕНИЯ
Определение класса. Класс случайных функций определяется вероятностными свойствами функций. Случайные функции отно сятся к одному и тому же классу, если они имеют общие вероят ностные свойства, определяемые первыми двумя моментами рас пределения.
При статистической обработке данных класс функций можно определить следующим образом.
1.Пусть в системе управления измеряется та координата, класс которой следует определить. В этом случае класс функций определяется по результатам обработки реализации измеряемой координаты.
2.Допустим, что в системе управления измеряется некоторая координата. Определяется класс функций неизмеряемой коорди наты, но связанный с измеряемой координатой. В этом случае задается математическая модель связи измеряемой и неизмеряе мой координат. Если модель такова, что по измеряемой коорди нате одназначно определяются моменты распределения неизме ряемой координаты, тогда класс функций измеряемой координаты однозначно определяет класс функций неизмеряемой координаты.
Впротивном случае в системе управления для неизмеряемой координаты можно указать лишь множество допустимых классов.
Отметим, что класс случайных функций в процессе работы системы управления может • изменяться, тогда для измеряемых координат задается конечное число допустимых классов функций. \ В процессе управления требуется по результатам обработки изме ряемых координат среди допустимого класса функций выбрать определенный, указав при этом значения моментов распределения данного класса.
13
Перейдем к рассмотрению отдельных классов случайных функ ций. Особое внимание будем уделять определению аналитической структуры моментов распределения, характеризующих данный класс.
Процессы непрерывные в среднем. Случайный процесс X (t) непрерывен в среднем, если для любого, значения tx 6 Т
l i m M [ X ( 0 — Х ( ^ ) ] 2 |
= 0, t£T. |
<->/, |
|
Пусть X (t) непрерывен в среднем и его математическое ожи дание равно нулю. Так как корреляционная функция является положительно определенным ядром, то по теореме Мерсера
W l t к) |
(1.8) |
\'=i 4
причем ряд сходится равномерно. Здесь cov и <pv (/) — соответ ственно собственные значения и собственные функции интеграль ного уравнения
т
q>v('i) = q>Jtf,('i. 4 ) ф ( 4 ) ^ 2 - |
(1.9) |
о
В силу того, что корреляционное ядро является положительно определенным, имеем cov > 0. Без ограничения общности можно считать, что система функций cpv (t), входящая в (1.8), является ортогональной.
Используя теорему Карунена [23, 24], получаем представ ление вида
со
Я Ю - Ё * ^ * |
( 1 Л 0 ) |
|||
|
v = i |
\ |
|
|
где х\, ортонормированные |
случайные |
величины: |
|
|
Mxv = 0, |
Мх^ |
= 0 |
(v Ф (.1), |
|
|
Mxl=l. |
|
|
(1.11) |
Разложение (1.10) является каноническим разложением. Раз личные представления канонических разложений даны в [19].
Ограничимся первыми п членами ряда в разложении (1.10). Дисперсия ошибки такого приближения за время Т равна в сред нем
т |
п |
т |
^ (1.12) |
= -L\Kx{t, |
t)dt- £ |
-±-\<&{t)dt. |
|
О |
V = l |
о |
|
14
При известных значениях корреляционной функции Kx(ti, / 2 ) число п выбираем таким, чтобы величина ошибки (1.12) не пре восходила допустимого значения. В этом случае аналитическая
структура |
корреляционной |
функции определяется отрезком |
ряда |
||||
|
|
|
|
п |
|
|
|
|
КЛк, |
к) = |
2 - ^«М*х)<М* 8 ), |
|
(J.13) |
||
где cov — неизвестные |
собственные |
значения |
корреляционного |
||||
ядра; cpv |
(t) — известная |
система |
функций. |
|
|
||
Если математическое ожидание tnx (f) не равно нулю и при |
|||||||
надлежит |
классу функций, |
суммируемых с |
квадратом, |
тогда |
|||
|
|
|
|
со |
|
|
|
|
|
mx{t) |
= 2 |
bjv(t), |
|
|
v = l
где Д, (t) — ортогональная система функций; bv — коэффициенты Фурье функции mx(t).
Вэтом случае аналитическая структура математического
ожидания определяется отрезком ряда
|
|
|
т Л 0 = Е Ш * ) , |
(1-14) |
||
где |
fv (t) — известные |
ортогональные |
функции; Ьч— |
неизвест |
||
ные |
параметры. |
|
|
|
|
|
Ошибка такой аппроксимации равна за время Т |
|
|||||
|
Т Г |
k |
Т2 |
• т |
k |
|
|
mx (t) - |
2 |
bvfv (t) |
dt = J ml (t) Л — J b\. |
|
|
|
|
|
|
|
v = l |
|
При известных значениях функции mx (t) число k выбирем таким, чтобы величина не превосходила допустимого значения.
Таким образом, для процесса непрерывного в среднем неиз вестные параметры q x = (Ьъ . . ., bk), q 2 = (сох , . . ., а>„). входят в аналитическую структуру моментов распределения.
Процессы с независимыми приращениями. Рассмотрим возра стающую последовательность моментов времени
|
О < tx |
< |
t2 < . . . < ts < |
Т. |
(1.15) |
Составим |
разности |
|
|
|
|
Z i |
= X f t ) , |
zv = |
X ( / v ) - X ( / v _ i ) |
(v = 2Ts). |
(1.16) |
Случайный процесс х- (t) называется процессом с независимыми приращениями, если случайные величины взаимно незави симы.
Имеем
X(tt)=t*v. |
(1-17) |
v = l
15
Обозначим через тг (tv) математическое ожидание величин zv, Mzv = тг (tv). Так как величины zv взаимно независимы, то
KAti, |
£ |
M[zv-mz{Q}2. |
(1.18) |
|
v = l |
|
|
Отсюда следует, что |
|
|
|
Кх Vi, h)^Kx |
(4, |
к) < . . . ^ К х (ts, Q, |
(1.19) |
т. е. дисперсия процесса X (t) есть неубывающая функция вре мени.
Для определенности предположим, что
|
mm{tit |
tt) = t,.- |
(1.20) |
Тогда |
|
|
|
Kx(ti,ti) |
= Kx(mm(titt,)t |
min(tit |
t,)) = Kx(ti> it)- (1-21) |
Найдем каноническое разложение процесса с независимыми приращениями. Исходя из свойств функции ц (t) = Кх (t, t) определим в гильбертовом пространстве скалярное произведение
|
|
|
|
|
( Ф ( 0 , |
|
fW)= |
J c p W f ( T ) d p . ( T ) |
|
|
|||
и |
рассмотрим |
полную |
ортонормированную |
систему |
функций |
||||||||
9 V |
(^). Обозначим через |
£ (^, ^) функцию, равную единице при |
|||||||||||
t ^ |
tt |
и |
нулю |
при t |
> |
|
имеем |
|
|
|
|||
|
В |
силу |
равенства |
Парсеваля |
|
|
|
||||||
|
|
S |
(Ф» (О, |
.с с . У ) |
(ФУ (о. |
с (*, */» = |
(s (*; |
*,), с (t, |
щ, |
||||
тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
CO |
|
|
|
' / |
|
|
|
|
|
|
|
|
|
£ |
J Ф»(«) Ф |
(s) J cP v (0 ф (0 = J d|i.(0 = |
ft, |
^) |
(0, 0). |
|||||||
v = l |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Используя |
теорему |
|
Карунена |
[23, |
24], получим следующее |
|||||||
каноническое представление |
|
|
со |
t |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
X(t) |
= |
mx(t)-mx(0) |
+ |
X(0) |
+ |
£ |
xv\ ( p v ( s ) 4 Ф ) , |
(1,22) |
|||
|
|
|
|
|
|
|
|
|
v = i |
о |
|
|
где.ху —ортонормированные случайные величины, т. е. вели чины, удовлетворяющие условиям (1.11).
Ограничимся первыми п членами ряда в разложении (1.22).
16
Обозначим |
через |
|
|
|
|
|
|
|
|
|
|
|
|
|
Х0 |
(t) = |
|
X(t) |
— |
тх |
(t) — Х(0)~ |
тх |
(0), |
|
|
||
|
|
|
|
|
|
/1 |
t |
|
|
|
|
|
|
|
|
|
Л п ( 0 = |
2 |
xv\ |
<pv(s)dn(s), |
|
|
|
|
|||
|
|
. er t (0 |
= |
М |
2 J |
* v j |
%(s)d[i (S) ; |
|
|
|
|||
Для |
величины |
e„ (t), |
lv=«-|-l 0 |
|
J |
|
остатка |
||||||
характеризующей |
дисперсию |
||||||||||||
ряда в |
разложении |
(1.22), |
имеем |
следующую |
оценку |
сверху: |
|||||||
|
е„ (0 < MXl(t) |
+ |
Mtfn |
(t) + |
2 VMXl{t)M,fn(t). |
|
|
(1.23) |
|||||
Для |
известных |
моментов |
распределения |
тх |
{t), Кх |
(tlt |
t2) |
правая часть неравенства (1.23) вычисляется и можно указать число членов в разложении (1.22), при котором значение е„ (t) не превосходит допустимой величины. Заметим, что величина е„ (t) может с течением времени лишь возрастать.
|
Предположим, что функция Кх {t, |
t) |
абсолютно непрерывна, |
||||
тогда по теореме Радона—Никодима |
[16] имеет |
место-интеграль |
|||||
ное |
представление |
вида |
|
|
|
|
|
|
|
|
t |
|
|
|
|
|
|
|
Kx(t,t)=\F(x)dx, |
|
|
|
(1.24) |
|
|
|
о |
|
|
|
|
где |
F (т) — |
положительная функция |
для |
всех т, |
0 ^ т ^ |
t. |
|
|
Отсюда |
следует, |
что для определения |
аналитической |
струк |
туры дисперсии процесса, имеющего независимые приращения, достаточно определить аналитическую структуру функции F (т). Аналитическая структура положительных функций рассматри вается при построении и изучении свойств ортогональных много
членов |
(см., например, |
[19]). |
|
||
В качестве примера аналитической структуры функции F (т) |
|||||
приведем |
неотрицательный |
тригонометрический многочлен |
|||
|
|
|
|
т |
|
|
|
^ (т) = с0 |
+ |
S (cv cos vx -|- gv sin vx), |
(1.25) |
где c0, |
cv, |
gv — неизвестные коэффициенты. |
|
||
Заметим, что выбор той или иной аналитической структуры |
|||||
функции |
F (т) зависит |
как от точности аппроксимации, |
так и |
от тех требований, которые предъявляются к алгоритму решения. Заданная аналитическая структура математического ожидания
tnx(t) |
определяется соотношением |
(1.14). |
|
Таким образом, для процесса, имеющего независимые прира |
|||
щения, |
неизвестные параметры q x = |
{Ьъ . . . , & * ) , q 2 |
= {со, • • •, |
спи gi> |
• • •> gm) входят в аналитическую структуру |
моментов |
распределения.
Процессы с независимыми приращениями в применении к за дачам автоматического управления рассматривались, например, в работах [23, 24]. Однако, несмотря на большую прикладную роль, эти процессы почти не использовались в задачах управле ния, связанных со статистическим оцениванием и идентифика цией. Исключение составляют лишь работы [26, 27].
Процессы, являющиеся мартингалами. Свойства процессов данного класса определяются через условные математические
ожидания. |
|
|
|
|
|
|
|
|
|
|
|
|
|
Рассмотрим |
временную |
|
последовательность |
(1.15), |
процесс |
||||||||
X (t) |
и вектор |
|
|
|
|
|
|
|
|
|
|
|
|
Условное |
|
|
v M = |
ожидание |
* ( ' м ) ) - |
|
(t) при |
|
|||||
математическое |
процесса |
X |
t ^ tj |
||||||||||
относительно |
уу _х |
определяется |
как |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
со |
|
|
|
|
|
|
|
|
|
М [X (0 | v M |
] = |
\ хр (х | v M ) |
dx, |
|
(1.26) |
|||||
|
|
|
|
|
|
|
—со |
|
|
|
|
|
|
где р |
(х | v,-_i) |
— |
условная |
плотность |
|
вероятности |
|
||||||
|
|
|
|
D ( X \ V |
. |
Л — |
Р |
(*' |
v / - i ) |
|
|
|
|
|
|
|
|
PV\v,-i) |
|
|
p ( v / |
_ i } • |
|
|
|
||
В |
силу |
того, |
что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
МР |
(х | v M ) |
= |
р |
(х), |
|
|
|
||
имеем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M{M[X(f)\v,_1]\ |
|
= |
MX(t). |
|
|
(1.27) |
|||
Если |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M[X(t)\yi.1}=X(ti_1), |
|
|
|
|
|
(1.28) |
|||
тогда процесс X (t) является мартингалом в узком смысле. |
|||||||||||||
Если |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
U ( X ( * / ) | v M ) |
= |
X ( * M ) , |
|
|
(1.29) |
тогда процесс X (t) является мартингалом в широком смысле.
Здесь М есть |
наилучшее |
линейное приближение |
величины |
X (tf) величинами |
X (tc) (L = |
1, (/ — 1)), полученное |
по методу |
наименьших квадратов, т. е. требование (1.29) сводится к выпол нению условия
min М * ( ' / ) - ' S |
|
2 |
|
atX(tt) |
M [ X ( * / ) - X ( * M ) ] a , |
(1.30) |
где величина минимума берется по всему множеству вещественных чисел.
Будем использовать следующие свойства процессов.
18
1. X |
(t) |
является |
мартингалом |
в |
широком |
смысле |
тогда и |
|||||||
только |
тогда, |
когда |
разность |
X |
(tj) — |
X |
(t/^) |
ортогональна |
||||||
значению X |
(^), где |
tt ^ |
tj_x. |
|
|
что |
|
|
|
|
||||
Условие |
ортогональности означает, |
|
|
|
|
|||||||||
|
|
|
|
M[X(t,)-X(t,_J]X |
|
|
(*,) |
= |
0, |
|
|
(1.31) |
||
Из соотношений (1.17), |
(1.18), |
(1.31) следует, |
что |
|
||||||||||
|
|
ч МХг |
(tx) |
< MX2 (fa ) < . . . |
< |
M X 2 {ts). |
|
(1.32) |
||||||
Если |
значение |
MX |
(t) |
постоянно для |
всех |
t, |
то из |
условия |
||||||
(1.32) следует, |
что |
дисперсия процесса |
X |
(t) |
не убывает |
с возра |
станием времени.
2. Если X (t) нормально распределен, то он является мартин галом одновременно в узком и широком смысле. В этом случае
будем |
говорить, |
что |
процесс является мартингалом. |
|||
3. |
Если X (t) |
|
мартингал в |
узком смысле, то его математи |
||
ческое |
ожидание |
постоянно для |
всех |
t. |
|
|
Действительно, в силу (1.27) имеем |
|
|||||
|
М\М[Х |
(t,) | v M ] } = MX |
(tj) = MX |
(thl). |
Систематическое изложение процессов, являющихся мартин галами, а также доказательство свойств 1 и 2 содержится в [11].
Пусть X (t) — нормальный процесс, являющийся мартингалом. Составим разности
Yti = X(t,)-X(ti), |
t t < t h |
(1.33) |
(i, j = |
171). |
|
1. Если разности (1.33) имеют нормальный закон распределе ния, тогда из условия (1.31) следует, что X (t) является процес сом с независимыми приращениями.
2. Если разности (1.33) имеют распределение отличное от нормального, тогда X (t), являясь мартингалом, не имеет неза висимых приращений. Однако и в данном случае корреляционная функция процесса полностью определяется его дисперсией. Дей
ствительно, |
при |
условии |
(1.20) |
имеем |
|
|
||
Кх (/„• t}) = |
М[Х |
(tt) |
- |
тх] |
[X (/,) - |
X ft) + X (tt) |
-пгх] = Кх |
(tt, tt), |
причем функция Кх |
(tt, |
tt) |
не убывает с ростом значений i. |
(1.22), |
||||
Для процесса |
имеет место каноническое |
разложение |
при этом сохраняется оценка (1.23). Заданная аналитическая Структура дисперсии дается соотношением (1.24).
Если X (t) имеет распределение отличное от нормального, то в рамках корреляционной теории случайных функций интерес представляют процессы, являющиеся мартингалами в широком смысле.
2* |
19 |