![](/user_photo/_userpic.png)
книги из ГПНТБ / Тарушкина Л.Т. Статистическая оценка параметров управляемых систем с помощью ЦВМ
.pdfтистических |
данных, получим среднее число выбросов |
|
|
1 |
А,=1 |
за время Г с р |
= Л 1Т. |
имеем |
Согласно |
соотношению (11.20) |
л + * ( с ) = . - ^ = - | Л = 7 ( 0 ) е |
2 « * ( 0 ) |
выбросов процесса X (t) за единицу времени на относительном
уровне d — Кх |
(0) с, |
равно |
|
|
|
|
(11.21) |
В отличие от формулы (11.20), в формуле (11.21) для задания |
|||
относительного |
уровня |
d требуется знание |
момента Кх (0). |
Так как вычисление |
выбросов процесса |
/г+ (с) является адди |
тивной функцией от результата вычисления выбросов по массивам статистических данных Rx , то указанный метод определения параметров корреляционной функции является приемлемым для реализации на ЦВМ, если только массивы статистических данных
таковы, |
что |
разброс статистик /г+* (с) |
невелик. |
При |
большом |
|
разбросе |
статистик |
/г+* (с) требуется увеличить |
массивы стати |
|||
стических данных, |
например, объединить попарно два |
массива, |
||||
т. е. перейти |
к массивам |
|
|
|
||
|
|
R i = ( R i U Rs ), Ra = (Rs |
U R 4 ) , . . . |
|
|
Определение времени наблюдения. При постановке задачи статистического оценивания параметров, входящих в моменты распределения процесса X (t), предполагалось, что время наблю
дения Т задано. Метод оценки |
спектральной плотности s( / (со) |
с применением преобразования |
Фурье к реализациям процесса |
X (t) только после определения минимального значения функцио нала (II.9) дает ответ на вопрос, достаточным ли было время наблюдения Т для того, чтобы оценки параметров моментов рас пределения удовлетворяли допустимой' точности. Метод оценки спектральной плотности с помощью неканонических разложений процесса — X (t) дает состоятельные оценки при Т —> оо. Отсюда возникает необходимость в приближенной оценке времени наблю дения, начиная с которого по массиву данных за время Т* следует уточнять значения моментов распределения процесса X (t), входя-
50
щие в априорные данные закона управления автоматической системой.
Зададимся любым промежутком времени, равным, например, Т*. Вычислим в ЦВМ значения интегралов
ji |
j |
Xi(t)dt |
= |
l i k |
, |
( f t - l ) т* |
|
|
|
|
|
'iiT* |
1 |
X,{t)dt=m,, |
|
||
nT* |
о |
|
|
|
|
|
|
|
|
|
|
J [Xl(t)-mt]tdt |
= |
ct |
(k |
= T J i ) . |
|
0 |
|
|
|
|
|
Составим статистики |
|
|
|
|
|
У ( Ь - Д / У |
|
». |
( П - 2 2 ) |
Предположим, что процесс Х ; (t) нормально распределен. Ставится следующая гипотеза: случайные величины \lk (k = 1, п) независимы и одинаково распределены. Если данная гипотеза верна, тогда статистики (11.22) имеют распределение хи-квадрат с (п — 1) степенями свободы. Пусть р — уровень значимости гипотезы. С помощью распределения статистик (11.22) находим, что если имеет место неравенство
Х2с<Х%, |
(11.23) |
где значение %% определено из таблиц (см. например, [6] распре деление хи-квадрат с (п — 1) степенью свободы и уровнем значи мости Р), то гипотеза верна с вероятностью 1—р.
Независимость статистик %lk\k = 1, п) означает, что на про межутке времени, равном Т*, нет корреляционной связи между статистиками l-lk. Одинаковая распределенность величин \i k означает, что в пределах допустимой точности можно считать M%w = 1Щ, М [|tfe — triif — а\. О допустимой точности можно судить лишь по величине вероятности неравенства (11.23).
Если гипотеза отклоняется, то это означает, что необходимо увеличить промежуток времени Г*. Число п не обязательно брать большим.
Рекомендации по выбору шага дискретности измеряемого про цесса. Измерительные устройства могут непрерывно выдавать значения реализации процесса X {t). При формировании массивов статистических данных берутся дискретные значения процесса. Переход от непрерывной величины к дискретной связан с выбором шага дискретности.
4* |
51 |
Если известна ширина спектра процесса X ((), что имеет место
вметоде оценивания спектральной плотности с применением
преобразования Фурье к измеряемой |
реализации процесса, |
то |
|||
шаг дискретности |
выбирается |
по |
теореме Котельникова |
и |
|
равен |
= |
где Q — ширина |
спектра. |
|
Данный способ применим тогда, когда априорное значение ширины спектра достаточно точно известно.
Пусть ширина спектра неизвестна и ее априорное значение задается с большой ошибкой. Метод неканонических разложений процесса X (t) не использует априорных сведений о ширине спек
тра, при этом требуется интегрировать функции |
Х{ (t) Xj (t), |
Xlr)(t) Xf(t) на промежутке [О, Т). |
|
Для выбора шага дискретности поступим следующим образом. Зададимся любым промежутком времени [0, 7\].
Рассмотрим численные методы интегрирования функций на данном промежутке [0, Тг], например, метод Гаусса с оценкой погрешности по методу Рунге. Для процесса Xt (t) (i — 1, /) вычислим интегралы
|
т, |
|
l = |
|
\xt(t)dt, |
l[= |
j |
Xt{l)dt, |
|
о |
|
|
Ti |
|
/ . ; = |
j |
Xi(t)dt. |
Найдем сумму / = /{ -f- Г%. |
|
|
В общем виде остаточный |
член по формуле Гаусса равен |
где k — порядок полинома относительно t, аппроксимирующий процесс X (t); | — некоторая средняя точка из промежутка
О, - r p i если вычисляется интеграл /|, и из промежутка
Тг ,если вычисляется интеграл 1'ч.
Однако ввиду наличия производной высокого порядка ука занным остаточным членом на практике не пользуются, а исполь зуется более простая оценка
52
Если величина погрешности удовлетворяет требуемой точности, шаг дискретности определяется узлами квадратурной формулы. Если же точность ниже допустимой, то число узлов квадратурной
формулы |
увеличивается. |
|
|
|
|
|
|
|
||
Данный выбор способа узлов распространяется на отрезки |
||||||||||
времени |
Т2, |
Т3, |
. . ., Тл. |
|
корреляционной |
функции |
||||
Пример. |
Рассмотрим |
определение |
||||||||
процесса |
X |
(t), |
имеющей |
аналитическую |
структуру |
вида |
||||
|
|
|
Кх |
(т) |
= 0 2 е - « |
14, |
|
|
|
|
где а2 , а — неизвестные параметры. |
|
|
|
|
|
|||||
Пусть |
задана |
реализация |
процесса |
X |
(t) |
для t £ |
Т. |
|
||
Оценка для параметра |
а 2 |
определяется |
по формуле |
( I I . 2 ) : |
||||||
|
|
|
|
|
г |
|
|
|
|
|
|
|
|
о*2 |
= |
X2(t)dt. |
|
|
|
|
|
|
|
|
|
|
о |
|
|
|
|
|
Для оценки параметра а применим следующие методы.
Метод преобразования Фурье. Согласно методу вычислим
спектральную |
функцию S (со) |
процесса |
X |
(t) |
|
||
|
га |
|
а |
Г оо |
|
|
|
Sx (со) = |
J |
sx. (со) с/со = |
J |
J е ~ а |
W ~ ' в т |
dx da, = |
|
|
СО |
СО |
00 |
L 0 0 |
|
|
|
|
|
|
|
|
|
|
|
|
ст |
Г. adco |
„ / |
1 |
, |
со |
1 \ |
— со
Зададим полосу частот, в которой будем рассматривать спек тральную плотность sx (со), со 6 t —
Для каждого одновременно обрабатываемого массива Rx статистических данных в ЦВМ вычисляется значение статистики (II . 7) . Функционал (II.9) равен
- ^ ( a r c t g ^ - a r c t g - ^ ) ] |
2 . |
(11.24) |
Так как неизвестный параметр только один а, |
то число точек со,- |
можно взять сравнительно небольшим, распределив их равномерно
по всему |
интервалу |
частот. |
|
|
Определим минимальное значение функционала (11.24) при |
||||
условии, |
что а > |
О — допустимая область |
для |
неизвестного |
параметра. |
|
|
|
|
Если |
- |
' |
- |
. |
m i n V = V (а = а 0 ) < е,
а > 0
53
где е > 0 |
— допустимая точность, тогда значение а = |
а 0 |
дает |
|||||||
искомую |
оценку. |
|
|
|
|
|
|
|
|
|
Если |
V (а = |
а0) |
> е, |
то |
промежуток наблюдения |
следует |
||||
увеличить. |
|
|
|
|
|
|
|
|
|
|
Метод неканонических разложений. Так как спектральная |
||||||||||
плотность |
равна |
|
|
|
|
|
|
|
|
|
|
|
|
. |
, |
а 2 |
а |
|
|
|
|
|
|
|
|
|
|
2 |
> |
|
|
|
то процесс X (t) |
не |
является |
дифференцируемым, если |
— со ^ |
||||||
со sg; оо. |
|
|
|
|
|
|
|
|
|
|
Однако |
данный процесс является дифференцируемым |
в |
огра |
|||||||
ниченной |
полосе |
частот, |
например, |
для |
| со | < Q < |
оо. |
|
|||
Пусть априори известно, что в полосе частот | со | ^ |
Q |
неизвест |
||||||||
ный параметр а значительно больше Q. В этом случае спектраль |
||||||||||
ная плотность sx |
(со) |
аппроксимируется |
плотностью |
|
|
|
||||
|
|
|
|
s ~ v N = - S r > |
|
|
|
( I L 2 5 > |
являющейся спектральной плотностью стационарного белого шума.
Для спектральной плотности (11.25) плотность распределения р (со) = имеет аналитическую структуру (11.17), следова тельно,
т ш |
12я2 а2 |
Кц(0) |
Отсюда, для параметра а имеем следующую оценку
V М*Х,- i (О(I)
Аналогичным образом используется метод оценки параметра а, основанный на вычислении выбросов случайного процесса X (t).
7. ОПРЕДЕЛЕНИЕ МОМЕНТА ВКЛЮЧЕНИЯ ОБЪЕКТА УПРАВЛЕНИЯ
Условия работы системы управления. Рассмотрим подвижное основание, ориентированное определенным образом в простран стве. На основании расположен объект управления. Под влиянием случайного внешнего воздействия основание изменяет заданную ориентацию. Система управления включает в себя объект управ ления, датчик, определяющий величину внешнего воздействия, управляющую ЦВМ (рис. 6). Истинная ориентация определяется в ЦВМ по значениям сигналов, поступающих с датчика.
54
Обозначим через X (t) = (Хг (t), Х2 (t), Х3 (t)) величину ошибки в определении координат центра масс объекта управле ния. Начало работы объекта управления определяется выработкой в ЦВМ команды «Включение», которая подается с пульта упра вления.
Пусть в реальном масштабе времени момент времени tB харак теризует время выдачи команды «Включение» в ЦВМ, ta + т — время получения команды объектом управления, т > 0. Необ ходимым условием выработки команды «Включение» является
выполнение следующих |
неравенств: |
|
|
at<Xt(tB |
+ x)<bt |
( ( = 1 , 2 , 3 ) , |
(11.26) |
где at, bt — заданные числа.
ПУ |
ЦВМ |
> |
пи |
<— |
д |
||||
|
|
|
|
|
t |
1 |
|
|
|
Рис. 6. Получение команды «Включение» управляющей ЦВМ:
Д — датчик, определяющий внешнее воздействие; О — объект управления; ПУ — пульт управления; ПИ — преобразователь информации
|
Ошибки X (t) |
образуют |
массив статистических |
данных R = |
= |
(Х(^), X (t)2, |
•'• ., X (tn)), |
хранящийся" для целей обработки |
|
в |
памяти ЦВМ; tn < tb. |
|
предположе |
|
|
Относительно |
ошибок X (t) делаются следующие |
||
ния: |
|
|
|
1.X,- (t) — стационарные случайные процессы, имеющие нор мальный закон распределения, причем X,- (t), X/ (t) (i Ф j) — независимы.
2.Моменты распределения процессов X,- (f) неизвестны. Ана
литическая |
структура |
моментов |
распределения |
MXt (t) — пг^ |
|||||||
|
|
|
MXt |
( Q = m , . |
|
|
|
|
|
||
|
Ku |
~ai |
I T |
I / |
_ _ _ n |
|
, a, |
т |, |
(11.27) |
||
|
(T) = crfe |
~ " |
"' (cos P;T + |
|
- j ^ - sin Р,-1 |
|
|||||
где qt. = |
(m., a-, a(.) — неизвестный |
параметр моментов |
распре |
||||||||
деления; |
—оо < mt- < |
оо, а(. > 0, аг |
> |
0. |
|
момента |
|||||
Из сделанных предположений следует, что выбор |
|||||||||||
времени, |
в |
который выдается |
команда |
«Включение», |
является |
решением задачи экстраполяции статистических данных. А именно,
по известной реализации |
процесса |
X (t), образующего |
массив |
|
статистических данных R за время ltv |
tn], требуется предсказать |
|||
значение реализации в момент времени, равный |
/ в + т. |
Однако |
||
в отличие от классических |
задач экстраполяции |
данных |
[11, 24] |
55
момент времени tB - f т. заранее не фиксируется, а фиксируется значение экстраполируемой величины. Выбираются те моменты времени, экстраполируемые значения которых удовлетворяют неравенству (11.26). При этом момент времени tB должен удовле творять неравенству
* „ < ' в + Т < ' д .
где / д — заданное значение.
Алгоритмы, определяющие выбор команды «Включение». Рас смотрим прежде всего алгоритм обработки статистических данных массива R с целью определения неизвестных параметров q,-, вхо дящих в аналитическую структуру моментов распределения.
Так как моменты распределения процессов XL (t) имеют оди наковую аналитическую структуру, то достаточно дать алгоритм
обработки для одного из процессов, |
например |
для Хг |
(i). |
Спектральная плотность, отвечающая корреляционной функ |
|||
ции (11.27) равна |
|
|
|
S l (ш) = _ i _ L _ |
- |
т . |
(11.28) |
Используем метод обработки данных, основанный на некано ническом разложении процесса Хх (t). Плотность распределения случайной величины со, входящей в неканоническое разложение, согласно формулам (11.14), (11.28)
|
, ч |
2а |
+ |
|
|
я (a»_p2_.a 2j2 + 4 a y • |
|
Момент Mw2 |
равен |
|
|
Мсо2 = |
со |
|
1—К"и(0) = а? 4 - Pi- |
[ со2р (со) da = |
|||
|
— СО |
|
1 |
|
|
|
/ |
Предположим, что процессы Х\ (t), Х[ (t) эргодичны. В ЦВМ вычислим интегралы
- |
i |
— |
Г Xi(t)dt |
= |
m\*, |
1ц |
tj_ |
J |
|
|
|
|
Ч |
|
|
|
|
rl^T.\(X1(t)-mffdt |
|
= |
of> |
||
in—h |
J |
|
|
|
|
7 - Ц - |
\x\\t) |
dt=M*X[' |
|
(t), |
|
in — h |
i |
|
|
|
|
56
являющиеся оценками |
для |
моментов соответственно тъ |
аи |
MX'2 (t). |
|
|
|
Так как MX'2 (t) = |
ахМа)2, |
то оценка для а1 равна |
|
. Исходя из значений, определяющих допустимую область для параметра a i , получаем, что для a i берутся только те значения, при которых выполняется следующее ограничение:
Л 1 * Х " ( 0 > о 1 * р ? .
Рассмотрим алгоритм выбора команды «Включение». Задача
экстраполяции статистических данных |
для процесса |
Х± |
(t) |
со |
||
стоит в определении значения процесса |
Хг (^„+ f t ), по известным |
|||||
значениям процесса Х± (г^), . . ., Хг |
(tn), |
входящим в |
массив |
R, |
||
где k > |
1 — фиксированное число. |
Так |
как процесс Хх |
(t) нор |
||
мально |
распределен, то наилучшим |
приближением для |
значения |
л
^i (^н+л) является линейная функция S а;Хг (tj), в которой
коэффициенты a-t соответствуют величинам, при которых при ближение
|
2 |
(11.29) |
М |
|
|
принимает минимальное |
значение. |
|
Так как спектральная функция процесса Хг (t) |
является |
|
дробно-рациональной, то |
коэффициенты ajt при которых |
миними |
зируется величина (11.29), определяются достаточно просто. Для
этого представим |
спектральную плотность |
(11.28) в |
виде |
||||||||
|
|
|
|
|
' |
_ |
2а\а{ |
|
а] + $\ |
|
|
|
|
|
s ^ a |
> |
— — — |
|Q(ia>)|« |
' |
|
|||
где |
|
|
|
|
|
|
|
|
|
|
|
' Q (z) |
= B0 + |
BlZ |
+ |
|
Btz*. |
ш |
= |
z, |
|
|
|
|
|
S0 |
= |
— a j - ^ p 2 , |
|
Bx=—2ab |
|
||||
|
|
|
|
B2 = 1, i |
= |
Y~\. |
|
|
|||
Тогда |
[11] экстраполяция на один шаг равна |
|
|||||||||
|
^ 1 ( ^ 1 ) = - - § г [ А Л ( и + а д ( < я _ 1 ) ] . |
(п.зо) |
|||||||||
Экстраполяция |
на два шага дается соотношением |
|
|||||||||
|
Хг (/„„) |
= |
- |
4 |
|
- [ 5 Л |
(*««) + № (*„)], |
(11.31) |
5 7
в котором значение Х1 (tn+1) определяется формулой (11.30). Последовательная интерация формул (11.31), (11.30) позволяет экстраполировать значение процесса на любое число шагов вперед.
Указанная |
процедура |
проводится |
для всех координат |
Xt (t) |
|||||
(i = 1, 2, |
3). |
|
|
|
|
|
|
|
|
Таким образом, если момент времени |
trl+1 |
удовлетворяет |
усло |
||||||
вию |
|
|
|
|
|
|
|
|
|
|
|
t,i < tn+l < *А, |
*п+1 — x > 0, |
|
|||||
а экстраполированное значение Х{ |
{tn+1) |
(i = 1, 2, 3) удовлетво |
|||||||
ряет неравенствам |
(11.26), |
тогда |
команда |
«Включение» подается |
|||||
в момент |
времени |
tR = |
tn+1 |
— т. |
Если |
в |
момент времени |
tn+l |
условия выработки команды «Включение» не выполнены, то пере
ходим к экстраполяции значений процесса Х{ |
(t) (i = |
1, 2, 3) |
||
на два шага вперед, если только момент времени tn+2 |
удовлетво |
|||
ряет условию |
|
|
|
|
tn<tn*<t*- |
|
|
(".32) |
|
Если условие (11.32) не выполнено, то команда |
«Включение» |
|||
не может быть выдана на отрезке времени [tn+1, |
tn+2]. |
Если же |
||
условие (11.32) выполняется, тогда вычисляется |
значение |
Xt |
(tn+2) |
и проверяется, удовлетворяет ли полученное значение неравен ствам (11.26).
Оценка реализуемости алгоритмов. Рассмотрим реализуемость алгоритмов, определяющих выдачу команды «Включение», с по мощью управляющей ЦВМ, основные параметры которой соот ветствуют ЦВМ «Днепр» [7] .
Допустим, что массив R содержит 1500 чисел по 500 для каждой координаты Xt (t) (i = 1,2, 3). Предлагаемые для реали зации алгоритмы рекуррентны относительно массива статистиче ских данных. Поэтому вопрос об объеме памяти ЦВМ, необходи мой для реализации алгоритмов, не является основным.
В алгоритме обработки статистических данных основные фор мульные зависимости связаны с вычислениями следующих вели чин:
°Г = 1гЕ |
~m *'' |
||
M*X\\t) |
= ~ S |
Xi (tk), |
N = 500, |
являющихся оценками |
соответственно |
для моментов тъ аи |
|
MX'2, (t). |
|
|
|
'58
В алгоритм входит значение производной первого порядка от процесса Хг (t).
Вычисление производной Х[ (t) будем производить с помощью численных методов [5], а именно: численного дифференцирования, используя значения процесса Хг (t) в 6 узлах. Составим таблицу восходящих разностей процесса (табл. 1).
Таблица 1. Вычисление восходящих разностей
in-a
tn-i
tn
Л', |
(О |
Xi |
(in-*) |
Xx |
(tn-a) |
Xi |
{tn-i) |
Xx |
(tn-x) |
Xx |
(in) |
v * i |
( 0 |
V ! A', |
(/) |
|
|
V * ! |
Un-s) |
V * * ! |
(<«-*) |
|
|
vXx |
(in-2) |
V°Xx (ln-x) |
|
||
V2Xx |
(tn-x) |
V ' X i (tn) |
|||
VXX |
(tn-x) |
V 2 * i |
(in) |
V3Xx (in) |
|
S/Xx (in) |
|
|
|||
|
|
|
|
Восходящие разности определяются соотношениями
vx1(tr) |
= |
x1{tr)-x1itf_1), |
V " + , X 1 ( / r ) = V X 1 ( g - V X 1 ( f r _ a ) . Тогда [5] производная
*S<1)
где sil) — числа Стирлинга первого рода, т. е. коэффициенты многочлена
t (t — 1) • • • (t — k — 1) = sik)tk + sik-l)tk-1 |
-j |
[-s[l)t. |
Для указанного метода численного дифференцирования дается среднее время вычисления производной (табл. 2).
Таблица 2. |
Оценка среднего |
времени решения |
основных |
величин, входящих |
|
в алгоритм |
обработки массива |
статистических данных |
|
||
Вычисляемая |
Количество операций |
Среднее время |
|||
|
|
|
|||
величина |
|
умножений |
делений |
VT3 с |
|
|
сложений |
|
|||
'"1 |
500 |
|
— |
1 |
30 |
|
500 |
|
500 |
1 |
155 |
|
15 |
|
5 |
Ч |
2 |
|
|
5 |
П р и м е ч а н и е . В табл. 2 и 3 при определении среднего времени реше ния алгоритмов не учитывалось время обращения к запоминающим устройствам-
59