- •1. ОБЩАЯ ХАРАКТЕРИСТИКА ЗАДАЧ МОДЕЛИРОВАНИЯ И ИСПЫТАНИЙ СИСТЕМ УПРАВЛЕНИЯ
- •1.1. Основные особенности моделирования систем с учетом реальных условий их применения
- •1.2. Основные свойства и характеристики моделей
- •1.3. Особенности моделирования и испытаний сложных систем
- •1.4. Показатели эффективности систем
- •2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ УПРАВЛЕНИЯ
- •2.1. Классификация моделей по способу физической реализации
- •2.2. Классификация моделей по форме математического описания
- •2.3. Детерминированные конечные автоматы и их применение при построении моделей сложных систем
- •2.4. Вероятностные автоматы и марковские цепи
- •2.5. Модели с дискретными состояниями и непрерывным временем
- •2.6. Алгоритмы реализации моделей
- •3. МЕТОД СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •3.1. Теоретические основы метода статистического моделирования
- •3.2. Понятие оценки. Свойства оценок
- •3.3. Точность оценок и определение необходимого количества опытов
- •3.4. Пример использования метода Монте-Карло
- •3.5. Способы построения генераторов случайных чисел
- •3.5.1. Аппаратные способы построения генераторов случайных чисел
- •3.5.2. Программные способы построения генераторов случайных чисел
- •3.6. Методы восстановления закона распределения по результатам статистического моделирования
- •3.6.1. Параметрические методы восстановления закона распределения
- •3.6.2. Непараметрические методы восстановления закона распределения
- •3.7.1. Критерий согласия Пирсона
- •3.7.2. Критерий согласия Колмогорова
- •3.7.3. Другие задачи проверки статистических гипотез, виды критериев и их характеристики
- •3.8. Пример статистической имитационной модели системы со случайными параметрами
- •3.9. Моделирование случайных векторов
- •3.9.1. Метод условных распределений
- •3.9.2. Методы преобразования случайных координат
- •3.9.3. Метод Неймана
- •4.1. Основные формы описания непрерывных случайных процессов
- •4.2. Спектральный метод расчета установившегося случайного процесса в линейной стационарной системе
- •4.3. Статистическая линеаризация нелинейной стационарной системы
- •4.4. Расчет установившегося случайного процесса в нелинейной стационарной системе
- •4.5. Определение характеристик нестационарных случайных процессов методом весовых функций
- •4.7. Моделирование нестационарных случайных процессов в нелинейных системах методом динамики средних
- •4.8. Построение моделей случайных процессов в дискретных системах
- •4.9. Методы моделирования случайных процессов с заданными характеристиками
- •4.9.1. Метод формирующего фильтра
- •4.9.2. Метод скользящего суммирования
- •4.10. Пример статистической имитационной модели системы со случайными параметрами при действии случайной помехи
- •5. СПОСОБЫ СНИЖЕНИЯ ТРУДОЕМКОСТИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •5.1. Основные методы уменьшения дисперсии оценки
- •5.1.1. Метод выделения главной части
- •5.1.2. Метод существенной выборки
- •5.1.3. Метод расслоенной выборки (выборка по группам)
- •5.2. Комбинированные методы получения оценок
- •5.2.1. Оценка статистической характеристики сложной математической модели с использованием результатов аналитического упрощенного исследования
- •Литература
- •СОДЕРЖАНИЕ
Для точного воспроизведения многомерной ПРВ произвольного вида может быть использован универсальный метод нелинейного преобразования случайных координат, с которым можно познакомиться, например, по [2].
3.9.3. Метод Неймана
Метод Неймана (с. 76), обобщенный на многомерный случай, также универсален, но в отличие от предыдущих, практически не требует подготовительной работы:
|
1. С помощью стандартного генератора получают n+1 случайное число |
|||||||||
с |
равномерным |
законом |
распределения |
в |
интервале [0; 1]: |
|||||
k+1, k+2,…, k+n+1; k=(n+1)j. |
|
|
|
|
|
|
||||
|
2. Выполняют преобразования: |
|
|
|
|
|||||
|
xi j ximin |
ximax ximin |
k i , i=1,2,...,n; |
y j |
f xmax k n 1 , |
|||||
где |
ximin , ximax - |
границы диапазонов возможных значений координат слу- |
||||||||
чайного вектора; |
fx |
max |
- максимальное значение ПРВ моделируемого век- |
|||||||
|
|
|
|
|
|
|
|
|
|
|
тора fx(x1,x2,…xn). |
|
|
|
|
|
|
|
|
||
|
3. Если условие y j f x x1 j , x2 j ,...,xn j выполняется, значения xi j , |
|||||||||
i=1,2,...,n, дают реализацию случайного вектора |
|
x1 j , x2 j ,...,xn j |
|
. В против- |
||||||
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
ном случае полученные числа отбрасывают, и пункты 1,2 повторяют. Несмотря на известные недостатки, данный метод может оказаться
предпочтительным даже с точки зрения быстродействия, особенно при большой размерности моделируемого случайного вектора.
4.МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ СЛУЧАЙНЫХ ПРОЦЕССОВ
ВСИСТЕМАХ УПРАВЛЕНИЯ
4.1.Основные формы описания непрерывных случайных процессов
Наиболее полной формой описания одномерного случайного процесса X(t) является безусловная многомерная функция плотности распределения вероятностей (ПРВ) f (x 1 ,t1 ,x 2 ,t2 ,...,x n ,tn ) его значений xi в моменты времени ti = ti -1 +∆t, i=1,2,...,n, где n→∞. Однако практически реализуемые методы получения многомерной ПРВ и применения ее для моделир ования систем отсутствуют в связи со сложностью используемого математического
105
аппарата. В большинстве практических приложений для описания одноме р- ного случайного процесса используются одномерная ПРВ и корреляционная функция.
Одномерная, или первая, ПРВ случайного процесса описывает распр е- деление его значений для фиксированного момента времени t. Формально она определяется через функцию распределения (ФРВ) F(x,t) значений
процесса в момент времени t |
|
|
||
f (x,t) |
F(x,t) |
, |
F(x,t) P( X (t) x) |
|
|
|
x |
|
|
или многомерную ПРВ |
|
|
|
|
|
|
|
|
|
f (x1,t1 ) |
f (x1,t1, x2 ,t2 ,...,xn ,tn )dx2dx3 dxn . |
|||
|
|
|
|
На основе одномерной ПРВ для рассматриваемого момента врем ени могут быть определены любые средние характеристики, или моменты ра с- пределения, в частности, математическое ожидание
|
|
|
|
|
|
mx (t) M X (t) xf (x,t)dx |
|
(4.1) |
|||
|
|
|
|
|
|
и дисперсия |
|
|
|
|
|
|
|
|
|
|
|
Dx (t) D X (t) M X (t)2 |
|
(x mx (t))2 |
f (x, t)dx , |
(4.2) |
|
|
|
|
|
|
|
|
|
|
|
|
где x - центрированный случайный процесс.
X t X t m t
Корреляционная функция одномерного случайного процесса Kx(t1 ,t2 ) характеризует взаимную зависимость его значений, соответствующих различным моментам времени, и формально определяется через двумерную
ПРВ: |
|
|
|
|
|
|
|
|
|
|
K |
|
t ,t |
|
M |
|
|
|
|
|
|
x |
2 |
|
X t |
X t |
2 |
|
||||
|
1 |
|
1 |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x1 mx t1 |
x2 mx t2 f x1,t1, x2 ,t2 |
dx1dx2 , |
(4.3) |
|
|
|
|
|
причем при t1 = t2 = t имеем |
|
|
|
|
|
|
Kx(t,t)= Dx(t). |
|
(4.4) |
В частном случае стационарного случайного процесса:
106
mx(t)=mx=const, Dx(t)=Dx=const,
а корреляционная функция становится функцией одного аргумента:
Kx(t1 ,t2 )=Kx(t2 – t1 )=Kx(τ), τ=t2 – t1 , Kx(0)=Dx.
Смысл соотношений (4.1)-(4.3) состоит в определении характеристик случайного процесса усреднением по множеству реализаций.
Если стационарный случайный процесс обладает свойством эргодичности (среднее по множеству реализаций совпадает со средним по врем ени), перечисленные его характеристики могут быть найдены всего по одной реализации и без использования плотности распределения:
|
|
|
|
|
m |
|
lim |
1 |
|
|
T x(t)dt , |
|
|
|
|
(4.5) |
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
T 2T |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
T |
|
|
|
|
|
|
K |
|
τ |
lim |
1 |
|
T x t m |
|
x t τ m |
|
dt, |
(4.6) |
||||||
x |
|
|
x |
x |
|||||||||||||
|
|
T |
2T |
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
T |
|
|
|
|
|
|
|
|
|
||
|
|
D |
K |
|
(0) |
lim |
|
1 |
|
T x(t) m |
|
2 dt, |
(4.7) |
||||
|
|
x |
|
|
|
x |
|||||||||||
|
|
x |
|
|
|
T 2T |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
T |
|
|
|
|
|
где x(t) - детерминированная реализация случайного процесса X(t). Соотношения (4.5)-(4.7), очевидно, более удобны для практики. Следствием их являются, в частности, оценки (3.11)-(3.12).
Для стационарного случайного процесса вводится также весьма удо б- ная для построения расчетного аппарата функция спектральной плотности
|
|
Sx Kx e j τ d , |
(4.8) |
характеризующая распределение мощности, или интенсивности, случайных колебаний X(t) по различным частотам. Соответственно имеют место соо т- ношения:
Kx |
1 |
Sx e j d , Dx K x 0 |
1 |
Sx d . (4.9) |
|
|
|||
|
2 |
2 |
||
|
|
|
|
|
Таким образом, для одномерного случайного процесса X(t) вместо многомерной ПРВ используются две группы характеристик, описывающих его с двух взаимно дополняющих точек зрения:
- с точки зрения распределения значений в конкретный момент времени (f (x,t), mx(t), Dx(t)...);
107
- с точки зрения зависимости значений X(t) в разные моменты времени (Kx(t1 , t2 ) или Kx(τ), Sx(ω) для стационарного процесса).
Связь между этими двумя группами характеристик сводится только к формальному совпадению значений дисперсии, определяемых по (4.2) и через Kx(τ) или Sx(ω).
Отметим важный для ряда практических задач частный случай - белый шум. Корреляционная функция белого шума имеет вид:
Kx(t1 , t2 ) = G(t1 )δ(t1 - t2 ),
где G( t1 ) - интенсивность белого шума.
Для стационарного белого шума G(t )=G=co n st и может быть определена спектральная плотность:
Sx G e j d G const .
При построении модели системы на основе D-схемы (2.1) приходится рассматривать многомерный случайный процесс X(t)=(X1 (t),X2 (t),...,Xn (t)), составляющими которого являются случайные фазовые переменные системы.
Распределение мгновенных значений такого процесса для определенного момента времени t описывается одномерной ФРВ (3.35) или ПРВ (3.36) векторной случайной величины X=(X1 ,X2 ,...,Xn ). На практике обычно ограничиваются использованием только моментов распределения первого и второго порядка.
Средние значения фазовых переменных описываются их математич е-
скими ожиданиями |
mx . |
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
Взаимная зависимость значений фазовых переменных описывается |
||||||||||||
матрицей корреляционных функций: |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
K x x |
K x x |
2 |
... |
K x x |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
1 1 |
1 |
|
1 |
n |
|
|
|
|
|
K x x |
|
|
K x x |
K x x |
... |
K x x |
. |
(4.10) |
||
|
|
|
||||||||||
|
|
|
2 1 |
2 |
2 |
... |
2 |
n |
||||
|
|
i |
j |
|
... |
... |
|
... |
|
|
||
|
|
|
|
|
K x x |
K x x |
... |
K x |
x |
|
|
|
|
|
|
|
|
n 1 |
2 |
n |
|
n |
n |
|
|
Главную диагональ матрицы (4.10) образуют корреляционные функции ф а- зовых переменных (автокорреляционные функции) Kxi xi Kxi t1,t2 , опре-
деляемые по (4.3). Остальные элементы (i≠j ) - взаимные корреляционные функции фазовых переменных:
108
K |
|
t ,t |
|
M |
|
|
|
|
|
|
xi x j |
2 |
|
X t |
X t |
2 |
|
||||
|
1 |
|
1 |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
x1 mx t1 |
x2 |
mx t2 f x1,t1, x2 ,t2 dx1dx2 , |
|
|
|
(4.11) |
где f(x1,t1,x2,t2) - совместная ПРВ значений процесса X1 , наблюдаемых в момент времени t1 , и значений процесса X2 , наблюдаемых в момент времени t2 .
При t1 =t2 =t матрица (4.10) превращается в матрицу корреляционных моментов связи, или матрицу моментов, аналогичную (3.41):
|
|
|
|
|
11 |
12 |
... |
1n |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
ij |
|
|
21 |
22 |
... |
2n |
|
|
|
. |
(4.12) |
|
|
||||||||||||
|
|
|
|
... ... ... ... |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
n1 |
n2 |
... |
nn |
|
|
|
|
|
Диагональные элементы матрицы (4.12) представляют собой дисперсии фазовых переменных
|
|
ii M X |
|
|
|
|
|
D |
t . |
i t X i t |
|||
|
|
|
xi |
|
|
|
|
Остальные элементы - ковариации |
|
|
|
|
|
|
|
|
|
|||||
|
|
M |
|
|
|
|
M |
|
|
|
|
|
|
|
ij |
|
X i t X j t |
|
X j t X i t |
ji |
, |
||||||||
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
то есть матрица (4.12) симметричная.
Совокупность случайных входных воздействий системы также рассматривается как векторный случайный процесс G(t)=(G1 (t),G2 (t),...,Gn (t)), для которого используются аналогичные характеристики.
Если все входные сигналы - белые шумы, элементы матрицы (4.10) им е- ют вид Kxi x j t1,t2 Gij t1 t2 t1 и вместо (4.12) задается матрица интен-
сивностей
|
|
|
|
|
|
G11 |
G12 |
... |
G1n |
|
|
|
G |
|
|
|
|
G21 |
G22 |
... |
G2n |
. |
(4.13) |
|
|
|
|||||||||
|
ij |
|
|
|
|
... ... ... ... |
|
|
|||
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
Gn1 |
Gn2 |
... |
Gnn |
|
|
|
|
|
|
|
|
|
|
|
|
|
109 |