- •ОГЛАВЛЕНИЕ
- •ВВЕДЕНИЕ
- •1.1. Основные понятия и определения теории вероятностей
- •1.2. Функции распределения вероятностей случайной величины
- •1.3. Числовые характеристики случайных величин
- •1.5. Случайные процессы и их основные статистические характеристики
- •1.6. Корреляционные функции случайных процессов
- •1.7. Спектральные плотности случайных процессов
- •1.9. Прохождение дискретного случайного процесса через дискретное динамическое звено первого порядка
- •ЗАДАЧИ
- •2. ЭЛЕМЕНТЫ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ
- •2.1. Общие понятия и определения
- •2.2. Простейшие оценки
- •2.3. Интервальные оценки. Доверительный интервал
- •2.4. Проверка статистических гипотез о параметрах распределения
- •2.5. Критерии согласия
- •2.6. Последовательный анализ
- •2.7. Особенности статистического вывода
- •2.8. Статистики и измерения стационарного случайного процесса
- •2.9. Оценка корреляционной функции
- •2.10. Оценка спектральной плотности
- •ЗАДАЧИ
- •3. МОДЕЛИ ОБЪЕКТОВ УПРАВЛЕНИЯ
- •3.1. Средства и этапы описания объектов управления
- •3.2. Характеристика моделей объектов управления
- •3.3. Динамические модели объектов управления
- •3.4. Преобразование и исследование динамических моделей
- •3.5. Статические модели
- •3.6. Графическое представление статических моделей
- •3.7. Пример описания объекта управления
- •4. МЕТОДЫ ИДЕНТИФИКАЦИИ
- •4.1. Дисперсионный анализ
- •4.2. Метод регрессионного анализа
- •4.3. Рекуррентные алгоритмы идентификации линейных моделей
- •4.5. Идентификация параметров динамических моделей
- •4.6. Сглаживание временных рядов
- •ЗАДАЧИ
- •5. ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА
- •5.1. Общие требования к плану эксперимента
- •5.2. Полный факторный эксперимент
- •5.3. Дробный факторный эксперимент
- •5.4. Планы для квадратичных моделей
- •ЗАДАЧИ
- •СПИСОК ИСПОЛЬЗУЕМЫХ АББРЕВИАТУР И ОБОЗНАЧЕНИЙ
(2.57).
Статистики случайного процесса широко применяются при контроле точности и статистическом регулировании технологических процессов [9,10].
2.9. Оценка корреляционной функции
Расчет оценки корреляционной функции вида (1.64) проводится по формуле
|
|
|
N r |
|
(r) |
|
|
x(k) x(k r),r , ,...,m . (2.58) |
|
|
N r |
k |
||
|
|
|
Для стационарных случайных процессов она дает сведения о среднем значении, дисперсии процесса и о степени статистической связи между наблюдениями, разделенными интервалом r (см. подраздел 1.6).
Оценка автокорреляционной функции центрированного стационарного временного ряда равна
|
|
|
N r |
|
|
(r) |
|
|
x(k) x(k r), r , , ,...,m .(2.59) |
||
|
N r |
k |
|||
|
|
|
|
Здесь r – номер шага, m – максимальное число шагов.
При выборе m желательно, чтобы оно превысило время корреляции r
наблюдаемого стационарного случайного процесса. Следовательно, |
|
|
m |
r . |
(2.60) |
|
T |
|
На практике для получения полезной оценки автокорреляционной функции число наблюдений N , а число m N / .
При r имеем (сравни с (1.66))
|
|
|
|
|
|
|
|
|
|
|
|
|
|
N |
|
|
|
|
|||
|
( ) |
x(k) |
|
x |
. |
|||||
|
||||||||||
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|||||
|
|
N k |
|
|
|
|
|
С учетом (2.45) имеем
( ) N S .
N x
Оценка нормированной корреляционной функции (1.83) равна
ρ = ,r , , ,...,m .
0
Если имеются реализации стационарных случайных процессов
(2.61)
(2.62)
(2.63) u(t) и
x(t) , подвергнутых дискретизации согласно (2.41) и центрированию вида (2.47), то оценки взаимных корреляционных функций равны
|
|
|
N r |
|
|
(r) |
|
|
u(k) x(k r),r , , ,...,m , (2.64) |
||
|
N r |
k |
|||
|
|
|
|
||
|
|
91 |
|
|
|
|
|
|
|
|
|
N r |
|
|
|||||
|
(r) |
|
|
|
|
|
x(k) u(k r),r , , ,...,m . |
|
||||||
|
|
|
N |
r |
k |
(2.65) |
||||||||
|
|
|
|
|
|
|
|
|
||||||
Соответственно оценка нормированной взаимной корреляционной |
||||||||||||||
функции |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ρ |
|
= |
|
|
|
|
|
|
,r , , ,...,m . |
(2.66) |
||||
|
|
|
|
|
|
|
|
|
||||||
|
|
|
0 ∙ |
|
0 |
Если задано значение относительной средней квадратической погрешности оценки корреляционной функции, то для определения длительности наблюдения T и интервала квантования T можно воспользоваться методи-
кой, предложенной в [7].
Полученная оценка корреляционной функции временного ряда не позволяет спрогнозировать значения временного ряда хотя бы на один такт вперед. Она позволяет предположить некоторые свойства (структуру) динамической модели, порождающей данный временной ряд.
Корреляционные функции наиболее всего подходят к выявлению структуры модели во временной области в виде разностных уравнений.
Расчет корреляционных функций в Mathcad
Кxx:=correl(x,x), Rxx:=covar (x,x), Rux=covar(u,x),
отличающихся от формул (2.58), (2.59), (2.64), отсутствием множителя
1/ N r .
В системе Matlab
Кxx=xcorr(x,’unbiased’), Rxx=xcov(x,’unbiased’),
Rux=xcov(u,x,’unbiased’),
в полном соответствии с формулами (2.58), (2.59), (2.64).
2.10. Оценка спектральной плотности
Оценка спектральной плотности мощности осуществляется непараметрическими (nonparametric) и параметрическими (parametric) методами.
Непараметрические методы. Для оценки используют непосредственно наблюдения временного ряда x(k) , либо оценку корреляционной функции
Rxx (r) . Метод оценивания-преобразование Фурье (см. разд. 1.7).
Если длина N последовательности наблюдаемых данных x(k) является
степенью числа 2, т.е. N 2n , то применяется алгоритм быстрого преобразования Фурье (БПФ), имеющий максимальную производительность вычислений.
Дискретное прямое преобразование Фурье одномерного массива х размерности N 1 определяется следующим образом:
92
в Mathcad (функция fft(х))
|
|
|
|
N 1 |
2πik |
|
||
|
|
|
|
|
|
|
||
Sxk : |
1 |
|
|
х j e |
N j , |
k 0...2n 1 , |
||
|
|
|
||||||
|
N |
|||||||
|
|
|
j 0 |
|
|
|
|
где i – мнимая единица, k / N – k-я гармоника основной частоты в Matlab (функция fft(х))
(2.67)
1/ N ;
N |
|
2πi |
|
|
|
|
|
|
|
|
|
|
|
|
|
Sx (k) x( j) e |
N |
( j 1)(k 1) , k |
1...2n 1. |
|
|
(2.68) |
|
j 1 |
|
|
|
|
|
|
|
Результат БПФ – комплекснозначный вектор |
Sx (k) размерности |
||||||
1 2n 1 (спектр случайного процесса x(k) ). |
Элементы вектора |
S |
x |
(k) , воз- |
|||
|
|
|
|
|
|
|
вращенном функцией fft, соответствуют различным частотам наблюдаемого случайного процесса x(k) .
В результате обратного БПФ, получаем искомый вектор x(k) , состоящий из n элементов в Mathcad (функция ifft(Sx))
|
|
1 |
|
N 1 |
i 2 j |
|
|
||||
x j |
|
|
|
k |
, |
(2.69) |
|||||
|
|
|
|
Sxk e |
|
N |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
N k 0 |
|
|
|
|
|
||
в Matlab (функция ifft(Sx)) |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
N |
|
2 i |
( j 1)(k 1) . |
|
|||
|
|
|
|
|
|
||||||
x( j) |
|
Sx (k)e N |
(2.70) |
||||||||
|
|
|
|
||||||||
|
|
|
|
N k =1 |
|
|
|
|
|
Для вычисления односторонней оценки спектральной плотности мощности можно воспользоваться стандартными процедурами дискретного быстрого преобразования Фурье (БПФ) для автокорреляционной функции
(Mathcad)
|
|
|
m |
|
|
Sxx (r) |
|
|
|
Rxx (r)e i(r \m)k , r ,...,m. |
(2.71) |
|
|
|
m k
где m – число элементов вектора Rxx .
Здесь предпочтительно выбирать m N / 2 . Обращение к процедурам в Mathcad и Matlab
Sxx:=fft(Rxx),
где R xx – оценка автокорреляционной функции, вектор вещественных данных размерности m -элементов, Sxx – коэффициенты ряда Фурье, комплекс-
нозначный вектор размерности m элементов.
Если исходный массив (вектор или матрица) содержит как вещественные, так и комплексные числа или размерность вектора не кратна степени 2,
то используют процедуру |
|
Sxx:=cfft(Rxx), |
Sxx= fft(Rxx,dn), |
которая возвращает массив размера dn. При этом функция недостающие до dn элементы заполняет нулями, а лишние удаляет.
93
Обратное дискретное преобразование Фурье:
Rxx:=ifft(Sxx).
Оценка спектральной плотности в приложении
Mathcad.
Sxx(r):=pspectrum(x,d,α,[w]) – плотность спектра мощности, Sux(r):=cspectrum(u,x,N,r,[w]) – плотность кросс-спектра,
где x, u – вектор реализаций временных рядов x(k) и u(k); d – целое число в диапазоне 1<d<length(x), определяет число перекрывающихся сегментов временного ряда x(k) ; α – постоянная сглаживания 0<α<1; обычно α=0.5; w –
индекс, определяющий окно сглаживания первичных оценок (периодограммы), для окна Хэннинга w=4, при w=0 данные не сглаживаются.
Функции спектрального анализа пакета Signal Processing для вещественного сигнала рассчитывают односторонний спектр плотности мощности. Поэтому, чтобы получить теоретический спектр плотности мощности данного сигнала, результаты расчета необходимо умножить на два.
Оценка спектральной плотности мощности в приложении Signal Processing Toolbox Matlab.
Периодограмма (оценка спектральной плотности мощности) рассчитывается по формуле
|
1 |
|
|
|
N-1 |
|
|
2 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
||
S(ω) |
|
|
|
x(k) e |
jωkT0 |
. |
(2.73) |
||
|
|
|
|
||||||
Nf |
|
|
|
|
|
||||
|
0 |
|
k 0 |
|
|
|
|
||
|
|
|
|
|
|
|
|||
Деление на частоту дискретизации f0 |
необходимо |
для получения |
оценки спектральной плотности мощности аналогового случайного процесса, восстановленного по отсчетам x(k) .
Если при расчете спектра используется весовая функция (окно – window) с коэффициентами h(k) , то получим модифицированную периодограм-
му
|
|
|
|
N 1 |
|
|
jωkT0 |
|
2 |
|
|
||
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
x(k) h(k) e |
|
|
|
|
|||||
|
1 |
|
|
|
|
|
|
|
|||||
S(ω) |
|
|
k 0 |
|
|
|
|
|
. |
(2.74) |
|||
|
|
|
|
|
|
|
|
|
|
|
|||
f0 |
|
|
N 1 |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
h(k) |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
k 0 |
|
|
|
|
|
|
|
||
Вычисление периодограммы непосредственно по наблюдениям слу- |
|||||||||||||
чайного процесса x(k) (непараметрический метод) |
|
|
|
|
|
||||||||
[Pxx,w]=periodogram(x,window,w), |
|
где Pxx – вектор оценки спектральной плотности мощности (PSD) размерности N / 2 1;
w – вектор нормированной угловой частоты от 0…π;
window – вектор коэффициентов окна сглаживания (по умолчанию прямоугольное окно).
94
Для уменьшения пульсаций (сглаживания) периодограммы можно воспользоваться непараметрическим методом Уэлча (Welch)
[Pxx,w]=pwelch (x,window,noverlap,w);
где noverlap – доля перекрытия соседних сегментов, по умолчанию 50%.
В методе Уэлча вектор наблюдений x(k) делится на перекрывающиеся
сегменты. Каждый сегмент умножается на используемую весовую функцию и для него рассчитывают модифицированную периодограмму. Итоговый результат представляет собой усредненные периодограммы всех сегментов.
Периодограмма не является состоятельной оценкой спектральной плотности мощности и с ростом числа используемых отсчетов значения периодограммы начинают все быстрее флуктуировать.
Непараметрический метод оценки плотности кросс-спектра.
Pxy=cpsd(x,y,window,noverlap).
Обозначения аналогичны предыдущим функциям.
Параметрические методы. В параметрических методах исходят из представления наблюдаемого временного ряда как результат воздействия дискретного «белого шума» u(k) на динамическое звено (фильтр) n-го по-
рядка (см. разд. 1.9). Спектральный анализ состоит в решении задачи идентификации параметров a, b динамического звена (разностного уравнения) по критерию минимизации квадрата невязки наблюдаемого процесса x(k) и вы-
хода динамического звена y(k) (рис. 2.8).
x(k)
-
e(k )
u(k) |
|
|
|
y(k) |
|
|
W(z) |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Оптимизатор
a,b,σu2
Рис. 2.8. Структурная схема идентификации параметров фильтра
Наиболее часто используют процессы авторегрессии вида (1.105) с нормированной автокорреляционной функцией
ρxx (r) a1ρxx (r 1) ... anρxx (r n) . |
(2.75) |
Параметрический метод оценки на основе авторегрессионного метода Берга (Burg) в Matlab
[Pxx,w]=pburg(x,n,w0),
95
где n – порядок авторегрессионной модели, w0 – нормированная угловая частота квантования.
Для апериодических процессов типа «цветной шум» n=1. Для случайных процессов с гармонической составляющей он должен быть в два раза больше числа предполагаемых синусоидальных колебаний.
Пример 2.10. Для примера 1.6 осуществить расчет основных статистических характеристик на выходе дискретного фильтра в системе Mathcad и в пакете расширения Simulink системы Matlab.
При моделировании интервал квантования (Sample time) во всех блоках принимается равным выбранному значению T0 0.25 Т 1.
Результаты расчетов в Mathcad (рис. 2.9) показывают хорошее совпадение оценки Rxx (r) с теоретической Rxx (τ) , равно и для взаимной корреляци-
онной функции Rux (r) .
Оценки спектральной плотности Sxx (ω) значимо отличаются друг от
друга. Сравните непараметрические оценки для центрированного процесса X 0 (k) с использованием БПФ (2.69) и функцией pspectrum (·). Изрезанность
оценки (2.69) обусловлена отсутствием сглаживания. Оценка спектральной плотности (2.71) с использованием автокорреляционной функции центрированного процесса X 0 (k) значимо отличается от предыдущих оценок.
Выбор T0 0.1 T влечет изменение оценок Rxx (r) и Rux (r) и их отли-
чие от теоретических значений (промоделируйте).
Выбор T0 T влечет существенные изменения всех оценок (промоде-
лируйте).
Результаты расчетов в Matlab представлены на рис. 2.10 для времени моделирования N 512.
|
Непрерывное звено включено в модель для оценки корректности пере- |
|
хода к дискретному звену, контролируемого на Scope. |
|
|
|
Параметры генератора нормального распределения: mu 0 |
(mean), |
σ2 |
4 (variance), T 1 (sample time), seed=0. |
|
u |
0 |
|
|
Параметры автокоррелятора: размерность буфера (length of |
buffer) – |
512, число точек печати (plot after how many points) – 64, T0 1.
Параметры Aweraging Power Spectral Density: length of buffer – 256, number of points for fft – 512, число точек печати – 64, T0 1.
Параметры Cross correlator: length of buffer – 512, число точек печати –
64, T0 1.
Параметры Aweraging Spectrum Analyzer: length of buffer – 512, число точек для fft – 512, число точек печати – 64, T0 1.
Полученные графики отличаются значительно от графиков, полученных в Mathcad, поскольку расчет ведется по другим алгоритмам, включая
96
БПФ (см. формулы (2.67) и (2.68)). Содержание алгоритмов расчета блоков |
||||||||||||
необходимо искать в документации Simulink. |
|
|
|
|
||||||||
Ис ходные данные |
|
|
|
|
|
|
|
|
|
|
||
T 4 |
K 3 |
mu 0 |
u 2 |
T0 0.25T |
|
n 9 |
N 2n |
N 512 |
||||
Генератор с лучайных чис ел |
|
u rnorm(N mu u ) |
|
|
|
|
||||||
Cтатистики дискретного случайного процесса X |
k |
|
|
|||||||||
Прохождение с лучайного процес с а через дис кретный фильтр |
|
|
||||||||||
|
T0 |
b K (1 a) |
x |
|
K |
mu |
x 0 |
- начальные ус ловия |
||||
a exp |
|
|
||||||||||
|
T |
|
|
0 |
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
k 0 N 1 |
|
a 0.779 |
|
|
b 0.664 |
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
||
xk 1 a xk b uk |
Xsr mean(x) |
Xsr 0.639 |
-выборочное с реднее; |
|||||||||
|
|
|
S2x Var(x) |
S2x 4.577 |
- выборочная дис перс ия |
|||||||
X0k xk Xsr |
-центрирование временного ряда |
|
|
|
||||||||
|
N |
r 0 m 1 |
- номер шага |
|
m 256 |
|
||||||
m ceil |
|
|
|
|||||||||
|
2 |
|
|
|
|
|
|
|
|
|
|
|
Rxx covar (x x) |
1 |
|
|
|
- оценка автокорреляционной функции |
|||||||
Rx0 4.577 |
|
Rxr N r Rxxr |
центрированного временного ряда |
|||||||||
|
|
|
|
r T0 |
|
|
|
|
|
|
||
|
|
Rtx K2 u 2 |
|
|
|
|
|
|
|
|
||
|
|
|
T |
|
|
|
|
|
|
|||
|
|
e |
|
|
теоретическая |
|
|
|||||
|
|
r |
2 T |
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
6 |
|
|
|
|
|
|
5 |
|
|
|
|
|
|
4.4 |
|
|
|
|
|
|
|
|
|
|
Rxr |
|
|
|
|
|
|
|
|
|
|
|
|
|
2.8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xk |
0 |
|
|
|
|
|
Rtxr |
1.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
5 |
|
|
|
|
|
|
0.4 0 12 24 36 48 60 |
|
||||
100 |
|
|
|
|
|
|
2 |
|
|
|
|
|
200 |
400 |
600 |
|
|
|
|
|
|
|
|||
|
|
|
k |
|
|
|
|
|
|
r |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис . 1. Временной ряд x(k) иценкао корреляционной функции |
|
||||||||||
Оценки с пектральной плотнос ти функциями M athcad |
|
|
|
|||||||||
Sx cfft (Rx) |
|
SX pspectrum (X0 6 0.5 4) |
|
length(SX) 146 |
||||||||
Sxx fft (X0) |
|
|
I 0 length(SX) |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
Рис. 2.9. Расчет статистических характеристик на выходе дискретного фильтра в Mathcad для примера 2.10
97
|
|
30 |
|
|
|
|
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15 |
|
|
|
|
Sxr |
|
20 |
|
|
|
SXI |
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
2 Sxx |
r |
|
|
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
5 |
|
|
|
|
|
|
|
00 |
0.1 |
0.2 |
0.3 |
0.4 |
00 |
0.1 |
0.2 |
0.3 |
0.4 |
|
|
|
|
|
r |
|
|
|
I |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
lengthSX( |
|
) |
|
|
|
|
|
|
|
|
|
|
|
Рис . 2. Оценки с пектральной плотнос ти
Оценки взаимной корреляционной функции и кросс-спектра
r 0 m |
Usr mean(u) |
U0k uk Usr |
|||
|
|
|
|
|
r |
|
|
|
K |
|
|
|
|
(r) |
e T |
||
Rux lcorr(U0 X0) |
- функция Mathcad |
|
|||
|
T |
||||
|
|
|
Оценка взаимной с пектральной плотнос ти (п лотнос ти крос с -с пектра)
Sux cspectrum (U0 X0 8 0.5 0) |
|
|
|
||||
|
0 |
.8 |
|
|
|
|
|
|
0 |
.6 |
|
|
|
|
|
Ruxr |
0.4 |
|
|
|
|
|
|
(r) |
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
0 |
5 |
10 |
15 |
20 |
25 |
0.2 |
|
|
|
|
|
||
|
|
|
|
r |
|
|
|
15 |
|
|
|
|
10 |
|
|
|
|
SuxI |
|
|
|
|
5 |
|
|
|
|
00 |
0.1 |
0.2 |
0.3 |
0.4 |
|
|
I |
|
|
|
|
lengthSux( |
|
) |
Рис . 3. Оценки взаимной корреляционной функциилотноси п ти крос с -с пектра
Рис. 2.9. Окончание
98
Рис. 2.10. Расчет примера 2.10 в пакете Simulink системы Matlab для T0 0.25 T
98