
- •1. Цель работы
- •Содержание курсовой работы
- •Краткие теоретические сведения
- •Корреляционная функция и спектральная плотность стационарного случайного процесса
- •Статистическая корреляционная функция и ее аппроксимация
- •Определение спектральной плотности случайного процесса по его корреляционной функции
- •Прохождение стационарного случайного сигнала через линейную систему
- •3.5. Расчет системы на минимум дисперсии ошибки
- •3.5.1. Расчет составляющей среднего квадрата ошибки, определяемой полезным сигналом.
- •3.5.2. Расчет составляющей среднего квадрата ошибки, определяемой помехой.
Статистическая корреляционная функция и ее аппроксимация
При
экспериментальном исследовании
случайного процесса первичным материалом
является выборка, представляющая
дискретные значения процесса, взятые
через постоянные интервалы времени
.
Пусть весь интервал времени наблюдения
процесса равен
.
Разделим этот интервал на
равных частей
,
тогда
.
Непрерывное время
заменим дискретными значениями
, где
.
Непрерывное время
(аргумент корреляционной функции)
представим как
,
где
Значения случайного процесса в дискретные
моменты времени обозначим
,
а значения корреляционной функции -
через
.
Дискретные значения корреляционной
функции могут быть приближенно определены
по формуле
.
(7)
Функция
называется статистической корреляционной
функцией. Она лишь приближенно
соответствует действительной
корреляционной функции, определяемой
формулой (1). В формуле (1) интервал
наблюдения
,
а в реальной выборке
всегда конечно. Чем больше
,
тем меньше погрешность определения
.
Вычисления по
формуле (7) следует выполнять на ЭВМ.
Значения
изменять от 0 до 40,
.
Результаты вычислений вписать в табл.
3.
Т а б л и ц а 3
-
K
0
1
2
3
. . .
. . .
39
40
Rg*(k)
Другой важной характеристикой случайного процесса является его математическое ожидание (среднее значение). Оценка математического ожидания процесса по его выборке определяется по формуле
.
(8)
В зависимости от характера случайного процесса его статистическая корреляционная функция может быть приближенно аппроксимирована одним из следующих выражений:
,
(9)
,
(10)
.
(11)
Используются и другие выражения.
.
Поэтому следует добиваться хорошего
совпадения экспериментальной и
аналитической кривых прежде всего на
начальном участке значений аргумента
до
,
начиная
Рис. 1. а) Статистическая корреляционная функция;
b) ее аппроксимация
с которого,
не выходит за пределы (0,3-0,5)
.
По виду графика следует выбрать соответствующую аппроксимирующую функцию, а затем определить ее параметры таким образом, чтобы графики и максимально совпадали.
Наиболее качественным
методом определения неизвестных значений
параметров является метод наименьших
квадратов, однако его использование
требует сложных вычислений. В данной
курсовой работе рекомендуется определить
неизвестные параметры аппроксимирующего
выражения из условия равенства его
ординат кривой
в некоторых характерных точках. Такими
могут быть, например,
;
значения
при которых
и др.
Рассмотрим пример. Пусть имеет вид, как показано на рис. 1. Для аппроксимации этого графика выберем формулу (10).
Необходимо
определить параметры
.
Очевидно
.
Пусть первое пересечение графиком
оси абсцисс происходит в точке(рис.1).
Тогда
,
откуда следует:
.
Для определения
выберем произвольную точку
на начальном участке кривой
.
Пусть координаты точки
соответственно равны
.
Подставим эти координаты в формулу
аппроксимирующей функции:
.
Из последнего уравнения следует
.
В тех случаях,
когда R0
получить невозможно путем обработки
экспериментальных данных, что имеет
место, например, при проведении расчетов
в пакете MATLAB,
можно воспользоваться для определения
двумя фиксированными точками
статистической корреляционной функции,
например, первой и шестой. Подставив в
формулу (10) параметры, соответствующие
первой и шестой точкам статистической
корреляционной функции, получим два
уравнения:
(12)
(13)
Разделив первое
уравнение на второе, получим:
.
Из
последнего выражения находим µ:
.
Подставив найденное значение µ в (12) определим R0: