- •1. ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •1.1. Случайные процессы. Основные определения
- •1.2. Элементарная классификация случайных процессов
- •1.3. Конечномерные распределения случайного процесса
- •1.4. Моментные функции случайного процесса
- •2. НЕКОТОРЫЕ ТИПЫ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •2.1. Стационарные случайные процессы
- •2.2. Спектральное разложение стационарного случайного процесса и преобразование Фурье. Спектральная плотность
- •2.3. Нормальные случайные процессы
- •2.4. Абсолютно случайный процесс (белый шум)
- •2.5. Пуассоновские процессы, потоки событий
- •2.6. Потоки Эрланга и Пальма
- •2.7. Марковские процессы (дискретные состояния, дискретное время)
- •2.8. Марковские процессы (дискретные состояния, непрерывное время)
- •3.1. Действительная форма спектрального разложения стационарного случайного процесса
- •3.2. Комплексная форма спектрального разложения стационарного случайного процесса
- •3.5. Преобразование стационарного случайного сигнала линейной стационарной непрерывной системой
- •Лабораторная работа №1. Анализ линейной стационарной непрерывной системы в пакете Matlab
- •Лабораторная работа № 1. Анализ линейной стационарной непрерывной системы в пакете Mathcad
- •Лабораторная работа № 2. Вычисление дисперсии выходного сигнала линейной стационарной непрерывной системы при случайном воздействии в пакете Mathcad
- •Лабораторная работа № 2. Вычисление дисперсии выходного сигнала линейной стационарной непрерывной системы при случайном воздействии в пакете Matlab
- •4. МОДЕЛИРОВАНИЕ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •4.1. Общая характеристика методов моделирования случайных процессов
- •4.2. Метод условных распределений
- •4.3. Метод отбора (Неймана)
- •4.4. Моделирование случайных процессов с заданными корреляционными свойствами
- •4.5. Параметры некоторых алгоритмов моделирования стационарных процессов с типовыми ковариационными функциями
- •Лабораторная работа № 4. Моделирование стационарных гауссовских случайных процессов методом канонических разложений в пакете Mathcad
- •Лабораторная работа № 4. Моделирование стационарных гауссовских случайных процессов методом канонических разложений в пакете Matlab
- •Лабораторная работа № 5. Моделирование дискретных однородных марковских цепей в пакете Mathcad
- •Лабораторная работа № 6. Моделирование случайных процессов методом отбора в пакете Mathcad
- •Лабораторная работа № 6. Моделирование случайных процессов методом отбора в пакете Matlab
- •Лабораторная работа № 7 (факультатив). Моделирование случайных процессов методом условных распределений в пакете Mathcad
- •Библиографический список
- •ОГЛАВЛЕНИЕ
в интервале (0, fmax ). Сначала получим стандартные равномерно
распределённые |
|
случайные величины |
xi R(0,1),i = |
|
, |
по |
|||||||||||||
|
1,n +1 |
||||||||||||||||||
этим |
|
|
исходным |
|
данным |
|
|
|
определим |
величины |
|||||||||
ξ(k ) = a |
|
+ |
(b −a |
|
)x |
,i = |
|
,ξ(k ) |
= f |
|
|
x |
|
. |
|
|
|
||
i |
i |
1,n |
max |
n+1 |
|
|
|
||||||||||||
i |
|
|
i |
i |
|
|
n+1 |
|
|
|
|
|
|
||||||
Пусть |
|
|
(k ) |
= (ξ1(k ),ξ2(k ),...,ξn(k ) )T |
– n-мерный случайный |
век- |
|||||||||||||
ξ |
тор, причём k – номер его реализации, зависящий от t . Точка ξ(k ) принимается в качестве реализации случайного процесса ξ(t) с
n -мерной плотностью вероятности |
f (x1,t1, x2 ,t2 ,..., xn ,tn ), если |
|||||||||||||||
f |
|
|
|
(k ) |
≥ ξ |
(k ) |
, и отбраковывается, если |
|
|
|
(k ) |
< ξ |
(k ) |
. При бра- |
||
ξ |
ξ |
|||||||||||||||
|
|
n+1 |
f |
|
n+1 |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ковке точки ξ(k ) происходит переход к новому шагу и индекс k
увеличивается на единицу. Таким образом, здесь моделируются случайные точки n +1-мерного пространства, равномерно распре-
делённые в объёме под гиперповерхностью z = f ξ(k ) .
Как и все без исключения методы моделирования случайных процессов, метод отбора обладает достоинствами и недостатками. Достоинствами являются простота реализации и программирования, а также отсутствие всяких предварительных расчётов в противоположность, например, методу условных распределений. Основной недостаток метода – работа «вхолостую» в том случае, ко-
|
|
|
(k ) |
≥ ξ |
(k ) |
. Это приводит к избыточ- |
|
ξ |
|||||||
гда нарушается условие f |
|
n+1 |
|||||
|
|
|
|
|
|
ному обращению к датчикам случайных чисел и увеличивает время работы программы.
4.4. Моделирование случайных процессов с заданными корреляционными свойствами
С практической точки зрения получение возможных значений случайного процесса ξ(t) в рамках заданной корреляционной тео-
рии оказывается более простой задачей. Методы этой теории применимы в тех случаях, в которых достаточно обеспечить лишь заданную матрицу корреляционных моментов случайных векторов.
120
Всё дело в том, что ненормальные случайные процессы часто появляются в результате некоторых преобразований нормальных. Кроме того, законы распределения ненормальных случайных процессов очень трудно получить и теоретически и экспериментально. На практике при моделировании негауссовского случайного процесса может быть известна лишь его корреляционная функция, так как при моделировании по экспериментальным данным корреляционные моменты определяются значительно проще и надёжнее. Так как в данных условиях многомерные законы распределения неизвестны, моделирование случайных процессов имеет смысл лишь в рамках корреляционной теории.
4.4.1. Метод формирующего фильтра. Формирующим фильт-
ром называется динамическая система, преобразующая абсолютно случайный процесс η(t) (белый шум) в случайный процесс ξ(t) с
заданными статистическими характеристиками. На рис. 4.2 представлена схема аналогового формирующего фильтра, когда из бе-
лого шума η(t) на входе получают случайный процесс ξ(t) с заданной ковариационной матрицей Kξ(τ) и спектральной плотностью Sξ(ω). Характеристикой формирующего фильтра является передаточная функция K(p), которая может быть найдена по ковариационной функции Kξ(τ) и (или) по спектральной плотности Sξ(ω) нужного случайного процесса ξ(t).
η(t) |
ξ(t) |
K(p)
Рис. 4.2. Схема формирующего фильтра
Например, так как характеристики белого шума (см. подразд. 2.4) Kξ (t)= cδ(τ), Sξ (ω)= 2cπ = S0 , то, предполагая процесс
η(t) гауссовским с M [η(t)]= 0 , получим [22] K(p)= S(p).
S0
121
В современной литературе известно несколько разных методов вычисления передаточной функции. В соответствии со спосо-
бом вычисления K(p) метод моделирования случайного процесса ξ(t) имеет то или иное название (см., например, п. 4.4.2).
В общем случае методы вычисления передаточной функции довольно сложны, некоторые из них приводят к решению систем дифференциальных уравнений, другие – нелинейных алгебраических уравнений, третьи используют разложение спектральной функции в ряд Фурье, в четвёртых применяется метод факторизации, т.е. метод разложения спектральной функции на множители, один из которых равен передаточной функции формирующего фильтра.
Рассмотрим теперь несколько случаев общей идеи формирующего фильтра, наиболее употребительных и простых с вычислительной точки зрения.
4.4.2. Метод скользящего суммирования. Задачу цифрового моделирования случайных процессов с помощью скользящего суммирования можно рассматривать как задачу синтеза линейного дискретного формирующего фильтра, преобразующего дискретный белый шум в коррелированный дискретный случайный процесс с заданными статистическими характеристиками.
Пусть ξ(n) – последовательность значений случайного процесса ξ(t) в точках tn = n∆t . Оператор скользящего суммирования есть линейный оператор преобразования:
ξ(n)= ∑N ck x(n −k ), |
(4.4) |
k=0 |
|
где x(k ) N (0,1) – отcчëты белого шума, ck – коэффициенты циф-
рового фильтра. В силу линейности преобразования (4.4) последовательность ξ(n) будет также нормальным случайным процессом.
Название «метод скользящего суммирования» отражает суть формулы (4.4), так как значения ξ(n) вычисляются как взвешенная
сумма |
входных отсчётов x(k ) в сдвигающемся окне |
отсчётов |
|
(n − N ),(n − N +1),...,n . Коррелированность |
случайных |
величин |
|
ξ(n), |
ξ(n + k ) обеспечивается за счёт того, |
что в их образовании |
участвуют k общих случайных величин последовательности x(n).
122
При k = N значения ξ(n) и ξ(n + k ) становятся некоррелирован-
ными. Характер корреляционной связи зависит только от значений коэффициентов ck .
Так как ковариационная функция последовательности x(n) имеет вид
|
Kx (n)= M [x(k )x(k + n)]= δn |
1,n = 0, |
|
(4.5) |
|||||||
|
= |
|
|
≠ 0, |
|
||||||
|
|
|
|
|
|
0,n |
|
|
|||
то значения ковариационной функции |
Kξ(t) |
в точках |
tn = n∆t , |
||||||||
вычисленные с использованием формулы (4.4), будут равны: |
|||||||||||
|
|
|
N |
|
|
N |
|
|
|
|
|
|
Kξ (0)= M [ξ(k)ξ(k)]= M ∑ck x(k)∑ck x(k) = |
|
|
||||||||
|
|
|
k=0 |
|
|
k=0 |
|
|
|
||
= M{[c0 x(0)+ c1x(1)+... + cN x(N )] [c0 x(0)+ c1x(1)+... + cN x(N )]}= |
|||||||||||
= M c2 |
x(0)x(0)+ c |
0 |
x(0)c x(1)+... + c |
0 |
x(0)c |
N |
x(N )+ c x(1)c |
0 |
x(0)+ |
||
0 |
|
1 |
|
|
|
1 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
+c12 x(1)x(1)+... + c1x(1)cN x(N )+... + cN x(N )c0 x(0)+
+cN x(N )c1x(1)+... + cN2 x(N )x(N )]} = c02 M [x(0)x(0)]+
+c0c1M [x(0)x(1)]+... +cN2 M [x(N )x(N )]= c02 1+c0c1 0 +
N
+... +cN2 1 = ∑ck2 .
k =0
Аналогично другие индексы:
Kξ(1)= c0c1 + c1c2 +... + cN −1cN ,
Kξ (2)= c0c2 + c1c3 +... + cN −3cN −1, …,
Kξ (k )= c0ck + c1ck+1 +... + cN +1cN −k+1, …,
Kξ(N −1)= c0cN −1 + c1cN , Kξ(N )= c0cN , Kξ(N +1)= 0,
где Kξ (n)= Kξ (n∆t).
Итак, между коэффициентами линейного фильтра (4.4) ck и значениями ковариационной функции Kξ(τ) в точках отсчётов tn = n∆t существуют следующие соотношения:
123
|
|
K |
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
ξ (0)= ∑ck2 = c02 + c12 +... + cN2 , |
|
|
|||||||||||||||||||||||
K |
|
(1)= c c + c c +... + c c , |
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
k |
=0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
ξ |
|
|
|
|
|
0 1 |
|
1 2 |
|
|
|
|
|
N −1 N |
|
|
|
|||||||
|
K |
ξ |
(2)= c |
0 |
c |
2 |
+ c c |
3 |
+... + c |
N −3 |
c |
N −1 |
, |
|
|||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
.................................................... |
|
(4.6) |
||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||
K |
ξ |
(k)= c |
0 |
c |
k |
+ c c |
k+1 |
+... + c |
N −k |
+1 |
c |
N |
+1 |
, |
|||||||||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|||||||||||
..................................................... |
|
|
|||||||||||||||||||||||||
|
|
|
|
|
Kξ (N −1)= c0cN −1 + c1cN , |
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
K |
ξ |
(N )= c |
0 |
c |
N |
. |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таким образом, очевидным способом синтеза дискретного цифрового фильтра, моделирующего случайный процесс ξ(t) с
заданной ковариационной матрицей Kξ(τ) и математическим
ожиданием M [ξ(t)]= 0 , является получение коэффициентов ck из
решения нелинейной системы алгебраических уравнений (4.6). После того как коэффициенты ck вычислены, реализации
случайного процесса в моменты tn = n∆t осуществляются по
формуле (4.4).
Рассмотренный метод пригоден для моделирования гауссовских процессов с произвольными спектральными плотностями, однако он является приближённым, имеющим методическую погреш-
ность, которая зависит от числа учитываемых коэффициентов ck в
формуле (4.4). Его целесообразно применять при известной ковариационной функции Kξ(τ) нормального случайного процесса ξ(t).
4.4.3. Метод авторегрессии-скользящего среднего. Для моде-
лирования нормальных случайных процессов можно использовать и рекуррентные алгоритмы. Этот метод основан на уравнении ав- торегрессии-скользящего среднего:
ξ(n)= ∑l ak x(n −k )+ ∑m bk ξ(n −k ). |
(4.7) |
|
k=0 |
k=1 |
|
В данном случае вид ковариационной функции случайного процесса определяется набором значений параметров ak и bk ,
124
а также их количеством. Параметры ak и bk определяются на
этапе подготовки к моделированию. Уравнение (4.7), так же как и в предыдущем случае (см. п. 4.4.2), описывает некоторый дискретный линейный фильтр, который из дискретного белого шума на входе формирует на выходе дискретный случайный процесс с заданными статистическими характеристиками.
Коэффициенты ak и bk можно определить методом факто-
ризации. В этом методе для синтеза формирующих дискретных фильтров используются специальные свойства ковариационных и спектральных функций моделируемых случайных процессов.
Метод факторизации применяют и при определении коэффициентов ck линейного формирующего фильтра, когда уравнение (4.7) имеет более простую структуру, например:
ξ(n)= ∑l ck x(n −k ), xk N (0,1). |
(4.8) |
k=0 |
|
На практике часто используются случайные процессы, у которых спектральная плотность мощности представляется дробнорациональной функцией
Sξ(ω)= ∞∫K(τ)e−iωτdτ = |
S1 |
(ω) |
, |
(4.9) |
|
S2 |
(ω) |
||||
−∞ |
|
|
|||
где S1(ω) и S2 (ω) – многочлены степеней l |
и m, (l < m) |
соответ- |
ственно.
Случайные процессы со спектральной плотностью вида (4.9) имеют также дробно-рациональную передаточную функцию [3]
K(iω)= |
K1 |
(iω) |
|
, |
(4.10) |
|
K2 |
(iω) |
|||||
|
|
|
где K1(iω) и K2 (iω) – многочлены степени l и m(l < m). Спек-
тральная плотность случайного процесса ξ(t), |
получаемого по |
||||||||
формуле (4.7) на выходе системы, будет иметь вид |
|
||||||||
Sξ(ω)= |
|
K(iω) |
|
2 = K(iω)K(− iω)= |
K1 |
(iω)K1 |
(− iω) |
. |
(4.11) |
|
|
||||||||
|
|
|
|
|
|||||
|
|
|
|
|
K2 |
(iω)K2 |
(− iω) |
|
125
Множитель K1((iω)) в формуле (4.11) и будет передаточной функ-
K2 iω
цией формирующего фильтра (4.9). Разложение (4.11) возможно, хотя и не является однозначным.
По теории [19], всякая положительная дробно-рациональная функция относительно аргумента может быть представлена свои-
ми нулями и полюсами:
S1 |
(ω) |
|
|
∏l (iω− iω0k ) |
|
2 |
, |
(4.12) |
|
|
|
||||||||
= Ck |
k =1 |
|
|
|
|||||
S2 (ω) |
m |
|
|
|
|||||
|
∏(iω− iωk ) |
|
|
|
|
||||
|
|
|
|
k =1 |
|
|
|
|
где ω0k – нули передаточной функции (нули многочлена K1(iω)), ωk – полюсы передаточной функции (нули многочлена K2 (iω)), Ck – константа. В соответствии с этим разложением сама передаточная функция K(p) может быть представлена формулой
K(iω)= |
|
|
∏l1 (iω− iω1k ) |
|
|
|
C |
|
k =1 |
|
, |
(4.13) |
|
|
m1 |
|||||
|
|
|
∏(iω− iω2k ) |
|
|
k =1
где ω1k и ω2k – нули и полюсы передаточной функции, лежащие в верхней полуплоскости (имеющие положительную мнимую
часть), а множитель С выбирается из условия K(iω)2 = Sξ(ω).
Для получения формулы скользящего суммирования по теории необходимо получить функцию импульсной переходной характеристики формирующего фильтра [1, 3, 13]:
k ri −1 |
t |
j |
|
|
h(t)= ∑ ∑Cij |
|
e pit , |
(4.14) |
|
|
j! |
|||
i=1 j=0 |
|
|
|
где pi – полюсы передаточной функции, т.е. корни знаменателя формулы (4.13) кратности ri каждый (r1 + r2 +... + rk = m), а
1 |
|
d ri − j−1 |
k |
|
|
||
Cij = |
|
|
|
[K(p)(p − pi ) i ] |
p=pi . |
(4.15) |
|
(ri − j −1)! |
dpri − j−1 |
||||||
|
|
|
|
126
Если на вход фильтра с импульсной переходной характеристикой h(t) воздействует белый шум с ковариационной функцией
Kx (τ)= δ(τ), то на выходе фильтра случайный процесс ξ(t) выражается интегралом Дюамеля
ξ(t)= ∞∫h(τ)xδ(t − τ)dτ . |
(4.16) |
0 |
|
Белый шум xδ(t) с дельтаобразной ковариационной функцией
имеет бесконечную дисперсию (см. также формулу (2.24)). Чтобы этого избежать, при вычислении значений случайного процесса уравнение (4.16) заменяется на
ξ(t)= ∫t |
h(τ)x0 (t − τ)dτ , |
(4.17) |
0 |
|
|
где x0 (t) – белый шум с ограниченной частотой ωГ , причём в полосе (−ωГ ,ωГ ) должна находиться основная часть мощности
процесса ξ(t). x0 (t) имеет дисперсию D0 = ωπГ и не коррелиро-
ванные в точках tn = n∆t = n |
π |
значения. |
|
||
|
ωГ |
Если заменить интеграл (4.17) конечной суммой с шагом ∆t , получим алгоритм реализации дискретных значений случайного процесса ξ(t) в виде
ξ(n)= ξ(n∆t)= ∆t ∑∞ h(k )x0 (n −k )= ∑∞ ck x(n −k ), |
(4.18) |
|
k=0 |
k=0 |
|
где сk = ∆th(k ), x(m) N (0,1).
Применение метода факторизации для получения параметров моделирующих алгоритмов целесообразно в тех случаях, когда моделируемый процесс является процессом с рациональным спектром. При факторизации спектральных функций высокого порядка, у которых имеются корни выше второй степени, вычисление по формулам (4.13)-(4.15), (4.17) становится весьма затруднительным, что ограничивает применение метода факторизации.
127
Пример 17 [3]. Найдём формулу для моделирования случайного процесса с ковариационной функцией Kξ (τ)= e−ωk τ .
Найдём прежде всего спектральную плотность мощности заданного случайного процесса:
|
|
|
|
1 |
|
|
∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
∞ |
−ω |
|
τ |
|
−iωτ |
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
S(ω)= |
|
2π |
|
|
Kξ(τ)e−iωτdτ |
= |
|
|
|
|
|
|
e |
|
k |
|
|
|
|
|
|
|
|
dτ |
= |
|
|||||||||||||||||||||||||
|
|
|
|
|
−∞∫ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2π −∞∫ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
1 |
|
|
0 |
−ω |
|
τ |
|
−iωτ |
|
|
|
|
∞ |
|
−ω |
|
τ |
|
−iωτ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
= |
|
|
|
|
∫e |
|
|
k |
|
|
|
|
|
|
dτ+ ∫e |
|
k |
|
|
|
|
|
|
|
dτ |
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
2π −∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
= |
1 |
|
|
|
|
1 |
|
|
|
|
e |
−ω |
|
τ |
|
−iωτ |
|
0 |
+ |
|
|
|
|
|
1 |
|
|
|
e |
−ω |
|
τ |
|
−iωτ |
|
∞ |
= |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
−iω |
|
|
|
|
|
|
|
|
|
|
−ωk −iω |
|
|
|
|
|
||||||||||||||||||||||||||||||
|
2π |
ωk |
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
= |
1 |
|
|
|
|
1 |
|
|
+ |
|
|
1 |
|
|
|
|
|
= |
|
|
|
ωk |
|
. |
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
2π |
|
|
−iω |
|
|
|
|
|
|
|
|
|
|
π(ω2k + ω2 ) |
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
ωk |
|
|
|
ωk +iω |
|
|
|
|
|
|
Здесь разделение интервала интегрирования связано со свой-
ствами функции τ = − τ,τ < 0,
τ,τ ≥ 0.
Корни спектральной функции S(ω) равны ±iωk . Передаточная функция формирующего фильтра, вычисленная по формуле
(4.12), будет равна: K(p)= |
|
|
∏l (p − p1k ) |
|
|
|
||
C |
|
k=1 |
|
|
, где p |
= iω |
– корни |
|
|
|
|
|
|||||
|
|
|
∏m |
(p − pk ) |
1k |
1k |
|
|
|
|
|
|
|
|
k=1
числителя, pk = iω2k – корни знаменателя. Числитель корней не имеет (не зависит от ω), корни знаменателя ±iωk . Согласно теории выберем корень с положительной мнимой частью, это корень
+iωk . Тогда K(p)= |
|
|
|
|
|
1 |
|
(в выражение для K(p) входит |
|||||||||||||||||
|
C |
||||||||||||||||||||||||
|
p −ωk |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
коэффициент при мнимой части). |
|
|
|
|
|
|
K(iω) |
|
2 = S(ω) даёт |
||||||||||||||||
Найдём теперь константу C . Условие |
|
|
|||||||||||||||||||||||
|
|
||||||||||||||||||||||||
|
ωk |
|
K |
(p) |
|
2 |
|
K(iω) |
|
2 |
= C |
|
|
1 |
|
|
2 |
C |
|||||||
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
π(ω2k + ω2 )= |
|
|
|
|
= |
|
|
|
iω−iωk |
|
|
= |
ω2 + ωk2 |
. |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
128
Здесь использовано свойство модуля комплексного выражения, именно, если z = a +ib , то z = a2 +b2 . Отсюда С = ωπk .
Вычислим |
|
теперь |
импульсную переходную |
характерис- |
|||||||||||||
тику |
|
формирующего |
фильтра |
по |
|
формулам |
(4.14) и (4.15). |
||||||||||
|
|
|
|
|
|
|
|
|
|
1 0 |
|
t |
j |
|
|
|
|
Так |
как k =1,r1 =1, p1 = −ωk , |
то |
h(t)= ∑∑Cij |
|
|
e pit = C10e p1t , |
|||||||||||
|
|
j! |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
i=1 j=0 |
|
|
|
|
|
||
|
1 |
|
d1−0−1 |
|
1 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
C10 = |
|
|
|
[K(p)(p − p1 ) |
] |
p=p1 |
= [K(p)(p − p1 )] |
|
p=p1 = |
||||||||
(1−0 −1)! |
dp1−0−1 |
||||||||||||||||
|
|
||||||||||||||||
|
|
|
|
|
|
|
= C p +1ωk (p + ωk )p=ωk = C . Тогда h(t)= Ce−ωkt = ωπk e−ωkt .
Наконец, получим формулы, моделирующие случайный процесс с данной ковариационной функцией (см. формулы (4.18)):
|
|
ωk |
|
|
|
и ξ(n)= ∑∞ ck x(n −k), xk N (0,1). |
ck = ∆t |
e−ωk∆tk = |
a |
e−ak ,a = ωk ∆t |
|||
|
||||||
|
|
π |
π |
k=0 |
Пример 18. Осуществим моделирование случайного процесса ξ(t) с ковариационной функцией Kξ(τ)= De−α τ [2δ(τ−α(sign(τ))2 )].
Найдём вначале спектральную плотность. Так как Kξ(τ) – действительная чётная функция, применим формулу (2.14).
При этом |
используем свойства |
функций |
δ(τ) = ∞, τ = 0, |
||||||
|
|
|
|
|
|
|
|
|
0, τ ≠ 0 |
1,τ > 0, |
|
|
|
2 |
∞K |
|
|
||
и sign(τ)= |
0,τ = 0, В этом случае |
S |
|
(ω)= |
|
(τ)cosωτdτ = |
|||
|
|
|
|||||||
|
|
|
ξ |
|
π 0∫ |
|
ξ |
|
|
−1,τ < 0. |
|
|
|
|
|
|
|
|
=2 ∞∫De−α τ [2δ(τ)− α(sign(τ))2 ]cosωτdτ =
π0
=2D ∞∫[2e−α τ δ(τ)− αe−α τ (sign(τ))2 ]cosωτdτ =
π0
=4D ∞∫e−ατδ(τ)cosωτdτ − 2αD ∞∫e−ατ(sign(τ))2 cosωτdτ =
π0 π 0
129
= |
2D |
e |
−α 0 |
cosω 0 − |
2αD ∞ |
−ατ |
cosωτdτ, |
так как по свойству дель- |
||||||||||||||||||||
|
π |
|
|
|
π |
∫e |
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
та-функции |
0+∫ε f (τ)δ(τ)dτ = |
1 |
f (0). Последний интеграл в выраже- |
|||||||||||||||||||||||||
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
нии |
|
для |
|
Sξ(ω) |
|
|
|
легко |
|
|
берётся |
|
по |
частям, |
именно |
|||||||||||||
∫e |
−ατ |
cosωτdτ = |
|
α2 |
|
|
e |
−ατ |
|
1 |
|
|
|
ω |
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
− |
|
|
cosωτ+ |
|
|
sin ωτ . |
Тогда |
||||||||||||
|
α |
2 |
+ ω |
2 |
|
|
|
α |
α |
2 |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Sξ(ω)= |
2D |
− 2αD |
|
|
|
α |
|
|
= |
|
|
2Dω2 |
|
. |
|
|
|
Графики |
функций |
|||||||||
π |
|
α2 + ω2 |
π(α2 + ω2 ) |
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
π |
|
|
|
|
|
|
|
|
Kξ(τ) и Sξ(ω) приведены на рис. 4.3.
K(τ) |
S(ω) |
τ |
ω |
Рис. 4.3. Графики ковариационной функции и функции спектральной
плотности мощности примера 18
Корень числителя спектральной функции равен нулю, корни знаменателя ± iα. Передаточная функция формирующего фильтра
равна (формула (4.13)): K(p)= C p −piα , так как для знаменателя выбирается один корень с положительной мнимой частью.
Определим |
значение |
константы |
С. По усл |
|
овию |
||||||||||
Sξ(ω)= |
|
K(iω) |
|
2 , |
|
2D |
|
ω2 |
|
iω |
|
2 |
|
ω2 |
|
|
|
т.е. |
|
= C |
|
= |
. |
||||||||
|
|
||||||||||||||
|
|
π |
α2 + ω2 |
iω− iα |
|
|
α2 + ω2 |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
130
Отсюда C = 2πD . Импульсная переходная характеристика формирующего фильтра аналогична таковой же в примере 17. Именно,
k =1,r =1, p = −α, |
|
|
h(t)= C e p1t , |
|
|
C |
= [K(p)(p − p |
)] |
|
= |
|||||||||||||||||||
|
|||||||||||||||||||||||||||||
|
1 |
|
|
|
1 |
|
|
|
|
10 |
|
10 |
|
|
1 |
|
|
p=p1 |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
= |
|
|
|
|
|
p |
(p − α) |
|
= |
|
|
|
α = |
2D |
α , |
h(t)= |
2D |
αe−αt . |
|||||||||||
|
C |
|
|
|
C |
||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
p − α |
|
|
|
|
|
|
|
|
|
|
π |
|
|
|
π |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
p=α |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
Таким образом, формулы, моделирующие случайный про- |
||||||||||||||||||||||||||||
цесс |
ξ(t) с заданной |
|
ковариационной |
функцией, |
|
|
имеют |
||||||||||||||||||||||
вид |
|
ξ(n)= ∆t ∑∞ h(k )x0 (n −k )= ∑∞ ck x0 (n −k ), |
где ck = |
|
|
||||||||||||||||||||||||
|
∆th(k)= |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
k=0 |
|
|
|
|
|
|
|
k=0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
e−ak , a = α∆t, x0 N (0,1). |
|||||||||||||||
= |
|
|
|
|
2D |
αe−α∆tk = |
|
|
|
2D∆t |
α2 e−α∆tk = |
|
2Dαa |
||||||||||||||||
∆t |
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
π |
|
|
|
|
π |
|
|
|
|
|
|
|
π |
|
|
|
|
|
|
|
|
|
4.4.4. Метод канонических разложений. Каноническое пред-
ставление случайного процесса основано на выражении модели случайного процесса ξ(t) в виде детерминированной функции
случайных величин, т.е. в виде
ξ(t)= mξ(t)+ ∑∞ uk xk (t), |
(4.19) |
k=1 |
|
где uk – коэффициенты разложения – случайные величины, математические ожидания которых равны нулю, xk (t) – детерминированные функции, образующие систему функций. Функции xk (t) называются координатными функциями канонического разложе-
ния. Коэффициенты разложения uk |
изменяются от реализации к |
|
реализации; необходимо, чтобы uk |
были некоррелированными, |
|
т.е. M [uiu j ]= 0 |
при i ≠ j . |
|
Согласно теории [18] некоррелированность случайных коэффи- |
||
циентов uk |
обеспечивается при |
выборе в качестве системы |
xk (t),k =1,2,...,∞ функций, являющихся решениями интегрального уравнения типа Фредгольма относительно функции x(t):
131
T∫MK(t1,t2 )xk (t2 )dt2 = λk uk (t1 ), |
(4.20) |
0 |
|
где K(t1,t2 ) – заданная ковариационная функция– ядро интегрального уравнения, TM – интервал моделирования случайного процесса, λk – собственные числа данного интегрального уравнения.
Основным достоинством представления (4.20) является возможность моделирования случайного процесса ξ(t) для любого
момента времени t , так как ξ(t) моделируется как функция непре-
рывного времени. На практике описанный метод применяется редко из-за следующих трудностей.
1. Решение интегрального уравнения (4.20) аналитически найдено лишь для весьма ограниченного набора ковариационных
функций K(t1,t2 ).
2. В соответствии с (4.19) необходимо использовать бесконечное число функций xk (t). Это не может быть реализовано при
практическом моделировании. Если же взять число членов в правой части формулы (4.19) конечным, возникает методическая ошибка.
В работе [18] В.С. Пугачёв предложил метод, в котором случайный процесс ξ(t) моделируется таким образом, что истинная
ковариационная функция K(t1,t2 ) совпадает с ковариационной функцией моделируемого случайного процесса K Д (t1,t2 ) лишь
для заданных дискретных моментов времени. Таким образом, K(t1,t2 )= K Д (t1,t2 ) для конечного множества моментов, а само
моделирование происходит по формуле
ξ(t)= mξ(t)+ ∑N uk xk (t), |
(4.21) |
k=1 |
|
где N – число точек, в которых K(t1,t2 )= K Д (t1,t2 ). Для вычисления по формуле (4.20) необходимо определить ортонормированную систему функций xk (t),k =1, N и некоррелированные случай-
ные величины uk ,k =1, N . При этом накладываются условия лишь на первый и второй моменты случайных величин uk [18]:
132
M [u |
|
]= 0,k |
= |
|
, D |
= K(t ,t |
|
), x (t)= |
1 |
K(t,t |
|
), |
|||||||
k |
1, N |
21 |
21 |
||||||||||||||||
|
|||||||||||||||||||
|
|
|
|
|
|
|
1 |
11 |
|
|
|
1 |
D1 |
|
|
||||
|
|
Dk = K(t1,k ,t2,k )− k∑−1Di xi (tk ),k = 2,3,..., N, |
|
(4.22) |
|||||||||||||||
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
x |
k |
(t)= |
1 |
|
K(t,t |
2,k |
)− k−1D |
x |
(t |
k |
) ,k = 2,3,..., N. |
|
|||||||
|
|
|
|||||||||||||||||
|
|
|
|
|
∑ i |
|
i |
|
|
|
|
|
|
||||||
|
|
|
Dk |
|
i=1 |
|
|
|
|
|
|
|
|
|
При таком подходе не нужно решать интегральное уравнение (4.20), а функции xk (t) определяются простыми алгебраическими
уравнениями (4.22).
4.4.5. Метод канонических разложений для стационарных случайных процессов. У стационарных случайных процессовкова- риационная функция, зависящая от разности аргументов
Kξ(t1,t2 )= Kξ(t2 −t1 )= Kξ(τ), связана со спектральной плотностью
мощности парой преобразования Фурье (2.18)-(2.19), поэтому при моделировании стационарных случайных процессов можно ис-
пользовать функцию Sξ(ω).
При условии Kξ(t1,t2 )= Kξ(τ) собственными функциями
xk (t) интегрального уравнения (4.20) (координатными функциями
уравнения (4.19)) являются гармонические функции, т.е. ряд (4.19) превращается в ряд Фурье:
ξ(t)= mξ(t)+ ∑∞ (vk coskωt +uk sin kωt),0 ≤ t ≤ TM , |
(4.23) |
k=0 |
|
где T |
– интервал |
моделирования, |
ω = |
2π |
, T |
П |
|
||||||
|
M |
|
|
TП |
||
|
|
|
|
|
||
M [vk ]= M [uk ]= 0 , |
M [viu j ]= M [uiu j ]= M [viv j ]= 0 |
|
i ≠ j, M [viui ]= 0,TП – интервал, равный периоду формулы выбранный так, чтобы ковариационная функция процесса значимо не отличалась от заданной Kξ(τ).
Определим ковариационную функцию процесса (4.23).
Kξ (t1,t2 )= M [ξ(t1 )ξ(t2 )]=
∞ |
+ uk sin kωt1 ) (vk coskωt2 |
|
= |
= M ∑(vk coskωt1 |
+ uk sin kωt2 ) |
||
k=0 |
|
|
|
≥ TM ,
при
(4.23),
(4.23)
133
= ∑∞ (Dv |
k |
coskωt1 coskωt2 + Du |
sin kωt1 sin kωt2 ). Для того чтобы |
k=0 |
|
k |
|
|
|
|
случайный процесс ξ(t) был стационарным в широком смысле,
необходимо, чтобы Dv |
k |
= Du |
= Dk . Тогда |
|
|
k |
|
|
|
Kξ(t1,t2 )= ∑∞ Dk (coskωt1 coskωt2 |
+sin kωt1 sin kωt2 )= |
|||
k=0 |
|
|
|
(4.24) |
∞ |
|
|
∞ |
|
|
|
|
||
= ∑Dk coskω(t2 |
−t1 )= ∑Dk coskωτ. |
|||
k=0 |
|
|
k=0 |
Выражение (4.24) есть разложение ковариационной функции в ряд Фурье с периодом TП = 2ωπ , коэффициентами которого явля-
ются дисперсии Dk . В этом случае, так как Kξ (τ) – чётная функция, то на интервале [−TП ,TП ] коэффициенты ряда Фурье равны:
D0 = |
1 |
T∫ПKξ (τ)dτ, |
Dk = |
2 |
T∫ПKξ (τ)coskωτdτ, |
(4.25) |
|
TП |
TП |
||||||
|
0 |
|
0 |
|
где TП >> τk ,τk – интервал корреляции случайного процесса ξ(t). Если TП >> τk , то с небольшой методической погрешностью уравнения (4.25) можно переписать в виде
D0 |
= |
1 |
∞∫Kξ (τ)dτ = |
π |
Sξ (0), |
|||
|
|
|
||||||
|
|
TП 0 |
2TП |
|
|
(4.26) |
||
Dk = |
2 |
∞∫Kξ (τ)coskωτdτ = |
|
π |
S(kω). |
|||
|
|
|
TП |
|||||
|
TП 0 |
|
|
|
Таким образом, дисперсия гармоник формул (4.23) и (4.24) определяется по заданной спектральной плотности мощности
S(ω) с точностью до постоянных множителей.
Обычно функция S(ω) резко убывает и становится малой по достижении некоторой верхней частоты ωВ , поэтому число членов усечённого ряда в (4.23) может быть приближённо оценено
как M = ωωВ = ω2πВ TП . С другой стороны, поскольку общая дис-
134
персия моделируемого случайного процесса равна Dξ = Kξ(0), дисперсия же при усечении формулы (4.23) определяется соотно-
M |
|
|
|
|
|
|
шением DM = ∑Dk |
, |
то критерием выбора M |
может быть выра- |
|||
k=0 |
|
|
|
|
|
|
жение |
|
|
|
∞ |
|
|
|
|
DM = |
1 |
|
||
1− |
∑Dk < ε , |
(4.27) |
||||
|
||||||
|
|
Dξ |
Kξ(0)k=M +1 |
|
где ε – заданная погрешность при моделировании.
При таких условиях и ограничениях моделирование случайного процесса ξ(t) происходит по формуле
ξ(t)= mξ(t)+ ∑M (vk coskωt +uk sin kωt), |
(4.28) |
||
|
k=0 |
|
|
где vk и uk – |
некоррелированные |
случайные |
величины с |
M [vk ]= M [uk ]= 0 , |
D[vk ]= D[uk ]= Dk . |
Распределение случайных |
величин vk и uk может быть произвольным, если процесс ξ(t) нормальный, то vk и uk – также нормально распределённые случайные
величины с определёнными первыми и вторыми моментами.
Так как каждое слагаемое в правой части (4.28) представляет собой простую гармонику с частотой kω, то при условии нор-
мальности случайного процесса ξ(t) эта гармоника имеет фазу, равномерно распределённую на интервале [− π,π], и амплитуду, распределённую по закону Рэлея с параметром DR = 2Dk , т.е.
f (A)= |
A |
− |
A2 |
|
|
|
4D |
|
|||||
|
e |
k . В этом случае моделирование по |
формуле |
|||
2Dk |
||||||
|
|
|
|
|
||
(4.28) может быть заменено моделированием по формуле |
|
|||||
|
|
|
ξ(t)= mξ(t)+ ∑M Ak cos(kωt +ϕk ), |
(4.29) |
||
|
|
|
|
k=0 |
|
где вместо двух случайных величин vk и uk с одинаковым (нормальным) распределением используются две случайные величины с разными законами распределения: амплитуда Ak распределена
135
по закону Рэлея с параметром 2Dk , фаза ϕk распределена равномерно на R[− π,π].
Формулу (4.29) можно ещё упростить, исключив случайные
амплитуды гармоник Ak . |
Так как мощность амплитуды каждой |
|
гармоники в (4.28) равна: |
M [vk2 ]+ M [uk2 ]= D[vk ]+ D[uk ]= 2Dk , то |
|
формулу (4.29) можно переписать в виде |
|
|
ξ(t)= mξ(t)+ ∑M Ck cos(kωt +ϕk ), |
(4.30) |
|
|
k=0 |
|
где Ck – неслучайный параметр и Ck = 2Dk .
Формулу (4.30) используют при большом значении M , так как в силу центральной предельной теоремы процесс ξ(t), получаемый по формуле (4.30), сходится к нормальному.
4.4.6. Моделирование марковских случайных процессов (дис-
кретных марковских цепей). Моделирование марковских случай- ных процессов осуществляется на основе метода условных распределений (см. подразд. 4.2). Сам процесс моделирования зависит от порядка марковского процесса. Рассмотрим вначале процесс первого порядка. По определению марков-
ской |
цепи, |
P{ξ(tn )= in |
ξ(t1 )= i1,ξ(t2 )= i2 ,...,ξ(tn−1 )= in−1}= |
= P{ξ(tn )= in |
ξ(tn−1 )= in−1}. Кроме того, вероятность перехода из |
||
состояния i в состояние j |
определяется переходной вероятно- |
стью pij , которая должна быть вычислена или задана. Для дис-
кретных однородных марковских цепей с дискретным временем справедлива формула (2.45).
Опишем более подробно процесс получения разных отсчётов нескольких реализаций марковского процесса в общем случае методом условных распределений. Для моделирования марковского случайного процесса достаточно знать условные плотности вероятностей перехода из состояния в состояние и плотность вероятности
f0 (t0 ) начального значения ξ(t0 ) в начальный момент времени t0 . Пусть задана начальная плотность f0 (t0 )= f0 (ξ(t0 ),t0 ).
По этой плотности соответствующим датчиком случайных чисел реализуется значение первого отсчёта ξ1(t0 ) первой реализа-
136
ции случайного процесса ξ(t). Для следующего, второго, отсчёта определяется условная одномерная плотность вероятности
f (ξ ξ )= f (ξ(t ),t |
ξ(t |
|
),t |
|
)= |
f01 (ξ(t0 ),ξ(t1 )) |
= |
f01 (ξ(t0 ),t0 ,ξ(t1 ),t1 ) |
|
||||||
|
|
|
|||||||||||||
|
|
f0 (ξ(t0 ),t0 ) |
|
||||||||||||
1 |
1 |
0 |
1 |
1 |
1 |
|
0 |
|
0 |
|
|
|
f0 (ξ(t0 ),t0 ) |
||
|
|
|
|
|
|
|
|
||||||||
и по этой плотности – значение второго отсчёта |
ξ1(t1 ) первой |
реализации. Третий отсчёт будет иметь условную одномерную плотность вероятности f1 (ξ2 ξ0 ,ξ1 )= f2 (ξ(t2 ),t2 ξ(t1 ),t1 )=
= |
f012 (ξ(t0 ),ξ(t1 ),ξ(t2 )) |
= |
f012 (ξ(t0 ),t0 ,ξ(t1 ),t1 |
,ξ(t2 ),t2 ) |
, по которой |
||||||||||||
f |
01 |
(ξ(t |
0 |
),ξ(t )) |
|
|
f |
01 |
(ξ(t |
0 |
),ξ(t |
)) |
|
||||
|
|
|
|
1 |
|
|
|
|
|
1 |
|
|
|
||||
реализуется значение третьего отсчёта ξ1 (t2 ). |
|
||||||||||||||||
|
Величины |
f01, |
f012 ,..., f01...k в общем случае рассчитываются |
по формулам (1.11). В результате получается последовательность чисел ξ1(t0 ),ξ1(t1 ),ξ1(t2 ),...,ξ1(tk ), изображающих первую реализацию марковского случайного процесса ξ(t). Для получения второй
и последующих реализаций повторяются те же операции. Простая дискретная цепь Маркова представляет собой после-
довательность случайных величин ξ(ωi ),i =1,2,... с возможными значениями i0 ,i1,...,ik . Условные вероятности p(ξk ξk−1 ) для каждого значения процесса ξ(tk ) в момент tk , т.е. вероятности пере-
хода, обычно задаются при моделировании. Таким образом, в этом случае расчёт условных вероятностей не требуется. В общем же случае переходные вероятности зависят от номера шага, т.е. от времени, и на каждом шаге должны пересчитываться.
Само моделирование дискретных марковских однородных це-
пей происходит по формуле (2.45): p j (k )= ∑n pi (k −1)pij ,
i=1
k =1,2,..., j =1,2,...,n , где n – число состояний цепи. Для запуска процесса моделирования необходимо задать начальное распределение вероятностей pi (0),i =1,2,...,n и матрицу переходных веро-
ятностей pij .
Тогда вероятности всех состояний p1(1), p2 (1),..., pn (1) на
первом и последующих шагах могут быть легко получены. Номер шага процесса – это очередной отсчёт конкретной реализации,
137