- •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
Так как mξ = m ≠ 0 , то воспользуемся формулой, аналогичной
(2.22), |
но с |
учётом |
ненулевого |
математического |
ожидания: |
|||||||||
ϕ(α,t) |
|
|
1 |
Dξ(t)α |
2 |
|
|
|
|
D |
α |
2 |
|
|
= exp imξ(t)α − |
2 |
|
|
. Тогда ϕ(α,t)= ϕ(α)= exp imα − |
2 |
|
. |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2.4. Абсолютно случайный процесс (белый шум)
Случайный процесс ξ(t), у которого ковариационная функция равна произведению неслучайной функции f (t) на дельтафункцию δ(t2 − t1 )= δ(τ), т.е.
Kξ(t1,t2 )= f (t1 )δ(t2 − t1 )= f (t1 )δ(τ), |
(2.23) |
называется нестационарным белым шумом. Если f (t) не зависит от t , т.е. f (t)= c = const , то
Kξ(t1,t2 )= cδ(t2 − t1 )= cδ(τ) |
(2.24) |
и случайный процесс ξ(t) называется стационарным белым шу-
мом. Название «белый шум» возникло по аналогии с белым светом, который в видимой части имеет равномерный сплошной спектр.
Интеграл от дельта-функции по любому интервалу, содержа-
τ+ε
щему точку τ = 0 , равен единице: ∫δ(t)dt =1, ε R .
τ−ε
Из этого следует, что значения рассматриваемого процесса ξ(t) в любые два, сколь угодно близкие моменты времени не кор-
релированы, а следовательно, независимы. Поэтому подобный процесс называют абсолютно случайным процессом. Ковариационная функция белого шума равна нулю для всех τ , кроме τ = 0 ,
при котором Kξ(τ)= ∞ и имеет структуру |
дельта-функции |
|
(рис. 2.4), т.е. |
|
|
Kξ(t1 |
,t2 )= Kξ(τ)= 0, t1 ≠ t2 ,τ ≠ 0, |
(2.25) |
|
∞, t1 = t2 ,τ = 0. |
|
40
Рис. 2.4. Графики функций Kξ (τ) и Sξ (ω) белого шума
Найдём спектральную плотность абсолютно случайного процесса. По формуле (2.19)
Sξ (ω)= |
1 |
∞ Kξ (τ)e−iωτdτ = |
1 |
∞cδ(τ)e−iωτdτ = |
|||||||
|
2π |
2π |
|||||||||
|
|
|
|
∫ |
|
|
∫ |
|
|||
|
|
|
|
|
−∞ |
|
|
|
−∞ |
|
|
|
c |
|
∞ |
|
c |
|
|
|
c |
|
|
= |
|
∫δ(τ)e−iωτdτ = |
e−iω0 |
= |
= const. |
||||||
2π |
|
2π |
2π |
||||||||
|
−∞ |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
Таким образом, спектральная плотность белого шума постоянна на всех частотах (см. рис. 2.4). Абсолютно случайный процесс можно представить как предельный случай последовательности коротких независимых и одинаково распределённых импульсов с большой дисперсией. Такие процессы встречаются в инженерных задачах при рассмотрении различных естественных помех типа теплового и радиошума.
При τ = 0 Kξ(τ)= ∞ , что физически невозможно, поэтому
формулы (2.23), (2.24) и (2.25) следует рассматривать как удобную математическую абстракцию.
Пример 9. На оси 0t имеется простейший поток событий (стационарный пуассоновский, см. подразд. 2.5) с интенсивностью λ . Случайный процесс ξ(t) в момент появления i -го события
(i =1,2,3,...) принимает случайное значение Xi и сохраняет его до
следующего события в потоке (рис. 2.5). В начальный момент ξ(0)= X 0 , причём случайные величины X 0 , X1,..., Xi ,... независи-
мы и одинаково распределены. Рассмотреть предельный случай
41
для случайного процесса ξ(t) при условии λ → ∞, Dx → ∞ и
Dλx = c = const .
Рис. 2.5. Графическое представление простейшего потока событий
Найдём вначале характеристики случайного процесса в непредельном случае. Пусть функция плотности вероятности распределе-
|
|
|
f (x). |
|
M [Xi ]= mξ (t) |
∞ |
ния |
равна |
Тогда |
= ∫xf (x)dx = mx , |
|||
|
|
|
|
|
|
−∞ |
|
∞ |
|
|
|
|
|
D[Xi ]= ∫ |
(x −mx )2 f (x)dx = Dx . |
Для нахождения |
ковариационной |
−∞
функции воспользуемся формулой Kξ(t1,t2 )= M [(ξ(t1 )−mx )(ξ(t2 )−mx )]. Если между точками t1 и t2 не появилось ни одного события,
то ξ(t1 )− mx = ξ(t2 )− mx и Kξ (t1, t2 )= M [(ξ(t1 )− mx )2 ]= Dx . Если же между точками t1 и t2 появилось хотя бы одно событие (см.
рис. 2.5), то M [(ξ(t1 )−mx )(ξ(t2 )−mx )]= 0 , так как величины Xi независимы по условию задачи.
Для вычисления ковариационной функции нужно применить формулу (1.17а) для дискретных случайных процессов (см. подразд. 1.4). В нашей схеме следует учесть два случая: когда в ин-
42
тервале (t1,t2 ) длиной τ произошло хотя бы одно событие процесса ξ(t) или не произошло ни одного. Для пуассоновского про-
цесса |
P(ξ(t,t + τ)= n)= |
(λτ)n |
e−λτ , где |
λ = const – параметр пуас- |
|||||||||||||||||
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
n! |
P(ξ(t,t + τ)= 0)= e−λτ , |
|
||||||||||
соновского |
|
процесса. |
Очевидно, |
а |
|||||||||||||||||
P(ξ(t,t + τ)> 0)=1−e−λτ . |
|
Тогда |
по |
формуле |
(1.17а) |
||||||||||||||||
Kξ (t1 |
,t2 )= e−λτDx + (1−e−λτ ) 0 = Dxe−λτ . |
|
Если |
|
|
|
t2 < t1 , |
то |
|||||||||||||
K |
ξ |
(t |
,t |
2 |
)= D |
x |
e−λ(−τ) и в общем случае |
K |
ξ |
(τ)= D |
x |
e−λ |
|
τ |
|
. Таким об- |
|||||
|
|
||||||||||||||||||||
|
|
||||||||||||||||||||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ξ(t) |
|||||
разом, ковариационная функция рассматриваемого процесса |
не зависит от вида функции f (x), а зависит только от дисперсии Dx , т.е. процесс ξ(t) стационарен. Вид ковариационной функции
Kξ(τ) |
показан на рис. 2.6. При увеличении параметра λ ковариа- |
|
ционная функция |
Kξ(τ) «стягивается» к началу координат, т.е. |
|
ведёт |
себя как |
дельтаподобная функция. При λ → ∞ |
. Отсюда
K(1)(τ)= Dx ,τ = 0,
ξ0,τ ≠ 0.
Рис. 2.6. Графики функции Kξ(τ) для разных значений параметра λ
43