книги / Обнаружение, распознавание и пеленгация объектов в ближней локации
..pdfВ СПР функции x(t) рассматриваются только в течение конеч ного интервала времени Т. Для таких сигналов может быть приме нено приближенное разложение Котельникова.
Пусть {*(/)} — непрерывный в среднеквадратическом и стацио нарный в широком смысле случайный процесс, энергетический спектр Sx(со) которого непрерывен и тождественно равен нулю вне полосы частот |со| < сос = 2nft (где сос — частота среза). Для такого процесса выполняются равенства (2.3), (2.4). Этот случайный процесс с ограниченным спектром полностью определяется множеством слу чайных величин хк = x{kAt), где к = 0, ±1,±2, ...,±оо, а на огра ниченном интервале времени Т — /«-отсчетами, где тп= 2/ в7\
Случайный процесс {х(0} при указанных ограничениях пред ставляет сумму квазидетерминированных процессов вида
Иногда интервал At между соседними значениями случайной функции выбирают не из ширины спектра, которую полагают бес конечной, а из ее интервала корреляции То, т.е. полагают At - т0. В
этом случае разложение в ряд справедливо, если этот интервал много меньше интервала наблюдения Т, т.е. при
t о Д'
Однако в общем случае координаты случайного процесса {*(/)}, выбираемые согласно теореме Котельникова, являются коррелированными. Кроме того, использование этих координат ограничено условиями стационарности в широком смысле.
При представлении случайного процесса в виде совокупности случайных величин естественно его теоретико-вероятностное опи сание строить на основе вероятностного описания случайных ве личин, т.е. с использованием многомерных законов распределения, или, например, при решении задач в рамках корреляционной тео рии с использованием матриц корреляционных моментов.
з*
Во многих случаях для получения статистических выводов о характеристиках случайного процесса целесообразно представить его в виде суммы элементарных функций
А=О
где ф* (t) — координатная функция; Vk — центрированная слу чайная величина.
Полное вероятностное описание случайного процесса при по мощи конечномерных распределений и матриц корреляционных моментов возможно для процессов с дискретным временем, когда процесс представляет собой конечную последовательность слу чайных величин (например, в импульсных системах ближней ло кации). В остальных случаях в рамках конечномерных распреде лений нельзя описать процесс {*(/)} полностью.
Однако, рассматривая конечный интервал наблюдения и вы бирая точки tj , . . . , достаточно близко одна от другой при большом п, можно аппроксимировать процесс {*(/), ( еТ} после довательностью случайных величин. Тогда при описании процесса можно ограничиться конечномерными распределениями или мат рицами корреляционных моментов в зависимости от решаемой задачи.
Все реальные системы принятия решений и измерительные приборы, при помощи которых исследуются статистические ха рактеристики сигналов, имеют конечную полосу. Поэтому при теоретических исследованиях сигналов целесообразно ограничить их полосу и воспользоваться приближенным разложением Котель никова.
Одной из распространенных математических моделей случай ных процессов является гауссовский (нормальный) случайный процесс, отсчеты которого для любой совокупности моментов вре мени подчиняются многомерному нормальному закону рас пределения вероятностей
Wm(xj,..., xm, 11 ,..., tm)
i |
Ытк=т |
= (2я) /^(detC) ^2 exp |
xikо . - и, к** - и*) |
- |
г /= | *=1 |
где С — |
матрица |
ковариационных моментов отсчетов х, и хк; |
|||
Cik = М |
о о |
о |
о |
- |
г-1 |
|
X i |
и Хк |
центрированные величины; X = |
С |
матрица, обратная матрице ковариационных моментов; ц, — мате матическое ожидание /-го отсчета.
При представлении стационарного случайного процесса с автоковариационной функцией Сх(т) дискретными отсчетами с ин тервалом дискретизации At элементы С* ковариационной матрицы С могут быть получены из Сх(т):
cik-cx(\i
где / и к — номера отсчетов.
В качестве примера рассмотрим /и-мерное распределение ве роятностей для нормального белого полосового шума {£/ш(/)}, имеющего постоянную спектральную плотность 5Ш( / ) в полосе частот / = 0... /„ , равную
$ . ( / ) - * - у .
/в
где £> = М [//* (/)] — дисперсия шума со средним значением
М [иш(/)] = 0 и плотностью распределения вероятностей
2 Л
(2.13)
2D
Нормированная автокорреляционная функция полосового бе лого шума может быть найдена как преобразование Фурье от дей ствительной спектральной плотности:
г(т) = |
= ^ Js<)Cos(27t/T)fifr = |
sin(2n/Bt) |
(2.14) |
|
2я/вт |
||||
|
|
|
Отсюда видно, что отсчеты полосового белого шума, разделен ные интервалом Д/ = 1/2/в, не коррелированы между собой. Сле довательно, при представлении такого шума рядом Котельникова вида (2.3) отсчеты шума, входящие в этот ряд, следует считать не коррелированными.
Таким образом, в случае нормального белого шума с ограни ченной полосой отсчеты ..., хк,..., хт, взятые по теореме Ко тельникова, являются статистически независимыми величинами и m-мерная плотность распределения вероятностей W ( х , , хт)
равна произведению одномерных вероятностей:
W(xi,...,xm) = Y\W (xi). |
|
(2.15) |
|
»= 1 |
|
|
|
В соответствии с выражениями (2.13) и (2.15) можно записать |
|||
1 |
L у > Л |
(2.16) |
|
exp |
|||
(2лD fA |
. 2 |
' У |
|
где m =2/ ВГ; T — длительность реализации.
Учитывая теорему энергий для разложения Котельникова:
т1 m
Э= \ul(t)
о^У* (=1
выражение (2.16) можно представить в виде
1 |
exp - _ 1_ |
|
(2.17) |
(2лD)"^ |
2S о оК |
№ |
|
2.3. Регрессионные статистические характеристики нецентрированных параметров сигналов и помех
При реализации нейросетевых и регрессионных алгоритмов в ближней локации в качестве априорной информации используется информация о статистической структуре сигналов и помех, полу чаемая путем экспериментальных и теоретических исследований. При этом при дискретизации процессов задача решается в рамках корреляционной теории. Дискретизации могут подвергаться и не стационарные реализации в предположении, что спектр каждой выборочной реализации x(t) ограничен частотой / в. Тогда при разложении нестационарных реализаций по ортогональным коор
динатам целесообразно воспользоваться векторными представле ниями, связанными с понятием случайного вектора.
*
Пусть X = — л-мерныи случайный вектор, заданный век-
тором средних р = |
Pi |
и положительно определенной ковариаци |
|
онной матрицей |
|
-и |
Qn |
С = |
; Q =М [(х,.-ц,)(хА- ц А)]. |
'и1 |
Ош |
Обозначим матрицу корреляционных (начальных) моментов
К = к, |
к,In |
к„ |
где Kik = Cjk + р(р.А, а матрицы, обратные матрицам ковариацион
ных и корреляционных моментов,— X= С-1 и Л = К -1 соответст венно. Расчленим вектор X на два подвектора так, что
С(»' |
А |
Х = г(2) |
Р = .(2) |
и обозначим |
|
Е„ =Л /[Х (1)Х(|)Т], |
Е22 =Af[x(2)X(2)T], |
е 12 = л/ [ х (|)х (2)т], |
L 21 = л/ [ х (2)х (1)т], |
где индекс «т» вверху означает транспонирование.
Запишем блочную матрицу начальных моментов подвекторов ЛГ(1> и * (2>в виде
При симметричной матрице К матрица Е — симметричная, т.е. Е,2 =Е21. Проведем невырожденное преобразование подвек
тора Х{2) Х(|)=ВХ(2) так, чтобы остаточная сумма квадратов
ЧР¥Т= 4 ^ - A f^X (1) -B X (2))(X(I)-B X (2))TJ
была минимальной. Дифференцируя остаточную сумму квадратов
Т/'РТ по В и приравнивая ее нулю, получаем |
|
В = ^12^22» |
(2-18) |
где Е22 — матрица, обратная матрице Е22.
Матрицу В назовем матрицей начальных коэффициентов регрес сии. В отличие от регрессии, известной из математической статисти ки, матрица В определяется в конечном счете через матрицу корре ляционных моментов К, а не через ковариационную матрицу С.
Очень часто при реализации регрессионных систем в качестве априорной информации используют коэффициенты множествен ной регрессии одного отсчета случайной функции на л-1 осталь ных, т.е. линейное преобразование вида
П
*l=ZPlкхк-
*=2 В такой постановке задачи при расчленении вектора на под
векторы подвектор X ^ есть скалярная величина. Тогда матрич ное уравнение
в е 22 = е 21
может быть представлено системой уравнений: Р12^22 +Р|3/Г2з + ... + Р1пХ’2л = * 21,
Pl2^32 + P l3*33+ --<+ P l A n = ^3I>
Pl2^n2 + Pl3^n3 + • • • + Pln^-nn = К„\.
Для положительно-определенной матрицы К уравнения име ют единственное решение:
Когда вычисляют начальную регрессию /-й случайной вели чины на п —1 остальных, перестановкой индексов показывают, что
Р,*=- |
(2.19) |
где Aik, Л,7 — элементы матрицы Л.
Остаточная сумма квадратов W T равна
,п ,т =2:11- в т2:22в . |
(2.20) |
Рассмотрим частную начальную регрессию между двумя от счетами случайной функции х\ и х2 со среднеквадратическими от клонениями Oi и 0 2, математическими ожиданиями ц.] и ц2 и коэф фициентом взаимной корреляции г.
Матрицы моментов будут иметь вид
С = |
Г0|02 |
|
Ч |
Ч |
' |
|
СТГ2 |
|
-г(о,о2)‘ |
|
|
|
-г(о ,а 2)-1 |
.-2 |
|
||||||
га^2 |
|
|
|
|||||||
к = ФГ |
|
|
Л=(ф?ф| - ^ , 2)“ |
v i |
-к , |
|
||||
12 |
|
|
|
12 |
|
|||||
К21 |
ф! |
|
|
|
|
|
- * 2. |
|
^ |
|
где Т 2 — среднее значение квадрата случайной величины х . |
|
|||||||||
Рассмотрим начальную регрессию |
|
|
|
|
|
|||||
|
|
|
|
5, =р12дг2. |
|
|
|
|
(2.21) |
|
На основании равенств (2.18) и (2.19) |
|
|
|
|
|
|||||
R — у. у |
1 — ^ 1 2 |
_ ^42 |
СТ1О2Г + Ц1Ц2 |
в |
- b L |
(2.22) |
||||
Pl2 — М2"22 — . |
- |
|
Т |
2 |
2 ’ |
Р2 |
. - у2 |
|
||
|
A,, |
|
v|/2 |
о2+ц2 |
|
|
|
|
||
остаточное среднее значение квадрата случайной величины х\ |
||||||||||
|
vi/2 _ \т/2 |
^12 _ и/2( |
1 - |
я,12 |
|
|
|
|||
|
М О ~ М — Т Г ~ М |
|
|
|
|
|||||
|
|
|
|
92 |
|
v i v l |
|
|
|
Если ^-центрированные случайные величины, т.е. p.j = р,2 = 0, то коэффициент линейного преобразования центрированных случай-
о
ных величин (3,2 назовем коэффициентом центральной регрессии,
который в математической статистике называется частным коэф фициентом регрессии:
г —Ч
а 2
Отсюда
= М>| +Pi2(^2 -М^г)» |
(2.23) |
а остаточная дисперсия — £>10 = a* (l - г2).
о
Выражения для центральных коэффициентов регрессии Р,ь известных из математической статистики, получают из выражений для коэффициентов начальной регрессии Р,А простой заменой на
чальных моментов центральными.
Из равенств (2.21) и (2.22) видно, что даже при отсутствии ко вариации 0 ,2 = го}а2 = 0 можно предсказать одну случайную ве личину через другую с учетом детерминированной составляющей, тогда
Pl2 ~
° 2 + и Г
Такое представление особенно полезно в системах ближней локации с учетом их специфики, когда принятие решения осуще ствляется в условиях неизвестных математических ожиданий на ограниченном интервале наблюдения и невозможно предсказание по равенству (2.23).
Оценки начальных коэффициентов регрессии и остаточной суммы квадратов
Оценки статистических характеристик сигналов и помех мож но получить, если в формулы (2.19) и (2.20) вместо соответствую щих моментов подставить их оценки по выборке объема N незави симых испытаний.
50
Пусть X ,,.... Xm— m TV-мерных векторов, и X определен как
|
1ы |
X, |
1 N |
14/1=1 |
|
х =—Ух„ = |
1 N |
= |
/1=1 |
Хм |
|
|
—Ухтп |
|
|
ДГ^ тп |
|
|
N/1=1 |
|
Вычислим оценки матриц корреляционных и ковариационных |
||
моментов: |
|
|
/V /1=1
14 /1=1
N
где элемент ^Х „Х * находят как ^ xlnXjn, а элемент ХХТ— как
|
/1=1 |
/1=1 |
____ |
N |
N |
X,Xj |
или |
|
|
/1=1 |
/1=1 |
Оценку вектора В по уравнению (2.18) можно получить сле дующим образом:
в = 1 х г > х ? » (£ х ? > зе Л |
(2.24) |
|
/1=1 |
4/1=1 |
|
Найдем оценку остаточной суммы квадратов (2.20):
**' - ^ 1 (34"- вх<2’)(х<'> -вх?’)\
^/1=1
или
7VT'PT = |; X (n1)X<I1)T-BA BT,
/1=1
где
A= f x > X < 2>
Л=1
Пусть ЛГ(1) есть скалярная случайная величина а хп,..., xiN при N> т — независимые случайные величины.
Условное математическое ожидание |
|
|
|
xin ~ Р/1*1л + • • • + fiikxln |
Рipxp» |
(2.25) |
|
где п = 1,..., N] количество членов в правой части (2.25) р = т - 1. |
|||
Тогда параметр 'Pfo |
есть остаточная сумма квадратов, |
of0 — ос |
|
таточная дисперсия, |
а х1п, .... х^, п - 1,..., N, можно рассматри |
вать как ТУ частных значений фиксированной переменной.
Оценку для множественного коэффициента регрессии на ос новании уравнения (2.24) запишем в виде
|
P/А = X ^IgKjj = К ЙА * . |
(2.26) |
|||
|
|
j |
|
|
|
_ |
N |
|
|
|
|
где К у = Y jxjnxin при j |
= 1,..., р; |
|
|
|
|
|
/1=1 |
|
|
|
|
|
_ |
_ |
_ |
N |
|
|
Л./у —К^-, |
К* ~ ^ j Xknxjtr |
(2.27) |
||
|
|
|
|
л=1 |
|
Дисперсия оценки (3^
D [ b ] -
При о?0 « \\ift можно записать, что
D [ f c ] - ^-kkVrt-
Матрица ковариации оценок рЛ, ..., р,у
^kjalо> |
(2.28) |
или при а}0 = ц/%
Л-к/Ум-