книги / Модели непрерывных каналов связи на основе стохастических дифференциальных уравнений
..pdfгде fii(s) — i-я компонента вектора нормали к границе, а функция p,(s, т) удовлетворяет уравнению Вольтерра второго рода
t |
|
г п п |
дУ (х, s, t, т) |
|
I»(x, 0 = 2j * |
j |
^ ^ P ,7(s) |
«,(s)l|i(s, x)rfs+2V (x, t). |
|
о |
г |
i=l j= 1 |
dsi |
|
|
(2.1.37) |
|||
|
|
|
|
Для этого интегрального уравнения методом последовательных приближений получается решение
|
|
|
ц.(х, |
0 = |
S |
AUx. |
0. |
(2.1..38) |
|
где |
|
|
|
|
т=1 |
|
|
|
|
|
|
|
0 = |
2V(x, |
|
|
|
||
|
|
|
Nt (x, |
t); |
|
|
|||
Nm{x, r) = |
2 |
|
|
|
^ |
( |
x |
^ |
L /;(s )j |
]г |
[L/=iЁ £/= i' МЧ |
|
|
|
N m - i ( S . |
||||
|
|
|
|
|
|
||||
Таким |
образом, ш(х, 0 |
в соответствии |
с (2.1.25) полностью |
||||||
определена. |
|
|
|
|
|
|
|
|
Рассмотренный метод решения УФПК применим и к таким не линейным марковским моделям, параметры которых зависят от
времени, т. е. в СДУ (2.1.1) /,(х )= /,(х , 0 . ёи (х) = g u (х> 0 - Та ким образом, он является одним из наиболее универсальных ме тодов анализа марковских моделей каналов связи и позволяет исследовать взаимосвязь статистических характеристик случайных процессов в канале с параметрами модели как в стационарном,, так и в переходном режимах [43].
2.2. ПРИМЕРЫ АНАЛИЗА СДУ, ОПИСЫВАЮЩИХ СЛУЧАЙНЫЕ ПРОЦЕССЫ В КАНАЛАХ СВЯЗИ
Рассмотрим в качестве примеров несколько конкретных СДУ вида (2.1.1), определяющих одномерные марковские процессы, ха рактерные для каналов связи.
2.2.1. Процесс с распределением Накагами
Пусть в СДУ (2.1.1)
. г — |
. ('2т — 1 тх \ |
п = g{x) — V К, |
f(x) = K \^— -— |
лге[0, |
оо), т ^ 1 /2 , |
т. е. задано уравнение |
|
йх „ 12т— 1 тх \
Ж = к [— — - 7 ? j+ K * e (0 .
(2.2.1)
( 2. 2. 2).
где т, а2— параметры, смысл которых будет ясен из дальнейшего анализа.
В случае одномерного процесса, очевидно, нет надобности в предваритель ном преобразовании переменных и можно положить х'= х , Fi(vTx) —f(x), rf,, =
61
=К~ С учетом этих упрощении уравнение (2.1.7), определяющее собственные функции и числа, после элементарных преобразований приобретает вид
А‘* |
d 4(x) , |
dl (х) |
(2nix2 |
|
|
|
dx2 |
dx |
{' а4 + 1 - 2 m j + X ( x ) |
(^ • + x ) |
x, + (2 m _ l] = 0- |
||
|
|
|
|
|
|
(2 .2 .3) |
|
Решая полученное уравнение, находим: |
|
|
|
||
|
|
|
Ommv2 in- l |
/ |
m v2 |
\ |
|
|
“ 'ст (*) = Хо (х) = Г (т) (о2) 71 еХ^ ( "* |
а2 |
(2 .2 .4 ) |
||
|
|
) ' |
||||
|
|
|
|
|
|
(2 .2.5) |
|
|
|
2Ктд |
|
|
(2.2.6) |
|
|
|
Хл — |
|
|
|
где |
m s[0,5; |
оо); |
Г (т)— гамма-функция; £ 9(т -1 ) ( - ) — обобщенный полином |
|||
Лагерра. |
|
|
|
|
|
|
|
Двумерная п л о т н о с т ь распределения w(x, Хо) |
имеет вид |
|
ОО
,СЧ q\v (т)
W (Х>*о) ~ ®СТ ( * ) ^СТ (* о ) |
Р |
_j_ q) ^ |
|
|
q = 0 |
|
|
|
2Kmq |
|
|
Х е |
L ( m - \ ) |
|
|
|
|
|
|
Полученное стационарное распределение |
(2.2.4) |
известно под названием т- |
распределения или распределения Накагами [76, 178] и, как указано в § 1.5, хорошо описывает различные виды замираний в радиоканалах и некоторые виды помех. Там же пояснен смысл параметров т и а2. Отметим, что СДУ (2.2.1) — не единственное, определяющее процесс с распределением Накагами. Другой пример приведен в [141, 142].
Для корреляционной функции рассматриваемого случайного процесса на |
||||||||||
основе (2.1.14), |
(2.1.15) |
и с учетом (2.2.1) |
получается выражение |
|
||||||
|
а2Т2 (т 4- 1/2) |
оо |
Г2 (< 7 -0 ,5 ) |
|
2Кт |
Ь[ |
||||
|
* 1 |
е |
— |
|
||||||
|
(t) — |
4smP |
(,п\т) |
/1 " /“ |
q) q\ |
|
|
(2 .2 .7) |
||
|
|
4птГ |
и |
Г (m + |
|
|
|
|
||
|
|
|
|
4=1 |
|
|
|
|
|
|
С погрешностью |
порядка 10 % |
можно |
ограничиться первым членом ряда |
|||||||
|
|
|
|
|
|
_ 2Кт |
hi |
|
|
|
|
|
|
|
-1- |
.51 |
а* |
|
|
||
|
К х (т) |
,2 Г2 (т + |
0,5) |
|
|
|
|
(2.2.8) |
||
|
4 т 2Г2 (т) |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|||
Как указывалось в |
разд. 1.5.2, для многих |
радиоканалов |
справедливо допу |
щение об экспоненциальной коррелированности замираний, что позволяет описы
вать |
(в рамках одномерного распределения и корреляционной |
функции замира |
|
ний) |
широкий класс таких каналов с помощью СДУ (2.2.2). |
|
|
|
Обратная задача — синтез СДУ на основе |
стационарной |
плотности вида |
(2.2.4) и энергетического спектра — рассмотрена в |
[73]. |
|
<62
2.2.2. Пример анализа двумерного марковского процесса
Пусть в УФПК, приведенном к виду (2.1.22), |
|
||
п—2, Pu(xi, X2)»0a(xi, |
*г)=—0,2, |
|
|
P l2 (^ b |
* 2 )= ^ P 2 l(* b Х2) = 0 , |
у ( х ь Х2) = — 1, |
|
ai(*i, |
х2) ~ —х2, а2{хь х2) = —0,25x1—х2. |
(2.2.9) |
|
Начальное условие |
w(*u х2, /0)= б (х 1)б(х2). |
(2.2.10) |
|
|
Полагаем, что с2^х\^си '—°°< х2<со.
Матрица диффузии не вырождается ни в одной точке границы, т. е. (рис. 2.1)
2
2 dUn* = dun*+ **2,я2 = ± dit- i=1
Поэтому вся граница является регулярной [102] и граничные условия зада ны в следующем виде:
И*1> *2» 01*.=*, = W(*l> *2> OI*,=fa= °» —ОС<Ха<00 —O0<jc2<00
Подставляя полученное выражение в (2.1.30) и ограничиваясь только первым приближением, находим решение задачи Коши:
а (х „ х „ 0 = |
exp Г - |
) (l + 0 ,l f - 0 ,5 x !, + 0,625*,.vs). |
(2.2. 11)
Из (2.2.11) видно, что слагаемые, стоящие в круглых скобках, определяют кор реляцию х\ и х2. Кроме того,
оо
J J v (х,, х2, 0 йХуйхг = 1.
—00
Используя (2.1.34) с учетом (2.1.36), находим решение краевой задачи:
t |
/ |
оо |
до(х, |
с2, 5а, |
t, т) |
и. (х ., х2, 0 = |
|
j* |
|||
dx < |
|
dst |
v (сд, s8, *t) ds2 — |
О'•—со
ОО |
С1, s2, /, T) ц (cj , s2, T) dSj / > |
|
’ dv (x, |
(2.2.12) |
|
- —00 |
}■ |
|
63
где
v (*> s> *• ^ = 0 ,4 7 « (< - ,) ехр [ " |
( x , - - s , ) 2+ |
( s 2 — *г) 2 1 ч |
Щ Г |
- т ) |
X |^1 + 0,1 (£ — т)—^ ( х 22 — 1,25х,Х2 — 0,75x,5а+ °»75*2SI +
+ 1 ,25х,х2 — s%) j »
Аналитически интегрирование в (2.2.12) может быть выполнено только по про странственной переменной. После вычислений получаем
|
|
_______ |
t |
г____________ |
31 |
«<*•■ |
*>- |
0,125 V O ,1я |
(* |
У х ( ( — т) / & , и |
|
\ ч: ут - ] |
о |
{ * * + * • * + |
|||
|
|
|
|
|
|
+с2г2 +^+/г)ехр —ха2 —— |
|
|
J “ |
|
|||||||||
|
|
|
|
|
|
Г |
0,25 |
|
( х , - 0 . 5 ) 2 1 |
|
|
|||
|
- ( a ^ + ^ |
+ |
c ^ |
+ ^ x + Z , ) |
Г |
„ |
|
0,25 |
(#, + |
0 ,5 )2 1J |
\ |
|||
|
exp [ — ха2--------— - |
----- — |
г------ \Ах( ‘ |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
(2.2.13) |
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 2.1 |
||
i |
а |
|
|
|
b |
|
c |
|
|
d |
|
|
l |
|
|
0,04д;3ха — |
0 ,1 |
JCS I |
X |
— |
0 ,lX iX 2X3 — |
|
0,125x ax3+ 0 ,3 7 5 X |
0 .1 х гх5+ 0 .5 х ,х 2Х |
|||||
|
|
X2 ■ + |
|
X |
x4-j -0 ,lx 2x4 + |
|||||||||
|
— 0,0бха»х — |
+ 0 ,24 X I -X 2X 2 + |
— |
0 ,l x v x 2x4 — Х * г 1*ах3+0,2л-,д:2х3 |
||||||||||
|
— 0,25jtiJcS— |
+ 0 ,1 х аха+ 0 ,4 х ,х |
— 0 .1 6 х ,х 22-.2 — |
— 0 ,lfi* ,.t a2x3 — |
+ 0 ,6 x 1,x 2x< — |
|||||||||
1 |
— 0,125х4а — |
Xx3x* — 0,15x 3ax— |
— 0 ,l2 x 2,x a2xa — |
— 0 ,2 x * 1x *ax3 + |
— |
0 ,5 x ,x 2ax4 — |
||||||||
|
— 0,03JCIX22X + |
— 0 ,2 x ! iX’ 2x — |
— |
0,25xiX 3axa — |
+ 0 ,6 x ,x 32x3 |
— 0 ,2 5 x 2ax4 -f- |
||||||||
|
+ 0,015ха,х |
— |
0 ,0 2 x i'3 + |
— |
0 ,3 x 2i * 2axa |
+ |
|
|
|
|
+ x 2x4-f0 ,5 x 4 |
|||
|
|
+ |
0,07x iX s,-!2 |
+ 0 ,25 X , JC42X 4 + |
|
|
|
|
|
|
||||
|
|
|
|
|
|
+ |
0,125X 42X* |
|
|
|
|
|
|
|
|
0 ,2 5 X I X «2 + |
0 .0 7 х ,х а2х*+ |
0,1 I x ,x sx2 — |
|
— 0 ,1 2 5 * ax3 + |
O .lx ix *— 0,05x3 — |
||||||||
|
+ 0,1 2 5 x S f |
+ |
0 ,1 1jt3,x 2xa— |
— 0 ,lX iX a2x* — |
|
+ 0 ,4 x 3iX ax3 — |
. — 0 ,5 .« ix ax4+ |
|||||||
|
+ 0 .0 3 x iX s2x + |
— |
0,25x iX axa + |
— 0 .1 5 x ix 32x* + |
— |
0,2дс,хах3 — |
+ 0 ,l x ax4+ 0 ,l x 3X |
|||||||
о |
-}- 0 ,0 4 х 2ха |
+ 0 , l* 2x’ — 0 ,15xa-f- |
+ 0 .1 2 x * ,x 22xa |
+ |
— |
0 .6 x ,x 2ax* + |
|
X x 4+ |
|
|||||
— 0,05* V t — |
+ 0 .4 x ,x 3a-x — |
+ 0 ,2 5 x ix 3axa — |
+ 0 ,2 x aix aax3 |
-f 0 ,6 x 3 ,x ax* — |
||||||||||
|
— 0,015xa2x |
— 0.16 X 32T — |
— 0 ,3 x 2ix 42x3 — |
— 0 ,1 6 x ,x 32x3 |
— 0 ,5 x ,x 2ax4 + |
|||||||||
|
|
|
— |
0 ,2 x 2,x 32x |
-f- 0 ,2 5 x ,x 42x2 — |
|
|
|
+ 0 ,2 5 x 23x* |
+ |
||||
|
|
|
|
|
|
— 0 ,1 2 * 4ax4 |
|
|
|
|
+ X tx * — 0,5x4 |
Интеграл в (2.2.13) является сходящимся, и его просто вычисляют на ЭВМ. Значения коэффициентов а,-—Ц, £=1,2 приведены в табл. 2.1.
Полное решение УФПК в первом приближении записывается в виде
w(xu |
х2, t)= v {x u |
х2, £)+м(х,, хъ t), |
|
где v(') и «(•) определены |
(2.2.11) |
и (2.2.13). |
|
С использованием данных табл. |
2.1, |
соотношений (2.2.11) и (2.2.13) опреде |
ляются числовые характеристики функции w(x, t) и может быть построена ■функция w(x, t), вычисленная в первом приближении.
Ы
2.3. НЕКОТОРЫЕ СВОЙСТВА КОРРЕЛЯЦИОННЫХ ФУНКЦИИ МАРКОВСКИХ ПРОЦЕССОВ
2.3.1. Общие свойства
Для задач анализа и синтеза марковских моделей случайных процессов важно знать характер поведения их моментных функ ций. При моделировании каналов связи и во многих других при ложениях в первую очередь представляют интерес корреляционные функции. В практическом плане часто было бы весьма полезно знать, при каких условиях корреляционная функция процесса близка к экспоненте или, по крайней мере, является монотонной функцией.
Можно доказать справедливость следующих утверждений для моментных функций любого, в том числе и второго, порядка.
1. Если каждая из собственных функций Хя(х')> удовлетворяю щих (2.1.10), может быть факторизована по отдельным аргумен там
lq(х') = ?! (л:',) ?г (х'г) ...?п(х'„) Утст(х') |
(2.3.1) |
и |
|
J x 'jfj (x'j)dx'j > 0, |
|
(2.3.2) |
—оо |
|
|
то моментные функции процессов x'j(t) (/= 1 , 2, |
..., п) |
суть не |
прерывные и монотонные функции своих аргументов. |
неравен |
|
2. Если выполнено условие (2.3.1), а в (2.3.2) |
вместо |
ства имеет место знак равенства, то все моментные функции выс ших порядков (&;>2) тождественно равны нулю *.
Выполнение перечисленных условий указывает на монотон
ность |
моментных функций компонент преобразованного процесса |
x '(f), |
но в общем случае, к сожалению, еще не позволяет судить |
о поведении моментных функций исходного процесса x(f). Тем не менее существует по крайней мере два тривиальных частных случая, когда из (2.3.1) и (2.3.2) вытекает и монотонность момент
ных функций х (/) при /г> 1 : |
матрицы U неотрицательны; |
||
а) |
все элементы преобразующей |
||
б) |
исходная матрица |
диффузии |
В диагональная и, следова |
тельно, в преобразовании |
нет надобности: х '= х . |
2.3.2. Экспоненциальные представления
Рассмотрим подробнее представления корреляционных функ ций марковских процессов, удовлетворяющих одномерным СДУ
вида (2.1.1), т. е. СДУ |
|
- з г = /М + г ( - * Ж О - |
(2-3.3)1 |
1Заметим, что при этом кумулянтные функции высших порядков не обяза |
|
тельно равны нулю, 'и, следовательно, процесс не обязательно гауссовский. |
|
5—3490 |
65 |
Известно [131, 142], что марковский процесс, описываемый ли нейным СДУ первого порядка, т. е. (2.3.3) при f(x) = — ах и
g = ] / r~f(, является гауссовским и имеет корреляционную функцию
|
/С,(*) = |
ове“ ‘ м |
|
|
|
|
|
(2.3.4) |
|||
где а2— дисперсия процесса. |
|
|
|
|
|
|
|
|
|
||
Пусть теперь в (2.3.3) |
|
|
|
1 х> 0, |
|
|
|
||||
|
f(x) = — с sgn х, где |
sgn х = |
| |
|
|
|
|||||
|
|
|
|
|
1 |
х < 0 . |
|
|
|
||
В [141] |
показано, что при этом |
|
|
|
|
|
|
|
|
|
|
|
00 |
4q2 |
|
- £ |
r V |
’ ' |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
(I + ягУ |
|
|
|
|
|
|
|
|
||
где Я9= |
Я=1 |
|
|
|
|
|
|
|
|
|
|
( 1 +<72) /2. |
|
|
|
|
|
|
|
|
|
||
Отметим, что в этом случае стационарная плотность решения |
|||||||||||
(2.3.3) описывается законом Лапласа: |
|
|
|
|
|
|
|
|
|||
Ф ) |
|
|
|
|
2с |
|
|
|
|
||
|
|
°ycTW = " A T eXP ( - - в г И |
) . |
||||||||
|
|
|
который |
является |
част |
||||||
|
|
|
ным случаем (при |
v = l) |
|||||||
|
|
|
закона распределения ви |
||||||||
|
|
|
да |
(1.5.11), характерного |
|||||||
|
|
|
для |
аддитивных |
помех в |
||||||
|
|
|
некоторых |
каналах |
связи |
||||||
|
|
|
(см. § 1.5). |
|
|
|
|
||||
|
|
|
|
На рис. 2.2 приведены |
|||||||
|
|
|
графики |
коэффициента |
|||||||
Рич. 2.2. Корреляционная функция про |
корреляции |
R (т) = Кх (т) / |
|||||||||
а2 в зависимости |
от |
ве |
|||||||||
цесса с |
распределением Лапласа |
|
личины q при 4TCN 0/C2=\. Как видно из рассмотренных выше примеров, и для некоторых нелинейных СДУ определяемые ими процессы, являясь негауссов* скими, все же имеют корреляционные функции экспоненциального
вида *.
Рассмотрим один из возможных методов приближенного экспоненциального представления корреляционной функции негауссовского процесса, описываемого
(2.3.3). |
|
Введем функцию |
|
Vk(t—/o)= M [*(fo)** - I (f)]» — оо<дг<оо, |
(2.3.5) |
которая при M [x (/)]= 0 и Ь=2 обращается, очевидно, в |
корреляционную |
функцию |
|
v2(t-t0)=Kx(t— t0)- К * (т ), |
(2.3.6) |
1Корреляционную функцию марковского процесса формально можно всегда записать в виде одной экспоненты, однако ее показатель в общем случае не является линейной функцией [90, 117].
66
где x—t—10. Тогда с учетом (2.3.3)
dvt ( * - * , ) dt
Поскольку, как показано в [131],
и коэффициент сноса
« W ^ f W + y s W ^ -
то
dvо
- j f - = M [ x ( t 0)a(x)].
dg(x)
Разлагая функции f (х) и g ( х ) — — = g , (х) в ряд Маклорена, после про стых преобразований получаем
dv2 (t — /«) |
, |
п |
|
(0) |
|
|
— Г Г |
= f <°> М '- Ц + Д |
7/^1)! 'Vk<*-*•> + |
|
|||
|
|
ft=3 |
|
|
||
|
I f i |
|
el*"0 (0) |
<2.3.7) |
||
+ - r 2 j M[x(fo)x/i" ,(0 |
F |
1)1 - |
||||
|
||||||
|
k=2 |
|
|
|
|
|
Сгруппировав члены в |
(2.3.7) |
и введя обозначение |
|
|
||
|
ak~ 1= |
f'4-') (0) + |
|
(0) |
|
|
|
(/г__I); |
|
» |
(2.3.8) |
перепишем (2.3.7) в виде
(2.3.9)
k=2
Можно показать, что функция v3(t, t0) близка к нулю и ею можно пренебречь Сохраняя в (2.3.9) первые два четных момента и учитывая, что [131] v4(t, t0)zsz mn0V2 (t, U), где n = M [x4( 0 ] /М [х2(/)], получаем приближенное экспоненциала ное представление корреляционной функции
Кх (х) = 0=е(я‘+Я!>"в) N |
(2.3.10) |
Как видно из (2.3.8), величина ai-J-азПо в (2.3.10) (обратная интервалу кор реляции) определяется f(x) и g'(x). В частности, g (х) может быть константой, и для получения требуемого интервала корреляции достаточно подбирать толь ко /( а).
Очевидно, что для эргодического процесса справедливо неравенство a^-f- -}-ИоПз<0. Таким образом, интервал корреляции т,{0р= |ai-j-/Joa3|.
5* |
67 |
Используя рассмотренный метод, можно получать приближен ные представления корреляционных функций в виде экспоненты или суммы нескольких экспонент. Оценка погрешности приближе ния в общем случае затруднительна, и приведенные соотношения, разумеется,нельзя рассматривать как доказательство близости корреляционной функции произвольного одномерногомарковского процесса к экспоненте.
Тем не менее можно показать, что в частном случае, когда
собственные числа, определяемые (2.1.7), имеют вид |
|
hq/fa=mP, р = 1 /2 , 1, 2, |
(2.3.11) |
где п = 1 с погрешностью не более 10% в точке т = т Кор можно ограничиться тремя членами ряда (2.1.14):
з
|
W |
(2.3.12) |
При увеличении допустимой погрешности до |
20%' остается |
|
лишь одна |
экспонента. |
в гауссовом и |
В [90] |
рассмотрены пути определения Кх(х) |
так называемом эксцессном приближениях. Первое из них пред полагает статистическую линеаризацию СДУ (2.3.3)’, т. е. вычис
ление величины а(х), а второе — аппроксимацию плотности ве роятности с помощью первых четырех кумулянтов. При этом по лучается, что в гауссовском приближении в условиях, когда
достаточно ограничиться в (2.1.14) только первым
членом, а эксцессное приближение совпадает с (2.3.12).
Из сказанного можно сделать вывод, что во многих ситуациях
гауссовское и эксцессное приближения приводят |
к погрешностям |
в определении корреляционной функции процесса |
примерно в 20 |
и 10% соответственно. |
|
Следует упомянуть также, что существует класс так называе мых Л-процессов [85, 142, 166], для которых всегда корреляци онная функция
где а — некоторая константа. Отличительной особенностью таких процессов является возможность представления собственных функ ций из (2.1.7) в форме произведения:
%q(*) =®ст (X) ®q (X) , |
(2.3.13) |
где ®q{x) — ортонормированные полиномы.
Для моделей случайных сигналов и помех в каналах связи такой или близкий к нему вид собственных функций, как показы вают вышеприведенные примеры, а также материал [141, 142], где рассмотрены процессы с распределением Пирсона, имеют ме сто довольно часто.
68
2.4. МЕТОДЫ СИНТЕЗА МАРКОВСКИХ МОДЕЛЕЙ НЕПРЕРЫВНЫХ СЛУЧАЙНЫХ ПРОЦЕССОВ
2.4.1. Постановка задачи синтеза
Выше были рассмотрены некоторые методы анализа характе ристик случайных процессов, описываемых марковскими моделя ми в форме СДУ. Обратимся теперь к решению обратной задачизадачи синтеза марковской модели процесса на основе некоторой априорной информации относительно его характеристик. Именно эту задачу приходится решать при построении марковских моде лей непрерывных каналов связи.
Под решением задачи синтеза марковской модели случайного процесса в форме СДУ будем понимать алгоритм определения с заданной точностью функций Д(х), g,-j(x) и размерности п, опре деляющих СДУ (2.1.1), по известным вероятностным характери стикам моделируемого процесса y(t).
Для гауссовских процессов известно полное и математически строгое решение указанной задачи синтеза: оно определяется те оремами Дуба [120, 142]. В негауссовском случае общий алго ритм такого представления неизвестен.
Проблема аппроксимации произвольного случайного процесса марковским с математической точки зрения является весьма сложной и далеко выходит за рамки задач этой книги.
Если непрерывный, с гладкими реализациями несингулярный случайный процесс представим в виде решения уравнения
где |(t)—m раз дифференцируемый гауссовский процесс, a F{-) — некоторая нелинейная функция весьма общего вида, то y(t) мо жет быть представлена в виде компоненты «-мерного марковского процесса [122, 126, 131, 132, 162]. Это справедливо при любом конечном т. При т-*-оо процесс £(?) становится сингулярным, однако и в этом случае возможно приближенное представление y(t) в виде компоненты «-мерного марковского процесса за счет аппроксимации £ (/) компонентой «г-мерного гауссовского мар ковского процесса (см. разд. 2.5.1).
Из физических соображений ясно, что большинство непрерыв ных каналов связи может быть представлено феноменологической моделью такого типа. Это, однако, не означает, что любой случай ный процесс представим в виде марковского. В частности, вырож денное нелинейное преобразование марковского процесса приво дит к потере марковского свойства, однако подобные явления имеют место, например, при квантовании случайных процессов, а при моделировании непрерывных каналов практически не встре чаются. Заметим, что при квантовании непрерывных случайных процессов известны методы приближенного представления кван тованного процесса с дискретным временем в виде «-связной мар ковской цепи.
G9
Ниже будут рассмотрены приближенные методы синтеза мар ковских моделей в условиях, отличающихся характером априор ной информации о моделируемом случайном процессе. Некоторые результаты в этом направлении уже получены в работах [20, 21, 40, 142, 194].
При постановке задачи приближенной замены реального слу чайного процесса марковским в первую очередь возникает вопрос о выборе критерия такой «аппроксимации». Один из возможных подходов здесь — требование близости тех или иных его вероят ностных характеристик, в число которых естественно включать лишь такие, которые известны или по крайней мере однозначно определяются известными характеристиками. Таким образом, вы бор критерия существенно зависит от характера исходной инфор мации о случайном процессе. Рассмотрим этот вопрос подробнее.
2.4.2. Критерии приближения при синтезе
Как известно, случайный процесс полностью определен, если заданы его Лг-мерные функции распределения или соответствую
щие плотности |
вероятности wtu ft.... t (yv |
уй, .... |
*/д,)для сколь |
угодно больших N |
и всевозможных t\<t2< |
... < t x , |
где y i= y(ti) . |
Поэтому в качестве достаточно общей меры приближения синте зируемой модели процесса к реальному процессу в канале можно принять информационную меру Кульбака
1N(,г) = |
f ®(V (у) 1с« |
- У |
(У) |
аУ• |
(--4.1) |
|
J, |
* „ |
(у) |
|
|
характеризующую расхождение между N-мерными плотностями |
|||||
вероятностей реального |
процесса |
wN(у) |
и его /г-мерной |
марков |
ской модели о>лг(у). Здесь и в дальнейшем для упрощения записи
плотности вида wt |
и |
( t |
(yv |
уг...... yN) будем |
сокращенно |
обо- |
значать как шЛ-(у), где |
|
|
|
|
||
У = [У ь |
У2>•• |
yN]=[y(t\), y{t2), ...» |
у { М 1 - |
|
||
Величина (2.4.1) |
как |
мера |
расхождения удобна еще и |
тем, |
что служит верхней границей соответствующего байесовского ри ска [151].
Наряду с критерием Кульбака известны и другие меры рас хождения распределений и>н(у) и wN(y)t позволяющие опреде лить уменьшение достоверности приема сигналов за счет замены точного распределения приближенным, не прибегая к синтезу оп
тимального |
приемника: |
это мера Бабу, |
расстояние Бхаттачария |
|
и др. [76]. При синтезе марковских моделей, |
ориентированных |
|||
на задачи |
оптимального |
приема, удобно |
брать |
за основу опреде |
ление информации по Фишеру, поскольку в ряде случаев его уда ется непосредственно связать с характеристиками оптимальных
70