книги / Цифровые сигналы и фильтры
..pdfЩ пТ) = |
0,5(1 + cos— ), п = 0,1, 2, |
т, |
т |
(8.15) |
|
|
О, п > т |
|
При численном расчете формула для получения оценки спектральной плотности мощности случайного процесса будет иметь вид
N-\ |
|
N k((û ) -T R(0) + 2 ^U (nT )R (nT )cos(ûnT |
(8.16) |
л=0
Найденная оценка спектра случайного процесса (его ширины) позволя ет выбрать полосу пропускания фильтра. От выбора полосы пропускания фильтра зависит возможность выделения, помимо постоянной составляю щей, составляющей, имеющей колебательный характер (рис. 8.12, верх ний график; нижний график - случайная составляющая).
Таким образом, фильтрация с правильно выбранной полосой пропуска ния фильтра позволяет выявить периодическую составляющую (в том числе и такую, которую априори обнаружить в исходном процессе практически невозможно).
Часто случайная составляющая процесса имеет нормальное распреде ление - случайный процесс является гауссовским. В этом случае для полу чения корреляционной функции можно использовать несколько иной ал горитм расчета. Этот алгоритм связан с оценкой вероятности несовпаде ния (совпадения) знаков случайного процесса в моменты времени, разне сенные во времени. Определение этой вероятности достаточно просто обес печивается программно при дискретизации случайного процесса.
Вероятность несовпадения знаков стационарного центрированного слу чайного процесса определяется выражением
Оо о -
РНС= J J |
d x 2 + J \ / г ^ хг ) ^ |
’ |
С*-17) |
о— |
— о |
|
|
где^Ос,, х2) - двумерная ПРВ, описывающая случайный процесс в момен ты времени t и /+т.
Преобразуя (8.17), для гауссовского процесса получим |
|
|||
Рцс ” |
ооJ 0 J |
^ 2 |
~~ J0 0 Jfi&xyX-i) dxxdx2 + |
|
+ ООJ ООJ/ 2(*>*2)< М *2 - |
J0 |
0 Jf 2(xl9x2)dxxdx2 = |
(8.18) |
О0 0
= 2 J f x(x)dx- 2 J J f 2(xx,x2)dxxdx2 = 1- 2Ф2(0,0),
где Ф2(х,х) - двумерная функция распределения вероятностей гауссовс
кого процесса.
Из (8.18) можно получить [19]
Рнс = —arccosr(r), |
(8.19) |
п |
|
где г(т) - нормированная корреляционная функция гауссовского процес
са.
Вероятность совпадения знаков значений случайного процесса в момен ты времени, разнесенные на интервал т, равна
Рс = 1 - Рнс = l - —arccosr(r)
к
Как следует из (8.19) и (8.20), вероятность несовпадения (совпадения) знаков функционально связана с нормированной корреляционной функци ей гауссовского процесса. Таким образом, определяя эту вероятность, мож но найти корреляционную функцию и спектр гауссовского процесса. В ряде случаев программная реализация анализатора совпадения полярностей слу чайного процесса оказывается проще, чем множительного коррелятора. В первую очередь это касается цифровой реализации коррелятора.
8.4. Описание т р е н д а
Задача выделения тренда временной последовательности статистичес ких данных, как правило, напрямую связана с решением сопутствующих задач: аналитического описания и экстраполяции функции, описывающей тренд. Решение этих задач позволяет проводить анализ и прогнозирование развития исследуемого процесса, например, экономического, имеет важ ное практическое значение. Исходя из этого положения раздел, посвящен ный сглаживающей аппроксимации, целесообразно дополнить материалом по описанию и экстраполяции функции, описывающей тренд.
Описание тренда целесообразно проводить с использованием хорошо известных функций. Это классический метод аппроксимации - замена од ной функции другой, близкой по значениям исходной на заданном интер вале времени. За пределами заданного интервала функция, описывающая тренд, дает его экстраполяцию.
В качестве аппроксимирующей выбирают функцию известного вида, достаточно простую и удобную при анализе. Однако, пользуясь таким под ходом, для каждого случая необходимо подбирать свою аппроксимирую щую функцию. Более универсальным является использование ортогональ ных систем функций.
Одним из видов аппроксимирующей функции может быть выбран мно гочлен на основе заданной системы базисных функций {pn(t)}
N
(8.21)
к=0
где сп - постоянные коэффициенты.
Такое представление особенно удобно, если система функций {рп(0} яв ляется ортогональной. Система функций называется ортогональной с ве сом w(t) на интервале [/, / ], если выполняется следующее равенство:
где ||p j - норма функции/?//;.
При ||а | = 1 система функций называется ортонормированной.
При заданной системе базисных функций {рп(0} аппроксимирующая функция cp(t) определяется только коэффициентами сп.
Коэффициенты ряда (8.21) с учетом (8.22) описываются выражением
с„ =■ |
I ь |
(8.23) |
J <P(t)Pn(OM.t)dt> п = 0,1,2 . |
Ы 1
Для ортогональной системы базисных функций такой выбор коэффициен тов разложения является оптимальным: ограничение в разложении функции (8.21) первыми N членами дает наименьшую среднеквадратичную ошибку
(8.24)
Ортогональные системы функций используются в различных приложе ниях. Классические ортогональные системы функций: многочлены Лежан дра, Чебышева, Лагерра, Эрмита и др. [19]
В качестве примера рассмотрим аппроксимацию функции с использо ванием многочленов Лагерра.
Пример
На рис.8.13 изображен отрезок реализации случайного процесса и вы деленный тренд. Аппроксимацию тренда процесса проведем с использо ванием многочленов Лагерра
M O = ( - l ) V ^ ( ' V ' ) , n = 0,l,2,... |
(8.25) |
at
При t —>оо многочлены LJt) расходятся. Поэтому при разложении сиг налов обычно используют функции Лагерра
'„(0= V '% (0 . |
(8-26) |
п ! |
|
Условие ортогональности функций Лагерра записывается в виде:
|
0, т Ф п |
о |
\,т = п |
|
Функция s(t), описывающая тренд случайного процесса, раскладывает ся в ряд по функциям Лагерра
КО= ХСА(/) |
(8.28) |
л=0 |
|
с коэффициентами |
|
cn = \s (t)ln(t)dt |
(8.29) |
О |
|
Для первых трех членов ряда (8.28) получим: |
|
с0=0,33, с= -0,22, с=-0,07. |
(8.30) |
График аппроксимирующей функции на рис.8.13 практически совпада ет с графиком тренда. За пределами наблюдаемого интервала аппроксими рующая функция дает экстраполяцию исходной функции - тренда, позво ляет прогнозировать тенденцию развития процесса.
Точность аппроксимации с использованием ортогональной системы функций определяется прежде всего числом членов, удерживаемых в раз ложении, и точностью определения коэффициентов многочлена.
Помимо классических, могут формироваться и другие ортогональные системы функций. Наиболее просто ортогональные системы формируют
ся на основе степенных многочленов [22]. |
|
Базисная функция такой системы записывается в виде |
|
pn(t) = а ^ Г + а ^ / г /+ . . . + ^ + ^ . |
(8.31) |
Многочлены pjt) являются ортогональными на заданном отрезке [î^ tj с весом yv*(t)
t . |
lO , m * 7 2 |
(8.32) |
|
||
где w(t) - |
весовая функция (вес). |
|
Подстановка (8.31) в (8.32) дает |
|
|
На ,If = |
1 Х а ! л)а 1 \ +* , |
(8.33) |
к=0 т=0
Для ортогональной системы функций выполняется следующее рекурентное соотношение
Рп+ ( 0 = { t - k ) P n ( 0 - РпРп-1 ( 0 , П= 2,3,4... |
(8.35) |
ал-*("+1) = « (я)л-*-, - Я яа (я)п.* - Я А - * (0 -
а0(л+|)= - ( я лао(','1) + Я л (п))Д =«,
где А„ = а | ^ ), - а Л " + ,),
X X « v л+£
.. |
к=О т=О |
|
|
' |
л л-1 л-1 |
|
(8.36) |
|
I S 4 - V |
Л +Jfc |
|
|
k=0m=0 |
|
|
|
Записанные соотношения определяют последовательности {dn)J |
и /Vn>J, |
|
которые и описывают ортогональную систему функций. |
|
||
|
Таким образом, ортогональная система функций определена весовой |
функцией w(t) и первыми двумя многочленами, наиболее удобно их выб рать из условия: p0(t)= 1 и p t(t) = /.
В качестве примера ортогональной системы функций, полученной на основе степенных многочленов, рассмотрим систему, синтезируемую опи санным способом на основе весовой функции (рис.8.14)
l - |f |, t e |
[—l;l] |
(8.37) |
w(t) = |
|
|
0, t e [ - 1;1] |
|
|
определенной на отрезке (-1,1). |
|
|
Для нее получим |
|
|
V =■ |
, п - четное. |
(8.38) |
(л +1)(л + 2)(л +3)
Базисные функции выбранной ортонормированной системы записыва ются в виде
p0(t) =1,225,
p,(t)=3,873t,
p2(t) =-0,899+8,987t2,
p3(t) =-5,721t+20,02313,
p4(t) =8531-20,63 lt2+42,347t4,
p5(t) =7,481t-63,280t3+89,033t5,
p6(t) =-0,836+35,617tJ- 171,815^+183,374t6.
Графики базисных функций приведены на рис.8.15.
В приложении 3 приведены некоторые симметричные весовые функ ции и соответствующие множители, формирующие ортогональные систе мы функций, которые могут быть использованы при описании тренда и его экстраполяции.
Для ортогональных систем функций, построенных на основе степен ных многочленов, разработана библиотека базисных функций и програм ма расчета аппроксимирующих функций [22]. В качестве примеров апп роксимирующих функций, описывающих тренды случайных процессов, на рис.8.16 и 8.17 приведены их графики. Программное обеспечение дела ет ортогональные функции наиболее удобными при описании выделяемо го тренда.
Ранее степенные многочлены использовались при интерполяции функ ции - на их основе получены интерполяционные многочлены Лагранжа. Однако отличие интерполирующей функции от аппроксимирующей, по лученной также на основе степенных многочленов, является существен ным и заключается в следующем. Интерполирующая функция проходит через все значения исходной дискретной функции в узлах интерполяции. При формировании аппроксимирующей функции, хоть и происходит при вязка ее к исходной (учитываются значения исходной функции, соответ ствующие выбранным значениям аргумента), тем не менее, она не так же стко привязана к заданным значениям исходной функции: в общем случае не совпадает с ними. (Аппроксимирующая функция близка к исходной, но не обязательно включает ее значения). Вследствие указанных особеннос тей степенной многочлен, или многочлен Лагранжа, в интервале между дискретными значениями интерполируемой функции может давать “рас качку” и, следовательно, недопустимо большие ошибки. Особенно они будут велики при использовании многочленов Лагранжа больших поряд ков и при экстраполяции исходной функции. Ортогональные системы фун кций, используемые при формировании аппроксимирующей функции, ли шены отмеченного недостатка. Они могут обеспечивать и достаточно точ но экстраполяцию исходной функции (точность будет зависеть от задан ного интервала экстраполяции).
9. ЧИСЛЕННЫЙ МЕТОД РЕШЕНИЯ ЛИНЕЙНЫХ
ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ
Анализ прохождения сигналов через линейные цепи - распространен ная задача, связанная с проектированием систем различного назначения. Классический метод решения такой задачи построен на составлении диф ференциальных уравнений, описывающих прохождение сигнала через цепь в соответствии с законами Кирхгоффа для заданной схемы цепи, и реше нии их. Получающаяся система уравнений может быть сведена к неодно родному линейному дифференциальному уравнению У-го порядка с по стоянными коэффициентами.
Аналитическое решение дифференциального уравнения, как правило, связано с трудностями, не всегда преодолимыми, а получаемое расчетное выражение громоздко. Вследствие этого чаще всего такие уравнения ре шаются численными методами [11]. Упрощение их решения возможно при использовании алгоритмов ЦФ, которые имеют программное обеспечение. (Более точно: ЦФ и есть программа расчета прохождения сигнала через линейную цепь).
Поскольку уравнения, описывающие прохождение сигнала через линей ную цепь, являются частным случаем линейных дифференциальных урав нений с постоянными коэффициентами, целесообразно сначала рассмот реть задачу решения дифференциальных уравнений с использованием ал горитмов ЦФ в общей постановке, а затем уже перейти к практическим приложениям ее решений.
9.1. Реш ение линейны х диф ф еренциальны х уравнений с использованием а л го р и тм о в ЦФ
Выражение для неоднородного линейного дифференциального уравне ния с постоянными коэффициентами N-го порядка записывается в виде
d N4 N)(t) + dNy 2N-l\ t ) + ... + d]u2w (t) + d0u1(t) =
где u,(t), u2(t) - сигналы на входе и выходе цепи.
Система, описываемая уравнением (9.1), будет обладать устойчивостью при условии, что корни соответствующего характеристического уравне ния являются либо отрицательными действительными величинами, либо комплексными с отрицательными действительными частями. Это условие устойчивости можно сформулировать в виде неравенств.