Генератор марковского процесса, реализующий авторегрессию
1-го порядка
(1) Генератор
- марковский случайный процесс - генератор случайных чисел (в ЭВМ) i = 0,1,2...n
Утверждение (1) : процесс (1) является марковским. Доказательство: Пусть заданная величина. Процедура (1) называется реккурсивной или иттеративной, рекурент- ной. (2) Пусть ~ , где 0-среднее, - дисперсия. В формуле (2) разность имеет гауссовкий процесс распре- деления или :
(3)
(4) (3) получено из (4) и (2) заменив на . Поскольку - независимые по условию, то имеем :
Утверждение доказано. Процесс (1) является марковским.
Структурная схема генератора марковского процесса
реализация рекурсии
a |¾¾| рис. 1 T
|¾¾| - линия задержки. Это структурная схема 4х полюсника, которая реализует генерацию марковского случайного процесса . Это генера- тор с внешним возбуждением, который возбуждается с по- мощью независимого гауссовского процесса .
Сетка дискретного времени: |¾¾|¾¾|¾¾|¾¾® t T
Утверждение (2)
На выходе 4х полюсника процесс ,i=1,2...n - коррелиро- ван, с коэффициентом корреляции ‘a’.
Доказательство: Из (1) имеем , берем мат- ожидание, , , - коэффициент корреляции. Утверждение доказано.
Вывод: На вход схемы рис.1 идет некоррелированный слу- чайный процесс , а следовательно независимый. (если процесс гауссовский и некоррелированный, то он независимый, для других процессов это неверно) В природе наиболее часто встречается гауссовский случайный процесс. На выходе схемы - зависимый коррелированный марковский процесс, у которого плотность факторизуется по условным плотностям. - не факторизуется - факторизуется Процесс (1) называется односвязный марковский процесс.
Замечание: Процесс (1) получен при дискретизации непре- рывного линейного диф. уравнения 1-го порядка. без учета стохастической правой час- ти На сетке дискретного времени имеем : ; - получаем обычную ( не стохастическую) авторегрессию.
Tc+1=a
Авторегрессия 2-го порядка - двухсвязный процесс
(1)
Коэффициенты называются коэффициентами регрес- сии. Уравнение (1) без стохастической правой части легко получается из диф. уравнения 2-го порядка. Уравнение (1) реализует генератор марковского процесса, который называ- ется двухсвязным в зависимости от входного процесса .
генератор марковского рис.2 двухсвязного процесса
На вход генератора действует белый шум. На выходе - двух связный марковский процесс. g(f)
белый шум
0 f f В зависимости от коэффициентов ны выходе будут раз- личные процессы. Процесс (1) получается из линейного диф. уравнения 2-го порядка, если это диф. уравнение рассмат- ривать на временной сетке (дискретна во времени). Известно, что диф. уравнение 2-го порядка имеет реше- ние в виде комплексной экспоненты, если корни характерис- тического уравнения комплексные, аналогично для некоторых значений коэффициентов , процесс авторегрессии будет иметь вид стохастической синусоиды.
Генератор двухсвязного марковского процесса
|¾¾| |¾¾|
T - период дискретизации
Изменение по синусоиде называется синусоидальный тренд. Марковский процесс 2-го порядка более богатый, чем 1-го, с помощью него можно моделировать более сложные процессы.
Авторегрессия m-го порядка
(2) - возбуждающий белый шум. Процесс (2) получен из диф. уравнения m-го порядка путем дискретизации. Это марковский процесс с дискретным време- нем. Этот процесс значительно более информативен, чем ра- нее рассмотренные, ибо он может моделировать сложномоду- лированные случайные процессы. Он может модулировать АМ, ЧМ, ФМ путем подбора , а также подбором мож- но идентифицировать очень многие случайные процессы ре- ально существующие на практике, например : хорошо моду- лируется движение летательнвх аппаратов при маневре (рег- рессия m=6¸16), речь, полет космического корабля, посадка на планету.Стохастическая модель удобна потому, что она адекватна реальным ситуациям.
Генератор m-связного марковского процесса
|¾¾| ...... |¾¾| |¾¾|
Разностные модели на примере модели 2-го порядка
(3) - разностная модель 2-го порядка
- приращение, характеризует скорость изменения процесса
Модель с приращением удобна в том плане, что не требуется заранее знать коэффициенты регрессии.
Разностные модели 3-го порядка
(4)
- 1-я разность - 2-я разность
1-я разность характеризует скорость изменения случайного процесса. 2-я разность характеризует ускорение.
Модель (3) и (4) очень широко иcпользуется на практи- ке, т.к. здесь почти нет коэффициентов, которые нужно идентифицировать ( а и ), они легко подбираются на ЭВМ по методу наименьших квадратов. Для этого надо иметь ре- альный процесс отсчетов , модель (4) и нужно воспользо- ваться следующей формулой МНК/метод наименьших квадратов/ min где, - модель, - реальный процесс
Суть МНК состоит в следующем : Есть m-отсчетов реального процесса, есть m-отсчетов модели, составляется сумма квадратов и подбираются пара- метры (а, ) так, чтобы минимизировать эту сумму (делает- ся это на ЭВМ)(метод перебора) но в авторегрессии m-го порядка. Сделать это очень сложно.
Модели скользящего среднего
Пусть - независимая случайная величина, с произвольным распределением (очень часто гауссовское распределение)
М =0 ; М = ; (процесс не коррелирован) Тогда процесс
(1)
называется процессом скользящего среднего. Этот процесс сформирован полностью из шума (из белого шума) путем сдвига и весового суммирования. ( - весовые коэффициенты). Сумма (1) генерирует процесс . Процесс - коррелированный марковский процесс.
Генератор скользящего среднего для формулы (1)
a
i x
: i :
Модель авторегрессии и скользящего среднего
авторегрессия скользящее среднее генератор генератор случайного сигнала авторегресии Здесь - белый шум; - марковский(модельный)процесс, n=1,2.... Между генераторами процесс коррелирован.
Многомерная марковская модель
(1) , где ; ; Это самая распространенная модель
(2) В модели (1) шумы характеризуются матрицей ковариации в отличие от авторегрессии, под которой понимается следую- щее: ; ; - столбец - строка Элементы матрицы состоят из корреляции внутри столбика шума. Столбики между собой коррелированы.
Модель нелинейной регрессии
(3)
(4)
В формулах (3)(матричная форма записи),и (4)(скалярная форма записи) индексы при ‘Х’ это не степени, а номера в формуле столбика. (3) и (4) - самая информативная модель , все предыдущие модели получаются как частный случай из этой модели. Нап- ример модель речи линейная и нелинейная, но нелинейная более точная.
Глава 4
Популярное: Почему стероиды повышают давление?: Основных причин три... Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (422)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |