III.

Discrete, Linear Simulation
A. Criteria and Definition
Sebelum membahas secara rinci mekanika menghasilkan urutan digital dari noise berwarna, penting untuk mendefinisikan kriteria untuk simulasi noise yang akurat. Karena dalam bagian ini hanya model sistem linier yang dijelaskan dalam Bagian I dianggap, definisi persegi rata-rata simulasi stokastik adalah tepat. Hal ini dilakukan sebagai Definisi 1. Defnition I: Sebuah zero-mean, diskrit, proses stokastik Gaussian, Xk, dikatakan "mensimulasikan" secara continuous, proses stokastik Gaussian, x (t, ς), jika, diskrit fungsi autokorelasi simetris, Rd (k, m) , sama dengan sampel dari autokorelasi continuous, R (t, τ). Artinya,

Karena kita membatasi diri kita ke nol berarti, proses Gaussian, itu adalah fakta bahwa simulasi yang memenuhi Definisi 1 juga memiliki sifat bahwa massa probabilitas distribusi dari X k yang setara dengan sampel dari distribusi probabilitas gabungan dari x (t). Seperti simulasi akan disebut strict-sense. Untuk kasus di mana x (t) adalah non-Gaussian didistribusikan sedemikian rupa sehingga hanya Definisi 1yang terpuaskan tetapi distribusi probabilitas tidak sesuai, maka simulasi akan disebut wide-sense. Kloeden dan Platen [74] juga menunjukkan dua cara yang mungkin untuk mensimulasikan solusi untuk persamaan diferensial acak sistem yang linier di Bagian II yang kasus-kasus khusus. Di sana, mereka mengacu pada simulasi scrict-sense sebagai simulasi yang kuat di mana satu anggota dari ansambel dari proses acak, {x (t, ς)}, disimulasikan. Artinya, proses simulasi diskrit adalah urutan sampel dari salah satu (bandlimited) anggota dari ansambel {x (t, τ)}. Simulasi arti luas, di mana hanya sifat urutan pertama dan kedua dari proses direproduksi, disebut sebagai simulasi lemah. Sekali lagi, ini adalah fakta bahwa untuk proses Gaussian random kedua pendekatan adalah identik. Akan dibahas lebih lanjut mengenai hal ini serta pada nonlinear persamaan diferensial stokastik dalam Bagian IV. Perbedaan ini lebih penting dari pada kemungkinan tampaknya, karena mungkin untuk menghasilkan banyak non-Gaussian proses yang sangat berbeda tetapi memiliki fungsi autokorelasi identik. Contoh di [12], [52] menggambarkan hal ini, di mana sinyal telegraf acak (non-Gaussian) yang terbukti memiliki fungsi autokorelasi sama sebagai proses Gauss-Markov urutan pertama. Juga, banyak proses shot-noise memiliki statistik yang sangat mirip dengan rekan-rekan Gaussian dengan fungsi respon impuls sama tetapi, untuk tingkat kedatangan rendah, dapat memiliki kepadatan probabilitas yang sangat berbeda [86]. Tulisan ini hanya

[S3]. jarang yang autokorelasi tersedia atau bahkan diperkirakan dalam praktek. spektrum diskrit dibentuk hanya berdasarkan fungsi kontinu diasumsikan. Sd(ω). Kepadatan(density) dihasilkan autospectral diskrit maka dapat diketahui dengan mengambil DFT dengan panjang N segmen Rd(m∆t). Efek windowing telah dibahas dan ada bahkan untuk proses yang terus menerus.mempertimbangkan proses Gaussian atau tinggi tingkat proses kebisingan tembakan yang. Secara teori. Ini adalah pendekatan yang sangat menarik untuk proses dengan nonrasional fungsi kepadatan spektral (seperti l / f a noises). Lebih umum. Namun. Banyak penulis [10]. [l0]. menghasilkan Rd(m∆t). urutan kebisingan diukur dikonversi langsung ke periodogram sebuah (melalui (20)). hal ini sangat sulit dalam prakteknya. pendekatan Bagian II-C digunakan untuk menemukan spektrum sampel. spektrum Rd(m) adalah periodik. Ini berarti bahwa bagian real dan imajiner dari transformasi Fourier dari proses (19) adalah pasangan Hilbert transform. [S3]. [67]). dengan spektral density yang sesuai. sebaliknya. adalah sampel. Jika. Hal ini sangat penting untuk menunjukkan di sini bahwa kepuasan dari Definisi 1 tidak sama untuk menghasilkan kebisingan dengan kepadatan autospectral diskrit yang sampel fungsi kepadatan terus menerus autospectral. Bahkan. Metode generasi. adalah penting saat membuat kebisingan bahwa sistem memproduksinya menjadi kausal. Paling sering. dari yang bentuk kontinyu disimpulkan. Artinya. menurut teorema limit sentral. [67] telah berusaha generasi kebisingan dengan menciptakan spektrum acak diskrit (dimodelkan sebagai sampel dari satu kontinu) dan pembalik seri Fourier kompleks ke domain waktu. fungsi asli R(τ) dapat ditemukan dari sampel ini hanya untuk spektrum sempurna bandlimited. pendekatan Gaussian distribusi. adalah mungkin untuk menghasilkan suara dalam domain frekuensi dengan mempertimbangkan efek ini ketika membentuk kepadatan spektral acak. misalkan fungsi autokorelasi terus menerus dari proses wide-sense stasioner. sebuah kemustahilan dalam praktek. mengabaikan distorsi . mengabaikan distorsi kepadatan autospectral dihasilkan oleh sampling dan windowing. R (T). hanya mendekati S(ω) dan mendekati persis hanya sebagai ∆t0 dan N ~. Sampling R(τ) untuk menghasilkan Rd(m) menghasilkan aliasing dari isi frekuensi tinggi dibawah frekuensi Nyquist (1/2∆t). Fungsi densitas diskrit. misalnya. Ini kemudian digunakan untuk mengacak frekuensi spektral berbentuk komponen dari XR(f) dan XI (f) (lihat. bagaimanapun. [19]. Sebagaimana dibahas dalam Bagian 11-D. Pendekatan ini tampaknya juga dibenarkan karena cukup mudah untuk menghitung momen dari X (f) (Transformasi Fourier dari x (t)). [19]. Ada dua distorsi yang tersisa karena efek sampling dan kausalitas. Kembali ke Definisi 1. S(ω).

yaitu. sebagaimana diwajibkan oleh Definisi 1. dan paling mudah untuk menghasilkan urutan waktu dalam persamaan(37) adalah dengan hanya melakukan konvolusi diskrit. sama. memperlakukan persamaan(37) sebagai perpindahan rata-rata (FIR) filter dengan jumlah tak terbatas koefisien. dari terus menerus proses. (Penting untuk melakukan konvolusi linear daripada konvolusi melingkar. untuk menganggap bahwa hk dan Wk adalah urutan kausal dengan nilai nol untuk indeks kurang dari nol [Sl]. dipilih untuk mencocokkan amplitudo dengan fungsi autokorelasi terus menerus atau. dan urutan zero-padded nilai respon pulsa. sangat lambat. urutan IID. Kelemahan utama teknik ini adalah beban memorinya. itu adalah lebih efisien untuk menggunakan praktek umum menggantikan konvolusi oleh perkalian dalam domain frekuensi. Karena merupakan metode batch. maka fungsi autokorelasi dari urutan yang dihasilkan setelah inversi akan terdistorsi dan tidak memuaskan Definisi 1. Para convohition di persamaan (37) diimplementasikan jauh lebih cepat dengan mengalikan dalam domain frekuensi. dapat memerlukan sejumlah besar memori untuk urutan waktu yang lama. dan invers transformasi menggunakan secara umum tersedia rutinitas FFT untuk menghasilkan urutan simulasi. Bagian berikutnya menjelaskan metode yang lebih tepat untuk menghasilkan noises yang tidak mengalami masalah ini. Varians dari IID noise.τ)) atau equivalent. dikalikan. Metode pertama. urutan yang panjangnya hanya merupakan pangkat 2 dapat dihasilkan dalam waktu yang wajar. Kausalitas terjamin dengan menghasilkan sebuah zero-padded . Sebaliknya. ada dua pertanyaan yang harus dijawab: 1) Bagaimana seseorang menemukan hk ketika diberikan h(t) (dan dengan demikian R (t. Qd. Teknik ini menggunakan model sistem linier diskrit dijelaskan dalam Bagian 11-E untuk menghasilkan urutan suara yang mensimulasikan proses yang terus menerus. Wk. S(ω). Ini kemudian berubah. Untuk melakukannya. sehingga Definisi 1 terpuaskan? dan 2) bagaimana persamaaan(37) digunakan untuk menghasilkan noise saat hk diketahui? Kami menjawab pertanyaan (2) pertama dan menunda sampai bagian berikutnya diskusi untuk menemukan hk yang tepat. Batch Frequency Domain Simulation .(seperti yang sering dilakukan dalam literatur). perkiraan kepadatan berisi autospectral. Selain itu. Bagian III-D akan B.) Meskipun manfaat teknik untuk dapat menghasilkan sejumlah poin. hk (menjamin linear daripada konvolusi melingkar). yaitu. Di sini kita mengasumsikan bahwa beberapa hk disediakan sehingga autokorelasi dalam (38) adalah setara dengan sampel dari autokorelasi terus menerus diberikan oleh (27).

Secara umum tidak ada rumus yang pasti atau teknik untuk memilih hk. Hal ini dapat ditunjukkan berdasarkan diskretisasi pertengahan pertama pada persamaan (27) untuk menghasilkan: C. respon pulsa dan input white noise yang dihasilkan dalam domain waktu pertama. ini tidak dapat diselesaikan untuk hk untuk mengembangkan persamaan (39). Selecting hk τ> 0. mengambil keuntungan dari algoritma FFT yang cepat.menggambarkan algoritma rekursif yang lebih efisien untuk generasi real time yang dapat diterapkan pada waktu-invariant sistem linier. Pertanyaan kedua yang ditanyakan di atas membahas bagaimana memilih hk yang tepat diberikan h(t). dan kemudian mereka terbukti memiliki sifat yang diinginkan. mereka yang memiliki single pole dan no zero). memang benar bahwa h (t + τ) = h(t) (τ). untuk kasus khusus ini. Sampling R (t. ketika l / fa noise dipertimbangkan. misalnya. H (z) ini menduga.τ).τ). Transformasi ke domain frekuensi hanya digunakan untuk secara cepat menghitung konvolusi dengan menggantinya dengan perkalian. . Dalam Bagian II. sebuah computed hk. sayangnya.m) sama dengan sampel dari R (t. ini hanya berlaku bila H(s) adalah fungsi rasional dari s. untuk memastikan bahwa R(k. Perhatikan perbedaan antara batch. metode domain frekuensi dan yang langsung dijelaskan sebelumnya. spektrum acak dihasilkan dalam domain frekuensi secara langsung. Di sini. Untuk sistem linear tertentu. namun. Akan lebih nyaman jika hk dapat dihitung dengan pengambilan sampel h(t) untuk proses yang ditinjau. τ) dipersamaan (27) Secara umum. Dalam referensi yang dikutip. dengan fungsi transfer rasional (khususnya. atau S(ω). R(t.

Untuk sistem dengan fungsi transfer irasional atau beberapa kutub dan nol.τ) atau S(ω) tetapi membutuhkan proses yang baik sesuai dengan model ARMA. Pendekatan alternatif untuk banyaknya sistem rasional adalah untuk menemukan hk dengan identifikasi sistem. bahwa bagian III-D di bawah). Hal ini untuk menghindari kebutuhan untuk mengasumsikan fungsi untuk R (t. Namun. [22]. respon pulsa diskrit harus ditemukan oleh beberapa metode lain (misalnya.m) diperkirakan dari data yang terukur (bukan diasumsikan a priori) dan koefisien dari model ARMA dihitung langsung dari Yule Walker-persamaan (lihat Bagian III-D). (Ada buku yang sangat baik pada sistem linier yang membahas masalah ini dengan rinci jauh lebih detail . D.Jadi. Untuk sistem linear dengan fungsi transfer rasional. Stochastic Differential Equations Seperti disebutkan di atas. ketika H(s) adalah fungsi rasional tertentu dari S. [62]). [23]. di sini mungkin untuk mensimulasikan noise yang berwarna (sesuai dengan Definisi 1) menggunakan konvolusi diskrit dalam persamaan(39) dengan hanya sampling fungsi impulse respon kontinyu dan memilih variansi noise diskrit IID menggunakan persamaan(46). Di sini. [21]. langsung [37]. [33]. Rational Spectra and Linear. untuk contohnya. ada metode yang lebih mudah untuk menghasilkan noise dalam kasus ini. Perhatikan bahwa.[83].Lihat. R(k. sebagaimana disebutkan dalam . [84]. output dapat ditulis sebagai solusi dari persamaan homogen berikut. hk dapat ditemukan persis dengan sampling h(t).F)-1G. [13]. dan urutan n dari matriks F adalah sama dengan jumlah kutub dalam minimal realisasi H(s). H(s) = C(sI . diferensial linier stokastik dengan koefisien konstan: Dimana ω(t) adalah vektor dari proses white noise dengan kerapatan spektral matriks Q.

Pembahasan lebih lanjut tentang metode RK ditangguhkan sampai Bagian IV. persamaan(47) adalah kasus khusus dari persamaan diferensial nonlinear It0 stokastik yang akan dibahas secara rinci sedikit lebih dalam Bagian IV. adalah matriks transisi negara dan setara. untuk linier. sistem adalah solusi dari persamaan diferensial matriks: Perhatikan bahwa kita memiliki umum (47) untuk memasukkan sistem waktu yang bervariasi di mana tidak mungkin untuk mendefinisikan fungsi transfer. [74]). Hal ini juga membuktikan bahwa sampel X k dari proses x (t) dijamin memiliki sebuah autokorelasi bahwa sampel R (T). Untuk kasus invarian waktu. sistem ini dapat diselesaikan tepat. dalam hal ini linier. Namun. memuaskan Definisi 1. sementara integrasi numerik akan menghasilkan urutan dengan fungsi autokorelasi hanya approximating the continuous one. Solusi ini diberikan oleh mana rasional. [62]. misalnya. 'Urutan yang dihasilkan sehingga sampling dari z (t) dan oleh karena itu. persamaan di bawah ini menunjukkan bagaimana memecahkan (47) pada titik-titik 2 (tk). Referensi [52] dan [74] membahas secara rinci beberapa sifat dari fungsi autokorelasi dan kepadatan autospectral solusi untuk sistem di (47). Untuk singkatnya. Solusi untuk (47) dapat ditemukan dalam banyak teks pada sistem linier [13].bagian II-B. analisis ini tidak akan direproduksi di sini. Sebaliknya. dan . [33]. dengan bukti dalam [52]. Referensi [36] memiliki derivasi metode integrasi jenis RK untuk simulasi sistem yang dijelaskan oleh persamaan(47). Perhatikan bahwa sementara ini derivasi dapat dilakukan dengan cara yang sangat ketat menggunakan definisi integral Ito (lihat. Persamaan di bawah ini menunjukkan bagaimana untuk menghasilkan urutan dengan autokorelasi persis sampling satu kontinu. di sini mereka akan diselesaikan dengan menggunakan pendekatan sistem yang lebih standar dan deskripsi fungsi delta white noise.

Namun. E. Persamaan (51) atau (53) dapat digunakan untuk pembangkit suara yang sangat cepat dan efisien untuk mensimulasikan suara yang diberikan oleh fungsi transfer rasional (dan dengan linier ini. kita memecahkan (47) selama interval. (Lihat Lampiran I) Perhatikan bahwa ini adalah matriks equivalent dari model ARMA untuk proses itu. 1331. Karena white noise tidak terdefinisi dalam praktek (itu memiliki varians tak terbatas) tidak mungkin untuk mensimulasikan itu. Di temukan: Dimana adalah sebuah IID proses dengan variansi : Untuk time invariant linear system (51) dan (52) disederhanakan menjadi: dan Persamaan untuk Q d dapat diselesaikan dengan menggunakan algoritma due to Van Loen 1651. bagian selanjutnya akan membahas penggunaan aproksimasi untuk simulasi pengukuran noise tidak berkorelasi. Urutan proses Markov pertama diberikan dalam (32) dapat diwakili oleh persamaan diferensial stokastik: . persamaan time invarian diferensial) atau dengan linier. persamaan time varying diferensial dalam bentuk (47) . [51]. Contoh Simulasi Sekarang saya kembali ke tiga proses sampel dan menunjukkan bagaimana metode dari subbagian sebelumnya dapat digunakan untuk mensimulasikan dua dari mereka: proses Markov dan Brownian motion. Persamaan matriks (53) dapat diubah menjadi ARMA time series menggunakan teori ztransform sederhana 1231.Untuk mengembangkan rumus rekursif sederhana untuk generasi noise.

Hasilnya adalah ditemukan dengan menggunakan formula standar untuk finite sums: .(54) ke persamaan difference sebagai berikut: Dimana adalah sebuah IID proses dengan variance: Persamaan difference ini kemudian sangat mudah disimulasi pada komputer menggunakan sejumlah pembangkit pseudorandom standar dan algoritma distribusi normal. Kami juga dapat memeriksa autokorelasi diskrit dan kepadatan spektral dari proses diskrit.Dimana b = 1/a. Autokorelasi dapat ditemukan dengan menggantikan respon pulsa untuk (56). Hal ini dapat didiskritisasi. ke dalam (39). untuk Time step ∆t . menggunakan (48) .

mengapa definisi simulasi specifies sebuah time domain matching dari fungsi autokorelasi. Perhatikan bahwa distorsi luar frekuensi Nyquist sekitar 30 rad sebenarnya lipatan frekuensi negatif. Di sini. (61) adalah periodik tentang frekuensi Nyquist. ini adalah formula standart random walk [52]. ini menjadi Persamaan (59) persis sama dengan sample dari continous autocorrelation untuk first order markov process seperti yang diberikan dalam persamaan (33).1 s (10 Hz sampling). Hasil spectral density adalah: Ini spektral density adalah jelas tidak sama dengan sampel spektral density tersebut yang untuk proses Markov kontinu diberikan dalam (34). Dengan demikian proses diskrit memenuhi persyaratan mendasar dari Definisi 1 untuk simulasi yang akurat. dengan demikian. 1 dibuat untuk langkah waktu 0. dan sangat akurat mendekati continous spektral density hanya untuk frekuensi rendah dan small time steps (lihat Gambar. Brownian motion dapat dimodelkan discretely dengan cara yang sama. r / At. 1). Perhitungan pada Gambar. kita akan menggunakan pendekatan yang sedikit berbeda dan mengambil integrasi langsung dari white noise dan mengubahnya menjadi penjumlahan: Ini dapat di tulis sebagao persamaan difference: Dimana adalah sebuah IID proses dengan variansi Q∆t. Kita bisa mengambil z-transform dari (63) untuk menemukan fungsi transfer diskrit .Setelah mensubstitusikan Qd dari persamaan (57). Akan dibahas lebih lanjut pada subjek aliasing pada bagian berikutnya. Persamaan (61) memberikan contoh yang spesifikasi dari distorsi yang terjadi pada spektral density due to aliasing dan.

Lakukan ini. Sensor Noise. ini kira-kira sama dengan: Ini adalah bentuk yang diharapkan dari spektral density yang diberikan oleh persamaan (36). Jika proses yang diukur memiliki bandwidth frekuensi yang sangat tinggi dibandingkan dengan sample rate. Artinya. and Prefiltering Akhirnya. efek integrasi dari driving noise pada model yang dijelaskan dalam Bagian III adalah setara dengan aliasing proses sampel. Untuk benar mensimulasikan proses yang diinginkan termasuk pengambilan sampel.Hal ini menghasilkan spektral density: Sekali lagi. [23]. [52]: dimana ωs adalah tingkat sampling dari 2π/∆t. Discrete spectral density termasuk kontribusi dari semua spektrum shifted yang disebabkan oleh aliasing. menghapus kenaikan spectral density dari persamaan(61) dekat dengan frekuensi Nyquist. Ini account secara tepat untuk distorsi dalam spektrum yang terlihat pada Bagian III-E. Semua pendekatan simulasi di atas telah mengandung asumsi tersembunyi (assumption hidden) bahwa proses simulasi diskrit dimasukkan dampak intregrasi dari noise yang bekerja pada sistem linier selama simulasi time step. F. Aliasing. maka . misalnya. tujuannya untuk mensimulasikan sampling dari pengukuran proses acak dengan memberikan spektral density atau autokorelasi. Dalam hal ini. representasi akurat dari keadaan sistem pada setiap time step yang diinginkan termasuk aksi semua masukan selama interval. perhitungan numerik (67) menggunakan continuous spectral density untuk first order Markov process tepatnya seperti mereproduksi (61). sistem driven linier). aliasing dihindari selama pengukuran oleh prefiltering pertama dengan high order low pass filter. jika kita langsung mengambil sampel continuous autocorrelation function maka spektra densityl yang dihasilkan diskrit yang diberikan oleh [9]. untuk frekuensi rendah. Seringkali. Dalam hal ini. [51]. Kami sekarang dapat mensimulasikan proses "white noise" yang diukur. Namun. Bahkan. Hal Ini signifikan dan penting ketika simulasi pemodelan sebuah sistem dinamis dengan masukan random dijelaskan oleh satu set dari persamaan diferensial stokastik (yaitu. Biasanya. spektral density untuk sebuah random walk adalah periodik dan tidak mengambil sampel fungsi Brownian motion. beberapa kata harus dikatakan tentang fenomena aliasing terlihat pada bagian terakhir. Ini tidak benar ketika model sensor noise. prefilter harus ditambahkan ke model sistem linier sebelum menerapkan metode bagian ini.

atau frekuensi Nyquist. Sebagai contoh. Untuk kesempurnaan rectangular filter (tanpa sebab dan tidak mungkin dalam praktek) dengan cutoff pada frekuensi Nyquist. Kita juga dapat menghitung varians untuk filter realisasi. (71) diasumsikan sebuah priori sebagai model dinamika sistem driven oleh noise. fungsi autokorelasi adalah Dengan demikian varians dari perkiraan proses white noise diberikan adalah memberikan dengan R (0) atau Qd = Q/∆t. hal ini cukup diperkirakan dengan hasil yang sama seperti perfect low pass filter. paling sering sebagai model dinamis dari sistem fisik driven oleh force . Persamaan diferensial stokastik (71) umum terjadi di seluruh ilmu dan teknik.urutan sampel yang dihasilkan dapat juga didekati dengan proses uncorrelated IID. di sini. Tidak seperti pada bagian sebelumnya. Qd = Q/∆t. maka varians dari kebisingan dapat dengan mudah dihitung. NUMERICAILNT EGRATION OF STOCHASTIC DIFFERENTIAL EQ UATIONS A. Varians diskrit kemudian dapat dihitung melalui Teorema Parseval [9] dengan mengintegrasikan spektral density di persamaan (69) untuk menemukan: Untuk high order filters (M besar). Jika kita mengasumsikan prefilter cutoff analog yang sangat tajam. Introduction Hal itu disampaikan dalam Bagian II dan III bahwa sistem linier dijelaskan ada kasus khusus dari yang lebih umum . Tujuannya adalah untuk numerik "solve(mengatasi)" persamaan diferensial stokastik sebagai simulasi dari sistem yang dimodelkan. persamaan nonlinear Ito stochastic differential: Pada bagian ini masalah dari simulasi solusi untuk persamaaan (71) ditujukan. IV . dari 1/2∆t. di mana simulasi tersebut dimaksudkan untuk menghasilkan urutan dengan sifat urutan kedua yang direproduksi yang digunakan pada proses pemodelan. perintah MTH Butterworth filter yang memiliki spektral density: dimana B adalah filter frekuensi cutoff.

tetapi merupakan pertanyaan terbuka apakah solusi It0 dari sistem yang lebih besar adalah sama sebagai solusi Stratonovich (It0 sistem dengan istilah koreksi) dari sistem yang lebih kecil. [75]. Seperti disebutkan. ada baiknya secara singkat menanyakan apa yang dimaksud dengan persamaan(71) dan bagaimana penentuan apriori seperti persamaan mungkin terjadi. Grigoriu [77] memiliki beberapa diskusi dari teorema Wong-Zakai dan menggunakannya untuk mensimulasikan proses stokastik bawah interpretasi ini. Ada dua interpretasi dari persamaan Ito diberikan dalam persamaan (71). Yang pertama adalah dalam menggunakan bentuk linier (71) untuk model proses stokastik dengan fungsi autokorelasi diketahui (atau ditentukan) (atau spektral density). maka dalam batas continuous adalah wajar untuk mengasumsikan persamaan diferensial yang disebabkan oleh white noise. bukan menjunjung tinggi proses bandlimited oleh kebisingan putih. Tidak seperti solusi di atas. Artinya. persamaan diferensial dapat diselesaikan tepat untuk setiap jalur sampel dari proses halus menggunakan kalkulus klasik. Berbeda dengan deskripsi Ito di atas. Ada dua sumber dari penafsiran ini. istilah white noise yang disebabkan dianggap sebagai pendekatan dari sebuah band yang sangat luas tetapi proses halus. Jika fungsi-fungsi ini dianggap sebagai proses independen. Pertanyaan yang jelas adalah apakah solusi untuk persamaan tersebut konvergen ke solusi dari It0 (71) sebagai pendekatan mengemudi low-pass white noise. sistem linear metode dalam Bagian II dan sisanya dari makalah ini mengkaji hanya penafsiran dari It0 (71). Sebelum melihat metode simulasi. yang adalah tempat di terdiferensialkan karena kebisingan putih. Pendekatan seperti menyediakan kaitan antara penafsiran Stratonovich Wong dan lebih umum (dan berguna) Ito interpretasi. Persamaan tersebut muncul dalam mekanika dan teknik listrik yang sangat sering dan merupakan dasar bagi banyak teori kontrol modern. tetapi dengan hanya integrator Euler sederhana Sangat menarik untuk menunjukkan bahwa dalam perumusan vektor (71).random(kekuatan acak) atau jaringan listrik dengan tegangan random atau masukan arus listrik. berikut jalan sampel yang dihasilkan halus. penafsiran kedua dapat dikonversi menjadi yang pertama dengan menggunakan filtering linier. Sekali lagi. Kedua. kebisingan band yang halus lebar [74]. istilah koreksi harus ditambahkan ke (71) untuk solusi It0 untuk menjadi sama dengan jalan sampel konvergen dari pendekatan [74]. direproduksi oleh metode Bagian II menggunakan model linier It0 yang disebabkan oleh oleh white noise. Ini kemudian ditambahkan ke sistem vektor dalam persamaan (71) untuk menghasilkan persamaan diferensial It0 lebih besar yang disebabkan oleh white noise. [75]. Penafsiran Ito dari white noise dan solusi yang sesuai dapat digunakan untuk membuat proses dengan sifat yang diinginkan urutan kedua (autokorelasi dan kepadatan autospectral). Wong dan Hajek [70] memiliki beberapa diskusi tentang solusi vektor. Artinya. Dengan kata lain. Dalam hal ini. tetapi dalam arti Stratonovich bukan Ito [74]. persamaan bentuk pada persamaan (7 1) sering diturunkan secara langsung melalui deskripsi dinamis dari sistem yang disebabkan oleh random forcing functions. Yang pertama adalah hanya sebagai persamaan diferensial stokastik disebabkan oleh white noise seperti yang dijelaskan dalam section II. interpretasi dari Stratonovich (7 1) lebih sesuai ketika white noise diambil sebagai idealisasi dari suatu proses. salah satu bentuk yang paling awal adalah persamaan Langevin digunakan untuk menjelaskan Brownian motion [74]. Ada sebuah interpretasi alternatif pengganti dari (71) terutama disebabkan Wong [70]. Hal ini terutama disebabkan oleh . Teorema Wong-Zakai menunjukkan bahwa proses tidak konvergen ke solusi dari persamaan diferensial stokastik.

Hal ini di luar lingkup tulisan ini untuk menyelidiki seluk-beluk dan rincian matematis dari persamaan diferensial stokastik. beberapa karya terbaru pada pendekatan solusi RK numerik diringkas. karena sifat dari integrator ini mudah diperiksa dan matriks kovarians kebisingan mengemudi mudah dihitung untuk QD = Q/∆t (ini secara langsung berkaitan dengan hasil untuk kebisingan bandlimited putih di bagian III-F). Secara khusus. Pertanyaan yang jelas adalah apakah solusi untuk persamaan tersebut konvergen ke solusi dari It0 (71) sebagai pendekatan mengemudi low-pass white noise. pada sistem dengan masukan acak seperti yang di (71). Artinya. yang adalah tempat di terdiferensialkan karena kebisingan putih. Haruskah interpretasi Wong dan Zakai lebih tepat untuk masalah tertentu. Untuk menghindari kesulitan-kesulitan ini. Ada sebuah interpretasi alternatif pengganti dari (71) terutama disebabkan Wong [70]. Selain itu. persamaan diferensial dapat diselesaikan tepat untuk setiap jalur sampel dari proses halus menggunakan kalkulus klasik. sederhana. bagian ini memperluas atas metode generasi bagian sebelumnya untuk meneliti teknik untuk mensimulasikan persamaan stokastik diferensial nonlinier. t) di atas). Paket-paket ini harus digunakan dengan hati-hati. [73]. Terkadang. masalah ini sering disederhanakan dengan dua cara. Banyak sekarang menggunakan antarmuka blok grafis. Sebuah diskusi rinci dan derivasi dari teknik ini adalah dalam [36]. [74] untuk contoh perawatan tersebut. Dalam hal ini. akurasi hilang dengan menggunakan pendekatan ini untuk noise masukan. Sebaliknya. bagaimanapun. Ada paket komersial yang tersedia untuk simulasi sistem dinamis yang dijelaskan oleh persamaan diferensial kontinyu. Q/ ∆t. Ini sama dengan memegang orde nol pada noise masukan dan sangat nyaman ketika menggunakan perangkat lunak simulasi komersial yang memungkinkan input eksternal untuk diterapkan pada simulasi diagram blok. berikut jalan sampel yang dihasilkan halus. agar integrasi Euler pertama dilakukan. adalah interpretasi Ito yang biasanya digunakan dalam pengendalian dan dinamika bekerja menggunakan persamaan diferensial stokastik. Tidak seperti solusi di atas. melakukan langkah-ukuran kontrol dan 2) bagaimana memilih mean dan varians dari urutan input acak untuk memenuhi beberapa kriteria yang sesuai (lihat [58]).perlakuan yang nyaman dari white noise dengan fungsi delta dan sifat banyak berguna matematika dari persamaan It0. Tak satu pun dari paket yang tersedia dengan benar menyumbang keacakan dalam metode solusi mereka. Lebih sering. Berbeda dengan deskripsi Ito di atas. Pendekatan kedua ini disebut sebagai metode "klasik" dalam [36]. Hal ini ditunjukkan sana yang. Ada dua kesulitan utama: 1) bagaimana mengevaluasi secara real time akurasi dari solusi dan. independen dari urutan metode integrasi. Pembaca diarahkan untuk [61].t) dan G (X. Ada tubuh besar bekerja pada sifat dan solusi dari It0 (dan Stratonovich) persamaan diferensial formulir di (71). [70]. istilah white noise mengemudi dianggap sebagai pendekatan dari sebuah band yang sangat luas tetapi proses halus. Teorema Wong-Zakai menunjukkan bahwa proses tidak konvergen ke solusi dari persamaan . sebuah metode yang lebih tinggi digunakan tapi dengan hanya satu panggilan ke generator kebisingan masukan per langkah. sementara mungkin ada evaluasi fungsi banyak untuk menghitung langkah integrasi tunggal (F (X. suara input hanya dihitung sekali pada awal langkah dan diberi nilai Euler . jika mungkin. persamaan Stratonovich dapat dikonversi ke Ito satu menggunakan istilah koreksi dijelaskan dalam [70] atau [74] atau sistem dapat ditambah seperti dijelaskan di atas. diagram untuk membangun simulasi.

diferensial stokastik. untuk menarik suatu fungsi autokorelasi pada umumnya. baik yang ketat-akal dan lebar akal. Namun. perlu sedikit memodifikasi Definisi 1. derivasi telah dilakukan hanya untuk versi linear (71) di mana solusi bentuk tertutup untuk kovarians yang ada. bagaimanapun. Dengan kata lain. [75]. pekerjaan ini hanya mengkaji metode arti luas. X k. Pk. adalah eksklusif rendah untuk pendekatan deret Taylor. bagaimanapun. Gaussian systems strict dan wide sense simulations. tetapi dengan hanya integrator Euler sederhana. [75] solusi akal baik yang ketat dan luas dibahas. bahkan untuk ukuran langkah yang kecil. X (t). dari (71). proses stokastik diskrit. Oleh karena itu. Grigoriu [77] memiliki beberapa diskusi dari teorema Wong-Zakai dan menggunakannya untuk mensimulasikan proses stokastik bawah interpretasi ini. sama dengan . ς). jika matriks kovarians diskrit. untuk menggambarkan kovarians waktu bervariasi dari solusi. interpretasi dari Stratonovich (7 1) lebih sesuai ketika white noise diambil sebagai idealisasi dari suatu proses. Referensi [36] karena itu menyajikan. jika bukan tidak mungkin. untuk sistem umum nonlinier atau system bervariasi waktu kita menggunakan definisi terbatas 2 untuk simulasi stokastik. Hal ini tidak sulit untuk melihat bahwa langkah variabel paling standar dan metode tahapan tidak sesuai untuk simulasi stokastik. Hal ini diyakini bahwa di bawah pembatasan tertentu metode yang sama dapat digeneralisasi untuk sistem nonlinier. tetapi dalam arti Stratonovich bukan Ito [74]. kebisingan band yang halus lebar [74]. metode RK untuk pemecahan numerik pada persamaan(71). X (t. eksplisit tunggal-langkah. istilah koreksi harus ditambahkan ke (71) untuk solusi It0 untuk menjadi sama dengan jalan sampel konvergen dari pendekatan [74]. Sebelum mempresentasikan metode ini. Sementara di [74]. Multi-langkah metode bergantung pada asumsi-asumsi mengenai kelancaran solusi-asumsi yang tidak benar untuk urutan sampel acak (ingat bahwa sampel proses dari solusi set (71) yang tak terdiferensiasi). Referensi [73] dan [74] memiliki diskusi yang sangat baik dari metode solusi baik implisit dan eksplisit untuk persamaan diferensial stokastik. Dejnition 2: zeromean. Untuk sistem yang lebih rumit bisa sangat berat untuk menemukan Jacobian dan turunan orde tinggi fungsi dalam persamaan (71). ini tidak lagi benar dan sulit. kriteria kesalahan lokal biasanya digunakan untuk menentukan variasi ukuran langkah tidak berlaku untuk simulasi stokastik sebagai solusi yang sangat akurat masih dapat memiliki perubahan besar antara langkah. [61] untuk penjelasan yang jelas dari persamaan Fokker-Planck digunakan untuk memperoleh solusi kovarian). Artinya. Ingat bahwa untuk linier. untuk sistem nonlinier yang dijelaskan oleh persamaan(71). Saat ini. Selain itu. namun. Penelitian saat ini diarahkan pada ketat-akal simulasi RK. Metode ini. dikatakan "mensimulasikan" proses stokastik continuous diberikan oleh (71). (Lihat [36]. Hal ini dimungkinkan.

[61]. matriks kovarians memecahkan persamaan diferensial matriks [14]. Persamaan ini adalah [36]. Ini adalah bentuk yang bekerja di kertas ini dan dalam [36]. P (t). [36].sampel kovarians matriks continuous. Artinya. [62]: Meskipun tidak akan dipelajari dalam tulisan ini. [75]: Persamaan diferensial untuk mean dan kovarians dari persamaan (73) dapat ditemukan dengan menggunakan rumus It0 untuk aturan rantai [74]: Hal ini lebih umum untuk memeriksa persamaan linear tanpa istilah yang disebabkan variable a(t) (zero mean) dan tanpa istilah matriks bilinear B (t). [61]: . ini mungkin untuk mengembangkan ekspresi yang lebih umum untuk kovarians menggunakan persamaan Fokker-Plank untuk sistem nonlinier dalam persamaan (71). dalam kesalahan dari rutinitas integrasi. Bentuk linear yang paling umum dari persamaan diferensial stokastik diberikan oleh [74]. Untuk persamaan diferensial stokastik linier. seperti yang diberikan oleh (47).

Artinya. Algoritma RK integrasi yang umum diberikan adalah sebagai berikut: Jika z (t) adalah solusi dari persamaan diferensial. dan mungkin yang paling umum digunakan. Runge-Kutta (RK) Solution Method Metode The'RK adalah yang sederhana. Koefisien dalam (78) ditemukan oleh Taylor memperluas kedua persamaan (77) dan (78) untuk urutan h "dan pencocokan koefisien. langkah integrasi numerik tunggal secara rutin untuk memecahkan persamaan diferensial. Persamaan-persamaan ini urutan n integrator RK. l ci. maka z (t) disimulasikan pada waktu tk + l oleh set persamaan berikut: di mana h adalah ukuran langkah. Para koefisien ai. .Bagian berikutnya menyajikan algoritma untuk memecahkan RKpada persamaan (71) sedemikian rupa sehingga Definisi 2 terpuaskan B. dan aji dipilih untuk memastikan xk yang mensimulasikan solusi x(t) untuk order h n + . Ada banyak jenis yang berbeda RK rutinitas order yang tersedia.

[56]. n = 2 (trapesium). xk. dan n = 4 dan dapat ditemukan di persamaan [32]. n = 3. Sering kali. Solusi RK. sebuah metode urutan keempat untuk persamaan invarian waktu dan metode urutan keempat akurat hanya urutan ketiga untuk berubah terhadap waktu sistem. [87]. Solusi yang paling umum adalah untuk n = 1 (Euler). untuk persamaan diferensial stokastik dalam (71) dengan demikian diberikan oleh versi random dari persamaan (78): . 1 hadir di sini hanya solusi timevarying karena lebih umum dan diyakini benar untuk kelas yang lebih besar dari sistem nonlinier yang dijelaskan oleh (71). [87]. Dua solusi disajikan dalam [36]. Referensi [36] menghadirkan rincian untuk menurunkan set yang tepat koefisien dalam (78). Koefisien dipilih dengan memodifikasi derivasi RK normal dan Taylor memperluas persamaan kovarian dalam (75) dan harapan kuadrat (78). kriteria tambahan diusulkan untuk memilih solusi [32]. Secara khusus. masalah penentuan varians yang benar untuk masukan noise IID pada setiap evaluasi fungsi yang terpecahkan.Hal ini mudah menunjukkan bahwa ada banyak kemungkinan pilihan koefisien.

menduga bahwa ini set yang sama dari koefisien dapat digunakan untuk mensimulasikan persamaan nonlinier diferensial stokastik juga.Noise IID. aji. 1 menunjukkan hasil dari menggunakan metode ini pada proses urutan Markov pertama kali dijelaskan oleh (55). Rincian dapat ditemukan dalam [36]. diyakini ekstensi ini hanya bekerja pada sistem nonlinier itu. 2 plot kovarians benar dari (82) dengan kovarian yang ditemukan dari rata-rata 800 urutan sampel dari tiga metode yang berbeda-solusi RK dijelaskan disini. pendekatan klasik menggunakan suatu pegangan orde nol pada noise. Untuk solusi waktu yang bervariasi. Lebih banyak contoh dari teknik solusi RK dapat ditemukan dalam [36]. ci. Sekali lagi. tidak memiliki ketergantungan bilinear pada X (t). Para koefisien ai. dan pendekatan RK dari contoh dijelaskan dalam [58]. Kovarians dari solusi ini diberikan oleh autokorelasi dalam (33) dievaluasi pada zero lag: Gambar. Sejak derivasi itu dibuat mengabaikan bentuk bilinear. dimana Q adalah kerapatan spektral dari kebisingan masukan putih di (71). Ada contoh di [36] untuk menunjukkan kinerja pada sistem nonlinier dan penelitian saat ini sedang memeriksa contoh lebih lanjut. dan qi ditemukan menggunakan teknik yang dijelaskan di atas. yang itu ci diberikan oleh kondisi standar: Koefisien yang tersisa disajikan pada Tabel 1 [36]. . ketika linierisasi bagi negara-negara kecil. memiliki varians sama dengan qiQ / h. wi. Gambar.

Sign up to vote on this title
UsefulNot useful