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

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

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

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

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

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

persamaan time varying diferensial dalam bentuk (47) . Namun. E. kita memecahkan (47) selama interval. 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. Karena white noise tidak terdefinisi dalam praktek (itu memiliki varians tak terbatas) tidak mungkin untuk mensimulasikan itu. persamaan time invarian diferensial) atau dengan linier. Urutan proses Markov pertama diberikan dalam (32) dapat diwakili oleh persamaan diferensial stokastik: . 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. [51]. 1331. bagian selanjutnya akan membahas penggunaan aproksimasi untuk simulasi pengukuran noise tidak berkorelasi. (Lihat Lampiran I) Perhatikan bahwa ini adalah matriks equivalent dari model ARMA untuk proses itu. 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.Untuk mengembangkan rumus rekursif sederhana untuk generasi noise. Persamaan matriks (53) dapat diubah menjadi ARMA time series menggunakan teori ztransform sederhana 1231.

Kami juga dapat memeriksa autokorelasi diskrit dan kepadatan spektral dari proses diskrit. Hal ini dapat didiskritisasi. menggunakan (48) .Dimana b = 1/a. ke dalam (39). Hasilnya adalah ditemukan dengan menggunakan formula standar untuk finite sums: . untuk Time step ∆t .(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. Autokorelasi dapat ditemukan dengan menggantikan respon pulsa untuk (56).

r / At. 1).1 s (10 Hz sampling). Persamaan (61) memberikan contoh yang spesifikasi dari distorsi yang terjadi pada spektral density due to aliasing dan.Setelah mensubstitusikan Qd dari persamaan (57). Hasil spectral density adalah: Ini spektral density adalah jelas tidak sama dengan sampel spektral density tersebut yang untuk proses Markov kontinu diberikan dalam (34). ini menjadi Persamaan (59) persis sama dengan sample dari continous autocorrelation untuk first order markov process seperti yang diberikan dalam persamaan (33). 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. Perhitungan pada Gambar. Perhatikan bahwa distorsi luar frekuensi Nyquist sekitar 30 rad sebenarnya lipatan frekuensi negatif. dengan demikian. (61) adalah periodik tentang frekuensi Nyquist. ini adalah formula standart random walk [52]. mengapa definisi simulasi specifies sebuah time domain matching dari fungsi autokorelasi. 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. Kita bisa mengambil z-transform dari (63) untuk menemukan fungsi transfer diskrit . Akan dibahas lebih lanjut pada subjek aliasing pada bagian berikutnya. Dengan demikian proses diskrit memenuhi persyaratan mendasar dari Definisi 1 untuk simulasi yang akurat. Di sini.

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

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

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

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

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

dalam kesalahan dari rutinitas integrasi. [62]: Meskipun tidak akan dipelajari dalam tulisan ini. Untuk persamaan diferensial stokastik linier. [61].sampel kovarians matriks continuous. [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]: . Persamaan ini adalah [36]. Ini adalah bentuk yang bekerja di kertas ini dan dalam [36]. Artinya. matriks kovarians memecahkan persamaan diferensial matriks [14]. P (t). [36]. seperti yang diberikan oleh (47). Bentuk linear yang paling umum dari persamaan diferensial stokastik diberikan oleh [74]. ini mungkin untuk mengembangkan ekspresi yang lebih umum untuk kovarians menggunakan persamaan Fokker-Plank untuk sistem nonlinier dalam persamaan (71).

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

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

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

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.