You are on page 1of 18

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, ), jika, diskrit fungsi autokorelasi simetris, Rd (k, m) , sama dengan sampel dari autokorelasi continuous, R (t, ). 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, )}, disimulasikan. Artinya, proses simulasi diskrit adalah urutan sampel dari salah satu (bandlimited) anggota dari ansambel {x (t, )}. 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

mempertimbangkan proses Gaussian atau tinggi tingkat proses kebisingan tembakan yang, menurut teorema limit sentral, pendekatan Gaussian distribusi. 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. Banyak penulis [10], [19], [S3], [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 adalah pendekatan yang sangat menarik untuk proses dengan nonrasional fungsi kepadatan spektral (seperti l / f a noises). Bahkan, jarang yang autokorelasi tersedia atau bahkan diperkirakan dalam praktek. Paling sering, urutan kebisingan diukur dikonversi langsung ke periodogram sebuah (melalui (20)), dari yang bentuk kontinyu disimpulkan. Pendekatan ini tampaknya juga dibenarkan karena cukup mudah untuk menghitung momen dari X (f) (Transformasi Fourier dari x (t)). Ini kemudian digunakan untuk mengacak frekuensi spektral berbentuk komponen dari XR(f) dan XI (f) (lihat, misalnya, [l0], [19], [S3], [67]). Metode generasi, bagaimanapun, mengabaikan distorsi kepadatan autospectral dihasilkan oleh sampling dan windowing. Kembali ke Definisi 1, misalkan fungsi autokorelasi terus menerus dari proses wide-sense stasioner, R (T), dengan spektral density yang sesuai, S(), adalah sampel, menghasilkan Rd(mt). Kepadatan(density) dihasilkan autospectral diskrit maka dapat diketahui dengan mengambil DFT dengan panjang N segmen Rd(mt). Lebih umum, pendekatan Bagian II-C digunakan untuk menemukan spektrum sampel. Fungsi densitas diskrit, Sd(), hanya mendekati S() dan mendekati persis hanya sebagai t0 dan N ~. Efek windowing telah dibahas dan ada bahkan untuk proses yang terus menerus. Ada dua distorsi yang tersisa karena efek sampling dan kausalitas. Sampling R() untuk menghasilkan Rd(m) menghasilkan aliasing dari isi frekuensi tinggi dibawah frekuensi Nyquist (1/2t). Artinya, spektrum Rd(m) adalah periodik. fungsi asli R() dapat ditemukan dari sampel ini hanya untuk spektrum sempurna bandlimited, sebuah kemustahilan dalam praktek. Sebagaimana dibahas dalam Bagian 11-D, adalah penting saat membuat kebisingan bahwa sistem memproduksinya menjadi kausal. Ini berarti bahwa bagian real dan imajiner dari transformasi Fourier dari proses (19) adalah pasangan Hilbert transform. Secara teori, adalah mungkin untuk menghasilkan suara dalam domain frekuensi dengan mempertimbangkan efek ini ketika membentuk kepadatan spektral acak. Namun, hal ini sangat sulit dalam prakteknya. Jika, sebaliknya, spektrum diskrit dibentuk hanya berdasarkan fungsi kontinu diasumsikan, mengabaikan distorsi

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

B. Batch Frequency Domain Simulation

menggambarkan algoritma rekursif yang lebih efisien untuk generasi real time yang dapat diterapkan pada waktu-invariant sistem linier. Perhatikan perbedaan antara batch, metode domain frekuensi dan yang langsung dijelaskan sebelumnya. Dalam referensi yang dikutip, spektrum acak dihasilkan dalam domain frekuensi secara langsung. Di sini, respon pulsa dan input white noise yang dihasilkan dalam domain waktu pertama. Transformasi ke domain frekuensi hanya digunakan untuk secara cepat menghitung konvolusi dengan menggantinya dengan perkalian, mengambil keuntungan dari algoritma FFT yang cepat.

Pertanyaan kedua yang ditanyakan di atas membahas bagaimana memilih hk yang tepat diberikan h(t), R(t,), atau S(), untuk memastikan bahwa R(k,m) sama dengan sampel dari R (t,). Secara umum tidak ada rumus yang pasti atau teknik untuk memilih hk. Dalam Bagian II, misalnya, ketika l / fa noise dipertimbangkan, H (z) ini menduga, sebuah computed hk, dan kemudian mereka terbukti memiliki sifat yang diinginkan. Akan lebih nyaman jika hk dapat dihitung dengan pengambilan sampel h(t) untuk proses yang ditinjau, sayangnya, ini hanya berlaku bila H(s) adalah fungsi rasional dari s. Hal ini dapat ditunjukkan berdasarkan diskretisasi pertengahan pertama pada persamaan (27) untuk menghasilkan:

C. Selecting hk

>

0. Sampling R (t, ) dipersamaan (27)

Secara umum, ini tidak dapat diselesaikan untuk hk untuk mengembangkan persamaan (39). Untuk sistem linear tertentu, namun, dengan fungsi transfer rasional (khususnya, mereka yang memiliki single pole dan no zero), memang benar bahwa h (t + ) = h(t) (). untuk kasus khusus ini,

Jadi, 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). Untuk sistem dengan fungsi transfer irasional atau beberapa kutub dan nol, respon pulsa diskrit harus ditemukan oleh beberapa metode lain (misalnya, bahwa bagian III-D di bawah). Pendekatan alternatif untuk banyaknya sistem rasional adalah untuk menemukan hk dengan identifikasi sistem, langsung [37],[83], [84]. Di sini, R(k,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). Hal ini untuk menghindari kebutuhan untuk mengasumsikan fungsi untuk R (t,) atau S() tetapi membutuhkan proses yang baik sesuai dengan model ARMA.

D. Rational Spectra and Linear, Stochastic Differential Equations


Seperti disebutkan di atas, ketika H(s) adalah fungsi rasional tertentu dari S, hk dapat ditemukan persis dengan sampling h(t). Namun, ada metode yang lebih mudah untuk menghasilkan noise dalam kasus ini. Untuk sistem linear dengan fungsi transfer rasional, output dapat ditulis sebagai solusi dari persamaan homogen berikut, diferensial linier stokastik dengan koefisien konstan:

Dimana (t) adalah vektor dari proses white noise dengan kerapatan spektral matriks Q, H(s) = C(sI - F)-1G, dan urutan n dari matriks F adalah sama dengan jumlah kutub dalam minimal realisasi H(s). (Ada buku yang sangat baik pada sistem linier yang membahas masalah ini dengan rinci jauh lebih detail .Lihat, untuk contohnya, [21], [13], [22], [23], [33], [62]). Perhatikan bahwa, sebagaimana disebutkan dalam

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

mana rasional,

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. Untuk kasus invarian waktu, dan

Untuk mengembangkan rumus rekursif sederhana untuk generasi noise, 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. (Lihat Lampiran I) Perhatikan bahwa ini adalah matriks equivalent dari model ARMA untuk proses itu. Persamaan matriks (53) dapat diubah menjadi ARMA time series menggunakan teori ztransform sederhana 1231, 1331, [51]. 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, persamaan time invarian diferensial) atau dengan linier, persamaan time varying diferensial dalam bentuk (47) .
E. 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. Karena white noise tidak terdefinisi dalam praktek (itu memiliki varians tak terbatas) tidak mungkin untuk mensimulasikan itu. Namun, 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:

Dimana b = 1/a. Hal ini dapat didiskritisasi, untuk Time step t , menggunakan (48) - (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. Autokorelasi dapat ditemukan dengan menggantikan respon pulsa untuk (56),

ke dalam (39). Hasilnya adalah ditemukan dengan menggunakan formula standar untuk finite sums:

Setelah mensubstitusikan Qd dari persamaan (57), ini menjadi

Persamaan (59) persis sama dengan sample dari continous autocorrelation untuk first order markov process seperti yang diberikan dalam persamaan (33). Dengan demikian proses diskrit memenuhi persyaratan mendasar dari Definisi 1 untuk simulasi yang akurat.

Hasil spectral density adalah:

Ini spektral density adalah jelas tidak sama dengan sampel spektral density tersebut yang untuk proses Markov kontinu diberikan dalam (34). Persamaan (61) memberikan contoh yang spesifikasi dari distorsi yang terjadi pada spektral density due to aliasing dan, dengan demikian, mengapa definisi simulasi specifies sebuah time domain matching dari fungsi autokorelasi. (61) adalah periodik tentang frekuensi Nyquist, r / At, dan sangat akurat mendekati continous spektral density hanya untuk frekuensi rendah dan small time steps (lihat Gambar. 1). Perhitungan pada Gambar. 1 dibuat untuk langkah waktu 0,1 s (10 Hz sampling). Perhatikan bahwa distorsi luar frekuensi Nyquist sekitar 30 rad sebenarnya lipatan frekuensi negatif. Akan dibahas lebih lanjut pada subjek aliasing pada bagian berikutnya.

Brownian motion dapat dimodelkan discretely dengan cara yang sama. Di sini, 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 Qt. ini adalah formula standart random walk [52]. Kita bisa mengambil z-transform dari (63) untuk menemukan fungsi transfer diskrit

Hal ini menghasilkan spektral density:

Sekali lagi, spektral density untuk sebuah random walk adalah periodik dan tidak mengambil sampel fungsi Brownian motion. Namun, untuk frekuensi rendah, ini kira-kira sama dengan:

Ini adalah bentuk yang diharapkan dari spektral density yang diberikan oleh persamaan (36).

F. Sensor Noise, Aliasing, and Prefiltering


Akhirnya, beberapa kata harus dikatakan tentang fenomena aliasing terlihat pada bagian terakhir. 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. Hal Ini signifikan dan penting ketika simulasi pemodelan sebuah sistem dinamis dengan masukan random dijelaskan oleh satu set dari persamaan diferensial stokastik (yaitu, sistem driven linier). Dalam hal ini, representasi akurat dari keadaan sistem pada setiap time step yang diinginkan termasuk aksi semua masukan selama interval. Ini tidak benar ketika model sensor noise. Seringkali, tujuannya untuk mensimulasikan sampling dari pengukuran proses acak dengan memberikan spektral density atau autokorelasi. Dalam hal ini, efek integrasi dari driving noise pada model yang dijelaskan dalam Bagian III adalah setara dengan aliasing proses sampel. Artinya, jika kita langsung mengambil sampel continuous autocorrelation function maka spektra densityl yang dihasilkan diskrit yang diberikan oleh [9], [23], [51], [52]:

dimana s adalah tingkat sampling dari 2/t. Discrete spectral density termasuk kontribusi dari semua spektrum shifted yang disebabkan oleh aliasing. Ini account secara tepat untuk distorsi dalam spektrum yang terlihat pada
Bagian III-E. Bahkan, perhitungan numerik (67) menggunakan continuous spectral density untuk first order Markov process tepatnya seperti mereproduksi (61). Biasanya, aliasing dihindari selama pengukuran oleh prefiltering pertama dengan high order low pass filter. Untuk benar mensimulasikan proses yang diinginkan termasuk pengambilan sampel, prefilter harus ditambahkan ke model sistem linier sebelum menerapkan metode bagian ini. Lakukan ini, misalnya, menghapus kenaikan spectral density dari persamaan(61) dekat dengan frekuensi Nyquist.

Kami sekarang dapat mensimulasikan proses "white noise" yang diukur. Jika proses yang diukur memiliki bandwidth frekuensi yang sangat tinggi dibandingkan dengan sample rate, maka

urutan sampel yang dihasilkan dapat juga didekati dengan proses uncorrelated IID. Jika kita mengasumsikan prefilter cutoff analog yang sangat tajam, maka varians dari kebisingan dapat dengan mudah dihitung. Untuk kesempurnaan rectangular filter (tanpa sebab dan tidak mungkin dalam praktek) dengan cutoff pada frekuensi Nyquist, fungsi autokorelasi adalah

Dengan demikian varians dari perkiraan proses white noise diberikan adalah memberikan dengan R (0) atau Qd = Q/t. Kita juga dapat menghitung varians untuk filter realisasi. Sebagai contoh, perintah MTH Butterworth filter yang memiliki spektral density:

dimana B adalah filter frekuensi cutoff, atau frekuensi Nyquist, dari 1/2t. Varians diskrit kemudian dapat dihitung melalui Teorema Parseval [9] dengan mengintegrasikan spektral density di persamaan (69) untuk menemukan:

Untuk high order filters (M besar), hal ini cukup diperkirakan dengan hasil yang sama seperti perfect low pass filter, Qd = Q/t.

IV . NUMERICAILNT EGRATION OF STOCHASTIC DIFFERENTIAL EQ UATIONS


A. Introduction
Hal itu disampaikan dalam Bagian II dan III bahwa sistem linier dijelaskan ada kasus khusus dari yang lebih umum , persamaan nonlinear Ito stochastic differential:

Pada bagian ini masalah dari simulasi solusi untuk persamaaan (71) ditujukan. Tidak seperti pada bagian sebelumnya, di mana simulasi tersebut dimaksudkan untuk menghasilkan urutan dengan sifat urutan kedua yang direproduksi yang digunakan pada proses pemodelan, di sini, (71) diasumsikan sebuah priori sebagai model dinamika sistem driven oleh noise. Tujuannya adalah untuk numerik "solve(mengatasi)" persamaan diferensial stokastik sebagai
simulasi dari sistem yang dimodelkan. Persamaan diferensial stokastik (71) umum terjadi di seluruh ilmu dan teknik, paling sering sebagai model dinamis dari sistem fisik driven oleh force

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

perlakuan yang nyaman dari white noise dengan fungsi delta dan sifat banyak berguna matematika dari persamaan It0. Selain itu, adalah interpretasi Ito yang biasanya digunakan dalam pengendalian dan dinamika bekerja menggunakan persamaan diferensial stokastik. Haruskah interpretasi Wong dan Zakai lebih tepat untuk masalah tertentu, persamaan Stratonovich dapat dikonversi ke Ito satu menggunakan istilah koreksi dijelaskan dalam [70] atau [74] atau sistem dapat ditambah seperti dijelaskan di atas. Hal ini di luar lingkup tulisan ini untuk menyelidiki seluk-beluk dan rincian matematis dari persamaan diferensial stokastik. Ada tubuh besar bekerja pada sifat dan solusi dari It0 (dan Stratonovich) persamaan diferensial formulir di (71). Pembaca diarahkan untuk [61], [70], [73], [74] untuk contoh perawatan tersebut. Sebaliknya, bagian ini memperluas atas metode generasi bagian sebelumnya untuk meneliti teknik untuk mensimulasikan persamaan stokastik diferensial nonlinier. Secara khusus, beberapa karya terbaru pada pendekatan solusi RK numerik diringkas. Sebuah diskusi rinci dan derivasi dari teknik ini adalah dalam [36].

Ada paket komersial yang tersedia untuk simulasi sistem dinamis yang dijelaskan oleh persamaan diferensial kontinyu. Banyak sekarang menggunakan antarmuka blok grafis, diagram untuk membangun simulasi. Paket-paket ini harus digunakan dengan hati-hati, bagaimanapun, pada sistem dengan masukan acak seperti yang di (71). Tak satu pun dari paket yang tersedia dengan benar menyumbang keacakan dalam metode solusi mereka. Ada dua kesulitan utama: 1) bagaimana mengevaluasi secara real time akurasi dari solusi dan, jika mungkin, melakukan langkah-ukuran kontrol dan 2) bagaimana memilih mean dan varians dari urutan input acak untuk memenuhi beberapa kriteria yang sesuai (lihat [58]). Untuk menghindari kesulitan-kesulitan ini, masalah ini sering disederhanakan dengan dua cara. Terkadang, sederhana, agar integrasi Euler pertama dilakukan, 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). Lebih sering, sebuah metode yang lebih tinggi digunakan tapi dengan hanya satu panggilan ke generator kebisingan masukan per langkah. Artinya, sementara mungkin ada evaluasi fungsi banyak untuk menghitung langkah integrasi tunggal (F (X,t) dan G (X, t) di atas), suara input hanya dihitung sekali pada awal langkah dan diberi nilai Euler , 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. Pendekatan kedua ini disebut sebagai metode "klasik" dalam [36]. Hal ini ditunjukkan sana yang, independen dari urutan metode integrasi, akurasi hilang dengan menggunakan pendekatan ini untuk noise masukan. Ada sebuah interpretasi alternatif pengganti dari (71) terutama disebabkan Wong [70]. Berbeda dengan deskripsi Ito di atas, istilah white noise mengemudi dianggap sebagai pendekatan dari sebuah band yang sangat luas tetapi proses halus. Dalam hal ini, persamaan diferensial dapat diselesaikan tepat untuk setiap jalur sampel dari proses halus menggunakan kalkulus klasik. Tidak seperti solusi di atas, yang adalah tempat di terdiferensialkan karena kebisingan putih, berikut jalan sampel yang dihasilkan halus. Pertanyaan yang jelas adalah apakah solusi untuk persamaan tersebut konvergen ke solusi dari It0 (71) sebagai pendekatan mengemudi low-pass white noise. Teorema Wong-Zakai menunjukkan bahwa proses tidak konvergen ke solusi dari persamaan

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

sampel kovarians matriks continuous, P (t), dalam kesalahan dari rutinitas integrasi. Artinya,

Bentuk linear yang paling umum dari persamaan diferensial stokastik diberikan oleh [74], [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). Ini adalah bentuk yang bekerja di kertas ini dan dalam [36]. Untuk persamaan diferensial stokastik linier, seperti yang diberikan oleh (47), matriks kovarians memecahkan persamaan diferensial matriks [14], [36], [61], [62]:

Meskipun tidak akan dipelajari dalam tulisan ini, ini mungkin untuk mengembangkan ekspresi yang lebih umum untuk kovarians menggunakan persamaan Fokker-Plank untuk sistem nonlinier dalam persamaan (71). Persamaan ini adalah [36], [61]:

Bagian berikutnya menyajikan algoritma untuk memecahkan RKpada persamaan (71) sedemikian rupa sehingga Definisi 2 terpuaskan

B. Runge-Kutta (RK) Solution Method


Metode The'RK adalah yang sederhana, dan mungkin yang paling umum digunakan, langkah integrasi numerik tunggal secara rutin untuk memecahkan persamaan diferensial. Ada banyak jenis yang berbeda RK rutinitas order yang tersedia. Algoritma RK integrasi yang umum diberikan adalah sebagai berikut: Jika z (t) adalah solusi dari persamaan diferensial,

maka z (t) disimulasikan pada waktu tk + l oleh set persamaan berikut:

di mana h adalah ukuran langkah. Persamaan-persamaan ini urutan n integrator RK. Para koefisien ai,
l

ci, dan

aji dipilih untuk memastikan xk yang mensimulasikan solusi x(t) untuk order h n +
. Artinya,

Koefisien dalam (78) ditemukan oleh Taylor memperluas kedua persamaan (77) dan (78) untuk urutan h "dan pencocokan koefisien.

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

Noise IID, wi, memiliki varians sama dengan qiQ / h, dimana Q adalah kerapatan spektral dari kebisingan masukan putih di (71). Para koefisien ai, aji, ci, dan qi ditemukan menggunakan teknik yang dijelaskan di atas. Rincian dapat ditemukan dalam [36]. Untuk solusi waktu yang bervariasi, yang itu ci diberikan oleh kondisi standar:

Koefisien yang tersisa disajikan pada Tabel 1 [36]. Gambar. 1 menunjukkan hasil dari menggunakan metode ini pada proses urutan Markov pertama kali dijelaskan oleh (55). Kovarians dari solusi ini diberikan oleh autokorelasi dalam (33) dievaluasi pada zero lag:

Gambar. 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, dan pendekatan RK dari contoh dijelaskan dalam [58]. Lebih banyak contoh dari teknik solusi RK dapat ditemukan dalam [36]. Sekali lagi, menduga bahwa ini set yang sama dari koefisien dapat digunakan untuk mensimulasikan persamaan nonlinier diferensial stokastik juga. Sejak derivasi itu dibuat mengabaikan bentuk bilinear, diyakini ekstensi ini hanya bekerja pada sistem nonlinier itu, ketika linierisasi bagi negara-negara kecil, tidak memiliki ketergantungan bilinear pada X (t). Ada contoh di [36] untuk menunjukkan kinerja pada sistem nonlinier dan penelitian saat ini sedang memeriksa contoh lebih lanjut.

You might also like