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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.