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

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

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

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

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

dalam hal ini linier. sistem ini dapat diselesaikan tepat. [33]. Referensi [52] dan [74] membahas secara rinci beberapa sifat dari fungsi autokorelasi dan kepadatan autospectral solusi untuk sistem di (47). Untuk kasus invarian waktu. 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. Solusi untuk (47) dapat ditemukan dalam banyak teks pada sistem linier [13]. persamaan di bawah ini menunjukkan bagaimana memecahkan (47) pada titik-titik 2 (tk). dan . Persamaan di bawah ini menunjukkan bagaimana untuk menghasilkan urutan dengan autokorelasi persis sampling satu kontinu. Perhatikan bahwa sementara ini derivasi dapat dilakukan dengan cara yang sangat ketat menggunakan definisi integral Ito (lihat. memuaskan Definisi 1. persamaan(47) adalah kasus khusus dari persamaan diferensial nonlinear It0 stokastik yang akan dibahas secara rinci sedikit lebih dalam Bagian IV. di sini mereka akan diselesaikan dengan menggunakan pendekatan sistem yang lebih standar dan deskripsi fungsi delta white noise. untuk linier. [74]). Namun. misalnya. 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. Sebaliknya. [62]. dengan bukti dalam [52]. Solusi ini diberikan oleh mana rasional. Pembahasan lebih lanjut tentang metode RK ditangguhkan sampai Bagian IV. adalah matriks transisi negara dan setara.bagian II-B. Hal ini juga membuktikan bahwa sampel X k dari proses x (t) dijamin memiliki sebuah autokorelasi bahwa sampel R (T). analisis ini tidak akan direproduksi di sini. Untuk singkatnya. Referensi [36] memiliki derivasi metode integrasi jenis RK untuk simulasi sistem yang dijelaskan oleh persamaan(47).

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

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

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

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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

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