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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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.