P. 1
PAPER Bab 3 Dan 4

PAPER Bab 3 Dan 4

|Views: 57|Likes:
Published by hadisaputra08

More info:

Published by: hadisaputra08 on Apr 07, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

04/07/2012

pdf

text

original

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

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

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

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

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

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

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. Persamaan matriks (53) dapat diubah menjadi ARMA time series menggunakan teori ztransform sederhana 1231. persamaan time varying diferensial dalam bentuk (47) . Karena white noise tidak terdefinisi dalam praktek (itu memiliki varians tak terbatas) tidak mungkin untuk mensimulasikan itu. bagian selanjutnya akan membahas penggunaan aproksimasi untuk simulasi pengukuran noise tidak berkorelasi. [51]. E. Contoh Simulasi Sekarang saya kembali ke tiga proses sampel dan menunjukkan bagaimana metode dari subbagian sebelumnya dapat digunakan untuk mensimulasikan dua dari mereka: proses Markov dan Brownian motion. Urutan proses Markov pertama diberikan dalam (32) dapat diwakili oleh persamaan diferensial stokastik: . 1331. kita memecahkan (47) selama interval.Untuk mengembangkan rumus rekursif sederhana untuk generasi noise. (Lihat Lampiran I) Perhatikan bahwa ini adalah matriks equivalent dari model ARMA untuk proses itu. Persamaan (51) atau (53) dapat digunakan untuk pembangkit suara yang sangat cepat dan efisien untuk mensimulasikan suara yang diberikan oleh fungsi transfer rasional (dan dengan linier ini. Namun. persamaan time invarian diferensial) atau dengan linier.

Hal ini dapat didiskritisasi.(54) ke persamaan difference sebagai berikut: Dimana adalah sebuah IID proses dengan variance: Persamaan difference ini kemudian sangat mudah disimulasi pada komputer menggunakan sejumlah pembangkit pseudorandom standar dan algoritma distribusi normal. Kami juga dapat memeriksa autokorelasi diskrit dan kepadatan spektral dari proses diskrit. Hasilnya adalah ditemukan dengan menggunakan formula standar untuk finite sums: . untuk Time step ∆t . Autokorelasi dapat ditemukan dengan menggantikan respon pulsa untuk (56). ke dalam (39). menggunakan (48) .Dimana b = 1/a.

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

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

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

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->