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

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

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

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

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

[62]. Sebaliknya. Referensi [36] memiliki derivasi metode integrasi jenis RK untuk simulasi sistem yang dijelaskan oleh persamaan(47). Hal ini juga membuktikan bahwa sampel X k dari proses x (t) dijamin memiliki sebuah autokorelasi bahwa sampel R (T). [74]). Pembahasan lebih lanjut tentang metode RK ditangguhkan sampai Bagian IV.bagian II-B. Untuk singkatnya. 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. 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. 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. misalnya. dengan bukti dalam [52]. untuk linier. dan . adalah matriks transisi negara dan setara. [33]. persamaan di bawah ini menunjukkan bagaimana memecahkan (47) pada titik-titik 2 (tk). memuaskan Definisi 1. Referensi [52] dan [74] membahas secara rinci beberapa sifat dari fungsi autokorelasi dan kepadatan autospectral solusi untuk sistem di (47). Untuk kasus invarian waktu. Solusi ini diberikan oleh mana rasional. Solusi untuk (47) dapat ditemukan dalam banyak teks pada sistem linier [13]. Namun. dalam hal ini linier. analisis ini tidak akan direproduksi di sini. 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. sistem ini dapat diselesaikan tepat.

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

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

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

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

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

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

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

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

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

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

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

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

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.