Генерирование коррелированных случайных процессов в среде LabVIEW

Введение

LabVIEW (Laboratory Virtual Instrument Engineering Workbench) позволяет разрабатывать прикладное программное обеспечение для организации взаимодействия с измерительной и управляющей аппаратурой, сбора, обработки и отображения информации и результатов расчетов, а также моделирования как отдельных объектов, так и автоматизированных систем в целом. Разработчиком LabVIEW является американская компания National Instruments.

В отличие от текстовых языков, таких как C, Pascal и др., где программы составляются в виде строк текста, в LabVIEW программы создаются в виде графических диаграмм, подобных обычным блок-схемам. Иногда можно создать приложение, вообще не прикасаясь к клавиатуре компьютера.

LabVIEW является открытой системой программирования и имеет встроенную поддержку всех применяемых в настоящее время программных интерфейсов, таких как Win32 DLL, COM.NET, DDE, сетевых протоколов на базе IP, DataSocket и др. В состав LabVIEW входят библиотеки управления различными аппаратными средствами и интерфейсами, такими как PCI, CompactPCI/PXI, VME, VXI, GPIB (КОП), PLC, VISA, системами технического зрения и др. Программные продукты, созданные с использованием LabVIEW, могут быть дополнены фрагментами, азработанными на традиционных языках программирования, например C/С++, Pascal, Basic, FORTRAN. И наоборот можно использовать модули, разработанные в LabVIEW в проектах, создаваемых в других системах программирования. Таким образом, LabVIEW позволяет разрабатывать практически любые приложения, взаимодействующие с любыми видами аппаратных средств, поддерживаемых операционной системой компьютера.

1. Генерирование коррелированных случайных процессов

N-мерная плотность распределения вероятности w_N(x₁, x₂, …x_N) связывает каждый отсчет случайной последовательности со всеми остальными отсчетами. Такое описание очень сложно и на практике используются более простые модели случайного процесса с зависимыми отсчетами. Наиболее известны две: марковская модель и спектрально-корреляционная модель. В марковской модели каждый отсчет случайного процесса зависит только от одного предыдущего (марковский процесс первого порядка). Для него N-мерная плотность распределения вероятности

w_N(x₁, x₂, … x_N) = w(x₁)w(x₂/x₁) w(x₃/,x₂)*…* w(x_N/ x_{N - 1}) = w(x₁)∏w(x_i/x_{i – 1}).

Марковский процесс не является чисто теоретическим допущением, таким будет процесс на выходе интегрирующей цепи при подаче на ее вход белого шума.

Спектрально-корреляционная модель оперирует с двумерной плотностью распределения вероятности w(x₁, x₂), связывающей отсчеты случайного процесса, взятые в разные моменты времени x₁ = x(t₁) и x₂ = x(t₂). Если изменять t₁ и t₂, то можно исследовать попарную связь всех отсчетов между собой и, в принципе, последовательно определить все связи, описываемые N-мерным законом распределения. В спектрально-корреляционной модели для описания этой связи используется корреляционный (второй смешанный центральный) момент:

Стационарные случайные процессы характеризуются неизменностью характеристик во времени, и для таких процессов корреляционный момент не зависит от выбора начального момента времени t₁, а определяется только величиной интервала τ = t₂ – t₁.

Зависимость корреляционного момента от временного интервала τ между отсчетами называется корреляционной функцией R(τ) случайного процесса. При τ = 0 значение корреляционной функции максимально и равно дисперсии случайного процесса σ². С увеличением |τ| корреляционная функция уменьшается до нуля монотонно или по колебательному закону. При моделировании всегда используется реализация случайного процесса конечной длины и в измеренной корреляционной функции появляются нескомпенсированные остатки. Уровень этих остатков тем меньше, чем больше длина реализации. На рис. 1 показаны корреляционные функции для случайной последовательности с треугольной функцией корреляции для количества отсчетов последовательности, равным 100 (рис. 1, а) и 10000 (рис. 1.б).

а)	б)

Рис. 1

Случайный процесс называется некоррелированным, если корреляционная функция равна нулю для любого τ, отличного от нуля. Для некоррелированного процесса R(τ) = σ²δ_к(τ), где δ_к(τ) – символ Кронекера: он равен 1 при τ = 0 и нулю при всех других τ. Вообще говоря, некоррелированность не означает независимости. Это можно пояснить следующим примером.

Рис. 2

Пусть случайная величина Y = 4X₁² + X₂, где X₁ и X₂ – независимые случайные величины, равномерно распределенные в интервале (– 1/2, 1/2). Ясно, что Y связана с X₁ статистической зависимостью (см. рис. 2). Однако корреляционный момент

так как каждый из интегралов является интегралом от нечетной функции в симметричных пределах.

Рассмотренная статистическая связь является нелинейной и никак не отражается в корреляционной функции. Корреляционная функция характеризует только линейную статистическую зависимость между отсчетами случайного процесса.

Для измерения корреляционной функции в LabVIEW существует несколько виртуальных приборов. В данной работе используется экспресс-ВП Convolution and Correlation (Свертка и корреляция) (рис. 3 а), так как он представляет собой завершенную программу, не требует никаких дополнительных узлов управления и удобен в использовании. Панель конфигурирования экспресс-ВП Convolution and Correlation показана на рис. 3, б).

Рис. 3

Корреляционная функция связана с энергетическим спектром случайного процесса преобразованием Винера-Хинчина, которое по форме совпадает с двусторонним преобразованием Фурье. Энергетический спектр случайной последовательности, содержащей N отсчетов, рассчитывается как двустороннее дискретное преобразование Фурье (ДПФ) от дискретной корреляционной функции R(n):

где f_k = k/N*Δt – частота спектральной составляющей, Δt – временной интервал между соседними отсчетами случайного процесса, или интервал дискретизации.

Из приведенного выражения следует, что энергетический спектр случайной последовательности является дискретным и периодическим (рис. 4). Он содержит гармоники частоты f₁ = 1/N*Δt. Это самая низкая частота спектра, так как за время, равное длительности случайной последовательности N*Δt, укладывается только один период колебания этой частоты.

Рис. 4

Рис. 4

Период спектра равен частоте дискретизации f_д = 1/ Δt. Как видим, для определения спектра на любой частоте достаточно знания спектра в диапазоне частот от 0 до половины частоты дискретизации. Поэтому максимальная частота спектра, отображаемого на экране виртуального прибора равна f_д/2.

LabVIEW располагает разнообразными ВП для спектрального анализа (более 20 типов). Воспользуемся экспресс-ВП Spectral Measurements (Рис. 5), в котором предусмотрена возможность усреднения (Averaging) и оконной обработки (Window) для уменьшения краевых эффектов.

а) б)

Рис. 5