Стационарные случайные процессы обладают замечательным свойством, которое известно под названием эргодической гипотезы

2. Стационарные случайные процессы обладают замечательным свойством, которое известно под названием эргодической гипотезы.

Для стационарного случайного процесса с вероятностью, равной единице (т. е. практически достоверно.

В самом деле, поскольку вероятностные характеристики стационарного случайного процесса течением времени не меняются,то длительное наблюдение случайного процесса на одном объекте (среднее по времени) дает в среднем такую же картину, как и большое число наблюдений, сделанное в один и тот же момент времени на большом числе одинаковых объектов (среднее по множеству).

Для многих случаев существует математическое доказательство этого свойства. Тогда оно сводится к эргодической теореме.

Итак, среднее значение (математическое ожидание) для стационарного процесса будет

Аналогичным образом могут быть записаны моменты более высоких порядков — дисперсия, среднеквадратичное отклонение и т. п.

Эргодическая гипотеза позволяет сильно упрощать все расчеты и эксперименты. Она позволяет для определения х. D, s :, вместо параллельного испытания многих однотипных систем в один и тот же момент времени, пользоваться одной кривой х{t), полученной при испытании одной системы в течение длительного времени.

Таким образом, важное свойство стационарного случайного процесса состоит в том, что отдельная его реализация на бесконечном промежутке времени полностью определяет собой весь случайный процесс со всеми бесчисленными возможными его реализациями. Этим свойством не обладает никакой другой тип случайного процесса.

Корреляционная функция

Начальный корреляционный, момент двух значений случайной функции х (t) и х (t1), взятых в моменты времент t и t1, носит название корреляционной (автокорреляционной) функции. Она может быть найдена из выражения.

где w2 (x,t,x1, t1) — двумерная плотность вероятности.

Иногда под корреляционной функцией понимают центральный корреляционный момент x (t) и x (t1), т.е.

В этом случае корреляционная функция может быть представлена в виде суммы

Корреляционная функция является весьма универсальной характеристикой для случайного процесса. Она определяет зависимость случайной величины в последующий момент времени x(t1) от предшествующего значения х (t) в момент времени t. Это есть мера связи между ними.

Рассмотрим основные свойства корреляционных функций.

1. Из определения корреляционной функции следует свойство симметрии:

2. При t1=t корреляционная функция дает средний квадрат случайной величины, a R0(t,t1)—дисперсию:

3. Можно показать, что прибавление к случайным величинам произвольных неслучайных величин не меняет их корреляционных моментов и дисперсии. Поэтому корреляционная функция R0 (t,t1) не изменится, если к случайной функции добавить произвольную неслучайную функцию. Это свойство не относится к функции R (t, t1), так как добавление неслучайных величин к случайным изменяет начальные моменты. В этом случае корреляционная функция будет равна сумме корреляционных функций случайной и неслучайной функций.

Иногда в рассмотрение вводится нормированная корреляционная функция

Аналогично корреляционной функции можно ввести понятие взаимной корреляционной функции для двух случайных величин х (t) и у (t):

В случае тождественного равенства нулю взаимной корреляционной функции случайные функции х (t) и у (t) называют некоррелированными.

.Если взаимная корреляционная функция отлична от нуля, то х {t) и у {t) носят название коррелированных случайных функций.

В случае стационарности процесса корреляционные функции R (t, ti) и R0 (t, ti) не будут зависеть от текущего значения времени t и будут определяться только временным сдвигом t = t1—t.

Спектральная плотность стационарных процессов

Рассмотрим так называемую энергетическую форму интеграла Фурье. Если рассматривается некоторая случайная функция времени х {t), то для нее эти формулы могут быть записаны в виде

Возьмем квадрат модуля изображения Фурье [ F (iw)) ]2 и проинтегрируем по всем частотам от—оо до -оо с делением результата на 2n:

В последнем выражении квадрат модуля заменен произведением сопряженных комплексов F (iw) и F (—iw). Изображение Фурье F (iw) заменим выражением

Величина, находящаяся в квадратных скобках, как нетрудно видеть, является исходной функцией времени. Поэтому в результате получается так называемая формула Релея (теорема Парсеваля), которая и соответствует энергетической форме интеграла Фурье:

Подставляя w = 2nf, получим

Правая часть представляет собой величину, пропорциональную энергии рассматриваемого процесса. Так, например, если рассматривается ток, протекающий по некоторому сопротивлению R, то энергия, выделившаяся в этом сопротивлении за время t, будет

Из (11.58) и (11.59) вытекает, что для нахождения энергии рассматриваемого процесса за бесконечный интервал наблюдения с равным основанием можно интегрировать квадрат функции времени по всему времени от —оо до +oo или интегрировать квадрат модуля изображения Фурье по всем частотам от—оо до +оо.

Однако эти формулы неудобны тем, что для большинства процессов энергия за бесконечный интервал времени стремится также к бесконечности. Поэтому удобнее иметь дело не с энергией, а со средней мощностью процесса, которая будет получена, если энергию поделить на интервал наблюдения. Тогда формулу можно представить в виде

Правая часть представляет собой средний квадрат рассматриваемой величины х {t). Вводя обозначение

можно переписать формулув виде

иле в виде

Величина S (w) или S (2лf) носит название спектральной плотности. Важным свойством спектральной плотности является то, что интегрирование ее по всем частотам от —оо до + оо дает средний квадрат исходной функции времени х (t).

По своему физическому смыслу спектральная плотность есть величина, которая пропорциональна средней мощности процесса в интервале частот от w до w+ dw.

В некоторых случаях спектральную плотность рассматривают только для положительных частот, удваивая ее при этом, что можно сделать, так как спектральная плотность является четной функцией частоты. Тогда, например, формула должна быть записана в виде

где S0 (w) = 2S(w) — спектральная плотность для положительных частот. Однако в дальнейшем изложении будет рассматриваться спектральная плотность, соответствующая всему диапазону частот от —оо до +-оо, так как при этом формулы получают более симметричный характер.

Как видно из этого рассмотрения, связь между видом спектральной плотности и видом функции времени получается обратной по сравнению со связью между корреляционной функцией и самим процессом Отсюда вытекает, что более “широкому” графику спектральной плотности должен соответствовать более “узкий” график корреляционной функции и наоборот.

Вычисление спектральной плотности неудобно делать по соотношению, так как это связано с трудностью предельного перехода. Обычно

спектральная плотность вычисляется по известной кореляционной функции при помощи формул

Расчеты по минимуму среднеквадратичной ошибки

Если на автоматическую систему действуют одновременно полезный сигнал и помеха, то возникает задача оптимального расчета системы с тем, чтобы получить наименьшую результирующую ошибку. С точки зрения наилучшего воспроизведения полезного сигнала система должна иметь возможно большую полосу пропускания, а с точки зрения наилучшего подавления помехи система, наоборот, должна иметь возможно меньшую полосу пропускания. Критерием получения оптимального решения здесь будет минимальное значение результирующей ошибки системы, определяемой полезным сигналом и помехой.

Для случайных величин наиболее просто определить среднеквадратичную ошибку, поэтому ее и используют для оценки точности автоматической системы.

Рассмотрим расчет системы по критерию минимума среднеквадратичной ошибки при одновременном действии полезного сигнала и помехи.

Согласно этому критерию, нежелательность ошибки пропорциональна квадрату ее величены. Такая постановка является часто логичной, но она не может, конечно, претендовать на полную универсальность. В некоторых случаях например при стрельбе по какой-либо цели, все ошибки, большие некоторого значения, являются одинаково нежелательными. Однако средний квадрат ошибки системы регулирования

практически во всех случаях является наиболее просто вычисляемой величиной, что и определило использование этого критерия.

Возможны несколько формулировок задачи. Наиболее просто задача может быть сформулирована так. Если имеется 'какая-то система автоматического регулирования заданной структуры, то необходимо так выбрать параметры этой системы, чтобы .получить минимум среднеквадратичной ошибки при заданных статистических характеристиках полезного сигнала и помехи.

Эта задача решается следующим образом. По спектральной плотности ошибки путем ее интегрирования находится дисперсия. Дисперсия получается зависящей от вероятностных характеристик полезного сигнала, помехи и параметров системы. Затем ищутся условия, которые должны быть

наложены на параметры системы, чтобы получить минимум дисперсии. При достаточно простом выражении для дисперсии это может быть определено непосредственным дифференцированием и приравниванием нулю частных производных.

В более сложных случаях приходится искать минимум дисперсии путем числового задания интересующих параметров и построения соответствующих графиков, а также расчетом на ЭВМ.

Нахождение оптимальной передаточной функции еще не означает, что реальная автоматическая система может быть выполнена оптимальной, так как реализация ее может Ныть сопряжена с большими трудностями. Оптимальную передаточную функцию, за исключением простейших случаев, следует считать идеальной функцией, к которой по возможности надо стремиться при выполнении реальной автоматической системы,

Литература А. А. Воронов. Основы теории автоматического регулирования и управления В. А. Бесекерский, Е. П. Попов Теория систем автоматического регулирования Я. З. Цыпкин. Основы теории автоматических систем А. А. Воронов. Основы теории автоматического регулирования и управлени