50446

Статистические модели сигналов в линейных системах

Лабораторная работа

Информатика, кибернетика и программирование

Пусть стационарный случайный процесс заданный своим математическим ожиданием 1 и ковариационной функцией 2 поступает на вход стационарной линейной системы с весовой функцией . Ковариационная функция сигнала на выходе системы описывается выражением ....

Русский

2014-01-23

5.07 MB

1 чел.

Лабораторная работа №6.

Статистические модели сигналов в линейных системах.

Цель работы.

 Исследование характеристик стационарных случайных процессов в линейных системах.

 Основные положения.

Пусть стационарный случайный процесс, заданный своим математическим ожиданием

,                                                (1)

и ковариационной функцией

,                                          (2)

поступает на вход стационарной линейной системы с весовой

функцией . Весовая функция является полной характеристикой, описывающей преобразование сигналов, осуществляемое непрерывной линейной системой.

Тогда получим сигнал на выходе

.                                            (3)

Из (3) следует, что математическое ожидание сигнала на выходе

 .                  (4)

При этом     принимаем , согласно (1), постоянным и выносим за знак интеграла.                                                       

Ковариационная функция сигнала на выходе системы описывается выражением

.           (5)

Формула (5) используется для случая установившегося режима, когда система асимптотически устойчива, т.е. .

Дисперсия сигнала на выходе системы определяется как значение ковариационной функции при :

,                                                 (6)

тогда из (5), сделав соответствующую подстановку,  получим

.                          (7)

Спектральная плотность сигнала на выходе системы

,                    (8)

где:  -- спектральная плотность сигнала на входе системы,

        --передаточная функция системы.

Таким образом, спектральная плотность сигнала на выходе асимптотически устойчивой стационарной линейной системы в установившемся режиме равна спектральной плотности сигнала на входе, умноженной на квадрат модуля частотной характеристики системы.

Применив обратное преобразование Фурье к обеим частям выражения (8) получим связь между ковариационной функцией и спектральной плотностью сигнала

.                   (9)

Тогда из (6) и (9) получим выражение, связывающее дисперсию и спектральную плотность сигнала

                                    (10)

Для расчета оценок мат. ожидания, дисперсии, ковариационной функции на ЭВМ удобнее использовать рекуррентные формулы, приведенные далее.

Рекуррентная формула для вычисления оценки мат. ожидания:

                                         (11)

где: --оценка мат. ожидания на i-том шаге,

      --i-тое измеренное значение сигнала,

       n—количество измерений.

Рекуррентная формула для вычисления оценки дисперсии:

                                      (12)

где: --оценка дисперсии на i-том шаге,

      --i-тое измеренное значение сигнала,

       n—количество измерений.

Формула для вычисления оценки ковариационной функции  (в установившемся режиме):

                     ,                                  (13)

где: --i-тое измеренное значение сигнала,

        n—количество измерений.

Формула (13) используется для нахождения ковариационной функции на основании экспериментально снятой кривой случайного процесса при наличии достаточно длительной записи.

Описание модели.

На вход формирующего фильтра поступает единичный белый шум. Формирующий фильтр представляет собой звено с такой частотной характеристикой, которое формирует случайный процесс с заданной спектральной плотностью (ковариационной функцией) из единичного белого шума.

Рис.1

Далее полученный сигнал   поступает на вход линейной системы. В данном случае линейная система представляет собой апериодическое или колебательное (два варианта) звено. На выходе линейной системы получаем случайный сигнал с соответствующей ковариационной функцией и спектральной плотностью чем на входе. Связь между ковариационной функцией на входе и выходе линейной системы можно получить по формуле (5), между спектральной плотностью на входе и выходе по формуле (8). Характеристики сигналов  на входе линейной системы, а также типы исследуемых линейных систем представлены ниже.

Характеристики сигналов  на входе линейной системы.

Сигнал  №1.

Ковариационная функция .

Спектральная плотность .

 

Сигнал  №2.

Ковариационная функция .

Спектральная плотность .

 Типы систем.

1.Апериодическое звено.

Передаточная функция

2.Колебательное звено.

Передаточная функция .

 Блок оценочных характеристик представляет собой программу на языке MATLAB составленную на основе формул (11),(12),(13). Программа строит  для заданных параметров ковариационной функции сигнала на входе и передаточной функции линейной системы:

1)на входе системы-- ковариационную функцию, спектральную плотность, оценки мат. ожидания, дисперсии;

2)на выходе системы-- оценки мат. ожидания, дисперсии, ковариационной функции, спектральной плотности.

Программа исследований.

  1.  Получить у преподавателя вариант задания.
  2.  Запустить MATLAB для WINDOWS.

В каталоге LAB6 запустить файл lab51.m.

  1.  В меню «ИСХОДНЫЕ ДАННЫЕ» выбрать заданный тип сигнала на входе.
  2.  В появившихся полях для ввода ввести заданные параметры ковариационной функции сигнала на входе.
  3.  В меню «ИСХОДНЫЕ ДАННЫЕ» выбрать заданный тип системы.
  4.  В появившихся полях для ввода ввести заданные параметры передаточной функции системы.
  5.  В меню «ВЫВОД ХАРАКТЕРИСТИК» выбрать подпункт «На входе системы».
  6.  Снять полученные результаты. При необходимости кнопкой «Увеличить» увеличить окно вывода графика.
  7.  В меню «ВЫВОД ХАРАКТЕРИСТИК» выбрать подпункт «На выходе системы».
  8.  Снять полученные результаты. При необходимости увеличить или уменьшить количество реализаций (соответствует масштабу по времени).
  9.  Изменив параметры ковариационной функции сигнала на входе и передаточной функции линейной системы повторить пункты 2—10.

Примечание. При увеличении количества реализаций до трехзначного числа и более программе требуется достаточно долгое время для расчета оценок характеристик на выходе системы.

 Содержание отчета.

  1.  Цель работы.
  2.   Теоретические сведения о проделанной работе.
  3.  Вариант задания.
  4.  Результаты исследований.
  5.  Выводы о проделанной работе.

 Литература.

  1.  Ю.М. Астапов, В.С. Медведев «Статистическая теория систем автоматического регулирования». Изд. «Наука». 1982.
  2.  А.А. Свешников «Прикладные методы теории случайных функций». Изд. «Наука». 1968.

 

А также другие работы, которые могут Вас заинтересовать

21687. Меры защиты от взаимных влияний 177 KB
  При скрещивании цепи токи влияния поступающие в нагрузки включенные на концах цепей с каждых двух соседних участков имеют противоположное направление и общее влияние между цепями уменьшается. При скрещивании обеих цепей в одном месте уменьшение влияния не будет так как K0 и Kl дважды изменяют свой знак. Однако полная компенсация токов влияния скрещиванием все таки невозможна так как токи влияния на ближний конец с отдельных участков отличаются по амплитуде и фазе. Взаимные влияния возникают в результате наличия между цепями...
21688. ПОСТРОЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 70 KB
  3 а также об объектах 4го порядка. Рассмотрим систему объектов 1го порядка связанную универсальным интерфейсом и рассмотрим её в виде полносвязного ориентированного графа. Вершины графа означают объекты 1го порядка рёбра объекты 2го порядка. Направление стрелки на ребре указывает от какого объекта 1го порядка к какому передаётся взаимодействие.
21689. НЕЙРОННЫЕ СЕТИ 394 KB
  НЕЙРОННЫЕ СЕТИ Нейронные сети начали активно распространяться 20 лет назад они позволяют решать сложные задачи обработки данных. Нейронные сети названы так потому что их архитектура в некоторой степени имитирует построение биологической нервной ткани из нейронов в мозге человека. Первый шаг был сделан в 1943 году с выходом статьи нейрофизиолога Уоррена Маккалоха и математика Уолтера Питтса про работу искусственных нейронов и представления модели нейронной сети на электрических схемах.htm Итак нейронные сети появились как результат...
21690. ТЕХНОЛОГИИ НЕЙРОННОГО УПРАВЛЕНИЯ 181 KB
  Он составляет основу для большинства схем нейронного управления. ТЕХНОЛОГИИ НЕЙРОННОГО УПРАВЛЕНИЯ Во многих реальных системах имеются нелинейные характеристики сложные для моделирования динамические элементы неконтролируемые шумы и помехи а также множество обратных связей и другие факторы затрудняющие реализацию стратегий управления. За последние два десятилетия новые стратегии управления в основном развивались на базе современной и классической теорий управления. Как современная в частности адаптивное и оптимальное управление так и...
21691. Расширение последовательной схемы нейронного управления 106 KB
  Простая процедура обучения для эмулятора выглядит так: {рис. 109} Целью обучения является минимизация ошибки предсказания . 109} Для ускорения сходимости процесса обучения можно использовать другую модель эмулятора: {рис.
21692. Нейронный контроллер 225 KB
  Сегодня мы посмотрим что внутри у нейроконтроллера а также займёмся повышением эффективности оперативного управления. Нейронный контроллер Предположим что объект управления описываемый уравнением является обратимым. Если выход близок к выходу при соответствующих входах то многослойная нейросеть может рассматриваться как контроллер в прямой цепи управления.
21693. Обучение контроллера: подход на основе прогнозируемой ошибки выхода 361.5 KB
  Шаг 1. read ; Шаг 2. {Обучение эмулятора} for := downto 0 do begin :=; ; end; Шаг 3. {Генерация управляющего входного сигнала} :=; или :=; :=; Шаг 4.
21694. ПАРАЛЛЕЛЬНАЯ СХЕМА УПРАВЛЕНИЯ 538.5 KB
  ПАРАЛЛЕЛЬНАЯ СХЕМА УПРАВЛЕНИЯ В параллельной архитектуре нейронного управления нейронная сеть используется наравне с обычным ПИДрегулятором. Настройка выполняется таким образом чтобы выходной сигнал объекта управления как можно точнее соответствовал заданному опорному сигналу . Из этих примеров следует что даже если удастся разработать хорошую общую стратегию управления может возникнуть необходимость в её настройке с целью получения лучших практических результатов.
21695. ПРИЛОЖЕНИЯ НЕЙРОННОГО УПРАВЛЕНИЯ 453.5 KB
  Далее мы будем изучать примеры практического применения некоторых методов нейроуправления и не только нейроуправления для реальных систем. ПРИЛОЖЕНИЯ НЕЙРОННОГО УПРАВЛЕНИЯ В качестве реальной системы будем рассматривать систему управления температурой водяной ванны инвертированный маятник систему управления генератором в электрическом транспортном средстве и печь как многомерный объект управления со многими входами и выходами. Система управления температурой водяной ванны Система управления представляет собой регулятор температуры для...