Professional Documents
Culture Documents
∞ ∞ ∞
∞ ∞ ∞
Primer 1. Korišćenjem izvora belog šuma, generisati odbirke slučajnog
procesa sa diskretnim vremenom X(n) čija je autokorelaciona funkcija
= ∑ ∑∑ h ( m ) h ( j ) Ψ ( k + m − j ) z
k =−∞ m = 0 j = 0
E
−k
=
data sa ∞ ∞ ∞
= ∑ ∑∑ h ( m ) z h ( j ) z
k =−∞ m = 0 j = 0
m −j
ΨE (k + m − j) z
−( k + m − j )
=
Ψ X ( k ) = δ ( k ) + 0.4 δ ( k + 1) + 0.4 δ ( k − 1) . ∞ ∞ ∞
= ∑ h ( m ) z m ⋅ ∑ h ( j ) z − j ⋅ ∑ Ψ E ( l ) z −l =
Rešenje. Slučajan proces date sgs, odnosno autokorelacione funkcije, m =0 j =0 l =−∞
a spektri snage ulaznog i izlaznog procesa povezani su sledećom S X ( z ) = ZII Ψ X ( k ) = 1 + 0.4 z + 0.4 z −1 ,
relacijom:
S E ( z ) = ZII Ψ E ( k ) = 1 ,
∞
S X ( z ) = ZII Ψ X ( k ) = ∑ Ψ (k ) z
k =−∞
X
−k
=
a potrebno je odrediti odgovarajuću funkciju prenosa H(z). Iz izvedene
∞ teoreme o spektralnoj faktorizaciji sledi da je
= ∑ E x ( n ) x ( k + n ) z −k
=
k =−∞
SX ( z )
∞
∞ ∞ ( )
H z −1 H ( z ) = = 1 + 0.4 z + 0.4 z −1 .
= ∑ E ∑ h ( m ) e ( n − m ) ⋅ ∑ h ( j ) e ( k + n − j ) z −k = SE ( z )
k =−∞ m=0 j =0
Prethodni izraz je korisno transformisati tako da se direktno uoče nule i
polovi funkcija prenosa H(z) i H(z−1). Pri tome treba uočiti da, ako je p
Stohastički sistemi i estimacija 2
pol a n nula funkcije H(z), onda su p−1 i n−1 pol i nula funkcije H(z−1). ∞ 0 ∞
( )
H z −1 H ( z ) =
0.4 2
( )
z + 2.5 z + 1 =
= ∑a
n =−∞
−n −n
z + ∑ an z −n − R (0) =
n =0
z
∞ ∞
= ∑ ( az ) + ∑ az −1
n
=
0.4
( z + 2 )( z + 0.5) =
m
( ) − R (0) .
z m =0 n=0
( )
= 0.8 (1 + 0.5 z ) 1 + 0.5 z −1 .
Prva suma u poslednjem izrazu sa desne strane jednakosti konvergira za
|z|<1/a, a druga za |z|>a. Drugim rečima, kompleksni lik antikauzalne
Funkciji H(z) treba pridružiti nule i polove unutar jediničnog kruga, sekvence (one čiji su odbirci različiti od nule samo u negativnim
kako bi sistem bio stabilan i minimalne faze, tako da konačno dobijamo: trenutcima odabiranja) ima polove izvan jediničnog kruga, dok kauzalne
sekvence imaju polove unutar jediničnog kruga. Otuda i motiv za
(
H ( z ) = 0.8 1 + 0.5 z −1 . ○ ) razbijanje definicione sume bilateralne Z-transformacije autokorelacije
na kauzalni i antikauzalni deo – kompleksni lik kauzalnog dela odgovara
Primer 2. Generisati slučajnu sekvencu sa autokorelacionom funkcijom funkciji prenosa H(z), a antikauzalnog dela funkciji prenosa H(z−1). Izraz
koji se dobija je već faktorisan:
R ( nT ) = a
nT
,
1 1 1 − a2
S (z) = + − 1 = ,
gde je 0 < a < 1 i T = 1.
1 − az 1 − az −1 (1 − az ) 1 − az −1 ( )
Rešenje. Problem se svodi na pronalaženje odgovarajuće funkcije tako da se odmah mogu uočiti polinomi u brojiocu i imeniocu funkcija
prenosa H(z), koja će, kada joj se na ulaz dovede sekvenca belog šuma, prenosa H(z) i H(z−1):
na izlazu dati proces sa datom autokorelacionom funkcijom. Imamo da
je spektralna gustina snage procesa koji treba generisati data sa 1 1
H ( z) =
1 − az −1
, H z −1 =( ) 1 − az
, σ e2 = 1 − a2 ,
S ( z ) = σ e 2 H ( z ) H ( z −1 ) .
Y (z) 1
=S −
( z ) + S ( z ) − R (0) .
+
H (z) = = .
E ( z ) 1 − az −1
S−(z) ima polove van, a S+(z) unutar jediničnog kruga, a pri tome je i
S−(z) = S+(z−1), tako da funkciji prenosa H(z) treba dodeliti polove
Odgovarajuća diferencna jednačina data je sa
funkcije S+(z).
y ( k ) = ay ( k − 1) + e ( k ) . ○ Sistem na koji deluju slučajni poremećaji i šum merenja može se
predstaviti i modelom u prostoru stanja, preko sledećih relacija:
U opštem slučaju, slučajan proces na izlazu digitalnog sistema
pobuñenog determinističkom sekvencom u(k) i stohastičkom sekvencom x ( k + 1) = Ax ( k ) + Gw ( k ) ,
e(k) opisan je relacijom
y ( k ) = Cx ( k ) + v ( k ) ,
ny nu ne
y ( k ) = ∑ ai ⋅ y ( k − i ) + ∑ bi ⋅ u ( k − i ) + ∑ ci ⋅ e ( k − i ) , gde su x(k) i y(k) vektori stanja i merenja (izlaza), w(k) opisuje
i =1 i =0 i=0 spoljašnje poremećaje a v(k) je šum merenja. Ovde se implicitno
pretpostavlja da je slučajni proces koji opisuje stanja sistema Markovski,
koja predstavlja takozvani ARMAX model: AR (Auto Regressive), jer tj. da se njegova buduća vrednost u potpunosti može odrediti samo na
izlaz zavisi od njegovih vrednosti u prethodnim trenutcima odabiranja, osnovu sadašnje. Vektor stanja u početnom trenutku x(0) je stohastička
MA (Moving Average), jer izlaz u sadašnjem trenutku odabiranja zavisi veličina, sa očekivanjem m0 = E[x(0)] i varijansom Px(0) = var[x(0)].
od linearne kombinacije vrednosti odbiraka stohastičkog ulaza u Tipično se pretpostavlja da šum merenja ima Gaussovu raspodelu sa
prethodnih ne trenutaka, i X (eXogenous input), jer na sistem deluje nultim očekivanjem i kovarijacionom matricom R = E[v(k)vT(k)], kao i
spoljašnja deterministička pobuda. ○ da je beo, tj. da greška merenja u trenutku k ne zavisi od njenih
prethodnih vrednosti. Za poremećaj w(k) takoñe se uzima da je beo, sa
Prilikom nalaženja spektra slučajne sekvence, često je korisno koristiti nultom srednjom vrednošću i kovarijacionom matricom
postupak opisan u prethodnom zadatku, jer je dobijeni kompleksni Q = E[w(k)wT(k)]. Razumno je pretpostaviti da je šum merenja
polinom već faktorisan, pa se lako mogu uočiti nule i polovi funkcije nezavisan od početnog stanja, jer je uzrok šuma merenja najčešće u
prenosa H(z): elektronskim sklopovima i senzorima koji nisu deo dinamike samog
procesa. Takoñe, uzima se da je poremećaj w(k) nekorelisan sa početnim
vektorom stanja. Kako je x(k) odreñeno sa x(0) i w(k−1), w(k−2), ..., a
Stohastički sistemi i estimacija 4
w(k) nije korelisano ni sa jednom od ovih veličina, imamo da su x(k) i odakle se može izvesti oblik za autokovarijacionu funkcija vektora
w(k) takoñe nekorelisani. Osim toga, logično je pretpostaviti da šum stanja:
merenja nije korelisan sa poremećajima koji deluju na sistem, tj. da je
E[w(k)vT(k)] = 0. Vremenska zavisnost srednje vrednosti vektora stanja Rx ( n + k , k ) = E xɶ ( k + n ) xɶ T ( k ) =
je opisana sa
n
= E An xɶ ( k ) xɶ T ( k ) + ∑ Ai −1Gw ( k + n − i ) xɶ T ( k ) =
mx ( k + 1) = E x ( k + 1) = E Ax ( k ) + Gw ( k ) = Amx ( k ) . i =1
= A Px ( k ) .
n
Px ( k + 1) = E xɶ ( k + 1) xɶ T ( k + 1) =
Očekivanje vektora merenja je
( )
= E ( Axɶ ( k ) − Gw ( k ) ) xɶ T ( k ) AT − wT ( k ) G T =
= APx ( k ) AT + GQG T . m y ( k ) = E Cx ( k ) + v ( k ) = Cmx ( k ) ,
Vektor stanja u trenutku k + n može se izraziti preko stanja u trenutku k: njegova kovarijaciona funkcija data je sa
x ( k + n ) = Ax ( k + n − 1) + Gw ( k + n − 1) = Ry ( n + k , k ) = E yɶ ( k + n ) yɶ T ( k ) =
= A Ax ( k + n − 2 ) + Gw ( k + n − 2 ) + Gw ( k + n − 1) = ( )
= E ( Cxɶ ( k + n ) + v ( k + n ) ) xɶ T ( k ) C T + v T ( k ) =
= A2 x ( k + n − 2 ) + AGw ( k + n − 2 ) + Gw ( k + n − 1) = CRx ( k + n, k ) C T , n≠0,
n =
= ⋯ = An x ( k ) + ∑ Ai −1Gw ( k + n − i ) , CRx ( k + n, k ) C + R, n = 0 .
T
i =1
Ryx ( k + n, k ) = E yɶ ( k + n ) xɶ T ( k ) = z ( z − 0.5 ) z
Mx ( z) = mx ( 0 ) + mx (1) +
= E ( Cxɶ ( k + n ) + v ( k + n ) ) xɶ T ( k ) =
( z − 0.2 )( z − 0.3) ( z − 0.2 )( z − 0.3)
1
= CRx ( k + n, k ) . + Me ( z) .
( z − 0.2 )( z − 0.3)
Primer 3. Stohastički proces x(k) dat je diferencnom jednačinom
Kako je
x ( k + 2 ) − 0.5 x ( k + 1) + 0.06 x ( k ) = e ( k ) . z
M e ( z ) = Z me ( k ) = ,
z +1
Ako su očekivanje i autokorelacija slučajnog procesa e(k) dati sa
dobijamo da je, za k > 0,
k
E e ( k ) = ( −1) , i
Re ( k ) = δ ( k ) + 0.2δ ( k − 1) + 0.2δ ( k + 1) , mx ( k ) = Z−1 M x ( z ) =
( )
= 3 ⋅ 0.2k − 2 ⋅ 0.3k mx ( 0 ) +
odrediti E[x(k)], Rx(n1,n2) i Rex(n1,n2).
(
+ 10 ⋅ 0.3k − 10 ⋅ 0.2k mx (1) +)
Rešenje. Primenjujući operator matematičkog očekivanja na zadatu k
diferencnu jednačinu dobija se: + 0.64 ⋅ ( −1) − 8.33 ⋅ 0.2k + 7.692 ⋅ 0.3k .
0.2 0 −10 i −1
A= , G= , C = [1 1] . + ∑ 20 0.2i − j −1 − 0.3i − j −1 0.2k − 2− j − 0.3k − 2− j +
( )( )
0 0.3 10 j =0
i −1
Tada se autokorelaciona funkcija može sračunati na sledeći način: + ∑ 20 0.2i − j −1 − 0.3i − j −1 0.2k − j − 0.3k − j .
( )( )
j =1
i −1 j −1
( ) (
= 5 ⋅ 0.3 j −i − 0.2 j −i + 10 ⋅ 0.3 j −i −1 − 0.2 j −i −1 + )
T
( )
+ 5 ⋅ 0.3 j −i − 2 − 0.3 j −i − 2 .
+C ∑∑ Ai −1− k G E e ( k ) eT ( l ) G T F j −1−l ( ) C
T
k =0 l =0
Re ( k − l )
Izmeñu modela u prostoru stanja i matrice funkcija prenosa postoji
slična veza kao u determinističkom slučaju:
Ne umanjujući opštost, pretpostavimo da je i < j. Dobijamo da je:
−1
T X ( z ) = ( zI − A ) W ( z ) = T ( z ) W ( z ) ,
Rx ( i, j ) = CA E ξ ( 0 ) ξ T ( 0 ) A j
i
( ) C + T
i −1
Y ( z ) = CX ( z ) + V ( z ) = CT ( z ) W ( z ) + V ( z )
+ ∑100 0.2 ( i − k −1 i − k −1
− 0.3 )( 0.2 j − k −1
− 0.3 j − k −1
)+
k =0
Stohastički sistemi i estimacija 7
( )
SY ( z ) = E Y ( z ) Y T z −1 =
mX ( k + 1) = amX ( k ) + u ( k ) = amX ( k ) + 1, k > 0 ,
( ) ( ) ( )
= E CT ( z ) W ( z )W T z −1 T T z −1 C T + V ( z ) V T z −1 =
pa je
= CT ( z ) S ( z ) T ( z ) C + S ( z ) =
W
T −1 T
V
= CT ( z ) QT ( z ) C + R .
T −1 T k k −1
1 − ak
mX ( k ) = a k m0 + ∑ a k −i = ∑ a j = .
i =1 j =0 1− a
Ovde se korišćena činjenica da su w(n) i v(n) nekorelisani, pa je
Varijansa stanja je
∞ ∞
E W ( z ) V T z −1 = E ∑ w ( n ) z − n ∑ v ( m ) z − m =
( ) PX ( k + 1) = E ( x ( k + 1) − mX ( k + 1) ) =
2
n=0 m=0
∞ ∞
= ∑∑ E w ( n ) v ( m ) z − n− m = 0 . = E ( ax ( k ) + w ( k ) + u ( k ) − amX ( k ) − u ( k ) ) =
2
n = 0 m = 0
0
= E a ( x ( k ) − mX ( k ) ) + w ( k ) =
2
( )
Primer 4. Posmatra se sistem prvog reda, opisan sledećim modelom u
prostoru stanja: = a PX ( k ) + Q = a PX ( k ) + 1 ,
2 2
x ( k + 1) = ax ( k ) + w ( k ) + u ( k ) , što se svodi na
y (k ) = x (k ) + v (k ) ,
1− a (
k −1 k 2 k +1)
k −1−i
PX ( k ) = a 2 k P0 + ∑ a 2 = ∑ a2
i
1 W ( z )
H (z) = [1 1] , Y ( z ) = H ( z ) , RY ( n ) = E y ( k ) y ( n + k ) =
z−a U ( z ) = E ( x ( k ) + v ( k ) ) ( x ( k + n ) + v ( k + n ) ) =
pa je sistem stabilan za |a|<1. Tada očekivanje mX(k) i varijansa PX(k) = E x ( k ) x ( k + n ) + E v ( k ) v ( k + n ) =
stanja x(k) imaju granične vrenodsti za k→∞:
= RX ( n ) + δ n R ,
1 1
mX ( ∞ ) = , PX ( ∞ ) = , pa je njegova spektralna gustina snage
1− a 1 − a2
∞
dok je u protivnom SY ( z ) = ∑ R ( n) z
n =−∞
X
−n
+ R = SX ( z ) + R .
lim mX ( k ) = ∞, lim PX ( k ) = ∞ .
k →∞ k →∞
S obzirom da stanje ima nenultu srednju vrednost mX(∞), postojaće
problem sa konvergencijom Z-transformacije korelacione funkcije, pa
Iz izraza za varijansu stanja ćemo spektralnu gustinu snage odrediti kao kompleksni lik
kovarijacione funkcije. S druge strane, ako je sistem stabilan, uzrok
k −1
1 − a 2k
PX ( k ) = a 2 k P0 + Q ∑ a 2i = a 2 k P0 + Q nenulte srednje vrednosti može biti samo deterministička pobuda u(k),
i =0 1 − a2 pa spektar možemo računati tako što ćemo zanemariti ovaj ulaz:
vidimo da šum stanja w(k) „širi“ grafik gustine verovatnoće stanja x(k) u
meri odreñenoj njegovom varijansom Q.
Stohastički sistemi i estimacija 9
W ( z ) W z −1 ( ) imamo da je
−1
( )
SX ( z ) = E X ( z ) X z = E −1
z − a z − a
=
1 1 1 z
( )
U ( z ) U z −1 = −1
= −1
=− 2
.
=
Q
=
Q
.
1− z 1− z 1− z − z +1 ( z − 1)
( ) (
( z − a ) z − a 1 − a z + z −1 + a 2
−1
)
Očigledno je da će moduo ovog člana pri nultoj učestanosti, odnosno pri
Konačno, za spektar snage izlaznog procesa dobijamo z = 1, imati beskonačnu vrednost. Ovo je i logično – zbog prisustva
jednosmerne komponente u signalu, on će imati neku konačnu snagu na
nultoj učestanosti, pa će gustina snage na toj učestanosti biti
1
( )
SY e jΩ =
1 − 2a cos Ω + a 2
+ 0.5 . beskonačna. ○
2, τ ≤1,
( )
S X ( z ) = E X ( z ) X z −1 = RX (τ ) =
0, inače .
W ( z ) U ( z ) W z −1 U z −1
( ) ( ) =
= E + + Odrediti autokorelacionu funkciju signala na izlazu ovog sistema.
z − a z − a z −1 − a z −1 − a
=
Q
+
U ( z ) U z −1 ( )
.
Rešenje. Autokorelaciona funkcija može se dobiti polazeći od spektralne
gustine snage, koja je data sa
( ) (
( z − a ) z −1 − a ( z − a ) z −1 − a )
∞ ∞
SY ( s ) = ∫ RY (τ ) e − sτ dτ = ∫ E y ( t ) y (τ + t ) e
− sτ
Drugi član u poslednjem izrazu sa desne strane jednakosti potiče od dτ =
−∞ −∞
konstantne determinističke pobude koja stanju daje nenultu srednju
vrednost. Kako je ∞ ∞
∞
= E ∫ ∫ h ( u ) x ( t − u ) du ∫ h ( v ) x (τ + t − v ) dv e− sτ dτ =
−∞ 0 0
1
U ( z ) = Z h ( n ) = , ∞ ∞∞
1 − z −1
∫ ∫ ∫ h (u ) h ( v ) E x ( t − u ) x (τ + t − v ) e
− sτ
= du dv dτ =
−∞ 0 0
Stohastički sistemi i estimacija 10
∞ ∞∞
∫ ∫ ∫ h ( u ) h ( v ) R (τ + u − v ) e
− sτ
= X du dv dτ = Sada se za autokorelacionu funkciju izlaza dobija
−∞ 0 0
∞ ∞∞ ∞ 1
− s (τ + u − v )
∫ ∫ ∫ h ( u ) e h ( v ) e RX (τ + u − v ) e
su − sv
= du dv dτ =
∫ 0.5e RX ( t ) dt = ∫ e − τ −t dt .
− τ −t
RY (τ ) =
−∞ 0 0 −∞ −1
= H ( −s ) H ( s ) S X ( s ) .
Da bi se rešio poslednji integral sa desne strane jednakosti, potrebno je
Navedeni izraz predstavlja suštinu teoreme o spektralnoj faktorizaciji u uočiti nekoliko karakterističnih oblasti vrednosti parametra τ:
1
kontinualnom domenu. Na osnovu njega možemo odrediti spaktar 1
izlaznog procesa, a njegovu autokorelacionu funkciju možemo naći kao 1º τ > 1: RY (τ ) = ∫ e −(τ −t ) dt = e −τ e − ,
−1 e
inverznu Laplaceovu transformaciju spektra, ili koristeći teoremu o τ
e−τ + eτ
1
−(τ − t )
konvoluciji, prema kojoj je 2º −1 < τ < 1: RY (τ ) = ∫ e dt + ∫ eτ −t dt = 2 − ,
−1 τ e
L−1 SY ( s ) = L−1 H ( − s ) ⊗ L−1 H ( s ) ⊗ L−1 S X ( s ) . 1 1
1
3º τ < −1: RY (τ ) = ∫ eτ −t dt = eτ ∫ e− t dt = eτ e − .
−1 −1 e
Imamo da je
Konačno se dobija
γ + j∞
1 st
L−1 H ( s ) = ∫ e ds = e − t h ( t ) ,
γ − j∞
1 + s −τ 1
e e − e , τ >1
γ + j∞ −γ + j∞
L−1 H ( − s ) = ∫
1 st
e ds = ∫
1 λ ( −t )
e d λ = e t h ( −t ) , RY (τ ) = ○
−τ τ
γ − j∞ 1 − s −γ − j∞
1 + λ 2 − e + e , τ ≤1
∞
e
−(τ − t )
L−1 H ( − s ) ⊗ L−1 H ( s ) = ∫e
−∞
h (τ − t ) et h ( −t ) dt =
Primer 6. Na osnovu kontinualnog belog stohastičkog procesa jedinične
e −τ
varijanse formirati obojeni stohastički proces sa autokorelacionom
min (τ ,0 ) , τ ≥ 0 funkcijom RX(τ) = exp(−4|τ|).
2
∫
−τ
= e −τ e 2t dt = τ = 0.5e .
−∞ e , τ < 0 Rešenje. Na osnovu teoreme o spektralnoj faktorizaciji, imamo da je
2
Stohastički sistemi i estimacija 11
S X ( s ) = H ( −s ) H ( s ) SE ( s ) ,
∞ ∞
∫ R (τ ) e ∫e
−4 τ − sτ
SX ( s) = X
− sτ
dτ = dτ =
−∞ −∞
0 ∞
( 4 − s )τ 1 1
= ∫e dτ + ∫ e( −4− s )τ dτ = + .
−∞ 0
4−s 4+s
8 8 8
H ( −s ) H ( s ) = = ,
( 4 − s )( 4 + s ) 4−s 4+ s
odakle zaključujemo da je
8
H (s) = . ○
s+4