Stohastički sistemi i estimacija 1

∞ ∞ ∞

Spektralna faktorizacija = ∑ ∑∑ h ( m ) h ( j ) E e ( n − m ) e ( k + n − j ) z

k =−∞ m = 0 j = 0
−k
=

∞ ∞ ∞
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 =−∞

može se generisati dovoñenjem sekvence belog šuma e(n) na ulaz

sistema sa odgovarajućom funkcijom diskretnog prenosa H(z). Prema
=H z ( )⋅ H (z)⋅ S (z) .
−1
E

teoremi o konvoluciji, izlazna sekvenca x(n) data je sa

Ova relacija predstavlja suštinu teoreme o spektralnoj faktorizaciji i na
∞ osnovu nje se može odrediti sgs slučajnog procesa na izlazu
x ( n) = ∑ h ( m) e ( n − m) , determinističkog sistema pobuñenog stohastičkom sekvencom. U ovom
m =0 primeru problem je obrnut – date su željena i sgs pobude

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 ∞

Preureñivanjem se dobija S (z) = ∑

n =−∞
R ( n ) z −n = ∑
n =−∞
R ( n) z −n + ∑ R ( n) z −n − R (0) =
n =0
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 ) .

Poslednja jednakost kaže da se proces y(k) sa traženom

autokorelacionom funkcijom može generisati dovoñenjem sekvence
Stohastički sistemi i estimacija 3

belog šuma e(k) varijanse σe2=1−a2 na ulaz digitalnog sistema sa 0 ∞

funkcijom diskretnog prenosa S ( z) = ∑ R (n) z

n =−∞
−n
+ ∑ R ( n ) z −n − R (0) =
n=0

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

Njegova varijansa u trenutku k je

Prethodni izraz je izveden pod ptretpostavkom da je n>0. Meñutim,
Px ( k ) = E  xɶ ( k ) xɶ T ( k )  , xɶ ( k ) = x ( k ) − mx ( k ) , kako znamo da autokovarijaciona funkcija mora biti parna, možemo
pisati
a njena vremenska zavisnost data je sa
Rx ( n + k , k ) = 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

Konačno, kroskovarijaciona funkcija vektora izlaza i stanja je

Stohastički sistemi i estimacija 5

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 .

mx ( k + 2 ) − 0.5mx ( k + 1) + 0.06mx ( k ) = me ( k ) . Da bi se odredila autokorelaciona funkcija signala x(k) i kroskorelaciona

funkcija signala x(k) i e(k) zgodno je signal predstaviti u obliku modela
u prostoru stanja:
Ukoliko na prethodnu relaciju primenimo Z-transformaciju, dobijamo:
ξ ( k + 1) = Aξ ( k ) + Ge ( k ) ,
 z 2 M x ( z ) − zmx (1) − z 2 mx ( 0 )  −
x ( k ) = Cξ ( k ) ,
−0.5  zM x ( z ) − zmx ( 0 )  + 0.06 M x ( z ) = M e ( z )
gde je
pa je kompleksni lik očekivanja slučajnog procesa x(k) dat sa
Stohastički sistemi i estimacija 6

 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

Rx ( i, j ) = E  x ( i ) xT ( j )  , Sličnim postupkom se može dobiti kroskorelaciona funkcija:

 i −1

x ( i ) = C  Aiξ ( 0 ) + ∑ Ai −1− k Ge ( k )  ,
    j −1

k =0
Rex ( i, j ) = E  e ( i ) C  A jξ ( 0 ) + ∑ A j − k −1Ge ( k )   =
 j −1
 T   k =0 
xT ( j ) = ξ T ( 0 ) A j + ∑ eT ( l ) GT A j −1−l
T T
( ) ( ) C . j −1
 l =0  = C ∑ A j − k −1GE  e ( i ) e ( k )  =
k =0
Pod pretpostavkom da je početno stanje ξ(0) nekorelisano sa šumom j −1

e(k), na osnovu navedenih relacija dobija se: = C ∑ A j − k −1GRe ( k − i ) =

k =0

T = 0.2CA j −i G + CA j −i −1G + 0.2CA j −i − 2G =

Rx ( i, j ) = CA E ξ ( 0 ) ξ T ( 0 )  A j
i
( ) C + T

 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

gde su w(k) i v(k) nekorelisane Gaussove slučajne promenljive nultih

( ) ( ) =
1 − a2
.
i =0 i =0
srednjih vrednosti i varijansi Q = 1 i R = 0.5, respektivno.
Deterministički ulaz u(k) je jedinična odskočna funkcija, a početno Stanje u k-tom trenutku može se izraziti preko x(0), w(n) i u(n) za
stanje ima Gaussovu raspodelu sa očekivanjem m0 = 0 i varijansom n = 1, ..., k−1:
P0 = 1. Odrediti spektralnu gustinu snage izlaznog signala y(k) u
stacionarnom stanju i izraz za gustinu verovatnoće stanja u trenutku k. k −1

Komantarisati ovaj izraz za slučajeve |a|>1 i |a|<1. x ( k ) = a k x ( 0 ) + ∑ a i  w ( k − 1 − i ) + u ( k − 1 − i )  ,

i =1

Rešenje. Očekivanje stanja dato je diferencnom jednačinom

Stohastički sistemi i estimacija 8

odakle se vidi da je stanje x(k) zbir konstanti i Gaussovih slučajnih

promenljivih, pa i samo ima Gaussovu raspodelu: Strogo govoreći, izlazni signal nije slabo stacionaran, što se može videti
na osnovu izraza za njegovo očekivanje. Meñutim, pod pretpostavkom
 ( x − m ( k ) )2  da je sistem stabilan, nakon izvesnog vremena uspostaviće se
1
exp  − .
X
f X (k ) ( x ) = stacionarno stanje, koje karakteriše konstanta vrednost očekivanja i
2π PX ( k )  2 PX ( k )  varijanse stanja (pa samim tim i izlaza). Jedina promenljiva pobuda koja
 
će i dalje delovati na sistem jeste slučajan poremećaj w(k), ali kako je on
stacionaran, takvi će biti i stanje x(k), odnosno izlaz y(k). Tada je
Matrica funkcija prenosa sistema je
korelaciona funkcija izlaznog procesa data sa

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. ○

Primer 5. Na ulaz sistema čija je funkcija prenosa H(s) = 1⁄(s+1) dovodi

Da nismo koristili kovarijacionu umesto korelacione funkcije, za spektar se stohastički proces autokorelacione funkcije
stanja dobili bismo

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 ) ,

gde je e(t) kontinualan beo proces, a SE(s) njegov spektar. S druge

strane, spektar procesa X predstavlja bilateralnu Laplaceovu
transformaciju njeogve autokorelacione funkcije

∞ ∞

∫ 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

Kako je spektar belog procesa ravan, izjednačavanjem prethodne dve

relacije dobijamo

8 8 8
H ( −s ) H ( s ) = = ,
( 4 − s )( 4 + s ) 4−s 4+ s

odakle zaključujemo da je

8
H (s) = . ○
s+4