Файл: Романенко, А. Ф. Аппроксимативные методы анализа случайных процессов.pdf

сравнительно простая реализация соответствующих алгоритмов статистической обработки случайных про­ цессов;

возможность решения задач метрологии случайных процессов.

Сочетание метода параметрических функций с алго­ ритмами стохастической аппроксимации обеспечивают ускорение сходимости соответствующих итерационных процедур.

Рассматривая алгоритмы параметрической аппрокси­ мации с точки зрения регрессионного анализа, следует отметить, что метод параметрических функций есть метод построения линий регрессии уточненной (парамет­

рической) оценки а:\ (х ) на первоначальную оцен­

ку а*(х).

С позиций байесовских алгоритмов метод парамет­ рических функций по сути дела является аппроксима­ тивным, причем для ряда случаев ошибка аппроксима­ ции оказывается незначительной.

Метод параметрических функций может с успехом использоваться в качестве «внутреннего» алгоритма при использовании идей эволюционного моделирования

[Л. 32].

Наиболее полно исследована возможность парамет­ рической статистической обработки нестационарных слу­ чайных процессов, заданных одной реализацией.

Решение этой задачи позволяет сократить число до­ рогостоящих испытаний сложных объектов, увеличить оперативность обработки, упростить вычислительные системы, уменьшить затраты времени и средств на со­ здание новых центров по обработке информации.

Следует отметить все расширяющийся фронт экспе­ риментальных исследований, совершенствование средств вычислительной техники, разработку более эффективных методов прикладного анализа случайных процессов, к числу которых относятся и рассмотренные в книге аппроксимативные методы.

Дальнейшее развитие методов аппроксимации оце­ нок характеристик случайных процессов может прохо­ дить в следующих направлениях:

завершение создания теории параметрической аппро­ ксимации оценок характеристик случайных процессов; разработка методов параметрической аппроксимации

интервальных оценок;

171

разработка «гибридных» методов и, в частности, компенсационно-параметрического метода аппроксима­ ции оценок характеристик случайных процессов;

создание алгоритмов статистического оценивания критериев эффективности больших систем на базе ис­ пользования метода параметрических функций;

развитие метода параметрических функций на основе использования критериев оптимизации информационного типа (например, критерии Шеннона, Кульбака и др.); учета информации относительно предельных значе­

ний оцениваемых параметров.

Последнее из указанных направлений представляет­ ся весьма перспективным. Сущность параметрического подхода к развитию этого направления покажем на примере использования мультипликативной оценки

а*х (х) = Я,,а* (л).

Будем полагать в дальнейшем, что первоначальная оценка а*(х) является несмещенной, т. е. выполняется условие

Мха* (х) — а.

Выражение для средней квадратической ошибки можно представить в виде

R— Мх [а—Яна* (я) ]2 =

=Я^М* [а* (х)]2 — 2Япа2 -(- а2 =

=Я^-[а2 -ф- Дха* (х)] — 2Я,,а2 -ф- а2.

Пусть дисперсия предварительной оценки линейно зависит от квадрата параметра а, т. е.

Dxa*(x) = a + ba2,

где а и b — некоторые коэффициенты.

В этом случае средняя квадратическая ошибка R примет вид:

R = A + Ва2,

где

в = + {1 - я,,)2.

Выбором значения параметрической функции Яи можно получить для заданной области оцениваемого

172

параметра

0 < а ^ ' ( Х м а к с

более точную параметрическую оценку, т. е. такую оцен­ ку ах* (х), для которой выполняется условие

R < D xa* (х).

Действительно, пусть Ь<0, а>0. Предполагая, что величина а макс известна, можно найти значение пара­ метрической функции Яц из условия

№ ца^а, откуда следует дополнительное ограничение

/41;

В практических задачах часто встречается более простая ситуация, характеризуемая Ь —0, а>0. В этом случае параметрическая функция Яц принимает вид:

Таким образом, дополнительная информация отно­ сительно предельного значения а макс оцениваемого па­ раметра а сравнительно просто может быть учтена с помощью параметрических функций. В результате повышается эффективность соответствующих оценок.

173

ПР И Л О Ж Е Н И Е

Висследованиях часто используются характеристики случайных процессов, являющихся преобразованиями (в общем случае нели­ нейными) некоторых других процессов.

Пусть a (t) — оцениваемая случайная функция; а * (х )— некото­ рая оценка функции a (t), x ( t ) — реализация исследуемого про­ цесса.

Разность

Д (/) = a ( t ) —a*(x)

представляет собой мгновенную ошибку.

Вторая начальная моментная функция процесса

Л = [Д (012 = Мха [а (0 - а* (х)]2

часто называется средней квадратической функцией риска или сред­ ним квадратом ошибки.

Раскрывая выражение для Л, получаем:

еем(0 = а ( 0 —а* (х).

Соотношение (80) можно представить в более компактной фор­ ме [по аналогии с (81)]

Л = ЛдаД(*. х) + 4 ( 0 .

где

174

СП И С О К Л И Т Е Р А Т У Р Ы

1.Андреев Н. И. Корреляционная теория статистически опти­

мальных систем. М., «Наука», 1966.

2. Балл Г. А. К оценке погрешности, вызываемой непрерывным изменением времени задержки при измерении функции автокорре­ ляции. — «Известия вузов. Радиотехника», 1962, т. 5, № 5.

3.Балл Г. А. Аппаратурный корреляционный анализ случайных процессов. М., «Энергия», 1968.

4.Бунимович В. И. Флюктуационные процессы в радиоприем­

ных устройствах. М., «Советское радио», 1951.

5. Воллернер Н. Ф., Балицкая В. Г., Дугин В. В. Оценка ампли­ туды эхо-сигнала с учетом априорного распределения плотностей

ред. В. С. Бермана. М., Изд-во иностр. лит., 1949.

7.Вентцель Е. С. Теория вероятностей. М., «Наука», 1964.

8.Гренандер У. Случайные процессы и статистические выводы.

Пер. с англ. М., Изд-во иностр. лит., 1961.

9. Дискретная измерительная корреляционная система (ДИКС). Новосибирск, «Наука». 1965, Авт: А. Н. Домарацкий и др.

10. Karhunen К. Ober lineare Methodu in der Wahrscheinlichkeitsrechnung.— «Ann. Acad. Sci. Fennicab. Helsinki, 1947, AI, №37.

11. Котюк А. Ф., Ольшевский В. В. Вопросы метрологии слу­ чайных процессов и полей. — Сборник докладов I Всесоюзного сим­ позиума «Методы представления и аппаратурный анализ случайных процессов и полей». Л., ВНИИЭП, 1968.

12.Крамер Г. Математическая статистика. Пер. с англ. М., Изд-во иностр. лит, 1948.

13.Ланге О. Введение в экономическую кибернетику. Пер с поль­ ского. М., «Прогресс», 1968.

14.Левин Б. Р. Теоретические основы статистической радиоте

ники. Кн 2. М., «Советское радио», 1968.

15.Мартин Т. А. Труды института радиоинженеров. Пер. с англ., 1962. т. 50, № 12.

16.Пугачев В. С. Теория случайных функций и ее применение

кзадачам автоматического управления. М., Физматгиз, 1962.

17.Рао С. Р. Линейные статистические методы и их применения.

М., «Наука», 1966.

18.Robbins Н., Monro S. A stochastic approximation method.— «Ann. Math. Statistics», 1951, v. 22, № 1.

19.Романенко А. Ф., Сергеев Г. А. Вопросы прикладного ана­ лиза случайных процессов. М., «Советское радио», 1968.

20.Романенко А. Ф., Черкай А. Д. О решении задач оптимиза ции оценок характеристик случайных функций.— «Сборник докла-

175