读文献——Amplitude和Signal-to-Noise Ratio (SNR)解析式理论推导-CSDN博客

本文链接：https://blog.csdn.net/weixin_43213559/article/details/140322269

Zhong S, Wei K, Gao S, et al. Stochastic resonance in a linear fractional Langevin equation[J]. Journal of Statistical Physics, 2013, 150: 867-880.

一.Introduction

二.System Model

2.1 模型的构建

文章从由分数高斯噪声（FGN）驱动的广义Langevin方程（GLE）开始：

$x(t)$	粒子的位移
$\ddot{x}(t)$	牛顿加速度项
$\gamma$	摩擦系数
$\omega_0$	固有频率
$A_0$	外部周期力的幅度
$\Omega$	频率

2.2 外部噪声 $Z(t)$

$Z(t)$ 是 $\omega_0$ 的波动，建模为双态噪声，取值为 $\{\mathrm{a},-\mathrm{a}\}$ ，且概率相同为 $P_s(a)=P_s(-a)=1 / 2$ $\langle Z(t)\rangle=0$

双态噪声：只能取两个值，通常记为 +a和 −a，其中 a 是噪声的幅度。这两个值出现的概率相等，分别为 0.5，所以噪声值的分布对称。
关联率 $v$ ：噪声在这两个值之间随机切换。切换的过程是由一个固定的关联率 $v$ 控制的，即噪声在两个值之间转换的速率。（噪声相关系数）

$Z(t)$ 有统计性质： $\langle Z(t)\rangle=0, \quad\langle Z(t) Z(s)\rangle=a^2 \exp (-v|t-s|),$

其中 $a^2$ 是噪声强度， $v$ 是关联率。

$\langle Z(t)\rangle=0$ ：其中的 $\langle Z(t)\rangle$ 表示噪声Z (t)在时间t上的平均值；噪声 Z(t) 在 t时刻的平均值为零，即噪声的正负值在长期内相互抵消。
$\quad\langle Z(t) Z(s)\rangle=a^2 \exp (-v|t-s|)$ ：噪声 Z(t) 和 Z(s) 在两个不同时间点 t 和 s 上的乘积的平均值或期望值，这实际上是噪声的自相关函数。噪声在时间点 t和 s 上的相关性随着时间间隔 ∣t−s∣ 的增加而以指数衰减，衰减率由关联率 v 控制。

2.3 内部噪声 $W_H(t)$

$W_H(t)$ 是定义为 $\sqrt{2 k_B T} \frac{d B_H(t)}{d t}$ 的分数高斯噪声 (FGN)，其中 $B_H(t)$ 是Hurst参数 $0<H<1$ 的分数布朗运动 (FBM)

2.4 自相关性和记忆核 $\eta_H(t)$

当 0<H<1/2 时，自相关性为负，运动表现为次扩散。
当 1/2<H<1 时，自相关性为正，运动表现为超扩散。
当 H=1/2时，运动表现为正常扩散。

主要目的是解释分数阶Langevin方程中噪声和记忆核的数学特性，并通过波动-耗散定理连接二者。特别强调Hurst参数的选择条件，以确保记忆核的正值特性。

2.6 分数阶Langevin方程（FLE）

FLE (7)能描述具有异常次扩散的系统中的随机动力学。解释了记忆核和噪声之间的关系，并强调了这种方程在处理异常次扩散系统中的优势。

三.The Amplitude and Signal-to-Noise Ratio (SNR) of the Output Signal

这部分将获得输出幅度和信噪比（SNR）的精确表达式。

Shapiro-Loginov公式：处理诸如 〈Z(t)x(t)〉这样的乘积的期望值。

$\frac{d}{d t}\langle Z(t) x(t)\rangle=\langle Z(t) \dot{x}(t)\rangle-v\langle Z(t) x(t)\rangle$

$\frac{d}{d t}\langle Z(t) \dot{x}(t)\rangle=\langle Z(t) \ddot{x}(t)\rangle-v\langle Z(t) \dot{x}(t)\rangle$