动态系统随机信号在时域中的变换
1. 系统工作质量的表征及若干统计学概念
设一个动态系统的输入为 u ( t ) u(t) u(t),输出为 x ( t ) x(t) x(t),则动态误差即为 e ( t ) = u ( t ) − x ( t ) e(t) = u(t) - x(t) e(t)=u(t)−x(t)。当输入 u ( t ) u(t) u(t)为随机信号时, e ( t ) e(t) e(t)即为随机误差。
通常地,在随机输入信号的作用下,系统的工作质量可以由随机的均方差来表示:
e
2
‾
(
t
)
=
lim
T
→
∞
1
2
T
∫
−
T
T
e
2
(
t
)
d
t
(1)
\overline{e^2} (t) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int_{-T} ^T e^2 (t) {\rm d} t \tag{1}
e2(t)=T→∞lim2T1∫−TTe2(t)dt(1)
接下来引入几个统计学基本概念。
(1)概率分布函数
F
(
x
)
F(x)
F(x)。概率分布函数指的是随机变量
X
X
X不超过某个值
x
x
x(即
X
<
x
X < x
X<x)的概率:
F
(
x
)
=
P
(
X
<
x
)
F(x) = P (X < x)
F(x)=P(X<x)(2)概率密度分布函数
f
(
x
)
f(x)
f(x)。可以简单粗暴地理解为“随机变量
X
X
X等于某个值
x
x
x的概率”,或者从数学上理解为“概率分布函数
F
(
x
)
F(x)
F(x)的导数”即可:
f
(
x
)
=
d
F
(
x
)
d
x
=
lim
Δ
→
0
P
(
x
≤
X
≤
x
+
Δ
x
)
Δ
x
=
lim
Δ
→
0
F
(
x
+
Δ
x
)
−
F
(
x
)
Δ
x
f(x) = \frac{ {\rm d} F(x)}{ {\rm d} x} = \lim_{\Delta \rightarrow 0} \frac{ P \left( x \leq X \leq x + \Delta x\right)}{\Delta x} = \lim_{\Delta \rightarrow 0} \frac{F \left( x + \Delta x \right) - F(x)}{\Delta x}
f(x)=dxdF(x)=Δ→0limΔxP(x≤X≤x+Δx)=Δ→0limΔxF(x+Δx)−F(x)由此得出
F
(
x
)
=
∫
∞
x
f
(
x
)
d
x
F(x) = \int _\infty ^x f(x) {\rm d} x
F(x)=∫∞xf(x)dx随机变量
X
X
X的数学期望:
x
~
=
M
[
X
]
=
∫
−
∞
∞
x
f
(
x
)
d
x
\tilde x = M \left[ X \right] = \int _{-\infty} ^\infty x f(x) {\rm d} x
x~=M[X]=∫−∞∞xf(x)dx随机变量
X
X
X的
m
m
m – 阶矩:
x
~
m
=
∫
−
∞
∞
x
m
f
(
x
)
d
x
\tilde x^m = \int _{-\infty} ^\infty x^m f(x) {\rm d} x
x~m=∫−∞∞xmf(x)dx随机变量
X
X
X的
m
m
m – 阶中心矩:
M
[
(
X
−
x
~
)
m
]
=
∫
−
∞
∞
(
X
−
x
~
)
m
f
(
x
)
d
x
M \left[ \left( X - \tilde x \right)^m \right] = \int _{-\infty} ^\infty \left( X - \tilde x \right)^m f(x) {\rm d} x
M[(X−x~)m]=∫−∞∞(X−x~)mf(x)dx方差(其实就是二阶中心矩):
M
[
(
X
−
x
~
)
2
]
=
∫
−
∞
∞
(
X
−
x
~
)
2
f
(
x
)
d
x
M \left[ \left( X - \tilde x \right)^2 \right] = \int _{-\infty} ^\infty \left( X - \tilde x \right)^2 f(x) {\rm d} x
M[(X−x~)2]=∫−∞∞(X−x~)2f(x)dx当考虑时间时,样本的均值可以等同于数学期望:
m
x
(
t
)
=
x
~
(
t
)
=
M
[
X
(
t
)
]
=
∫
−
∞
∞
x
f
(
x
,
t
)
d
x
,
D
x
(
t
)
=
D
[
X
(
t
)
]
=
∫
−
∞
∞
[
X
(
t
)
−
m
x
(
t
)
]
2
f
(
x
,
t
)
d
x
m_x (t) = \tilde x(t) = M \left[ X(t) \right] = \int _{-\infty} ^\infty x f(x, t) {\rm d} x, \\ D_x (t) = D \left[ X(t) \right] = \int _{-\infty} ^\infty \left[ X(t) - m_x (t) \right]^2 f(x, t) {\rm d} x
mx(t)=x~(t)=M[X(t)]=∫−∞∞xf(x,t)dx,Dx(t)=D[X(t)]=∫−∞∞[X(t)−mx(t)]2f(x,t)dx而对于不同时刻
t
1
,
t
2
t_1, t_2
t1,t2的随机过程来说,同样可以有数学期望:
M
[
X
(
t
1
)
X
(
t
2
)
]
=
∫
−
∞
∞
∫
−
∞
∞
x
1
x
2
f
(
x
1
,
t
1
,
x
2
,
t
2
)
d
x
1
d
x
2
=
R
(
t
1
,
t
2
)
M \left[ X\left( t_1 \right) X\left( t_2 \right) \right] = \int_{-\infty} ^\infty \int_{-\infty} ^\infty x_1 x_2 f \left( x_1, t_1, x_2, t_2 \right) {\rm d} x_1 {\rm d} x_2 = R \left( t_1, t_2 \right)
M[X(t1)X(t2)]=∫−∞∞∫−∞∞x1x2f(x1,t1,x2,t2)dx1dx2=R(t1,t2)称为相关函数。相关函数表征了不同时刻之间随机变量的联系。
对于一个随机变量
x
x
x,其在不同时刻的相关函数
R
x
(
t
1
,
t
2
)
R_x \left( t_1, t_2 \right)
Rx(t1,t2)称为
x
x
x的自相关函数。而对于两个不同的随机变量
x
,
y
x,y
x,y,在不同时刻的相关函数
R
x
y
(
t
1
,
t
2
)
R_{xy} \left( t_1, t_2 \right)
Rxy(t1,t2)称为互相关函数。显然,当
t
2
=
t
1
+
τ
t_2 = t_1 + \tau
t2=t1+τ时,自相关函数还可以表示为
R
(
τ
)
=
M
[
X
(
t
1
)
X
(
t
1
+
τ
)
]
=
∫
−
∞
∞
d
x
1
∫
−
∞
∞
x
1
x
2
f
(
x
1
,
x
2
,
τ
)
d
x
2
R (\tau) = M \left[ X\left( t_1 \right) X\left( t_1 + \tau \right) \right] = \int_{-\infty} ^\infty {\rm d} x_1 \int_{-\infty} ^\infty x_1 x_2 f \left( x_1, x_2, \tau \right) {\rm d} x_2
R(τ)=M[X(t1)X(t1+τ)]=∫−∞∞dx1∫−∞∞x1x2f(x1,x2,τ)dx2
2. 各态遍历性
对于具有各态遍历性的静定过程,以下公式成立:
x
~
=
x
ˉ
,
x
1
x
2
~
=
x
1
x
2
‾
\tilde x = \bar x, \quad \widetilde{x_1 x_2} = \overline{x_1 x_2}
x~=xˉ,x1x2
=x1x2同时,由于具有各态遍历性,因而随机变量的平均值不会因采样时间段而改变:
x
ˉ
=
lim
T
→
∞
1
2
T
∫
−
T
T
x
(
t
)
d
t
=
lim
T
→
∞
1
T
∫
0
T
x
(
t
)
d
t
\bar x = \lim _{T \rightarrow \infty} \frac{1}{2T} \int_{-T} ^T x (t) {\rm d} t = \lim _{T \rightarrow \infty} \frac{1}{T} \int_{0} ^T x (t) {\rm d} t
xˉ=T→∞lim2T1∫−TTx(t)dt=T→∞limT1∫0Tx(t)dt因而自相关函数为
R
(
τ
)
=
x
1
x
2
‾
=
lim
T
→
∞
1
T
∫
0
T
x
(
t
)
x
(
t
+
τ
)
d
t
R (\tau) = \overline{x_1 x_2} = \lim _{T \rightarrow \infty} \frac{1}{T} \int _0 ^T x(t) x(t + \tau) {\rm d} t
R(τ)=x1x2=T→∞limT1∫0Tx(t)x(t+τ)dt
3. 相关函数的性质
以下给出相关函数的一些性质:
R
x
y
(
τ
)
=
R
y
x
(
−
τ
)
;
R_{xy} (\tau) = R_{yx} (-\tau);
Rxy(τ)=Ryx(−τ);
R
y
x
(
τ
)
=
lim
T
→
∞
1
2
T
∫
−
T
T
y
(
t
)
x
(
t
+
τ
)
d
t
;
R_{yx} (\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t) x(t + \tau) {\rm d} t;
Ryx(τ)=T→∞lim2T1∫−TTy(t)x(t+τ)dt;
R
y
x
(
−
τ
)
=
lim
T
→
∞
1
2
T
∫
−
T
T
y
(
t
)
x
(
t
−
τ
)
d
t
R_{yx} (-\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t) x(t - \tau) {\rm d} t
Ryx(−τ)=T→∞lim2T1∫−TTy(t)x(t−τ)dt而若设
t
1
=
t
−
τ
t_1 = t - \tau
t1=t−τ则
R
y
x
(
−
τ
)
=
lim
T
→
∞
1
2
T
∫
−
T
T
y
(
t
1
+
τ
)
x
(
t
1
)
d
t
=
R
x
y
(
τ
)
R_{yx} (-\tau) = \lim _{T \rightarrow \infty} \frac{1}{2T} \int _{-T} ^T y(t_1 + \tau) x(t_1) {\rm d} t = R_{xy} (\tau)
Ryx(−τ)=T→∞lim2T1∫−TTy(t1+τ)x(t1)dt=Rxy(τ)当
τ
=
0
\tau=0
τ=0时:
R
x
(
0
)
=
M
[
X
2
(
t
)
]
=
x
2
‾
=
D
x
R_x (0) = M \left[ X^2 (t) \right] = \overline{x^2} = D_x
Rx(0)=M[X2(t)]=x2=Dx当
τ
→
∞
\tau \rightarrow \infty
τ→∞时:
R
x
(
τ
→
∞
)
=
(
x
~
)
2
=
(
x
ˉ
)
2
R_x ( \tau \rightarrow \infty ) = \left( \tilde x \right) ^2 = \left( \bar x \right) ^2
Rx(τ→∞)=(x~)2=(xˉ)2特别地,白噪声的相关函数为:
R
x
(
τ
)
=
N
2
δ
(
τ
)
R_x (\tau) = N^2 \delta (\tau)
Rx(τ)=N2δ(τ)
4. 确定相关函数的实验方法
对于静定各态遍历系统,其相关函数:
R
x
(
τ
)
=
X
(
t
)
X
(
t
+
τ
)
‾
=
lim
T
→
∞
1
T
∫
0
T
x
(
t
)
x
(
t
+
τ
)
d
t
R_x(\tau) = \overline{X(t) X(t + \tau)} = \lim_{T \rightarrow \infty} \frac{1}{T} \int_0 ^T x(t) x(t + \tau) {\rm d} t
Rx(τ)=X(t)X(t+τ)=T→∞limT1∫0Tx(t)x(t+τ)dt其估计值为
R
^
x
(
τ
)
=
1
T
∫
0
T
x
(
t
)
x
(
t
−
τ
)
d
t
\hat R_x (\tau) = \frac{1}{T} \int_0 ^T x(t) x(t - \tau) {\rm d} t
R^x(τ)=T1∫0Tx(t)x(t−τ)dt在实际中,为了使得到的估计值尽量准确,应使实验时间
T
T
T尽可能长。
5. 通过线性动态系统的静定随机信号的特性
设某随机信号
u
(
t
)
u(t)
u(t),其相关函数为
R
u
(
τ
)
R_u (\tau)
Ru(τ),则其通过具有脉冲信号
K
(
t
)
K(t)
K(t)的系统后,得到的输出依然是随机信号:
x
(
t
)
=
∫
−
∞
∞
K
(
λ
)
u
(
t
−
λ
)
d
λ
=
K
(
λ
)
∗
u
(
λ
)
(2)
x(t) = \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda = K(\lambda) * u( \lambda) \tag{2}
x(t)=∫−∞∞K(λ)u(t−λ)dλ=K(λ)∗u(λ)(2)即为二者卷积。
对输出
x
x
x求数学期望:
M
[
x
(
t
)
]
=
∫
−
∞
∞
K
(
λ
)
M
[
u
(
t
−
λ
)
]
d
λ
M \left[ x(t) \right] = \int _{-\infty} ^\infty K(\lambda) M \left[ u(t - \lambda) \right] {\rm d} \lambda
M[x(t)]=∫−∞∞K(λ)M[u(t−λ)]dλ而在
t
+
τ
t+\tau
t+τ时刻:
x
(
t
+
τ
)
=
∫
−
∞
∞
K
(
η
)
u
(
t
+
τ
−
η
)
d
η
x(t + \tau) = \int_{-\infty} ^\infty K(\eta) u(t + \tau - \eta) {\rm d} \eta
x(t+τ)=∫−∞∞K(η)u(t+τ−η)dη则可以计算
x
x
x的相关函数:
R
x
(
τ
)
=
M
[
x
(
t
)
x
(
t
+
τ
)
]
=
M
[
∫
−
∞
∞
K
(
λ
)
u
(
t
−
λ
)
d
λ
∫
−
∞
∞
K
(
η
)
u
(
t
+
τ
−
η
)
d
η
]
=
∫
−
∞
∞
K
(
λ
)
d
λ
∫
−
∞
∞
M
[
u
(
t
−
λ
)
u
(
t
+
τ
−
η
)
]
K
(
η
)
d
η
\begin{aligned} R_x (\tau) &= M \left[ x(t) x(t + \tau) \right] \\ &= M \left[ \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda \int_{-\infty} ^\infty K(\eta) u(t + \tau - \eta) {\rm d} \eta \right] \\ &= \int_{-\infty} ^\infty K(\lambda) {\rm d} \lambda \int_{-\infty} ^\infty M \left[ u(t - \lambda) u(t + \tau - \eta) \right] K(\eta) {\rm d} \eta \end{aligned}
Rx(τ)=M[x(t)x(t+τ)]=M[∫−∞∞K(λ)u(t−λ)dλ∫−∞∞K(η)u(t+τ−η)dη]=∫−∞∞K(λ)dλ∫−∞∞M[u(t−λ)u(t+τ−η)]K(η)dη设
t
′
=
t
−
λ
t' = t - \lambda
t′=t−λ,则
M
[
u
(
t
′
)
u
(
t
′
+
λ
+
τ
−
η
)
]
=
R
u
(
τ
+
λ
−
η
)
M \left[ u(t') u(t' + \lambda+ \tau - \eta) \right] = R_u (\tau + \lambda - \eta)
M[u(t′)u(t′+λ+τ−η)]=Ru(τ+λ−η)代入上式有
R
x
(
τ
)
=
∫
−
∞
∞
K
(
λ
)
d
λ
∫
−
∞
∞
R
u
(
τ
+
λ
−
η
)
K
(
η
)
d
η
(3)
R_x (\tau) = \int_{-\infty} ^\infty K(\lambda) {\rm d} \lambda \int_{-\infty} ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \tag{3}
Rx(τ)=∫−∞∞K(λ)dλ∫−∞∞Ru(τ+λ−η)K(η)dη(3)另外,
x
x
x和
u
u
u的互相关函数为(用到式(2)):
R
x
u
(
τ
)
=
M
[
x
(
t
)
u
(
t
−
τ
)
]
=
M
{
[
∫
−
∞
∞
K
(
λ
)
u
(
t
−
λ
)
d
λ
]
u
(
t
−
τ
)
}
=
∫
−
∞
∞
K
(
λ
)
M
[
u
(
t
−
τ
)
u
(
t
−
λ
)
]
d
λ
\begin{aligned} R_{xu} (\tau) &= M \left[ x(t) u(t - \tau ) \right] \\ &= M \left\{ \left[ \int_{-\infty} ^\infty K(\lambda) u(t - \lambda) {\rm d} \lambda \right] u(t - \tau) \right\} \\ &= \int_{-\infty} ^\infty K(\lambda) M \left[ u(t - \tau) u(t - \lambda) \right] {\rm d} \lambda \end{aligned}
Rxu(τ)=M[x(t)u(t−τ)]=M{[∫−∞∞K(λ)u(t−λ)dλ]u(t−τ)}=∫−∞∞K(λ)M[u(t−τ)u(t−λ)]dλ设
t
−
τ
=
t
′
t - \tau = t'
t−τ=t′,则上式为
R
x
u
(
τ
)
=
∫
−
∞
∞
K
(
λ
)
M
[
u
(
t
′
)
u
(
t
′
+
τ
−
λ
)
]
d
λ
R_{xu} (\tau) = \int_{-\infty} ^\infty K(\lambda) M \left[ u(t') u(t' + \tau - \lambda) \right] {\rm d} \lambda
Rxu(τ)=∫−∞∞K(λ)M[u(t′)u(t′+τ−λ)]dλ又由于
M
[
u
(
t
′
)
u
(
t
′
+
τ
−
λ
)
]
=
R
u
(
τ
−
λ
)
M \left[ u(t') u(t' + \tau - \lambda) \right] = R_u (\tau - \lambda)
M[u(t′)u(t′+τ−λ)]=Ru(τ−λ),代入上式有
R
x
u
(
τ
)
=
∫
−
∞
∞
K
(
λ
)
R
u
(
τ
−
λ
)
d
λ
(4)
R_{xu} (\tau) = \int_{-\infty} ^\infty K(\lambda) R_u (\tau - \lambda) {\rm d} \lambda \tag{4}
Rxu(τ)=∫−∞∞K(λ)Ru(τ−λ)dλ(4)在实际情况下,当
λ
<
0
\lambda < 0
λ<0时
K
(
λ
)
≡
0
K(\lambda) \equiv 0
K(λ)≡0,故式(3)(4)还可以写为
R
x
(
τ
)
=
∫
0
∞
K
(
λ
)
d
λ
∫
0
∞
R
u
(
τ
+
λ
−
η
)
K
(
η
)
d
η
(3)
R_x (\tau) = \int_0 ^\infty K(\lambda) {\rm d} \lambda \int_0 ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \tag{3}
Rx(τ)=∫0∞K(λ)dλ∫0∞Ru(τ+λ−η)K(η)dη(3)
R
x
u
(
τ
)
=
∫
0
∞
K
(
λ
)
R
u
(
τ
−
λ
)
d
λ
(4)
R_{xu} (\tau) = \int_0 ^\infty K(\lambda) R_u (\tau - \lambda) {\rm d} \lambda \tag{4}
Rxu(τ)=∫0∞K(λ)Ru(τ−λ)dλ(4)
6. 系统输出的均方误差计算
前文提到,当
τ
=
0
\tau=0
τ=0时:
R
x
(
0
)
=
M
[
X
2
(
t
)
]
=
x
2
‾
=
D
x
R_x (0) = M \left[ X^2 (t) \right] = \overline{x^2} = D_x
Rx(0)=M[X2(t)]=x2=Dx即为系统的方差。上式即(用到式(4)):
R
x
(
0
)
=
R
x
(
τ
)
∣
τ
=
0
=
∫
0
∞
K
(
λ
)
d
λ
∫
0
∞
R
u
(
τ
+
λ
−
η
)
K
(
η
)
d
η
∣
τ
=
0
=
∫
0
∞
K
(
λ
)
d
λ
∫
0
∞
R
u
(
λ
−
η
)
K
(
η
)
d
η
⏟
R
x
u
(
λ
)
=
∫
0
∞
K
(
λ
)
R
x
u
(
λ
)
d
λ
(5)
\begin{aligned} R_x (0) &= R_x (\tau) \big\rvert _{\tau = 0} = \int_0 ^\infty K(\lambda) {\rm d} \lambda \int_0 ^\infty R_u (\tau + \lambda - \eta) K(\eta) {\rm d} \eta \Big\rvert _{\tau = 0} \\ &= \int_0 ^\infty K(\lambda) {\rm d} \lambda \underbrace{\int_0 ^\infty R_u ( \lambda - \eta) K(\eta) {\rm d} \eta}_{R_{xu} (\lambda)} \\ &= \int_0 ^\infty K(\lambda) R_{xu} (\lambda) {\rm d} \lambda \tag{5} \end{aligned}
Rx(0)=Rx(τ)
τ=0=∫0∞K(λ)dλ∫0∞Ru(τ+λ−η)K(η)dη
τ=0=∫0∞K(λ)dλRxu(λ)
∫0∞Ru(λ−η)K(η)dη=∫0∞K(λ)Rxu(λ)dλ(5)因此
D
x
=
x
2
‾
=
∫
0
∞
K
(
λ
)
R
x
u
(
λ
)
d
λ
(6)
D_x = \overline{x^2} = \int_0 ^\infty K(\lambda) R_{xu} (\lambda) {\rm d} \lambda \tag{6}
Dx=x2=∫0∞K(λ)Rxu(λ)dλ(6)