Непараметрическое оценивание исходных данных

Функции непараметрического оценивания исходных данных используются в основном для определения статистических характеристик массивов исходных данных.

Следует напомнить, что в ходе планирования и проведения эксперимента сказать заранее, по какой реализации пойдет процесс, невозможно. Поэтому процесс получения массива входных и выходных переменных ТОУ можно назвать стохастическим и для его обработки применить статистические характеристики.

Как известно, статистические свойства случайной величины х определяют по ее функции распределения (интегральному закону распределения) F (x) или плотности вероятности (дифференциальному закону распределения) ω;(x).

Случайные величины могут иметь различные законы распределения: равномерный, нормальный, экспоненциальный и др. Во многих задачах автоматического управления очень часто приходится иметь дело с нормальным законом распределения (или законом Гаусса), который получается если случайная величина определяется суммарным эффектом от действия большого числа различных независимых факторов.

Кроме этого, случайная величина х при нормальном законе распределения полностью определяется математическим ожиданием (средним). Функции F (x) и ω;(х) являются простейшими статистическими характеристиками случайного процесса, но они не дают достаточного представления о том, какой характер будут иметь отдельные реализации случайного процесса.

Чтобы в какой-то мере охарактеризовать внутреннюю структуру случайного процесса, т.е. учесть связь между значениями случайного процесса в различные моменты времени или, иными словами, учесть степень изменчивости случайного процесса, необходимо ввести понятия корреляционной (автокорреляционной) функции и спектральной плотности случайного процесса.

Корреляционной функцией случайного процесса X (t) называют неслучайную функцию двух аргументов R (t ₁; t ₂), которая для каждой пары произвольно выбранных значений моментов времени t ₁ и t ₂ равна математическому ожиданию произведения двух случайных величин случайного процесса, соответствующих этим моментам времени.

Между дисперсией случайного процесса и корреляционной функцией существует прямая связь – дисперсия случайного стационарного процесса равна значению корреляционной функции.

Статистические свойства связи двух случайных процессов X (t) и G (t) можно можно охарактеризовать взаимной корреляционной функцией R _xg (t ₁, t ₂). Взаимная корреляционная функция R_xg (τ;) характеризует взаимную статистическую связь двух случайных процессов X (t) и G (t) в разные моменты времени, отстоящие друг от друга на промежуток времени τ;.

Если случайные процессы X (t) и G (t) статистически не связаны друг с другом и имеют равные нулю средние значения, то их взаимная корреляционная функция для всех τ; равна нулю. Однако обратный вывод о том, что если взаимная корреляционная функция равна нулю, то процессы невзаимосвязаны, можно сделать вывод лишь в отдельных случаях (в частности, для процессов с нормальным законом распределения), общей же силы обратный закон не имеет.

Анализируя свойства корреляционной функции можно сделать вывод: чем слабее взаимосвязь между предыдущим X (t) и последующим X (t+τ;) значениями случайного процесса, тем быстрее убывает корреляционная функция R_x (τ;). Случайный процесс, в котором отсутствует связь между предыдущими и последующими значениями, называют чистым случайным процессом или белым шумом. В случае белого шума время корреляции τ;_R=0 и корреляционная функция представляет собой δ-функцию (функцию веса).

При исследовании автоматических систем управления удобно пользоваться еще одной характеристикой случайного процесса, называемой спектральной плотностью.

Спектральная плотность S _x (ω) случайного процесса X (t) определяется как преобразование Фурье корреляционной функции R_x (τ;). Физический смысл спектральной плотности состоит в том, что она характеризует

распределения мощности сигнала по частотному спектру.

В пакете System Identification Toolbox имется четыре функции covf, cra, efte и spa, характеризующие статистические характеристики массива входных и выходных данных ТОУ.

Функция covf выполняет расчет авто- и взаимных корреляционных функций массива экспериментальных данных, записанных в файле datta.m.

Написание этой функции следующее:

R = covf (dan, M),

где М – максимальная величина дискретного аргумента, для которой рассчитывается корреляционная функция, минус единица (по умолчанию можно поставить []);

R – матрица, элементы первого столбца которой – значения дискретного аргумента, элементы второго столбца – значения оценки автокорреляционной функции выходного сигнала (возможно отфильтрованного), элементы третьего столбца – значения оценки автокорреляционной функции входного сигнала (возможно "обеленного"), элементы четвертого столбца – значения оценки взаимной корреляционной функции.

Однако более удобно пользоваться функцией cra, которая определяет оценку ИХ методом корреляционного анализа для одномерного (один вход – один выход) объекта:

cra (z);

[ ir, R, cl ] = cra (z, M, na, plot);

cra (R),

где z – матрица экспериментальных данных (в нашем случае datta);

М – максимальное число дискретного аргумента;

na – порядок модели авторегрессии (степени многочлена A (z)), которая используется для расчета параметров "обеляющего" фильтра Ф (z), поумолчанию na = 10. При na = 0 в качестве идентифицирующего используется непреобразованный входной сигнал;

plot – plot = 0 означает отсутствие графика, plot = 1 (по умолчанию) – график полученной оценки ИХ вместе с 99%-м доверительным коридором, plot = 2 – выводятся графики всех корреляционных функций.

ir – оценка ИХ (вектор значений);

cl – 99%-й доверительный коридор для оценки ИХ.

Для нашего примера эти величины имеют следующие значения:

>> [ir, R, cl] = cra(zdan, [], [], 2)

ir =

-0.0021

-0.0009

0.0048

0.0686

0.1273

0.1413

0.1300

0.1087

0.0859

0.0666

0.0503

0.0381

0.0293

0.0208

0.0167

0.0127

0.0097

0.0092

0.0079

0.0071

0.0076

R =

-20.0000 -0.0064 -0.0006 -0.0333

-19.0000 -0.0044 -0.0336 -0.0313

-18.0000 -0.0023 0.0101 -0.0295

-17.0000 0.0001 0.0047 -0.0392

-16.0000 0.0022 0.0334 -0.0424

-15.0000 0.0041 -0.0395 -0.0406

-14.0000 0.0060 0.0556 -0.0295

-13.0000 0.0077 -0.0109 -0.0204

-12.0000 0.0096 -0.0065 -0.0146

-11.0000 0.0117 0.0370 -0.0053

-10.0000 0.0142 -0.0252 -0.0003

-9.0000 0.0174 0.0030 0.0029

-8.0000 0.0220 -0.0026 0.0081

-7.0000 0.0282 0.0012 0.0158

-6.0000 0.0367 -0.0037 0.0098

-5.0000 0.0481 0.0017 0.0102

-4.0000 0.0626 -0.0011 0.0079

-3.0000 0.0802 0.0007 -0.0003

-2.0000 0.0991 0.0068 0.0019

-1.0000 0.1154 -0.0043 -0.0014

0 0.1232 1.3795 -0.0071

1.0000 0.1154 -0.0043 -0.0031

2.0000 0.0991 0.0068 0.0160

3.0000 0.0802 0.0007 0.2294

4.0000 0.0626 -0.0011 0.4261

5.0000 0.0481 0.0017 0.4728

6.0000 0.0367 -0.0037 0.4351

7.0000 0.0282 0.0012 0.3637

8.0000 0.0220 -0.0026 0.2873

9.0000 0.0174 0.0030 0.2229

10.0000 0.0142 -0.0252 0.1682

11.0000 0.0117 0.0370 0.1274

12.0000 0.0096 -0.0065 0.0979

13.0000 0.0077 -0.0109 0.0696

14.0000 0.0060 0.0556 0.0560

15.0000 0.0041 -0.0395 0.0424

16.0000 0.0022 0.0334 0.0324

17.0000 0.0001 0.0047 0.0308

18.0000 -0.0023 0.0101 0.0264

19.0000 -0.0044 -0.0336 0.0238

б)

20.0000 -0.0064 -0.0006 0.0254

		а)
	в)		г)

Рис. 4.2. Графики функций: а) автокорреляционная функция выходного

сигнала; б) автокорреляционная функция входного сигнала; в) взаимная

корреляционная функция; г) импульсная характеристика.

 

Анализируя полученные зависимости, следует учесть, что по оси абсцисс откладываются промежутки времени τ = t _i – t _i-1, а по оси ординат значения корреляционных функций для входного u и выходного у сигналов; значения взаимокорреляционой функции и импульсной характеристики.

Для входной величины с увеличением τ; наблюдается резкий спад корреляционной зависимости, что характеризует высоко частотные изменения состояния этой величины. Выходная величина более плавно изменяет свои состояния от одного момента времени к другому и, следовательно, взаимосвязь между предыдущим и последующим значениями выходного сигнала более тесная, чем у входного сигнала.

Для получения частотных характеристик экспериментальных данных воспользуемся функциями оценивания частотных характеристик

>> g=spa(dan);

>> bodeplot(g).

Результатом выполнения команд является вывод графиков АЧХ и ФЧХ (см. рис. 4.3).

 

Рис. 4.3. Графики АЧХ и ФЧХ для массива экспериментальных

Данных

 

Полученные зависимости подтверждают высокочастотную составляющую значений входного и выходного сигналов. Границы изменения частот на графиках установлены по умолчанию.

В пакете System Identification Toolbox MATLAB имеется возможность устанавливать границы изменения частот с помощью команды

>> w=logspace(w₁,w₂,N),

где w₁ – нижняя граница диапазона частот (10^w1), w₂ – верхняя граница диапазона частот (10^w2) и N – количество точек графика.

Для построения АФХ, ФЧХ и S (ω;) – функции спектральной плотности шума e(t) вычислим g – оценку АФХ и ФЧХ в частотном формате и priv – оценку спектральной плотности шума с помощью команды

>> [g,priv]=spa(dan,[],w);

Графики АФХ, ФЧХ и S (ω;) построим с доверительным коридором в три среднеквадратических отклонения с помощью команды

>> bodeplot([g p],'sd',3,'fill'),

 

Рис. 4.4 Графики АФХ и ФЧХ и S(ω) с доверительным коридором

 

где 'sd' – указывает на сплошную линию доверительного коридора (по умолчанию эта линия штриховая); 3 – величина доверительного коридора в три среднеквадратических отклонения; 'fill' – способ заливки доверительного коридора (в данном случае желтым цветом, см. рис. 4.4).