Формирование случайных сигналов Формирование случайных сигналов (помех)1. Формирование чисел с равномерным распределениемОбычно в различных математических пакетах (языках программирования высокого уровня) имеются датчики случайных чисел, генерирующие последовательности чисел с равномерным распределением на интервале [a…b] (операторы random, rnd). Наиболее часто для генерации чисел с равномерным законом распределения используется алгоритм видаαn+1=αn*K mod(M) т.е. очередное случайное число αn+1 находится путем вычисления по модулю M произведения предыдущего рассчитанного значения αn на некоторое специально подобранное большое число K. (Выполнить вычисление по модулю mod(x,m) – разделить x на m и в качестве результата взять остаток от деления). Начальное число α 0 при первом обращении к генератору случайных чисел задается тем или иным образом программой, реализующей данный алгоритм. При следующих обращениях к генератору в качестве начального значения последовательности используется последний результат вычислений. Значение ^ M обычно задается наибольшим значением, равным M=231-1, при разрядности вычислений в 32 разряда, старший разряд – знаковый. 32 разряда используются для представления чисел с плавающей запятой с одинарной точностью. В результате упрощается операция вычисления по модулю: старшие разряды произведения, превышающие указанную разрядность, просто отбрасываются. Генерируемые случайные числа являются целыми и распределены в интервале (0…M). Если генерируемые числа дополнительно разделить на Mβn+1= αn+1/M, то полученные числа будут распределены на интервале (0…1). Отметим, что равномерность распределения обеспечивается выбором числа K. Данное распределение является базовым для формирования случайных чисел с другими законами распределения. Следует обратить внимание, что, если известно начальное значение α 0 и числа K и M, то вся последовательность генерируемых чисел легко просчитывается, поэтому такую последовательность логичнее называть псевдослучайной. Тем не менее, при неоднократных обращениях к генератору формируемые числа можно рассматривать как случайные. В Mathcad случайное число генерируется при обращении к функции rnd(b), равномерно распределенное на интервале (0…b). В окне ^ Math – Options…- Bild In Variables – Seed value for random numbers задается начальное значение α 0, используемое при запуске пакета и первом обращении к функции rnd (по умолчанию Seed value = 1). Если после неоднократных обращений к rnd снова вызвать указанное выше окно и, сохраняя значение Seed value, закрыть окно по OK, то начальное значение α 0 для последующих обращений снова принимает значение, заданное в Seed value, что позволяет неоднократно воспроизводить одну и ту же последовательность случайных чисел.^ 2. Формирование величин с произвольным распределением Наиболее общим методом формирования величин с произвольным законом распределения на основе равномерного является метод обратной функции. Метод основан на следующей теореме. Если случайная величина x имеет плотность распределения вероятности p(x), то случайная величина б βnудет распределена по равномерному закону на интервале (0…1) независимо от вида распределения p(x). xnx Рис.1. Метод обратной функции. Можно рассмотреть и обратную задачу: по известному значению F(x)= βn найти соответствующее ему значение xn. Геометрическая интерпретация процедуры представлена на рис.1. Отсюда вытекает способ генерирования случайной величины, распределенной по заданному закону p(x): 1. Генерируется случайная величина βn, равномерно распределенная на интервале (0…1).2. Решается интегральное уравнение относительно верхнего предела xn Найденное значение и будет случайной величиной с плотностью распределения вероятностей p(x). Если случайная величина может быть только положительной, т.е.p(x)=0 при x то нижний предел интегрирования (-∞) следует заменить на 0. Кстати ^ F(x) - вероятность того, что случайная величина окажется в пределах интервала (-∞…x), называется функцией распределения вероятностей. Поэтому, если известна функция распределения для требуемого p(x) , то следует решать уравнение Следует обратить внимание, что использовать метод обратной функции можно лишь для таких распределений p(x), когда данная функция интегрируема, т.е. существует аналитическое выражение функции распределения F(x).^ 3. Формирование величин, распределенных по закону Релея Распределение неотрицательной случайной величины ρ с плотностью вероятностей0 при ρ(1)при ρ>0называется распределением Релея. Математическое ожидание для распределения Релея Μρ=1.253σ Дисперсия Dρ=0.43σ (Здесь σ – параметр распределения). Рσ=1.0σ=1.5ис.2. Плотность вероятности при распределении Релея. Математическая интерпретация величин с плотностью распределения вероятностей по закону Релея заключается в следующем:. - геометрическая сумма случайных величин x и y, состоящих в квадратуре (длина вектора), и каждая из них распределена по нормальному закону с характеристиками: математическое ожидание Mx = My = 0 дисперсия (и среднеквадратическое отклонение) Dx=Dy=σx=σy=σ дает вектор ρ, то длина которого и будет распределена по закону Релея. Угол наклона вектора - фаза α распределена равномерно в интервале (0…2π).Рис.3. Геометрическая интерпретация распределения по закону Релея. Для пояснения, какое отношение распределение Релея имеет к радиотехнике, напомним структуру корреляционного приемника с квадратурными каналами для приема сигналов с неизвестной начальной фазой (рис.4).Рис.4. Корреляционный приемник с квадратурными каналами. Операции перемножения и интегрирования являются линейными операциями по отношению к входному воздействию и не изменяют закон распределения случайного сигнала на входе. Если на входе y(t) = n(t), т.е. действует только помеха типа «белый шум» (плотность распределения вероятностей мгновенных значений такой помехи подчиняется нормальному закону), то и значения корреляционных интегралов на выходах каналов z1 и z2 также распределены по нормальному закону. Перемножение входной помехи на опорные косинусный и синусный сигналы и обеспечивают квадратурность случайных величин z1 и z2, а операция соответствует вычислению длины вектора, т.е. геометрической (векторной) суммы случайных величин. Следовательно, при действии на входе приемника только помехи типа «белый шум» значения корреляционного интеграла z и будут распределены по закону Релея. Если же на входе квадратурного приемника действует смесь сигнал + помехаy(t) = us(t)+n(t) (сигнал us(t) частоты ω0 с неизвестной начальной фазой), то распределения величин z1 и z2, по прежнему подчиняясь нормальному закону, будут содержать средние значения – математические ожидания μ1 и μ2, отличные от 0, обусловленные неслучайным характером полезного сигнала. В этом случае корреляционный интеграл на выходе z подчиняется обобщенному распределению Релея (Релея – Райса): 0 при z(2)при z>0где - значение сигнала на выходе приемника; - среднеквадратическое отклонение значения помехи на выходе; - модифицированная функция ^ Бесселя первого рода нулевого порядка.Примечание: значение функции Бесселя I(0)=1. Следовательно, при отсутствии полезного сигнала на входе (μ=0) выражение для обобщенного закона Релея (2) аналитически соответствует выражению (1).Т.е. обобщенный закон Релея (2) можно применять в расчетах не только при условии, когда на входе приемника действует смесь сигнал + помеха, но и когда только помеха типа «белый шум».Рис.5. Плотность вероятности при обобщенном распределении Релея при σZ=1 и при различных значениях сигнала μ. Плотность распределения для закона Релея p(ρ) (1) интегрируема; функция распределения для закона Релея равна: Следовательно, для формирования случайной величины, распределенной по закону Релея (например, значения сигнала на выходе квадратурного корреляционного приемника) возможно применение метода обратной функции:где βn – случайная величина, равномерно распределенная на интервале (0…1). В Mathcad случайная величина с равномерным распределением на интервале [0…b] формируется с помощью встроенной функции rnd(b). Тогда выражение для формирования случайной величины, распределенной по закону Релея, принимает вид d Mathcad:(здесь вместо обозначения случайной величины ρ использовано обозначение помехи как функции времени, т.е. вектора от t). Рис.6. Имитация помехи, распределенной по закону Релея при σ=1 (помеха на выходе квадратурного корреляционного приемника).^ 4. Формирование случайных величин, распределенных по нормальному закону Нормальный закон распределения вероятностей имеет важнейшее значение. Именно нормальному закону подчиняется распределение вероятностей мгновенных значений помехи типа «белый шум». Плотность вероятностей случайной величины x, распределенной по нормальному закону (закону Гаусса), описывается выражением:μ – Mx - математическое ожидание (среднее значение) величины x;σ – среднеквадратическое отклонение величины x;σ2 – Dx - дисперсия величины x. Рис.7. Нормальное распределение случайной величины x (при μ=1).Однако функция p(x) для нормального закона не интегрируема. Поэтому для формирования случайных величин, распределенных по нормальному закону, рассмотренный выше метод обратной функции не может быть применен. ^ 4.1. Способ 1 (суммирование случайных величин). Формирование случайных величин, распределенных по нормальному закону, можно выполнить на основании центральной предельной теоремы теории вероятностей: распределение вероятностей величины x, равной сумме n независимых случайных величин βi с произвольным законом распределения и мало различающимися дисперсиями (т.е. дающими примерно одинаковый вклад в общую сумму) при n → ∞ асимптотически стремится к нормальному закону. Если величины βi распределены равномерно на интервале [0…1], то: - математическое ожидание случайной величины x равно Mx=n/2; - дисперсия равна Dx=n/12.На практике уже при n>=8 распределение формируемой таким образом случайной величины x достаточно близко к нормальному. Если при формировании случайной величины выполнить нормирование: то, x будет распределено по нормированному нормальному закону с Mx=0 и Dx=σ=1. ^ 4.2. Способ 2 (метод полярных координат). Случайные величины с нормальным законом распределения могут быть сформированы на основе распределения Релея (иначе данный способ называется методом полярных координат). Для этого следует сгенерировать два случайных числа β1 и β2, равномерно распределенных на интервале [0…1], и сформировать вектор, длина которого ρ будет распределена по релеевскому закону с параметром σ, а фаза равномерно распределена на интервале [0…2π].Тогда в соответствии с определением закона Релея любая проекция вектора на координатные оси x или y будет распределена по нормальному закону с математическим ожиданием, равным 0, и среднеквадратическим отклонением, равным σ. (При σ=1 – нормированное нормальное распределение). Следовательно, в качестве случайной величины может быть использована любая величин, распределенной по нормальному закону, (представлены в виде формул Mathcad): Здесь случайные величины x y также представлены в виде векторов от параметра t.В Mathcad имеется ряд встроенных функций для генерации случайных величин, в том числе и распределенных по нормальному закону:n:=rnorm(N,μ,σ) Функция возвращает вектор случайных чисел n размерностью ^ N, распределенных по нормальному закону с параметрами: - математическое ожидание равно – μ; - среднеквадратическое отклонение - σ.Очевидно, в Mathcad функция rnorm реализована по методу полярных координат, который хотя и требует больших вычислительных затрат, но обеспечивает более точное вычисление величин, распределенных по нормальному закону. Рис.8. Пример генерации случайных величин, распределенных по нормальному закону (помеха типа «белый шум» - вектор n).^ 5. Характеристики случайных величин Для оценки распределения случайных величин используются числовые характеристики, основными из которых являются математическое ожидание и дисперсия. Теоретически числовые характеристики случайной величины x вычисляются путем усреднения по множеству возможных значений с учетом вероятностей их появления, для чего необходимо знать распределение вероятностей: - для непрерывных случайных величин:- для дискретных случайных величин:где xk – k-ое значение случайной величины; pk – вероятность k-ого значения величины x.Применимо к рассматриваемому вопросу генерации случайных величин - помех числовые характеристики распределения могут быть рассчитаны по результатам реализации (апостериорные характеристики распределения). Так, для сформированной последовательности случайных чисел - вектору n размерностью T математическое ожидание и дисперсия рассчитываются следующим образом:В Mathcad имеются встроенные функции для вычисления указанных характеристик по вектору: - mean(n)=Mn – математическое ожидание (среднее значение); - var(n)=Dn – дисперсия; - stdev(n) – среднеквадратическое отклонение (корень квадратный из var(n)). расчет которых и выполняется по приведенным выше формулам.Кроме вычисления основных характеристик Mn и Dn, по результатам реализации может быть построена гистограмма, которая позволяет сравнить распределение апостериорных вероятностей появления значений случайной величины с предполагаемым теоретическим распределением. Для построения гистограммы по реализации случайной величины n (вектора), следует диапазон возможных значений n (n_min…n_max) разбить на дискреты Δn и вычислить число попаданий значений n в соответствующий дискрет. В Mathcad имеется встроенная функция, которая и позволяет строить гистограммы:hist(W,n) где: - n – вектор случайной величины, по которой вычисляется гистограмма;- W – вектор значений разбиения случайной величины (вектора) n на дискреты. Функция hist – возвращает число значений вектора n, попавших в соответствующий дискрет Δn диапазона значений n. Если выполнить нормировку: (T – число элементов вектора n)то h и будет отображать апостериорные вероятности (частоту появления). Следовательно, для построения гистограммы по полученному вектору n, например, по сгенерированной последовательности случайных величин, необходимо предварительно описать вектор W:- число дискретов Δn, на который разбивается диапазон возможных значений n; - индексация элементов вектора W;- определение диапазона значений n (-D…+D);max(n) min(n) – встроенные функции пакета для вычисления максимального и минимального значений вектора (матрицы). - дискрет разбиения значений случайной величины n - значения вектора W После описания вектора W можно воспользоваться функцией hist и построить гистограммы: - нормированная гистограмма (апостериорные вероятности).Рис.9. Гистограмма случайной величины n (помехи типа «белый шум») при μ=0 σ=1.Гистограмма h – вектор, индексы которого обозначены k, поэтому и гистограмму следует строить как функцию от k. Однако по оси x можно задать и значения вектора Wk для отображения значений случайной величины n. Для сравнения гистограммы с теоретической плотностью распределения вероятностей на графике можно построить и p(k) (здесь для построения плотности распределения случайной величиной следует считать k). При этом следует вычислить соответствующие k значения математического ожидания и дисперсии (СКО).- математическое ожидание теоретического распределения p(k)- среднеквадратическое отклонение распределения p(k) (σ – СКО, заданное при формировании вектора случайных величин n).- нормальный закон для наложения на гистограмму.Результат наложения распределения p(k) на гистограмму см. рис.9.