Моделирование коррелированных гауссовых СВ — различия между версиями

Версия 11:41, 22 августа 2013

При моделировании следящих систем НАП, а так же сигналов многоантенных НАП, возникает задача создания нормальных случайных величин с заданным коэффициентом корреляции.

Рассмотрим решение данной задачи на примере модели шумов статистического эквивалента корреляционных сумм $I_p$ , $I_e$ и $I_l$ .

Содержание

1 Статистический эквивалент коррелятора
2 Многомерная нормальная СВ или вектор случайных величин?
3 Разложение Холецкого
4 Реализация в MATLAB

Статистический эквивалент коррелятора

Статистический эквивалент коррелятора синфазных корреляционных сумм в отсутствии помех можно описать выражениями:

$I_p = A_{IQ} \rho\left(\delta \tau\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Ip},$

$I_{e} = A_{IQ} \rho\left(\delta \tau - \frac{\Delta \tau}{2}\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Ie},$

$I_{l} = A_{IQ} \rho\left(\delta \tau + \frac{\Delta \tau}{2}\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Il},$

которые для полной картины необходимо дополнить определениями $A_{IQ}$ , $\rho()$ и т.д., а так же описанием шумов $n_{Ip}$ , $n_{Ie}$ , $n_{Il}$ .

Математические ожидания СВ $n_{Ip}$ , $n_{Ie}$ , $n_{Il}$ равны нулю, их дисперсии есть

$\sigma_{IQ}^2 = \frac{\sigma_n^2 L}{2}$ ,

где $\sigma_n^2$ - дисперсия шумов на выходе АЦП, $L$ - число суммируемых отсчетов в корреляторе, эти величины считаются известными.

Нетрудно рассчитать попарные взаимные дисперсии:

$M\left[n_{Ip} n_{Ie}\right] = M\left[n_{Ip} n_{Il}\right] = // \frac{\Delta \tau}{2 \tau_e} \sigma_{IQ}^2 // = \rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2$ ,

$M\left[n_{Ie} n_{Il}\right] = \rho \left( \Delta \tau \right) \sigma_{IQ}^2$ ,

Требуется на ЭВМ, имея генератор случайных нормальных чисел, формировать реализации СВ $n_{Ip}$ , $n_{Ie}$ , $n_{Il}$ .

Примечание. Задача формирования шумов квадратурных сумм - абсолютно аналогична и независима, т.к. шумы между I и Q компонентами не коррелируют и независимы.

Многомерная нормальная СВ или вектор случайных величин?

При синтезе радиотехнических систем часто используются модели, оперирующие с многомерными нормальными случайными величинами. Определение из Википедии:

Случайный вектор $\mathbf{X} = (X_1,\ldots, X_n)^{\top}: \Omega \to \mathbb{R}^n$ имеет многомерное нормальное распределение, если выполняется одно из следующих эквивалентных условий:
Произвольная линейная комбинация компонентов вектора $\sum\limits_{i=1}^n a_i X_i$ имеет нормальное распределение или является константой.
Существует вектор независимых стандартных нормальных случайных величин $\mathbf{Z}=(Z_1,\ldots, Z_m)^{\top}$ , вещественный вектор $\mathbf{\mu} = (\mu_1,\ldots, \mu_n)^{\top}$ и матрица $\mathbf{A}$ размерности $n \times m$ , такие что:

$\mathbf{X} = \mathbf{A} \mathbf{Z} + \mathbf{\mu}$ .

Существует вектор $\mathbf{\mu} \in \mathbb{R}^n$ и неотрицательно определённая симметричная матрица $\mathbf{\Sigma}$ размерности $n \times n$ , такие что характеристическая функция вектора $\mathbf{X}$ имеет вид:

$\phi_{\mathbf{X}}(\mathbf{u}) = e^{i \mathbf{\mu}^{\top} \mathbf{u} - \frac{1}{2}\mathbf{u}^{\top} \Sigma \mathbf{u}},\; \mathbf{u} \in \mathbb{R}^n$ .

Из первого условия следует, что каждая из компонент нормальной векторной СВ имеет нормальное распределение (для компоненты $i$ это вытекает при $a_i = 1$ и остальных коэффициентах комбинации, равных 0). Отсюда часто возникает иллюзия, что нормальность распределений компонент влечет нормальность совместного распределения. Этот тезис не выполняется, на контрпример можно взглянуть тут.

Шумы корреляционных сумм $n_{Ip}$ , $n_{Ie}$ , $n_{Il}$ получены сворачиванием входного шума $n$ с тремя опорными сигналами. Таким образом, выполняется второе необходимое и достаточное условие того, что тройка $n_{Ip}$ , $n_{Ie}$ , $n_{Il}$ имеет многомерное нормальное распределение (если выборку $n$ обозначить как $\mathbf{Z}$ , опорные сигналы записать в виде трех строк матрицы $\mathbf{A}$ , $\mathbf{\mu}$ - вектор-столбец из трех нулей)

Итого, компоненты $D = \left| {\begin{array}{*{20}{c}} n_{Ip}&n_{Ie}&n_{Il}\\ \end{array}} \right|^T$ образуют многомерную нормальную СВ с нулевым мат. ожиданием и ковариационной матрицей:

$D = \left| {\begin{array}{*{20}{c}} \sigma_{IQ}^2&\rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2&\rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2\\ \rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2&\sigma_{IQ}^2&\rho \left( \Delta \tau \right) \sigma_{IQ}^2\\ \rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2&\rho \left( \Delta \tau \right) \sigma_{IQ}^2&\sigma_{IQ}^2 \end{array}} \right|$ .

Разложение Холецкого

Существует разложение матрицы $A$ в виде $A = LL^T$ , где $L$ — нижняя треугольная матрица со строго положительными элементами на диагонали. Данное представление называется разложением Холецкого и относительно легко рассчитывается. Разложение Холецкого всегда существует и единственно для любой симметричной положительно-определённой матрицы.

Применим разложение Холецкого к ковариационной матрице:

$L = chol(D), D = LL^T$ .

Умножим полученную матрицу на вектор-столбец $r$ из трех независимых нормальных стандартных СВ:

$n_I = L * r$ .

Компоненты вектора $n_I$ образуют многомерную нормальную случайную величину, т.к. выполняется второе необходимое и достаточное условие.

Нетрудно показать, что вектор математических ожиданий $n_I$ - нулевой, а ковариационная матрица $D = LL^T$ . Таким образом, $n_I$ - требуемая многомерная СВ.

Реализация в MATLAB

@@ Строка 58: / Строка 58: @@
 \rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2&\rho \left( \Delta \tau \right) \sigma_{IQ}^2&\sigma_{IQ}^2
 \end{array}} \right|</math>.
+== Разложение Холецкого ==
+Существует разложение матрицы <math>A</math> в виде <math>A = LL^T</math>, где <math>L</math> — нижняя треугольная матрица со строго положительными элементами на диагонали. Данное представление называется [http://ru.wikipedia.org/wiki/Разложение_Холецкого разложением Холецкого] и относительно легко рассчитывается. Разложение Холецкого всегда существует и единственно для любой симметричной положительно-определённой матрицы.
+Применим разложение Холецкого к ковариационной матрице:
+<math>L = chol(D), D = LL^T</math>.
+Умножим полученную матрицу на вектор-столбец <math>r</math> из трех независимых нормальных стандартных СВ:
+<math>n_I = L * r</math>.
+Компоненты вектора <math>n_I</math> образуют многомерную нормальную случайную величину, т.к. выполняется второе необходимое и достаточное условие.
+Нетрудно показать, что вектор математических ожиданий <math>n_I</math> - нулевой, а ковариационная матрица <math>D = LL^T</math>. Таким образом, <math>n_I</math> - требуемая многомерная СВ.
+== Реализация в MATLAB ==
 [[Category:ММ РУиС (дисциплина)‎]]

Моделирование коррелированных гауссовых СВ — различия между версиями

Версия 11:41, 22 августа 2013

Содержание

Статистический эквивалент коррелятора

Многомерная нормальная СВ или вектор случайных величин?

Разложение Холецкого

Реализация в MATLAB

Персональные инструменты

Пространства имён

Варианты

Просмотры

Действия

Поиск

SRNS Wiki

Рабочие журналы

Приватный файлсервер

QNAP Сервер

Инструменты