Вероятностная характеристика - случайный процесс
Cтраница 2
Как отмечалось в разделе Вероятностные характеристики случайных процессов, одномерной плотности вероятности недостаточно для описания поведения случайного процесса во времени. [16]
Моменты случайного процесса - вероятностные характеристики случайного процесса, представляющие собой интегралы от степеней переменных интегрирования с плотностью, определяемой соответствующей конечно-мерной функцией распределения. [17]
Рассмотрим алгоритмы определения основных статистических оценок вероятностных характеристик случайных процессов. Для оценки плотности вероятности случайного процесса X ( t) используется массив чисел, составляющих его реализацию. Вначале необходимо произвести группирование данных массива. Значениям х, находящимся в одном и том же интервале /, приписывается значение xj, которое соответствует середине данного интервала. [18]
К этой же группе могут быть отнесены приборы, измеряющие вероятностные характеристики случайных процессов и полей. [19]
В настоящее время находят широкое применение цифровые методы измерения вероятностных характеристик случайных процессов, в которых оперируют с дискретными представлениями сигналов. [20]
Следующий шаг в процедуре моделирования состоит в явной привязке вероятностных характеристик случайного процесса к физическим свойствам среды. Подробное обсуждение этой проблемы мы отложим до тех пор, пока не сформулируем ее более точно, позаимствовав необходимые методы из теории вероятностей, но и сейчас вполне уместно сформулировать проблему на более эвристическом уровне, полагаясь на интуитивное понимание используемых вероятностных терминов. В некоторых случаях механизм, порождающий случайность среды, может быть точно указан. Именно так обстоит дело с лабораторными экспериментами по изучению влияния флуктуирующих внешних воздействий, в которых внешний шум контролируется экспериментатором. Но в большинстве случаев, особенно в естественных системах, ситуация, как правило, столь сложна, что вариации внешних параметров не могут быть приписаны какой-нибудь одной вполне определенной причине. Приходится довольствоваться экспериментальным наблюдением, согласно которому система воспринимает окружающую среду как источник шума. Действительно, рассмотрим два основных случая, охватывающих подавляющее большинство приложений. [21]
Соотношение ( 4 - 31) имеет большое значение при определении вероятностных характеристик случайного процесса по разреженным отсчетам реализации. В частности, оно позволяет решить вопрос о статистической точности важнейших оценок, применяемых в корреляционном и спектральном анализе. [22]
 |
К анализу систем при случайных воздействиях. [23] |
Выше были получены все расчетные формулы, которые необходимы для вычисления вероятностных характеристик случайных процессов, прошедших через линейную систему. [24]
В работе описан разработанный многоканальный анализатор измерительной информации для определения текущих значений вероятностных характеристик случайных процессов при динамических испытаниях автомобиля. Кратко рассмотрены функции и характеристики основных блоков информационно-измерительной системы экспресс-анализатора. Применение анализатора в исследовательской практике исключает необходимость полной регистрации информации. [25]
Уточнение расчетных значений шага квантования и длительности реализации проводится до тех пор, пока вероятностные характеристики случайного процесса не будут удовлетворять минимальной погрешности в оценке их значений. [26]
В задачах статистической идентификации ИДО наиболылее влияние на точность оказывает погрешность выполнения операторов нахождения вероятностных характеристик случайных процессов. [27]
Описанную схему можно сравнительно легко осуществить, если все параметры системы, а также все необходимые вероятностные характеристики случайных процессов, входящих в уравнения (2.68) и (2.69), заданы. [28]
Описанную схему можно сравнительно легко осуществить, если все параметры системы, а также все необходимые вероятностные характеристики случайных процессов, входящих в уравнения (7.1) и (7.2), заданы. Однако обычно лишь часть этих параметров задана априорными распределениями. Примером служат данные о случайных вибрационных нагрузках или о циклической прочности деталей и соединений. Для прогнозирования индивидуального остаточного ресурса необходимо знать реализации этих величин для данного объекта. Вместо этого мы имеем априорные распределения и другие априорные вероятностные характеристики, относящиеся ко всему ансамблю ( возможно, только мыслимому) аналогичных объектов, работающих в аналогичных условиях. Некоторая информация, пригодная для оценки параметров данной конкретной системы и параметров ее состояния, содержится в результатах наблюдений w ( Th) над объектом в процессе функционирования. Извлечение этой информации составляет задачу идентификации. [29]
Для разработки алгоритме фильтрации g [ г ( t) ] Я ( t) необходимо учитывать вероятностные характеристики случайных процессов, в то время как при неизменяющихся полезных сигналах х ( t) - const достаточно было рассматривать вероятностные характеристики случайных величин ( см. гл. В теории случайных процессов [ 39) сигнал описывается случайной функцией времени г ( t), мгновенные значении которой в любые моменты времени являются случайными величинами. Детерминированные сигналы описываются однозначно их функциональными зависимостями or текущего аргумента, а для случайных сигналов описание усложняется. Фиксируя на определенном промежутке времени мгновенные значения случайною процесса, получаем лишь одну реализацию zh ( t), где k - номер реализации. Заметим, что каждая конкретная реализация г, ( /) является детерминированной функцией времени. Отдельные реализации отличаются друг от друга, но в соответствии с законом распределения. [30]
Страницы: 1 2 3