Глава 15. ИНЕРЦИОННЫЕ НЕЛИНЕЙНЫЕ ПРЕОБРАЗОВАНИЯ БЕЛЫХ ШУМОВ
15.1. Постановка задачи. Метод исследования
1. Всякая реальная динамическая система, будь то линейная или нелинейная, является инерционной. Обратимся, например, к схеме реального детектора (рис. 15.1). Напряжение на выходе системы подчиняется уравнению
(15.1.1)
где
— вольт-амперная характеристика диода, а
— заданный входной шум. Отсюда видно, что связь между входной и выходной переменными является не только нелинейной, но и инерционной, и эту инерционность мы должны теперь учитывать.
Если отвлечься от того, что переменные
и
являются случайными процессами, то (15.1.1) есть обычное дифференциальное уравнение первого порядка. Вся трудность заключается в том, что для решения таких уравнений с произвольной функцией
не существует каких-либо регулярных количественных методов. Практически чаще всего каждое конкретное нелинейное уравнение приходится решать своими методами. И эта сложность ситуации усугубляется, если уравнение является стохастическим.
Здесь нет возможности получить решение в виде зависимости
как функции от
и искать статистические свойства
непосредственно через статистические свойства
. По этой причине единственное, на что здесь можно рассчитывать, — это составление уравнений для статистических характеристик случайных процессов
и
и их решение теми или иными точными или приближенными методами.
2. Итак, рассмотрим общий вид нелинейного дифференциального уравнения первого порядка, связывающего выходной
и входной
случайный процессы:
(15.1.2)
Рис. 15.1.
Если
есть произвольный случайный процесс, задача отыскания статистических характеристик выходной переменной
становится наиболее сложной. В этом случае кумулянтный подход также может быть эффективен, однако для этого требуется введение так называемых стохастических функционалов (см., например, [65, 66]) и разработка техники их кумулянтного анализа [31]. Хотя методы этого анализа близки к предмету настоящей книги, мы здесь не будем их касаться.
Если же
является совершенно случайным или марковским процессом, или, наконец, компонентой марковского процесса, чем мы в дальнейшем и ограничимся, то для решения поставленной задачи можно привлечь аппарат теории марковских процессов, развитый в гл. 10, и записать дифференциальные уравнения для кумулянтов и кумулянтных функций искомого случайного процесса
, поскольку в этом случае он сам будет или марковским процессом, или его компонентой.
В этой главе мы ограничимся совершенно случайным процессом и
приводящим к марковскому процессу
, т. е. будем рассматривать инерционное нелинейное преобразование белого шума. Функцию
будем предполагать при этом гладкой по всем аргументам.
3. При обращении к реальным системам мы никогда не получим в качестве
настоящего совершенно случайного процесса, все времена статистической зависимости которого равны нулю. Любой реальный процесс, каким бы быстрым его нельзя было считать, всегда имеет отличные от нуля значения и времени корреляции, и времен статистической зависимости высших порядков.
Вместе с этим представляется, что такой широкополосный процесс можно аппроксимировать совершенно случайным процессом, если система является достаточно инерционной. Однако все дело в том, что значит «достаточно инерционна».
Очевидно, надо ввести постоянную времени системы
и сравнить ее с
— максимальным временем статистической зависимости случайного процесса. Если
будет много больше
, то тогда можно, в принципе, заменить
совершенно случайным процессом. Однако при произвольной нелинейной функции
и произвольном
мы не можем a priorl определить
. Чтобы найти эту постоянную времени, надо по существу решить сначала поставленную задачу и затем уже, анализируя полученное значение
, которое зависит от параметров
, выяснить условия, налагаемые на
.
Таким образом, мы должны действовать следующим образом. Предполагая
, найти статистические характеристики выходной переменной
и в том числе
, а затем уже проверить, не противоречит ли полученное значениетс принятому предположению. Это значит, что мы сначала должны решить задачу о воздействии
шума на рассматриваемую систему, а затем уже выяснить условия, при которых гладкий шум может быть заменен совершенно случайным процессом. Откладывая выяснение этих условий до следующей главы, будем считать здесь их выполненными и рассматривать
как совершенно случайный процесс с нулевым средним значением.
4. Обычно, когда говорят о широкополосном случайном процессе
, имеют в виду, как правило, спектр мощности и соответственно малость его времени корреляции. Однако малость времени корреляции не означает малости времен статистической зависимости высших порядков, что только и может определить процесс Е
как приближенно совершенно случайный. На языке спектров это означает, что не только спектр мощности — спектр второго порядка — должен быть широкополосным (по сравнению с полосой системы
, но широкополосными должны быть также и спектры высших порядков, в принципе (при произвольной функции
, все спектры высших порядков. Вместе с этим, конечно, если процесс
гауссов, то достаточно лишь малости времени корреляции и широкополосного спектра мощности.
5. Итак, мы имеем марковский процесс, описываемый уравнением (15.1.2). Используя результаты гл. 10, можно написать для этого марковского процесса дифференциальные уравнения его кумулянтов и кумулянтных функций.
Эти уравнения для функции
, нелинейной по
, являются бесконечной цепочкой зацепляющихся уравнений (нелинейных для кумулянтов и линейных для кумулянтных функций). Это значит, что для точного вычисления хотя бы первых кумулянтов и кумулянтных функций необходимо решить всю бесконечную последовательность уравнений, что невозможно. Следовательно, неизбежен приближенный анализ, при котором полагаются равными нулю все кумулянты и кумулянтные функции, начиная с какого-либо порядка.
Это, в свою очередь, означает, что при анализе марковского процесса, заданного дифференциальным уравнением (15.1.2), мы будем ограничиваться модельными приближениями. Для рассматриваемых далее конкретных примеров будем использовать главным образом гауссово и эксцессное приближения.