ных процесса друг с другом никак не связаны (статистически независимы), то
Rxy (τ) = 0
Понятие о спектральной плотности связано с разложением стационарного случайного процесса на гармонические составляющие, подобные обычному разложению в ряд Фурье. Это позволяет при расчете автоматических систем, использовать частотные методы анализа.
Спектральная плотность S x (ω) случайного процессаx(t) характеризует спектральный (частотный) состав случайной величины и представляет собой частотную функцию для средних значений квадратов амплитуд гармоник, на которые может быть разложен случайный процесс.
Для стационарного случайного процесса спектральная плотность S x (ω) может быть получена как изображение Фурье корреляционной функцииR x (τ)
Sx (ω )= ∫ Rx (τ )å− j ωτ dτ
С помощью обратного преобразования Фурье можно определить корреляционную функцию через спектральную плотность
Rx (τ )= | ∞ Sx (ω )åj ωτ dω |
||
На рисунке 6.3 показаны графики корреляционной функции R x (τ) (смотри рисунок 6.2) и соответствующие им графики спектральной плотности S(ω). Это соотношение аналогично соотношению между переходной и частотной характеристикой системы: чем продолжительнее переходный процесс, тем уже его частотная характеристика. При рассмотрении случайных процессов: чем шире график корреляционной функции (кривые 3, 4) , тем уже график спектральной плотности и наоборот.
Рисунок 6. 3 – Корреляционные функции и соответствующие спектральные плотности центрированных стационарных процессов
В предельном случае, когда случайная величина x(t) является постоянной величиной и корреляционная функция тоже постоянная и равнаD x = a 2
(прямая 1), то спектральная плотность существует только при нулевой частоте и равна
Sx (ω )= 2π a2 δ (ω )
В другом предельном случае, когда случайная величина x(t) является абсолютно случайным процессом (белый шум), то корреляционная функция существует только приτ = 0 (прямая 2). Спектральная плотность такого случайного процесса равномерно распределена по всем частотам и равна
Sx (ω )= C2
Для непериодического случайного процесса (кривые 3, 4) корреляционная функция аппроксимируется R (τ )= D x å − α τ , тогда спектральная плотность определяется
Sx (ω )= 2D x α
α 2+ ω 2
Если случайная величина x(t) имеет периодическую составляющую при ω = ω0 , то спектральная плотность при частотах ω = + ω0 и ω = - ω0 будет иметь соответствующие пики (кривая 5). Корреляционная функция такого слу-
чайного процесса аппроксимируется | R(τ ) = Dx å− α | cos βτ . Спектральная |
|||||||||
плотность определяется | Dx α | Dx α | |||||||||
S÷ (ω )= | |||||||||||
α2 + (ω+ β) 2 | α2 + (ω− β) 2 |
||||||||||
Одним из основных параметров работы системы при случайных воздействиях является среднеквадратичное отклонение, которое характеризует отклонение случайной величины от его среднего значения. Если известна спектральная плотность сигнала S(ω) , то приτ = 0 можно определить дисперсию
Rx (0)= | ∫ Sx (ω )åj ω 0 dω = | ∫ Sx (ω ) dω |
|||
Тогда среднеквадратичное отклонение (СКО)
σ x = Dx = Rx (0)
По полученным основным характеристикам случайного процесса исследование автоматической системы на статистическую точность работы проводят
в следующей последовательности:
- по заданному случайному процессу определяют его корреляционную
функцию R x (τ) ;
- по корреляционной функции R x (τ) определяют спектральную плотность сигнала на входе системыS x (ω) ;
- по известной частотной передаточной функции системы W(jω) определяют спектральную плотность на выходе системыS y (ω) ;
- по полученной спектральной плотности на выходе системы S y (ω) определяют корреляционную функцию выходного сигналаR y (τ) ;
По корреляционной функции выходного сигнала R y (τ) определяют дисперсиюD y = R y (0) и среднеквадратичное отклонение регулируемой величины.
6.4 Анализ точности работы линейной системы при случайном воздействии
Если входное воздействие, приложенное к линейной системе, является случайным стационарным процессом x(t), то выходная величина y(t) то же будет случайным стационарным процессом. При этом предполагается, что рассматриваемая система устойчива. Ясно, что в этих условиях судить о точности работы системы нужно не по мгновенным значениям выходной величины, а по некоторым средним значениям, которые вычисляются по спектральной плотности выходного сигналаS y (ω) .
Пусть спектральная плотность входного сигнала S x (ω) , тогда спектральная плотность выходного сигналаS y (ω) определяется (без вывода)
S y (ω )= W (j ω )2 S x (ω )
Спектральная плотность выходного сигнала автоматической системы равна спектральной плотности входного сигнала умноженного на квадрат модуля частотной характеристики исследуемой системы.
Закон распределения случайной величины при прохождении ее через автоматическую систему в общем случае может меняться. Но если на входе линейной системы закон распределения нормальный, то и на выходе системы можно принять нормальное распределение.
Пусть математическое ожидание m x стационарного процессаx(t), на
входе линейной системы не равно нулю, тогда на основании принципа суперпозиции для линейных систем этот случайный процесс на входе системы можно представить
x1 (t)= mx + xo c (t),
где x o (t ) - центрированный случайный процесс на входе системы.
В этом случае математическое ожидание на выходе системы m y определяется, еслиm x умножить на частотную передаточную функцию приω =0
my = W(0) mx
Когда на систему одновременно действует случайный сигнал управления x a (t) и случайный сигнал возмущенияx n (t), то спектральная плотность ошибки регулированияS oш (ω) определяется
Sîø (ω )= Wa (jω )2 Sa (ω )+ Wn (jω )2 Sn (ω ),
где S a (ω) - спектральная плотность сигнала управления;S n (ω) - спектральная плотность сигнала возмущения;
W a (jω) - передаточная функция по ошибке регулирования;W n (jω) - передаточная функция по возмущению.
Дисперсия ошибки регулирования D y и общее среднеквадратичное ее значениеσ у определяется по формулам
Dy = 1 / 2π ∞ ∫ [ Wa (jω )2 Sa (ω )+ Wn (jω )2 Sn (ω )] dω ,
При подаче на вход системы случайных сигналов управления и возмущения общая среднеквадратичная ошибка определяется по теореме Пифагора по СКО управления и СКО возмущения
Отметим преимущества и недостатки оценки точности работы системы по среднеквадратичной ошибке регулирования (СКО). С помощью СКО можно оценить вероятность появления ошибки сверху. Так оценивает усредненное, статистическое значение ошибки, а не величина мгновенного значения ошибки. Поэтому для систем, где недопустимы большие ошибки (хотя и кратковременные) применяется другой метод расчета. Кроме этого, полученное СКО справедливо для больших промежутков времени (при T → ∞ ), а ошибки, связанные с кратковременным переходным процессом, практически не учитываются.
Если спектральные плотности и частотные передаточные функции заданы в виде дробно-рациональных функций от ω, то можно сразу определить дисперсию выходного сигналаD y , образно говоря, минуя определенияS y (ω) выходного сигнала иR y (τ) выходного сигнала. Значение дисперсии выходного сигнала определяется по табличному интегралуJ n в зависимости от порядка характеристического уравнения системы. Для этого подинтегральное выражение приводится к табличному виду
1 ∞ | 1 ∞ G(ω )dω | |||||||||||
J n= | W(jω ) | S(ω )dω = | −∫ ∞ | |||||||||
H(jω ) | ||||||||||||
где G(ω )= b0 ω 2n − 2 + b1 ω 2n − 4 + ...+ bn − 1 ; H(jω )= a0 (jω )n + a1 (jω )n − 1 + ...+ an.
Покажем формулы вычисления табличного интеграла по коэффициентам передаточной функции
J 1= | − b 0 a 2 + b 1 a 0 ; |
|||||||
2a0 a1 | 2a0 a1 a2 |
|||||||
J 3= | − b 0a 2a 3+ b 1a 0a 3− b 2a 0a 1 | |||||||
2a0 a3 (a1 a2 − a0 a3 ) | ||||||||
Для более высокой степени характеристического уравнения вычисления этих табличных интегралов становится громоздким. Поэтому используются другие методы статистического анализа.
Параметры системы, выбранные по критерию минимизации СКО необходимо оценить по возможности их технической реализации и, кроме этого, оценить изменившиеся динамические характеристики системы.
Пример 6.1 –По критерию минимизации СКО Определить оптимальное значение коэффициента усиленияK y для заданной линейной следящей системы (рисунок 6.4). На вход системы поступает случайный сигнал, управляющая
спектральная плотность которого S α = (2 D γ α ) . Одновременно на вход посту-
α 2+ ω 2
пают случайные помехи в виде белого шума со спектральной плотностью S n (ω) =С 2
Определяем частотную | передаточную |
||||||||||||||||||||||||||||||||||||||||
функцию по ошибке управления | |||||||||||||||||||||||||||||||||||||||||
W (jω )= | |||||||||||||||||||||||||||||||||||||||||
1 + Ky | / jω jω + Ky | ||||||||||||||||||||||||||||||||||||||||
Рисунок 6.4 – Структурная | |||||||||||||||||||||||||||||||||||||||||
схема системы к примеру 6.1 | 2 Частотная передаточная функция замк- |
||||||||||||||||||||||||||||||||||||||||
нутой системы | |||||||||||||||||||||||||||||||||||||||||
W (jω )= | K y / | ||||||||||||||||||||||||||||||||||||||||
1 + Ky | / jω jω + Ky | ||||||||||||||||||||||||||||||||||||||||
3 Дисперсия ошибки регулирования по управлению | |||||||||||||||||||||||||||||||||||||||||
1 ∞ | 2 2D γ α | 2Dγ α ∞ | ω2 d ω | ||||||||||||||||||||||||||||||||||||||
2 π−∞ ∫ | 2 π−∞ ∫ | ||||||||||||||||||||||||||||||||||||||||
jω + Ky | α 2+ ω 2 | (jω + Ky )(α + jω ) | |||||||||||||||||||||||||||||||||||||||
2Dγ α ∞ | ω2 d ω | α J | |||||||||||||||||||||||||||||||||||||||
2 π−∞ ∫ | |||||||||||||||||||||||||||||||||||||||||
(j ω )2 | + (K y +α ) j ω +K y α | ||||||||||||||||||||||||||||||||||||||||
4 Полученное подинтегральное выражение соответствует табличному интегралу J 2
G(ω) = ω2 , | +α ) j ω +K | b0 = 1, b1 = 0, | |||||||||||||||||||||
H(ω )= (jω ) 2 + | 1 , a | + α , a | |||||||||||||||||||||
− b a | K y α | ||||||||||||||||||||||
J 2= | |||||||||||||||||||||||
2(Ky + α ) Ky α | 2(Ky | +α ) | |||||||||||||||||||||
2a0 a1 a2 | |||||||||||||||||||||||
5 Это значение J 2 подставим в формулуD ош | |||||||||||||||||||||||
D îø= | 2Dγ α | Dγ α | |||||||||||||||||||||
2(Ky + α ) = | |||||||||||||||||||||||
K y + α | |||||||||||||||||||||||
6 Дисперсия ошибки регулирования от случайных помех в виде белого шума
2 ∞ | |||||||||||||||||
D пом= | −∞∫ | С2 dω = | −∞∫ | С2 Ky 2 J1 |
|||||||||||||
jω + Ky | jω + Ky | ||||||||||||||||
7 Полученное подинтегральное выражение соответствует табличному интегралу J 1
H(ω )= jω + Ky , a0 = 1, a1 = Ky |
|||||
J 1= | |||||
2a0 a1 | 2K y |
||||
Это значение J 1 подставим в формулуD ïîì | ||||||||||||||||
С2 Ky | С2 Ky | |||||||||||||||
2K y | ||||||||||||||||
Дисперсия суммарной ошибки D общ | ||||||||||||||||
D α | С2 Ky | |||||||||||||||
D +D |
||||||||||||||||
K y + α | ||||||||||||||||
10 Для определения оптимального значения K y , при котором суммарная ошибка минимальная, построим графикиD ош , D пом , D общ в зависимости отK y (рисунок 6.5).
D ошD помD общ
D общ
D пом
D ош
К оптК у
Рисунок 6.5 – Графическое определение оптимального значения K y к примеру 6.1
По графикам видно, что с увеличением K y дисперсия ошибки по управлениюD ош уменьшается, а дисперсия ошибки от помехD пом увеличивается. При большем коэффициенте усиления помехи свободнее проходят через систему. В зависимости от степени неопределенности сигнала управления (коэффициент α) и от интенсивности помех (коэффициент С2 ) можно получить разное оптимальное значениеK y .
6.5 Особенности расчета случайного процесса в нелинейной системе
Если случайный сигнал проходит нелинейное звено, то расчет такой системы существенно усложняется по сравнению с расчетом прохождения случайного сигнала через линейное звено. На рисунке 6.6 показано прохождение случайного сигнала через нелинейный элемент с насыщением F(x).
а - прохождение случай- |
|||
ного сигнала через нели- |
|||
нейный элемент; |
|||
б - случайный входной |
|||
в - нелинейный элемент с |
|||
насыщением; |
|||
г - выходной сигнал по- |
|||
сле нелинейного элемен- |
|||
б а
Рисунок 6.6 – Прохождение случайного сигнала через нелинейный элемент
В данном примере за счет участка насыщения случайный сигнал не полностью проходит через нелинейный элемент и в результате дисперсия выходного сигнала или «коридор», в пределах которого размещаются выходной сигнал, будет меньше. На рисунке 6.6 показано, что часть случайного входного сигнала попала на зону насыщения и не прошла через нелинейное звено. Это привело к изменению дисперсии выходного сигнала (она уменьшается) и к уменьшению его среднего значения. Уточняем, уменьшение этих параметров выходного случайного сигнала произошло не за счет коэффициента усиления, а из-за нелинейности характеристики элемента в виде зоны насыщения.
Рассмотрим вначале структурную схему линейной системы управления (рисунок 6.7), на вход который подается случайный сигнал
x(t) = mx (t)+ xo (t)
где m x - математическое ожидание входного сигнала;
x ° (t) - помехи и шумы входного сигнала, которые характеризуются дисперсией(D x ).
В этой линейной системе, используя принцип суперпозиции, можно отдельно и независимо друг от друга определить математическое ожидание вы-
ходного сигнала m
my (t)
yт (t)
x° (t)
y° (t)
y q (t) - действительный выходной
y т (t) -теоретически рассчитанный выходной сигнал
Рисунок 6.7 – Прохождение случайного сигнала через линейную систему управления
yq (t) |
|||
mx (t) | my (t) |
||
K0 (mx , σx )W(0) | |||
ym (t)
K1 (mx , σx )W(p)
Рисунок 6.8 – Прохождение случайного сигнала через нелинейное звено
сунок 6.7). Этот расчет показан в подразделе 6.4 и в примере 6.1.
Если такой же случайный сигнал будет подан на нелинейную систему управления (рисунок 6.8), то математическое ожидание на выходе системы зависит от изменения дисперсии, а изменение дисперсии зависит от изменения математического ожидания. Эти две характеристики случайного процесса становится взаимно связанны. Обозначим через K 0 (m x , σ x ) эту взаимозависимость математического ожидания от дисперсии входного сигналаD x. . При расчете удобнее вместо дисперсииD x использовать среднеквадратичное отклонениеσ x .
Соответственно обозначим через K 1 (m x , σ x ) взаимосвязь среднеквадратичного отклонения от математического ожидания. Тогда
ym (t)= my + yo (t)= K0 mx + K1 xo (t)
Для нахождения этих коэффициентов K 0 иK 1 при расчете прохождения сигнала через нелинейное звено используетсяметод стати-
стической линеаризации нелинейного элемента
Метод статистической линеаризации основан на замене нелинейного элемента статистически эквивалентным линеаризованным элементом.
Этот метод статистической линеаризации по общей идее (аналогичен методу гармонической линеаризации.
Рассмотрим так называемую энергетическую форму интеграла Фурье. В главе 5 были приведены формулы (7.15) и (7.16), дающие переход от функции времени к изображению Фурье и обратно. Если рассматривается некоторая случайная функция времени х (с), то для нее эти формулы могут быть записаны в виде
и проинтегрируем по всем
заменим выражением (11.54):
Величина, находящаяся в квадратных скобках (11.57), как нетрудно видеть, является исходной функцией времени (11.55). Поэтому в результате получается так называемая формула Релея (теорема Парсеваля), которая и соответствует энергетической форме интеграла Фурье:
Правая часть (11.58) и (11.39) представляет собой величину, пропорциональную энергии рассматриваемого процесса. Так, например, если рассматривается ток, протекающий по некоторому резистору с сопротивлением К, то энергия, выделившаяся в этом резисторе за время и будет
Формулы (11.58) и (11.59) и выражают энергетическую форму интеграла Фурье.
Однако эти формулы неудобны тем, что для большинства процессов энергия за бесконечный интервал времени стремится также к бесконечности. Поэтому удобнее иметь дело не с энергией, а со средней мощностью процесса, которая будет получена, если энергию поделить на интервал наблюдения. Тогда формулу (11.58) можно представить в виде
Вводя обозначение
носит название спектральной плотности. Важным
По своему физическому смыслу спектральная плотность есть величина, которая пропорциональна средней мощности процесса в интервале частот от со до со + й?со.
В некоторых случаях спектральную плотность рассматривают только для положительных частот, удваивая ее при этом, что можно сделать, так как спектральная плотность является четной функцией частоты. Тогда, например, формула (11.62) должна быть записана в виде
- спектральная плотность для положительных частот.
так как при этом формулы получают более симметричный характер.
Весьма важным обстоятельством является то, что спектральная плотность и корреляционная функция случайных процессов представляют собой взаимные преобразования Фурье, т. е. они связаны интегральными зависимостями типа (11.54) и (11.55). Это свойство приводится без доказательств .
Таким образом, могут быть записаны следующие формулы:
Так как спектральная плотность и корреляционная функция представляют собой четные вещественные функции, то иногда формулы (11.65) и (11.66) представляют в более простом виде;
)
Это вытекает из того, что имеют место равенства:
и мнимые части могут быть отброшены после подстановки в (11.65) и (11.66), так как слева стоят вещественные функции.
заключается в том, что чем уже график спектральной плотности (рис, 11.16, а), т. е. чем меньшие частоты представлены в спектральной плотности, тем медленнее изменяется величина х во времени. Наоборот, чем шире график спектральной плотности (рис. 11.16, б), т. е. чем большие частоты представлены в спектральной плотности, тем тоньше структура функции х (г) и тем быстрее происходят изменения.г во времени.
Как видно из этого рассмотрения, связь между видом спектральной плотности и видом функции времени получается обратной но сравнению со связью между корреляционной функцией и самим процессом (рис. 11.14). Отсюда вытекает, что более широкому графику спектральной плотности должен соответствовать более узкий график корреляционной функции и наоборот.
И 8 (со). Эти функции, в отличие от импульсных функций, рассматривавшихся в главе 4, являются четными. Это означает, что функция 8 (т) расположена симметрично относительно начала координат и может быть определена следующим образом;
Аналогичное определение относится к функции 8 (со). Иногда в рассмотрение вводят нормированную спектральную плотность, являющуюся изображением Фурье нормированной корреляционной функции (11.52):
и следовательно,
где О - дисперсия.
Взаимные спектральные плотности также являются мерой связи между двумя случайными величинами. При отсутствии связи взаимные спектральные плотности равны нулю.
Рассмотрим некоторые примеры.
Эта функция изображена на рис. 11.17, а. Соответствующее ей изображение Фурье на основании табл. 11.3 будет
Спектр процесса состоит из единственного пика типа импульсной функции, расположенной в начале координат (рис. 11,17, б).
Это означает, что вся мощность рассматриваемого процесса сосредоточена на пулевой частоте, что и следовало ожидать.
Эта функция изображена на рис. 11.18, а, В соответствии с табл. 11.3 спектральная плотность будет
3. Для периодической функции, разлагаемой в ряд Фурье
кроме периодической части будет содержать непериодическую составляющую, то спектр этой функции будет содержать, наряду с отдельными линиями типа импульсной функции, также и непрерывную часть (рис. 11.20). Отдельные пики на графике спектральной плотности указывают на присутствие в исследуемой функции скрытых нериодичностей.
не содержит периодической части, то она будет иметь непрерывный спектр без ярко выраженных пиков.
Рассмотрим некоторые стационарные случайные процессы, имеющие значение при исследовании систем управления. Будем рассматривать только центрированные
При этом средний квадрат случайной величины будет равен дисперсии:
учет постоянного смещения в системе управления является элементарным.
(рис. 11.21, а):
Пример такого процесса - тепловые шумы резистора, которые дают уровень спектральной плотности хаотического напряжения на этом резисторе
Абсолютная температура.
На основании (11,68) спектральной плотности (11.71) соответствует корреляционная функция
отсутствует корреляция между последующими и предыдущими значениями случайной величины х.
а следовательно, бесконечно большая мощность.
Чтобы получить физически реальный процесс, удобно ввести понятие белого шума с ограниченной спектральной плотностью (рис. 11.21, б):
Полоса частот для спектральной плотности.
Этому процессу соответствует корреляционная функция
Среднеквадратичное значение случайной величины пропорционально корню квадратному из полосы частот:
Часто бывает удобнее аппроксимировать зависимость (11.73) плавной кривой. Для этой цели можно, например, использовать выражение
Коэффициент, определяющий ширину полосы частот.
Процесс приближается к белому шуму, так
как для этих частот
Интегрирование (11.77) по всем частотам дает возможность определить дисперсию:
Поэтому спектральная плотность (11.77) может быть записана в другом виде:
Корреляционная функция для этого процесса
Корреляционная функция также изображена на рис. 11.21, в.
Переход от одного значения к другому совершается мгновенно. Интервалы времени подчиняются закону распределения Пуассона (11.4).
График такого вида получается, например, в первом приближении при слежении радиолокатором за движущейся целью. Постоянное значение скорости соответствует движению цели по прямой. Перемена знака или величины скорости соответствует маневру цели.
Будет средним значением интервала времени, в течение которого угловая скорость сохраняет постоянное значение. Применительно к радиолокатору это значение будет средним временем движения цели по прямой.
Для определения корреляционной функции необходимо найти среднее значение произведения
При нахождении этого произведения могут быть два случая.
относятся к одному интервалу. Тогда среднее значение произведения угловых скоростей будет равно среднему квадрату угловой скорости или дисперсии:
относятся к разным интервалам. Тогда среднее значение произведения скоростей будет равно пулю:
так как произведения с положительным и отрицательным знаками будут равновероятными. Корреляционная функция будет равна
Вероятность нахождения их в разных интервалах.
Вероятность отсутствия
Для интервала времени
так как эти события независимые.
В результате для конечного промежутка Ат получаем
Знак модуля при т поставлен вследствие того, что выражение (11.80) должно соответствовать четной функции. Выражение для корреляционной функции совпадает с (11.79). Поэтому спектральная плотность рассматриваемого процесса должна совпадать с (11.78):
Заметим, что в отличие от (11.78) формула спектральной плотности (11.81) записана для угловой скорости процесса (рис. 11.22). Если перейти от угловой скорости к углу, то получится нестационарный случайный процесс с дисперсией, стремящейся к бесконечности. Однако в большинстве случаев следящая система, на входе которой действует этот процесс, обладает астатизмом первого и более высоких порядков. Поэтому первый коэффициент ошибки с0 у следящей системы равен нулю и ее ошибка будет определяться только входной скоростью и производными более высоких порядков, относительно которых процесс стационарен. Это дает возможность использовать спектральную плотность (11.81) при расчете динамической ошибки следящей системы.
3. Нерегулярная качка. Некоторые объекты, например корабли, самолеты и другие, находясь под действием нерегулярных возмущений (нерегулярное волнение, атмосферные возмущения и т. п.), движутся но случайному закону Так как сами объекты имеют определенную им свойственную, частоту колебаний, то они обладают свойством подчёркивать те частоты возмущений, которые близки к их собственной частоте колебаний. Получающееся при этом случайное движение объекта называют нерегулярной качкой в отличие от регулярной качки, представляющей собой периодическое движение.
Типичный график нерегулярной качки изображен на рис. 11.23. Из рассмотрения этого графика видно, что, несмотря на случайный характер, это
движение довольно близко к периодическому.
В практике корреляционную функцию нерегулярной качки часто аппроксимируют выражением
Дисперсия.
находятся обычно путем обработки экспериментальных данных (натурных испытаний).
Корреляционной функции (11.82) соответствует спектральная плотность (см. табл. 11.3)
Неудобством аппроксимации (11.82) является то, что этой формулой можно описать поведение какой-либо одной величины нерегулярной качки (угла, угловой скорости или углового ускорения), В этом случае величина О будет соответствовать дисперсии угла, скорости или ускорения.
Если, например, записать формулу (11.82) для угла, то этому процессу будет соответствовать нерегулярная камка с дисперсией для угловых скоростей, стремящейся к бесконечности, т. е. это будет физически нереальный процесс.
Более удобная формула для аппроксимации угла качки
Однако и эта аппроксимация соответствует физически нереальному процессу, так как дисперсия углового ускорения получается стремящейся к бесконечности.
Для получения конечной дисперсии углового ускорения требуются еще более сложные формулы аппроксимации, которые здесь не приводятся.
Типичные кривые для корреляционной функции и спектральной плотности нерегулярной качки приведены на рис. 11.24.
Пусть сигнал s (t ) задан в виде непериодической функции, причем он существует только на интервале (t 1 ,t 2) (пример - одиночный импульс). Выберем произвольный отрезок времени T , включающий в себя интервал (t 1 ,t 2) (см. рис.1).
Обозначим периодический сигнал, полученный из s (t ), в виде (t ). Тогда для него можно записать ряд Фурье
Для того, чтобы перейти к функции s (t ) следует в выражении (t ) устремить период к бесконечности. При этом число гармонических составляющих с частотами w =n 2p /T будет бесконечно велико, расстояние между ними будет стремиться к нулю (к бесконечно малой величине:
амплитуды составляющих также будут бесконечно малы. Поэтому говорить о спектре такого сигнала уже нельзя,т.к.спектр становится сплошным.
Внутренний интеграл является функцией частоты. Его называют спектральной плотностью сигнала, или частотной характеристикой сигнала и обозначают т.е.
Пределы интегрирования можно для общности поставить бесконечными, так как все равно там, где s(t) равна нулю, и интеграл равен нулю.
Выражение для спектральной плотности называют прямым преобразованием Фурье. Обратное преобразование Фурье определяет временную функцию сигнала по его спектральной плотности
рямое (*) и обратное (**) преобразования Фурье вместе называют парой преобразований Фурье. Модуль спектральной плотности 
определяет амплитудно-частотную характеристику (АЧХ) сигнала, а ее аргумент 
называют фазо-частотной характеристикой (ФЧХ) сигнала. АЧХ сигнала является четной функцией, а ФЧХ - нечетной.
Смысл модуля S (w ) определяется как амплитуда сигнала (тока или напряжения), приходящаяся на 1 Гц в бесконечно узкой полосе частот, которая включает в себя рассматриваемую частоту w . Его размерность - [сигнал/частота].
Энергетический спектр сигнала. Если функция s(t) имеет фурье-плотность мощности сигнала (спектральная плотность энергии сигнала ) определяется выражением:
w(t) = s(t)s*(t) = |s(t)|2 |S()|2 = S()S*() = W(). (5.2.9)
Спектр мощности W()-вещественная неотрицательная четная функция, которую обычно называют энергетическим спектром. Спектр мощности, как квадрат модуля спектральной плотности сигнала, не содержит фазовой информации о его частотных составляющих, а, следовательно, восстановление сигнала по спектру мощности невозможно. Это означает также, что сигналы с различными фазовыми характеристиками могут иметь одинаковые спектры мощности. В частности, сдвиг сигнала не отражается на его спектре мощности. Последнее позволяет получить выражение для энергетического спектра непосредственно из выражений (5.2.7). В пределе, для одинаковых сигналов u(t) и v(t) при сдвиге t 0, мнимая часть спектра Wuv () стремится к нулевым значениям, а реальная часть - к значениям модуля спектра. При полном временном совмещении сигналов имеем:
т.е. энергия сигнала равна интегралу квадрата модуля его частотного спектра - сумме энергии его частотных составляющих, и всегда является вещественной величиной.
Для произвольного сигнала s(t) равенство
обычно называют равенством Парсеваля (в математике – теоремой Планшереля, в физике – формулой Релея). Равенство очевидно, так как координатное и частотное представления по существу только разные математические отображения одного и того же сигнала. Аналогично для энергии взаимодействия двух сигналов:
Из равенства Парсеваля следует инвариантность скалярного произведения сигналов и нормы относительно преобразования Фурье:
В целом ряде чисто практических задач регистрации и передачи сигналов энергетический спектр сигнала имеет весьма существенное значение. Периодические сигналы переводятся в спектральную область в виде рядов Фурье. Запишем периодический сигнал с периодом Т в виде ряда Фурье в комплексной форме:
Интервал 0-Т содержит целое число периодов всех подынтегральных экспонент, и равен нулю, за исключением экспоненты при k = -m, для которой интеграл равен Т. Соответственно, средняя мощность периодического сигнала равна сумме квадратов модулей коэффициентов его ряда Фурье:
Энергетический спектр сигнала – это распределение энергии базисных сигналов, которые составляют негармонический сигнал, на оси частот. Математически энергетический спектр сигнала равен квадрату модуля спектральной функции:
Соответственно амплитудно-частотный спектр показывает множество амплитуд составляющих базисных сигналов на частотной оси, а фазо-частотный – множество фаз
Модуль спектральной функции часто называют амплитудным спектром , а ее аргумент – фазовым спектром .
Кроме того, существует и обратное преобразование Фурье, позволяющее восстановить исходный сигнал, зная его спектральную функцию:
Например, возьмем прямогульный импульс:
Еще один пример спектров:
Частота Найквиста, теорема Котельникова .
Частота Найквиста - в цифровой обработке сигналов частота, равная половине частоты дискретизации. Названа в честь Гарри Найквиста. Из теоремы Котельникова следует, что при дискретизации аналогового сигнала потерь информации не будет только в том случае, если спектр (спектральная плотность)(наивысшая частота полезного сигнала) сигнала равен или ниже частоты Найквиста. В противном случае при восстановлении аналогового сигнала будет иметь место наложение спектральных «хвостов» (подмена частот, маскировка частот), и форма восстановленного сигнала будет искажена. Если спектр сигнала не имеет составляющих выше частоты Найквиста, то он может быть (теоретически) продискретизирован и затем восстановлен без искажений. Фактически «оцифровка» сигнала (превращение аналогового сигнала в цифровой) сопряжена с квантованием отсчѐтов - каждый отсчѐт записывается в виде цифрового кода конечной разрядности, в результате чего к отсчетам добавляются ошибки квантования (округления), при определенных условиях рассматриваемые как «шум квантования».
Реальные сигналы конечной длительности всегда имеют бесконечно широкий спектр, более или менее быстро убывающий с ростом частоты. Поэтому дискретизация сигналов всегда приводит к потерям информации (искажению формы сигнала при дискретизации-восстановлении), как бы ни была высока частота дискретизации. При выбранной частоте дискретизации искажение можно уменьшить, если обеспечить подавление спектральных составляющих аналогового сигнала (до дискретизации), лежащих выше частоты Найквиста, для чего требуется фильтр очень высокого порядка, чтобы избежать наложения «хвостов». Практическая реализация такого фильтра весьма сложна, так как амплитудно-частотные характеристики фильтров имеют не прямоугольную, а гладкую форму, и образуется некоторая переходная полоса частот между полосой пропускания и полосой подавления. Поэтому частоту дискретизации выбирают с запасом, к примеру, в аудио компакт-дисках используется частота дискретизации 44100 Герц, в то время как высшей частотой в спектре звуковых сигналов считается частота 20000 Гц. Запас по частоте Найквиста в 44100 / 2 - 20000 = 2050 Гц позволяет избежать подмены частот при использовании реализуемого фильтра невысокого порядка.
Теорема Котельникова
Для того, чтобы восстановить исходный непрерывный сигнал из дискретизированного с малыми искажениями (погрешностями), необходимо рационально выбрать шаг дискретизации. Поэтому при преобразовании аналогового сигнала в дискретный обязательно возникает вопрос о величине шага дискретизации Интуитивно нетрудно понять следующую идею. Если аналоговый сигнал обладает низкочастотным спектром, ограниченным некоторой верхней частотой Fe, (т.е. функция u(t) имеет вид плавно изменяющейся кривой, без резких изменений амплитуды), то вряд ли на некотором небольшом временном интервале дискретизации эта функция может существенно изменяться по амплитуде. Совершенно очевидно, что точность восстановления аналогового сигнала по последовательности его отсчетов зависит от величины интервала дискретизации Чем он короче, тем меньше будет отличаться функция u(t) от плавной кривой, проходящей через точки отсчетов. Однако с уменьшением интервала дискретизации существенно возрастает сложность и объем обрабатывающей аппаратуры. При достаточно большом интервале дискретизации возрастает вероятность искажения или потери информации при восстановлении аналогового сигнала. Оптимальная величина интервала дискретизации устанавливается теоремой Котельникова (другие названия - теорема отсчетов, теорема К. Шеннона, теорема X. Найквиста: впервые теорема была открыта в математике О. Коши, а затем описана повторно Д. Карсоном и Р. Хартли), доказанной им в 1933 г. Теорема В. А. Котельникова имеет важное теоретическое и практическое значение: дает возможность правильно осуществить дискретизацию аналогового сигнала и определяет оптимальный способ его восстановления на приемном конце по отсчетным значениям.
Согласно одной из наиболее известных и простых интерпретаций теоремы Котельникова, произвольный сигнал u(t), спектр которого ограничен некоторой частотой Fe может - быть полностью восстановлен по последовательности своих отсчетных значений, следующих с интервалом времени
Интервал дискретизации и частоту Fe (1) в радиотехнике часто называют соответственно интервалом и частотой Найквиста. Аналитически теорема Котельникова представляется рядом 
где k - номер отсчета; - значение сигнала в точках отсчета - верхняя частота спектра сигнала.
Частотное представление дискретных сигналов .
Большинство сигналов можно представить в виде ряда Фурье:
Спектральная плотность и сигнал связаны между собой парой преобразований Фурье:
Все свойства спектральной плотности объединены в основных теоремах о спектрах.
I. Свойство линейности.
Если имеется некоторая совокупность сигналов причём,…, то взвешенная сумма сигналов преобразуется по Фурье следующим образом:
Здесь - произвольные числовые коэффициенты.
II. Теорема о сдвигах.
Предположим, что для сигнала известно соответствие. Рассмотрим такой же сигнал, но возникающий на секунд позднее. Принимая точку за новое начало отсчёта времени, обозначим этот смещённый сигнал как. Введём замену переменной: . Тогда,
Модуль комплексного числа при любых равен 1, поэтому амплитуды элементарных гармонических составляющих, из которых складывается сигнал, не зависят от его положения на оси времени. Информация об этой характеристике сигнала заключена фазовом спектре.
III. Теорема масштабов.
Предположим, что исходный сигнал подвергнут изменению масштаба времени. Это означает, что роль времени играет новая независимая переменная (- некоторое вещественное число.) Если > 1, то происходит “ сжатие” исходного сигнала; если же 0<<1, то сигнал “растягивается” во времени. Если, то:
Произведём замену переменной, тогда, откуда следует:
При сжатии сигнала в раз на временной оси во столько же раз расширяется его спектр на оси частот. Модуль спектральной плотности при этом уменьшается в раз.
Очевидно, что при растягивании сигнала во времени (т.е. при <1) имеет место сужение спектра и увеличение модуля спектральной плотности.
IV. Теорема о спектре производной и неопределённого интеграла.
Пусть сигнал и его спектральная плоскость заданы. Будем изучать новый сигнал и поставим цель найти его спектральную плотность.
По определению:
Преобразование Фурье - линейная операция, значит, равенство (2.3) справедливо и по отношению к спектральным плотностям. Получаем по теореме о сдвигах:
Представляя экспоненциальную функцию рядом Тейлора:
подставляя этот ряд в (2.6) и ограничиваясь первыми двумя членами ряда, находим
Итак, дифференцирование сигнала по времени эквивалентно простой алгебраической операции умножения спектральной плотности на множитель. Поэтому говорят, что мнимое число является оператором дифференцирования, действующим в частотной области.
Вторая часть теоремы. Рассмотренная функция является неопределённым интегралом по отношению к функции. Интеграл это есть, значит - его спектральная плотность, а из формулы (2.7) равна:
Таким образом, множитель служит оператором интегрирования в частотной области.
V. Теорема о свёртке.
При суммировании сигналов их спектры складываются. Однако спектр произведения сигналов не равен произведению спектров, а выражается некоторым специальным интегральным соотношением между спектрами сомножителей.
Пусть и - два сигнала, для которых известны соответствия,. Образуем произведение этих сигналов: и вычислим его спектральную плотность. По общему правилу:
Применив обратное преобразование Фурье, выразим сигнал через его спектральную плотность и подставим результат в (2.9):
Изменив порядок интегрирования, будем иметь:
Интеграл, стоящий в правой части называют свёрткой функций и. Символически операция свёртки обозначается как *
Таким образом, спектральная плотность произведения двух сигналов с точностью до постоянного числового множителя равна свёртке спектральных плотностей сомножителей.
Функция не является периодической, поэтому она не может быть разложена в ряд Фурье. С другой стороны, функция из-за неограниченной длительности не интегрируема и поэтому не может быть представлена интегралом Фурье. Для избежания этих трудностей вводится вспомогательная функция , которая совпадает с функцией на интервале и равна нулю вне этого интервала:
(5.15)
Функция интегрируема и для нее существует прямое преобразование Фурье (интеграл Фурье):
(5.16)
Спектральной плотностью мощности случайного сигнала (или просто спектральной плотностью ) называется функция вида:
(5.17)
Спектральная плотность - это функция, характеризующая распределение средних значений квадратов амплитуд гармоник сигнала. Спектральная плотность обладает следующими свойствами:
1. Чем быстрее изменяется стационарный случайный процесс, тем шире график .
2. Отдельные пики на графике спектральной плотности свидетельствуют о наличии у случайного сигнала периодических составляющих.
3. Спектральная плотность является четной функцией:
(5.18)
Спектральная плотность связана с дисперсией сигнала следующим соответствием:
(5.19)
Экспериментально спектральная плотность определяется (вычисляется) по следующей схеме:
Рис. 5.6.
Спектральная плотность связана с корреляционной функцией следующим выражением (по теореме Хинчина-Винера):
(5.20)
(5.21)
Если разложить множители и с помощью формулы Эйлера и учесть, что , и являются четными функциями, а - нечетная функция, то выражения (5.20), (5.21) можно преобразовать к следующему виду:
(5.22)
(5.23)
Выражения (5.23), (5.24) применяют в практических расчетах. Нетрудно заметить, что при выражение (5.24) определяет дисперсию стационарного случайного процесса.:
(5.24)
Соотношения, связывающие корреляционную функцию и спектральную плотность, обладают всеми присущими преобразованию Фурье свойствами и определяют следующие сравнительные характеристики: чем шире график , тем уже график , и наоборот, чем быстрее убывает функция , тем медленнее уменьшается функция . Эту взаимосвязь иллюстрируют графика на рис (5.7), (5.8)
Рис. 5.7.
Рис. 5.8.
Линии 1 на обоих рисунках соответствуют медленно меняющемуся случайному сигналу, в спектре которого преобладают низкочастотные гармоники. Линии 2 соответствуют быстроменяющемуся сигналу, в спектре которого преобладают высокочастотные гармоники.
Если случайный сигнал изменяется во времени очень резко и между его предыдущими и последующими значениями корреляция практически отсутствует, то корреляционная функция имеет вид дельта-функции (линия 3). График спектральной плотности в этом случае представляет горизонтальную прямую в диапазоне. Это указывает на то, что амплитуды гармоник во всем диапазоне частот одинаковы. Такой сигнал называется белым шумом (по аналогии с белым светом, у которого, как известно, интенсивность всех компонент одинакова).
Понятие «белого шума» является математической абстракцией. Физически сигналы в виде белого шума неосуществимы, так как бесконечно широкому спектру соответствует бесконечно большая дисперсия, а следовательно, бесконечно большая мощность. Однако часто реальные системы с конечным спектром можно приближенно рассматривать как белый шум. Это упрощение правомерно в тех случаях, когда спектр сигнала значительно шире полосы пропускания системы, на которую действует сигнал.
