Полезное:
Как сделать разговор полезным и приятным
Как сделать объемную звезду своими руками
Как сделать то, что делать не хочется?
Как сделать погремушку
Как сделать так чтобы женщины сами знакомились с вами
Как сделать идею коммерческой
Как сделать хорошую растяжку ног?
Как сделать наш разум здоровым?
Как сделать, чтобы люди обманывали меньше
Вопрос 4. Как сделать так, чтобы вас уважали и ценили?
Как сделать лучше себе и другим людям
Как сделать свидание интересным?
Категории:
АрхитектураАстрономияБиологияГеографияГеологияИнформатикаИскусствоИсторияКулинарияКультураМаркетингМатематикаМедицинаМенеджментОхрана трудаПравоПроизводствоПсихологияРелигияСоциологияСпортТехникаФизикаФилософияХимияЭкологияЭкономикаЭлектроника
|
Программа для построения на одном графике теоретическую и эмпирическую плотности распределения вероятностей[nj, xm]=hist (x, k);% число попаданий и середины интервалов delta=xm(2) – xm(1);% ширина интервала clear xfv fv xft ft% очистили массивы для f(x) xfv=[xm-delta/2; xm+delta/2];% абсциссы для эмпирической f(x) xfv=reshape (xfv, prod (size(xfv)), 1);% преобразовали в столбец xfv=[xl; xfv(1); xfv; xfv(end); xr];% добавили крайние fv=nj/(n*delta);% значения эмпирической f(x) в виде 1 строки fv=[fv; fv];% 2 строки fv=[0; 0; reshape (fv, prod (size(fv)), 1); 0; 0];% + крайние, 1 столбец xft=linspace (xl, xr, 1000)';% абсциссы для теоретической f(x) ft=[normpdf (xft, mx, sx), exppdf (xft, 1/lam),… unifpdf (xft, a, b), raylpdf (xft, sig)]; col='bgmk';% цвета для построения графиков figure plot (xfv, fv, '-r', xft, ft(:, 1), col(1), xft, ft(:, 2), col(2),… xft, ft(:, 3), col(3), xft, ft(:, 4), col(4)) % рисуем set (get(gcf, 'CurrentAxes'),… 'FontName', 'Times New Roman Cyr', 'FontSize', 12) title ('\bfПлотности распределения') xlim([xl xr]), ylim([0 1.4*max(fv)])% границы рисунка по осям xlabel ('\itx')% метка оси x ylabel ('\itf\rm (\itx\rm)')% метка оси y grid
Результаты этой программы показаны на рисунке 9. Рисунок. 9 – График плотности распределения вероятности сигнала человека и графики нормального, рэлеевского, показательного и равномерного законов плотностей распределения вероятности
1.5 Проверка гипотезы по критерию согласия Пирсона
По критерию Пирсона сравниваются теоретическая и эмпирическая функции плотности распределения вероятности, а точнее – частота попадания случайной величины в интервал. Интервалы могут быть любыми, равными и неравными, но удобно использовать те интервалы, на которых построена гистограмма. Эмпирические числа попадания n (из гистограммы) сравнивается с теоретическим npj, где pj – вероятность попадания случайной величины X в j -ый интервал:
, (20) aj и bj – границы j -го интервала. Карл Пирсон показал, что, если все npj ³ 5, то суммарная квадратическая относительная разность между теоретическим и практическим числом попаданий в интервал равна
(21)
имеет приближенно c2 распределение Пирсона с k – m степенями свободы, где m – число параметров, оцениваемых по выборке, плюс 1. Так как параметров два, то m = 3. Выражение (21) представляет собой статистику Пирсона. Теоретическое распределение можно считать подобранным верно, если выполняется условие
. (22)
Построим таблицу результатов, в которую занесем: номера интервалов (1-й столбец), границы интервалов aj и bj (2-й и 3-й столбцы), вероятность попадания в интервал pj (4-й столбец), теоретическое число попаданий и практическое число попаданий npj (6-й столбец). Границы интервалов и практическое число попаданий взяты из гистограммы, теоретическая вероятность попадания в j-й интервал подсчитывается по выражению (20). Листинг программы: clear Tabl% очистили таблицу результатов Tabl(:, 1)=[1:k]';% номера интервалов Tabl(:, 2)=xm'-delta/2;% левые границы интервалов Tabl(:, 3)=xm'+delta/2;% правые границы интервалов Tabl (1,2)=-inf;% теоретическое начало 1-го интервала Tabl (k, 3)=inf;% теоретический конец последнего интервала Tabl(:, 4)=nj';% опытные числа попаданий bor=[Tabl(:, 2); Tabl (end, 3)];% все границы интервалов pro=cdf (tdistr{bdistr}, bor, param (bdistr, 1), param (bdistr, 2)); Tabl(:, 5)=pro (2:end) – pro (1:end-1);% вероятности попаданиz pj Tabl(:, 6)=n*Tabl(:, 5);% теоретическое число попаданий npj disp ('Сводная таблица результатов') fprintf (' j aj bj') fprintf (' nj pj npj\n') fprintf (' % 2.0f % 12.5f % 12.5f % 6.0f % 12.5f % 12.5f\n', Tabl') Если распределение подобрано, верно, то числа из 4-го и 6-го столбцов не должны сильно отличаться.
Вывод: Для сигнала человека числа из 4-го и 6-го столбцов значительно отличаются, значит, распределение подобрано неверно. А для фонового сигнала эти числа практически совпадают. Проверим выполнение условия npj ³ 5 и объединим те интервалы, в которых npj < 5. Перестроим таблицу и добавим в нее еще один, 7-й столбец – слагаемое, вычисляемое по выражению (21).
Программа для перестроение таблицы и добавления в неё ещё 1 столбец. qz=0.3;% выбрали уровень значимости ResTabl=Tabl (1,1:6);% взяли первую строку for k1=2:k, % берем остальные строки таблицы if ResTabl (end, 6)<5, % предыдущее npj<5 – будем суммировать ResTabl (end, 3)=Tabl (k1,3);% новая правая граница интервала ResTabl (end, 4:6)=ResTabl (end, 4:6)+Tabl (k1,4:6);% суммируем else% предыдущее npj>=5 – будем дописывать строку ResTabl=[ResTabl; Tabl (k1,1:6)];% дописываем строку end if ResTabl (end, 6)<5, % последнее npj<5 ResTabl (end – 1,3)=ResTabl (end, 3);% новая правая граница ResTabl (end – 1,4:6)=ResTabl (end – 1,4:6)+ResTabl (end, 4:6); ResTabl=ResTabl (1:end-1,:);% отбросили последнюю строку end kn=size (ResTabl, 1);% число объединенных интервалов ResTabl(:, 1)=[1:kn]';% новые номера интервалов ResTabl(:, 7)=(ResTabl(:, 4) – ResTabl(:, 6)).^2./ResTabl(:, 6); disp ('Сгруппированная сводная таблица результатов') fprintf (' j aj bj') fprintf (' nj pj npj ') fprintf([' (nj-npj)^2/npj\n']) fprintf (' % 2.0f % 12.5f % 12.5f % 6.0f % 12.5f % 12.5f % 12.5f\n', ResTabl') hi2=sum (ResTabl(:, 7));% сумма элементов последнего столбца fprintf(['Статистика Пирсона chi2=%10.5f\n'], hi2) m=[3,2,3,2];% число ограничений fprintf ('Задаем уровень значимости q=%5.4f\n', qz) chi2qz=chi2inv (1-qz, kn-m(bdistr));% квантиль fprintf(['Квантиль chi2-распределения Пирсона '… 'chi2 (1-q)=%10.5f\n'], chi2qz) if hi2<=chi2qz, disp ('Распределение подобрано верно, т. к. chi2<=chi2 (1-q)') else disp ('Распределение подобрано неверно, т. к. chi2>chi2 (1-q)') end Статистика Пирсона chi2= 4347.29975 Задаем уровень значимости q= 0.3000 Квантиль chi2-распределения Пирсона chi2 (1-q)= 170.93451 Распределение подобрано неверно, т. к. chi2>chi2 (1-q)
Вывод: По критерию Пирсона распределение подобрано неверно, т. к. реальное значение статистики χ2р=4347.29975 намного превышает критическое значение χ2т,f=170.93451, следовательно, гипотеза о нормальном законе распределения амплитуд сигнала не подтверждается на уровне значимости 0.05.
Статистика Пирсона chi2= 325.28014 Задаем уровень значимости q=0.3000 Квантиль chi2-распределения Пирсона chi2 (1-q)= 194.58370 Распределение подобрано, верно, т. к. chi2<=chi2 (1-q)
Вывод: Для фонового сигнала по критерию Пирсона распределение подобрано неверно, т. к. реальное значение статистики χ2р=325.28014 превышает критическое значение χ2т,f=194.58370, следовательно, гипотеза о нормальном законе распределения амплитуд сигнала не подтверждается на уровне значимости 0.05.
2 Корреляционный анализ сигналов
2.1 Постановка задачи исследования Для этого принять сигнал за реализацию случайной функции, выбрать наиболее яркий фрагмент сигнала длительностью 2000 отсчетов и построить для него корреляционную функцию. Для сигналов человека и группы людей оценить квазипериодическую составляющую, а для сейсмического фона и техники – периодическую. Сделать выводы о внутренней структуре сигнала. Сделать выводы по этапу. 2.2 Теоретическая часть. Свойства корреляционной функции Корреляционный анализ дает возможность установить в сигналах (или в рядах цифровых данных сигналов) наличие определенной связи изменения значений сигналов по независимой переменной, то есть, когда большие значения одного сигнала (относительно средних значений сигнала) связаны с большими значениями другого сигнала (положительная корреляция), или, наоборот, малые значения одного сигнала связаны с большими значениями другого (отрицательная корреляция), или данные двух сигналов никак не связаны (нулевая корреляция). В функциональном пространстве сигналов эта степень связи может выражаться в нормированных единицах коэффициента корреляции, т.е. в косинусе угла между векторами сигналов, и, соответственно, будет принимать значения от 1 (полное совпадение сигналов) до -1 (полная противоположность) и не зависит от значения (масштаба) единиц измерений. Особое значение методы корреляции имеют при анализе случайных процессов для выявления неслучайных составляющих и оценки неслучайных параметров этих процессов. Заметим, что в терминах "корреляция" и "ковариация" в настоящее время существует изрядная путаница. В иностранной литературе термин "ковариация" применяется к центрированным функциям, а "корреляция" – к произвольным. В отечественной литературе, и особенно в литературе по сигналам и их обработке, довольно часто применяется прямо противоположная терминология. Однако при переводах иностранной литературы терминология, как правило, не изменяется, и начинает все шире проникать в отечественную литературу. Принципиального значения это не имеет, но при знакомстве с литературными источниками стоит обращать внимание на принятое назначение данных терминов. Свойством корреляционной функции является ее убывание с увеличением t, что вытекает из очевидного факта ослабления взаимной связи между случайными величинами л: (0) и x (t) по мере увеличения временного интервала At - t между ними. Если при этом корреляционная функция стремится к нулю, говорят, что характеризующийся ею стационарный случайный процесс обладает свойством эргодичности. Это удобно при практическом выполнении и обработке наблюдений. Изсвойств корреляционной функции / Сф (i) следует, что спектральная плотность мощности 5Ф (ал) является вещественной, четной и положительной функцией. Хотя многиесвойства корреляционных функций тесно связаны со свойствами корреляционных функций в классической теории, существуют некоторые свойства квантовых корреляционных функций, которые не имеют классической аналогии. Например, так как операторы нормально упорядочены, то последовательное применение операторов уничтожения справа или операторов рождения слева приведет к обращению корреляционной функции в нуль, если состояние содержит число фотонов меньшее, чем число операторов.
2.3 Программа и результат корреляционной функции Для построения корреляционной функции двух сигналов, выберем фрагменты сигналов:
|