随机微分方程（胡适耕）PDF
随机微分方程（胡适耕）PDF完整版，随机微分方程学习资源0211.63/52008大学数学科学从书22随机微分方程胡适耕黄乘明吴付科著学出版社北京内容筒介本书介绍Ⅰto型随机微分方程(包括随机泛函微分方程与中立型随机微分方程)的基本理论与研究进展.前半部分简要介绍随机微分方程的基本概念与一般理论,然后以较大篇幅综述该领域若千有代表性的近期研究成果其内容集中于随机微分方程解的渐近状态,包括稳定性、有界性、持久性非爆发性等.特别深入讨论了有重要应用价值的随机神经网络系统与随机Lotka- Volterra系统.部分内容为作者的近期研究成果本书可用作相关专业研究生的教材或高校教师的参考书,亦可供有兴趣于随机微分系统的科技工作者阅读图书在版编目(C|P)数据随杋微分方程胡适耕,黄乘明,吴付科著.一北京:科学出版社,2008(大学数学科学丛书;22)ISBN978-7-03-021380-8L.随…Ⅱ.①胡…②黄…③吴…Ⅲ.随机微分方程Ⅳ.0211.63中国版本图书馆CIP数据核字(2008)第034312号责任编辑:吕虹赵彦超/责任校对:赵桂芬责任印制:赵德静/封面设计:王浩辞学实服出版北京东黄城根北街16号邮政编码:100717http://www.sciencep.com新着仰厂印刷科学出版社发行各地新华书店经销2008年5月第版开本:B5(720×1000)2008年5月第一次印刷印张:241/4印数:1-3000字数:366000定价:68.00元(如有印装质量问题,我社负责调换新欣〉)《大学数学科学丛书》编委会(以姓氏笔画为序)顾问:王元谷超豪姜伯驹主编:李大潜副主编:龙以明冯克勤张继平袁亚湘编委:王维克尹景学叶向东叶其孝李安民李克正吴宗敏吴喜之张平文范更华郑学安姜礼尚徐宗本彭实戈作者简介胡适耕,湖南湘乡人.1967年毕业于湖南大学数学系,1979年起在华中理工大学(即今华中科技大学)任教.现为华中科技大学数学系教授、博士生导师,并兼任《应用数学》杂志常务副主编长期从事基础数学与应用数学的教学和研究,主要研究领域为非线性动力系统与随机动力系统.发表了一系列研究论文与著作,代表性著作有《非线性分析》、《抽象空间引论》、《宏观经济的随机模型》等.《大学数学科学丛书》序按照恩格斯的说法,数学是研究现实世界中数量关系和空间形式的科学.从恩格斯那时到现在,尽管数学的内涵已经大大拓展了,人们对现实世界中的数量关系和空间形式的认识和理解已今非昔比,数学科学已构成包括纯粹数学及应用数学内含的众多分支学科和许多新兴交叉学科的庞大的科学体系,但恩格斯的这说法仍然是对数学的一个中肯而又相对来说易于为公众了解和接受的概括,科学地反映了数学这一学科的内涵.正由于忽略了物质的具体形态和属性、纯粹从数量关系和空间形式的角度来研究现实世界,数学表现出高度抽象性和应用广泛性的特点,具有特殊的公共基础地位,其重要性得到普遍的认同整个数学的发展史是和人类物质文明和精神文明的发展史交融在一起的.作为一种先进的文化,数学不仅在人类文明的进程中一直起着积极的推动作用,而且是人类文明的一个重要的支柱.数学教育对于启迪心智、增进素质、提高全人类文明程度的必要性和重要性已得到空前普遍的重视.数学教育本质是一种素质教育;学习数学,不仅要学到许多重要的数学概念、方法和结论,更要着重领会数学的精神实质和思想方法.在大学学习高等数学的阶段,更应该自觉地去意识并努力体现这一点作为面向大学本科生和研究生以及有关教师的教材,教学参考书或课外读物的系列,本丛书将努力贯彻加强基础、面向前沿、突出思想、关注应用和方便阅读的原则,力求为各专业的大学本科生或研究生(包括硕士生及博士生)走近数学科学、理解数学科学以及应用数学科学提供必要的指引和有力的帮助,并欢迎其中相当一些能被广大学校选用为教材,相信并希望在各方面的支持及帮助下,本丛书将会愈出愈好李大潜2003年12月27日前言半个多世纪之前,当I0的划时代著作 On Stochastic Differential equations(Ito,1951)面世时,对于“随机微分方程”(SDE)这一新的数学分支的要义、价值与前景,人们能够确切说明的东西尚不多.经历半个多世纪堪称辉煌的发展之后sDE已负盛名,但人们似乎仍然难以评说—不是因为材料缺乏,而是因为材料实在太多!今天,SDE已积累了如此丰富的成果,欲加以适当的概括以睹其全貌已非易事尽管如此,有两件重要的事情无论如何值得一提其一就是,SDE在其发展过程中展示出与某些经典数学问题之间存在着出人意料的深刻联系,最著名的例子就是 Feynman-Kac公式,它将一定偏微分方程(PDE)问题的解表为适当的SDE的解,从而为在PDE的研究中使用随机分析方法开辟了道路.无论这一联系所导致的实际结果如何,在两个看来相距甚远的领域建立起明确的联系,在整个数学发展史上都是值得大书特书的事件这一事实令人信服地表明,建立在初看起来颇为诡异的随机微积分基础上的SDE,并非纯粹是概率论学者独特思想的逻辑衍生物,而是现代数学统一理论大厦中一个自然的部分.在Fe公式这类成果面前,随机数学与非随机数学之间看来难以逾越的鸿沟最终消失了.仅此一端,就不能不说是过去这个世纪数学发展进程中的一件大事SDE理论中另一件值得一提的大事是:一些明显不稳定的确定性微分系统,因随机扰动的介入居然可能成为稳定的系统这就完全颠覆了人们对于随机扰动似乎理所当然的负面看法,人们终于明白,在动态过程中,随机扰动或噪声并非总是不稳定或紊乱的根源,而且在特定情况下甚至是镇定系统所必需的.这一事实的发现,其理论价值也许不及 Feynman-Kac公式那么重大,但其实际意义则可能更大它实际上宣告,即使对于确定性系统的稳定性研究,SDE也是必需的.大而言之,上述事实恰好印证了数学发展中的一条普通规律:对于一个旧体系的真正深刻理解来自该体系的某个新的扩展.从实分析到复分析的扩展提供了熟知的例子,而从通常微分方程理论过渡到SDE理论,则可能是更令人振奋的例子或许,使以上两件事都显得黯然失色的是SDE在范围广泛的领域中卓有成效的应用.近几十年来,SDE在物理、力学、化学、生物学、经济与金融学、控制理论、航天工程等多个部门发挥了重要作用,已有不可计数的文献作证尽管这些应用的某些方面本书有所涉及,但在总体上加以概括,则远非本书作者的学识所能胜任.我前言们只能指出如下已成定论的事实:对于许多实际领域的专家而言,为运用强有力的现代数学工具,对所考察的系统建立某种随机模型常常是不可避免的,而这往往就意味着运用SDE!正是这样一种广泛而又实际的需求,促使我们生出了一种冲动:应当为希望运用SDE这一工具的科学工作者做点什么这就是写作本书的意图同时,我们也意识到,只能将目标限定在一个较小的题目上,即限于考虑I型的SDE,而且将重点放在以稳定性理论为中心的问题上,这既是本书作者研究兴趣所及的领域,似乎也是许多研究者的关注点之所在就其渊源而言,本书所涉及的问题已有颇长的研究历史.大约十年前,当本书作者听英藉华裔教授毛学荣关于SDE稳定性的讲演时,对于贯穿于其中的基本思想就已颇有感触.这些思想除了其特有的效力之外,即使从纯数学方法论的角度考虑,也是很有价值的,甚至可以说是异常优美的.这些体验与理解对于本书的形成不无作用在写作本书时,我们充分利用了20年来SDE领域的人量文献,其中尤其要提到毛学荣等人影响深远的系列工作.作为合作者,本书作者在与毛学荣等的讨论中受益匪浅,由衷感激,自不待言本书也包含了作者及其合作者近年来的某些研究成果.特别,第4章的大部分结果(其主导思想或表达方法)是属于作者及其合作者的就这些部分而言,对于同行们的批评自然有特别的期待为方便读者阅读,本书一开始就汇集了所用的主要记号以供查询,但仍需作点说明.首先,作者力求使用通用的记号,但一本专著要使散见于各种文献的材料连成一气,记号上的统一与调整难度较大,有些符号没有使用通用记号总是不可避免的此外,有少数几个似乎源于作者偏爱的记号,在简化公式与富于启发性两方面都效果显著,即使可能引发异议,也不能割爱了特别要提到的是x()=x(4)-u(x,)与Hale倡用的C(=C([-T,0],R2))这两个例子(参看§3.1与§3.3)本书的写作得到国家自然科学基金及华中科技大学研究生院专项基金的资助,在此谨致以诚挚的感谢.作者2007年4月于武汉记号与约定集A的补;AB=A∩BAAa矩阵A的转置几乎必然BSDE倒向随机微分方程通常记 Borel集族空间E中的 Borel集族C([-r,0],RCccc[-7,0],R,)r阶连续可微函数类对t为C类对x为C2类的函数v(t,x)之全体(Ω,C)可测有界C值随机变量之全体cov(X,Y)X与Y的协方差或协方差矩阵随机函数x(t)的It微分Kronecker记号EX随机变量X的期望E(.名)在名下的条件期望;E(·)=E(·);E(Y)E(t o(n))随机变量X的分布函数F(s, x, t, y)P(x1≤y|x,=x)F(t,x, y)F(0,x,t,y)FDE泛函微分方程基本的a代数;:a代数流;=σ(∪)随机过程X1生成的σ代数流随机变量X的密度函数f(s, x, t,y)转移密度;f(t,x,y)=f(0,x,,y)gx(·)随机变量X的特征函数单位矩阵或某个区间集A的示性函数
- 2020-11-28下载
- 积分：1
自适应滤波器设计及Matlab实现
简单描述自适应滤波的原理及在MATLAB中实现的方法，并辅以相关MATLAB代码供大家交流。1绪论11引言人类传递信息的主要媒介是语言和图像。据统计,在人类接受的信息中,听觉信息占20%,视觉信息占60%,其它如味觉、触觉、嗅觉总的加起来不过占20%,所以图像信息是十分重要的信息。然而,在图像的获取和图像信号的传输过程中,图像信号中不可避免的混入各种各样的随机噪声,造成图像失真(图像退化)。造成人类所获取的信息和实际是有偏差的,成为人类从外界获取准确信息的障碍。因此,对图像信号中的随杋噪声的抑制处理是图像处理中非常重要的一项工作在图像的获取和传输过程中所混入的噪声,主要来源于通信系统中的各种各样的噪声,根据通信原理及统计方面的知识,可以知道在通信系统中所遇到的信号和噪声,大多数均可视为平稳的随机过稈。又有“高斯过程又称正态随机过程,它是一种普遍存在和重要的随机过程,在通信信道中的噪声,通常是一种高斯过程,故又称高斯噪声。囚此,在大多薮的情况下,我们可以把造成图像失真的噪声可视为广义平稳高斯过程本文针对图像信号中混入的随机噪声,在怎样把现有的滤波算法应用到实际的图像复原中去的问题上提出了解决方法,并且应用 Matlab软件编程对图像进行处理。1.2研究目标及现状121图像复原技术的目标为了从含有噪声的数据中提取我们所感兴趣的、接近规定质量的图像,我们需要设计个系统满足:当信号与噪声同时输入吋,在输出端能将信号尽可能精确地重现出来,而噪声却受到最大抑制,即最佳滤波器。122图像复原抆术的研究现状日前的图像复原技术,即去噪的滤波技术可以分为两大类:传统滤波和现代滤波。传统滤波技术是建立在已知有用信号和干扰噪声的统计特性(自相关函数或功率谱)基础上的噪声去除;现代滤波技术则是不需要知道图像的先验知识,只是根据观测数据,即可对噪声进行有效滤除。早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱),以线性最小均方误差(MSE)估计准则所设计的最佳滤波器,称为维纳滤波器。这种滤汲器能最大程度的滤除干扰噪声,提取有用信号。但是,当输入信号的统计特性偏离设计条件,则它就不再是最佳的了,这在实际应用中受到了限制。到60年代初,由于空间技术的发展,出现了卡尔曼滤波理论,即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。卡尔曼滤波器既可以对平稳的和平稳的随机信号作线性最佳滤波,也可以作为非线性滤波[2]。然而只有在对信号和噪声的统计特性已知的情况下,这两种滤波器才能获得最优解。在实际的应用中,往往无法得到这些统计特性的完验知识,或者统计特性是随时间变化的,因此,这两种滤波器就实现不了真正的最佳滤波。Widrow B.和Hof于1967年提出的自适应滤波理论,可使在设计自适应滤波器时不需要事先知道关于输入信号和噪声的统计特性的知识,它能够在自己的工作过程中逐渐估计出所需的统计特性,并以此为依据自动调整自己的参数,以达到最佳滤波效果。一旦输入信号的统计特性发生变化,它又能够跟踪这种变化,自动调整参数,使滤波器性能重新达到最佳。自适应滤波器自动调节参数可以通过各和不同的递推算法来实现,由于它采用的是逼近的算法,使得实际估计值和理论值之间必然存在差距,也就造成了自适应滤波问题没有唯一的解。依照各种递推算法的特点,我们把它应用于不同的场合。现在广为应用的自适应滤波方法主要是基于以下几种基本理论,再融合递推算法导出来的:(1)基于维纳滤波理论的方法维纳滤波是在最小均方误差准则下通过求解维纳霍夫方程来解决线性最优滤波问题的。基于维纳滤波原理,我们利用相关的瞬时值通过在工作过程中的逐步调整参数逼近信号的统计特性,实现最优滤波。由此,我们得到一种最常用的算法—最小均方算法,简称LMS算法。(2)基于卡尔曼滤波理论的方法卡尔曼滤波是线性无偏最小方差滤波递推滤波,它能使滤波器工作在平稳的或非平稳的环境,得到最优解。利用卡尔曼滤波理论的递推求解法导出自适应滤波器更新权矢量得不同递推算法。比LMS算法有极快的收敛速率,可是计算复杂度也增大∫,它需要计算卡尔曼矩阵。(3)基于最小二乘准则的方法维纳滤波和卡尔曼滤波推导的算法是基于统计概念的,而最小二乘佔计算法是以最小误差平方和为优化目标的。根据滤波器的实现结构,有以下3种不同的最小二乘自适应滤波算法:自适应递归最小二乘法(RLS),自适应最小二乘格型算法,QR分解最小二乘算法。(4)基于神经网络理论的方法神经网络是有大量的神经元相互连接而成的网络系统,实质上它是一个高度非线性的动力学网络系统,这个系统具有很强的自适应、自学习、自组织能力,以及巨量并行性、容错性和坚韧性,因而,它可以做很多传统的信号和信息处理技术所不能做的事情。因其超强的自动调节能力,使符它在自适应信号处理方面有着广阔的前景[2]在一系列的自适应算法中,虽然基于后面3种基本理论的方法在收敛速率和稳定、坚韧性方面有着更好的性能,但是,基于维纳滤波理论的IMS算法因其算法简单,而且能达到满意的性能,得到了青睐,成为了应用最广泛的自适应算法。为此,本文主要研究LMS自适应滤波器在图像去噪方面的应用。2理论基础21基本自适应滤波器的模块结构自适应滤波器通常由两部分构成,其一是滤波子系统,根据它所要处理的功能而往往有同的结构形式。另一是自适应算法部分,用来调整滤波子系统结构的参数,或滤波系数。在自适应调整滤波系数的过程中,有不同的准则和算法算法是指调整自适应滤波系数的步骤,以达到在所描述的准则下的误差最小化。自适应滤波器含有两个过程,即自适应过程和滤波过程。前一过程的基本目标是词节滤波系数"(),使得有意义的目标函数或代价函数()最小化,滤波器输出信号y()逐步逼近所期望的参考信号4k),由两者之间的误差信号(k)驱动某种算法对滤波系数进行调整,使得滤波器处于最佳工作状态以实现滤波过程。所以自适应过程是一个闭合的反馈环,算法决定了这个闭合环路的自适应过程所需要的时间。但是,由于目标函数)是输入信号(k),参考信号(k)及输出信号y(k)的函数,即20=ack,.y,因此目标函数必须具有以下两个性质(1)非负性g (=8[x(k), d(k), y(k] 20Vx(), u(k), y(k)(2.1)(2)最佳性E()=E[x(k),d(k),y(k)]=0(22在自适应过程中,自适应算法逐步使目标函数(最小化,最终使()逼近于(),滤波参数或权系数()收敛于",这里"是自适应滤波系数的最优解即维纳解。因此,自适应过程也是自适应滤波器的最佳线性估计的过程,既要估计滤波器能实现期望信号()的整个过程,又要估计滤波权系数以进行有利于主要目标方向的调整。这些估计过程是以连续的时变形式进行的,这就是自适应滤波器需要有的自适应收敛过程。如何缩短自适应收敛过程所需要的收敛时间,这个与算法和结构有关的问题时人们一直重视研究的问题之—[2]。当然滤波子系统在整个自适应滤波器的设计中也占有很重要的地位,因为它对最终的滤波性能有很大的影响。本文要研究的是基于维纳滤波原理的LMS算法,那么下面我们需要介绍一下基本维纳滤波原理。22基本维纳滤波原理基本维纳滤波就是用来解决从噪声中提取信号问题的一种过滤(或滤波)方法。它基于平稳随机过程模型,且假设退化模型为线性空间不变系统的。实际上这种线性滤波间题,可以看成是种估计问题或种线性佔计问题。基本的维纳滤波是根据全部过去的和当前的观察数据来估计信号的当前值,它的解是以均方误差最小条件下所得到的系统的传递函数万(3)或单位样本响应h(k)的形式给出的,因此更常称这种系统为最住线性过滤器或滤波器。设计维纳滤波器的过程就是寻求在最小均方误差下滤波器的单位样本响应h(k)或传递函数h(x)的表达式,其实质是解维纳-霍大( Wiener-Hopf方程。基木维纳滤波器是这样的,有两个信号x(k)和y(k)同时加在滤波器上。典型地y(k)包含一个与x(k)相关地分量和另一个与x(k)个相关地分量。维纳滤波器则产生y(k)中与x(k)相关分量地最优估计,再从y(k)中减去它就得到ε(k)。y(kak)输出rk)维纳德波n=∑v(D)x(k-)f=0图21基本维纳滤被模型假定一个N个系数(权值)的FR滤波器的结构,维纳滤波和原始信号y(k)之间的差信号c(k)为ek= yk-nk=ye∑w(i)x(23)其中和w分别为输入信号矢量和权矢量,由下式确定(24)k-N-1)H(N-1)误差平方为2Y, x,w+w x.x,w对(3)式两边取期望得到均方误差(MSE),若输入x(k)与输出yk)是联合平稳的,则ELel=Ely,-2ELYXiwItElwx, x, w2.62P其中E[代表期望,=Ex是(k)的方差,P=E[yx1是长度为N地互相关矢量,R=Exx是NxN的自相矩阵。一个MSE滤波系数的图形是碗形地,且只有唯一地底部,这个图称为性能曲面,它是非负的。性能曲面地梯度可由下式给出2P+2R(2.7)Ytrim图22误差性能曲面每组系数w(i)(i=1,2,N-1)对应曲面是一点,在由面是地最小点梯度为0滤波权矢量达到最优”呷R P(28)即著名的维纳霍夫方稈的解。自适应滤波地仟条是采用合适的算法来调节滤波权重W,0)W,1),…W,N-1),从而找到性能曲面地最优点维纳滤波的实际用途有限,因为:(1)它需要已知自相关矩阵R和可相关矢量P,这两个量通常是未知的。(2)它包含∫矩阵的求逆,非常的耗时3)若信号为非平稳的,则R和P是时变的,导致必需重复计算。对于实际的应用需要一种能够依次加入地抽样点而得到"的算法。自适应算法就就是用于达到这个目的,而且不需显式计算R和P或进行矩阵求逆[3]3自适应滤波原理及算法在实际应用中常常会遇到这样的情况:随机信号的统计特性是未知的,或者信号的统计特性是缓慢的变化着的(非≯稳信号),这就促使人们去研究一类特殊的滤波器,这类滤波器具有以下特点:当输入过程的统计特性未知时,或者输入过程的统计特性变化时,能够相应的调整自身的参数,以满足某种准则的要求,由于这类滤波器能变动自身的参数以“适应”输入过程统计特性的估计或变化,因此,就把这类滤波器称为自适应滤波器41。在本文中我们研究的是退化图像复原的问题,由于图像自身的多样性和所混入的噪声的随机性和多样性,我们选择自适应滤波取出图像中混入的噪声。3.1横向滤波结构的最陡下降算法3.11最陡下降算法的原理首先考虑如下图所示的横向FIR自适应滤波器x(k-1k-2)x、-M+2)xR-M+l)e自适应控制算法1图31自适应横向滤波器结构它的输入序列以向量的形式记为X(k)=[x(k)x(k-1)(k-M+1)(3.1假设x()取自一均值为零,自相关矩阵为R的广义平稳随机过程,而滤波器的系数矢量(加权矢量)为:k)=[w,(k)w2(k)(32)以上二式中括号内的k为时间指数,因此,X()和W()分别表示时刻k的滤波器输入序列和加权值,滤波器的输山y(k)为:y(k)=∑w(n)x(n-t+1)33)式中M为滤波器的长度。图31中的“k称为“期望理想响应信号”,有时也可称为“训练信号”,它决定了设计最佳滤波器加权向量W(k)的取值方向。在实际应用中,通常用一路参考信号来作为期望响应信号。(k)是滤波器输出y(k)相对于a(k)的误差,即e(k)=d(k)-v(h)(34)显然,自适应滤波控制机理是用误差序列(k按照某种准则和算法对其系数w)n),=1.2…,M进行调节的,最终使自适应滤波的目标(代价)函数最小化,达到最佳滤波状态。按照均方误差(MSE)准则所定义得目标函数是E(h)=Ele()(35)eId()-2d(k)y(k)+y(k)将式(3.4)代入式(3.5),目标函数可以化为c(k)=Ele(k)(3.6)E[d(k)]-2Eld(kw(k)x(k]+ elw(kX(eX(s)w(k)当滤波系数固定时,目标函数又可以写为c(k=[d(k]-2W(k)P+W(k)RW (k)(3.7)其中,P-趴是长度为N的期望信号与输入信号的互相关矢量,R=Exx是Nx的输入向量得自相关矩阵。由式(37)可见,自适应滤波器的目标函数()是延迟线抽头系数(加权或滤波系数)的二次函数。当矩阵R和矢量P已知时,可以由权矢量W(k)直接求其解。现在我们将式(3.7)对W求倒数,并令其等于零,同时假设R是非奇异的,由此可以得到目标函数最小的最佳滤波系数w为R P(38)
- 2020-11-28下载
- 积分：1
|
联系客服（QQ：3324461878）
