遗传算法与工程优化_玄光男_程润伟
本书是遗传算法的一本经典书籍。玄光男和程润伟合著。目汞3.7距离方法…………………………………":100371距离方法的一般思想…703.7.2计算距离度量…444…*…1023.7.3距离方法的应用噜早嗶忄唱嗆甲ψ『噜早鲁鲁旱P會P噜鲁鲁唱与·■鲁d鲁D咱·中自冒■啁■■曾■■P■P■曹1043.8妥协方法噌■■■■冒■冒■冒暑■■鲁冒■■■■■冒■■冒■■日■■■■■■■■和↓■最聊谭愚■和西晶dd晶动3.9目标规划方法….…10第4章模优化问题…甲■号十十↓4山口■■■■■■■■■■■■画■画n10941引言早昏!昏4昏山十山山·■留詈■·口音■“甲◆44P咱■自c■1094.2模糊线性规划■■■『■冒口■…:…1094.2.1模榭线性规划模型…s…1104.2.2遗传算法方法……………,………:,:11442.3交互式方法w"…!"""s""!"s,L1642.4数值例子1184.3模糊非线性规划…昌■晶■甲++4+白■■■■口■『十自l■?■『甲■甲矿1204,3.1非线性规划模型…………24.3.2用于求解FO/RNP1的非精确方法…………………1234.3.3交互式方法………………………154.3.4数值例子1264,4模糊非线性混合整数目标规划争■+山中早曾4曾曾會■曾■罪血聊自_略!1284,4.1模糊非线性混合整数目标规划模型■旱旱冒甲■■昏■■d1284.42遗传算法方法……1304.4.3数值例子自口·?··血中自省品日↓4晶日日甲吾晋……………:1324.5模糊多目标整数规划,"…s:1384.5.1问题描述……看pψ口13845.2增广的最小最大问题……………………………………40.5.3遗传算法方法會曾血曾鲁…………1404.5.4交互式模糊满意方法………………"s"t435.5数值例子144第5簟可靠性设计问题甲·自福4口备日看山山山口日日日4吾B·幽口甲》+目吾τ■1481引言5.2网络可靠性设计………《自■自·自哪日日b如由■5.2.1问题描述15QⅫ目录5.2.2 Dengiz, altiparmak和 Smith的方法…………………1505.2,3 Deeter和 Smith的方法…………1555.3基于树的网络可靠性和局城网设计…16l53.1双目标网络拓扑设计…11605.3.2数值例子……………………………………:1665.4多目标可靠性设计會!●早日●自◆中鲁·曾■鲁■4音目中自中昏自P目冒音自『■■■日『自D聊qp自即自自自自自自司日■■道■b电即画41695,4.1双目标可靠性设计……■唱罩鲁P‘會自■·聊·■司●D申看…ss……∴M1694.2遗传算法方法罩卩●■■·k↓■■■■b■d1695.4.3混合遗传算法方法…中斗P■白自+如『■■■b日日音日p食●自零唯●4pF714.4带有模糊目标的可靠性设计……su"…174第6章调度问题…中专自■會血督■平自谭卩血聊曲聊178引言……………………………………………1786.2作业车间调度………增+早早■盲◆自宁自命唱吾西b山如日中P中4看音甲目品司品罪山山自西由q1786.2.l基本方法…………………,………1796.2.2编码……口亡d…"s1796.2.3适应性遗传算子■中噜鲁會!中■譬1806.24以启发式方法为特点的遗传算子…………………………1836.2.5混合遗传算法1856.2.6讨论…""…1916.3群体作业调度问题r……_画唱晋■十舀昌■■口■■晋口↓冒+■■由■日早要甲号甲冒P卜■■■■如1926.3.1问题的描述和必要条件备由看.4吾日自吾啬v日日◆自自·4·口即口自咱目s1926.3.2基本运行""“"""……·…"""s"…………194表示…+……"…1!!B““s…19E6.3.4评价幽·44警↓甲甲1976.3.5遗传算子……………………………………………1976.3.6整体过程…………………………………………:1976.3.7数值例子……………晕翟■■山d●1986.4資源约柬的项目调度…4·4·■卜■如古罾日◆q『◆自血即·曾●聊司■咖自▲自■自晶昏如自白2006.41基于优先权的缩码………………1·命會省自自音自P■自自咱白自唱最‘罪42026.4.2遗传算子…………""""…s…2056.4.3评价与选择■看晋冒日●唱中↓由·■唱面斗q甲+量口2076.4.4试验结果……""…""s·2C86,5并行机器调度日录Ⅻ6.5.1支配条件2126.5.2 Memetic算法…………………………………………………2166.5.3试验结果6.6多处理器调度问题…,中即■鲁冒■2206.6.÷问题描述与假设………………………………………………………2206.6.2求解MSP的遗传算法…………………206.6.3数值例子4■P日·号日·咖自P·自·日■·目4B日4卓看d画■■d中·晶qφ甲号■甲■甲昏平昏■昏如●■●223第7章高级运輸问题…………………………甲自『■■昏『◆■■如■■曲。冒中2267.1引言…………*…"…"…s…∵………………………………2267.1,1运输模型…………,………….::267.1、2运输问题的构遣………………………………….2772基于生成树的方法…唱■鲁面■b■日甲如b血bdd■中2307.2.1树的表示中唱自P■■晶■萨卓◆甲■口b■■■号P即■中?2317.2.2初始化日1日°日宁■卩_甲■■t7,2.3遗传运算“日日:◆P晋自百自甲口自P省中自a自■凸………234了,2.4评价与选择……情●早■■即■自血··■血■■++4甲辱下■2347.2.5整个算法过程……………………………………:.357.3多目标运输问题……·早P·■·日哥日日日西4晶“甲中"■·自:■即如自■烟咖日西通2367.3.1问题的描述…………………↓■日■日早中中自■·唱日■吧曾·1t鲁辛冒…*2367.3,2多目标运输问题的基于生成树的遗传算法…2377,3.3数例239.4固定费用运输问题Ba2427.4.1数学模型2427.4.2fTP间题的难点…………2437,4.3fTP的求解方法d■p即■q■■看■■國■■■b晶b‘山bb早昏卜斷■备■■■自即曾■鲁■2437.4.4遗传算法的实现……………………甲早■音曹中■■卓■画2447.4.5数例7.5容量限制的工厂选址问题…■ψ會P◆■曾4西■■画d晶画2467.5.1数学模型罩品品品目b4:.口·自日即日日↓·日P44日日吾··24?7.5.2针对T厂问题的基于生成树的遗传算法…hh警■音学日日日日2自a画t2487.5.3数例……2496带模糊系数的双目标运输问题2507.6.1问题的表述……………………………………,251月录7.6.2排序模糊数■■血■血·會■■■會■■噜會■■會自甲中看鲁看血中噜曹個鲁P咱PPP看看看!噜7.6.3遗传算法的实现………"2527.6.4数例……254第8章网络设计与路径…………………………………2583.1引言2588.2最短路径问题……………………2588,2.1问题描述…………………t………"2598.2,2遗传算法的方法…………………………………………"……26082.3数例s…2658.3有适应能力的网络路由……………………………………………"2668.3.1基于遗传算法的有适应能力的路由2678.3.2染色体表示咖■■■■2678.3,3染色体评价■章·;咖咖…2688.3.4遗传算子…■■譬■号■■■tbdd·t血d2688.3.5数例聊●自·』壘■■着■wrrs;“"…2724集中式网络设计…ψq■4血b血4■■■◆■·■■■自■自■自■自■■■_■■晶■▲甲4}+■…2758.4.1问题的描述…………*……………………2758.4.2遗传算法……,""" ++I++TB+Br.…;s"……!2768.4.3数例▲…2778.5计算机网络扩展…■■■■↓4十山4p■■T■■『··q章自自■曾■■■自聊……………2788.5.1问题描述2782 Kumar, Pathak和(ptn的方法8.5.3数例…■■■■■啬■ψ■ψ罩·自●↓↓壘■■■■■晶卩晶4b4φdsms■a■↓■+個山t■曾■■音多阶段工序汁划2828.6.l问题的描述曾■■日『·■早早譬P即■4■■■■4■山■·b828.6.2遗传算法··号P··D■昏■■■日自■身罩·』自自·日4B目■B■晶bp4●4d2838.6.3数例甲會■昏■口■饣中十2848.7网络上的MG/s队列设酱定位會ψ會即自■■■画■■db凸面■白■■甲↓4山2858:7.1问题的描述…………………;………………………∵…………2868.7.2进化计算方法………………………………………893.7,3数例…………………"…"r"………291第9章制造元设计………中山中■4晋甲曾T吾4卩■;■Td+4■■■冒t曾■■■■留■2949.1引言……………;……………………………………2949.2制造元设计■會◆■鲁■智咱自■■■中鲁鲁■曾聊■■t卩·■■4聊■聊■咱自■■电L■■自聊■……+,…2959.3传统的制造元设计方法■号◆444■自曲■2969.3.1相似系数方法…………………………………………299.3.2基于数组的方法………电··1日罪■■山■■■中罩●4卓■中自p■昏■2979.33数学规划方法……………中即··日··■·■·日■·中号唱■号■■‘■■日卜p↓●卓■■2989.34图与网络方法………………………………………2989.4退传算法方法…s"………,"·299.4.1遗传子表示和遗传算子…↓看b昏↓昏■■"甲●曾2999.4.2 Joines基丁次序的方法…………9.4.3Mn和Kimn的方法b■■■·号卩·■ψ自西■中■■■■Jbb●4●049.4.4 Joines的整数规划方法………9,4,5其他方法…………1·卩『『『P■■d卜一r■『■甲『卓■■『■■■■旷*r』…3159.5可选址工计划的制造元设计……………………….39.5,1可选操作和机器冗余的结合………………………………13179.5.2可选路径的绪合■■4·西■b■■■甲nd4●■是3209.5.3Mon,Gen和Kim的对于独立单元的方法3259.6独立单元的设计…………,3309.6.1机器类型数最小化的族群构造3309.6.2族群数的确定……………aaa·中日▲b·白。当3349.6.3极小化机器数…日·P·■■■■罪ψ■聊咖■↓■卜■即↓■3379,6.4其他设想……1■甲甲甲甲昏■早■■国山■4■■↓■4■晶晶■■b■画血曲338参考文………………………………339素引………………………381第1章遗传算法的基础1.1引言自1960年以来人们对于模拟生物以及由此开发的针对复杂优化问题的有效算法产生了浓厚兴趣。当前在该领域中常常引用的术语就是进化计算( evolutionarycomputation)它包含以下一些主要算法:传算法( genetic algorithMs)由Hlln开发303),进化策略< evolution stra: Clcs)(由 Rechenberg)和 Schwefel开发),进化规划 evolutionary programming)(由 Fogel等人开发0)和遺传程序设计( geneticprogramming)(由K0za开发)。当然还存在若T将上述算法的各种特点加以结合而形成的混合算法。当前进化计算领域的最新发展水平在Back和 Schwefel3,Michalewi21以及Foge等人的综述里有很好的介绍,作为强有力且应用广泛的随机搜索和优化方法,遗传算法可能是当今影响最广泛的进化计算方法之一。在过去的几年中,遗传算法界将更多的注意力放在工业上程领域的优化问题上,并由此产生了一批新的研究和应用11:有关遗传算法的参考书目请参阅 Alander的著述1般认为遗传算法有5个基本组成部分(这是由 Mictialewica归纳的41.问题的解的遗传表示2.创建解的初始种群的方法3.根据个休适应值对其进行优劣判定的评价函数4:用来改变复斜过程中产生的子个体遗传组成的遗传算子5.遗传算法的参数值遗传算法维持由一群个体组成的种群Pt(t代表遗传代数)。每一个体均代表问题的一个潜在的解。每一个体都被评价优劣并得到其适应值。某些个体要经历称作遗传操作的随机变换由此生产新的个体。主要有两种变换方法:变异( mutation)的方法是将个个体改变从而获得新的个体;杂交( crossover)的是方法将两个个体的有关部分组合起来形成新的个体。新产生的个体(称作后代( offspring!C(t))继续被评价优劣。从父代种群和子代种群中选择比较优秀的个体就形成了新的种群。在若干代以后,算法收敛到个最优个体该个体很有可能代表着问题的最优或次优解。遗传算法的一般结构可以摘述如下:第1章遗传法約基础遄传算法过程begil始化P(t评价Pwhile(终止条件不满足)dbe重组P(以产生Ct评价C(从P(t)和C()中选择P(t-1)endend关于搜索策路存在两种重要方案:深度搜索最优解利广度搜索解空间m,遗传算法提供了一种在复杂解空间上进行有向随机搜家的方法。遗传算子原则上进行的是盲搜索;选择算亍嫏勻可能将遗传搜索的方向引早到解空间的理想区域中。针对特定现实世界屮问题开发的遗传算法需注意这样一条普遍原则,即要在对解空间进行深度搜索和度搜索中继持很好的平衡。为实现这一原则,必须仔细考虑遗传算法的所有组成部分另外可能还需要结合附加的启发式方法来增强其性能1.1.1编码问题如何将问题的解编码成为染色体是逮传算法使用屮的关键问题。该问题已经从多方面进行过饼究,比奶当个体需要解码成为解时从基因型空间到表现型空间的映射性质,以及个体被遗传算子操作时的变形特性等。编码的分类在 Hofland的℃作中,编码采用了二进制字符串(lbinary strings)的形巴经知道,由于 Hamming悬崖的存在,二进制编码对于函数优化问题存在重缺陷。 Hamming悬崖指的是表现型空间中距离很小的个体对可能有很大的 Hamming距离+42。举例来说,个体对01111000000于表现型空间中的相邻点最小 Euclidean距离点》但它们却在基因型空间其有最大的丑 aImiNg臣离。为了翻越且 ammIng悬崖’个体的所有苞需要同时进行改变。由杂交和变异实现翻越Ia悬崖的可能性非常小。在这种情况下,二进制编码无法维持表现型空间中点的位置。对于丁业工程领域里的许多问题而言,几乎不可能用二进制编码来表示它们的解在过去的1年里已经针对特定的问题提出了各种编码方法,其目的都是为了能够更有效地实现遗传算法。根据采用何种符号作为某因的等位基因,编码方式可以分类如下◆二进制編码( binary encoding)实数编码(rea!- number encoding整数或字母排列编码般数据结构编码实数编码对于函数优化问题最为有效c关于实数编妈在函数优化和约荣优化领城比二进制编码和Gray编码更有效的说法,经得到了广泛的验证191041由于实数编码基因型空闯中的柘扑结构与其表现型空间中的拓扑结构一致,因此徒容易从传统优化方法中借鉴好的技巧来形成有效的遗传算孑。整数和字母排列編码( literalpermutation encoding)对于组合优化问题最为有效。由于组合优化间题最关键的是要寻找满足约束项目的最佳排列或组合,因此字母排列编码对」这类问题是最有效的方法对于更为复杂的现实问题,用合适的数据结构来表示基因的等位基因,可以有效抓住问题的本质。在这种情扰下,基因可能是n维数组或更为复杂的数据结构根据編码的结构,编码方法还可以分为如下两类:(1)一维築码( one-dimensionalencoding):(2)多维编码( multidimen onal encoding)。大多数实践中采用了一维端码。然而许多实际间题需要多结构的解:用多维编码方法米衣不这些解就很自然。比如,vinous和 Michalewic2对运输间题采用了分配矩阵进行编码。( hoon和 Pari对VSI电路效置问题采用了二维编码(。 Anderson, Jones和Ryan采用了二维网格型编码。Moon科Kim对于图问题采用二维編码13Ono, Yamamura和 Kobayashi对于作业车间调度向题采用了作业赈序矩阵编码、Bti和Mon给出∮关子多维编码和杂交的一般性讨论。他们在文中指出将多维问题的解进行一维编码必然会损失多维结构中相当数量的信息根据编码的内容,编码方法还可看作如下两类:(1)仅包含解,(2)包含解和参数在遗传算法实践中,第一种方法被广泛用来针对给定的问题开发合适的编码。第一种方法在 Rechenberg和 Schwefel提出的进化策略中被采用11]个个体包含厨个部分:首先是给定问题的解其次是策略参数,包括变异中正态分布的方差和协方差。将策略参数并入个体表示的目的,是通过将进化算子应用于这些参数来促进它们的进化自透应。因此搜索就在解空间和进化参数上问时进行。通过这种方法,可以在任意环境下获得变异参数的合理调整和多样性。不可行( infeasi bility)与非法性( (illegality)遗传算法交替地在编码空间和解空间中进行操作。换句话说,也就是交莕地在基因型空间和表现型空间中进行操作。遗传算子作用于基因型空间中,而评价和选择则作用于表现型空间中。然选择连接了染色休和解码产生的解的性能。从基因型空间到表现型空间的映射对于遗传算子的性能有很大影响。其中…个与映射相关的重要问惠就是某些个体对应着给定问题的不可行解。对子约束优化间题和组合优化问题而言,这个问题可能很严重
- 2020-12-08下载
- 积分：1
张贤达的《高阶统计量信号处理方法》
高阶统计量分析方法是一种重要的非高斯信号分析方法，在此上传张贤达的这本书，希望对大家的学习有所帮助专题内容概述高阶统计量的定义、性质和估计155()高阶矩、高阶累积量及其谱·*·····“········““··“·(二)高阶累积量与高阶谱的性质三)高阶累积量与高阶谱的估计…......19、非最小相位系统的辨识21(一)基本问题21(二)MA系统的辨识.25(三)ARMA系统的辨识…135四、谐波恢复42()基本问题42()谐波恢复的高阶累积量方法……………·………43五、空间窄带信号源的波达方向估计()基本问题46(二)基于二阶统计量的DOA估计方法及其不足.147(三)基于高阶统计量的DOA估计方法53、概述高阶统计量( (Higher-order Statistics)是指比二阶统计量更高阶的随机变量或随机过程的统计量。二阶统计量有:〉随机变量(矢量):方差、协方差(相关矩)、二阶矩。随机过程:自相关函数、功率谱、互相关函数、互功率谱、自协方差函数等高阶统计量有:随机变量(矢量):高阶矩( Higher-order Moment),高阶累积量(Higher-order Cumulant)随机过程:高阶矩、高阶累积量、高阶谱( Higher- order Spectra,Polyspectra)。从统计学的角度,对正态分布的随机变量(矢量),用一阶和二阶统计量就可以完备地表示其统计特征。如对一个高斯分布的随机矢量,知道了其数学期望和协方差矩阵,就可以知道它的联合概率密度函数。对一个高斯随机过程,知道了均值和自相关函数(或自协方差函数),就可以知道它的概率结构,即知道它的整个统计特征。但是,对不服从髙斯分布的随机变量(矢量)或随机过程,一阶和二阶统计量不能完备地表示其统计特征。或者说,信息没有全部包含在一二阶统计量中,更高阶的统计量中也包含了大量有用的信息。高阶统计量信号处理方法,就是从非高斯信号的高阶统计量中提取信号的有用信息,特别是从一、二阶统计量中无法提取的信息的方法。从这个角度来说,高阶统计量方法不仅是对基于相关函数或功率谱的随机信号处理方法的重要补充,而且可以为二阶统计量方法无法解决的许多信号处理问题提供手段。可以亳不夸张地说,凡是使用功率谱或相关函数进行过分析与处理,而又未得到满意结果的任何问题,都值得重新试用高阶统计量方法。高阶统计量的概念于1889年提出。高阶统计量的研究始于六十年代初,主要是数学家和统计学家们在做基础理论的研究,以及针对光学、流体动力学、地球物理、信号处理等领域特定问题的应用研究。直到八十年代中、后期,在信号处理和系统理论领域才掀起了高阶统计量方法的研究热潮。标志性的事件有:1. K. S. Lii. m. rosenblatt "Deconvolution and Estimation of TransferFunction phase and Coefficients for non-Gaussian Linear processes AnnStatistcs, Vol, 10, pp. 1195-1208, 1982首次用高阶统计量解决了非最小相位系统的盲辩识问题。2.C.L. Nikias,M.R. Raghuveer的综述文章“ Bispectrum Estimation:ADigital Signal Processing Framework”在Proc.正EE发表,1987July3.1989、1991、1993、1995、1997、1999年举办了六届关于高阶统计量的信号处理专题研讨会(海军研究办公室,NSF, IEEE Control SystemSociety, IEEE ASSP Society, IEEE Geoscience and Remote sensingSociety4. IEEE Trans.onAC1990年1月专辑5. IEEE Trans, on AssP1990年7月专辑。6.J.M. Mendel的综述文章 Tutorial on Higher- Order statistics( Spectra)inSignal Processing and System Theory: Theoretical Results and SomeApplications”.Proc,正E,1991(主要是关于非最小相位系统辨识)。7.C.L. Nikias&A.P. Petropula的专著 Higher-order Spectral Analysis:ANonlinear Processing Framework,由 Prentice-Hall I1993出版。8. Signal Processing,19944月专辑。9. Circuits, Systems, and Signal Processing,1994.6月专辑。高阶统计量方法已在雷达、声纳、通信、海洋学、电磁学、等离子体物理、结晶学、地球物理、生物医学、故障诊断、振动分析、流体动力学等领域的信号处理问题中获得应用。典型的信号处理应用包括系统辨识与时间序列分析建模、自适应估计与滤波、信号重构、信号检测、谐波恢复、图像处理、阵列信号处理、盲反卷积与盲均衡等。在信号处理中使用高阶统计量的主要动机可以归纳成四点1、抑制未知功率谱的加性有色噪声的影响。2、辨识非最小相位系统或重构非最小相位信号。自相关函数或功率谱是相盲的,即不包含信号或系统的相位信息。仅当系统或信号是最小相位时,二阶统计量的方法才能获得正确的结果。相反,高阶统计量既包含了幅度信息,又保留了信号的相位信息,因而可以用来解决非最小相位系统的辨识或非最小相位信号的重构问题。3、提取由于高斯性偏离带来的各种信息对于非高斯信号,其高阶统计量中也包含了大量的信息。对模式识别、信号检测、分类等问题,有可能从高阶统计量获得信号的显著分类特征,4、检测和表征信号中的非线性以及辨识非线性系统。如用来解决非线性引起的二次、三次相位耦合问题。参考资料:1、张贤达,《时间序列分析一高阶统计量方法》,清华大学出版社,1996。2、沈凤麟等,《生物医学随机信号处理》(第9章),中国科学技术大学出版社,1999。3 J M. Mendel. "Tutorial on Higher-order Statistics(Spectra) in SignalProcessing and Systems Theory: Theoretical Results and SomeApplications. Proc. IEEE, Vol. 79, pp. 278-305, 19914, C. L. Nikias A. P, Petropulu. Higher-order Spectral Analysis: ANonlinear Processing Framework. Prentice-Hall. 19935 C L. Nikias J. M. Mendel.Signal Processing with Higher-orderSpectra. IEEE Signal Processing Magazine, Vol 10, July, pp 10-37, 19936 C. L Nikias M. R Raghuveer." Bispectrum Estimation: A DigitalSignal Processing Firamewoork". Proc. IEEE, Vol. 75, pp. 869-891, 19877 P. A. Delaney d. O. Walsh. " A Bibliography of Higher-Order Spectraand Cumulants". IEEE Signal Processing Magazine, Vol 11 July, pp. 61-7019948、J.A. Cadzow.“ Blind Deconvolution via Cumulant Extrema”.IEEESignal Processing Magazine, Vol 13, No 3, pp 24-42, 1996www.ant,uni-bremen.edu.de/hoshome二、高阶统计量的定义、性质和估计(一)高阶矩、高阶累积量及其谱从随机变量→随机矢量→随机过程)1、随机变量的特征函数与累积量定义:设随机变量x具有概率密度fx),其特征函数定义为(s)=f()edx=Eel其中s为特征函数的参数。(可看作八x)的拉普拉斯变换)特征函数Φ(s)只是参数s的函数。对Φ)求k次导数,可得Φ^(s)=Exe因此(O)=E}=m也就是说)在原点阶导数等孩x阶筹k。因此,Φ(s)也称作矩生成函数(又叫第一特征函数)。矩生成函数可以唯一地、完全地确定一个概率分布。这可由矩生成函数唯一性定理阐明:定理:设F(x)和G(x)是具有相同矩生成函数的分布函数,即:e dF (x)= esdG(x)则F(x)=G(x)由矩生成函数可以定义随机变量κ的累积量生成函数(又叫第二特征函数)及累积量。定义:设随机变量x的矩生成函数为Φ(s),则函数H(s)=nΦ(s)称为x的累积量生成函数,而v()在原点的k阶导数dky(s)ds k0称为x的k阶累积量如果将s)和v展开成 Taylor级数,根据以上定义,就会有①(s)=1+m1S+m2S2+…+,,mkS+…k!(2+4+x12cmk!k1也就是说,x的k阶矩和累积量分别是其矩生成函数和累积量生成函数的Taylor级数展开中s项的系数。2、随机矢量的特征函数与累积量定义:令x=[x,x2,…,x是一随机矢量,且s=s,s2,…,sr,则随机矢量x的矩生成函数定义为Φ(S1SES11+2x2+…+Skxkl52为Ex的累积量生成函数定义为(S1,S2,…,Sk)=lnΦ(s1,x的(vy2…,w)阶矩和累积量分别定义为矩生成函数和累积量生成函数的Iayr级数展开中S1S2…S项的函数,即0Φ(S1,s2;…,s)ExVIS"Y(1521512skas1Os2…ask其中vko对v=V2=…=认=1的特殊情况,记随机矢量x的矩和累积量分别为mom(,,cum(Y1X我们下面将用它们来定义随机过程的高阶矩和累积量。3、随机过程的高阶矩和高阶累积量定义:设{x(n)}为k阶平稳随机过程,则该过程的k阶矩定义为ma(z1,z2,…,k-)=mom{x(n),x(n+),…,x(n+xk-1)}而k阶累积量定义为cs(1,z2,…,k-)=cum{x(m),x(nt+),…,x(n+tk1)}根据这一定义,平稳随机过程的k阶矩和k阶累积量实质上就是取x1=x(n),x2=x(n+a),…,x=x(n+k)之后的随机矢量[(n),x(n+z),…,
- 2020-12-03下载
- 积分：1
