В прикладной математике , дискретизация это процесс передачи непрерывных функций, модели, переменные и уравнения в дискретные аналоги. Этот процесс обычно выполняется в качестве первого шага к тому, чтобы сделать их пригодными для числовой оценки и реализации на цифровых компьютерах. Дихотомизация - это частный случай дискретизации, в котором количество дискретных классов равно 2, что может аппроксимировать непрерывную переменную как двоичную переменную (создавая дихотомию для целей моделирования , как в двоичной классификации ).
Дискретизация также связана с дискретной математикой и является важным компонентом гранулярных вычислений . В этом контексте дискретизация может также относиться к модификации степени детализации переменной или категории , например, когда несколько дискретных переменных объединяются или несколько дискретных категорий объединяются.
Всякий раз, когда непрерывные данные дискретизируются , всегда есть некоторая ошибка дискретизации . Цель состоит в том, чтобы уменьшить количество до уровня, который считается незначительным для рассматриваемых целей моделирования .
и - время выборки, хотя это транспонированная матрица . Уравнение для дискретного шума измерения является следствием того, что непрерывный шум измерения определяется спектральной плотностью мощности. [1]
Умный трюк для вычисления A d и B d за один шаг заключается в использовании следующего свойства: [2] : p. 215
Где и - дискретизированные матрицы пространства состояний.
Численное вычисление немного сложнее из-за матричного экспоненциального интеграла. Однако его можно вычислить, сначала построив матрицу и вычислив ее экспоненту [3]
Затем дискретизированный технологический шум оценивается путем умножения транспонирования нижнего правого раздела G на верхний правый раздел G :
Вывод [ править ]
Начиная с непрерывной модели
мы знаем, что матричная экспонента равна
и путем предварительного умножения модели мы получаем
который мы признаем как
и интегрируя ..
которое является аналитическим решением непрерывной модели.
Теперь мы хотим уточнить приведенное выше выражение. Мы предполагаем, что u постоянно на каждом временном шаге.
Мы узнаем выражение в квадратных скобках как , а второй член можно упростить, заменив его функцией . Обратите внимание на это . Мы также предполагаем, что это постоянное значение во время интеграла , что в свою очередь дает
что является точным решением проблемы дискретизации.
Когда является сингулярным, последнее выражение все еще можно использовать, заменив его разложением Тейлора ,
Это дает
которая используется на практике.
Приближения [ править ]
Точная дискретизация иногда может быть затруднена из-за использования сложных матричных экспоненциальных и интегральных операций. На ее основе гораздо проще рассчитать приближенную дискретную модель для малых временных шагов . Приблизительное решение становится таким:
Это также известно как метод Эйлера , который также известен как прямой метод Эйлера. Другие возможные приближения также известны как обратный метод Эйлера и , который известен как билинейное преобразование или преобразование Тастина. Каждое из этих приближений имеет разные свойства устойчивости. Билинейное преобразование сохраняет неустойчивость системы с непрерывным временем.
Дискретизация непрерывных функций [ править ]
Основная статья: Дискретность непрерывных функций
В статистике и машинном обучении под дискретизацией понимается процесс преобразования непрерывных функций или переменных в дискретные или номинальные характеристики. Это может быть полезно при создании функций вероятности и массы.
Дискретизация гладких функций [ править ]
Основная статья: Распределение (математика) § Convolution_versus_Multiplication
В теории обобщенных функций дискретизация
возникает как частный случай теоремы
о свертке для умеренных распределений.
где - гребенка Дирака , - дискретизация, - периодизация , - быстро убывающее умеренное распределение (например, дельта-функция Дирака или любая другая функция с компактным носителем ), - плавная , медленно растущая обычная функция (например, постоянная функция
или любая другая полосно-ограниченная функция) и является (унитарным, обычной частотой) преобразованием Фурье . Негладкие функции можно сделать сглаженными с помощью смягчителя перед дискретизацией.
В качестве примера, дискретизация функции, которая постоянно дает последовательность , которая, интерпретируется как коэффициенты линейной комбинации из дельта - функций Дирака , образует гребень Дирака . Если дополнительно применяется усечение , получаются конечные последовательности, например . Они дискретны как по времени, так и по частоте.
См. Также [ править ]
Дискретное моделирование событий
Дискретное пространство
Дискретное время и непрерывное время
Метод конечных разностей
Метод конечных объемов для нестационарного потока
Сглаживание
Стохастическое моделирование
Расчет шкалы времени
Ссылки [ править ]
^ Корпорация аналитических наук. Технический персонал. (1974). Применена оптимальная оценка . Гелб, Артур, 1937-. Кембридж, Массачусетс: MIT Press. С. 121 . ISBN 0-262-20027-9. OCLC 960061 .
^ Raymond Декарела: Линейные системы: Государство Variable подход с реализацией численной , Prentice Hall, НьюДжерси, 1989
^ Чарльз Ван Лоан: Вычисление интегралов, включающих экспоненциальную матрицу , Транзакции IEEE по автоматическому контролю. 23 (3): 395–404, 1978.
Дальнейшее чтение [ править ]
Роберт Гровер Браун и Патрик YC Хван (1997). Введение в случайные сигналы и применяемую фильтрацию Калмана (3-е изд.). ISBN 978-0471128397.
Чи-Цонг Чен (1984). Теория и дизайн линейных систем . Филадельфия, Пенсильвания, США: Издательство Saunders College. ISBN 978-0030716911.
К. Ван Лоан (июнь 1978 г.). «Вычислительные интегралы с участием матричной экспоненты» (PDF) . IEEE Transactions по автоматическому контролю . 23 (3): 395–404. DOI : 10.1109 / TAC.1978.1101743 . ЛВП : 1813/7095 .
Р. Х. Миддлтон и Г. К. Гудвин (1990). Цифровой контроль и оценка: единый подход . п. 33f. ISBN 978-0132116657.