Моделирование коррелированных гауссовых СВ

При моделировании следящих систем НАП, а так же сигналов многоантенных НАП, возникает задача создания нормальных случайных величин с заданным коэффициентом корреляции.

Рассмотрим решение данной задачи на примере модели шумов статистического эквивалента корреляционных сумм $I_p$, $I_e$ и $I_l$.

Статистический эквивалент коррелятора

Статистический эквивалент коррелятора синфазных корреляционных сумм в отсутствии помех можно описать выражениями:

$I_p = A_{IQ} \rho\left(\delta \tau\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Ip},$

$I_{e} = A_{IQ} \rho\left(\delta \tau - \frac{\Delta \tau}{2}\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Ie},$

$I_{l} = A_{IQ} \rho\left(\delta \tau + \frac{\Delta \tau}{2}\right) sinc\left(\frac{\delta \omega T}{2}\right) cos\left(\frac {\delta \omega T}{2} + \delta\varphi\right) + n_{Il},$

которые для полной картины необходимо дополнить определениями $A_{IQ}$, $\rho()$ и т.д., а так же описанием шумов $n_{Ip}$, $n_{Ie}$, $n_{Il}$.

Математические ожидания СВ $n_{Ip}$, $n_{Ie}$, $n_{Il}$ равны нулю, их дисперсии есть

$\sigma_{IQ}^2 = \frac{\sigma_n^2 L}{2}$,

где $\sigma_n^2$ - дисперсия шумов на выходе АЦП, $L$ - число суммируемых отсчетов в корреляторе, эти величины считаются известными.

Нетрудно рассчитать попарные взаимные дисперсии:

$M\left[n_{Ip} n_{Ie}\right] = M\left[n_{Ip} n_{Il}\right] = // \frac{\Delta \tau}{2 \tau_e} \sigma_{IQ}^2 // = \rho \left( \frac{\Delta \tau}{2} \right) \sigma_{IQ}^2$,

$M\left[n_{Ie} n_{Il}\right] = \rho \left( \Delta \tau \right) \sigma_{IQ}^2$,

Примечание. Задача формирования шумов квадратурных сумм - абсолютно аналогична и независима, т.к. шумы между I и Q компонентами не коррелируют.

Многомерная нормальная СВ или вектор случайных величин?

При синтезе радиотехнических систем часто используются модели, оперирующие с многомерными нормальными случайными величинами. Определение из Википедии:

Случайный вектор $\mathbf{X} = (X_1,\ldots, X_n)^{\top}: \Omega \to \mathbb{R}^n$ имеет многомерное нормальное распределение, если выполняется одно из следующих эквивалентных условий:

• Произвольная линейная комбинация компонентов вектора $\sum\limits_{i=1}^n a_i X_i$ имеет нормальное распределение или является константой.
• Существует вектор независимых стандартных нормальных случайных величин $\mathbf{Z}=(Z_1,\ldots, Z_m)^{\top}$, вещественный вектор $\mathbf{\mu} = (\mu_1,\ldots, \mu_n)^{\top}$ и матрица $\mathbf{A}$ размерности $n \times m$, такие что:

$\mathbf{X} = \mathbf{A} \mathbf{Z} + \mathbf{\mu}$.

• Существует вектор $\mathbf{\mu} \in \mathbb{R}^n$ и неотрицательно определённая симметричная матрица $\mathbf{\Sigma}$ размерности $n \times n$, такие что характеристическая функция вектора $\mathbf{X}$ имеет вид:

$\phi_{\mathbf{X}}(\mathbf{u}) = e^{i \mathbf{\mu}^{\top} \mathbf{u} - \frac{1}{2}\mathbf{u}^{\top} \Sigma \mathbf{u}},\; \mathbf{u} \in \mathbb{R}^n$.

Из первого условия следует, что каждая из компонент нормальной векторной СВ имеет нормальное распределение (для компоненты $i$ это вытекает при $a_i = 1$ и остальных коэффициентах комбинации, равных 0). Отсюда часто возникает иллюзия, что нормальность распределений компонент влечет нормальность совместного распределения. Этот тезис не выполняется, на контрпример можно взглянуть тут.