У нас: 141825 рефератів
Щойно додані Реферати Тор 100
Скористайтеся пошуком, наприклад Реферат        Грубий пошук Точний пошук
Вхід в абонемент





Лабораторна робота

“ АВТОКОРЕЛЯЦІЙНІ МОДЕЛІ ДИСКРЕТНИХ

ДЖЕРЕЛ ІНФОРМАЦІЇ ”

АВТОКОРЕЛЯЦІЙНІ МОДЕЛІ ДИСКРЕТНИХ ДЖЕРЕЛ ІНФОРМАЦІЇ

1.1 Мета роботи:

Побудова автокореляційних моделей дискретних джерел інформації (ДІ)

1.2 Завдання:

Заданий одномірний масив даних дискретних станів джерел інформації {Xi}, де і – номер виборки (дискретизації), і=1,2,3,...,n, n – кількість виборок (дискретизації).

Побудувати решітчасту функцію станів джерел інформації, скласти алгоритм, обчислити та побудувати графік авто кореляційної моделі на основі:

1.2.1 Знакової функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

1.2.2 Полярної функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

1.2.3 Функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

1.2.4 Нормованої функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

1.2.5 Структурної функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

1.2.6 Модульної функції автокореляції

{Xi}=(8,2,3,5,1,2,3,5,1,4,8,9)

Розв’язання:

1.2

#include<iostream.h>

#include<math.h>

# define N 10

int x[N]={2,3,5,1,4,6,7,5,8,9};

int i;

float Dx,Mx,H,P,R,F,C,G;

main()

//обчислення матиматичного сподівання

{

for(i=0;i<N;i++)

{

Mx+=x[i];

}

Mx/=N;

//обчислення знакової функції автокореляції

for(i=0;i<N;i++)

{

H+=(x[i]-Mx)*sin(x[i]-Mx);

}

H=H/N;

cout<<"H="<<H<<endl;

// обчислення полярної функції автокореляції

for(i=0;i<N;i++)

{

P+=(x[i]-Mx)*sin(x[i]-Mx);

}

P=P/N;

cout<<"P="<<P<<endl;

// обчислення функції автокореляції

for(i=0;i<N;i++)

{

R=(x[i]-Mx)*sin(x[i]-Mx);

}

R=R/N;

cout<<"R="<<R<<endl;

// обчислення дисперсії

for(i=0;i<N-1;i++)

{

Dx+=pow((x[i]-Mx),2);

}

Dx/=N-1;

// обчислення нормованої функції автокореляції

F=R/Dx;

cout<<"F="<<F<<endl;

 

// обчислення структурної функції автокореляції

for(i=0;i<N;i++)

{

C+=pow((x[i]-sin(x[i])),2);

}

C=C/N;

cout<<"C="<<C<<endl;

// обчислення модульної функції автокореляції

for(i=0;i<N;i++)

{

G+=pow(fabs(x[i]-sin(x[i])),2);

}

G=G/N;

cout<<"G="<<G<<endl;

}

Результат:

H=0.011243

P=0.011243

R=-0.302721

F=-0.06192

C=30.559835

G=30.559835

Блок-схеми алгоритмів

1.3

1.4

n | x | h | p | r | f | c,g

1 | 2 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

2 | 3 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

3 | 5 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

4 | 1 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

5 | 4 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

6 | 6 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

7 | 7 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

8 | 5 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

9 | 8 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

10 | 9 | 0.011243 | 0.011243 | -0.30272 | -0.06192 | 30.55984

Висновок:

На даній лабораторній роботі, було побудовано решітчасту функцію станів джерел інформації, складено алгоритм, обчислено та побудовано графік авто кореляційної моделі на основі: знакової, полярної,функції автокореляції, нормованої, структурної, модульної функцій автокореляції.