第一章 离散随机信号统计分析基础

合集下载

随机信号分析 第一章随机信号基础2

随机信号分析   第一章随机信号基础2

y
o
(x,y)
x
利用分布函数,对任意实数 x1 x 2 , y1 y2 则
P( x1 X x2 , y1 Y y2 ) F ( x2 , y2 ) F ( x2 , y1 ) F ( x1 , y2 ) F ( x1 , y1 )
y o
( x1, y2 ) ( x1, y1)
F ( x ) f ( t )dt

x
F(x)
=

0
x0
0 x 1
x
tdt tdt
0 1
x
0
1
(2 t )dt
1 x 2
x2
1

x0 0, x2 , 0 x 1 2 F ( x) x2 2x 1 , 1 x 2 2 1, x2
多维随机变量及其分布
由于从二维推广到多维一般无实质性的困难,我们重点 讨论二维随机变量 .
二维随机变量用(X,Y)表示下面着重讨论二维 r.v(X,Y),多维随机变量可类推。
二维随机变量(X,Y) X和Y的联合分布函数
一维随机变量X X的分布函数
F ( x ) P( X x )
F ( x , y) P ( X x , Y y) x, y
4.F ( x , y ) F ( x 0 , y ), F ( x , y ) F ( x , y 0 );
即F(x,y)对每个自变量都是右连续的。
5.对任意实数 x1 x2 , y1 y2
,有
F ( x2 , y2 ) F ( x2 , y1 ) F ( x1 , y2 ) F ( x1 , y1 ) 0.

离散随机信号统计分析基础

离散随机信号统计分析基础

第一章 离散随机信号统计分析基础本章的目的是对随机信号做一个简短的回顾,并且介绍一些在以后各章中我们将要用的概念。

§1.1 随机信号1.1.1 随机变量由概率论可知,我们可以用一个随机变量X 来描述自然界中的随机事件,若X 的取值是连续的,则X 为连续型随机变量(注:本章随机变量和随机信号用大写外文符号表示,如X ,Y 等,随机信号的一次实现仍用小写外文符号表示,如x i (t ),x (n ,i )等)。

若X 的取值是离散的,则X 为离散型随机变量,如服从二项式分布、泊松分布的随机变量。

对随机变量X ,我们一般用它的分布函数、概率密度及数字特征来描述: 概率分布函数 dx x p x X obability x P x⎰∞-=≤=)()(Pr )((1.1.1)概率密度 dx x dP x p )()(=(1.1.2) 均值⎰+∞∞-==dx x xp X E )(][μ(1.1.3) 均方值 ⎰+∞∞-==dx x p x X E D )(][222(1.1.4) 方差⎰+∞∞--=-=dx x p x X E )(][222μμσ(1.1.5)式中E[ ]表示求均值运算。

两个随机变量X 、Y ,其联合概率密度为p (x ,y ),其协方差函数***][][][]))([(],cov[Y E X E XY E Y X E Y X Y X -=--=μμ(1.1.6)例如,一个均匀分布的随机变量X 的取值范围若是[b,a],则其概率密度ba x p -=1)( (1.17)若X 服从高斯分布,则其概率密度])(21exp[21)(222μσπσ--=x x p(1.1.8)N 个实随机变量X=[x 1, x 2,… x N ]T 的联合高斯分布的概率密度)]()(21exp[])2[()(121μμπ-∑--∑=--X X X p T N(1.1.19) 式中Tx x x N ],,,[21μμμμ=(1.1.10a)⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=--=∑2212221212121],cov[],cov[],cov[],cov[],cov[],cov[]))([(N N N N N T x x x x x x x x x x x x X X E σσσμμ(1.1.10b)分别是X 的均值向量和协方差矩阵。

第一章 离散随机信号1-4

第一章 离散随机信号1-4



随N的加大,偏移和估计量方差都趋于零, 是一致估计的充分必要条件。
通常选定一种估计方法, 往往不能使上述的三种性能评价一致, 只能折衷考虑,尽量满足无偏性和一致性。 下面讨论均值、方差、自相关函数的估计方法, 均假设随机序列平稳且具有各态历经性, 集合平均可以用长时间的时间平均代替。
二、均值估计
因此,B 0,这是一种无偏估计。
下面推导估计量的方差: r ( m) - E r ( m) 2 E r 2 ( m) - r 2 ( m) ˆ ˆxx var rxx (m) E ˆxx ˆxx ˆxx ˆ2 E rxx (m) 1
三、方差估计
已知N点样本数据xi (i 0,1, 2,, N -1), 假设数据之间无相关性,且均值mx已知,
用下式方差估计: 1 2 ˆ x N
x
i 0
N -1
i
- mx
2
可证明这是一致估计,但实际中一般mx是不知道的。
分析它的偏移性,按照上式,有 1 2 ˆ E x N
如果两估计量的观察次数相同,都是无偏估计。
哪个估计量在真值附近的摆动小一点, 即估计量的方差小一些。
就说这一个估计量的估计更有效。
ˆ ˆ 如果 和 '都是x的两个无偏估计值, 对任意N,它们的方差满足下式: 2 2 < ' ˆ ˆ
式中:
2 ˆ 2 ˆ '
- E 2 ˆ ˆ E ' - E ' 2 ˆ ˆ E
1 ˆ ˆ2 ' x (5) N -1
2 x
将上式两边取统计平均值, 并将(5)式代入,

《随机信号分析》复习课(第一章-第四章)

《随机信号分析》复习课(第一章-第四章)

F (x, y) P{X x,Y y}
y
(x, y)
x
0
1.4 多维随机变量及分布
f (x, y) 2F (x, y) xy
f (x, y) 0
xy
F(x, y)
f (x, y)dxdy
f (x, y)dxdy 1
f X (x)
f (x, y)dy
fY ( y)
f (x, y)dx
J
dx dy
对于任意单调函数 g(x) :fY ( y) f X (x) J xg1( y)
如果 g(x) 不是单调函数:
fY ( y) f X (x1) J1 f X (xn ) J n
其中 x1 h1 ( y) … xn hn ( y) , Jk dxk / dy
1.6 随机变量的函数
《随机信号分析》复习课(第一章-第四章)
重点内容
绪论 随机变量基础 重点:随机变量的函数
第二章 随机过程的基本概念 重点: 平稳随机过程的概念,随机过程的功率谱密度 ,高斯过程
第三章 随机过程的线性变换 重点:随机过程线性变换的冲激响应法和频谱法, 白噪声通过线性系统,随机过程线性变换后的概率 分布
x2 f (x)dx
x1
1.3 随机变量的分布函数与概率密度
f (x)
1
2
exp
(x )2 2 2
X ~ N(, 2)
x
FX (x)
1 2
exp
(
x ) 22
2
dx
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-4 -3 -2 -1

数字信号处理-时域离散随机信号处理课件:时域离散随机信号的分析

数字信号处理-时域离散随机信号处理课件:时域离散随机信号的分析
中, 为简单起见,也用小写字母x(n)或xn表示随机序列, 只要概念清 楚, 会分清楚何时代表随机序列, 何时代表样本函数。
数字信号处理——时域离散随机信号处理
x1(tn
t
图 1.1.1 n部接收机的输出噪声
数字信号处理——时域离散随机信号处理
x1(n) x2(n) xn(n)
数字信号处理——时域离散随机信号处理
一般均方值和方差都是n的函数, 但对于平稳随机序列, 它 们与n无关, 是常数。如果随机变量Xn代表电压或电流,其均方 值表示在n时刻消耗在1 Ω电阻上的集合平均功率,方差则表示 消耗在1Ω电阻上的交变功率的集合平均。有时将σx称为标准方 差。
数字信号处理——时域离散随机信号处理
3. 随机序列的相关函数和协方差函数
我们知道, 在随机序列不同时刻的状态之间,存在着关联 性, 或者说不同时刻的状态之间互相有影响,包括随机序列 本身或者不同随机序列之间。 这一特性常用自相关函数和互 相关函数进行描述。
自相关函数定义为
rxx
(n,
m)
E[
X
* n
X
m
]
xn*
xm
pX
n
,
X
m
数字信号处理——时域离散随机信号处理
时域离散随机信号的分析
1.1 引言 1.2 时域离散随机信号的统计描述 1.3 随机序列数字特征的估计 1.4 平稳随机序列通过线性系统 1.5 时间序列信号模型
数字信号处理——时域离散随机信号处理
1.1 引 言
信号有确定性信号和随机信号之分。 所谓确定性信号,就 是信号的幅度随时间的变化有一定的规律性, 可以用一个明确 的数学关系进行描述,是可以再现的。 而随机信号随时间的变 化没有明确的变化规律,在任何时间的信号大小不能预测, 因 此不可能用一明确的数学关系进行描述,但是这类信号存在着 一定的统计分布规律,它可以用概率密度函数、概率分布函数、 数字特征等进行描述。

第一章 离散随机信号1-6

第一章 离散随机信号1-6
m 2n n m -1
w(1) }
因为0<a <1,当n很大时,a
2n
0,
m
而对实序列,rxx (m)=rxx (-m)
a 得到自相关函数:rxx (m) 1- a 2
对上式进行z变换得到其功率谱: 1 Pxx ( z ) -1 (1- az )(1- az )
方法二:由模型直接求功率谱, 再由功率谱求自相关函数。
令z e ,得到
jw
Pxx (e ) V cos w
jw 2 w
说明:有理谱信号的功率谱 是e jw或者 cos w的有理函数。
2、谱分解定理
如果功率谱Pxx (e )是
jw
平稳随机序列x(n)的有理谱, 那么一定存在一个零极点 均在单位圆内的有理函数H ( z )。
该函数用V 表示, 可以写成下式: B( z ) H ( z )= = A( z )


如果信号的功率谱有尖峰而没有深谷, 用具有极点的AR模型表示将比用MA模型 表示用的系数少,即效率高。 AR模型比较其它两种模型计算简单,许 多设计人员喜欢采用AR模型,只要阶数 选高些,似似性较好。
四、自相关函数、功率谱与时 间序列信号模型的关系


自相关函数、功率谱与时间序列信号模型 是对平稳随机序列三种不同方式的描述, 它们从不同方面说明信号的统计特性。 自相关函数和功率谱是一对傅里叶变换关 系。
以上四种分解情况中, 只有(1)满足极零点均在单位圆内部, 因此按照谱分解定理的约束条件, 只能唯一地分解出一个零极点均在 单位圆内部的约束条件, 分解便不是唯一的。 另外,按照谱分解定理分解 出H ( z )一定是最小相位系统, 它保证了模型的可逆性。

随机信号分析第一章

随机信号分析第一章

的理论与方法,必然是“张冠李戴”
t
无法得到正确的处理结果。
14
随着科学技术的进步,人们越来越发现,在自然界中所 遇到的大量信号均属于随机信号。如:
(1)-自由电子随机游动,在电阻上产生的“热噪声”。 (2)-某交叉路口每天24小时测量的噪音的分贝记录。 (3)-证卷交易所中,某股票每周涨落的记录。 (4)-反映人的生理、心理活动的“脑电波”。 (5)-反映地球物理特性的“地震信号”。 (6)-人说话时发出的“语音信号”。 (7)-雷达自动跟踪到的某飞行器的“运动轨迹”。 (8)-雷达接收到的目标信号的“幅度与相位”。
7
分析确定信号所用的数学工具有:微富积氏分变、换线、性拉代氏数变、换复、变等函等数
分析随机信号所用的数学工具有:随机概过率程论理论


上述的所有
数学工具

概率论研究的对象--随机变量 X
随机过程理论研究的对象--随机过程 X (t)
8
(一)课程的特点、地位、作用和任务:
20
教材及主要参考书
教材:随机信号分析基础(第4版) 王永德 王军 (编著)
电子工业出版社
参考教材:
李晓峰,周宁等编著 随机信号分析(第4版) 电子工业出版社
随机信号分析 赵淑清 郑薇(编著) 哈尔滨工业大学出版社
随机信号处理 陆光华 彭学愚 西安电子科技大学出版社
21
参考书籍
李晓峰,周宁等编著,随机信号分析(第4版),电子工业出版社
29
30
1.1 概率的基本概念
定义(概率的统计定义) :
在一定条件下,重复做 N 次实验, NA为 N 次实验中
事A发生的次数,如果随着
N
逐渐增大,频率

离散时间随机信号概述

离散时间随机信号概述

离散时间随机信号概述离散时间随机信号是指在离散时间下呈现随机性质的信号。

它在各个离散时间点上的取值是随机的,并且在相邻时间点上的取值之间是独立的。

离散时间随机信号是随机变量的函数,其取值可以用一系列数值来表示。

离散时间随机信号可以通过概率密度函数(Probability Density Function,PDF)来描述其概率分布。

PDF描述了信号在各个取值处的概率大小。

常见的离散时间随机信号包括均匀分布、高斯分布、泊松分布等。

离散时间随机信号的统计特性是对信号进行分析和处理的重要指标。

其中最常用的统计特性包括均值、方差、自相关函数和功率谱密度。

通过分析这些统计特性,我们可以得到信号的均值和离散程度,进而了解信号的变化趋势和周期性特点。

离散时间随机信号的应用非常广泛,特别是在通信、控制、图像处理和模式识别等领域。

在通信系统中,离散时间随机信号可以用来表示信道噪声,通过对其进行建模和分析,可以提高通信系统的可靠性和性能。

在控制系统中,离散时间随机信号可以用来描述系统的不确定性和扰动,通过对其进行建模和分析,可以设计出更稳定和鲁棒的控制策略。

总之,离散时间随机信号是在离散时间下呈现随机性质的信号,它的取值是随机的并且在相邻时间点上的取值之间是独立的。

离散时间随机信号的概率分布可以通过概率密度函数进行描述,而统计特性则用于分析和处理信号。

离散时间随机信号在各个领域具有重要的应用价值。

离散时间随机信号在实际应用中有着广泛的用途和重要性。

在通信领域,离散时间随机信号的研究对于提高通信系统的性能至关重要。

随机噪声是信号传输中不可避免的干扰源之一,而离散时间随机信号可以用来建模和分析信道中的噪声。

通过对离散时间随机信号的统计特性进行分析,我们可以获得信道噪声的性质,从而设计出更加有效的通信系统。

在控制系统中,离散时间随机信号也扮演着重要的角色。

在实际控制系统中,存在着各种不确定性和扰动源,如传感器噪声、外部干扰等。

离散随机信号的特征描述及其估计

离散随机信号的特征描述及其估计

FFT具有高效性、稳定性和可并行性 等优点,使得它在信号处理领域得到 广泛应用。
03
应用
FFT广泛应用于信号处理、图像处理 、语音处理等领域,例如频谱分析、 滤波器设计、信号去噪等。
小波变换
定义
小波变换是一种时频分析方法,它能够提供信号在不同频率和时间尺度上的信息。小波变 换通过将信号分解为小波函数的叠加,实现了在时间和频率域上的局部化分析。
离散随机信号的特性
随机性
离散随机信号的取值具有随机性,即 每个取值都是随机的,无法预测。
离散性
时变性和空间相关性
离散随机信号的统计特性可能随时间 和空间的变化而变化,同时不同时刻 或位置的信号取值可能存在相关性。
离散随机信号的取值只在离散的时间 或空间点上发生,不连续。
离散随机信号的应用场景
通信系统
Part
02
离散随机信号的特征描述
均值
总结词
离散随机信号的均值描述了信号的平 均水平或“中心趋势”。
详细描述
均值是所有样本点的平均值,表示信 号的“平均水平”或“中心趋势”。 对于离散随机信号,我们通常使用算 术平均值来计算均值。
方差
总结词
方差描述了离散随机信号的波动范围或分散程度。
详细描述
方差是每个样本点与均值的差的平方的平均值,表示信号的波动范围或分散程 度。方差越大,信号的波动或分散程度越大;方差越小,信号越接近均值。
功率谱密度
总结词
功率谱密度描述了离散随机信号的频率成分及其对应的功率。
详细描述
功率谱密度是信号在各个频率上的功率分布,反映了信号的频率成分及其对应的功率。通过分析功率 谱密度,我们可以了解信号中包含哪些频率成分以及各成分的强度。

随机信号分析基础chapter①王永德 答案

随机信号分析基础chapter①王永德 答案

2
0
pR (r , )d
0
r

r
2
e


r2 2 2
p ( ) pR (r , )dr
r2 2 2
2
2
e
1 dr 2
表述问题:
P( R, ) R 2
2
2
不完整解:
e
R2 2 2
P( R)
R

e

R2 2
2
pR ( r )
解方法二: 可采用(2)的方法,先求特征函数,再求概 率密度,由于计算复杂这里不累述.
1.10 解: 设 Z1 Y ; Z2 XY
则反函数为: Y Z1; X
则雅可比式为:
Z2
Y
Y Z 2 1 0 1 1 X 0 Y Y Z 2
Y Z 1 J X Z 1
n 1 n 1 D( X ) D( xi ) 2 D( xi ) n i 1 n i 1 1 n 1 n 2 2 [ D( xi )] 2 i n i 1 n i 1
(2) 解法一: 根据题意:令 i 0, i2 2 . 由于独立同分布的高斯变量的线性组合 仍为高斯变量,所以 X 为高斯变量。
所以它的特征函数为 C xi (u ) e 由性质可知:
Cxi (u) e
n
2u 2 2 2n
根据两两相互独立的随机变量之和的特征函数等 于各个随机变量的特征函数之积这一性质可得:
1.8
CX (u) Cxi (u) e
i 1 n n
2u 2 2n
这样就可通过傅立叶反变换求它的密度函数

第一章 离散随机信号131

第一章 离散随机信号131

(e ) Pxx ( ) , - 2 2 (e - j )
2
- j
2
其中: ( z ) 1 1 z 2 z 2 + + p z p ( z ) 1 1 z 2 z 2 + + q z q 式中 2 >0,1, , p,1, , q皆为常数, ( z )=0与( z ) 0的根全在单位园外。

是否可用类似的方法来研究随机过程的结构呢? 如果可行,具体又应从何处着手?

通过非随机的自相关函数的傅里叶分析,可望达 到对平稳随机序列进行随机频谱分析。

这想法的实现即为维纳-辛钦定理,它揭示了平 稳随机序列的自相关函数与该序列的频谱之间 相互确定的密切关系。
1、定理3 维纳-辛钦定理
x(n), n Z 的自相关函数,则
- jwm Pxx ( ) xx (m)e m- 维纳-辛钦 (m) 1 P ( )e jwm d xx xx 2
三、功率谱密度
如果mx 0,当m , xx ( m) m
2 x
严格地说:xx (m)的傅里叶变换不存在,
m=-
设xx (m), m Z 是平稳随机序列


xx (m) <
那么定理3中的Fx ( )在 -, 上处处可导, 且Pxx ( )=Fx' ( )在 -, 上连续有界。
1 xx (m) 2
e
-

jm
Pxx ( )d m Z
- jm
Pxx ( )
m-


xx
(m)e
-
定理4 维纳-辛钦公式

第一章-1--随机信号分析基础

第一章-1--随机信号分析基础
随机信号分析基础
§1 随机信号分析基础
随机过程部 1.3 1.4 1.5 1.6
随机信号 随机信号的统计描述 平稳随机信号 统计特征估计的质量平价 随机信号的功率谱 白噪声信号与谐波信号
1.1 随机信号

随机信号的概念 随机信号的定义 随机信号举例 随机信号的分类


x 2 p( x, t )dx
D X (t) E{[X(t) m X (t)]2 }



[ x mX (t )]2 p( x, t ) dx

2 或表示为:D x (t) E{X (t)} [ x mx (t )]2 p ( x, t )dx
其中
X(t) X(t) m X ( t) 称“中心化随机变量”
举例: 求两个随机数据序列的协方差
随机信号间的 “独立、不相关及正交关系”
如果 X(t)、Y(t) 统计独立,则有:
pxy (x,y;t1,t 2) p( ;t1 )py(y;t 2) x x
mx E{X} xi pi ( x) 或:mx (n) E{X(n)} xi (n) pi ( x)
i 1 i 1
k
k
均值与概率密度有关,均值仅对长期(或大量)观察才有意义。
均值函数(数学期望)
对于连续时间函数 :
mx (t) E{X(t)}


xp( x, t )dx
两者均表示随机信号在时刻 t 对于均值的平均偏离程度
均方函数与方差函数
X1(t)
X2(t)
t
t
方差函数:
2 DX (t) E{[X(t) mX (t)]2} ( X (t) var{x(t)})

随机信号分析第一章

随机信号分析第一章

02
随机信号的统计描

概率密度函数
定义
概率密度函数(PDF) 是描述随机信号在各个 时刻取值概率分布的函 数。
性质
概率密度函数具有非负 性、归一化性质,即概 率密度函数在全域上的 积分等于1。
计算方法
可以通过直方图法、核 密度估计法等方法计算 概率密度函数。
概率分布函数
定义
概率分布函数(CDF)是描述随机信号取值小于或等 于某个值的概率的函数。
随机信号的特性
统计特性
随机信号的统计特性包括均值、 方差、概率分布等,这些特性描 述了信号的平均行为和不确定性 。
时间特性
随机信号的时间特性包括自相关 函数、互相关函数、功率谱密度 等,这些特性描述了信号在不同 时间点的相关性以及频率成分。
随机信号的应用
通信
在通信领域,随机信号可用 于扩频通信、无线通信等领 域,以提高通信的抗干扰能 力和保密性。
05
随机信号的采样定

采样定理的内容
采样定理定义
对于一个时间连续的模拟信号,如果以不高于其最高频率分量的频 率进行采样,则可以无失真地恢复原始信号。
采样定理的数学表达式
如果信号的最高频率为Fmax,则采样频率应不小于2Fmax。
采样定理的意义
采样定理是数字信号处理的基础,它确保了从离散样本中能够准确 重建原始信号。
雷达与声呐
在雷达与声呐领域,随机信 号可用于目标检测、测距、 定位等方面,以提高探测的 精度和可靠性。
地球物理学
在地球物理学领域,随机信 号可用于地震勘探、矿产资 源探测等方面,以揭示地球 内部结构和物质分布。
金融与经济
在金融与经济领域,随机信 号可用于股票价格分析、市 场预测等方面,以揭示市场 动态和经济发展趋势。

第一章 时域离散随机信号

第一章 时域离散随机信号

•自协方差序列
* c o v (, X X ) E [ ( X m ) ( X m ) ] n m n X m X
n m
可以证明
* c o v ( X , X ) r ( n , m ) m m n m x x XX
n m
m 0 ,有 对于零均值随机序列, m X X
n m
c o v ( X , X ) r (, n m ) n m x x
' ' * r ( mE ) [ xn ()( y nm ) ] ( 3 ) r ( m ) E [( x n ) x ( n m ) ] , x y x x
*
三种定义之间的关系为
' ' ' ' ' ' rmr () ( mr ) ( m ) rm () r ( m ) r ( m ) , x y x y y x x x x x x x
F ( x ,n ) P ( X x ) X n n n n
•概率密度函数 如果 X n 是连续随机变量,X n 的概率密度函数定义为
pXn (xn,n) F ) Xn (x n, n xn
3
•概率质量函数
如果 X n 是离散随机变量,则它的概率密度函数不存在,定义 一个概率质量函数来描述它。
( n ) E [ Xm ] E [ X m ]
2 x 2 2 n x n m x
* r ( m ) r ( n , n m ) E [ X X ] x x x x nn m
* r ( m ) r ( m ) x x x x
o v () m c o v ( n , n m ) 自协方差序列: c x x x x

第一章 离散随机信号1-1,2

第一章 离散随机信号1-1,2

(3)概率质量函数
如果x(n)的取值是离散的
设x(n)的所有可能的取值为a1 , a2 ,L
则可用分布律(也称概率质量函数)px (ai , n)表示
有:px (ai , n) = P [ x(n) = ai ] ,i=1,2,L
其中px (ai , n)代表x(n)取某一值ai的概率。
(4)二维联合概率分布函数
本章重点
本章是离散时间随机信号: 本章是离散时间随机信号 (1)相关函数 (2)协方差函数 (3)功率谱密度函数
第一节 引言
本节内容
1、离散时间确定性信号 2、离散时间随机信号 3、离散随机信号的描述 4、离散随机信号的特点
1、离散时间的确定性信号
离散时间信号 离散时间的确定性信号 离散时间的随机信号
一、离散时间随机过程的概率分布
(1)概率分布函数 (2)概率密度函数 (3)概率质量函数 (4)二维联合概率分布函数 (5)二维联合概率密度 (6)二维联合分布自律(概率质量函数)
(7)条件概率密度函数 (8)N维联合分布函数 (9) N维联合概率密度 (10)严平稳的随机序列 (11)宽平稳随机序列 (12)随机序列的相互独立
第二节 离散时间随机信号的 时域(统计)表示
引言
对于随机信号 从统计平均分析出发 求其每个时刻取值的概率 以及各时间点上取值的关联性 知道它的概率分布(包括一维和多维概率分布) 则认为对这个随机信号在统计意义 上有充分了解或已明白描述。
本节内容
1、离散时间随机过程的概率分布 2、离散时间随机过程的数字特征 3、离散时间平稳过程相关序列与协方差 列的性质 4、平稳序列的时间平均与遍历性
是其在每个时刻上的值可以用某个数字表达式 某个数字表达式 或用图表惟一地确定的信号。 或用图表

第一章 随机信号基础

第一章 随机信号基础

样本空间,记为 S
2017/5/2
10/93
4. 随机事件( Random Event )
实验 E 中满足一定条件的样本点的集合称为随机
事件, 是S的子集。记为 A , B , …
每个样本点称为基本事件,样本空间S是必然事 件,Ø是不可能事件。
一 基本概念
5. 随机变量 Random Variable(R.V.)
2017/5/2 25/93
二 随机变量分布律
d) P x1 X x2 , y1 Y y2 FXY x2 , y2 FXY x1 , y2 FXY x2 , y1 FXY x1 , y1
e) 离散RV:
FXY x , y Pij u x xi , y y j
随机变量不同于普通变量,表现在两点上:

随机变量可以有多个取值,并且永远不能预知它到底
会取哪个值;

随机变量取值是有规律的,这种规律用概率特性来明
确表述;

因此,凡是讨论随机变量就必然要联系到它的取值范 围与概率特性。
2017/5/2
14/93
一 基本概念 (3)多维随机变量(随机向量)
e1· e2· X1(· )
p3
f X x Pi x xi
i 1
m
x1
f x p p2
1
x
30/93
x1
2017/5/2
x2
x3
二 随机变量分布律
2.二维
1)定义
X ,Y
f XY x , y 2 FXY x , y xy
联合概率密度:
称 f X x 或 fY y 为 f XY x, y 的边缘概率密度函数。

4 平稳随机信号 (1)

4 平稳随机信号 (1)

平稳随机信号主要内容•绪论•离散随机信号统计分析基础1 绪 论1.1 信号的分类•从信号描述上分--确定性信号与非确定性信号;•从信号的幅值和能量上--能量信号与功率信号;•从分析域上--时域与频域;1.1 信号的分类•从连续性--连续时间信号与离散时间信号;•从可实现性--物理可实现信号与物理不可实现信号。

1.2 确定性信号与非确定性信号 可以用明确数学关系式描述的信号称为确定性信号。

不能用数学关系式描述的信号称为非确定性信号(随机信号)。

1.2 确定性信号与非确定性信号a)周期信号:经过一定时间可以重复出现的信号x ( t ) = x ( t + nT )b) 非周期信号:在不会重复出现的信号。

c)非确定性信号:不能用数学式描述,其幅值、相位变化不可预知,所描述物理现象是一种随机过程。

非确定性信号根据是否能满足平稳随机过程的条件,又可以分成平稳随机信号和非平稳随机信号。

1.3 随机信号处理•随机信号:赋予统计结构的信号;•随机信号处理:对随机信号进行加工或变换。

即用统计的方法进行信号处理;•数学基础:统计学中的判决理论和统计估计理论;•目的:从各种实际信号中提取有用信号; •处理对象:物理信号,诸如电信号、光信号、声信号及震动信号等等;1.3 随机信号处理•应用:生物医学工程、声学、声纳、雷达、地震学、语音通信、数据通信、核子科学等领域。

1.3 随机信号处理•历史:☞第一阶段:经典随机信号理论和技术生长、发展和成熟时期。

✶1946年,D.O.North提出匹配滤波器理论;✶1946年,B.A.Kotelnikov提出理想接收机理论;✶1950年,P.M.Woodword提出后概率接受机概念。

后来,D.Middleton提出风险理论。

1.3 随机信号处理☞第二阶段:现代随机信号处理理论与技术起步和大发展的时期。

✶20世纪60年代初出现了Kalman滤波理论;✶以非参量统计推断为基础的非参量检测与估计;✶鲁棒检测。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

❖ 如果我们把对温漂电压的观察看作为一个随机试验,那么,每一次的记录,就是
随机试验的一次实现,相应的结果就是一个样本函数:
xi (t)

所能有经样历本的函整数个的过x集程i (合,t)该集合就i=是1一,个2随,…机过,N程,,N也→即随∞机,信就号构,成记了之温为漂:电压可
X(t)
物随机变理量 意义:x1 (t1 ), x2 (t1 ), , xN (t1 )
lim
M
1 2M
1
M
x(n)x(n
nM
m)
x
(m)
例1.2.3 讨论例1.2.1随机相位正弦序列的各
态遍历性。
解 对 X (n) Asin(2fnTs ),其单一的时间样本
x(n) Asin(2fnTs ) , 为一常数,对 X (n)
作时间平均,显然
mx (n)
lim
M
2
1 M
自相关函数和自协方差函数的关系
❖ 1 X (m) X (m) mX2 XY (m) XY (m) mX mY
❖ 2当 mX 0 时
X (m) X (m) XY (m) XY (m)
工程实际中,当m趋于无穷大时,可以认 为不相关,存在:
lim
m
X
(m)
E[
X
*
(n)
X
自相关函数 X (n1, n2 ) 和 n1,n2 的选取无关,而仅和 n1, n之2 差有关,那么,我 们称X(n)为宽平稳的随机信号,或广义平稳随机信号 。其具有以下的统 计特征. ❖ 1)均值为常值。
2)自相关函数和自协方差函数均只是m的函数。
目的:使问题简化,实际工程中大部分属于这种
严平稳随机信号:指概率特性不随时间的平移而变化(或说与 时间基准点无关)的随机信号。只有当X(n)是高斯随机过程 时,宽平稳才是严平稳。
③两信号错开一个时间间隔0处相关程度有可能 最高,它反映两信号x(t)、y(t)之间主传输通道的 滞后时间。
自功率谱密度函数
Sx ( )
R(x )e-jtd
或Sx ( f )
R(x )e-j2
f
td
Rx ( )
S(x f
)ej2
f
df
自相关函数和自谱密度函数构成一对傅立叶变换对。自谱
二、随机信号的统计特性
要完整地描述一个各态历经随机过程,理论上要 有无限长时间记录。但实际上这是不可能的。通 常用统计方法对以下三个方面进行数学描述:
1)幅值域描述: 均值、方均值、方差、概率密 度函数等。
(2)时间域描述:自相关函数、互相关函数。 (3)频率域描述: 自功率谱密度函数、互功率 谱密度函数。
解 由定义,X(n)的均值和自相关分别是:
mX (n) E[Asin(2fnTs )]
2 0
A sin(2f nTs
)
1
2
d
0
X (n1, n2 ) E[ A2 sin(2fn1Ts ) sin(2fn2Ts )]
A2
2
2
0 sin(2fn1Ts ) sin(2fn2Ts )d
)E[Y
(n2
)]
m*X
(n1
)mY
(n2
)
E[X *(n1)Y (n2 )] m*X (n1)mY (n2 )
XY (n1, n2 ) E[ X * (n1 )Y (n2 )] m*X (n1 )mY (n2 )
§1.2 平稳随机信号的时域统计描述
❖ 1。定义: 一个离散随机信号X(n),如果其均值与时间n无关,其
❖ (7)互协方差函数
XY (n1,n2 ) E{[ X (n1) mX (n1)]*[Y(n2 ) mY (n2 )]}
❖ 注:如果 XY (n1 , n2 ) 0 称信号X和Y是不相关的 。可得:
❖ XY
(n1
,
n2
)
E[
X
*
(n1
)Y
(n2
)]
E[
X
*
(n1
)]mY
(n2
)
m*X
(n1
是一个
❖ 当t在时间轴上取值时,我们可得到m个随机变量,显然,描
述数这(t或m1 ,个概t2随率,机密变度,量t)m最:全面的方X法(t是1 )利, X用(其t2m),维的,概X率(t分m布) 函
m维的概率分布函数 (理论上有意义,实际应用困难繁琐,一阶二阶)
PX (x1, x2 , , xm;t1,t2 , ,tm ) P{X (t1) x1, X (t2 ) x2, , X (tm ) xm}
❖ 对随机变量X,我们一般用它的分布函数、概率密度等特征来描述 。
❖ 概率分布函数:
x
P(x) Pr obability( X x) p(x)dx
❖ 概率密度:

p(x) dP(x) dx
均值: E[X ]
xp(x)dx
均方值:D 2 E[ X 2 ] x 2 p(x)dx
离散随机信号:X(n)
❖ 数学特征是时间n的函数(物理意义):
❖ 1:均值(数学期望)
m ( n ) E [ X ( n )] lim
1
N
x (n , i)
X
N N i 1
2:方差 ❖
2 X
(n)
E[ X (n) mX (n) 2 ]
lim
N
1 N
N i1
2
x(n,i) mX (n)
❖ 3:均方值
D
2 X
(n)
E[ X (n) 2 ]
lim
N
1 N
N i 1
x(n, i) 2
❖ (4)自相关函数
X (n1, n2 )
E[X *(n1)X (n2 )]
lim
N
1 N
N i1
x*(n1,i)x(n2 ,i)
(5)自协方差函数: ❖
“集合平均”,该集合平均是由X(n)的无穷样本在相
自相关函数性质
自相关函数的应用
当延时很大时,随机噪声的自相关函数趋于零,而周期信号 的自相关函数仍是周期函数,且其周期不变。
互相关函数描述一个信号的取值对另一个信号的依 赖程度。
互相关函数具有以下性质:
①两周期信号具有相同的频率,才有互相关函数, 即两个非同频的周期信号是不相关的。
②两个相同周期的信号的互相关函数仍是周期函 数,其周期与原信号的周期相同,并不丢失相位信 息。
2。平稳随机信号相关函数的性质
❖ 性质1: X (m) X (0)
❖ 性质2: 若X(n)是实信号,则
X (m) X (m)


即自相关函数为实偶函数;
若X(n)是复信号,则
X
(m)
* X
(m)

即自相关函数是Hermitian对称的。
❖ 性质3 :
XY
(m)
* YX
(m)
❖ 性质4: XY (m) 2 X (0)Y (0)
X (n) Asin(2fnTs )
式中A,f均为常数,Φ是一随机变量,在0~2π内
服从均匀分布,即
p(
)
1 2π
0 2π
显然,对应Φ的 一0 个取值,可其得它到一条正弦曲
线(因为Φ在0~2π内的取值是随机的,所以
其每一个样本x(n)都是一条正弦信号)。求其
均值及其自相关函数,并判断其平稳性。
第一章 离散随机信号统计分析基础
❖ 本章目的:对随机信号做一个简短的回顾,并且
介绍一些在以后各章中我们将要用的概念 。
❖ 主要包括:1。随机信号 的基本概念 ❖ 2。平稳随机信号的时域统计描述 ❖ 3。平稳随机信号的z域及频域的统计描述 ❖ 4。线性系统对随机信号的响应 ❖ 5。随机信号的模型
随机信号分析
图1.2.2 例1.2.4中的X(n)
§1.3 平稳随机信号的z域及频域的统计表达
lim
m
X
(m)
0
lim
m
Y
(m)
mx2
❖ 1.3.1 x (m)与 x (m) 的z变换及其收敛域
Z[ x (m)] x (z)
x (z) x (m)z m m
x (m)
1
2j
cx (z)z m1dz

x (m)
1
2
(n
m)]
E[
X
*
(n)]E[
X
(n
m)]
m
2 X
lim
m
X
(m)
lim
m
X
(m)
mX2
0
lim
m
XY
(m)
mX
mY
lim
m
XY
(m)
0
自相关函数反映的其它信息
E[ X (n) 2 ] X (0)
m
2 X
X ()
2 X
E[
X
(n)
2
]
m
2 X
X
(0) X ()
X (0)
例1.2.1 随机相位正弦序列
2 sin(2fn1Ts ) sin(2fn2Ts )
由此可以看出,虽然X(n)的均值和时间无关,但其自相关
函数不能写成 X (n1 , n2 ) 的形式,也即 X (n2 n1 )
和 n1 , n2 的选取位置有关,所以随机振幅正弦波不是宽
平稳的。
❖ 3 平稳随机信号的各态遍历性 ❖ 为什么?
X (m)
E[X * (n)X (n m)]
lim
N
1 N
N i 1
x* (n,i)x(n m,i)
相关文档
最新文档