第2章随机信号与噪声
合集下载
信号与噪声_第二章
f (t )
m jm 0t C e m
21
傅里叶变换
1 f (t ) 2
F ( )e d
j t
F ( ) f (t )e
j t
dt
F ( f )df f (0)
f (t )dt F (0)
22
富里叶变换的基本性质
“周期信号都可表示为谐波关系的正弦信号的 加权和”——傅里叶的第一个主要论点
“非周期信号都可用正弦信号的加权积分表示
” ——傅里叶的第二个主要论点
19
傅里叶变换分析的直观说明
：把一个信号的波形分解为许多不同频率正弦波之和。
1
1.299
2
f ( t) 5 0 5
1
1 t
h( t)
4
2
0
2
在信号的产生、传输和测量过程中,探测器和电子学的噪声会叠加
在有用信号上,从而降低测量精度，甚至某些有用的微弱信号会被 噪声所淹没。
通常用信噪比S/N(信号与噪声均方值的比值)来表示系统的噪声指
标。信噪比越高，噪音引起的测量误差越小。
6
噪声的时间平均值为零。但是只要有噪声存在，其 平均功率就不为零，因此通常采用均方值（噪声电压的 平方值按时间求平均） Vn2 作为噪声大小的衡量尺度：
输出
叠加
VO
VnO
Vo S 输出信噪比表示为: N Vno
9
辐射源
能量E 探测器 等效 噪声 能量 ENE
输入信号 电压Vi
等效噪声 电压ENV
放大器 （放大倍数A）
输出 叠加
m jm 0t C e m
21
傅里叶变换
1 f (t ) 2
F ( )e d
j t
F ( ) f (t )e
j t
dt
F ( f )df f (0)
f (t )dt F (0)
22
富里叶变换的基本性质
“周期信号都可表示为谐波关系的正弦信号的 加权和”——傅里叶的第一个主要论点
“非周期信号都可用正弦信号的加权积分表示
” ——傅里叶的第二个主要论点
19
傅里叶变换分析的直观说明
：把一个信号的波形分解为许多不同频率正弦波之和。
1
1.299
2
f ( t) 5 0 5
1
1 t
h( t)
4
2
0
2
在信号的产生、传输和测量过程中,探测器和电子学的噪声会叠加
在有用信号上,从而降低测量精度，甚至某些有用的微弱信号会被 噪声所淹没。
通常用信噪比S/N(信号与噪声均方值的比值)来表示系统的噪声指
标。信噪比越高，噪音引起的测量误差越小。
6
噪声的时间平均值为零。但是只要有噪声存在，其 平均功率就不为零，因此通常采用均方值（噪声电压的 平方值按时间求平均） Vn2 作为噪声大小的衡量尺度：
输出
叠加
VO
VnO
Vo S 输出信噪比表示为: N Vno
9
辐射源
能量E 探测器 等效 噪声 能量 ENE
输入信号 电压Vi
等效噪声 电压ENV
放大器 （放大倍数A）
输出 叠加
通信原理第2章-随机信号分析
1 1 2
f ( x)dx f ( x)dx
a
2
在点 a 处取极大值: 1
2
■ a f x 左右平移
f x宽窄
a
x
37
二、正态分布函数
积分无法用闭合形式计算，要设法把这个积分式和可以在数学 手册上查出积分值的特殊函数联系起来，常引入误差函数和互 补误差函数表示正态分布函数。
38
三、误差函数和互补误差函数
39
40
四、为了方便以后分析，给出误差函数和互补误差 函数的主要性质：
41
42
2.5.4 高斯白噪声
43
这种噪声称为白噪声，是一种理想的宽带随机过程。 式子是一个常数，单位是瓦/赫兹。白噪声的自相关 函数：
说明，白噪声只有在 ＝0 时才相关，而在任意
两个时刻上的随机变量都是不相关的。白噪声的功 率谱和自相关函数如图。
F1 x1 ,
x1
t1
f1 x1 ,
t1
则称 f1 x1 , t1 为 (t的) 一维概率密度函数。
显然，随机过程的一维分布函数或一维概率密度函数 仅仅描述了随机过程在各个孤立时刻的统计特性，没 有说明随机过程在不同时刻取值之间的内在联系，因 此需要在足够多的时间上考虑随机过程的多维分布函 数
60
用示波器观 察一个实现 的波形，如 图所示，是 一个频率近 似为fc，包 络和相位随 机缓变的正 弦波。
Df －fc
s(t)
S( f )
O (a) 缓慢变化的包络[a(t)]
O
频率近似为 fc (b)
窄带过程的频谱和波形示意
61
Df
fc
f
t
因此，窄带随机过程ξ(t)可表示成:
第二章 随机信号分析
SCUT DT&P Labs
5
2.2 随机过程的一般表述
自相关函数 R (t1, t2), 衡量同一个过程的相关程度。 R(t1 , t 2 ) E[x (t1 ) x (t 2 )]
x1 x2 f 2 (x1 , x2 ; t1 , t 2 )dx1dx2
自协方差B (t1, t2), 衡量同一个过程的相关程度。
Ps () ＝
∞
-∞
R ( ) e -j d
∞
R ( ) ＝ (1/2) -∞ Ps () e j d (逆变换)
2001 Copyright
SCUT DT&P Labs
17
课堂练习
例2.4.1 x (t) sin(0 t + )，求x (t)的功率谱密度函数。 思路：首先证明x (t) 是平稳随机过程，然后对自相关函 数R ( ) 进行傅立叶变换，求得功率谱密度函数Ps () 。 其步骤为： 1，求数学期望 E[x (t)] ＝0，自相关函数R (t1, t2) ＝ 0.5 cos0 ，因此数学期望与时间无关，相关函数仅与时间 间隔有关，因此x (t) 是平稳随机过程。 2，对R ( ) 进行傅立叶变换，求得Ps ()
P ( ) E[ Ps ( )] lim x E FT ( ) T
2 T
2001 Copyright
SCUT DT&P Labs
16
可以证明：平稳随机过程的功率谱密度 等于该过程的自相关函数的富里叶变换。
P ( ) R( ) 表示富里叶变换 x
复习：富里叶变换。
2001 Copyright
随机信号分析第2章--随机信号
18
例1.1 随机信号U(t)的一维概率密度函数为
f (u,t)
1
A0
exp
u2 A0
不同时刻的随机变量彼此统计独立，求其n维
概率密度函数。
解：t1,t2 ,,tn 时刻，随机变量 X (t1), X (t2 ),, X (tn ) 统计独立，则
f (u1, u2 ,, un;t1, t2 ,, tn ) f (u1;t1). f (u2;t2 ),, f (un;tn )
随机变量 0 与相位随机变量 ，以时间参量
t建立随机信号 W (t, s) Asin(0t )
，观察信号随参量t的各次过程，其样本函数 呈现出正弦函数规律。W (t) 称为正弦随机信 号。
无数个正弦样本函数组成了正弦随机信号，符合 定义2中对于随机信号的描述。
33
(1)均值
X (t) Esin(0t ) Esin 0t cos cos0t sin
12
基本概率特性
一、一维概率分布 随机信号 X (t) 在任意 t T 时刻的取值 X (t)
是一维随机变量。概率 PX (t) x 是取值 x ，时
刻 t 的函数，记做
F(x;t) PX (t) x
称为随机信号 X (t) 的一维概率分布函数。 若有F(x;t) 偏导数存在，则有
f (x;t) F(x;t) x
实随机变量 X (t) 与之对应，就称依赖于参量 t
的随机变量族X (t), t T 为实随机信号或随机
过程。
11
二、随机信号的分类 1.按时间参量来分类
时间连续的随机信号：时间t是连续的。 如：正弦随机信号，二进制传 输信号 时间离散的随机信号：时间t是离散的。 如：贝努里随机信号 2.按信号状态取值分类 取值连续的随机信号：X(t)值是连续的 如：正弦随机信号 取值离散的随机信号：X(t)值是离散的 如：贝努里随机信号，二进制传输信号 还有很多的分类方法
例1.1 随机信号U(t)的一维概率密度函数为
f (u,t)
1
A0
exp
u2 A0
不同时刻的随机变量彼此统计独立，求其n维
概率密度函数。
解：t1,t2 ,,tn 时刻，随机变量 X (t1), X (t2 ),, X (tn ) 统计独立，则
f (u1, u2 ,, un;t1, t2 ,, tn ) f (u1;t1). f (u2;t2 ),, f (un;tn )
随机变量 0 与相位随机变量 ，以时间参量
t建立随机信号 W (t, s) Asin(0t )
，观察信号随参量t的各次过程，其样本函数 呈现出正弦函数规律。W (t) 称为正弦随机信 号。
无数个正弦样本函数组成了正弦随机信号，符合 定义2中对于随机信号的描述。
33
(1)均值
X (t) Esin(0t ) Esin 0t cos cos0t sin
12
基本概率特性
一、一维概率分布 随机信号 X (t) 在任意 t T 时刻的取值 X (t)
是一维随机变量。概率 PX (t) x 是取值 x ，时
刻 t 的函数，记做
F(x;t) PX (t) x
称为随机信号 X (t) 的一维概率分布函数。 若有F(x;t) 偏导数存在，则有
f (x;t) F(x;t) x
实随机变量 X (t) 与之对应，就称依赖于参量 t
的随机变量族X (t), t T 为实随机信号或随机
过程。
11
二、随机信号的分类 1.按时间参量来分类
时间连续的随机信号：时间t是连续的。 如：正弦随机信号，二进制传 输信号 时间离散的随机信号：时间t是离散的。 如：贝努里随机信号 2.按信号状态取值分类 取值连续的随机信号：X(t)值是连续的 如：正弦随机信号 取值离散的随机信号：X(t)值是离散的 如：贝努里随机信号，二进制传输信号 还有很多的分类方法
第2章随机信号分析
第二章随机信号分析随机信号分析确定性信号分析的不同与联系：随机信号分析、确定性信号分析的不同与联系：随机信号分析的主要内容：随机过程的一般表述平稳随机过程高斯过程窄带随机过程正弦波加窄带高斯过程稳随机过过线性系平稳随机过程通过线性系统2010-9-271引言信号：一般是时间的函数确定信号：可以用确定的时间函数表示的信号 周期信号和非周期信号能量信号和功率信号基带信号和频带信号模拟信号和数字信号随机信号：具有随机性，可用统计规律来描述 通信过程中要发送的信号是不可预知的，因此具有随机性，是随机信号，但信号的统计特性具有规律性。
噪声和干扰是随机的信号噪声和干扰是随机的信号；无线信道特性（可理解为系统传递函数）也是随机变2010-9-272化的。
随机过程：与时间有关的函数，但任一时刻的取值不确定(随机变量)随机过程可以看成对应不同随机试验的时间过程的集合。
如n(或无数）台性能完全的接收机输出的噪声波形，每个波形都是一个确定函数，为一个样本函数，各波形又各不相同。
也可看成一个接收机，不同实验输出不同的样本函数。
随机过程是所有样本函数的集合。
2010-9-2731随机过程的一般表述1 随机过程的般表述(1)样本函数：随机过程的具体实现样本空间所有实现构成的全体~()i x t )()t 样本空间：所有实现构成的全体所有样本函数及其统计特性构成了随机过程{}1~(),,),i S x x t =……~()t ξ2010-9-274随机过程是随机变量概念的延伸，即随机变量引入时间变量，成为随机过程。
每一个时刻，对应每个样本函数的取值{i(),,,,}{x(t),i=1,2,…,n}是一个随机变量。
固定时刻t1的随机变量计为ξ(t1)。
随机过程看作是在时间进程中处于不同时刻的随机变量的集合。
2010-9-27511随机过程的n维分布函数或概率密度函数往往不容易或不需要得到，常常用数字特征部分地表述随机过程的主要特征。
第2章随机信号与噪声
●随机过程：尽管随机信号和随机噪声是不可预测的、随机 的，但它们具有一定的统计规律。从统计学的观点看，均可 表示为随机过程。
随机过程是一类随时间作随机变化的过程，它不能用确切的时
间函数描述。
统计学中的有关随机过程的理论可以运用到随机信号和噪声分
析中来。
2021/5/12
通信原理
3
பைடு நூலகம்
第2章 随机信号与噪声分析
2021/5/12
通信原理
5
第2章 随机信号与噪声分析
x1 (t)
角度1：对应不同随机试验结
果的时间过程的集合。
x2 (t)
角度2：随机过程是随机变量
概念的延伸。
xn (t)
讨论：
t1
t2
t
图 2- 1 n图 图 图 图 图 图 图 图 图
●在任一给定时刻t1上，每一个样本函数xi (t)都有一个确定的
●全部随机函数的集合－－随 机过程：
X(t) ={x1(t), x2(t), …, xn(t)} ●每一条曲线xi(t)都是随机过 程的一个实现/样本－－为确 定的时间函数。
角度1：对应不同随机试验结果的时间过程的集合。 角度2：随机过程是随机变量概念的延伸。
●在某一特定时刻t1观察各台接收机的输出噪声值x(t1) ，发现 他们的值是不同的－－ 是一个随机量（随机变量）。
过程。
意义： ●具有各态历经性平稳随机过程－－十分有趣，非常有用。 ●通信系统中所遇到的信号与噪声，大多数可视为平稳、具 有各态历经性的随机过程。
2021/5/12
通信原理
21
第2章 随机信号与噪声分析
2.3.2 平稳随机过程的各态历经性
●问题的提出 随机过程的数字特征（均值、相关函数）是对随机过程的 所有样本函数的统计平均，但在实际中常常很难测得大量 的样本。 问题：能否从一次试验而得到的一个样本函数x(t)来决定平 稳过程的数字特征呢?
通信原理 第2章 确定信号和随机信号分析
其中: a t 是包络函数；c 是中心频率； t 是随机相位函数。
②上式利用三角函数和角公式，可写成
t a tcos tcosct sin tsin ct
其中 c tcosct s tsin ct
c t s t
a a
tcos t t 的同相分量 tsin t t 的正交分量
双边能量谱密度（焦耳/ 赫兹）
③
G
2E
0,
,
R E
0 0
单边能量谱密度（焦耳/ 赫兹）
R
f
*t
f
t
dt
E R0
2.2 确定信号的表示
(2) 功率信号：平均功率有限的信号f t F
① S lim 1 T T
T /2
T / 2 fT t
2 dt 1
2
lim FT
：
Fn
1 T
FT
n0
Fn
2
1 T
PT
() n0
④ Fn 与 f t
：
F
2 Fn
n0
n
P 2
Fn 2
n0
n
R
Fn
2 e jn0t
n
2. 3 随机过程
设 t是一个随机过程，任意时刻
机变量，定义：Page 13
t1上 t1 是一个随
1 t
v1
总体： t
t
2 t
1 T
T
2
T 2
xt
xt
dt
①各态历经过程的任一实现都好象经历了随机过程的所有可能状态 似的。
②任一实现都能代表整个随机过程。
③各态历经过程必须首先是平稳过程，但平稳过程不一定是各态历 经过程。
通信原理-第2章 信道与噪声
一、狭义信道和广义信道
1、狭义信道 、 (1) 狭义信道被定义为发送设备和接收设备之间用 以传输信号的传输媒质。 以传输信号的传输媒质。 (2) 狭义信道分为有线信道和无线信道两类。 两类。 狭义信道分为有线信道和无线信道两类 有线信道 2、广义信道 、 (1) 将信道的范围扩大为：除了传输媒质，还包 将信道的范围扩大为：除了传输媒质， 括有关的部件和电路。 括有关的部件和电路。这种范围扩大了的信道为广 义信道。 义信道。
Y
x1
y1
x2
y2
y3
y4
xL
多进制无记忆编码信道模型
yM
（4）当信道转移概率矩阵中的行和各列分别具有相 ）当信道转移概率矩阵中的行和各列分别具有相 对称信道。 同集合的元素时 这类信道称为对称信道 同集合的元素时，这类信道称为对称信道。
p 1 − p P ( yi / xi ) = p 1 − p
11/66
（5）依据乘性噪声对信号的影响是否随时间变化而 依据乘性噪声对信号的影响是否随时间变化而 乘性噪声对信号的影响是否随时间变化 将信道分为恒参信道和随参信道。 将信道分为恒参信道和随参信道。
v i (t)
H(ω , t )
⊕
n(t)
v 0 (t)
v i (t)
H(ω )
⊕
n(t)
v 0 (t)
2.2
信道模型
信道可用一个时变线性网络来等效
V0(t) = f [V(t)]+n(t) i V(t)输 的 调 号 V0(t)信 总 出 形 i 入 已 信 ， 道 输 波 n(t)加 噪 ； 性 声 f [V(t)]表 已 信 经 信 所 生 时 线 变 i 示 调 号 过 道 发 的 变 性 换
第2章-信号与噪声
coscE[cos2 (ct )]sincE[cos ( ct )sin(ct
coscE[1
cos2(ct
2
)] sincE[sin2(2ct
)]
1 2
cosc
1 2
cosc
2
0
cos2(ct
)
1
2
d
1 2
sinc
2
0
sin2(ct
)
1
2
d
（4）平稳随机过程的遍历性
设X( t )是一个平稳随机过程，如果它的统计平均可用时间平均来代 替，它的统计方差可用时间方差来代替，它的统计自相关函数也可 用时间自相关函数来代替，则称该平稳随机过程具有遍历性（各态 历经）。
信号分类（续）
能量信号和功率信号
功率：电压u(t)或电流i(t)在电阻R上的瞬时功率。
其归一化功率为：p（t）=f2（t），其中f（t）为电压或电流信号。
能量：功率对时间的积分。
P=0 E=∞
能量信号：指的是一个有界的、持续时间有限的信号， 信号能量为有限值，全部时间的平均功率为零。
时间平均：随机过程X( t )的某一特定实现，对时间求平均。设x( t )是随 机过程X( t )的一个典型的样本函数。
1）平均值（直流分量）m x A [x ( t) ]T l i T 1 m T T // 2 2 x ( t) d
2）均方值（总平均功率）
A [x 2 (t) ]lim 1T /2x 2 (t)dt
f(t)f1(t)f2(t)
（2）相关 设两个信号f1(
t
)和f2(
t
)
，
R 12() f1 (t)f2(t)dt
R 21() f2 (t)f1(t)dt
第二章(4-1)噪声
2 2 Vn2,RL + I n , D R L
2 I n,D 2 gm Zi 2
则
2 In =
( g m RL ) 2 Z i
2
不考虑 负载噪声
2 In =
相关的 Vn2 和 I n2 是相关的
2.3 噪声系数 2.3.1 噪声系数定义
F= SNRi P / Ni = i SNRo Po / N o
S I = 2qI 0
Vn2,rbb′ = 4kTrbb′ B
2.2.3 场效应管的噪声
1. 沟道电阻热噪声 —— S I = 4kTλg d 0 2. 噪声等效电路 I n , D = 4kTλg d 0 B 3. 闪烁噪声 ——
1 f
噪声 SV =
K 1 WLC OX f
2.2.4 电抗元件的噪声
2 n f1
f2
I n2 : 白噪声 S ( f ) 是常数 I n2 = ∫ S I ( f )d f = S I ∫ df = S I ( f 2 − f1 ) （3）等效噪声带宽 噪声通过线性系统 噪声通过线性系统
f1 f1
f2
f2
输入功率谱密度 输入功率谱密度 系统传递函数 系统传递函数
电抗元件的噪声来源于它的损耗电阻——热噪声 热噪声 电抗元件的噪声来源于它的损耗电阻
2.2. 两端口网络的等效输入噪声源 .2.5 .2. 串联噪声电压源 串联噪声电压源 Vn2 噪声 并联噪声 噪声电流源 2 并联噪声电流源 I n
等效
求法： 求法：
Vn2
2 In
输入端短路， 输入端短路，将有噪网络的输出噪声功率等效到输入端的值 短路 输入端开路， 输入端开路，将有噪网络的输出噪声功率等效到输入端的值 开路
2 I n,D 2 gm Zi 2
则
2 In =
( g m RL ) 2 Z i
2
不考虑 负载噪声
2 In =
相关的 Vn2 和 I n2 是相关的
2.3 噪声系数 2.3.1 噪声系数定义
F= SNRi P / Ni = i SNRo Po / N o
S I = 2qI 0
Vn2,rbb′ = 4kTrbb′ B
2.2.3 场效应管的噪声
1. 沟道电阻热噪声 —— S I = 4kTλg d 0 2. 噪声等效电路 I n , D = 4kTλg d 0 B 3. 闪烁噪声 ——
1 f
噪声 SV =
K 1 WLC OX f
2.2.4 电抗元件的噪声
2 n f1
f2
I n2 : 白噪声 S ( f ) 是常数 I n2 = ∫ S I ( f )d f = S I ∫ df = S I ( f 2 − f1 ) （3）等效噪声带宽 噪声通过线性系统 噪声通过线性系统
f1 f1
f2
f2
输入功率谱密度 输入功率谱密度 系统传递函数 系统传递函数
电抗元件的噪声来源于它的损耗电阻——热噪声 热噪声 电抗元件的噪声来源于它的损耗电阻
2.2. 两端口网络的等效输入噪声源 .2.5 .2. 串联噪声电压源 串联噪声电压源 Vn2 噪声 并联噪声 噪声电流源 2 并联噪声电流源 I n
等效
求法： 求法：
Vn2
2 In
输入端短路， 输入端短路，将有噪网络的输出噪声功率等效到输入端的值 短路 输入端开路， 输入端开路，将有噪网络的输出噪声功率等效到输入端的值 开路
信号与噪声
2
T/2
−∞
1 T/2 2 f ( t )dt T ∫−T / 2
1 T/2 2 1 P = lim { ∫ f ( t )dt } = − T / 2 2π T T →∞
功率谱密度 W ( ω ) = lim
T →∞
∫ lim
−∞ T →∞ 2
∞
FT ( ω ) dω T
2
FT ( ω ) T
瓦特/赫兹
k = −∞
∫
T0 / 2
−T0 / 2
f ( t )e jkω0t * k
=
k = −∞ ∞
∑C
∞
2 k
由采样性质∫ f ( t )δ ( t − t0 ) = f ( t0 )
−∞
∴∫
−∞
k =−∞ ∞
∑ Ck δ ( ω − kω 0 )dω =
2 ∞ 2 −∞ k = −∞
k =−∞
∑C
2 k
e j 2 kπτ / T0
§2.2 确定信号通过线性系统
一.卷积定理
1.时域：
δ (t)
f(t)
∞ −∞
线性系统
h (t) y(t)
Y(ω)=H(ω)F(ω)
y( t ) = ∫ f ( τ )h( t − τ )dτ = ∫ h( τ ) f ( t − τ )dτ
−∞ ∞
双边功率谱密度 单边功率谱密度
定义在（-∞，+∞） 定义在（0，+∞）
例：试求功率信号为周期性信号时的功率谱密度 解：取截短周期 T=NT0
∞
用f ( t ) =
P = lim
k = −∞
∑C e
k
jkω0t
代入
T/2
−∞
1 T/2 2 f ( t )dt T ∫−T / 2
1 T/2 2 1 P = lim { ∫ f ( t )dt } = − T / 2 2π T T →∞
功率谱密度 W ( ω ) = lim
T →∞
∫ lim
−∞ T →∞ 2
∞
FT ( ω ) dω T
2
FT ( ω ) T
瓦特/赫兹
k = −∞
∫
T0 / 2
−T0 / 2
f ( t )e jkω0t * k
=
k = −∞ ∞
∑C
∞
2 k
由采样性质∫ f ( t )δ ( t − t0 ) = f ( t0 )
−∞
∴∫
−∞
k =−∞ ∞
∑ Ck δ ( ω − kω 0 )dω =
2 ∞ 2 −∞ k = −∞
k =−∞
∑C
2 k
e j 2 kπτ / T0
§2.2 确定信号通过线性系统
一.卷积定理
1.时域：
δ (t)
f(t)
∞ −∞
线性系统
h (t) y(t)
Y(ω)=H(ω)F(ω)
y( t ) = ∫ f ( τ )h( t − τ )dτ = ∫ h( τ ) f ( t − τ )dτ
−∞ ∞
双边功率谱密度 单边功率谱密度
定义在（-∞，+∞） 定义在（0，+∞）
例：试求功率信号为周期性信号时的功率谱密度 解：取截短周期 T=NT0
∞
用f ( t ) =
P = lim
k = −∞
∑C e
k
jkω0t
代入
[工学]随机信号
![[工学]随机信号](https://img.taocdn.com/s3/m/5b537e84dbef5ef7ba0d4a7302768e9951e76ee6.png)
第2章随机信号作业2.3，2.4，2.7，2.8，2.10，2.11 2.13，2.15(改错)，2.18，2.191()X ξξξ=⎧=⎨正面表示基本可能结果Xξ()每一个随机变量序列的集合称为样本样本#2.随机信号的定义3.随机信号的表征(数学模型)（2）随机信号可视为所有样本函数的集合；ξ（3）当时刻t 与样本都固定时，随机信号是ξ（4）当时刻t 与样本都发生变化时，就构成随4.随机信号的分类及举例（3）时间连续、取值连续C.R.P.2.1.2 基本概率特性解：（1）(0.001,)0X H =(0.001,)1X T =概率为0.5；概率为0.5。
(;0.001)0.5()0.5(1)X f x x x δδ=+−则其概率密度函数为：均值为：[](0.001)0.5E X =()()X i i if x p x x δ=−∑[][]i i iE X x P X x ==∑()()X i i f x p x x δ=−∑例题：设，()0..()cos r s X t A w t =其中为常数，0w例题：设，()..()cos r s X t A w t =其中为常数，w一阶概率密度函数示意图f X(x; t)xt21解：（1）(,)c o s (500)X t H t π=(,)sin (500)X t T t π={}(0.0005,),(0.001,){0.707,0}X H X H ={}(0.0005,),(0.001,){0.707,1}X T X T =概率为0.5；概率为0.5。
121212(,;0.0005,0.001)0.5(0.707,)0.5(0.707,1)X f x x x x x x δδ=−+−−则其二维联合概率密度函数为：(,)(,)XY ij i j ijf x y p x x y y δ=−−∑∑(,)cos(500)X t H t π=(,)sin (500)X t T t π=4.分析随机信号本质上就是分析相应的随机变量随机信号的任意一个时刻，表现为一个随机变量；因此，可以用随机变量的分布律来表征随机信号的分布律。
北交 通信系统原理 主要知识点第2章
第2章信号与噪声分析知识点及层次1. 确知信号时－频域分析(1) 现代通信系统周期信号的傅氏级数表示和非周期信号的傅氏积分。
(2) 几个简单且常用的傅氏变换对及其互易性。
(3) 信号与系统特征－卷积相关－维钠－辛钦定理。
2. 随机过程统计特征(1) 二维随机变量统计特征。
(2) 广义平稳特征、自相关函数与功率谱特点。
(3) 高斯过程的统计特征。
3. 高斯型白噪声统计特征(1) 理想白噪声及限带高斯白噪声特征。
(2) 窄带高斯白噪声主要统计特征。
以上三个层次是一个层层深入的数学系统，最终旨在解决信号、系统及噪声性能分析，是全书各章的基本理论基础，也是系统分析的最主要的数学方法。
第2章信号与噪声分析知识点及层次1. 确知信号时－频域分析（1）现代通信系统周期信号的傅氏级数表示和非周期信号的傅氏积分。
（2）几个简单且常用的傅氏变换对及其互易性。
（3）信号与系统特征－卷积相关－维钠－辛钦定理。
2.随机过程统计特征（1）二维随机变量统计特征（2）广义平稳特征、自相关函数与功率谱特点。
（3）高斯过程的统计特征。
3. 高斯型白噪声统计特征（1）理想白噪声及限带高斯白噪声特征。
（2）窄带高斯白噪声主要统计特征。
以上三个层次是一个层层深入的数学系统，最终旨在解决信号、系统及噪声性能分析，是全书各章的基本理论基础，也是统分析的最主要的数学方法。
傅里叶分析是从时域、频域描述信号的有效方法。
狭义而言，通信过程更是信号与传输信道在频域相适应的过程。
往往信号和系统的频域特征分析更有利于解决传输问题。
第二章信号与噪声分析经典例题[例 2-1] 求图2-1所示信号f(t)的频谱。
解：这一结果表明，频谱是两部分构成，为虚轴上奇对称于原点。
证实了奇对称实信号的频谱为虚频谱奇对称形式。
[例2-2] 由随机过程定义，典型的数学表达式是无法写出的。
一般地，在一个确知形式的时间函数中，若其中一个（或2个）变量是随机的，称准随机过程。
设随机过程，其中是均值为0、方差为的高斯变量，是内均匀分布的相位随机变量，且与统计独立。
通信原理(第二版)第2章确知信号与随机信号分析
通信原理(第二版)第 2章确知信号与随机
信号分析
目录
• 确知信号分析 • 随机信号分析 • 确知信号与随机信号的应用 • 信号分析的现代方法
01
确知信号分析
定义与分类
定义
确知信号是指在任何时刻都已知 其全部信息的信号，如正弦波、 方波等。
分类
连续信号和离散信号，周期信号 和非周期信号，实信号和复信号 等。
小波变换具有多分辨率分析的 特点，能够适应不同频率的信 号处理需求。
小波变换在信号降噪、特征提 取、模式识别等领域有着广泛 的应用。
神经网络在信号分析中的应用
神经网络能够通过学习自动提取信号 中的特征，具有很强的自适应性。
神经网络在语音识别、图像处理、雷 达信号处理等领域有着广泛的应用。
神经网络可以处理非线性信号，对于 一些难以用传统方法处理的复杂信号 非常有效。
随机信号的时域分析
自相关函数
描述随机信号取值在时间上的相关性。
互相关函数
描述两个随机信号在时间上的相关性。
谱估计
通过时域数据估计随机信ห้องสมุดไป่ตู้的功率谱密度的方法。
03
确知信号与随机信号的应 用
确知信号在通信中的应用
载波信号
用于调制信息信号，实现信息的 传输。
脉冲信号
用于数字通信中表示二进制状态， 如脉冲编码调制（PCM）。
确知信号的频域分析
01
02
03
傅里叶级数
将确知信号表示为无穷多 个正弦波的叠加，每个正 弦波具有不同的幅度、频 率和相位。
频谱密度函数
描述信号中各频率分量的 强度，通常用图形表示， 即频谱图。
频谱分析
通过频谱图分析信号中各 频率分量的特性，如频率 范围、幅度和相位等。
信号分析
目录
• 确知信号分析 • 随机信号分析 • 确知信号与随机信号的应用 • 信号分析的现代方法
01
确知信号分析
定义与分类
定义
确知信号是指在任何时刻都已知 其全部信息的信号，如正弦波、 方波等。
分类
连续信号和离散信号，周期信号 和非周期信号，实信号和复信号 等。
小波变换具有多分辨率分析的 特点，能够适应不同频率的信 号处理需求。
小波变换在信号降噪、特征提 取、模式识别等领域有着广泛 的应用。
神经网络在信号分析中的应用
神经网络能够通过学习自动提取信号 中的特征，具有很强的自适应性。
神经网络在语音识别、图像处理、雷 达信号处理等领域有着广泛的应用。
神经网络可以处理非线性信号，对于 一些难以用传统方法处理的复杂信号 非常有效。
随机信号的时域分析
自相关函数
描述随机信号取值在时间上的相关性。
互相关函数
描述两个随机信号在时间上的相关性。
谱估计
通过时域数据估计随机信ห้องสมุดไป่ตู้的功率谱密度的方法。
03
确知信号与随机信号的应 用
确知信号在通信中的应用
载波信号
用于调制信息信号，实现信息的 传输。
脉冲信号
用于数字通信中表示二进制状态， 如脉冲编码调制（PCM）。
确知信号的频域分析
01
02
03
傅里叶级数
将确知信号表示为无穷多 个正弦波的叠加，每个正 弦波具有不同的幅度、频 率和相位。
频谱密度函数
描述信号中各频率分量的 强度，通常用图形表示， 即频谱图。
频谱分析
通过频谱图分析信号中各 频率分量的特性，如频率 范围、幅度和相位等。
随机信号分析(2-4章)
求： 解：
1 1 F ( , x ), F (1, x ), F ( ,1, x1 , x2 ) 2 2
1 0 cos , 1 2 2 t 时，X ( 1 ) 2 1 2 1 2 , 1 2 2
1 - 1 cos( t ), 2 t 1时，X（ 1 ） 2 2 1, 1 2
例3 求随机二进制信号的均值和自相关函数
半随机独立二进制（观察信号的起始时刻为每个时 隙的起点）
随机二进制信号（观察信号的起始时刻在一个时隙 均匀分布）
解：
E[ X (t0 )] 0 q 1 p p R X (t1 , t2 ) E[ X (t1 ) X (t2 )] E[ X (t1 ) X (t2 )] E ( R半随机 (t1 , t2 )) E E X [ X (t1 ) X (t2 ) / ]
一维分布函数
FX ( x1, n1 ) P{ X ( n1 ) x} 0, x 0 q,1 x 0 1, x 1
一维密度函数
f x ( x1, n1 ) q ( x) p ( x 1)
例2 利用投掷硬币的实验 定义R.S
cost X (t ) 2t 1 2 1 硬币出现反面而且概率 为 2 硬币出现正面而且概率 为
2 密度函数
F ( x, t ) x F ( x1 , x 2 ; t1 , t 2 ) f X ( x1 , x 2 ; t1 , t 2 ) x1x 2 f X ( x, t ) F ( x, t )
2.1.3 随机过程的数字特征
随机信号分析 第二章随机信号概论
C XY (t1 , t 2 ) E[{X (t1 ) m X (t1 )}{Y (t 2 ) mY (t 2 )}]
[x m
X
(t1)][ y mY (t 2 )] p XY ( x, y; t1 , t 2 )dxdy
且有 C
XY (t1 , t 2 )
（2）如果X(t)和Y(t)的互协方差函数CXY(t1,t2)=0,我们称 他们互不相关的.并有 RXY (t1 , t2 ) mX (t1 )mY (t2 ) （3）若两个过程X(t)和Y(t)之间的互相关函数等于零，即 对任意t1,t2有RXY(t1,t2)=E[X(t1)Y(t2)]=0, 则称两个过程正交。
2 X (t ) D[ X (t )] D[V sin w0t ] sin 2 w0tD[V ] sin 2 w0t
RX (t1 , t 2 ) E[ X (t1 ) X (t 2 )] E[V sin w0t1 V sin w0t 2 ]
.
sin w0t1. sin w0t 2 E[V 2 ] sin w0t1. sin w0t 2 C X (t1 , t 2 ) E[( X (t1 ) m X (t1 ))(X (t 2 ) m X (t 2 ))] E[ X (t1 ) X (t 2 )] RX (t1 , t 2 ) sin w0t1. sin w0t 2
FX ( x1 , t1 ) p X ( x1 , t1 ) x1
为随机过程的概率密度函数.
二维分布律:随机过程X(t)在任意时刻t1,t2, 是一个二 维随机变量{X(t1),X(t2)},定义t=t1时X(t1) ≤x1和 t=t2时 X(t2) ≤x2的概率为随机过程X(t)的二维概率分布函 数
[x m
X
(t1)][ y mY (t 2 )] p XY ( x, y; t1 , t 2 )dxdy
且有 C
XY (t1 , t 2 )
（2）如果X(t)和Y(t)的互协方差函数CXY(t1,t2)=0,我们称 他们互不相关的.并有 RXY (t1 , t2 ) mX (t1 )mY (t2 ) （3）若两个过程X(t)和Y(t)之间的互相关函数等于零，即 对任意t1,t2有RXY(t1,t2)=E[X(t1)Y(t2)]=0, 则称两个过程正交。
2 X (t ) D[ X (t )] D[V sin w0t ] sin 2 w0tD[V ] sin 2 w0t
RX (t1 , t 2 ) E[ X (t1 ) X (t 2 )] E[V sin w0t1 V sin w0t 2 ]
.
sin w0t1. sin w0t 2 E[V 2 ] sin w0t1. sin w0t 2 C X (t1 , t 2 ) E[( X (t1 ) m X (t1 ))(X (t 2 ) m X (t 2 ))] E[ X (t1 ) X (t 2 )] RX (t1 , t 2 ) sin w0t1. sin w0t 2
FX ( x1 , t1 ) p X ( x1 , t1 ) x1
为随机过程的概率密度函数.
二维分布律:随机过程X(t)在任意时刻t1,t2, 是一个二 维随机变量{X(t1),X(t2)},定义t=t1时X(t1) ≤x1和 t=t2时 X(t2) ≤x2的概率为随机过程X(t)的二维概率分布函 数
第2章 随机信号的性质
• 2.6.2 平稳随机过程
1 平稳随机过程的定义
• 定义： 若一个随机过程X(t)的任意有限维分布函数与 时间起点无关，也就是说，对于任意的正整数n和 所有实数，有
f n ( x1 , x 2 ,, x n ；t1 , t 2 ,, t n ) f n ( x1 , x2 ,, xn；t1 , t 2 ,, t n )
EX (t )
xf1 ( x, t )dx
式中
f1 ( x, t )
是X(t)的一维概率密度函数
EX (t )
xf1 ( x, t )dx
X (t)的均值是时间的确定函数，常记作a ( t )，它表
示随机过程的n个样本函数曲线的摆动中心 :
(t )
a (t )
10
2.6 随机过程
• 一 随机过程的基本概念
– 什么是随机过程？
• 随机过程是一类随时间作随机变化的过程，它不能 用确切的时间函数描述。对应不同随机试验结果的 时间过程的集合。是一个事件全部可能“实现”构
成的总体。
【例】n台示波器同时观测并记录这n台接收机的输 出噪声波形
– 样本函数i (t)：随机过程的一次实现，是确定的时间函 数。 – 随机过程： (t) ={1 (t), 2 (t), …, n (t)} 是全部样本函数的集合。
（2）自相关函数只与时间间隔 有关。
把同时满足（1）和（2）的过程定义为广义平稳随 机过程。显然，严平稳随机过程必定是广义平稳的，反 之不一定成立。 在通信系统中所遇到的信号及噪声，大多数可视为 平稳的随机过程。因此，研究平稳随机过程有着很大的 实际意义。
2 各态历经性
• 问题的提出：我们知道，随机过程的数字特征（均值 、相关函数）是对随机过程的所有样本函数的统计平 均，但在实际中常常很难测得大量的样本，这样，我 们自然会提出这样一个问题：能否从一次试验而得到 的一个样本函数x(t)来决定平稳过程的数字特征呢? • 回答是肯定的。平稳过程在满足一定的条件下具有一 个有趣而又非常有用的特性，称为“各态历经性”（ 又称“遍历性”）。具有各态历经性的过程，其数字 特征（均为统计平均）完全可由随机过程中的任一实 现的时间平均值来代替。 • 下面，我们来讨论各态历经性的条件。
- 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、"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、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)。
角度1：对应不同随机试验结果的时间过程的集合。 角度2：随机过程是随机变量概念的延伸。 ●在某一特定时刻t1观察各台接收机的输出噪声值x(t1) ，发现 他们的值是不同的－－ 是一个随机量（随机变量）。
2019/2/16 5
角度1：对应不同随机试验结 果的时间过程的集合。 角度2：随机过程是随机变量 概念的延伸。
概率论：随机变量分析－－分布函数和概率密度
研究内容－－随机过程统计描述： 1. 随机过程的分布函数 2. 随机过程的数字特征
2019/2/16 7
2.2.2 随机过程统计描述
●仅观察图2-1所给出的样本函数，很难定量的描述这个随机 过程的变化规律。因此，需要从统计的意义上来研究样本波 形，将它们所具有的共性，即相同的特性提炼出来，这就是 随机过程的统计描述。 ●随机过程的统计特性是通过它的分布函数或数字特征加以 描述的。
2019/2/16
2
2.1 引 言
通信 ---- 是在噪声背景下信号通过通信系统的过程，分析与 研究通信系统，总是离不开对信号和噪声的分析。 ●随机信号：通信系统中用于表述信息的信号不可能是单一 的、确定的，而是具有不确定性和随机性。 ●随机噪声：通信中存在的各种干扰和噪声，其波形更是随 机的、不可预测的。 ●随机过程：尽管随机信号和随机噪声是不可预测的、随机 的，但它们具有一定的统计规律。从统计学的观点看，均可 表示为随机过程。
通 信 原 理
第2章 随机信号与噪声随机信号与噪声分析
－－本章是本课程的重要数学基础。 研究内容： 2.1 引言 2.2 随机过程的基本概念 2.3 平稳随机过程 2.4 高斯随机过程 2.5 平稳随机过程通过线性系统 2.6 窄带随机过程 2.7 正弦波加窄带随机过程 2.8 高斯白噪声和带限白噪声
2019/2/16
8
1. 随机过程的分布函数 设X (t)表示一个随机过程，它在任意时刻t1的值X (t1)是一个随 机变量，根据概率论的知识，随机过程X(t)的---（1）随机过程X(t)的一维描述----反映随机过程在任一时刻的 取值统计特性。 ●一维分布函数
F (,) x t P [( X t ) x ] 11 1 1 1
F ( x , x ; t , t , ) P X ( t ), x X ( t ) x 2 1 2 1 2 1 1 2 2
●二维概率密度函数
2 F ( x ,x ; t , t ) 2 1 2 1 2 f ( x ,x ; t , t ) 2 1 2 1 2 x x 1 2
x1 (t )
找不到两个完全相
x2 (t )
同的波形！
xn (t )
t1
2019/2/16
t2
t
4
图 2- 1 n图 图 图 图 图 图 图 图 图
x1 (t )
x2 (t )
xn (t )
t1 t2 t
图 2- 1 n图 图 图 图 图 图 图 图 图
讨论： ●每一个记录xi(t)都是一个随 机起伏的时间函数－－随机函 数。 ●全部随机函数的集合－－随 机过程： X(t) ={x1(t), x2(t), …, xn(t)} ●每一条曲线xi(t)都是随机过 程的一个实现/样本－－为确 定的时间函数。
随机过程是一类随时间作随机变化的过程，它不能用确切的时 间函数描述。 统计学中的有关随机过程的理论可以运用到随机信号和噪声分 析中来。
2019/2/16 3
2.2 随机过程的基本概念
2.2.1 随机过程的概念
考察： 假设有n台性能相同的接收机，在同样条件下不加信号测试 其输出。（n--足够大的正整数） 得到一系列噪声波形x1(t)、x2(t)、x3(t)、...、xn(t) 。 结果：理想时，波形似乎应该一致，但实际不然。
n F ( x ， x ， ， x ； tt ， ， ， t ) n 1 2 n 1 2 n f ( x ， x ， ， x ； tt ， ， ， t ) n 1 2 n12 n x xx 1 2 n
2019/2/16
11
目的/意义： ●可以把随机过程 X(t) 当作一个多元的随机变量来看待， 而用这个多元随机变量[X(t1)，X(t2)，...，X(tn)]的分布函数或 概率密度来描述随机过程的统计特性。
PX [ ( t )x ]表示随机变量X(t1)小于或等于某一数值x1的概率。 1 1
●一维概率密度函数
F (x ,t ) 1 1 1 f1(x ,t ) 1 1 x 1
若上式中的偏导存在的话。
2019/2/16 9
（2）随机过程 (t)的二维描述---反映随机过程在不同时刻取 值之间的关联程度。 ●二维分布函数 任意给定时刻t1 、t2， X (t1) x1 和 X(t2) x2 同时成立的概率：
●因此，又可以把随机过程看作是在时间进程中处于不同时刻 的随机变量的集合。
2019/2/16 6
概括：
随机过程X(t)的含义／属性有三点： （1）X(t)是t 的函数。 （2）X(t)在任一时刻 t1上的取值X(t1)不是确定的，是一个 随机变量。即每一时刻上的函数值是按照一定的概率分布的。 （3） X(t)的任一实现xi (t)是一个确定函数，随机性体现在 某一样本出现的随机上。 时间平均
讨论：
x1 (t )
x2 (t )
xn (t )
t1 t2 t
图 2- 1 n图 图 图 图 图 图 图 图 图
●在任一给定时刻t1上，每一个样本函数xi (t)都有一个确定的
数值xi (t1)。但在同一时刻，不同样本的取值{xi(t1) ，i=1，2，
…，n}却是一个随机变量。 ●换句话说，随机过程在任意时刻t1的值X(t1)是一个随机变量。
若上式中的偏导存在的话。
2019/2/16
10
（3）随机过程X (t)的多维描述 ●n维分布函数
P X ( t ) x , X () t x , , X () t x 1 1 2 2 n n F (, x x , , x ;, tt , t ) n 1 2 n 12 n
● n维概率密度函数