数字信号处理 第10章 平稳随机信号
数字信号处理课件ppt

| rws (k ) |2
2 w
1 dz 1 C Sss ( z) H opt ( z)S xs ( z ) z 2πj
通过前面的分析, 因果维纳滤波器设计的一般方法可以按 下面的步骤进行:
(1) 根据观测信号x(n)的功率谱求出它所对应的信号模型的
传输函数,即采用谱分解的方法得到B(z)。 S xs ( z) (2) 求 B( z 1 ) 的Z反变换,取其因果部分再做Z变换,即 S xs ( z ) 舍掉单位圆外的极点,得 B( z 1 ) (3) 积分曲线取单位圆,应用(2.3.38)式和(2.3.39)式,计 算Hopt(z), E[|e(n)|2]min。
1 ˆ' rxx (m) N
N |m|1
n 0
x ( n ) x ( n m)
平稳随机序列通过线性系统:
y (n)
k
h( k ) x ( n k )
k
m y E[ y (n )]
h(k ) E[ x(n k )]
k
ryy (m)
m0
k=0, 1, 2, …
利用白化x(n)的方法求解维纳-霍夫方程:
x(n)=s(n)+υ (n)
H(z) (a)
ˆ y ( n) s ( n)
x(
x(n)
1 B( z )
w(n)
G(z) (b)
ˆ y ( n) s ( n)
x(
图2.3.5 利用白化x(n)的方法求解维纳-霍夫方程
D (m)
2 x
rxx (m)
2 x (m)
姚天任-现代数字信号处理1-6章习题答案

第二章2.1已知x 是一平稳随机信号,取1、0、-1三个值的概率相等。
用x 对载波)(n c 进行调制后在噪声信道中传输。
接受信号为M n n v n xc n y ,,1,0 ),()()( =+=式中)(n v 是方差为σ2v的零均值白色高斯噪声,与x 相互独立。
上式用矢量表示为v c x y +=(1) 求条件概率函数)/()/(x y f y x f和。
(2) 由y求x 的四种估计:最大后验概率估计x MAP ˆ,最大似然估计x ML ˆ,最小均方误差估计x MS ˆ,最小线性均方误差估计xLMSˆ。
并用图形对它们进行比较。
解:(1)先求)/(x y f ,显然在这种情况下,y是一个1+M 的正态随机矢量,,][/c x v c x E mxy =+=I m m M v T T Txy x y xy v v E c x v c x c x v c x E y y E 12///][ ]))([( ]))([(+==-+-+=--=∑σ)]()(1exp[)2( )](1)(21exp[][)2(1)/(222/)1(21221)1(221c x y c x y c x y c x y vx y f T vM v M vT M M I---=---=+-+++σσσσππ求)/(y x f。
)/(y x P =)()()/()(),(y f x P x y f y f y x f= 已知)1(31)(31)1(31)(-+++=x x x x P δδδ简记)/()/(a y f a x y f ==根据全概率公式,得:)]1/()0/()1/([31 )1()1/( )0()0/()1()1/()()(=≤+=≤+-=≤===≤+==≤+-=-=≤=≤=∴x y Y P x y Y P x y Y P x P x y Y P x P x y Y P x P x y Y P y Y P y F)]1/()0/()1/([31)()(-++==y f y f y f y d y dF y f记)1/()0/()1/(ˆ-++=y f y f y f A,则 Ay f y x P A y f y x P Ay f A y f y x P )1/()/1(,)0/()/0()1/(31)1/(31)/1(====-=-=-=同理: 由)/(y x P 的分布律,我们可以容易得到)/(y x fA x y f x y f x y f y x f /)]1()1/()()0/()1()1/([)/(-+++-=δδδ(2) 求最大似然估计xMLˆ已知:0ˆ)/(ln(=∂∂=x x x y f M Lxy cc yc c c x y c c c x y c x y c xc x y c x y xc x y c x y T T ML T T vT T v T vT vM vx ===-=-----=∂---∂=∂---∂∴+-ˆ0)(1])()([21)]()(21[)]}()(21exp[)2ln{(ˆ2222212解得:σσσσσπ求最小均方误差估计xMSˆ)2(2)2(2]2exp[]2exp[]exp[]2exp[]2exp[2,2, ]exp[]exp[]exp[]exp[]exp[ ]21exp[ )]2(21exp[)]2(21exp[)]2(21exp[)]2(21exp[ )]2(21exp[1 )]2(21exp[1)]1/()1/([1 )]1()1/()()0/()1()1/([)/(22222222222222y a ch y a sh y a y a a y a y a y a yc c c a c c y c y c c y c y c y c y c y y y c c c y y y c c c y y y c c c y y y c c c y y A y c c c y y A y c c c y y A y f y f A A x y f x y f x y f x dx y x xf exav T vT T T vT vT vT vT vT T v TT T v T T T v T T T vTT T v T T T vT T T vML +=-++--====++-=-+++-+-+-++---+-++---+-=--=-+++-==⎰⎰∞∞=∞∞=则原式则令代入将σσσσσσσσσσσσσσδδδ求线性均方误差最小估计xLMSˆ已知)]([)])[var(,cov()(1ˆy E y y y x x E xLMS-+=-① 0)(=x E , ②Tx T T T T T cv x c x x E y E x E y x E y E y x E x E y x σ2)]([ )()()(]))())(([(),cov(=+=-=--= ③I M v T x T T T T c c v c x v c x E y y E y E y y E y E y 122)])([( )(]))())(([()var(++=++==--=σσ 将I IM =+ˆ1σσσσσσσσσσσ212221121][ ])1[()][var(vT x x vT x x vvT x x vI c I c I c c IIc I c I y----+-=+=利用矩阵反演公式④ y y E y=-)(∴yc c cc c c y c c c c y c c c c c c y c c c c c c y c c cc c y E y y y x x E xvT T TvTxv vxTvTxvTxvTx xTTvTxvvxvTxvT x vTvx vT x LMSxσσσσσσσσσσσσσσσσσσσσσσσσσσσσ22222222224222222222222242221 )( )(][ ][ ]1[ )]([)])[var(,cov()(ˆ+=+=+-+=+-=+-=-+=-题2。
平稳随机信号

常用随机变量:
1.均匀分布: 2.高斯分布:
1 p ( x) = a −b
1
1 2 p( x) = exp − 2 ( x − µ ) 2 2σ 2πσ
3. N 维高斯分布:
1 T −1 p( X ) = exp − ( X − µ ) Σ ( X − µ ) 2 (2π ) N Σ 1
∗
1 = lim N →∞ N
5. 自协方差函数
∑ x (n , i ) x(n , i )
* i =1 1 2
∗
N
covx (n1, n2 ) = E [ X (n1 ) − µx (n1 )] [ X (n2 ) − µx (n2 )]
{
}
1 N * = lim ∑[x(n1, i) − µx (n1 )] [ x(n2 , i) − µx (n2 )] N →∞ N i =1
求均值运算
2. 数字特征:
均值: µ = E { X } =
∫
N
∞
−∞
xp( x)dx
i
1 = lim N →∞ N
∑x
i =1
方差:
σ =E
2
{ X −µ }= ∫
2 N i =1 i
∞
−∞ 2
x − µ p( x)dx
2
1 = lim N →∞ N
∑ x −µ
均方差:
D =E
2
{ X }=∫
2
1 = lim N →∞ N
2
∑ x ( n, i ) − µ ( n )
i =1 x
N
2
时 间 的 函 数
3.均方
1 D x (n) = E{ X (n) } = lim N →∞ N
最新文档-第10章平稳随机信号-1-PPT精品文档

fX(x 1 ,x2, ,xn,t1 ,t2, ,tn) fxx i,ti i 1
例1、设随机过程 X (t)A co0 t sB si0 n t ,
其中A、B是两个独立的正态随机变量,且
有 E[A]E[B]0 , E[A2]E[B2]2
, 0 为常数,求此过程的一维概率密度。Байду номын сангаас
Y (t) X (t)h ()d h (t) X (t)
•均值
m Y (t) m X (t)h ()d h (t) m X (t)
若X(t)平稳
m Y m X h () d m X h () d m X H ( 0 )
G Y () H () G X (Y ) H * () G Y (X )
H * ( )H ( )G X ( )H ( )2 G X ( )
电路
R
C
C
R
L R
R L
H ()
1
1 jRC
jRC 1 jRC
R
R jL
jL R jL
h(t )
•互相关函数
R X ( t 1 , t Y 2 ) E { X ( t 1 ) Y ( t 2 ) h } ( t 2 ) R X ( t 1 , t 2 ) R Y ( t 1 , X t 2 ) E { Y ( t 1 ) X ( t 2 ) h } ( t 1 ) R X ( t 1 , t 2 )
§3 平稳随机信号通过线性系统
3.1 典型随机过程 3.2 随机信号通过线性系统分析 3.3 白噪声通过线性系统 3.4 随机序列通过离散线性系统
10-第10章平稳随机信号

C X (n1 , n2 ) E [ X ( n1 ) X ( n1 )]*[ X ( n2 ) X ( n2 )] 1 N lim [ x( n1, i) X ( n1 )] [[ x( n2 , i) X ( n2 )]] N N i 1
4
1 X (n) E X (n) lim M 2M
*
n M
x(n)
M
x
M 1 rX (m) E X (n) X (n m) lim x(n) x(n m) rx (m) M 2 M 1 n M
P x (e
jw
)
第10章 平稳随机信号
本章目录
随机信号及其特征描述
平稳随机信号
信号处理中的最小平方问题
功 Matlab实现
2
1.1随机信号及其特征描述
基本概念
随机信号分为平稳和非平稳两类。平稳随机信号又 分为各态遍历和非各态遍历。各态遍历的平稳随机过程 中的一个样本的时间均值和集的平均值相等,因此一个 样本的统计特征代表了随机信号的总体,简化研究。 平稳随机过程在时间上是无始无终的,即其能量是 无限的,本身的傅里叶变换也是不存在的,但功率是有 限的。通常用功率谱密度来描述随机信号的频域特征, 这是一个统计平均的频谱特性。 平稳随机过程统计特征的计算要求信号x(n)无限长, 而实际上这是不可能的,只能用一个样本,即有限长序 列来计算。因此得到的计算值不是随机信号的真正统计 值,而仅仅是一种估计。
5
平稳随机信号
一个离散时间信号X(n),如果其均值与时间n无关,其自相关 函数r(n1,n2)和n1,n2的选取起点无关,则称X(n)为宽平(广义) 稳随机信号.
数字信号处理ppt课件

三.自相关函数与 自协方差函数的性质
24
性质1 :相关函数与协方差函数的关系
Cxx m rxx m mx 2
Cxy m rxy m m*xmy
当 mx 0
Cxx m rxx m Cxy m rxy m
25
性质2:均方值、方差与相关函数和协方差函数
rxx
0
E
xn
2
Cxx 0 rxx 0 mx 2
五、功率谱密度
44
维纳——辛钦定理
1. 复频域
rxx
(m)
1
2
j
c Sxx (z)zm1dz,
Sxx
(z)
m
rxx
(m)z
m
C (Rx , Rx )
45
2. 频域
{ rxx(m)
1
2
Pxx (e j )e jm d
2
Pxx (e j ) rxx (m)e jm
m
46
3.性质
实平稳随机信号 rxx m rxx m
rxx m E x x n1 n1m
x1x2 p x1 , x2 ; m dx1dx2
18
自协方差函数
Cxx (m) E (xn1 mx )*(xn2 mx ) E (xn1 mx )*(xn1m mx )
rxx m mx 2
19
对于均值为零的随机过程 rxx m Cxx m
①偶函数
Pxx e j Pxx e j
②实函数
Pxx e j Pxx e j
③极点互为倒数出现
Sxx
z
Sxx
1 z
47
④功率谱在单位圆上的积分等于平均功率
E
x2
02实验二:随机信号平稳性分析

实验二 随机信号平稳性分析一.【实验目的】通过对几个实用随机信号(语音信号,音乐信号)的平稳性分析,加深对随机信号平稳性的理解。
二.【实验环境】1.硬件实验平台:通用计算机,麦克风。
2.软件实验平台:MATLAB 2012A 版本。
三.【实验任务】1. 获取语音信号;2. 使用通过MATLAB 计算语音信号的相关特征,验证语音信号的短时平稳性;3. 撰写实验报告。
四.【实验原理】随机信号的平稳性可以分为严格平稳和广义平稳,分别定义如下:1. 严格平稳性:随机过程{}T t t X ∈),(,如果其任意n 维概率分布函数具有下述的移动不变性:任取n n n R x x x T t t t ∈∈,...,,,...,,2121与,对于满足T t t t n ∈+++τττ,...,,21的任意τ值,始终有),...,,;,...,,(),...,,;,...,,(21212121τττ+++=n n n n t t t x x x F t t t x x x F成立。
则称X (t ) 具有严格平稳性(或强平稳性),也称X (t )是严格平稳随机信号(或强平稳随机信号)。
2. 广义平稳性:随机过程{}T t t X ∈),(,如果其均值与相关函数存在,并且满足:均值为常数;相关函数与两时刻),(21t t 的绝对值无关,只与相对差21t t -=τ有关,即)(),(),()]([21ττηR t t R t t R t X E =+===常数则称X(t) 具有广义平稳性(或弱平稳性、宽平稳性),也称X(t)是广义平稳随机信号(或弱平稳随机信号、宽平稳随机信号)。
严格平稳性要求全部统计特性都具有移动不变性;而广义平稳性只要求一、二阶矩特性具有移动不变性。
应用与研究最多的平稳信号是广义平稳信号,而严格平稳性因要求太“苛刻”,更多地用于理论研究中。
严格平稳性与广义平稳性之间有关系:−−−−−−−−→⎛⎫⎛⎫ ⎪ ⎪←−−−−−−−−⎝⎭⎝⎭如果其均值与相关函数存在不一定是严格平稳广义平稳 过程 过程上述关系式指出,广义平稳信号通常不一定是严格平稳的。
数字信号处理第10章 平稳随机信号

a
f x dx 1
1 f x dx f x dx 2 a
标准正态分布 2 1 x 2 a 0, 1 f x exp 2 2
误差函数(P.473 附录B) 2 y2 – 定义 erf e dy 0
1 xa F ( x) 1 erfc( ) 2 2
• erfc()=0
• erfc(- )=2-erfc()
概率积分函数
– 定义
Q 1 2 e
y
2
2
dy
F ( x) 1 Q(
xa
)
– Q函数的主要性质
• Q(0)=1/2;
• Q()=0; • Q(-)=1-Q(),>0;
(2)
(3)
f ( x)dx 1
b
a
f ( x)dx P(a X b)
随机变量的数字特征
前面讨论的分布函数和概率密度函数,能够 较全面地描述随机变量的统计特性。然而,在许 多实际问题中,我们往往并不关心随机变量的概 率分布,而只想了解随机变量的某些特征,例如 随机变量的统计平均值,以及随机变量的取值相 对于这个平均值的偏离程度等。这些描述随机变 量某些特征的数值就称为随机变量的数字特征。
R R0
R E 2 t
R0 R 2
R 的 上 界
t 的直流功率 方差, t 的交流功率
平稳随机信号的频谱特性
– 随机信号的频谱特性用功率谱密度P()来表示 1 P P ( )d 2
确定样本函数集合随机过程随机变量集合随机过程随机过程的概率密度函数随机过程的统计特征随机过程t的数字特征dxdx自相关函数和自协方差函数描述同一随机过程的相关程度与选择时刻t互相关函数和互协方差函数描述不同随机过程的相关程度103平稳随机过程统计特性概率密度函数相关函数等具有平稳性的随机信号称为平稳随机过观测平稳随机过程的相应统计特性时不受观察时刻的影响严格平稳
- 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)。
由此还可导出:
σ
2 x
(n)
=
σ
2 x
Dx2 (n) = Dx2源自方差和均方也 与时间无关。
covxy (m) = E{[ X (n) − µx ]*[Y (n + m) − µy ]
互协方差函数也和 时间的起点无关。
实际中的大部分信号都可看作 是宽平稳的。处理方便。
几个概念:
1. 若
px (x1, , xn ;t1, , tn )
如果: covxy (n1, n2) = 0
X, Y 不相关
两个信号不相关,有:
{ } rxy (n1, n2 ) = E X ∗(n1)Y (n2 )
{ } = E
X ∗ (n1)
E
{Y
(n2
)}
=
µ
∗ x
(n1
)µ
y
(n2
)
两个信号相互独立,有
p(x, y) = p(x) p( y)
10.2 平稳随机信号
12
,已知
对新的随机向量 X, 判断它属于那一类:
计算 X 到两类的距离,属于距离小的类。
∑ di
(X
)
=
−
1 2
(X
−
µi )T
i −1( X − µi )
模式识别中的线性判别函数。
Mahalanobis 距离
二、随机信号: X (t) = {x1(t), , xN (t), t → ∞, N → ∞} X (n) = {x(n,1), , x(n, N ), n → ∞, N → ∞}
A=2.0639 A= 1.7235 A=1.2631
A=0.6004 A=0.1109
20
40
60
80 100 120 140 160 180 200
t
X (t) = a sin(2πft + Φ), Φ : (−π ,π )均匀分布
X(t)=a *S in(2*pi*f*t+fa i) fai=1.5961 fai=1.0252 fai=2.4096
4. 若 X (n) ≠ X *(n), 则 Px (ω) ≠ Px (−ω)
∫ 5.
P= 1
2π
π −π
P
x
(e
jω
)dω
,
信号的总功率
∞
∑ 6. Px (z) = rx (m)z−m m=−∞
例1. 随机相位正弦波
X (n) = Asin(ωn + Φ), p(ϕ) = 1 , −π < ϕ < π 2π
则 X (n1), X (n2 ) 不相关
自相关函数的性质: 1. rx (0) ≥ rx (m)
证明: 若 X为实过程,则
{ } E [ X (n) ± X (n + m)]2 ≥ 0
若 X为复过程,则
{ } { } E x(n1)x(n2 ) 2 ≤ E X (n1) 2 X (n2 ) 2
{ } left = E x(n1)x*(n2 ) x(n1)x*(n2 )* = rx (m) 2
无法做傅里叶变换。那么,对随机信号, 如何实现频谱分析?一般的方法,不是对 信号直接进行傅立叶变换,而是对信号的 自相关函数作傅立叶变换,这时得到的不 再是频谱,而是功率谱(Power Spectrum
Density, PSD) 1.功率谱的定义
1.功率谱的定义
x(n,i) ⇒ X (n) 的一个样本
定义1和定义2的等效的证明,见书。
定理成立的条件:
∞
∑ rx (m) < ∞
m=−∞
X (n) 是宽平稳
功率谱的性质:
1. Px (e jω ) 总是ω 的实函数,失去了相位信息;
2. Px (e jω ), ∀ω 非负;
3. 若 X (n) = X *(n), 则 Px (ω) = Px (−ω)
lim ∑ =
N →∞
1 N
N i =1
2
xi − µ
均方差:
{ } ∫ D2 = E X 2 = ∞ x 2 p(x)dx −∞
Note:随机变量与时间变量无关
两个随机变量: 协方差函数
{ } cov[ X ,Y ] = E ( X − µX )(Y − µY )* = E{XY *} − E{X } E{Y}∗
数字特征-最常用的方法:
1. 均值:
µx (n) = E{X (n)}
2. 方差:
lim ∑ =
1 N x(n,i)
N N →∞
i =1
时 间
σ
2 x
(n)
=
E{
X
(n)
−
µx
(n)
2}
的 函
lim ∑ =
N →∞
1 N
N i =1
2
x(n,i) − µx (n)
数
lim ∑ 3.均方 D2x (n) = E{ X (n) 2} =
1N
2
x(n, i)
N N →∞
i =1
4.自相关函数
{ } rx (n1, n2 ) = E X ∗(n1) X (n2 )
lim ∑ =
N →∞
1 N
N
x*(n1, i)x(n2 , i)
i =1
5. 自协方差函数
{ } covx(n1,n2) = E [ X (n1) − µx(n1)]∗ [ X (n2) − µx(n2)]
µx (n) = E {Asin(ωn + Φ)}
∫ = A π sin(ωn + ϕ)dϕ = 0
2π −π
{ } rx (n1, n2 ) = E A2 sin(ωn1 + Φ) sin(ωn2 + Φ)
=
A2 2
cosω (n1
− n2 )
=
rx (m)
{ } Px (e jω ) = E Pi (e jω ) , i ∈ Z +
{ } 功率谱
定义1:
E
Px
(e
jω
)
=
lim
M →∞
X M (e jω ) 2 2M +1
功率谱原始定义,包含了求均值和求极限两个运 算,即:既要求时间平均,又要求集总平均。
功率谱 定义2:
维纳—辛钦定理
∞
∑ Px (e jω ) = rx (m)e− jωm m=−∞
随机信号:
信号随时间变化不具有明确的规律性, 不能准确预测,不能用明确数学关系描述。 现实中的信号绝大部分是随机信号; 研究方法:
统计的方法,“估计”的方法。
随机信号示意图:
X (t) = Asin(2π f t), A : N (0,σ 2)
2
1.5
1
0.5
()t
0
X
-0.5
-1
-1.5
-2
X(t)=A*S in(2*pi*f*t)
0.5
()t 0 X
-0.5
fai= -0.5062
fai= -1.4316 20 40 60 80 100 120 140 160 180 200
t
10.1 随机信号及其特征描述:
一、随机变量 X X 取值是离散的
离散型随机变量 (二项式分布,泊松分布)
X 取值是连续的
连续型随机变量 (均匀分布,高斯分布)
则
{ } covx(n1,n2) = E
X (n) − µx(n) 2
=
σ
2 x
6. 互相关函数
{ } rxy (n1, n2 ) = E X ∗(n1)Y (n2 )
7. 互协方差函数
{ } covxy (n1,n2) = E [ X (n1) − µx(n1)]∗ Y(n2) − µy (n2)
= px (x1, , xn;t1 + τ , , tn + τ )
2. 若
则 X (n) 严(狭义)平稳, 统计特性不随时间变化。
p(x1, x2; n1, n2 ) = p(x1, n1) p(x2 , n2 )
3. 若
则 X (n1), X (n2 ) 相互独立 covx (n1, n2 ) = 0
{ } right = E X (n1) 2 X (n2 ) 2 = rx2 (0)
2. rx (m) = rx (−m)
rx (m) = r∗x (−m)
偶对称 Hermitian对称
3. rx y (m) = ryx (−m)
rxy (m) = r∗yx (−m)
互相关
4.
rx (0)ry (0) ≥
−
µ
)
2
3. N 维高斯分布:
p(X ) =
1
(2π )N
Σ
exp
−
1 2
(
X
− µ)T Σ−1( X
− µ)
[ ] X = x1, , xN T , µ = µx1 , , µxN T
随机向量
均值向量
{ } ∑ = E [ X − µ][ X − µ]T
=
若 p(x, y) = p(x) p( y),则 X ,Y 相互独立;
若 cov[ X ,Y ] = 0,则 X ,Y 不相关;
独立 ⇒ 不相关,反之不一定成立; 对高斯随机变量二者一致
常用随机变量:
1.均匀分布:
p(x) =
1
a−b
2.高斯分布:
p(x) =
1
2πσ
2
exp−
1
2σ 2
(
x
σ 12