五信号处理初步.ppt

本章重点 第三节 相关分析及其应用 上面所定义的相关函数只适用于各态历经随机信号和功率信号。对于能量有限信号的相关函数，其中的积分若除以趋于无限大的时间T后，无论时移?m为何值，其结果都将趋于零。因此，对能量有限信号进行相关分析时，应按下面定义来计算： 第三节 相关分析及其应用 四、相关函数估计 按照定义，相关函数应该在无穷长的时间内进行观察和计算。实际上，任何的观察时间都是有限的，我们只能根据有限时间的观察值去估计相关函数的真值。理想的周期信号，能准确重复其过程，因而一个周期内的观察值的平均值就能完全代表整个过程的平均值。对于随机信号，可用有限时间的样本记录所求得的相关函数值来作为随机信号相关函数的估计。样本记录的相关函数，亦就是随机信号相关函数的估计值分别由下式计算 式中,T－样本记录长度。为了简便，假定信号在（T＋? ）上存在，则可用下二式代替式 使模拟信号不失真地沿时轴平移是一件困难的工作。因此，模拟相关处理技术只适用于几种特定信号（如正弦信号）。在数字信号处理中，信号时序的增减就表示它沿时间轴平移，是一件容易做到的事。所以实际上相关处理都是用数字技术来完成的。对于有限个序列点N的数字信号的相关函数估计，仿照上式可写成： 第三节 相关分析及其应用 r=0,1,2,…,mN。m-最大时移数 第四节 功率谱分析及其应用 时域中的相关分析为在噪声背景下 提取有用信息提供了途径。 功率谱分析则从频域提供相关技术 所能提供的信息，它是研究平稳随机过程的重要方法。 第四节 功率谱分析及其应用 一、自功率谱密度函数 （一）定义及其物理意义 假定x(t)是零均值的随机过程，即 ?x＝ 0，（如果原随机过程是非零均值的，可以进行适当处理使其均值为零），又假定 x(t)中没有周期分量，那么当??? ，Rx(?) ? 0。这样，自相关函数Rx(?)可满足傅里叶变换的条件 利用傅里叶变换公式可得到Rx(?)的傅里叶变换Sx(f) 和逆变换 定义Sx(f)为x(t)的自功率谱密度函数，简称自谱或自功率谱。 第四节 功率谱分析及其应用 由于Sx(f)和Rx(?)之间是傅里叶变换对的关系，两者是唯一对应的， Sx(f)中包含着Rx(?)的全部信息。 因为Rx(?)为实偶函数， Sx(f)亦为实偶函数。 由此常用在 f＝0~ ?范围内Gx(f)＝2Sx(f)来表示信号的全部功率谱，并把Gx(f)称为x(t)信号的单边功率谱 第四节 功率谱分析及其应用 由此可见， Sx(f)曲线下和频率轴所包围的面积就是信号的平均功率， Sx(f)就是信号的功率密度沿频率轴的分布，故称 Sx(f)为自功率谱密度函数。 若?＝0，根据自相关函数Rx(?)和自功率谱密度函数 Sx(f)的定义，可得到 第四节 功率谱分析及其应用 （二）巴塞伐尔定理 在时域中计算的信号总能量，等于在频域中计算的信号总能量，这就是巴塞伐尔定理，即 称为它是沿频率轴的能量分布密度。在整个时间轴上信号平均功率为 因此，自功率谱密度函数和幅值谱的关系为 利用这一种关系，就可以通过直接对时域信号作傅里叶变换来计算功率谱。 第四节 功率谱分析及其应用 （三）功率谱的估计 无法按上式来计算随机过程的功率谱。只能用有限长度T的样本记录来计算样本功率谱，并以此作为信号功率谱的初步估计值。现以 分别表双边、单边功率谱的初步估计 对于数字信号，功率谱的初步估计为 也就是对离散的数字信号序列{x(n)}进行FFT运算，取其模的平方，再除N（或乘以2/N），便可得信号的功率谱初步估计。这种计算功率谱估计的方法称为周期图法。它也是一种最简单、常用的功率谱估计算法。 （四）应用 自功率谱密度 Sx(f)为自相关函数Rx(?)的傅里叶变换，故 Sx(f)包含着Rx(?)中的全部信息。 自功率谱密度 Sx(f)反映信号的频域结构，这一点和幅值谱 ?X(f) ?一致，但是自功率谱密度所反映的是信号幅值的平方，因此其频域结构特征更为明显，如图5-23所示。 第四节 功率谱分析及其应用 （四）应用 对于一个线性系统(图5-24)，若其输入为x(t)，输出为y(t) ，系统的频率响应函数为H(f)， x(t) ?X(f) ，y(t) ? Y(f) 则： Y(f) ＝ H(f) X(f) 。 第四节 功率谱分析