- 1、本文档共78页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
ch2-信号与噪声分析,信号采集电路噪声分析,信号与噪声,信号与噪声pdf,信号与噪声mobi,信号与噪声下载,信号与噪声豆瓣,信号与噪声epub,信号与噪声pdf下载,噪声信号源
第2章 信号与噪声分析 2.1 信号的分类 2.2 确知信号的分析 2.3 随机变量的统计特征 2.4 随机过程的一般表述 2.5 平稳随机过程 2.6 高斯随机过程 2.7 随机过程通过系统的分析 2.8 窄带高斯噪声 [目的要求]: 1.掌握信号的分类及确知信号的分析; 2.理解随机变量的统计特征; 3.理解随机过程的一般表述; 4.理解平稳过程的定义; 5.掌握平稳过程的自相关函数和功率谱密度; 6.掌握高斯随机过程的定义和性质; 7.了解随机过程通过系统的分析; 8.掌握窄带高斯噪声的统计特征。 重点:信号的分类及确知信号的分析、平稳过程的自相关函数和功率谱密度、高斯随机过程的定义和性质、窄带高斯噪声的统计特征。 难点:平稳过程的自相关函数和功率谱密度。 2.1信号的分类 确知信号与随机信号 周期信号与非周期信号 功率信号与能量信号 功率信号:有无限大的能量,但其平均功率是有限的. 能量信号:平均功率(在整个时间轴上平均)等于 0,但其能量有限的信号 2.2确知信号的分析 2、指数形式的傅里叶级数 利用欧拉公式 可得的指数表达式 式中 (a)非周期信号 (b)构造的周期信号 图2-1 非周期信号 由以上两式可见,互相关函数反映了一个信号与另一个延迟τ秒后的信号间相关的程度。需要注意的是,互相关函数和两个信号的前后次序有关,即有 2.3.1 随机变量 在概率论中,将每次实验的结果用一个变量来表示,如果变量的取值是随机的,则称变量为随机变量。例如,在一定时间内电话交换台收到的呼叫次数是一个随机变量。 当随机变量的取值个数是有限个时,则称它为离散随机变量。否则就称为连续随机变量。 随机变量的统计规律用概率分布函数或概率密度函数来描述。 2.3.2概率分布函数和概率密度函数 1、概率分布函数 定义随机变量X的概率分布函数 是X取值小于或等于某个数值 的概率 ,即 对于离散随机变量,其分布函数也可表示为 式中 ,是随机变量X取值为 的概率。 2、概率密度函数 对于连续随机变量X ,其分布函数 对于一个非负函数 有下式成立: 可见,概率密度函数是分布函数的导数。 概率密度函数有如下性质: (1) (2) (3) 2.3.3 通信系统中几种典型的随机变量 1、均匀分布随机变量 设 ,则概率密度函数为 的随机变量X称为服从均匀分布的随机变量。 2、高斯(Gauss)分布随机变量 概率密度函数为 的随机变量X称为服从高斯分布(也称正态分布)的随机变量,式中, a为高斯随机变量的数学期望 , 为方差。 高斯分布的概率密度函数的曲线如图2-3所示。 3、瑞利(Rayleigh)分布随机变量 概率密度函数为 的随机变量X称为服从瑞利分布的随机变量,其中 ,是一个常数。其概率密度函数的曲线如图2-4所示。 2.3.4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。 1、数学期望 数学期望(简称均值)是用来描述随机变量X的统计平均值,它反映随机变量取值的集中位置。 对于离散随机变量X,设 是其取值 的概率,则其数学期望定义为 对于连续随机变量X,其数学期望定义为 式中, 为随机变量X的概率密度。 2、方差 方差反映随机变量的取值偏离均值的程度。方差定义为随机变量X与其数学期望 之差的平方的数学期望。即 2.4随机过程的一般表述 2.4.1 随机过程的概念 前面所讨论的随机变量是与试验结果有关的某一个随机取值的量。例如,在给定的某一瞬间测量接收机输出端上的噪声,所测得的输出噪声的瞬时值就是一个随机变量。显然,如果连续不断地进行试验,那么在任一瞬间都有一个与之相应的随机变量,于是这时的试验结果就不仅是一个随机变量,而是一个在时间上不断变化的随机变量的集合。 随机过程: 随时间变化的无数个随机变量的集合。 基本特征: (1)是时间t的函数 (2)依赖时间参数的一族随机变量 由此从数学的角度,我们给出随机过程这样的定义:设 (k=1, 2, …)是随机试验,每一次试验
文档评论(0)