通信原理第二章33480new.ppt

第二章 随机信号分析 2.1、引言 2.2、随机过程的一般表述 2.3、平稳随机过程 2.4、平稳随机过程的相关函数与概率谱密度 2.5、高斯过程 2.6、窄带随机过程 2.7、正弦波加窄带高斯过程 2.8、随机过程通过线性系统 随机信号:具有随机性的信号 通信系统中必然遇到噪声,是不能预测的.凡是不能预测的噪声统称为随机噪声,简称为噪声.从统计数学的角度看随机信号和噪声统称为随机过程.统计数学中有关随机过程的理论可以运用到随机信号和噪声的分析中来 2.2 随机过程的一般表述 通信过程中的随机信号和噪声可归纳为依赖于时间参数t的随机过程.这种随机过程的基本特征是:它是时间的函数,但在任一时刻上观察到的值却是不确定的,是一个随机变量 或者 它可以看成是随机实验的可能出现的§(t)函数,存在一个由全部可能实现构成的总体,每个实现都是一个确定的时间函数,而随机性就体现在出现哪一个实现是不确定的. 例如 有N台性能完全相同的通信机,工作条件相同,用N部记录仪同时记录他们的输出噪声 从数学的角度 随机过程§(t)的定义: 设随机试验E的可能结果为§(t),试验的样本空间S为｛ x1(t) ,x2(t), … xi(t)… ｝ xi(t): 第i个样本函数 (实现) 每次试验后, §(t)取空间S中的某一样本函数 称此§(t)为随机函数 当t 代表时间量时,称此§(t)为随机过程 随机过程的统计特性的表述 概率分布 （分布函数、概率密度函数） 数字特征 （数学期望、方差、相关函数） 一维分布函数： 设§(t)表示一个随机过程 ，则在任一时刻t1 上§(t1)是一个随机变量， 称 F1（ x1,t1)=P｛ §(t1) ≤ x1 ｝为§(t)的一维分布函数 即随机过程§(t)在t1时刻所对应的随机变量§(t1) 的分布函数 如果存在? F1（ x1,t1)/ ? x1 = f1（ x1,t1) 则称f1（ x1,t1)为§(t)的一维概率密度函数 §(t)的n维分布函数 F n （ x1, x2，… xn ；t1 ，t2，… tn)=P｛ §(t1) ≤ x1 , §(t2) ≤ x2 ,… §(tn) ≤ xn ｝ 如果存在? Fn（ x1, x2，… xn; t1， t２，… tn)/ ? x1 , ? x2 ,… ? xn = fn（ x1, x2, … xn, t1，　　t２…tn) 则称fn（ x1, x2, … xn, t1，　　t２…tn) 　为§(t)的n维概率密度函数 N越大，用n维概率密度函数或n维分布函数描述§(t)的统计特性越充分 随机过程§(t)的数字特征 数学期望： Ｅ〔 §(t) 〕＝ Ｅ〔 §(t) 〕＝ 是随机过程的所有样本函数在时刻t的函数值的平均值，也称随机过程的均值 表示了随机过程§(t)在每个时刻的波动中心，反映了随机过程的一维统计特性 一般情况下，它是时间的函数 方差：可记为 也称均方值，是随机过程的所有样本函数在时刻t与均值偏离量的平方的统计平均，是一维统计特性，总是正数，一般情况也是时间t的函数 衡量随机过程任意两时刻上获得的随机变量的统计相关特性时，常用协方差函数和相关函数来表示。衡量同一过程的相关程度，又称为自协方差函数、自相关函数 自协方差函数:B(t1,t2) 描述了随机过程§(t)在任意两个时刻t1和t2，相对均值的起伏量之间的相关程度 自相关函数：R（t1,t2) §(t1) 、§(t2)是随机过程§(t)在任意两个时刻 t1和t2上的两个随机变量 是二维概率密度函数 自协方差函数、自相关函数体现了随机过程的二维统计特性 自协方差函数与自相关函数的关系： 相关系数ρ(t1、t2) 2.3平稳随机过程 是随机过程中非常重要的过程之一，它具有许多突出的特性，并且提供了一类分析问题的方法，许多非平稳随机过程可以化为局部平稳过程来分析，实际中我们关心的通信信号正是采用了这样的分析方法和思路 平稳随机过程:是指它的任何n维分布函数或概率密度函数与时间起点无关.即一个随机过程§(t)，如果在时域上时移τ，而其统计特性不变，则称之为严格的平稳随机过程（或狭义平稳过程） 即对于任意的正整数n和任意的实数t1,t2,..tn,τ,随机过程§(t)的n维概率密度函数满足: 称§(t)是平稳随机过程 平稳随机过程的统计特性将不随时间的推移而不同，它的一维分布与t无关，二维分布只与时间间隔τ有关 平稳随机过程的数字特征：