现代数字信号处理Chapter2解析.ppt

* * 平稳正态过程n维概率密度表达式： 式中，R是相关系数rik构成的行列式，具有下列形式 Rik为行列式中元素rik的代表余子式。 * * * 3 平稳正态过程的n维特征函数 式中， 为随机变量Xk、Xi的协方差 特别：一维和二维特征函数 函数。 n维特征函数： * * * 正态随机过程的性质 正态随机过程的n维概率密度完全由它的均值集合，协方差函数集合所确定。 性质1： 性质2： 正态过程的严平稳与宽平稳等价。 1）由正态随机过程的概率密度表达式可知，它的任意n维概率密度仅由均值,方差和相关系数唯一确定。如果正态随机过程X t 宽平稳，则其均值和方差是常数，相关系数只与时间差有关，因此它的任意n维概率密度函数仅与时间起点无关，由严平稳定义得证。 2）由于正态过程的均方值总是有界的，因此严平稳正态过程一定是宽平稳的。 证明： * * * 正态过程的不相关与相互独立等价。 性质3： 若X t 在n个不同时刻采样得到一组随机变量X1, X2,…,Xn 证明： （1）如果Xn（n＝1,2,…）两两之间相互独立，则 （2）如果Xn（n＝1,2,…）两两之间互不相关，则 当 时。所以，两两互不相关。 * * * 即两两相互独立。 因此 所以 则 * * * 性质4：平稳正态过程与确定信号之和仍为正态分布。 设X t 为平稳正态过程，S t 为确定性信号，Y t X t +s t 那么，对于任意时刻t，Y t X t +s t 为随机变量，这时，s t 具有确定值，由随机变量函数的概率密度求法，Y t 的一维概率密度函数为： 证明： 因为为正态分布，所以显然是正态分布。 同理，Y t 的二维概率密度为： 正态分布。 同理，可证明合成信号的n维概率密度也是正态过程。 * * * 性质5： n维正态随机矢量序列的均方极限仍为n维正态随机矢量，即设 为n维实正态随机变量，又 ，即对于每个1,2,…,n均有 ，则X （X1,X2,…Xn）为n维正态随机矢量。 * * * 若正态过程X t 在T上均方可微，则其导数X t 也是正态过程。 性质6： 若正态过程 X t 在T上均方可积，则积分过程 性质7： 也是正态过程。 正态随机过程通过线性系统后的输出仍为正态过程。 性质8： 推论： 正态过程的线性变换仍为正态过程。 * 二、马尔可夫过程的概念 马尔可夫过程定义：（条件概率） 给定随机过程 X t , t?T ,若对于任意n ≥3 个时刻t1 t2 … tn-1 tn ?T, 有 P X tn xn | X t1 x1, X t2 x2, …, X tn-1 xn-1 P X tn xn | X tn-1 xn-1 或 F xn | x1, x2, …, xn-1; t1, t2, …, tn-1 F xn; tn| xn-1 ; tn-1 或 f xn | x1, x2, …, xn-1; t1, t2, …, tn-1 f xn; tn| xn-1 ; tn-1 则称随机过程 X t , t?T 为马尔可夫过程。 齐次马尔可夫过程的定义： 如果马尔可夫过程的转移概率函数或转移概率密度,只与转移前后的状态及相应的二个时刻的时间差有关，而与二个时刻无关，即 F x2 ; t2 | x1 ; t1 F x2 | x1 ; t2 -t1 f x2 ; t2 | x1 ; t1 f x2 | x1 ; t2 -t1 称具有这种特性的马尔可夫过程为齐次马尔可夫过程。 马尔可夫过程的分类 （1）时间离散、状态离散的马尔可夫过程——马尔可夫链。 参数集T 0,1,2,… ,状态空间E 整数 （2）时间连续、状态离散的马尔可夫过程——可列马尔可夫过程、连续参数马尔可夫链。 参数集T [0, ∞],状态空间E 整数 （3）时间离散、状态连续的马尔可夫过程——马尔可夫序列。 参数集T 0,1,2,… ,状态空间E -∞, +∞ （4）时间连续、状态连续的马尔可夫过程。 参数集T [0, ∞],状态空间E -∞, +∞ 马尔可夫链的概念 马尔可夫链是参数集T和状态空间E皆离散的马尔可夫过程。 T 0,1,2,… ，E i1,i2,… . 马尔可夫链定义： 设随机序列 X n , n 0,1,2,… 的离散状态空间为E i1, i2, … ,若对于任意的非负整数k和n1 n2 … nm,以及任意i1, i2, …, im, im+k?E, 有 P X nm+k im+k | X n1 i1, X n2 i2, …, X nm im P X nm+k im+k | X nm