2. 随机信号分析_随机信号的时域分析.ppt

而Y(t)是随机过程，概率密度 可由 求 设： 由雅柯比变换公式可得： 再由边缘公式可得： 因为Y(t)n维分布与X(t)n维分布一样是高斯分布，Y(t) 也是高斯过程。所以平稳高斯过程与确定信号合成后的随机过程→仍是高斯过程。 * ÷ 相应与每个试验结果，积分都可得到一个数;但是，对应不同的，积分值也是不同的，故对所有的试验结果，Y是一个随机变量。 2.5.4 随机过程的积分 随机过程的积分若连续时间过程{ X(t),t∈T} 在区间[ a,b] ∈T上对所有样本函数存在Riemann积分 其中是在[a,b]上有限分割的任意子区间长度， 是子区间中任意处。 则称过程X(t)是“处处可积”的。 因此，我们定义均方意义上的积分。 均方积分的定义若二阶矩过程X(t)满足： 一般的随机过程，并不是所有的样本函数的积分都存在的。 则称过程X(t) 是均方可积的。 而随机变量为过程X(t) 在确定区间[a,b]上的“均方积分”。 2 . 均方可积的条件 积分的期望 二、随机过程积分的期望和自相关函数 可见：均方可积的过程，求积分与求期望可以交换次序。 2、积分的均方值 积分求期望→ ←期望求积分 4、积分的自相关函数 3、积分的方差 § 2.6 各态历经过程在随机过程的概率分布未知情况下，如要得到随机过程的数字特征如：E[X(t)]、 D[X(t)]、Rx(t1，t2 )… ，只有通过做大量重复的观察试验找到“所有样本函数{x(t)}”，找到各个样本函数x(t)发生的概率，再对过程的“所有样本函数{x(t)}”求统计平均才可能得到。这在实际应用中不易实现。因此，人们想到：能否从一个样本函数χ(t)中提取到整个过程统计特征的信息？19世纪俄国的数学家－辛钦，从理论上证明：存在一种平稳过程，在具备了一定的补充条件下，对它的任何一个样本函数χ(t)所做的时间平均，在概率意义上趋近于它的统计平均对于具有这样特性的随机过程称之为“各态历经过程”。可以理解为： “各态历经过程”的任一个样本函数χ(t)都经历了过程的各种可能状态，从它的一个样本函数x(t)中可以提取到整个过程统计特征的信息。因此，可以用它的一个样本函数χ(t)的“时间平均”来代替它的“统计平均”。目地 举例：在较长时间T内，观察一个已工作在稳定状态下的噪声二极管的输出电压。一条样本函数。其时间平均： 若 对 ??(t)采样，将T分成k等份，则时间平均近似于k个采样值?1，…?k进行的算术平均： 若在工作条件不变的情况下， 对同一个噪声二极管进行k次独立的重复试验，得到k条样本函数（T??时可以看成是从??(t)上一段段截取下来的） 此噪声电压的“时间平均” 以概率收敛于它的“统计平均”（期望） 只要T??、k??、则没有任何理由说：前一方法得到的比后一方法得到的来的大些？还是小些？ 从统计的意义上看： 又由于过程是平稳的，统计平均值是常数： 又称为“均值各态历经”。 其结果m是个确定的常数。符号 ·或表示求时间平均。但由于随机过程X(t)是随时间变化的随机变量， 对于每一次实验结果，都有一个与?对应的确定时间函 数，都有一个与?对应的时间平均m ? ，所以若对过程求时间平均，则： 2.7.1 各态历经过程的定义 一、时间平均 1）、时间均值：一般来说，若对一个确定的样本函数χ(t)求时间均值，则 2）时间自相关一般来说若对样本函数χ(t)求时间自相关，则其结果是个确定的时间函数。 其中对每一个试验结果，都有一个确定值与其对应，所以随机过程的时间均值一般是个随机变量。 二、严各态历经过程的定义若平稳过程X(t)满足： 则称X(t)是严各态历经过程或X(t)具有严各态历经性。 若对随机过程求时间自相关，则 由于对不同的试验结果而言，都有不同的时间函数与之对应，所以，随机过程的时间自相关函数一般是个随机过程。 宽各态历经的定义 对于一个平稳随机过程X(t) 1）如果“以概率1成立”，则称过程X(t)的均值具有各态历经性。 2）如果“以概率1成立”，则称过程X(t)的自相关函数具有各态历经性。 若上式成立，则有 “以概率1成立”，即过程的均方值也具有各态历经性。 3）如果过程X(t)的均值和自相关函数都具有各态历经性，则称X(t)为宽（或广义）各态历经过程。 2.7.2各态历经性在工程应用上的意义 据各态历经的定义， 必须指出，今后，我们凡提到“各态历经”一词时，除非特别指出，通常都是指的宽各态历经过程。 可得 一、在工程应用上，可以用各态历经过程的“任一个样本函数的时间平均”来代替“整个过程的统计平均”。 1、过程的“期望” →代表过程的“直流分量” 二、各态历经过程（一，二阶）矩所代表的物理意义 2、过程的“均方值” →代表过程的“总平