第5章1-4 离散时间随机信号.pptVIP

第五章 离散时间随机信号 内容提要 5.1 概述 * * Discrete-time Stochastic Signal 确定信号——能够用数学表达式、数据表格或图形等形式唯一和准确地表示出来。 随机信号——各个取样值不确定，也不能预知，也不能用数学公式、数据表格或图形等形式准确地加以表示，但是它们有可能取哪些值、以多大的概率取每个值却是能够知道的，因而能够用统计分析方法来描述和研究。 本章内容： 主要讨论离散时间随机信号的表示方法、特性、数字特征及其估计。 离散随机信号通过线性移不变系统时所产生的响应。 离散时间信号可以分成两大类，即离散时间确定信号和离散时间随机信号。 前一类信号总能够用数学公式、数据表格或函数图形等形式唯一和准确地表示出来，因而也总能够按照一定的规则精确地产生出来。例如，前几章中讨论过的单位取样序列、单位阶跃序列、指数序列、正弦序列、滤波器的单位冲激响应序列等都是离散时间确定序列。 但在实际应用中，最常遇到的是后一类信号。例如，不断地投掷一枚硬币所产生的由1和-1两种数字组成的序列(设出现正面记为1，出现反面记为-1)；在等间隔时间内投掷一粒骰子所得到的由1到6六个整数构成的序列。这两种序列都是离散随机信号，不可能用确定信号的描述方法来加以描述，而只能用概率或统计的方法描述。 事实上，自然界中的信号通常都是随机信号。 例如，语音信号是随机信号。任何两个人讲出的同样一句话的波形是绝不可能完全相同的。即使让同一个人把同一句话讲两次，两次得到的语音信号也不可能完全相同。又例如，仪器记录下来的地震信号，接收机收到的通信信号、广播信号和电视信号，各种噪声和干扰信号，它们都是随机信号。 随机信号是无法预测也不可能准确地加以复现的。 随机信号不仅不可能用确定信号的表示方法来描述，而且它们通常都是无限时宽和无限能量的信号，因而它们的傅里叶变换和Z变换都是不存在的。 为了描述和研究这类信号，通常是采用随机过程作为这类信号的数学模型。具体来说，就是把每次测得的离散时间随机信号看成是相应的离散时间随机过程的每次实现所获得的取样序列，多次实现得到的许多取样序列的全体构成了离散时间随机过程的取样序列总集。 这个总集的特征也就是该离散时间随机过程的特征，这些特征是由一组概率分布函数或概率密度函数来描述的。这就是数学上的统计表示和分析方法。 随机过程是数学上表示无限能量信号时的一个基本概念。我们把随机过程当作无限能量的时域离散信号的数学模型来讨论时，假设已熟悉了概率论的一些基本概念，如随机变量、概率分布和平均等等。 下面用一个浅显的例子来进一步说明离散随机过程的物理意义。 伯努利(Bernoulli)过程： 假定我们用下述方法产生一个数列：在给定的时刻n投掷一个硬币，如果出现正面，则序列在时刻n的值x(n)=1；如果出现反面，x(n)=-1。下图示出了用这种方法产生的一个可能的序列。 如果我们假定在所有的时刻上都进行上述投掷过程，即 -∞n +∞，则得到一个无限时宽序列。如果我们试图用前几章的方法表示这个序列，就会碰到两个根本困难。 第一个困难很明显，这个序列是无限能量的，它的z变换和傅里叶变换都不存在。 第二个困难从人们投掷硬币实验的切身经历都可体会到，除非把投掷的结果即取样值集合列表表示，否则是不可能精确刻划这个序列的，但是由于已假设它是无限时宽的，也就是说取样值是无限多的，所以列表也是不可能的。此外，即使给出了序列的大量过去的取样值，仍没有任何把握确定出序列的下一个取样值。由于有这种不确定性，致使我们一般采用概率和平均来刻划这种序列。 这种情况下，我们假定任何时刻上出现正面的概率都是P，根据概率论的基本公理，出现反面的概率必然是1-P。因此，序列的第n个值可以解释为随机变量xn(或投掷硬币实验结果的函数)的一个具体值。特别是，各个序列值都可以视为向投掷硬币实验结果赋值的结果。就是说，对于事件“出现正面”赋值为1，类似地对于事件“出现反面”赋值为-1。因为投掷硬币实验全体可能结果集合由这两个互斥事件组成，所以随机变量xn只能取两个值，即x(n)=+1和x(n)=-1。我们还对每一个事件赋以一个数，来规定该事件出现的概率。本例中出现正面的概率为P，因而x(n)=+1的概率为P。与此类似，出现反面的概率是1-P，所以x(n)=-1的概率是1-P。 最后假设，每次投掷结果与其它任何次投掷结果是互不影响的。这样的离散随机过程称为伯努利(Bernoulli)随机过程。 经过许多次投掷后得到一个取样序列x(n)，叫做一次实现。显然，每次实现得到的取样序列都是随机产生的，这种随机性来源于每次投掷出现正面(或反面)的随机性。因此，可以把在某时刻n的投掷结果看成是随机变量xn取值的结果，而整个随机过程可以被看成是由各个时刻的随机变量构成的一个