[第二章信号检测与估计理论3.pptVIP

2.5 线性系统对随机过程的响应 设线性时不变系统的系统函数为 、脉冲响应为 ，其输入为 ，响应为 ，如图2.11所示。 根据线性时不变系统的特性，有 问题： 若 是平稳随机过程， 是否平稳？ 输出 的统计平均量：均值、自相关函数、功率谱密度等与输入 统计平均量及系统特性之间的关系？ 2.5.1 响应的平稳性 响应 的均值为 即响应 的均值与时刻无关。式中， 是系统的直 流增益。 响应 的自相关函数 即 的自相关函数 仅与时间间隔 有关。 结论：若输入 是平稳随机过程，则响应 也是 平稳随机过程。 2.5.2 响应的统计平均量 （1）均值 (2)自相关函数 令 ，则有 式中 这样 (3)功率谱密度 其它统计平均量 2.6 高斯噪声、白噪声和有色噪声 随机信号 或 的统计特性很大程度上决定于噪声 的统计特性。 的数学模型很多，时域高斯噪声和频域的白噪声是最常用的数学模型。 2.6.1 高斯噪声(时域) 1. 中心极限定理 N个相互统计独立随机变量 之和 的概率密度函数，在 的极限条件下，趋于高斯分布，而不管每个变量 的具体分布如何。 实际上，只要N足够大，每个变量间也不一定完全统计独立，但不存在占支配地位的若干个分量，其和就接近高斯分布。 噪声 是由大量随机干扰合成的，因此，其概率密度函数认为服从高斯分布通常是合理的。 b. N维联合概率密度函数 式中 c 不相关性与统计独立性关系的证明 有了2.6.2式，就比较容易证明2.3节中关于随机变量之间互不相关性与相互统计独立性关系的结论III。 也就是要得出：如果N个高斯随机变量之间互不相关的，则它们也是相互统计独立的。 高斯噪声的N维联合概率密度函数从时域上描述了高斯噪声过程的统计特性。 2.6.2 白噪声和高斯白噪声(频域) 高斯噪声从时域采样分布服从高斯分布来描述噪声的 统计特性。 现从频域的功率谱密度 来描述噪声的统计特性。 1. 白噪声 若 则称 是白噪声。它是均值为零的平稳随机过程。 白噪声的特性： 可见，白噪声 ，频域的功率谱密度 是均匀 分布的；时域的自相关函数 是 函数。这说明 白噪声任意不同时刻的采样是不相关的。 2. 白噪声模型是理想模型 由于 ，所以白噪声的能量无限，并不存在。讨论的意义：实际系统是窄带系统，只要 的功率谱密度 在系统带宽附近是均匀的，就可作为白噪声来处理；白噪声模型对问题的分析和处理带来很大方便。 3. 高斯白噪声 若零均值平稳噪声 ，其时域采样服从高斯分布，频域的功率谱密度均匀分布，则称其为高斯白噪声。 4 高斯白噪声特性： 任意不同时刻采样不仅互不相关，而且相互统计独立；样本服从高斯分布，均值为零，方差为 。 2.6.3 有色噪声 功率谱密度不均匀分布的噪声，称为有色噪声。 有色噪声的功率谱密度通常用高斯谱模型，因为高 斯谱的均值即为谱中心频率，而方差反映噪声的谱宽度。 2.6.4 电噪声的基础知识 1 噪声及其统计特征 噪声与干扰。限制信号检测系统灵敏度等性