（全新）数字信号处理第四章.pptVIP

* 第四章 离散随机信号处理 离散时域信号和系统有时域和频域两种表示，之前的分析和讨论都是以假定信号为确定性为基础的。所谓确定性是指序列在每一点上的值都可以由数学表达式，数据链表或某种法则确定，也就是说信号的过去、当前和未来的值都是确知的。对于确定性信号，我们可以用Z变换或者傅里叶变换来表示。 然而在实际工程问题中，我们遇到的离散时间信号或数据往往是无法用确定的数学解析式或数据链表来表示的，有可能描述这种信号的参变量是随机变量，我们将这类信号称为随机信号。 例如信号： ，如果其中的参变量除了时间变量t以外， 都是常数，那么该信号有确定的变换规律，每一时刻的值都可以唯一确定，即为确定性信号；如果其中的参变量除了时间t变量以外， 有一个为随机变量时，该信号的波形都是不确定的，是随机信号，它的每一次实现都是一个随机样本。 因此，不同于确定性信号，我们用统计方法来描述随机信号，即它的特征由一组概率密度函数来刻画。对于随机信号，其Z变换和傅里叶变换显然都是不存在的，然而在随机信号广义平稳的条件下，我们却可以利用自相关序列和自协方差序列来描述随机信号的性质，这两个序列都是确定性的，且自协方差序列的Z变换和傅里叶变换通常是存在的，其傅里叶变换可以解释为信号功率的频域分布。这种解释使得离散随机信号可以在频域进行分析和处理，而且离散随机信号通过线性系统以后的输出也可以用自协方差序列来描述。 信号的分类如图4-5（书上144页） 信号分为确定性信号和随机信号两大类。 平稳随机信号的统计特性不随时间的平移而变化 广义平稳随机信号是指均值和相关函数都不随时间的平移而变化的信号 各态历经信号是宽平稳信号的一种，它的所以样本函数是某一固定时刻的统计特性和单一样本函数在无限长时间内的统计特性相同。 平稳随机信号的数字特征 各态历经随机信号的数字特征 1、数学期望 2、均方值 3、方差 4、自相关序列 5、自协方差序列 6、互相关、互协方差序列 1、数学期望 2、均方值 3、方差 4、自相关序列 5、自协方差序列 6、互相关、互协方差序列 在本章中，我们将学习离散随机信号的频谱，离散线性系统对随机信号的响应和FIR最优滤波和线性预测等内容，即课本的2－4节。 在这些内容的讨论过程中，会涉及到概率论和随机过程的一些知识。由于随机信号的理论非常高深、抽象，严格讨论需要较高的数学水平，因此我们主要目的是收集和解释有关随机过程的一些具体结果和结论，这些结果和结论无论在本课程的学习还是具体的工程实践中都非常有用。 离散随机信号的频谱(功率谱) 假设平稳离散随机过程 是实序列，则其自相关序列 和自协方差序列 定义为： 其中 性质： 1、 均方值； 方差 2、 ， ，为偶函数 4、对于大多数随机过程，他们各个随机变量如果在时间上间隔越远，之间的相关性就越弱，当时间间隔趋于无穷远时，随机变量之间就趋于独立，即 对于平稳随机信号x(n)，如果 ， 则 ，且 ， 即 ， 是绝对可和的 所以当 时， 存在傅里叶变换和Z变换， 即有 ，功率谱密度函数 或叫功率密度谱函数 即此时 与 为一傅里叶变换对 1． ，为信号的平均功率 2． ，即功率谱非负 且 ， 为实偶函数 例1：白噪声 ，其 例2：带限白噪声 ，其 ， 例3：正弦离散随机信号 ， 其中 ， 为常数， 为在 区间内均匀分布的随机变 量即 ， ，则 均值 自相关函数 功率谱密度 四、修正 若 ，则定义 即 则有 可见修正后的随机序列的自相关同原随机序列自相关之间只差一常数 有均值随机信号的功率谱密度和去均值后的随机信号功率谱密度，除在w=0处差 之外，在其它w之处的功率谱密度是一样的。 线性系统 对随机信号的响应 在第一章，我们讨论了输入为确定离散时间信号时，线性非时变系