第1单元—随机信号.pptVIP

随机数字信号处理基础 1. 信号 信号 定义: 为一个或多个独立变量的方程 携带着有用信息 可分为两类广义信号 确定性信号 随机信号 复杂信号 时变信号 高维信号 简单/复杂方程 (确定性信号) 高斯/非高斯；线性/非线性模型（随机信号） 2. 数字信号处理的应用 DSP的两类广泛应用 信号分析 提取有用信息 谱估计，信号建模 分类，检测，预测，模式识别… 信号滤波 提高信号质量 数字滤波器，最优滤波器，自适应滤波器，阵列滤波器等 噪声消除，均衡，去卷积 … 3. 信号处理方法 取决于关于对信号本身的知识 取决于具体应用 4类主要方法 (1/4) 基于变换的方法 小波变换 傅利叶变换 分析: DFT – 频谱分析 (deterministic signals) 周期图– 功率谱分析 (random signals) 短时傅利叶变换，小波-多分辨率分析 (time-variant signals) 滤波: 数字滤波器 滤波器组 4类主要方法 (2/4) 基于模型的方法 信号产生过程的参数模型 分析: 线性预测 参数谱估计 滤波: 最优线性滤波器 维纳滤波器, 卡尔曼滤波器 自适应滤波器 4类主要方法 (3/4) 统计信号处理方法 信号统计模型 贝叶斯估计 分析: 参数估计 隐马尔科夫模型 滤波: MAP, ML, LS 4类主要方法 (4/4) 智能，机器学习方法 训练/学习 推论 分析: 数据挖掘 (支持向量机) 滤波: 人工神经网络 粒子滤波器 …… 现代DSP 确定性信号处理 技术分类 DSP的应用领域 按技术来分 分类 提取 预测 压缩 噪声消除 均衡 去卷积 恢复 … 按领域来分 语音/音频 图像/视频 通信 雷达/声纳 生物，医药 地球物理 地震数据 … 总结 方法分类 基于变换的方法（Fourier 变换） 统计方法 (Bayes准则) 基于模型的方法 (信号模型AR,MA,ARMA) 基于智能/机器学习的方法 (盲方法，对信号所知甚少) 更加复杂的问题： 非线性模型 非高斯分布 复杂方程 (多维, 时变) 1. 随机过程(信号)复习 随机信号 均值 自相关 自协方差函数 5.随机信号通过线性系统 输入和输出的互相关及输出的自相关序列为: 复功率谱关系 功率谱密度关系 若输入是白噪声，方差为 , 则 6.连续信号与离散信号功率谱的关系 1.2随机信号模型 有理传递函数模型 称做ARMA模型：自回归滑动平均模型 例：AR(1)分析. 一个极点对应左序列，一个极点对应右序列 反变换得 功率谱密度PSD： a．取a(1)=-0.8, 自相关序列和功率谱密度如图所示 * * 内容 信号 信号处理的应用 信号处理方法 应用领域 绪论 “线性噪声模型” – “非线性噪声模型” “时不变” – “时变” *“1维” – “多维” 随机/统计信号 处理 滤波基于分析 分析通过滤波 随机信号 统计过程理论 分析 滤波 分析 滤波 谱估计 信号建模 最优滤波 自适应 滤波 Beyesian statistical processing 非线性 滤波 Modern digital signal analysis and filtering 时间/尺度分析 主要问题： （1）对信号特性的了解 随机信号（随机过程，时间序列––随机过程的一个实现） 信号模型→参数估计→现代谱估计：参数化谱估计 讨论信号模型及模型参数的估计问题，比较参数谱估计方法和周期图方法的优劣。 （2）对统计意义下最优滤波器设计的研究 平稳条件下：Wiener滤波器理论 非平稳条件下：Kalman滤波 理论上的目标，实际算法可达到的最佳结果 （3）对环境的自适应，具备“学习能力”的滤波算法 自适应均衡、波束形成、线性自适应滤波器 （4）更多信息的利用，挖掘（针对非高斯问题） 线性系统、功率谱：二阶矩，高斯过程的完全刻划 非线性、多谱：高阶量，循环平稳 （5）对时间（空间）–––频率关系的适应性： 全局特性与局域特性，小波变换，时频分析 1 随机信号基础 被噪声干扰的初相位是随机值的正弦波 信号本质上均是 随机的，但将信号作 为随机信号处理，还 是做为确定信号处理， 与应用目标和先验知 识有关，一般地，总 是选择对应用有利的 处理方式 第一章 随机信号 概率密度函数 复数的共轭 联合概率