chap-随机过程.ppt

军用PKI体系结构及其关键技术 西安电子科技大学通信工程学院 第 1 章 二、 平稳正态随机过程 1 平稳正态随机过程的定义 若正态随机过程满足下列条件，则它是宽平稳（平稳）正态随机过程。 由平稳随机过程的三大条件（均值为常数，相关函数只与时间差有关，均方值有界）可知， 那么 为确定值，而方差＝ 必为常数，显然，方差为常数，则 理解 也为常数，物理意义是总平均功率等于交流平均功率与直流平均功率之和。 2 平稳正态过程的n维概率密度 平稳正态过程一、二维概率密度表达式 平稳正态过程n维概率密度表达式： 式中，R是相关系数rik构成的行列式，具有下列形式 Rik为行列式中元素rik的代表余子式。 3 平稳正态过程的n维特征函数 式中， 为随机变量Xk、Xi的协方差 特别：一维和二维特征函数 函数。 n维特征函数： 三 正态随机过程的性质 正态随机过程的n维概率密度完全由它的均值集合，协方差函数集合所确定。 性质1： 性质2： 正态过程的严平稳与宽平稳等价。 1）由正态随机过程的概率密度表达式可知，它的任意n维概率密度仅由均值,方差和相关系数唯一确定。如果正态随机过程X(t)宽平稳，则其均值和方差是常数，相关系数只与时间差有关，因此它的任意n维概率密度函数仅与时间起点无关，由严平稳定义得证。 2）由于正态过程的均方值总是有界的，因此严平稳正态过程一定是宽平稳的。 证明： 正态过程的不相关与相互独立等价。 性质3： 若X(t)在n个不同时刻采样得到一组随机变量X1, X2,…,Xn 证明： （1）如果Xn（n＝1,2,…）两两之间相互独立，则 （2）如果Xn（n＝1,2,…）两两之间互不相关，则 当 时。所以，两两互不相关。 即两两相互独立。 因此 所以 则 性质4：平稳正态过程与确定信号之和仍为正态分布。 设X(t)为平稳正态过程，S(t)为确定性信号，Y(t)=X(t)+s(t) 那么，对于任意时刻t，Y(t)=X(t)+s(t)为随机变量，这时，s(t)具有确定值，由随机变量函数的概率密度求法，Y(t)的一维概率密度函数为： 证明： 因为为正态分布，所以显然是正态分布。 同理，Y(t)的二维概率密度为： 正态分布。 同理，可证明合成信号的n维概率密度也是正态过程。 性质5： n维正态随机矢量序列的均方极限仍为n维正态随机矢量，即设 为n维实正态随机变量，又 ，即对于每个1,2,…,n均有 ，则X=（X1,X2,…Xn）为n维正态随机矢量。 若正态过程X(t) 在T上均方可微，则其导数X(t)也是正态过程。 性质6： 若正态过程 X(t) 在T上均方可积，则积分过程 性质7： 也是正态过程。 正态随机过程通过线性系统后的输出仍为正态过程。 性质8： 推论： 正态过程的线性变换仍为正态过程。 1.6 马尔可夫过程 1.6.1马尔可夫过程的概念 当已知随机过程在时刻 所处的状态的条件下，过程在时刻 所处的状态与过程在时刻 以前的状态无关，而仅与过程在 所处的状态有关，则称该过程为马尔可夫过程。这种特性称为随机过程的“无后效性”或马尔可夫性。 分为四类： 1 T和E都取连续集时，称为马尔可夫过程。 2 若T取连续集而E取离散集时，称为可列马尔可夫过程。 3 若T取离散集而E取连续集时，称为马尔可夫序列。 4 若T和E都取离散集时，称为马尔可夫链。状态可列的马尔可夫链称为可列马尔可夫链；状态有限的马尔可夫链称为有限马尔可夫链。 1.6.2马尔可夫序列 一、马尔可夫序列的定义 设 表示随机过程 在 为整数时刻的取样的随机序列，记为 （ 简记为 或 ），则可按以下方式定义马尔可夫序列。 定义33：若对于任意的n，有 则称此 为马尔可夫序列。这一概率密度函数称为转移概率密度函数。 可以推出 即联合概率密度函数可由转移概率密度和起始时刻的一维概率密度来确定。 二、马尔可夫序列的性质 (1) 一个马尔可夫序列的子序列仍为马尔可夫序列。 证：对于马尔可夫序列 设子序列 则有 所以子序列 也是马尔可夫序列。 （2）