第2章信号检测与估计理论.pptVIP

2.4 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，但高斯噪声和白噪声是最常用 的数学模型。 ; 2.4.1 高斯噪声 1. 中心极限定理 N个统计独立随机变量 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，每个变量之间也不一定完全统计独立，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。 ; 3.高斯噪声的N维联合概率密度函数 式中; 2.5.2 白噪声和高斯白噪声 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 白噪声在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。; 高斯白噪声特性： 任意不同时刻的随机变量不仅互不相关，而且相互统计独立； 样本服从高斯分布，均值为零，方差为 。 2.5.3 有色噪声 功率谱密度不均匀分布的噪声，称为有色噪声。 ; 2.6 信号和随机参量信号及其统计描述 2.6.1 信号的分类 信号有多种分类方法，我们这里分为： 1. 确知信号 它是确定的时间函数。 举例：（1）常数 A （2） 式中，振幅 ，频率 ，相位 确知，或者 是时间的确定函数。 2. 参量信号 (1) 具有未知或随机参量的信号 举例：未知或随机参量 。 ; (2) 随机相位信号 式中，振幅 ，频率 是确知参量，但相位 是 随机参量。 (3) 随机振幅和随机相位信号 式中，频率 是确知参量，振幅 和相位 是 随机参量。 (4) 随机频率信号 式中，振幅 和相位 是确知参量，频率 是随 机参量。; 2.6.2 随机参量信号的统计描述 1. 随机参量 ，视特性有不同的概率密度函数。 2. 随机相位信号 随机相位信号是最常碰到的随机参量信号。其统计 特性通常用均匀分布模型来描述，即 其它 ; 随机相位的通用模型为 其它