教学部-通信原理-随机过程.pptVIP

随 机 过 程;随机过程的基本概念;随机过程的基本概念;随机过程的基本概念;随机过程的基本概念;一维分布函数：;数字特征;数学期望（均值）;数字特征;相关函数; 过程是慢变化， 过程是快变化，它们大致有相同的均值、方差，但是在不同时刻的取值，对于 来说，相关性强；对于 来说，相关性强弱 ;数字特征;数字特征;平稳随机过程 是指它的统计特性不随时间的推移而变化。;均值;设有一个二阶矩随机过程 ，它的均值为常数，自相关函数仅是τ的函数，则称它为宽平稳随机过程或广义平稳随机过程。;x(t)是平稳随机过程 的任意一个实现，它的 时间均值 和时间相关函数 分别为;各态历经性;各态历经性; “各态历经”的含义：随机过程中的任一实现都经历了随机过程的所有可能状态。因此， 我们无需（实际中也不可能）获得大量用来计算统计平均的样本函数，而只需从任意一个随机过程的样本函数中就可获得它的所有的数字特征，从而使“统计平均”化为“时间平均”，使实际测量和计算的问题大为简化。;设 为实平稳随机过程，则它的自相关函数;随机过程的频谱特性是用它的功率谱密度来表述的。对于任意的确定功率信号f(t)，它的功率谱密度为;功率信号f(t)及其截短函数;的平均功率S则可表示成;平稳随机过程的功率谱密度;确知的非周期功率信号的自相关函数与其谱密度是一对 傅氏变换关系。 对于平稳随机过程，也有类似的关系，即 ;R(0)表示随机过程的平均功率;[例] 某随机相位余弦波 ，其中A和 均为常数，θ是在(0, )内均匀分布的随机变量。 求 的自相关函数与功率谱密度. ;解： 先考察ξ(t)是否广义平稳 的数学期望为;高斯随机过程 ;高斯随机过程 ;由式可以看出, 高斯过程的n维分布完全由n个随机变量的数学期望、方差和两两之间的归一化协方差函数所决定。因此，对于高斯过程，只要研究它的数字特征就可以了。 如果高斯过程是广义平稳的，则它的均值、方差与时间无关，协方差函数只与时间间隔有关，而与时间起点无关，由性质1知，它的n维分布与时间起点无关。所以，广义平稳的高斯过程也是狭义平稳的。 高斯过程经过线性变换（或线性系统）后仍是高斯过程。; ;误差函数和互补误差函数;这种噪声被称为白噪声，它是一个理想的宽带随机过程。式中n0为一常数，单位是瓦/赫。显然，白噪声的自相关函数可借助于下式求得，即;白噪声的功率谱和自相关函数; 如果白噪声又是高斯分布的，我们就称之为高斯白噪声。 高斯白噪声在任意两个不同时刻上的取值之间，不仅是互不相关的，而且还是统计独立的。 应当指出，我们所定义的这种理想化的白噪声在实际中是不存在的。但是，如果噪声的功率谱均匀分布的频率范围远远大于通信系统的工作频带，我们就可以把它视为白噪声。 ;随机过程通过线性系统;若线性系统是物理可实现的，则;假定输入ξi(t)是平稳随机过程， 则可以分析系统的输出过程ξo(t)的统计特性。;可见, ξo(t)的自相关函数只依赖时间间隔τ而与时间起点t1无关。由以上输出过程的数学期望和自相关函数证明，若线性系统的输入过程是平稳的，那么输出过程也是平稳的。;3. 输出过程ξo(t)的功率谱密度;[例] 带限白噪声。试求功率谱密度为n0/2的白噪声通过理想矩形的低通滤波器后的功率谱密度、自相关函数和噪声平均功率。理想低通的传输特性为;带限白噪声的功率谱和自相关函数;带限白噪声;从原理上看，在已知输入过程分布的情况; 由于ξi(t)已假设是高斯型的，所以，在任一时刻的每项 都是一个高斯随机变量。因此，输出过程在任一时刻得到的每一随机变量，都是无限多个高斯随机变量之和。 由概率论得知，这个“和”的随机变量也是高斯随机变量。这就证明，高斯过程经过线性系统后其输出过程仍为高斯过程。 更一般地说，高斯过程经线性变换后的过程仍为高斯过程。但要注意，由于线性系统的介入，与输入高斯过程相比，输出过程的数字特征已经改变了。 ;窄带随机过程;窄带过程的频谱和波形示意; aξ(t)及φξ(t)分别是ξ(t)的随机包络和随机相位，ξc(t)及ξs(t)分别称为ξ(t)的同相分量和正交分量，它们也是随机过程，显然它们的变化相对于载波cosωct的变化要缓慢得多。 ;1 同相和正交分量的统计特性 设窄带过程ξ(t)是平稳高斯窄带过程， 且 均值为零，方差为 。 可以证明它的同相分量ξc(t)和正交