随机信号分析课件第六章.pptVIP

随机过程 第六章：正态随机过程 第六章： 正态随机过程 6.1 随机变量特征函数的回顾 6.2 多维正态随机变量的定义与协方差矩 6.3 n 维正态随机变量的性质 6.4 正态随机过程的定义 6.5 正态随机过程的性质 若 为n维正态随机变量，则其混合中心距可以用其特征函数来表述： 6.4 正态随机过程的定义 如果对一个随机过程任意选取 n 个时刻，则得到 n 个相应的随机变量, 若此 n 个随机变量的联合分布是 n 维正态分布，则称随机过程 X(t) 是正态随机过程（高斯过程）。 正态随机过程定义： n维正态随机变量的联合密度函数为： 则称 为 n 维正态随机变量，其中C为n维实对称正定矩阵，也是协方差矩阵。记为： n维正态随机变量的特征函数为： 6.5 正态随机过程的性质 若正态随机过程为宽平稳，则必为严平稳。 二阶矩过程 宽平稳特点 X(t)的期望为常数，与时间无关 X(t)的相关函数只是时间差t的函数 若正态过程为宽平稳过程，则 mX(t)=a 为常数，RX(tk,ti)= RX(tk-ti). 任取n个抽样时刻 t1,t2,…tn，这n个时刻所对应的随机变量的协方差矩阵为C，其任意一元素 cki=RX(tk-ti)-a2=c(tk-ti)，则该n个正态变量对应的特征函数为： 证明： 若把 n 个时间抽样点作一个时间平移 h，即取抽样时刻为t1+h,t2+h,…tn+h，则平移后的对应的 n 个正态分布的随机变量的特征函数为： 如果对高斯过程X(t)在n个不同时刻采样，所得一组随机变量 X1,X2,…Xn 为两两互不相关，则这些随机变量也是相互独立的。 平稳正态随机过程与确定信号之和的概率分布仍为正态随机过程。 若正态随机过程X(t)在T上是均方可微的，则其导数 X’(t)也是正态过程。 若正态随机过程X(t)在T上是均方可积的，则其下列积分也是正态过程。 * * 如果对一个随机过程任意选取 n 个时刻，则得到 n 个相应的随机变量, 若此 n 个随机变量的联合分布是 n 维正态分布，则称随机过程 X(t) 是正态随机过程（高斯过程）。 正态随机过程定义： 随机变量的特征函数： 随机变量的概率密度函数和特征函数之间存在一一对应关系，这个关系就是 Fourier 变换对，因此在得知随机变量的特征函数后，就可以知道它的概率密度函数。 6.1 随机变量特征函数的回顾 设 为随机变量，称 的数学期望为随机变量 的特征函数。记为： 已知特征函数，求概率密度函数(Fourier反变换)： （1）特征函数的定义 连续型 离散型 解： 解答： 详细解答见教材P8例题1.2。 例题6-1： 结论： ① 具有 ② X 的特征函数为 ，则 Y=aX+b 的特征函数为： 证明： （2）特征函数的性质 证明：（归纳法证明） 当n=1时： ③ 证明省略。 ④ 即： 定义： 若 （3）多维随机变量的特征函数 特征函数： 多维随机变量的特征函数定义： 同一维随机变量一样，多维随机变量的特征函数与概率密度函数是一对fourier变换对： 特征函数： 概率密度函数： 若X1，X2 统计独立，则： 推广到n个： 证明： 若独立，则 多维随机变量的特征函数性质： 边际特征函数： 推广到n个： 证明： 已知 证明： 比较： 一维正态随机变量X的概率密度函数可以表示为： 记为 特征函数为: 6.2 多维正态随机变量的定义与协方差矩 （1）一维正态随机变量 若随机变量X1,X2的联合概率密度函数可以表示为： 则称X1,X2为二维正态随机变量。其中ρ为X1和X2的相关系数。对于上述二维随机变量，其边际概率密度函数可表示为： 因此其边际分布为一维正态分布 ： ， （2）二维正态随机变量 二维正态分布的协方差矩阵可表示为： 二维正态分布的协方差矩阵具有如下性质： 实对称矩阵； 正定矩阵 其逆矩阵可表示为 二维正态随机变量的联合概率密度也可表示为： 其中 二维正态随机变量的特征函数表示为： 其中： 二维正态随机变量的特征函数也表示为： 若n维随机变量的联合密度函数为： 则称 为 n 维正态随机变量，其中C为