数字信号处理第10章 平稳随机信号.ppt

10.1 引言 10.2 随机过程的基本概念 10.3 平稳随机过程 10.4 高斯过程 10.5 窄带随机过程 10.6 正弦波加窄带高斯过程 10.7 随机过程通过线性系统 3.1 引言 随机信号 如果信号的某个或某几个参数不能预知或不能完全预知，这种信号就称为随机信号。 随机噪声 通信系统中不能预测的噪声就称为随机噪声，简称噪声。 随机噪声和随机信号统称为随机过程 随机变量 在概率论中，将每次实验的结果用一个变量来表示，如果变量的取值是随机的，则称变量为随机变量。例如，在一定时间内电话交换台收到的呼叫次数是一个随机变量。 当随机变量的取值个数是有限个时，则称它为离散随机变量。否则就称为连续随机变量。 概率分布函数F(x) 定义随机变量X的概率分布函数F(x)是X取小于或等于 某个数值x的概率P(X≤x)，即 F(x)=P(X ≤x) 上述定义中，随机变量X可以是连续随机变量，也可以 是离散随机变量。 对于离散随机变量，其分布函数可表示为 式中 ，是随机变量X取值为xi的概率。 概率密度函数f(x) 概率密度函数是分布函数的导数。从图形上看，概率密度就是分布函数曲线的斜率。 概率密度函数有如下性质： （1） （2） （3） 随机变量的数字特征 前面讨论的分布函数和概率密度函数，能够较全面地描述随机变量的统计特性。然而，在许多实际问题中，我们往往并不关心随机变量的概率分布，而只想了解随机变量的某些特征，例如随机变量的统计平均值，以及随机变量的取值相对于这个平均值的偏离程度等。这些描述随机变量某些特征的数值就称为随机变量的数字特征。 数字期望 数字期望（简称均值）是用来描述随机变量X的统计平均值，它反映随机变量取值的集中位置。 对于离散随机变量X，设 是其取值xi 的概率，则其数字期望定义为 对于连续随机变量X，其数学期望定义为 式中，f(x)为随机变量X的概率密度。 数学期望的性质如下： （1）若C为一常数，则常数的数学期望等于常数，即E(C)=C； （2）若有两个随机变量X和Y，它们的数学期望E(X)和E(Y)存在，则E(X+Y)=E(X)+E(Y)。 若随即变量X1,X2,…,Xn的数学期望都存在，则 E(X1+X2+…+Xn)也存在，且有 E(X1+X2+…+Xn)＝E(X1)+E(X2)+…+E(Xn) （3）若随机变量X和Y相互独立，且E(X)和E(Y)存在，则E(XY)也存在，且有 E(XY)=E(X)E(Y) 方差 方差反映随机变量的取值偏离均值的程度。方差定义为随机变量X与其数学期望E(X)之差的平方的数学 期望，即 D[X]=E[X-E(X)]2 对于离散随机变量，上式方差的定义可表示为 式中，Pi是随机变量X取值为xi 的概率。 对于连续随机变量，方差的定义可表示为 另外，还可以表示为 方差的性质如下： （1）常数的方差等于0，即D[X]=0； （2）设D[X]存在，C为常数，则 D[X+C]=D[X] D(CX)=C2D(X)； （3）设D[X]和D[Y]都存在，且X和Y相互独立，则D[X+Y]=D[X]+D[Y]。 对于多个独立的随机变量X1,X2,…,Xn，不难证明有D(X1+X2+…+Xn)＝D(X1)+D(X2)+…+D(Xn) 10.2 随机过程的基本概念 随机过程的两种基本表征 样本函数集合 随机变量集合 随机过程的统计特征 随机过程的概率密度函数 一阶概率分布与密度函数 二阶概率分布与密度函数 随机过程?(t)的数字特征 数学期望 方差 自相关函数 自协方差 自相关函数和自协方差函数描述同一随机过程的相关程度，与选择时刻t1和t2有关。如果t2t1并令t2=t1+?，有 即相关函数是时间起点t1以及时间间隔?的函数 互相关函数和互协方差函数描述不同随机过程的相关程度 10.3 平稳随机过程 统计特性（概率密度函数，相关函数等）具有平稳性的随机信号称为平稳随机过程 观测平稳随机过程的相应统计特性时，不受观察时刻的影响 严格平稳：全部统计特性平稳 广义平稳：部分统计特性平稳 均值平稳 自相关平稳 各态历经性（遍历性） 统计平均等于样本函数的时间平均 均值各态历经性：统计均值等于时间均值 时间均值：设x(t)为?(t)的一个样本函数 相关函数各态历经:统计相关函数等于样本的时间相关函数