第10章_平稳随机信号.ppt

第10章 平稳随机信号;目录; ;;随机信号： 人体生理信号（ECG, EEG, PCG, …)； 语音信号； 噪声信号； 各种经济指标（作物产量，GDP, 股票指数， 价格指数，…）； 各种自然现象： （河水流量，平均温度，单位面积承受到的风载，太阳黑子数，…）等等。;连续随机变量的概率密度函数（PDF）定义为： p(x) 具有如下性质： ① ② ③ 离散随机变量的概率分布 {pi}，其中 pi = P(X=xi)。对所有 i 有 pi ? 0 且;随机变量的数字特征： 数学期望（均值） 方差 原点矩 很显然， 中心距 很显然;N 个随机变量组成的向量称为随机向量： 随机向量 X 的均值是由其各个分量的均值所组成的均值向量： 随机向量 X 的方差是各个分量之间互相求方差所形成的矩阵： 其中 称为分量 Xi 和 Xj 之间的协方差。; 两个随机变量 X ?? Y，记其联合概率密度为 p(x, y)，边缘概率密度分别为 p(x) 和 p(y)，若有： 则称 X 和 Y是相互独立的。 如果随机变量 X 和 Y 的协方差为零，则称 X 和 Y是不相关的。很显然，两个独立的随机向量必然不相关： 反之则不然，即两个互不相关的随机变量不一定是相互独立的。但是对于正态分布，独立和不相关却是等效的。; 设有 n 台性能完全相同的接收机。在相同的工作环境和测试条件下记录各台接收机的输出噪声波形，测试结果表明，n 条曲线中找不到两个完全相同的波形。这就是说，接收机输出的噪声电压随时间的变化是不可预知的，因而它是一个随机过程。 随机过程：设有无穷多台性能相同的接收机，在同等条件下测出噪声信号波形为 x1(t), x2(t), …, xN(t),…。如果我们把记录接收机的输出噪声波形看做一个随机实验，那么每一次的记录就是该随机实验的一次实现，相应的记录结果 xi(t) 称为样本函数。上述样本函数的总体称为随机过程 X(t)，即随机信号。xi(t) 称为 X(t) 的一个实现或样本。; 对于特定的时刻，例如 t=t1，显然 x1(t1), x2(t1),…, xN(t1)是一个随机变量，它相当于在某一个固定的时刻记录到的无穷多台接收机的输出值。当 t=tj 时， x1(tj ), x2(tj ),…, xN(tj )也是一个随机变量，因此，一个随机信号 X(t) 是依赖于时间 t 的随机变量，我们可以用描述随机变量的方法来描述随机信号。 当 t 在时间轴上取值 t1, t2,…, tm 时，我们可以得到 m 个随机变量X(t1), X(t2), …, X(tm)，显然，描述这 m 个随机变量最全面的方法是利用其 m 维的概率分布函数（或概率密度函数） 当 m 趋于无穷时，上式完善地描述了随机信号X(t) 。; 对随机信号 X(t) 离散化，得离散随机信号X(n) 。对于 X(n) 的每一次实现，记为 x(n, i)，n 代表时间，i 代表实现的序号，即样本数。显然，X(n)的均值、方差、均方值等一阶二阶数字特征均是时间 n 的函数。 均值：随机过程 X(n) 在任意时刻的数学期望为 μX (n) 方差：随机过程 X(n) 在任意时刻的方差为 σX2 (n) 均方值： ;自相关函数：设 n1、n2 为任意两个时刻，相关函数定义为： 随机信号 X(n) 的自相关函数描述了信号在n1 和 n2这两个时刻的相互关系。 自协方差函数 ;如果 n1=n2=n，则有 对于两个以上的随机过程，可引入互相关函数和互协方差：;对任意的 k，如果随机信号 X(n) 的概率密度函数满足 则称 X(n) 是 N 阶平稳的。如果上式对 都成立，则称是 X(n) 严平稳，或狭义平稳的随机信号。 对于随机信号 X(n) ，若其均值为常数，即 方差为有限值且为常数，即 自相关函数 rX(n1,n2) 和 n1,n2 的选取起点无关，仅和 n1,n2 之差有关，即， 则称是宽平稳随机信号。;由宽平稳随机信号的定义，还可以得到均方值： 自协方差 两个宽平稳随机信号 X(n) 和 Y(n) 的互相关函数和互协方差函数可以表示为： ;例题：随机相位正弦序列 式中 A, f 均为常数，Φ 是一个在 0 ~ 2π 内均匀分布的随机变量。试求 X(n) 的均值及自相关函数，并判断其平稳性。 解答：由定义可知 X(n) 的均值及自相关函数分别为;例题：随机振幅正弦序列 式中 f 为常数，