[工学]ch3_随机过程.ppt

二、随机变量的数字特征 1.数学期望E(X) （均值） 2. 方差D(X) 三、一类重要的随机变量——正态随机变量 一、随机过程的概率分布 1. 一维分布函数及概率密度 2. n维分布函数及概率密度 二、随机过程的数字特征 1. 数学期望（均值） 2. 方差 3.3 平稳随机过程 指随机过程的任何n维分布函数或概率密度函数与时间起点无关。即，对于任意的正整数n和任意实数t1, t2, …, tn, τ ，随机过程ξ(t)的n维概率密度函数满足： (1) 数学期望是一个常数。 平稳随机过程的各态历经性 处在随机过程的每一个时刻点上的随机变量，只有通过多次试验以后，才有可能一一取得它的各个样本值。因此，对于一个随机过程来说，我们必须做无数次的试验，得到尽可能多的样本函数，才能详细地描述它的统计规律。 因此平稳随机过程的数字特征，完全可由随机过程中的任一实现的数字特征来决定：随机过程的数学期望（统计平均值），可以由任一实现的时间平均值来代替；随机过程的自相关函数，也可以由“时间平均”来代替“统计平均”。 平稳随机过程的自相关函数与功率谱密度 1. 自相关函数的性质 2. 功率谱密度的特性 例：设随机过程ξ(t) = cos(2πt +θ) 。式中，θ是在区间(0, 2π )上均匀分布的随机变量。试求： 数学期望a； 方差σ2； 自相关函数R(τ)； 功率谱密度P(ω)； 总平均功率S。 3.4 高斯过程 在任一给定时刻上，高斯过程的随机变量是高斯随机变量。其概率密度函数为： 二、性质 高斯过程的n维分布只依赖于各个随机变量的均值、方差和归一化协方差。对于高斯过程，只要研究它的数字特征就可以了。 3.5 平稳随机过程通过线性系统 二、平稳随机过程通过线性系统 3.6 窄带随机过程 若随机过程ξ(t)的谱密度集中在中心频率fc附近相对窄的频带范围Δf内，即满足Δffc条件，且fc远离零频率，则称该ξ(t)为窄带随机过程。 作 业 一、定义 如果随机过程ξ(t)的任意n维分布均服从正态分布，则称该随机过程为正态随机过程或高斯过程。 其分布函数为： x≥μ时： x≤μ时： x≥μ时 x≤μ时 通信信道中的噪声通常是一种高斯过程，又称为高斯噪声。用误差函数来表示噪声的分布，以便研究通信系统的抗噪声性能。 定义误差函数和补误差函数： 广义平稳的高斯过程也是严平稳的。 如果高斯过程在不同时刻的取值是不相关的，那么它们也是统计独立的。 高斯过程经过线性系统后，输出也是高斯过程。 随机过程通过线性系统的分析，是建立在信号通过线性系统的分析原理之上的。 一、信号通过线性系统 从频域的角度分析，设信号f(t)的频谱为F(jω)，线性系统的频率响应特性为H(jω)，则系统的输出为Y(jω)=F(jω)H(jω)。 从时域的角度分析，信号f(t)通过某个线性系统，该系统的冲激响应为h(t)，则输出信号为y(t)=f(t)*h(t)。 考察平稳随机过程通过某线性系统后，其数字特征发生了什么变化？ 设平稳随机过程为ξi(t)，其数学期望为常数μi，则通过频率响应函数为H(jω)的线性系统后，输出也是一个平稳随机过程，记为ξo(t)。 1. ξo(t)的数学期望： 2. ξo(t)的自相关函数： 经证明可得， ξo(t)的自相关函数也仅与时间间隔τ有关－－即输出也是一个平稳随机过程。 3. ξo(t)的功率谱密度： 由上述结论可知，对于一个高斯型的随机过程，它通过线性系统后，输出仍然是一个高斯型的随机过程。这个结论非常有用，因为在通信系统中碰到的噪声都是高斯型的。 一个典型的窄带随机过程的频谱密度和波形如图示： 可见，其波形可看作一个包络和相位随机缓慢变化的正弦波。 －随机包络 －随机相位 ωc －正弦波的中心角频率 －同相分量 －正交分量 假设ξ(t)是一个均值为0，方差为σξ2的平稳高斯窄带过程： 一、ξc(t)和ξs(t)的统计特性 ξc(t)和ξs(t)也是平稳高斯过程； E[ξc(t)] = E[ξs(t)] = E[ξ(t)]；　 σc2 = σs2 = σξ2； 在同一时刻上， ξc(t)和ξs(t)是互不相关的。 平均功率 二、aξ(t)和φξ(t)的统计特性 aξ ≥ 0 aξ服从瑞利分布。 0≤ φξ ≤ 2π φξ服从均匀分布。 aξ(t)与φξ(t)的一维分布统计独立。 3.7 高斯白噪声和带限白噪声 一、白噪声 功率谱密度在整个频域内都是均匀分布的噪声称为白噪声。 (-∞ f +∞) －－双边功率谱 (0 f +∞) －－单边功率谱 n0为常数，单位W/Hz。 傅氏逆变换 Pn(f) 0 f R(τ) 0 τ 其自相关函数：