[信息与通信]ch2ch3_信号分析基础.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 2.3 随机过程的一般表述 例：有n台性能完全相同，工作条件也完全相同的通信机。用n部记录仪同时记录各部通信机的输出噪声波形。测试结果如图所示： 定义：设随机试验E的可能结果为ξ(t) ，试验的样本空间S为{ x1(t), x2(t),…, xi(t) }，xi(t)为第i个样本函数，每次试验后， ξ(t) 取空间S中的某一样本函数，则称此ξ(t) 为随机函数。当t代表时间量时，称此ξ(t) 为随机过程。 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 2.4 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”。 2.5 平稳随机过程的相关函数与功率谱密度 1. 相关函数的性质 2. 频谱特性 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。 2.6 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。 2.7 随机过程通过线性系统 二、平稳随机过程通过线性系统 2.8 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 四、随机变量函数的均值与方差 设某随机变量X的概率密度函数为f(x)，若随机变量Y=g(X)，则 方差： Y的均值： 在任一时刻t1，统计噪声的取值是一个随机变量。 在任意一个时刻t1上， ξ(t1)是一个随机变量。 随机过程ξ(t) 的一维分布函数： F1(x1, t1) = P{ξ(t1) ≤ x1} 一维概率密度函数： n维分布函数： n维概率密度函数： Fn(x1,x2,…,xn；t1,t2,…,tn) = P{ξ(t1) ≤x1, ξ(t2) ≤x2,…, ξ(tn) ≤xn} 在时刻t上，随机过程ξ(t)的数学期望为： 每个时刻上的随机变量都有一个数学期望，因此数学期望也是一个时间函数。 x为ξ(t)中的随机变量 设ξ(t)的均值为a(t)，则其方差为： 3. 自相关函数 随机过程的自相关函数反映了随机过程中两个时刻上的随机变量相互之间的关联程度。 严格平稳随机过程的统计特性将不随时间的推移而不同。 严平稳的随机过程 令t2 = t1+τ (2) 自相关函数只与时间间隔τ有关： 广义平稳的随机过程 但是对于平稳随机过程来说，由于它在每一时刻的分布都服从相同的统计规律，因此它有一个非常有用的特点：它的任一实现，即我们观察到的任何一个样本函数，就好像经历了随机过程的所有可能的状态。 则： 表示了该随机过程在时刻t和t+τ上的随机变量之间的关联程度。 其中E[ξ(t) ]为随机过程的直流成份。 (3) (4) ——ξ(t)的直流功率 (5) ——ξ(t)的交流功率 (1) ——ξ(t) 的平均功率 (2) 对于平稳随机过程来说，其功率谱密度与其自相关函数是一对傅立叶变换对。 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。