[工学]随机信号分析基础.pptVIP

一、随机信号及其在时域的数字特征 7.1 随机信号及其在时域的数字特征 7.1.1 随机信号 （徐宗华） 7.1.2 连续随机信号的数字特征（章金红 张帆） 7.1.3 各态历连续随机信号的数字特征及其估计 （王运 王欢） 7.1.4 离散随机信号的数字特征（何文锦） 7.1.5 各态历经离散随机信号的数字特征估计 （何文锦） 7.1.1 随机信号 概念：在相同试验条件下，不能重复出现的信号，不能表现为一确定的时间函数，其函数值只能取某一数值的概率。 与确定性信号相比，有三个主要的特点 7.1.2 连续随机信号的数字特征 针对一个随机信号的某一时刻而言，称为一维的概率密度和一维概率分布函数，如果用多个时刻定义多个随机变量，则应用n维联合概率分布函数来描述。其分布函数和概率密度函数见7.6 ，7.7式。 7.1.3 各态历经随机信号的数字特征 1、各态历经随机信号数字特征的性质 7.1.4 离散随机信号的数字特征 从五个方面论述： 存在下列关系： 4.方差 对于一般随机序列，其方差是X（k）相对均值波动情况的度量，表示为 互相关系数表示为： 5.平稳离散随机序列的自相关系数和互相关系数 与平稳随机信号类似，为了反映在两个不同时刻，平稳随机序列本身或者两个不同随机序列之间信号幅值起伏变化的线性相关联程度，分别用自相关系数和互相关系数来表示。自相关系数表示为： 7.1.5 各态历经离散随机信号的数字特征估计 与连续随机信号类似，各态历经随机序列任一样本的数字特征，可以充分代表随机离散过程的总体数字特征。与各态历经随机信号情况相仿，一个样本序列的时间长度可能是相当长的，但实际一个样本实现的长度N总是有限的，只能得到均值 均方值 方差 概率密度函数和概率分布函数等在有限序列长度内的估计值。下面分别给出特征估计公式计算： 根据无偏估计的定义可以证明，均值的估计是无偏并且是一致估计。 (1) 均值的估计 设x(n)是一个被观测的实际样本，则其均值的估计为： 可以证明，方差估计是有偏估计，但却是渐近的无偏估计，即N很大时，趋向无偏估计。 (2) 方差的估计 若均值的估计已知，则方差的估计表示为： (3) 自相关函数的估计 按照自相关函数的定义，其估计应表示为： (4) 互相关函数的估计 按照互相函数的定义，其估计应表示为： 谢 谢 组长：何文锦 组员：徐宗华 章金红 张帆 王运 王欢 （2）互协方差函数 同理，两个随机序列X(k), Y(k)之间的互协方差函数为 对于两个平稳离散随机信号，互协方差函数只与取样时间间隔n=k2-k1有关，即可表示为 1、估计量的评价标准 a、一致性 b、有效性 c、无偏性 2、数字特征的估计 a、均值的估计 b、方差的估计 c、自相关函数的估计 d、互相关函数的估计 各态历经随机序列也是平稳序列，理论分析表明：当一平稳序列的自相关函数的理论值即使已经已经衰减到趋于零，用样本的自相关函数作为自相关函数估计的方差不小于1/N，而且不同估计之间是强相关。因此以样本的自相关函数作为自相关函数的估计结果不十分准确，只适用与要求不高的场合。 * * 随机信号 连续随机信号的数字特征 各态历经随机信号的数字特征 各态历经离散随机信号的数字特征估计 离散随机信号的数字特征 各态历经随机信号的数字特征 随机信号的任何一个实现，都只是随机信号整体的一个样本 在任何一时间上随机信号的取值都是一个随机变量，随机信号是随机变量的时间过程。 平稳随机信号在时间上是无始无终的，其能量是无限的的，傅里叶变换并不存在，因此平稳随机信号不能用通常的频谱来表示。 通常我们采用时域和频谱上的四种统计函数来描述其基本特点 概率密度函数和概率分布函数 随机信号在时域的数字特征 自相关函数与自协方差函数 数学期望 均方差 方差 自相关函数 自协方差函数 自相关函数 自相关函数和互协方差函数 1.数字密度函数和概率分布函数 先从随机变量入手。一幅值为X的随机变量X（t），表示其瞬时值落在x值附近极小的 范围内的平均概率，简称概率密度。若对某一个随机变量X(t)进行观察，T为观察时间 为T时间内X（t）落在 区间内的总时间，则其幅值落在 区间内的平均概率可以用 反映。当T趋向于无穷时，平均概率的极限即为X(t)落在x值的概率，表示为7.1式。 而随机变量X（t）的概率密度定义为7.2式，它反映了信号幅值落在某一极小范围