数学变换.ppt

离散随机信号的特征 是一个二阶中心混合矩，自相关函数与自协方差函数是衡量不同时刻随机变量之间相关性的量 互相关函数： 互协方差函数： 离散随机信号的特征 相关性与独立性： 两个随机变量x和y如它们的协方差为0，称x和y不相关： 对于平稳过程，知道相关函数，就可求出平稳过程随机过程的所有主要参数 3 平稳随机过程 平稳随机过程的定义 狭义平稳：指随机过程 的n维分布函数或n维概率密度函数与时间起点无关。即对于任意n和 ， 的n维概率密度函数满足 广义平稳：若随机过程能满足一维、二维平稳条件，即 判断是否为广义平稳的条件 若随机过程 的数学期望及方差与时间无关，而其自相关函数只与时间间隔 有关，即 遍历性平稳随机过程的定义 若一个平稳随机过程，其任何一个样本函数的时间平均等于其统计平均或集平均，即 判断是否为遍历平稳的条件 若满足下列条件，即 遍历性说明：只有平稳随机过程才可能具有各态历经性，随机噪声，一般均能满足遍历条件 3 平稳随机过程 3 平稳随机过程 平稳随机过程自相关函数的性质 平稳随机过程 ，其自相关函数具有下列性质 平均功率： 其物理含义：随机信号的总平均功率等于最大自相关值 ，它等于交流功率与直流功率之和 是偶函数： 的上界： 维纳—辛钦定理：平稳随机过程 的功率谱密度与其自相关函数是一对付里叶变换关系，即 当 =0时，有 ，它表示随机过程的平均功率 4 高斯（正态）随机过程 高斯随机过程 定义：任意n维分布都服从正态分布的随机过程 特点： 高斯过程若是广义平稳的，则也是狭义平稳的； 若高斯过程中的随机变量两两之间互不相关，则它们也是统计独立的； 若干个高斯过程之和组成的随机过程仍是高斯型； 高斯过程经过线性变换（或线性系统）后的过程仍是高斯型 图 高斯分布概率密度函数 (一维) 概率分布函数(一维) 4 高斯（正态）随机过程 高斯随机过程（此处考虑一维分布） 概率密度函数为： 分布函数为： 此积分不易计算，常引入误差函数来表述。误差函数的定义式为 随机信号的参数估计 1.最小方差估计(MV估计) 2.最大似然估计(ML估计) 3最小二乘估计(Ls估计) 4估计量的评价标准 5参数估计与极小化 1.最小方差估计(MV估计) 设 是根据观测值z对x的估计 其估计误差记为: 希望误差越小越好,即 密集在零点附近 二阶原点混合矩 达到最小 设 称为线性最小方差估计(最优线性估计) 2.最大似然估计(ML估计) 正态分布-密度函数 可以根据样本(测量值)估计出 3最小二乘估计(Ls估计) 重复观测值 熵 (Entropy) ?由热力学可导出熵的定义,为系统微观失序的量度.熵的定义基于克劳休斯不等式: ?对于不可逆过程,上式的不等号成立，对于內部(或全部)可逆过程，等号成立。因此，?Q/T 是內部可逆系统的性质，称为熵 (entropy) ： 內部可逆 热 传至系统增加系统的熵, 从系统移走热可減少系统的熵。 熵是什么? ?熵为分子失序程度 (或乱度) 的量度, 当系统变得更失序, 熵即增加。由统计热力学, 可证明熵与分子可能的微观状态总 p 有关, 即波茲曼关系式: S = kBlnp 其中 kB = 1.3806×10–23 J/K为波茲曼常数(Boltzmann constant)；  p 也称为热力学几率。 ?气体分子动能很大, 卻无法直接推动容器中的翼輪而产生功, 因为其能量是无组织的。 信息熵的概念 消息所含的信息与事件发生的可能性(概率)有关 事件发生的不确定性越大,其概率越小 设信息源发出的消息为 每个消息出现的概率为 信息量 满足: 信息熵的概念 对统计独立的消息 定义信息量为: 信息熵定义为: P是概率矢量,其分量为 信息熵的概念 熵函数具有下列性质: 1.对称性 2.确定性 3.非负性 4.扩展性 5.可加性 6.极值性 7.熵与随机变量的数学期望无关 * * * * * * * * 综上可得y(n)如下 0 1 2 3 4 5 y(n) n 1/2 3/2 3 5/2 3/2 n1,n5时y(n)=0 褶积 9、 褶积和的几种算法 第一节 褶积 褶积和的计算方法很多，且各有特点，应用时视具体条件而定。这里列举几种常见的计算方法。 （1）数字求和法 设x(k)=(x0, x1, x2, x3),y(k)=(