第二章_现代信号处理方法.pptVIP

2.1 引言 随机变量：当随机变量的取值个数是有限个时，称它为离散随机变量,否则就称为连续随机变量。 随机信号或随机过程(random process)普遍存在。 任何确定性信号经过测量后往往就会引入随机性误差而使该信号随机化； 任何信号本身都存在随机干扰，通常把对信号或系统功能起干扰作用的随机信号称之为噪声。 随机信号中的任何一点上的值都是不能先验确定的随机变量。 抛硬币实验为例，每次抛掷结果有两种可能的状态。如果把正面朝上用x=+1表示，反面朝上用x=-1表示，连续地抛掷，可以得到一个由+1和-1组成的一个序列x(n) 。 对于一个随机信号，虽然我们不能确定它的每个时刻的值，但可以从统计平均的角度来认识它。 我们可以知道它在每个时刻可能取哪几种值和取各种值的概率是多少，以及各个时间点上取值的关联性。 因此，如果已经知道了它的概率分布，我们就认为对这个随机信号在统计意义上有了充分的了解。而随机过程的各种统计特征量分别从各个侧面间接反映了概率分布特性。 2.2 随机过程的基本概念 2.2 随机过程的基本概念 随机过程的两种基本表征 样本函数集合 随机变量集合 随机过程的数字特征 随机过程?(t)的数字特征 数学期望 方差 自相关函数 随机过程的数字特征 自相关函数描述同一随机过程的相关程度，与选择时刻t1和t2有关。如果t2t1并令t2=t1+?，有 即相关函数是时间起点t1以及时间间隔?的函数。 2.3 平稳随机过程 统计特性（相关函数等）具有平稳性的随机过程称为平稳随机过程。 观测平稳随机过程的相应统计特性时，不受观察时刻的影响。 严格平稳：全部统计特性平稳 广义平稳：部分统计特性平稳 均值平稳 自相关平稳 2.3 平稳随机过程 各态历经性（遍历性） 统计平均等于样本函数的时间平均 2.3 平稳随机过程 各态历经性（遍历性） 统计平均等于样本函数的时间平均 2.3 平稳随机过程 各态历经性（遍历性） 统计平均等于样本函数的时间平均 2.3 平稳随机过程 自相关函数主要性质：平稳随机过程?(t) 2.4 高斯过程 若随机变量?的概率密度函数可表示成 则称?为服从正态分布的随机变量。a及?2是两个常量（均值及方差）。 2.4 高斯过程 高斯随机过程的性质 (1)若高斯过程是广义平稳的,则它也是严平稳的; (2)若几个高斯过程中的随机变量之间互不相关,则这些高斯过程也互不相关; (3)若干个高斯过程之和的过程仍是高斯过程; (4)高斯过程经过线性变换后的过程仍是高斯过程。 2.4 高斯过程 概率密度函数图 2.4 高斯过程 概率密度函数图 2.4 高斯过程 标准正态分布 2.5 非平稳信号处理方法 一般来说,时频分析方法具有很强的能量聚集作用, 不需要知道信号频率随时间的确定关系,只要信噪比足够高, 通过时频分析方法就可在时间——频率平面上得到信号的时间频率关系。 时频分析主要用来寻找信号的特征。 时频分析方法主要采用一些特殊的变换来突出信号的特征点,在非平稳信号的处理中具有突出的优越性。 2.5 非平稳信号处理方法 从本质上讲，Fourier变换就是一个棱镜（Prism），它把一个信号函数分解为众多的频率成分，这些频率又可以重构原来的信号函数，这种变换是可逆的且保持能量不变。 一个信号的STFT定义如下: 其中h(t)是窗函数。沿时间轴移动分析窗，我们可以得到两维的时频平面。 优点：容易实现。STFT分析实质上是限制了时间窗长的Fourier分析。STFT只能选定一个固定的窗函数,且STFT 分析受限于不确定性原理, 较长的窗可以改善频域解但会使时域解变糟; 而较短的窗尽管能得到好的时域解, 频域解却会变得模糊。 波和小波（Wavelet） 1)、Haar小波 函数ψ(t)是小波函数，如果它满足 对小波函数的要求非常宽松，只要具有一定振荡性即某种频率特性即可。这就为小波函数的选择提供了十分广阔的空间。小波函数ψ（t）的平移和伸缩{2-j/2ψ（2-jt-k）|j,k€Z} 构成一组正交小波基。 小a 所谓“相关”，是用来表述两个信号(或一个信号不同时刻)之间的线性关系或相似程度,通过相关分析可发现信号中许多有规律的东西,它不但用于随机信号的分析中,也用在确定性信号的分析中。 对于确定性信号，两变量间的关系可用确定的函数关系来描述。 两个随机变量（不确定性信号）之间就不同。但如果这两个变量之间具有某种内涵的物理联系，那么，通过大量统计就能发现它们之间存在着