第5章 节 1-4 离散时间随机信号 数字信号处理 .pptVIP

第五章 离散时间随机信号;内容提要;5.1 概述;事实上，自然界中的信号通常都是随机信号。 例如，语音信号是随机信号。任何两个人讲出的同样一句话的波形是绝不可能完全相同的。即使让同一个人把同一句话讲两次，两次得到的语音信号也不可能完全相同。又例如，仪器记录下来的地震信号，接收机收到的通信信号、广播信号和电视信号，各种噪声和干扰信号，它们都是随机信号。 随机信号是无法预测也不可能准确地加以复现的。 随机信号不仅不可能用确定信号的表示方法来描述，而且它们通常都是无限时宽和无限能量的信号，因而它们的傅里叶变换和Z变换都是不存在的。 为了描述和研究这类信号，通常是采用随机过程作为这类信号的数学模型。具体来说，就是把每次测得的离散时间随机信号看成是相应的离散时间随机过程的每次实现所获得的取样序列，多次实现得到的许多取样序列的全体构成了离散时间随机过程的取样序列总集。;这个总集的特征也就是该离散时间随机过程的特征，这些特征是由一组概率分布函数或概率密度函数来描述的。这就是数学上的统计表示和分析方法。 随机过程是数学上表示无限能量信号时的一个基本概念。我们把随机过程当作无限能量的时域离散信号的数学模型来讨论时，假设已熟悉了概率论的一些基本概念，如随机变量、概率分布和平均等等。 下面用一个浅显的例子来进一步说明离散随机过程的物理意义。;经过许多次投掷后得到一个取样序列x(n)，叫做一次实现。显然，每次实现得到的取样序列都是随机产生的，这种随机性来源于每次投掷出现正面(或反面)的随机性。因此，可以把在某时刻n的投掷结果看成是随机变量xn取值的结果，而整个随机过程可以被看成是由各个时刻的随机变量构成的一个时间序列{xn}，-∞n+∞。对于上述的伯努利随机过程，其中的随机变量称为伯努利随机变量。这样，对离散随机信号的研究，也就可以归结为对相应的离散随机过程及其中的随机变量的研究。;5.2 随机变量的描述;3、概率分布函数的性质：;4、概率密度函数;例5.1 设投掷一枚硬币出现正面(记为1)的概率是p，出现反面(记为-1)的概率是1-p。求该??机变量(所谓伯努利随机变量)的概率分布函数和概率质量函数。;根据离散随机变量的概率质量函数定义可得：;例5.2 设一个连续随机变量x，它在[0，1]值域上取任何值的概率相等。求它的概率分布函数和概率密度函数。;概率分布函数或概率密度函数都能完全描述一个随机变量的特征，但它们通常都是较难计算的，因此人们常常需要引入另外一些能够描述随机变量特征的参数，这就是随机变量的数值特征参数，简称为数值特征。数值特征用于描述随机变量，虽然不如概率分布函数或概率密度函数那样精确和全面，但它们却具有易于计算的优点，而且它们能够揭示随机变量足够多的特性。;如果随机变量x是电压或电流，那么其均值就是该电压或电流的直流分量。;(2)随机变量的不同取值分布在它的均值附近。为了度量随机变量的取值相对于它的均值分散的程度，引入了方差的概念。随机变量x的方差用 表示并定义为;(4)随机变量的均值、方差、均方值的物理和数学意义;随机变量x相对于均值(一阶原点矩)m1的n阶矩，即;解：由均值定义得到;几种常见随机变量的均值及方差：;2、正态分布;5.3 离散随机过程;2、联合概率分布函数和联合概率密度函数;如果xn和xm是连续随机变量，那么它们之间的相互依从关系还可以用联合概率密度函数来描述，二维随机变量(xn，xm)的联合概率密度函数定义为;3、统计独立;4、狭义平稳随机过程;5、随机过程的数字特征;6、自相关序列;自相关序列是衡量随机过程在不同时刻上的随机变量之间相互依赖程度的一个量。就此意义而言，它描述了随机信号随时间变化的情况。对于两个不同的随机信号之间的相互依赖性，可以类似地定义一个互相关序列来衡量。随机过程{xn}与{yn}的互相关序列定义为;7、自协方差序列;8、狭义平稳随机过程的自相关序列、互相关序列、自协方差序列和互协方差序列;9、广义平稳随机过程;其中，X=(1，-1)，px(x)已在例5.1中求出，为;5.4 时间平均;均值、方差和均方值等便是由该取样值集合计算出来的统计平均量，用这些统计平均量来描述n时刻的随机变量xn；另一方面，为了描述离散随机过程中不同时刻的随机变量之间的联系，可以在另一时刻m，按照上述方法得到另一个取样值集合，然后计算这两个取样值集合对应元素之积的统计平均，便得到一个自相关值，用它来描述n和m时刻两随机变量之间的相互影响。显然，上述做法实际上是行不通的，因为不可能也不希望得到无限多个取样序列来描述随机过程。 能否用离散随机过程的一次实现所得到的一个取样序列来描述随机过程的特性呢?为了回答这个问题，现在来分析前面多次提到过的投掷硬币的例子。设硬币出现正面和反面的概率相等，各等于1／2。现在来做