高斯(Gauss)过程.docVIP

第六章 高斯（Gauss）过程 多元正态（Gauss）分布 1．元正态分布的定义 定义：设是元随机向量，其均值为，其中，令： 则可得的协方差矩阵为：，注意矩阵为一非负定对称矩阵，我们有如下的定义： 如果是一正定矩阵，则元随机向量服从正态分布时的概率分布密度为： 其特征函数为： (A) 元随机向量服从正态分布记为：。 如果不是一正定矩阵，则由（A）可以定义一特征函数，由此特征函数对应的分布函数我们定义为元正态分布，仍记为。 2．元正态分布的边缘分布 定理：设为服从元正态分布的随机向量，即，则的任意一个子向量仍服从正态分布。 3．元正态分布的独立性 定理：元正态分布的随机变量相互独立的充分必要条件是它们两两不相关。 定理：设为正态分布的随机向量，且 其中：分别是的协方差矩阵，是由及的相应分量的协方差构成的矩阵，，则与相互独立的充分必要条件是。 4．正态随机变量线性变换后的性质 （1）设，，，，则有，。 （2）令，，则有： （3）的充分必要条件是： （4）若，为任意的矩阵，则有： 为服从元正态分布，即。 （5）若，则存在一正交矩阵，使得是一独立正态分布的随机向量，它的均值为，方差为矩阵的特征值。 5．例子 设为服从正态分布的随机向量，且，试证明： 证明：见教材P466。 注意：此结论非常重要，经常会被应用。 设是服从均值为零的正态分布二维随机变量，其联合概率密度为： 则 其中：。 证明：由联合分布可以求得边缘分布和条件分布为： 由此可得： 因此，我们有： 另外 令： 则有： 令： 则有： 因此有： 其中：。 高斯过程 定义：如果随机过程的有限维分布均为正态分布，则称此随机过程为高斯过程或正态过程。正态过程是二阶矩过程。 设，则由正态过程的定义，有： 其中： 如果为实的宽平稳过程，则为常数，，因此可得有限维分布的特征函数为： 由此，实平稳正态过程也是实严平稳过程。关于正态过程我们有以下的结论。 定理：设为维实正态随机向量序列，其中，且均方收敛于，即 则也是正态分布的随机向量。 定理：若正态过程在上是均方可导的，则也是正态过程。 定理：若正态过程在上是均方可积的，则 及 也是正态过程。 正态马氏过程 定义：若正态过程又是马尔可夫过程，则称为正态马尔可夫（马氏）过程。 先考虑维均值为零的正态随机向量的条件分布，设为维正态分布，其分布密度为： 其中：为正定对称矩阵。 考虑在条件下的条件分布密度： 利用式子： 我们有： 其中是归一化常数，与无关。由此可知，在给定条件下的条件分布密度是一正态分布的概率分布密度，其均值为，于是有： （B） （C） 若为一均值为零的实正态过程，记： 则有以下的定理。 定理：设为一均值为零的实正态过程，则它是马氏过程的充要条件为：对于任意的，有： 定理：设为一均值为零的实正态过程，则它是马氏过程的充要条件为：对于任意的，有： 证明：充分性：设为马氏过程，任取，则由（B）有： （D） 考虑的联合分布，其分布密度为： 其中： 由（D）有： 即： 由马尔可夫性，有： 由上式，我们有： 由此得到了。 必要性：由，可得，对于任意的，有： 即有： 因而对于任意的，有： 这就意味正态随机变量与相互独立，故有： 即有： 必要性得证。 对于平稳随机正态序列及平稳正态随机过程的情形，我们有： 定理：设为正态分布、平稳的随机序列，且，则是马氏链的充分必要条件是： 其中：为的协方差函数。 定理：设为一均方连续、平稳的实正态过程，为其协方差函数，则该过程是马氏过程的充分必要条件为： 窄带平稳实高斯过程 一维包络分布和一维相位分布 由前面关于窄带平稳信号的表示法，我们有： 及 其中：,为的Hilbert变换。 若为一窄带平稳的实正态过程，则由以上两组表达式可知，均为正态过程，且是联合正态过程（为什么？）。 例：设有线性系统，它的冲激响应为，输入为实平稳正态过程。设其输出为，试证明、为联合正态随机过程。 证明：由线性系统输入、输出的关系： 可知为实正态随机过程。 令： 其中是一任意实函数。则为一正态分布随机变量。 定义实函数： 则有： 由于、、为任意的实函数，而为一正态分布随机变量，因此、为联合正态随机过程。 下面研究窄带平稳实高斯过程的一维包络分布和一维相位分布： 设的相关函数为，方差为，则的均值为零，方差为： 由于，因此相互独立。它们的联合分布密度为： 由的表达式，我们有： 其中： 此变换的雅克比行列式为： 当时，有： 故： 即服从瑞利分布。 且有： 因此，在同一时刻，包络与相位是