第一篇 章 时域离散随机信号的分析 数字信号处理-时域离散随机信号处理 .ppt

第一章 时域离散随机信号的分析 ;1.1 引 言 ;　　实际中的随机信号常有四种形式：  　（1） 连续随机信号： 时间变量和幅度均取连续值的随机信号。 　（2） 时域离散随机信号(简称随机序列)： 时间变量取离散值， 而幅度取连续值的随机信号。  　（3） 幅度离散随机信号：幅度取离散值，而时间变量取连续值的随机信号。 例如随机脉冲信号， 其取值只有两个电平，不是高电平就是低电平，但高低电平的选取却是随机的。  　（4） 离散随机序列(也称为随机数字信号)： 幅度和时间变量均取离散值的信号。  ;　　利用计算机只能处理随机数字信号。本书中针对时域离散随机信号展开分析与讨论。 对于随机数字信号，需要增加量化效应的分析, 但随着计算机位数的不断增多, 量化效应逐渐不明显；为简单起见， 本书中有时也将这种信号简称为随机序列。 　;　　随机信号X(t)是由它所有可能的样本函数集合而成的, 样本函数用xi(t), i=1, 2, 3,…表示。 例如, 图1.1.1表示的是n部接收机的输出噪声电压, 图中xn(t)表示第n部接收机的输出噪声, 称为第n条样本曲线。如果对随机信号X(t)进行等间隔采样，或者说将X(t) 进行时域离散化, 得到X(t1), X(t2), X(t3), …, 所构成的集合称为时域离散随机信号。用序号n取代tn，随机序列用X(n)表示。换句话说, 随机序列是随n变化的随机变量序列。图1.1.2表示的就是图1.1.1随机信号经过时域离散化形成的随机序列。相应的xi(n),i=1, 2, 3, …， 称为样本序列， 它们是n的确定性函数。 样本序列也可以用xn表示。而X(t1), X(t2), X(t3) ，… 或者X(1), X(2), X(3)，… 则都是随机变量。因此随机序列兼有随机变量和函数的特点。 这里要注意, X(n) 与xi(n)分别表示不同的含义(n, i=1, 2, 3, …)， 大写字母表示随机序列或者随机变量， 小写字母表示样本序列。但在本书以后的章节中, 为简单起见，也用小写字母x(n)或xn表示随机序列, 只要概念清楚, 会分清楚何时代表随机序列, 何时代表样本函数。 ;1.2 时域离散随机信号的统计描述 ;　　2. 概率密度函数 　　如果Xn取连续值，其概率密度函数用下式描述： ;二维概率分布函数: ;对于连续随机变量, 其N维概率密度函数为 ;1.2.2 随机序??的数字特征 　　1. 数学期望(统计平均值) 　　随机序列的数学期望定义为 ;　　2. 均方值与方差 随机序列均方值定义为 ;　　一般均方值和方差都是n的函数, 但对于平稳随机序列, 它们与n无关, 是常数。如果随机变量Xn代表电压或电流，其均方值表示在n时刻消耗在1 Ω电阻上的集合平均功率，方差则表示消耗在1Ω电阻上的交变功率的集合平均。有时将σx称为标准方差。 ;　　3. 随机序列的相关函数和协方差函数 　我们知道, 在随机序列不同时刻的状态之间，存在着关联性， 或者说不同时刻的状态之间互相有影响，包括随机序列本身或者不同随机序列之间。 这一特性常用自相关函数和互相关函数进行描述。  　自相关函数定义为 ;自协方差函数定义为 ;　　对于两个不同的随机序列之间的关联性， 我们用互相关函数和互协方差函数描述。  　 互相关函数的定义为 ;1.2.3 平稳随机序列及其数字特征 在信息处理与传输中，经常遇到一类称为平稳随机序列的重要信号。所谓平稳随机序列，是指它的N维概率分布函数或N维概率密度函数与时间n的起始位置无关。换句话说，平稳随机序列的统计特性不随时间的平移而发生变化。如果将随机序列在时间上平移k，其统计特性满足下式： ;这类随机序列就称为平稳随机序列。 经常将上面这类随机序列称为狭义(严)平稳随机序列，这一严平稳的条件在实际情况下很难满足。许多随机序列不是平稳随机序列，但是它们的均值和均方差却不随时间而改变，其相关函数仅是时间差的函数。一般将这一类随机序列称为广义(宽)平稳随机序列。 下面我们重点分析研究这类平稳随机序列。 为简单起见，将广义平稳随机序列简称为平稳随机序列。 ; 平稳随机序列的一维概率密度函数与时间无关，因此均值、 方差和均方值均与时间无关，它们可分别用下式表示： ;对于两个各自平稳且联合平稳的随机序列, 其互相关函数为 ;实平稳随机序列的相关函数、 协方差函数具有以下重要性质：  （1） 自相关函数和自协方差函数是m 的偶函数, 用下式表示: ;（3） ;1.2.4 平稳随机序列的功率密度谱 　我们知道, 平稳随机序列是非周期函数，且是能量无限信号， 无法直接利用傅里叶变换进行分析。但自相关函数也是