第二章--随机过程.ppt

第二章 随机过程 2.0.1 信号的分类 2.0.2 确知信号的分析 2.0.3 随机变量的统计特征 2.1 随机过程的基本概念和统计特性 2.2 平稳随机过程 2.3 高斯随机过程 2.4 随机过程通过系统的分析 2.5 窄带高斯噪声 2.6 正弦波加窄带高斯噪声 2.0.1 信号的分类 信号的分类方法很多，可以从不同的角度对信号进行分类： 信号可以分为 确知信号与随机信号 周期信号与非周期信号 能量信号与功率信号 确知信号与随机信号 确知信号：能够以确定的时间函数表示的信号，它在定义域内任意时刻都有确定的函数值。 如电路中的正弦信号和各种形状周期信号等。 随机信号：在事件发生之前无法预知信号的取值，即写不出明确的数学表达式，通常只知道它取某一数值的概率。如半导体载流子随机运动所产生的噪声和从目标反射回来的雷达信号(其出现的时间与强度是随机的)等都是随机信号。 所有实际中的信号在一定程度上都是随机信号。 周期信号与非周期信号 周期信号：每隔一个固定的时间间隔重复变化的信号。 周期信号满足下列条件 2.0.2 确知信号的分析 对于确知信号的性质可以从频域和时域两方面进行分析。 频域分析主要包括傅里叶分析法。 时域分析主要包括卷积和相关函数。 ②指数形式的傅里叶级数 利用欧拉公式 可得的指数表达式 式中 2.0.3 随机变量的统计特征 随机变量 在概率论中，将每次实验的结果用一个变量来表示如果变量的取值是随机的，则称变量为随机变量。 例如，在一定时间内电话交换台收到的呼叫次数是一个随机变量。 当随机变量的取值个数是有限个时，则称它为离散随机变量；否则就称为连续随机变量。 随机变量的统计规律用概率分布函数或概率密度函数来描述。 随机变量的数字特征 概率分布函数和概率密度函数，能够较全面地描述随机变量的统计特性。 然而，在许多实际问题中，往往并不关心随机变量的概率分布，而只想了解随机变量的某些特征，例如随机变量的统计平均值，以及随机变量的取值相对于这个平均值的偏离程度等。 这些描述随机变量某些特征的数值就称为随机变量的数字特征。 2.1 随机过程的基本概念和统计特性 2.1.1 随机过程的基本概念 前面所讨论的随机变量是与试验结果有关的某一个随机取值的量。 例如，在给定的某一瞬间测量接收机输出端上的噪声，所测得的输出噪声的瞬时值就是一个随机变量。显然，如果连续不断地进行试验，那么在任一瞬间都有一个与之相应的随机变量，于是这时的试验结果就不仅是一个随机变量，而是一个在时间上不断变化的随机变量的集合。 1、数学期望(统计平均值，均值) 随机过程 的数学期望定义为 记为 。随机过程的数学期望是 时间t的函数，表示随机过程的n个样本函数 曲线的摆动中心。 功率谱密度的性质如下： 1、 （非负性） 2、 3、 （偶函数） 高斯过程的性质： 1、若高斯过程是宽平稳随机过程，则它也是严平稳随 机过程。也就是说，对于高斯过程来说，宽平稳和 严平稳是等价的。 2、若高斯过程中的随机变量之间是互不相关，统计独 立的。 3、高斯过程的线性组合仍是高斯过程。 4、高斯过程经过线性变换(或线性系统)后的过程仍是 高斯过程。 2）随机过程的功率谱密度 对于随机过程来说，求各样本函数功率谱密度的统计平均 是 的 确定函数 物理意义：功率谱密度表示单位频带内信号在单位 电阻上消耗的功率的统计平均值。 功率谱密度与自相关函数之间的关系 功率谱密度反应随机信号在频域内（频率角度）的统计特性。 自相关函数反映随机信号在时域内（时间角度）的统计特性。 两者均是描述同一对象（随机信号）的重要数字特征，两者之间必定存在一定的关系。 相关函数的典型曲线 ) 0 ( X R ) ( t X R 2 X s 2 X m t 0 要求均值为零 平稳过程在一定的条件下，自相关函数和功率谱密度构成傅立叶变换对(维纳－辛钦定理)。 这个定理要求不能应用于含有直流分量或周期分量的随机信号（功率谱密度是离散的），实际中含有直流分量和周期分量的随机过程很多。 条件: 平均功率有限 条件: 2. 3 高斯随机过程 定义：如果随机过程X(t)的任意n维概率分布都是正态分布， 则称它为