随机信号处理.docxVIP

经典文档 下载后可复制编辑 现代信号处理课程笔记整理 离散时间信号处理基础 1.1离散时间信号（在数字信号处理中，离散时间信号通常用序列来表示。记为{x(n)}，n为整型变量，x(n)表示序列中的第n个样本值。） 一、常用的离散时间信号：（1）单位脉冲序列： （2）单位阶跃系列： 两者之间的关系为： （3） 实指数序列： （5）正弦序列： 复指数序列： 序列的基本运算 卷积和： 1.2 离散时间系统 离散时间系统的分类： （1）线性系统：输入输出满足齐次性和叠加性。 （2）时不变系统：输入延时，与之对应的输出也延时。 （3）因果系统：某时刻的输出只取决于该时刻以及此时刻以前的输入。 （4）稳定系统：对于任意有界的输入信号，输出有界。 1.3 傅里叶变换 离散傅里叶变换：设信号下x(n)为长度是N的有限长序列，则该序列的DTFT为： 若DTFT为周期函数，在频域第一个周期均匀采样M个点：令N = M, 得离散傅立叶变换（DFT）： 1.4 z变换 1.5数字滤波器（是一个可以用常系数差分方程描述的离散系统） 差分方程： Z变换为： 该式子说明数字滤波器的特性取决于零极点的位置。例如，因果离散时间系统H(z)具有BIBO稳定性的充要条件是所有极点位于单位圆内，而系统H(z)的逆系统也稳定的充要条件是所有零点位于单位圆内，称因果并且零极点都位于单位圆的系统为最小相位系统。 1.5.3 格型滤波器 全零点滤波器的格型结构 （1）前向输出 fp(n) 的系统函数： （2）后向输出 bp(n) 的系统函数： 全极点滤波器的格型结构(IIR) 系统函数： 1.已知序列X（n）的z变换为： 求逆z变换 则由部分分式分解法，可得 由ROC的形式，可以判定想x（n）为一个右边序列和一个左边序列之和。 因此，X（z）的逆z变换为 (1) 一线性时不变系统,其输入输出满足如下差分方程: 求其频率响应。 两边同时傅里叶变换得： 因此频率响应： 频率响应为:写出表征该系统的差分方程。 相乘得： 反变换得差分方程： 第2章随机信号分析基础 2.1 随机变量 概率分布函数与概率密度函数之间的关系为： 概率分布函数和概率密度函数的性质如下： 2.1.2 随机变量的数字特征 2.2随机过程 自相关的定义：。 性质：（1）原点的值最大： （2）共轭对称性： （3）半正定性： 独立的随机过程：所有随机变量对全部k有相同的概率密度函数 结论 结论：(1)独立的随机过程一定不相关（2）若x(n)为平稳的零均值过程，则该过程正交。 两个不同的随机过程的互相关： 联合宽平稳随机过程的互相关: 联合随机过程的几种状态。 统计独立： 不相关：正交： 2.3几种典型的随机过程 2.3.1复正弦加噪声，表达式为： V(n)为高斯白噪声，其自相关序列为： 2.3.2实高斯过程，（1）宽平稳的过程必然也是严平稳的；（2）若两个时刻信号的取值是不相关的，则它们必然也是统计独立的；（3）一个高斯随机过程通过任意线性变换 (或通过任意线性系统)，其输出仍然是高斯过程；（4）高斯随机过程的高阶矩可以用一阶、二阶矩表示。 2.3.3 谐波过程 表达式： A，w为常数，是服从均匀分布且相互独立的随机变量，其概率密度为： 2.3.4 高斯马尔可夫过程 随机过程的“现在”（n时刻）和“过去”已知时，“将来”（n+1时刻）的取值只与“现在”的取值有关，而与“过去”的取值无关，或者说“将来”和“过去”的统计特性是无关的。如果一个随机信号是高斯过程同时又是马尔可夫过程，则称该信号为高斯－马尔可夫过程。 ;(12.4 随机信号通过线性系统 时域分析（稳定时不变线性系统） 冲击响应为h(n)则： 输出信号的自相关： 频域分析 平稳随机过程的功率谱密度定义为其自相关序列的离散傅里叶变换： 复功率密度为其自相关序列的Z变换： 其中 如果输入信号为零均值白噪声，方差为 2.5普分解定理 因果离散系统的零极点都位于单位圆内，则称此系统为最小相位系统。 平稳随机信号满足佩里维纳条件：。 若平稳随机信号x(n)如果是规则的，则它的复功率谱和功率谱密度然可以分解为： Q(z)是最小相位系统的系统函数 结论：规则的宽平稳（WSS）随机信号x(n)，总可以由白噪声w(n)通过传输函数Q(z)的最小相位系统获得。 新息滤波器Q(Z)和白化滤波器 ,则有： 其中w(n)称为x(n)的新息，Q(Z)称为信息滤波器；由x(n)通过输出白噪声，称为白化滤波器。 有理分式功率谱的分解： 2.6.3 参数估计理论 1.均值的估计 习题：1已知随机信号，为常数，是的均匀分布随机变量，讨论当A满足系列条件时，的广义平稳性。1.A为常数时；2.为时间常数； 1、当A为常数时， 其中，故此时是广义平稳的； 2. 其中，此