随机过程（第二版）第7章非平稳.pptx

第7章 非平稳随机过程7.1 随机过程的高阶统计量的定义和性质7.2 非平稳过程的 Wigner-Ville时频谱分析7.3 循环平稳过程7.4 二阶循环平稳过程的循环相关函数与循环谱 7.5 高阶循环平稳过程的循环累积量与循环谱习题七　　在实际应用中，人们常常假设信号或噪声是宽平稳过程，从而仅利用了过程的二阶统计量信息。但是，平稳过程只是随机过程的一种类型，而在实际工作中，我们常常面临大量非平稳过程。对非平稳过程来说，二阶统计量只含其中一部分信息，它不包含相位信息。高阶统计量便是解决非平稳过程的主要手段。高阶统计量给我们提供了前所未有的十分丰富的信息。　非平稳过程很难有统一而完整的分析方法，常要根据问题的具体特性再确定具体的分析方法。本章只能简单介绍近年来正在引起研究者注意的随机过程的高阶统计量及其高阶谱，非平稳随机过程的 Wigner-Ville 谱分析和高阶循环平稳过程的循环统计量及其循环谱的概念和有关性质。7.1 随机过程的高阶统计量的定义和性质　平稳过程的自相关函数和功率谱密度只含有信号的二阶统计量中所包含的信息。因此，自相关函数和功率谱密度足以完全地统计描述具有已知均值的平稳正态过程。但由于平稳过程的自相关函数和功率谱密度不包含该平稳过程的相位信息，而在实际应用中往往需要提取信号的相位信息。随机过程的高于二阶的统计量及其 Fourier 变换———高阶谱则含有过程的相位信息和由于偏离高斯性的有关信息。　　　　所谓高阶统计量，通常应理解为高阶矩、高阶累积量以及它们的谱———高阶矩谱和高阶累积量谱这四种主要统计量。一般来说 ，在信号处理等中利用高阶统计量和高阶谱具有以下三个方面的原因:　　(1 )在检测、参数估计和信号重建问题中抑制未知谱特性的高斯噪声(双谱还能抑制具有对称概率密度函数的非高斯噪声);　(2 )重建信号或系统的相位与振幅响应;　(3 )识别非线性系统或检测与刻画时间序列的非线性性。　其中第一个原因的根据是只有正态过程的所有阶数大于 2 的高阶累积量恒为 0 。若接收到的是伴有加性正态噪声的非正态信号，则在高阶累积量域中处理便可去掉噪声。可见，在类似这样的信号处理应用中，在观测数据的高阶谱域中进行检测与估计信号参数，便有某些优势。特别地，高阶谱域可以变为高信噪比(SNR )域，因此在高阶谱域可以进行检测、参数估计，甚至于整个信号的重建。　　第二个原因是因为高阶谱保持了信号的真实相位特性。由于二阶统计量一般是由最小二乘优化准则得到的，故对于信号处理问题中的时间序列数据的处理几乎毫无例外地使用了二阶统计量。然而，自相关域中相位信息受到抑制，在自相关域(或功率谱域)中进行准确的相位重建仅对最小相位信号才能实现。另一方面，由于多谱既保持了正确的振幅信息，也保持了正确的非最小相位信息，因此可在高阶谱域内进行非最小相位信号的重建或系统识别。　　最后，高阶谱对于我们识别在随机输入工作下系统的非线性性是非常有用的，高阶谱在利用输出数据来检测和刻画系统的非线性性中起着至关重要的作用。　本节简要介绍复随机过程的高阶统计量的定义及性质。7.1.1 矩与累积量　设 X = { X (t )， t ∈ T }为一复随机过程，由于其每个随机变量都有共轭和非共轭两种选择，因此其 k 阶矩和其 k 阶累积量有 2k种形式。为使之具有一般性，我们定义分别为 X 的 k 阶矩和 k 阶累积量，其中而ΦεX ( ω 1 ， ω 2 ，…， ω k ) = E { exp [ j ( ω 1 X( ε 0 ) (t ) + ω 2 X( ε 1 ) (t + τ 1 ) + … + ω k X( ε k -1 ) (t + τ k -1 )]}为 k 维随机向量( X (ε 0 ) (t )， X( ε 1 ) (t + τ 1 )，…， X( ε k -1 ) (t + τ k -1 ))的特征函数(也称为矩生成函数)，其对数 ln ΦεX ( ω 1 ， ω 2 ，…， ω k )通常称为 k 维随机向量( X( ε 0 ) (t )， X( ε 1 ) (t + τ 1 )，…，X( ε k -1 ) (t + τ k -1 )的第二特征函数(或累积量生成函数)。　高阶累积量和高阶矩之间可以互相转换，这就是如下著名的累积量—矩( C－M )公式和矩—累积量( M－C )公式，它们对累积量的估计、计算及应用有着重要的意义:　累积量—矩(C－M )公式:　矩—累积量( M－C )公式:式中 I = { 0 ， 1 ，…， k -1 }，{I 1 ， I 2 ，…， I q }为 I 的一种分割( Partition )，求和符号　　　　示对 I 所有可能的分割求和。　利用( M－C )公式知，复严平稳过程 X ( t )的一、二、三和四阶