第二章 信号与噪声.pptVIP

第二章：信号与噪声;2.1信号的分类;2.1.1确知信号与随机信号;2.1.2周期信号与非周期信号; 设能量信号为时间的实函数，通常把能量信号的归一化能量（简称能量）定义为由电压加于单位电阻上所消耗的能量，即为;2.2确知信号的分析;2、指数形式的傅里叶级数; （a）非周期信号 （b）构造的周期信号 图2-1 非周期信号; 信号的傅里叶变换具有一些重要的特性，灵活运用这些特性可较快地求出许多复杂信号的频谱密度函数，或从谱密度函数中求出原信号，因此掌握这些特性是非常有益的。其中较为重要且经常用到的一些性质和傅里叶变换对见附录二。 下面讨论周期信号的傅里叶变换。; 由以上两式可见，互相关函数反映了一个信号与另一个延迟τ秒后的信号间相关的程度。需要注意的是，互相关函数和两个信号的前后次序有关，即有; 则整个频率范???内信号的总功率与功率谱之间的关系可表示为 可以证明：功率信号 的自相关函数和功率谱密度是一对傅里叶变换，即;2.3 随机变量的统计特征 ;2.3.1 随机变量; （2.3-1）;可见，概率密度函数是分布函数的导数。从图形上看，概率密度就是分布函数曲线的斜率。 概率密度函数有如下性质： （1） （2） （3）;对于离散随机变量，其概率密度函数为 ;均匀分布的概率密度函数的曲线如图2-2所示。 图2-2 均匀分布的概率密度函数 ; 图2-3 高斯分布的概率密度函数 高斯分布是一种重要而又常见的分布，并具有一些有用的特性。在后面我们将专门进行讨论。; 图2-4 瑞利分布 后面我们将介绍的窄带高斯噪声的包络就是服从瑞利分布。;2.3.4随机变量的数字特征;除了原点矩外，还定义相对于均值a的n阶矩为n阶中心矩，即 显然，随机变量的二阶中心矩就是它的方差，即 ;2.4随机过程的一般表述; 我们定义随时间变化的无数个随机变量的集合为随机过程。随机过程的基本特征是：它是时间t的函数，但在任一确定时刻上的取值是不确定的，是一个随机变量；或者，可将它看成是一个事件的全部可能实现构成的总体，其中每个实现都是一个确定的时间函数，而随机性就体现在出现哪一个实现是不确定的。通信过程中的随机信号和噪声均可归纳为依赖于时间t的随机过程。 ; 图2-5 随机过程波形;二、随机过程的数字特征 分布函数或概率密度函数虽然能够较全面地描述随机过程的统计特性, 但在实际工作中，有时不易或不需求出分布函数和概率密度函数，而用随机过程的数字特征来描述随机过程的统计特性，更简单直观。 1、数学期望（统计平均值） 随机过程 的数学期望定义为 并记为 。随机过程的数学期望是时间的函数。; 2、 （2.5-6） 3、 （2.5-7） 4、 （2.5-8） 5、 （2.5-9） 由上述性质可知，用自相关函数几乎可以表述的主要特征，因而上述性质有明显的实用价值。;二、平稳随机过程的功率谱密度 随机过程的频谱特性是用它的功率谱密度来表述的。 由式（2.2-31）可知，对于任意的确定功率信号f(t)其功率谱密度为 （2.5-10） 式中， 是f(t)的???短函数 的频谱函数。f(t)和 的波形如图2-6所示。; 图2-6 功率信号及其截短函数;下面结合自相关函数的性质，归纳功率谱的性质如下： 1、 （非负性） 2、 3、 （偶函数）;2.6.2高斯过程的性质; 图2-7 一维概率密度函数; 图2-8 白噪声的双边带功率谱密度和自相关函数; 如果白噪声又是高斯分布的，我们就称之为高斯白噪声。由式（2.6-22）可以看出，高斯白噪声在任意两个不同时刻上的取值之间，不仅是互不相关的，而且还是统计独立的。应当指出，我们所定义的这种理想化的白噪声在实际中是不存在的。但是，如果噪声的功率谱均匀分布的频率范围远远大于通信系统的工作频带，我们就可以把它视为白噪声。