信号处理与系统分析-第12章.pptVIP

第十二章 随机信号处理初步 本章介绍随机信号处理的一些基本概念，并且借助Matlab，给出了一些谱估计的方法。 在许多信号处理的场合，信号是确定性的，例如电力系统里面的正弦波，而在更多的场合，系统并不知道要处理的信号的确定信息，比如我们在收听新闻广播的时候，并不知道播音员下一分钟将说些什么，因此用确定性函数来描述这样一个信息是不合适的。 如果信号的值是确定值，那么信号称为确定性信号； 如果信号的值是随机变量，那么信号称为随机信号。 随机信号的处理涉及很多的理论和方法，本章只对随机信号进行一些基本的分析和讨论。为了分析方便起见，只讨论离散时间随机信号。 12.1 随机过程 我们用随机过程(Random Process)来描述随机信号。 如果随机变量的取值被量化了，也就是说，的取值离散地分布在有限个数值等级上，例如：我们在计算机里面用一个字节（unsigned char）来存储一个数值，则在256个数值等级上取值。 如果一个随机过程的所有概率函数与时间原点的选择无关，则称之为严平稳随机过程或者狭义平稳随机过程，这种随机过程的概率函数有以下特征： 12.2 随机过程的统计特征 在很多情况下，单用概率函数来描述随机变量和随机过程并不合适。用随机变量和随机过程的一些统计特征来描述或者刻画它们，可能会更加合适。 随机变量的函数仍然是随机变量，其均值为： 统计独立只是上式的充分条件，不是必要条件，我们把满足上的两个随机变量和称为是线性独立(linearly independent)的。统计独立的随机变量一定线性独立，线性独立的随机变量不一定统计独立。 随机变量的方差（variance）定义为 ： 在很多情况下，并不需要分析随机过程的概率函数，而只要了解它的统计特征就够了，因此我们引入广义平稳过程的概念。 如果一个随机过程满足(12.29)和(12.31)式，且均方值有界，则称为广义平稳随机过程(generalized stationary random process)或者宽平稳随机过程。因为有了“均方值有界”这么个条件，严平稳随机过程不一定是宽平稳随机过程。 12.3 统计特征的频域表示 我们先研究一下随机过程的统计特征的一些性质。 12.4 随机信号激励LTI系统 下面我们研究一个平稳随机信号 通过一个线性时不变系统的情况，显然系统的输出也是一个随机信号 。 对于随机信号的任意一个样本信号 ， 我们有： 从频域来看。如果单位冲激响应为实的 。 我们讨论另外一种系统辨识方法，即给系统加白噪声激励的办法。 白噪声(white noise或者flat noise)是一种特殊的平稳随机过程，以下性质构成其定义： 12.5谱估计(Spectrum Estimation) 在很多信号处理的实际应用中，我们都需要估计随机信号的功率谱密度。 这一小节，我们介绍几种谱估计的方法。 下面我们看一个系统辨识的例子，x[n]是一个40000点的白噪声，通过一个线性时不变系统，输出为y[n]，函数csd用于估计互功率谱密度 。 如果 和 是两个实的平稳随机过程，则有： 上面两式说明，如果均值为0，相关序列和协方差序列相等。 我们将自协方差序列 称为功率谱密度（Power Spectral Density简称PSD）： 的离散时间傅里叶变换， 我们将互协方差序列 称为互功率谱密度（Cross Spectral Density简称CSD）： 的离散时间傅里叶变换， 输出 单位冲激响应 下面我们来看看随机信号 在各时间点的 均值和自相关序列。 与时间无关 频率响应 这个两重级数的结果只与m有关 一个广义平稳随机信号通过线性时不变系统，其输出仍然是广义 平稳随机信号。 也就是说，输出信号的自相关序列与时间无关。 线性时不变系统 广义平稳随机信号 广义平稳随机信号 被称为确定性信号 的自相关序列。 输入的自相关序列与单位冲激响应的自相关序列的卷积就等 于输出的自相关序列。 两边取 傅里叶变换 下面我们看看输入信号与输出信号的互相关， 两边取傅里叶变换， 在很多情况下，我们得到的关于一个LTI系统的信息不足以让我 们了解该系统的全部特征。确定一个未知系统的特征的过程称 为系统辨识(System Identification)。 LTI系统的系统辨识方法之一就是，给系统加上特殊的激励信号 并观测其输出，以确定系统的特性。 白 噪 声 均值为0 自相关序列是一个冲激 白噪声的功率谱密度: 用白噪声做为线性时不变系