信号检测和估计的基本理论.ppt

* * 自相关函数计算电路，输入信号为x(t)=s(t)+n(t)，其中s(t)为被测信号；n(t)为观察噪声。自相关输出就是自相关函数，即 观察噪声n(t)为白噪声，则只要延时? ?0，则一定有Rn(?)=0. 实际上很难有理想白噪声，此时Rn(?)为一种衰减的曲线，见图1-7。此时要做到Rn(?)足够小，则?必有一定值。令Rn(?)的相关时间?e定义为 * 显然，白噪声的Rn(?)=0（当? ?0），即即?e=0 。?e越大，表示Rn(?)越大，即表示该噪声不同时刻的相关性越大。因此，要充分减小Rn(?)，则须要求延迟电路的? ?e。 * 限带白噪声 限带白噪声是指白噪声经滤波器输出的噪声，因此其噪声功率谱密度占据一定带宽。图1-8（a）为低频限带白噪声，其带宽为B。根据维纳-辛钦定理，则限带白噪声的自相关函数为 Rn(0)= N0B为限带白噪声功率。 * B越大，则?e越小，当B?∞时，即为白噪声情况，故?e=0 * 窄带噪声 窄带噪声是指噪声通过带通滤波器输出。带通滤波器的带宽??远小于中心频率?0，输出窄带噪声，可以认为通带内为白噪声。 * 图1-9(b)为窄带噪声的自相关函数，其相关时间?e=1/2B。由图可见，窄带噪声的自相关函数可以看成由慢变化部分a(?)=N0Bsin?B?/?B?及快变化部分cos?0?组成，即可表示为 窄带噪声从波形来看也有一定特点，这是因为窄带噪声为噪声经窄带带通滤波器输出，所以可以看成很多频率接近?0的正弦波合成，相当是一种随机调幅调频波，如图1-10所示。它可以表示为 式中A(t)及?(t)分别表示随机振幅及随机相位。通常信号检测系统中经窄带滤波器后往往要经检波或鉴频才能提取需要的信息，例如，收音机中就是如此。因此，随机振幅A(t)及随机相位?(t)的统计特征也是很重要的，因为它们直接决定了检波器或鉴频器输出噪声。 * * （1）nc(t)及ns(t)的统计特征 对nc(t)求一阶导数，考虑到nc(t)及ns(t)为慢变化部分，忽略 只要n(t)为高斯噪声，则nc(t)及ns(t)也是高斯噪声 * nc(t)及ns(t)为互不相关的零均值高斯噪声，而且具有相同的自相关函数。 可以根据nc(t)，ns(t)的概率分布，求出A(t)及?(t)的概率分布。为此，先写出nc及ns的二维概率分布。nc及ns为互相独立的高斯分布，且其均值为零，方差 ? 2=a(0)=N0B，故 * 二维概率密度转换公式为 * 随机振幅服从瑞利分布，随机相位服从均匀分布。瑞利分布是随机过程中一种十分重要的概率分布形式。均值（数学期望）及方差分别为： * Illustrative Clock Data ns * Computer Generated Time Series with Power-Law Spectral Densities Source: Dave Allan * 2.8.2窄带高斯噪声的统计特性 * 图2.14窄带高斯噪声包络的PDF曲线(σ2n=1) * 2.9信号加窄带高斯噪声及其统计特性 2.9.1信号加窄带噪声的描述 * 2.9.2信号加窄带高斯噪声的统计特性 * * 图2.15信号加窄带高斯噪声包络的PDF曲线(σ2n=1) * 图2.16信号加窄带高斯噪声相位的PDF曲线(σ2n=1) * 第2章 主要内容小节 2.2 随机变量、随机矢量及其统计描述 随机变量、随机矢量的完整数学描述是其概率密度函数 、 ；概率密度函数的主要特性。 随机变量、随机矢量函数的概率密度函数，由一维、 N 维雅可比变换求得。 随机变量函数的均值 2.3 随机过程及其统计描述 随机过程的完整数学描述是任意N 1和任意时刻 其采样所得随机变量的概率密度函数 。 * 随机过程的主要统计特性：平稳特性及其关系；均 值、均方值、方差、自相关函数、协方差函数的定义、 概念及其相互之间的关系；相互正交性、互不相关性和 相互统计独立性的定义、概念及其相互之间的关系。 平稳随机过程功率谱密度的概念及其与自相关函数 构成傅里叶变换对定理。 2.5 线性系统对随机过程的响应 若输入 是平稳随机过程，则响应 也是平稳 随机过程。 响应 的均值 *