随机信号基础 生物医学信号处理 教学PPT课件.ppt

图3.4上、中、下分别画出了自协方差和自相关函数以及两个信号的差。 一维统计量的估计：均值、方差、标准差 Matlab中, 假如x=1:10 均值，mean(x)=5.5 方差，var(x)=9.1667 可是利用 mean((x-5.5).^2)，计算得到8.2500 Matlab中对方差的估计式（n1）： 无偏的估计 协方差函数 二维统计量的估计：协方差、相关函数 Matlab中：C(m) = E[(A(n+m)-MA)*conj(B(n)-MB)] XCOV(...,SCALEOPT), normalizes the covariance according to SCALEOPT: 1）biased - scales the raw cross-covariance by 1/M. 2）unbiased - scales the raw covariance by 1/(M-abs(k)), where k is the index into the result. 3）coeff - normalizes the sequence so that the covariances at zero lag are identically 1.0. 4）none - no scaling (this is the default). load xy=xcov(x);y1=xcov(x,biased);y2=xcov(x,unbiased);y3=xcov(x,coeff);subplot(411)plot(y)subplot(412);plot(y1)subplot(413);plot(y2)subplot(414);plot(y3) X长度为501点，协方差长度为1001点 y/501即得到y1 y2为无偏估计，第四章内容 y/max(y)即得到y3 相关函数 x=randn(100,2); c=xcov(x(:,1),x(:,2)); r=xcorr(x(:,1),x(:,2)); plot(-99:99,c,-99:99,r,r) 二维统计量的估计：协方差、相关函数 R(m) = E[A(n+m)*conj(B(n))] = E[A(n)*conj(B(n-m))] 尺度与协方差一样 例3-4，设x是平稳随机实信号，证明自相关函数的3个有用性质： 例3-4，设x是平稳随机实信号，证明自相关函数的3个有用性质： 例3-4，设x是平稳随机实信号，证明自相关函数的3个有用性质： 当m无穷大时候，两个变量间的关联性越来越弱，两者间可以看成相互独立，因此 ３.２.5　功率谱密度函数 随机信号是能量无穷，功率信号，定义 Px（w）=DTFT[Rx（τ）] 面积就是平均功率，Px（w）表示各频率成分功率的密度 ω 功率谱密度函数非负/对称 第五次课 例3-4：求 的功率谱。 第三节 几种典型的随机过程 高斯过程：描述过程特性的所有概率密度函数都是高斯型的，它的均值为 协方差矩阵为 概率密度函数为 高斯过程的特性 只要知道信号的均值矢量和协方差矩阵，则任意阶的概率密度函数都可以解析表达出。 只要均值和方差是常数，协方差只与时间差有关，（即1，2阶平稳），则必然是高阶平稳。 如果各随机变量互不相关，也必然互相独立。 高斯过程经过线性运算（加减微分积分）后还是高斯型的。 白噪过程：功率谱是常数的随机过程，用w(t)表示白噪过程，该功率谱为 自相关函数为 即不同时刻白噪的取值总正交 τ ω 限带白噪过程：实际的线性系统总是有限的带宽，用w(t)表示限带白噪过程，该功率谱为 自相关函数为 用pi/w0的采样间隔加以采样，采得的各样本将互不相关，这就是奈奎斯特采样率。 τ ω ω0 -ω0 独立、不相关、正交的概念 随机变量 x,y独立：p(x,y)=p(x)p(y) 随机变量x,y不相关，则E(xy)=E(x)E(y) 随机变量x,y正交，则E(xy)=0 随机过程 x(n),y(n)独立： p(x(n),y(n+m))=p(x(n))p(y(n+m)) 随机过程x(n),y(n)不相关，则: E(x(n)y(n+m))=E(x(n))E(y(n+m))=mxmy，或协方差为零 随机过程x(n),y(n)正交，则E(x(n)y(n+m))=0,即相关函数为零。 例3-5：一个零均值的离散时间随机过程各值xn，xn+m（m不等于零）均互相独立。求它的自相关函数和功率谱。 自相关函数：Rx（m）=E[xnxn+m] m=0时， Rx（0）=E[xn2]=方差（假设为1） m不等于零， Rx（m）=E[xn ]E[xn+m