通信原理教程2.pptVIP

2.6.4 平稳随机过程的自相关函数和功率谱密度 自相关函数的性质 功率频谱密度的性质 复习：确知信号的功率谱密度： 类似地，平稳随机过程的功率谱密度为： 平均功率： * 自相关函数和功率谱密度的关系 由 式中， 令? =t – t’，k =t + t’，则上式可以化简成 于是有 * 上式表明，PX(f )和R(? )是一对傅里叶变换： PX(f )的性质： PX(f ) ? 0, 并且PX(f )是实函数。 PX(f ) ＝PX(-f )，即PX(f )是偶函数。 【例2.7】设有一个二进制数字信号x(t)，如图所示，其振幅为+a或-a；在时间 T 内其符号改变的次数k服从泊松分布 式中，?是单位时间内振幅的 符号改变的平均次数。 试求其相关函数R(?)和功率谱密度P(f)。 +a -a x(t) ? t t 0 t-? * 解：由图可以看出，乘积x(t)x(t-?)只有两种可能取值：a2, 或 -a2。因此，式 可以化简为： R(?) = a2 ? [a2出现的概率] + (-a2) ? [(-a2)出现的概率] 式中，“出现的概率”可以按上述泊松分布 P(k)计算。 若在 ? 秒内x(t)的符号有偶数次变化，则出现 + a2; 若在 ? 秒内x(t)的符号有奇数次变化，则出现 - a2。 因此， 用 ? 代替泊松分布式中的T，得到 * 由于在泊松分布中 ? 是时间间隔，所以它应该是非负 数。所以，在上式中当?取负值时，上式应当改写成 将上两式合并，最后得到： 其功率谱密度P( f )可以由其自相关函数R(?)的傅里叶 变换求出： P( f )和R(?)的曲线： * 【例2.8】设一随机过程的功率谱密度P( f )如图所示。试求其自相关函数R(?)。 解： ∵功率谱密度P( f )已知， ∴ 式中， 自相关函数曲线： * 【例2.9】试求白噪声的自相关函数和功率谱密度。 解：白噪声是指具有均匀功率谱密度Pn( f )的噪声，即 Pn( f ) ＝ n0/2 式中，n0为单边功率谱密度（W/Hz） 白噪声的自相关函数可以从它的功率谱密度求得: 由上式看出，白噪声的任何两个相邻时间（即? ? 0时）的抽样值都是不相关的。 白噪声的平均功率 : 上式表明，白噪声的平均功率为无穷大。 Pn(f) n0/2 0 f Rn(?) n0/2 ? 0 * 带限白噪声的功率谱密度和自相关函数 带限白噪声：带宽受到限制的白噪声 带限白噪声的功率谱密度： 设白噪声的频带限制在(-fH, fH)之间，则有 Pn(f) = n0 / 2, -fH f fH = 0, 其他处 其自相关函数为： 曲线： n0/2 Pn(f) 0 f -fH fH Rn(?) ? 0 1/2fH -1/2fH * 2.7 高斯过程（正态随机过程） 定义： 一维高斯过程的概率密度： 式中，a = E[X(t)] 为均值 ?2 = E[X(t) - a]2 为方差 ? 为标准偏差 ∵高斯过程是平稳过程，故 其概率密度pX (x, t1)与t1无关， 即， pX (x, t1) ＝ pX (x) pX (x)的曲线： * 高斯过程的严格定义：任意n维联合概率密度满足： 式中，ak为xk的数学期望（统计平均值）； ?k为xk的标准偏差； |B|为归一化协方差矩阵的行列式，即 |B|jk为行列式|B|中元素bjk的代数余因子； bjk为归一化协方差函数，即 * n维高斯过程的性质 pX (x1, x2, … , xn; t1, t2, … , tn)仅由各个随机变量的数学期望ai、标准偏差?i和归一化协方差bjk决定，因此它是一个广义平稳随机过程 。 若x1, x2, … , xn等两两之间互不相关 ，则有当 j ? k 时，bjk = 0。这时， 即，此n维联合概率密度等于各个一维概率密度的乘积。 若两个随机变量的互相关函数等于零，则称为两者互不相关；若两个随机变量的二维联合概率密度等于其一维概率密度之积，则称为两者互相独立。互不相关的两个随机变量不一定互相独立。互相独立的两个随机变量则一定互不相关。 高斯过程的随机变量之间既互不相关，又互相独立。 * 正态概率密度的性质 p(x)对称于直线 x = a，即有： p(x)在区间(-?, a)内单调上升，在区间(a,