通信原理－信号分析.pptVIP

输出过程?o(t)的功率谱密度 由于输出过程?o(t)平稳，则 令??=?+?-?，代入上式，得到 2.6平稳随机过程结论：输出过程的功率谱密度是输入过程的功率谱密度乘以系统频率响应模值的平方。应用：由的反傅里叶变换求Ro(?)，比直接计算Ro(?)要简便得多。2.6平稳随机过程【例2.5】试求功率谱密度为n0/2的白噪声通过下图所示的理想低通滤波器后的功率谱密度、自相关函数和噪声功率。2.6平稳随机过程2.7.1定义如果随机过程?(t)的任意n维（n=1,2,...）分布均服从正态分布，则称它为正态过程或高斯过程。n维正态概率密度函数表示式为： 式中2.7高斯随机过程|B|－归一化协方差矩阵的行列式，即 |B|jk－行列式|B|中元素bjk的代数余因子 bjk－为归一化协方差系数，即2.7高斯随机过程2.7.2重要性质由高斯过程的定义式可以看出,高斯过程的n维分布只依赖各个随机变量的均值、方差和归一化协方差。因此，对于高斯过程，只需要研究它的数字特征就可以了。广义平稳的高斯过程也是严平稳的。因为，若高斯过程是广义平稳的，即其均值与时间无关，协方差函数只与时间间隔有关，而与时间起点无关，则它的n维分布也与时间起点无关，故它也是严平稳的。所以，高斯过程若是广义平稳的，则也严平稳。2.7高斯随机过程高斯过程在不同时刻的取值如果不相关，那么它们也是统计独立的。如果高斯过程在不同时刻的取值是不相关的， 即对所有j?k，有bjk=0，则其概率密度可以简化为高斯随机过程经过线性系统后仍是高斯随机过程。也可以说，若线性系统的输入为高斯过程，则系统输出也是高斯过程。2.7高斯随机过程因为从积分原理看，可表示为由于已假设?i(t)是高斯型的，所以上式右端的每一项在任一时刻上都是一个高斯随机变量。因此，输出过程在任一时刻上得到的随机变量就是无限多个高斯随机变量之和。由概率论理论得知，这个“和”也是高斯随机变量，因而输出过程也为高斯过程。但应注意，与输入高斯过程相比，输出过程的数字特征已经改变。2.7高斯随机过程2.7.3高斯随机过程的一维统计特性高斯随机过程的一维概率密度函数是最简单的，为 其中：a－均值 ?2－方差曲线如右图：2.7高斯随机过程一维概率密度函数的特性f(x)对称于直线x=a，即a表示分布中心，?称为标准偏差，表示集中程度，图形将随着?的减小而变高和变窄。当a=0和?=1时，称为标准化的正态分布：2.7高斯随机过程正态分布函数 这个积分的值无法用闭合形式计算，通常利用其他特殊函数，用查表的方法求出：用误差函数表示正态分布函数：令 则有 及 式中 －误差函数，可以查表求出其值。2.7高斯随机过程用互补误差函数erfc(x)表示正态分布函数： 式中当x2时，2.7高斯随机过程【例2.6】随机过程?(t)=Acos?0t＋Bsin?0t，其中?0是常量，A和B是两个互相独立的高斯随机变量，而且有E[A]=0，E[B]=0，E[A2]=E[B2]=σ2，试求此过程的自相关函数和一维概率密度函数。2.7高斯随机过程2.8.1窄带随机过程的定义 若随机过程?(t)的谱密度集中在中心角频率附近相对窄的频带范围内，即满足的条件，且远离零频率，则称该?(t)为窄带随机过程。2.8窄带随机过程典型的窄带随机过程的谱密度和波形图2.8窄带随机过程2.8.2窄带随机过程的表示式a?(t)－随机包络，??(t)－随机相位 ?c－中心角频率显然，a?(t)和??(t)的变化相对于载波cos?ct的变化要缓慢得多。2.8窄带随机过程什么是随机过程？随机过程是一类随时间作随机变化的过程，它不能用确切的时间函数描述。可从两种不同角度描述：角度1：随机过程是所有样本函数的集合。 2.5随机过程的基本概念【例】n台示波器同时观测并记录n台接收机的输出噪声样本函数?i(t)：随机过程的一次实现，是确定的时间函数