信号处理仿真：数字信号处理基础_（10）.随机信号处理.docxVIP

PAGE1

PAGE1

随机信号处理

随机信号处理是数字信号处理中的一个重要分支，主要研究如何处理和分析具有随机性的信号。在实际应用中，许多信号都是随机的，例如噪声、通信信号、生物医学信号等。随机信号处理的目标是通过统计方法和概率论来提取信号中的有用信息，同时抑制或去除噪声。

1.随机信号的基本概念

1.1随机过程

随机过程是一个信号在时间上的概率模型，它描述了信号在不同时间点上的随机变化。随机过程可以用一个数学函数Xt来表示，其中t是时间变量，Xt

1.1.1平稳随机过程

平稳随机过程是指统计特性不随时间变化的随机过程。具体来说，如果一个随机过程的均值和自相关函数不随时间变化，那么这个过程是宽平稳的。如果所有统计特性都不随时间变化，那么这个过程是严平稳的。

公式：-均值：μX=EX

1.2随机变量

随机变量是从样本空间到实数空间的映射。随机变量可以分为离散随机变量和连续随机变量。离散随机变量的取值是有限或可数的，而连续随机变量的取值是无限的。

概率密度函数（PDF）：-离散随机变量的概率质量函数（PMF）：PX=xi

累计分布函数（CDF）：-离散随机变量的CDF：FXx=x

1.3期望值和方差

期望值（均值）和方差是描述随机变量的两个重要统计量。

公式：-期望值：EX=i?xipi

1.4白噪声

白噪声是一种在所有频率上具有相同功率谱密度的随机信号。白噪声的自相关函数为一个冲激函数，即RN

公式：-自相关函数：RNτ=σ

1.5高斯噪声

高斯噪声是一种服从高斯分布的随机噪声。高斯分布的PDF为fX

公式：-PDF：f

1.6信号的功率谱密度

功率谱密度（PSD）描述了信号的功率在频率域上的分布。对于一个随机过程Xt，其PSDSXf可以通过傅里叶变换得到自相关函数

公式：-S

1.7随机信号的仿真

随机信号的仿真通常通过生成服从特定分布的随机数来实现。常用的随机数生成方法包括线性同余法、逆变换法等。

代码示例：生成高斯白噪声

importnumpyasnp

importmatplotlib.pyplotasplt

#参数设置

mu=0#均值

sigma=1#标准差

N=1000#生成的噪声点数

#生成高斯白噪声

gaussian_noise=np.random.normal(mu,sigma,N)

#绘制噪声的时域波形

plt.figure(figsize=(10,4))

plt.plot(gaussian_noise)

plt.title(高斯白噪声时域波形)

plt.xlabel(时间(样本点))

plt.ylabel(幅度)

plt.grid(True)

plt.show()

#计算噪声的自相关函数

defautocorrelation(x):

result=np.correlate(x,x,mode=full)

returnresult[len(result)//2:]

#计算并绘制自相关函数

autocorr=autocorrelation(gaussian_noise)

plt.figure(figsize=(10,4))

plt.plot(autocorr)

plt.title(高斯白噪声自相关函数)

plt.xlabel(延迟(样本点))

plt.ylabel(自相关值)

plt.grid(True)

plt.show()

#计算并绘制功率谱密度

fromscipy.signalimportwelch

frequencies,psd=welch(gaussian_noise,fs=1.0,nperseg=100)

plt.figure(figsize=(10,4))

plt.semilogy(frequencies,psd)

plt.title(高斯白噪声功率谱密度)

plt.xlabel(频率(Hz))

plt.ylabel(功率谱密度)

plt.grid(True)

plt.show()

2.随机信号的统计特性

2.1随机信号的均值和方差

随机信号的均值和方差可以通过时间平均或集合平均来计算。时间平均是指在时间上对信号进行平均，而集合平均是指对多个独立的信号样本进行平均。

公式：-时间平均均值：μX=limT→∞12T?TT

2.2随机信号的自相关和互相关

自相关函数描述了信号在不同时间点上的相关性，互相关函数描述了两个不同信号之间的相关性。

公式：-自相关函数：RXτ=E

代码示例：计算两个随机信号的互相关

#生成两个高斯白噪声信号

gaussian_noise1=np