随机信号分析简答随机.docxVIP

1、相关、独立、正交的关系

（1）若随机变量X和Y相互独立，则X和Y必定互不相关

（2）若随机变量X和Y互不相关，则X和Y不一定相互独立

（3）若两个随机变量的联合矩对任意n=1和k=1均可分解为E[XnYk]=E[Xn]*E[Yk],则X和Ｙ统计独立。

（４）当随机变量Ｘ和Ｙ之间存在线性函数关系Ｙ＝ａＸ＋ｂ，则有ρＸＹ＝±１，当Ｘ和Ｙ间存在非线性函数关系时，则有０＜｜ρ｜＜１．

（５）两个随机变量正交不能保证它们不相关；反之，两个变量不相关也不能保证正交。

２、各态历经

各态历经过程的定义：这类过程的各个样本函数都同样经历了整个过程的所有可能状态，因此，这类随机过程的任何一个样本函数中含有整个过程的全部统计信息，即可以用它的任何一个样本函数的时间平均来代替他的统计平均。

宽各态历经过程：如果过程Ｘ（ｔ）的均值和自相关函数都具有各态历经性，则称Ｘ（ｔ）为宽各态历经过程。

电子技术中的物理意义：

数学期望代表噪声电压的直流分量

均方值代表总平均功率

方差代表交流平均功率

各态历经过程一定是平稳过程

３、经典谱，现代谱

（1）=1\*GB3①经典谱估计有两种方法BT法与周期图法

eq\o\ac(○,1)BT法是先估计自相关函数（|m|=0,1,2，····，N-1），然后再经过离散傅立叶变换求得功率谱密度的估计值。用BT法估计功率谱的流程为。

eq\o\ac(○,2)周期图法是根据各态历经随机过程功率谱的定义来进行谱估计的，用周期图法估计功率谱的流程如下

=2\*GB3②经典谱估计的改进方法有窗函数法、平均法、Welch法。

周期图法作为功率谱的估计不满足一致估计的条件，必须进行改进，改进措施主要是将周期图进行平滑，使估计方差减小，从而得到一致谱估计。窗函数法是选择适当的窗口函数作为加权函数，对自相关函数估计值进行加权平均；平均法是先将数据分段，对各段数据分别求其周期图，最后将所有段周期图的平均作为功率谱的估计；Welch法又称修正周期图法，它将“窗函数法“与“平均法“结合使用，其步骤为：先将N个数据分成L段，每段M个数据，N=ML，然后选择适当的窗函数，并用该窗函数依次对每段数据作相应的加权，然后确定每一段的周期图，对分段周期图进行平均得到功率谱估计。

（２）现代谱的估计方法

1、AR模型，除外，所有的均为零，此时系统函数为。其差分方程为，这种模型称为AR模型，模型输出功率谱为只要能求得及所有值，就可以得到随机信号的功率谱。

2、MA模型，除外，所有的均为零，此时系统函数为。其差分方程为，，，，这种模型称为MA模型。模型输出功率谱为，只要能求得及所有值，就可以得到随机信号的功率谱。

3、ARMA模型

设，，其余所有的和不全为零。此时模型的传递函数和输出功率谱分别为

，，

基于模型的功率谱估计方法大体上可以按下列几个步骤进行：

选择一个合适的模型

用已观测到的数据估计模型参数。

将模型参数代入功率谱的计算公式就可以得到功率谱估值。

４、随机过程

在随机试验Ｅ中的每个结果ξk,总有一实时间函数X(t，ξk)与其对应，而对应于所有的不同的实验结果ξ∈?，得到的一簇时间函数{X(t，ζ1)，X(t，ζ2)，…,X(t，ζm)}的总体X(t，ζ)称之为随机过程。

簇中的每一个确定函数X(t，ζk)=Xk（t），为随机过程的样本函数，而所有可能结果的集合{x1(t)，x2(t)，…,xm(t)}构成了随机过程的样本函数空间

5、功率谱密度

Gx（w）=limEQ\F(1,2T)E[|XT(w)|2],则Gx（w）在整个频域上的积分被定义为随机过程的平均功率。那么被积函数Gx（w）则表示了随机过程X(t)在不同的频率上的单位频带内消耗在1?电阻上的平均功率。

由于Gx（w）描述了随机过程X(t)的各个平均功率在各个频率上的分布状况，因此称之为随机过程的功率谱密度。

6、线性系统

具有线性算子的系统称为线性系统，满足齐次、叠加原理。

线性系统的结论：双侧随机信号X(t)输入物理可实现系统

若输入X(t)是宽平稳的，则系统输出Y(t)也是宽平稳的，且输入与输出联合平稳

若输入X(t)是严平稳的，则输出Y(t)也是严平稳的。

若输入X(t)是宽各态历经的，则输出Y(t)也是宽各态历经的

若线性系统输入为高斯过程，则输出为高斯分布

若系统输入信号的等效噪声带宽远大于系统的带宽，则输出接近于高斯分布

（输入白噪声的情况）

7、高频窄带信号

所谓高频窄带信号是指信号的中心频率w0位于高频段的窄带信号。这类信号的频带?w远远小于其中心频率w0.

8、高斯随机过程

定义：任意n维分布都是高斯分布的随机过程，称为高斯随机过程。

性质：高斯过程的宽平稳与严平稳等价；高斯过程不同时刻状态间的互不相关和独立等价；平稳高斯过程与