第3章随机过程课件.ppt

《第3章随机过程课件.ppt》由会员分享，可在线阅读，更多相关《第3章随机过程课件.ppt（39页珍藏版）》请在三一办公上搜索。

1、19:52,1,回顾,随机过程的基本概念角度1：对应不同随机试验结果的时间过程的集合.(t) =1 (t), 2 (t), , n (t)是全部样本函数的集合。角度2：随机过程是随机变量概念的延伸。随机过程是在时间进程中处于不同时刻的随机变量的集合。随机过程在任意时刻的值是一个随机变量。,19:52,2,回顾,随机过程的数字特征均值（数学期望）表示随机过程的n个样本函数曲线的摆动中心。积分是对x进行的，表示t 时刻各个样本的均值，不同时刻t的均值构成摆动中心。方差表示随机过程在t时刻对于均值a(t)的偏离程度。等于均方值与均值平方之差。,19:52,3,第3章 随机过程,相关函数和协方差函数反

2、映随机过程在任意两个时刻上获得的随机变量之间的关联程度。自相关函数和自协方差函数之间的关系互相关函数：将相关函数的概念引伸到两个随机过程,19:52,4,回顾,严（狭义）平稳随机过程 性质,数字特征判断随机过程的平稳性。定义广义(宽)平稳随机过程，简称平稳过程。,各态历经性 时间平均=统计平均,19:52,5,回顾,平稳过程的自相关函数,平稳过程的功率谱密度(维纳-辛钦关系) 各态历经过程的任一样本的功率谱密度等于过程的功率谱密度。,19:52,6,典型例题,1.随机过程(t)的功率谱密度如图试求：自相关函数R()； 直流功率； 交流功率。,解：由图可知，该功率谱密度表达式为,19:52,7,

3、典型例题,2.设s(t)是一个平稳随机脉冲序列，其功率谱密度为Ps(f),求已调信号e(t)= s(t) cosct 的功率谱密度Pe(f)。,解：,19:52,8,第3章 随机过程,3.3 高斯随机过程（正态随机过程）,3.3.1 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,19:52,9,第3章 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 为归一化协方差函数，即,19:52,10,第3章 随机过程,3.3.2 重要性质对于高斯过程，只

4、需要研究它的数字特征。 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。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。,19:52,11,第3章 随机过程,如果高斯过程在不同时刻的取值是不相关的，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过程经过线性变换后的过程仍是高斯过程。即若线性系统的输入为高

5、斯过程，则系统输出也是高斯过程。若干个高斯过程的代数和的过程仍是高斯型。,19:52,12,第3章 随机过程,3.3.3 高斯随机变量定义： 高斯过程在任一时刻上的取值是一个正态分布的随机变量，也称高斯随机变量，其一维概率密度函数为,均值a处，出现的概率最大。,19:52,13,第3章 随机过程,性质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。若a = 0, = 1，称为标准化正态分布：,19:52,14,第3章 随机过程,正态分布函数（正态分布的概率密度f (x)的积分） 这个积分的值无法用闭合形式计算，通常利用其他特殊函

6、数，用查表的方法求出：用误差函数erf (x)表示： 误差函数，可以查表求出其值。令 则有 及,19:52,15,第3章 随机过程,误差函数是自变量的递增函数，且有 erf(0)=0，erf()=1，erf(-x)=-erf(x)用互补误差函数erfc(x)表示： 式中 互补误差函数是自变量的递减函数，且有erfc(0)=1，erfc()=0，erfc(-x)=2-erfc(x)。 当x 2时，,19:52,16,第3章 随机过程,用Q函数表示：Q函数定义：Q函数和erfc函数的关系：Q函数和正态分布函数F(x)的关系：Q(-x)=1- Q(x)，x0；Q(0)=1/2， Q()=0。,19:

7、52,17,第3章 随机过程,3.4 平稳随机过程通过线性系统确知信号通过线性系统（复习） ： 线性时不变系统可由其单位冲激响应h(t)或其频率响应H(f)表征。输入与输出关系可以表示成卷积式中 vi 输入信号， vo 输出信号对应的傅里叶变换关系：,19:52,18,第3章 随机过程,随机信号通过线性系统： 把vi(t)看作是输入随机过程的一个样本，vo(t)看作输出随机过程的一个样本。当线性系统输入端加入一个随机过程i(t) 时，对于i(t) 的每个样本vi,n(t),n=1,2,，系统输出都有一个vo,n(t),n=1,2,与其相对应，而所有vo,n(t),n=1,2,的集合构成输出随机

8、过程o(t) ，因此假设：i(t) 输入的平稳随机过程， a 均值，Ri() 自相关函数， Pi() 功率谱密度；求输出过程o(t)的统计特性（均值、自相关函数、功率谱以及概率分布）。,19:52,19,第3章 随机过程,输出过程o(t)的均值 对o(t)两边取统计平均，得到因为假设输入过程是平稳的 ，则有 式中，H(0)是线性系统在 f = 0处的频率响应，即直流增益。因此输出过程的均值是一个常数。,19:52,20,第3章 随机过程,输出过程o(t)的自相关函数根据输入过程的平稳性，有于是 即输出过程的自相关函数仅仅是时间间隔 的函数。 可见，若线性系统的输入是平稳的，则输出也是平稳的。,

9、19:52,21,第3章 随机过程,输出过程o(t)的功率谱密度对上式进行傅里叶变换：令= +，代入上式，得到即,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Po( f )的反傅里叶变换求Ro(),19:52,22,第3章 随机过程,输出过程o(t)的概率分布如果线性系统的输入过程是高斯型的，则系统的输出过程也是高斯型的。 因为从积分原理看，可表示为一个和式的极限： 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这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

10、高斯随机变量，因而输出过程也为高斯过程。注意，与输入高斯过程相比，输出过程的数字特征已经改变了。更一般地说，高斯过程经线性变换后的过程仍为高斯过程。,19:52,23,第3章 随机过程,3.5 窄带随机过程 什么是窄带随机过程？ 若随机过程(t)的谱密度集中在中心频率fc附近相对窄的频带范围f （带宽）内，且中心频率 fc 远离零频率，即 则称该(t)为窄带随机过程。 实际中，大多数通信系统都是窄带带通型，通过窄带系统的信号或噪声必然是窄带随机过程。,19:52,24,第3章 随机过程,典型的窄带随机过程的谱密度和样本函数,窄带随机过程的一个样本的波形，如同一个包络和相位随机缓变的正弦波。频率

11、不是随机的。,19:52,25,第3章 随机过程,窄带随机过程的表示式包络相位形式 式中，a(t) 窄带随机过程的随机包络 (t) 窄带随机过程的随机相位 c 正弦波的中心角频率 显然， a(t)和(t)的变化相对于载波cosct的变化要缓慢得多。,19:52,26,第3章 随机过程,同相正交形式将窄带随机过程表示式进行三角函数展开，得到其等价式式中 (t)的同相分量 (t)的正交分量 可以看出：(t)的统计特性由a(t)和(t)或c(t)和s(t)的统计特性确定。反之，若(t)的统计特性已知，则a(t)和(t)或c(t)和s(t)的统计特性也随之确定。 注意：窄带过程的a(t)和(t)及c(

12、t)和s(t)都是随机缓变的过程，均属低通型过程。 今后均假设(t)是一个均值为0，方差为2的平稳高斯窄带过程。,19:52,27,第3章 随机过程,3.5.1 c(t)和s(t)的统计特性 数学期望：对上式求数学期望得到 因为(t)平稳且均值为零，故对于任意的时间t，都有E(t) = 0 ，所以,19:52,28,第3章 随机过程,自相关函数：式中,19:52,29,第3章 随机过程,因为(t)是平稳的，故有这就要求上式的右端与时间t无关，而仅与 有关。因此，若令 t = 0，上式仍应成立，这时因与时间t无关，以下二式自然成立所以,19:52,30,第3章 随机过程,因与时间无关，再令 t

13、=/2c，同理可以求得 小结1：若窄带过程(t)是平稳的，则c(t)和s(t)也必然是平稳的。,19:52,31,第3章 随机过程,进一步分析以下两式应同时成立，故有小结2：同相分量c(t) 和正交分量s(t)具有相同的自相关函数。根据互相关函数的性质，应有代入上式，得到这说明Rsc()是 的奇函数，所以同理可证,19:52,32,第3章 随机过程,将代入下两式得到同时小结3：(t) 、c(t)和s(t)具有相同的平均功率或方差（因为均值为0）。,19:52,33,第3章 随机过程,根据平稳性，过程的特性与变量t无关，故由式 得到小结4：因为(t)是高斯过程，所以，c(t1)、s(t2)一定是

14、高斯随机变量，从而c(t) 、s(t)也是高斯过程。根据Rcs(0)=0可知，c(t) 与s(t)在 = 0处互不相关，又由于它们是高斯型的，因此小结5：c(t) 与s(t)也是统计独立的。,19:52,34,第3章 随机过程,结论：一个均值为零，方差为2的窄带平稳高斯过程(t) ，它的同相分量c(t)和正交分量s(t)同样是平稳高斯过程，而且均值为零，方差也相同。此外，在同一时刻上得到的c和s是互不相关或统计独立的。即,19:52,35,第3章 随机过程,3.5.2 a(t)和(t)的统计特性 联合概率密度函数 f (a , )根据概率论知识有,19:52,36,第3章 随机过程,于是有 式中 a 0，0 2,19:52,37,第3章 随机过程,a的一维概率密度函数 利用概率论中的边际分布关系，将f(a, )对积分求得可见， a服从瑞利(Rayleigh)分布。,19:52,38,第3章 随机过程,的一维概率密度函数 可见， 服从均匀分布。,19:52,39,第3章 随机过程,结论：一个均值为零，方差为2的窄带平稳高斯过程(t)，其包络a(t)的一维分布是瑞利分布，相位(t)的一维分布是均匀分布，并且就一维分布而言， a(t)与(t)是统计独立的 ，即有,