1、2018/10/8,1,第二章 随机信号分析,随机信号分析、确定性信号分析的不同与联系： 随机信号分析的主要内容： 随机过程的一般表述 平稳随机过程 高斯过程 窄带随机过程 正弦波加窄带高斯过程 平稳随机过程通过线性系统,2018/10/8,2,引言,信号：一般是时间的函数 确定信号：可以用确定的时间函数表示的信号 周期信号和非周期信号 能量信号和功率信号 基带信号和频带信号 模拟信号和数字信号 随机信号：具有随机性，可用统计规律来描述 通信过程中要发送的信号是不可预知的，因此具有随机性，是随机信号，但信号的统计特性具有规律性。 噪声和干扰是随机的信号； 无线信道特性（可理解为系统传递函数）也
2、是随机变化的。,2018/10/8,3,随机过程：与时间有关的函数，但任一时刻的取值不确定(随机变量) 随机过程可以看成对应不同随机试验的时间过程的集合。如n(或无数）台性能完全的接收机输出的噪声波形，每个波形都是一个确定函数，为一个样本函数，各波形又各不相同。也可看成一个接收机，不同实验输出不同的样本函数。 随机过程是所有样本函数的集合。,2018/10/8,4,1 随机过程的一般表述(1),样本函数：随机过程的具体实现 样本空间：所有实现构成的全体 所有样本函数及其统计特性构成了随机过程,2018/10/8,5,随机过程是随机变量概念的延伸，即随机变量引入时间变量，成为随机过程。 每一个时
3、刻，对应个样本函数的取值xi(t),i=1,2,n是一个随机变量。 固定时刻t1的随机变量计为(t1)。 随机过程看作是在时间进程中处于不同时刻的随机变量的集合。,2018/10/8,6,1 随机过程的一般表述(2),分布函数与概率密度 随机过程(t)在任意时刻t1是一个随机变量(t1)，其统计特性可以用分布函数与概率密度函数来表示,一维分布函数,一维概率密度,2018/10/8,7,n 维分布概率函数,n 维概率密度函数,一维分布函数或概率密度函数仅描述了随机过程在任一瞬间的统计特性，进而可以对任意固定的n个时刻进行概率分布与概率密度的描述。,显然n 越大，对随机过程统计特性的描述就越充分。
4、当然实际上是根据需要来确定维数的。,2018/10/8,8,随机过程的n维分布函数或概率密度函数往往不容易或不需要得到，常常用数字特征部分地表述随机过程的主要特征。 对于通信系统而言，随机过程的数字特征就可以满足需要，也会有明确定的物理含义，还可以测量。 如通信信号的方差就是交流功率。,2018/10/8,9,1 随机过程的一般表述(3),随机过程(t)的数字特征,(t)的均值或数学期望,t的引入说明随机变量、均值是时间的函数 注意：(t)的均值是时间的确定函数，它表示随机过程的n个（也可是无数个）样本函数曲线的摆动中心。 方差,注：均值和方差只与一维概率密度函数有关，它们反映了随机过程各时刻
5、的特征。,2018/10/8,10,自协方差函数,相关函数表征随机过程的内在联系，即随机过程任意两个时刻上的随机变量之间的关联程度。 自相关函数,注：若随机过程的均值为0，则自相关函数和自协方差函数完全相同；即使均值不为0，二者描述的随机过程的特征也是一样的。常用自相关函数。,2018/10/8,11,1 随机过程的一般表述(4),两随机过程的数字特征,互相关函数,互协方差函数,2018/10/8,12,2 平稳随机过程(1),狭义平稳(严平稳),一维分布与时间无关，二维分布只与时间间隔 ( t1 - t2 ) 有关,数字特征,广义平稳(宽平稳),2018/10/8,13,2 平稳随机过程(2
6、),各态历经性(遍历性)：随机过程的任一实现，经历了随机过程的所有可能状态,随机过程的数字特征，可以由其任一实现(样本函数)的数字特征来代表,遍历过程必定是平稳过程，反之不然。,思考：为什么要研究随机平稳随机过程,2018/10/8,14,2 平稳随机过程(3),实平稳随机过程的自相关函数,偶函数：,有界性：,周期性：,统计平均功率：,直流功率：,交流功率：,2018/10/8,15,2 平稳随机过程(4),平稳随机过程的功率谱密度(统计平均),单边功率谱密度(实平稳随机过程),2018/10/8,16,图：功率信号与截断函数,2018/10/8,17,2 平稳随机过程(5),其中=t2-t1
7、 (t)数学期望是常数，自相关函数只与时间间隔有关，所以(t)是广义平稳过程。,2018/10/8,18,其功率谱密度为：,(t)的时间平均值如下：,因此随机相位余弦波是遍历的。,2018/10/8,19,1)、 对称于均值a; 2)、曲线在a处有拐点,即图形的宽度与成比例。 另外,当a0,1 时,则称为标准高斯(正态)分布,2、高斯过程的概率密度函数 1)、如果高斯过程中的各随机变量之间是互不相关(统计独立)的，则其概率密度函数可写成:,2018/10/8,20,3 高斯过程(1),定义：任意 n 维概率密度是正态分布式,式中ak是均值，2是方差，B是规一化协方差矩阵。概率密度函数仅取决于各
8、随机变量的均值、方差和两两之间的归一化协方差函数(相关系数),2018/10/8,21,b12 b1n B21 1 b2nBn1 bn2 1,|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，见(3.33)。,3 高斯过程(2),2018/10/8,22,重要性质：,高斯过程的n维分布只依赖各个随机变量的均值、方差和规一化协方差，因此只需研究它的数字特征就可以了 广义平稳 狭义平稳各随机变量之间互不相关 统计独立 高斯过程经过线性变换后生成的过程仍是高斯过程。即线性系统的输入是高斯过程，则系统输出的也是高斯过程。,2018/10/8,23,3 高斯过程(3),一维正态
9、分布,关于 a 对称：f (a+x) = f (a-x),在点 a 处取极大值:,2018/10/8,24,3 高斯过程(4),概率积分函数:,标准化正态分布:,概率分布函数:,2018/10/8,25,误差函数与互补误差函数分别表示高斯密度函数曲线尾部下的面积,误差函数:,Q函数:,互补误差函数:,Q函数也是一种表示高斯曲线尾部下的面积的函数。,2018/10/8,26,4 窄带随机过程 (1),1. 窄带随机过程定义:随机过程通过以fc为中心频率的窄带系统的输出，即是窄带过程。所谓窄带系统，是指其通带宽度ffc，且fc远离零频率的系统。实际中，大多数通信系统都是窄带型的，通过窄带系统的信号
10、或噪声必是窄带的，如果这时的信号或噪声又是随机的，则称它们为窄带随机过程。如用示波器观察一个实现的波形，则如图2 - 4所示，它是一个频率近似为fc，包络和相位随机缓变的正弦波。 ,2018/10/8,27,4 窄带随机过程 (2),2018/10/8,28,因此，窄带随机过程(t)可用下式表示: (t)=a(t) cosct+(t), a(t)0 等价式为 (t)=c(t) cosct-s(t)sinct 其中c(t)=a(t)cos(t) s(t)=a(t) sin(t) 式中, a(t)及(t)分别是(t)的随机包络和随机相位， c(t)及s(t)分别称为(t)的同相分量和正交分量。,4
11、 窄带随机过程 (3),2018/10/8,29,同相分量和正交分量也是随机过程， 显然它们的变化相对于载波cosct的变化要缓慢得多。由前4式看出，(t)的统计特性可由a(t)，(t)或c(t),s(t)的统计特性确定。 反之，如果已知(t)的统计特性则可确定a(t),(t)以及c(t)，s(t)的统计特性。,4 窄带随机过程 (4),2018/10/8,30,2. 同相和正交分量的统计特性设窄带过程(t)是平稳高斯窄带过程，且均值为零， 方差为 。下面将证明它的同相分量c(t)和正交分量s(t)也是零均值的平稳高斯过程，而且与(t)具有相同的方差。 1) 数学期望 求数学期望: E(t)=
12、Ec(t)cosct-Es(t)sinct 可得,4 窄带随机过程 (5),2018/10/8,31,Ec(t)=0; Es(t)=0 2)自相关函数 R(t, t+)=E(t)(t+)=Ec(t)cosct-s(t) sinctc(t+)cosc(t+)-s(t+)sinc(t+)=Rc(t, t+) cosct cosc(t+)-Rcs(t, t+) cosctsinc(t+)-Rsc(t, t+) sinctcosc(t+)+Rs(t, t+) sinctsinc(t+),4 窄带随机过程 (6),2018/10/8,32,式中 Rc(t, t+)=Ec(t)c(t+)Rcs(t, t+
13、)=Ec(t)s(t+)Rsc(t, t+)=Es(t)c(t+)Rs(t, t+)=Es(t)s(t+) 因为(t)是平稳的，故有 R(t, t+)=R(),4 窄带随机过程 (7),2018/10/8,33,R()=Rc(t, t+) cosc-Rcs(t, t+)sinc 这时，显然应有 Rc(t, t+)=Rc()Rcs(t, t+)=Rcs() 所以，上式变为R()=Rc()cosc-Rcs() sinc 再取使cosct=0的所有t值，同理有R()=Rs()cosc+Rsc()sinc),4 窄带随机过程 (8),2018/10/8,34,其中应有 Rs(t, t+)=Rs()Rs
14、c(t, t+)=Rsc() 由以上的数学期望和自相关函数分析可知， 如果窄带过程(t)是平稳的，则c(t)与s(t)也必将是平稳的。 进一步分析有 Rc()=Rs() Rcs()=-Rsc() 可见，同相分量c(t)和正交分量s(t)具有相同的自相关函数，而且根据互相关函数的性质，应有,4 窄带随机过程 (9),2018/10/8,35,Rcs()=Rsc(-) 将上式代入式（2.5 - 12），可得Rsc()=-Rsc(-) 同理可推得 Rcs()=-Rcs(-) 所以c(t)、s(t)的互相关函数Rsc()、Rcs()都是的奇函数，在=0时Rsc(0)=Rcs(0)=0 ,4 窄带随机过
15、程 (10),2018/10/8,36,于是得到R(0)=Rc(0)=Rs(0) 即2=2c=2s 这表明(t)、c(t)和s(t)具有相同的平均功率或方差（因为均值为0）。 另外，因为(t)是平稳的，所以(t)在任意时刻的取值都是服从高斯分布的随机变量， 故有,4 窄带随机过程 (11),2018/10/8,37,取t=t1=0 时，(t1)=c(t1)取t=t2=/(2c)时，(t2)=s(t2)所以c(t1)，s(t2)也是高斯随机变量，从而c(t)、 s(t)也是高斯随机过程。又，c(t)、 s(t)在同一时刻的取值是互不相关的随机变量， 因而它们还是统计独立的。 综上所述，我们得到一
16、个重要结论：一个均值为零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)也是平稳高斯过程， 而且均值都为零，方差也相同。此外， 在同一时刻上得到的c和s是互不相关的或统计独立的。,4 窄带随机过程 (12),2018/10/8,38,3.包络和相位的统计特性由上面的分析可知，c和s的联合概率密度函数为f(c, s)=f(c)f(s)=,设a,的联合概率密度函数为f(a, )，则利用概率论知识， 有f(a, )=f(c, s),根据两式在t时刻随机变量之间的关系 c=acoss=asin,4 窄带随机过程 (13),2018/10/8,39,得到,Cos sin -asin ac
17、os,=,于是,f(a,) =af(c, s)=,注意，这里a0, 而在(0，2)内取值。 再利用概率论中边际分布知识将f(a,)对积分， 可求得包络a的一维概率密度函数为,4 窄带随机过程 (14),2018/10/8,40,可见，a服从瑞利分布。 同理，f(a, )对a积分可求得相位的一维概率密度函数为 f()=,可见，服从均匀分布。 ,4 窄带随机过程 (15),2018/10/8,41,综上所述，我们又得到一个重要结论：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，
18、即有下式成立：f(a,)=f(a)f(),4 窄带随机过程 (16),2018/10/8,42,4 窄带随机过程(17),结论：一个均值为零的窄带平稳高斯过程，其同相分量和正交分量同样是平稳高斯过程，而且均值都为零，方差也相同；在同一时刻上的同相分量与正交分量是不相关的或统计独立的。其包络 的一维分布是瑞利分布，而其相位的一维分布是均匀分布，并且就一维分布而言，包络和相位是统计独立的。,2018/10/8,43,5 正弦波加窄带高斯过程(1),2018/10/8,44,5 正弦波加窄带高斯过程(2),A=0，f (z) 瑞利分布,A ，f (z) 近似高斯分布,2018/10/8,45,6 平
19、稳随机过程通过线性系统(1),输出随机过程的均值,输出随机过程的自相关函数与功率谱密度,平稳,2018/10/8,46,6 平稳随机过程通过线性系统(2),2018/10/8,47,6 平稳随机过程通过线性系统(3),独立,2018/10/8,48,7 高斯白噪声和带限白噪声,白噪声n (t) 定义：功率谱密度在所有频率上均为常数的噪声，即 双边功率谱密度或 单边功率谱密度式中 n0 正常数 白噪声的自相关函数：对双边功率谱密度取傅里叶反变换，得到相关函数：,2018/10/8,49,白噪声和其自相关函数的曲线：,2018/10/8,50,白噪声的功率由于白噪声的带宽无限，其平均功率为无穷大，
20、即或因此，真正“白”的噪声是不存在的，它只是构造的一种理想化的噪声形式。 实际中，只要噪声的功率谱均匀分布的频率范围远远大于通信系统的工作频带，我们就可以把它视为白噪声。 如果白噪声取值的概率分布服从高斯分布，则称之为高斯白噪声。 高斯白噪声在任意两个不同时刻上的随机变量之间，不仅是互不相关的，而且还是统计独立的。,2018/10/8,51,低通白噪声 定义：如果白噪声通过理想矩形的低通滤波器或理想低通信道，则输出的噪声称为低通白噪声。 功率谱密度由上式可见，白噪声的功率谱密度被限制在| f | fH内，通常把这样的噪声也称为带限白噪声。 自相关函数,2018/10/8,52,功率谱密度和自相
21、关函数曲线,由曲线看出，这种带限白噪声只有在上得到的随机变量才不相关。,2018/10/8,53,带通白噪声 定义：如果白噪声通过理想矩形的带通滤波器或理想带通信道，则其输出的噪声称为带通白噪声。 功率谱密度设理想带通滤波器的传输特性为式中fc 中心频率，B 通带宽度则其输出噪声的功率谱密度为,2018/10/8,54,自相关函数,2018/10/8,55,带通白噪声的功率谱和自相关函数曲线,2018/10/8,56,窄带高斯白噪声 通常，带通滤波器的 B fc ，因此称窄带滤波器，相应地把带通白高斯噪声称为窄带高斯白噪声。 窄带高斯白噪声的表达式和统计特性见3.5节。 平均功率,2018/1
22、0/8,57,思考题和作业,什么是傅立叶变换？ 信号的分类？能量信号与功率信号？模拟信号与数字信号？周期信号与非周期信号？确知信号与随机信号？ 什么是确知信号？如何分析？ 什么是随机信号？如何分析？ 什么是平稳随机过程？平稳？各态历经性？ 几种常用的随机过程？正态随机过程？窄带随机过程？正弦波加窄带随机过程？ 系统：随机过程经过线性系统？ 作业：32, 33, 35, 38, 39,2018/10/8,58,附录: 傅立叶变换,2018/10/8,59,1 傅立叶变换,表达式：,充分条件： f(t) 在无限区间内绝对可积,引入广义函数之后的扩展,2018/10/8,60,1.1 傅立叶变换的运
23、算特性,放大 叠加 复共轭 标度换算 时移 频移,2018/10/8,61,1.1 傅立叶变换的运算特性,调制卷积对偶微分积分,2018/10/8,62,1.2 常用信号的傅立叶变换,任意周期信号,2018/10/8,63,1.2 常用信号的傅立叶变换,2018/10/8,64,1.2 常用信号的傅立叶变换,2018/10/8,65,通信系统仿真,观察标准正态分布的密度函数,%仿真曲线 N(0,1) L=1000000; x=randn(1,L);%产生L个样本 I,Y=hist(x,50);%概率直方图 D=Y(2)-Y(1); I=I/L;%归一化 I=I/D;%除以横轴的步长得到密度函数
24、 plot(Y,I,.-);%密度函数 hold on%理论曲线 N(0,1) t=-6:0.1:6; f=exp(-t.*t/2)/sqrt(2*pi);%理论值 plot(t,f,r-);legend(Simulation result,Theorectic result);,2018/10/8,66,通信系统仿真,%观察误差函数与互补误差函数 close all; clear all;x=-4:0.1:4; y_erf=erf(x);plot(x,y_erf,b-); %erf(x) hold on y_erfc=erfc(x); %erfc(x) plot(x,y_erfc,r-); Q=0.5*erfc(x/sqrt(2); %Q(x) plot(x,Q,k-);legend(erf(x),erfc(x), Q(x); xlabel(x); ylabel(erf(x),erfc(x) and Q(x); grid,
