Transcript 3.随机过程
通信原理
1
通信原理
第3章 随机过程
2
第3章 随机过程
3.1 随机过程的基本概念
一、定义
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
看:
角度1:对应不同随机试验结果的时间过程的集合。
3
第3章 随机过程
【例】n台示波器同时观测并记录 n 台接收机(性能
相同,工作条件相同)的输出噪声波形
样本函数i (t):随机过程的一次实现,是确定的时
间函数。
随机过程: (t) ={1 (t), 2 (t), …, n (t)}
是全部样本函数的集合。
(t )
1 (t )
2 (t )
n (t )
0
t
4
第3章 随机过程
角度2:随机过程是随机变量概念的延伸。
在任一给定时刻t1上,每一个样本函数i (t)都是一个确定的
数值i (t1),但是每个i (t1)都是不可预知的。
在一个固定时刻t1上,不同样本的取值{i (t1), i = 1, 2, …, n}
是一个随机变量,记为 (t1)。
换句话说,随机过程在任意时刻的值是一个随机变量。
因此,我们又可以把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。
这个角度更适合对随机过程理论进行精确的数学描述。
5
第3章 随机过程
二、随机过程的分布函数
设 (t)表示一个随机过程,则它在任意时刻t1的值 (t1)
是一个随机变量,其统计特性可以用分布函数或概率密
度函数来描述。
随机过程 (t)的一维分布函数:
F1 ( x1 , t1 ) P[ (t1 ) x1 ]
随机过程 (t)的一维概率密度函数:
F1 ( x1 , t1 )
f1 ( x1 , t1 )
x1
若上式中的偏导存在的话。
6
第3章 随机过程
随机过程 (t) 的二维分布函数:
F2 ( x1 , x2 ; t1 , t 2 , ) P (t1 ) x1 , (t 2 ) x2
随机过程 (t)的二维概率密度函数:
2 F2 ( x1 , x2 ; t1 , t2 )
f 2 ( x1 , x2 ; t1 , t2 )
x1 x2
若上式中的偏导存在的话。
随机过程 (t) 的n维分布函数:
Fn ( x1 , x2 ,, xn ; t1 , t 2 ,t n )
P (t1 ) x1 , (t 2 ) x2 ,, (t n ) xn
随机过程 (t) 的n维概率密度函数:
n Fn ( x1,x2,
,x n;t1,t2,
,t n )
f n ( x1,x2,
,x n;t1,t2,
,t n )
x1x2 x n
7
第3章 随机过程
三、 随机过程的数字特征
均值(数学期望):
在任意给定时刻t1的取值 (t1)是一个随机变量,其均值
E (t1 ) x1 f1 ( x1 , t1 )dx1
式中 f (x1, t1) - (t1)的概率密度函数
由于t1是任取的,所以可以把 t1 直接写为 t,x1改为 x,
这样上式就变为
E (t )
xf1 ( x, t )dx
8
第3章 随机过程
E (t )
xf1 ( x, t )dx
(t)的均值是时间的确定函数,常记作a ( t ),它表
示随机过程的n个样本函数曲线的摆动中心 :
(t )
a (t ),由各个时刻的平均值
连成的曲线
1 (t )
2 (t )
n (t )
0
t
9
第3章 随机过程
方差
D[ (t )] E [ (t ) a(t )]2
方差常记为 2( t )。这里也把任意时刻t1直接写成了t 。
因为
Dξ t E ξ 2 t 2a t ξ t a 2 t
E[ξ 2 (t )] 2a t E ξ t a 2 (t )
E[ξ 2 (t )] a 2 (t )
x 2 f1 ( x, t )dx [a(t )]2
均方值
均值平方
所以,方差等于均方值与均值平方之差,它表示随
机过程在时刻 t 对于均值a ( t )的偏离程度。
10
第3章 随机过程
相关函数与协方差函数
(自)相关函数
R(t1 , t 2 ) E[ (t1 ) (t 2 )]
x1 x2 f 2 ( x1 , x2 ; t1 , t 2 )dx1dx2
式中, (t1)和 (t2)分别是在t1和t2时刻观测得到的随机变
量。可以看出,R(t1, t2)是两个变量t1和t2的确定函数。
协方差函数
B(t1 , t 2 ) E[ (t1 ) a(t1 )][ (t 2 ) a(t 2 )]
[ x1 a(t1 )][x2 a(t 2 )] f 2 ( x1 , x2 ; t1 , t 2 )dx1dx2
式中 a ( t1 ) a ( t2 ) - 在t1和t2时刻得到的 (t)的均值
f2 (x1, x2; t1, t2) - (t)的二维概率密度函数。
11
第3章 随机过程
相关函数和协方差函数之间的关系
B(t1 , t 2 ) R(t1 , t 2 ) a(t1 ) a(t 2 )
若a(t1) = a(t2)= 0,则B(t1, t2) = R(t1, t2)
互相关函数
R (t1 , t 2 ) E[ (t1 )(t 2 )]
式中(t)和(t)分别表示两个随机过程。
因此,R(t1, t2)又称为自相关函数。
12
第3章 随机过程
3.2 平稳随机过程
一、平稳随机过程的定义
定义:
若一个随机过程(t)的任意有限维分布函数与
时间起点无关,也就是说,对于任意的正整数n和
所有实数,有
f n ( x1 , x 2 ,, x n ;t1 , t 2 ,, t n )
f n ( x1 , x2 ,, xn;t1 , t 2 ,, t n )
则称该随机过程是在严格意义下的平稳随机过程,
简称严平稳随机过程。
13
第3章 随机过程
性质:
该定义表明,平稳随机过程的统计特性不随时间的
推移而改变
它的一维分布函数与时间 t 无关: f1 ( x1 , t1 ) f1 ( x1 )
而二维分布函数只与时间间隔 = t2 – t1 有关:
f 2 ( x1 , x2 ; t1 , t 2 ) f 2 ( x1 , x2 ; )
数字特征:
E (t ) x1 f1 ( x1 )dx1 a
R(t1 , t 2 ) E[ (t1 ) (t1 )]
x1 x2 f 2 ( x1 , x2 ; )dx1dx2 R( )
可见,(1)其均值与 t 无关,为常数a;
(2)自相关函数只与时间间隔 有关。
14
第3章 随机过程
广义平稳:
根据严平稳的数字特征,
E (t ) x1 f1 ( x1 )dx1 a
R(t1 , t 2 ) E[ (t1 ) (t1 )]
x1 x2 f 2 ( x1 , x2 ; )dx1dx2 R( )
(1)其均值与t 无关,为常数a ;
(2)自相关函数只与时间间隔 有关。
把同时满足(1)和(2)的过程定义为广义平稳随
机过程。显然,严平稳随机过程必定是广义平稳的,反
之不一定成立。
在通信系统中所遇到的信号及噪声,大多数可视为
平稳的随机过程。因此,研究平稳随机过程有着很大的
15
实际意义。
第3章 随机过程
二、各态历经性
问题的提出:我们知道,随机过程的数字特征(均值、
相关函数)是对随机过程的所有样本函数的统计平均,
但在实际中常常很难测得大量的样本,这样,我们自
然会提出这样一个问题:能否从一次试验而得到的一
个样本函数 x(t) 来决定平稳过程的数字特征?
回答是肯定的。平稳过程在满足一定的条件下具有一
个有趣而又非常有用的特性,称为“各态历经性”(又
称“遍历性”)。具有各态历经性的过程,其数字特征
(均为统计平均)完全可由随机过程中的任一实现的
时间平均值来代替。
下面,我们来讨论各态历经性的条件。
16
第3章 随机过程
各态历经性条件
设:x(t)是平稳过程 (t) 的任意一次实现(样本),
则其时间均值和时间相关函数分别定义为:
1
a x(t ) lim
T T
T /2
T / 2
x(t )dt
1
R ( ) x(t ) x(t ) lim
T T
T /2
T / 2
x(t ) x(t )dt
如果平稳过程使下式成立
aa
R ( ) R ( )
则称该平稳过程具有各态历经性。
17
第3章 随机过程
“各态历经”的含义是:
随机过程中的任一次实现都经历了随机过程的所有可能
状态。因此,在求解各种统计平均(均值或自相关函数
等)时,无需作无限多次的考察,只要获得一次考察,
用一次实现的“时间平均”值代替过程的“统计平均”值即可,
从而使测量和计算的问题大为简化。
具有各态历经性的随机过程一定是平稳过程,反之不一
定成立。在通信系统中所遇到的随机信号和噪声,一般
均能满足各态历经条件。
18
第3章 随机过程
[例3-1] 设一个随机相位的正弦波为
(t ) A cos( c t )
其中,A和c均为常数;是在(0, 2π)内均匀分布的随机
变量。试讨论(t)是否具有各态历经性。
【解】(1)先求(t)的统计平均值:
数学期望
2
1
d
0
2
A 2
(cos c t cos sin c t sin )d
0
2
a(t ) E[ (t )] A cos( c t )
2
2
A
[cos c t cos d sin c t sin d ] 0
0
0
2
19
第3章 随机过程
自相关函数
R(t1 , t 2 ) E[ (t1 ) (t 2 )]
E[ A cos(ct1 ) A cos(ct 2 )]
A2
E{cosc (t2 t1 ) cos[c (t 2 t1 ) 2 ]}
2
A2
A 2 2
1
cosc (t 2 t1 )
cos[c (t2 t1 ) 2 ]
d
0
2
2
2
2
A
cosc (t 2 t1 ) 0
2
令t2 – t1 = ,得到
A2
R(t1 , t 2 )
cos c R( )
2
可见, (t)的数学期望为常数,而自相关函数与t 无关,
只与时间间隔 有关,所以(t)是广义平稳过程。
20
第3章 随机过程
(2) 求(t)的时间平均值
1 T2
a lim T A cos( c t )dt 0
T T
2
1 T2
R( ) lim T A cos( c t ) A cos[ c (t ) ]dt
T T
2
T
A2 T 2
lim
{T coscdt T2 cos(2ct c 2 )dt}
T 2T
2
2
A2
cosc
2
比较统计平均与时间平均,有
a a , R( ) R ( )
因此,随机相位余弦波是各态历经的。
21
第3章 随机过程
证明某过程满足各态历经性的一般方法:
1、先证明是广义平稳的
a.
E t 常数
b.
R R
2、再证明其满足各态历经性(求时间均值)
a.
aa
b.
R R
22
第3章 随机过程
三、平稳过程的自相关函数
平稳过程自相关函数的定义:R E t t
平稳过程自相关函数的性质
R(0) E[ 2 (t )] — (t) 的平均功率
R( ) R( )
— 的偶函数
R( ) R(0)
— R() 的上界
即自相关函数 R() 在 = 0 有最大值。
R() E 2 [ (t )] a 2 — (t) 的直流功率
R(0) R() 2
表示平稳过程 (t) 的交流功率。当均值为 0 时,有
R(0) = 2 。
23
第3章 随机过程
四、平稳过程的功率谱密度
定义:
对于任意的确定功率信号f (t),它的功率谱密度定义为
Pf ( f ) l i m
FT ( f )
2
T
T
式中,FT ( f )是f (t)的截短函数fT (t) 所对应的频谱函数
f (t )
fT (t )
T
2
0
T
2
t
24
第3章 随机过程
对于平稳随机过程 (t) ,可以把f (t)当作是(t)的一个样
本;某一样本的功率谱密度不能作为过程的功率谱密度。
过程的功率谱密度应看作是对所有样本的功率谱的统计
平均,故 (t)的功率谱密度可以定义为
P ( f ) E Pf ( f ) l i m
T
E FT ( f )
2
T
25
第3章 随机过程
功率谱密度的计算
维纳-辛钦关系
非周期的功率型确知信号的自相关函数与其功率谱密度
是一对傅里叶变换。这种关系对平稳随机过程同样成立,即
有
j
P R ( ) e
1
R ( )
2
简记为
d
P ( ) e j d
R( ) P ( f )
以上关系称为维纳-辛钦关系。它在平稳随机过程的理论和应
用中是一个非常重要的工具,它是联系频域和时域两种分析
方法的基本关系式。
26
第3章 随机过程
在维纳-辛钦关系的基础上,我们可以得到以下结论:
对功率谱密度进行积分,可得平稳过程的总功率:
R(0) P ( f )df
上式从频域的角度给出了过程平均功率的计算法。
各态历经过程的任一样本函数的功率谱密度等于过程的
功率谱密度。也就是说,每一样本函数的谱特性都能很
好地表现整个过程的的谱特性。
【证】因为各态历经过程的自相关函数等于任一样本的
自相关函数,即 R( ) R( )
两边取傅里叶变换: F[R( )] F[R( )]
P ( f ) Pf ( f )
即
式中
R( ) P ( f )
R Pf ( f )
27
第3章 随机过程
功率谱密度P ( f )具有非负性和实偶性,即有
P ( f ) 0
和
P ( f ) P ( f )
这与R()的实偶性相对应。
28
第3章 随机过程
[例3-2] 求随机相位余弦波(t) = Acos(ct + )的自相关函数
和功率谱密度。
【解】在[例3-1]中,我们已经考察随机相位余弦波是一个
平稳过程,并且求出其相关函数为
A2
R( )
cos c
2
因为平稳随机过程的相关函数与功率谱密度是一对傅里叶
变换,即有 R( ) P ( )
cos c [ ( c ) ( c )]
A 2
所以,功率谱密度为 P ( )
[ ( c ) ( c )]
2
以及由于有
平均功率为 S R(0) 1
A2
P ( )d
2
2
29
第3章 随机过程
功率谱密度的意义
可用来描述随机过程的频域特性
可用来描述通信系统中的滤波器及其它器件对信号与噪
声的影响
PSD的积分面积等于平稳过程的总功率
与相关函数构成一对傅里叶变换,从而建立起频域与时
域之间的联系
30
第3章 随机过程
功率谱密度的求法
求统计平均
直接法:由定义求
fT( t ) 的频谱函数
P f lim
T
E FT f
2
T
f ( t ) 的截短函数
随机过程(t)的任一样本(属于功率型确定信号)
间接法:先求自相关函数,再进行傅里叶变换
P f R e j 2f d
31
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:
f n ( x1 , x2 ,..., xn;t1 , t 2 ,...,t n )
1
exp
1/ 2
2B
(2 ) n / 2 1 2 ... n B
1
n
n
j 1 k 1
x j a j xk a k
B jk (
)(
)
j
k
式中 ak E[ (tk )], k2 E[ (tk ) ak ]2
32
第3章 随机过程
式中 |B| - 归一化协方差矩阵的行列式,即
B
b12 b1n
1 b2 n
1
b21
bn1 bn 2
1
|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
E{[ (t j ) a j ][ (tk ) ak ]}
b jk
j k
33
第3章 随机过程
3.3.2 重要性质
1、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(一阶统
计特性)和归一化协方差(二阶统计特性)。因此,
对于高斯过程,只需要研究它的数字特征就可以了。
2、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。
34
第3章 随机过程
3、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
n
f n ( x1, x2 ,...,xn ; t1, t2 ,...,tn )
k 1
1
( xk ak )2
exp[
]
2
2 k
2 k
f ( x1 , t1 ) f ( x2 , t 2 ) f ( xn , t n )
4、高斯过程经过线性变换后生成的过程仍是高斯过程
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。
35
第3章 随机过程
3.3.3 高斯随机变量
一维概率密度函数
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
( x a) 2
1
f ( x)
exp
2
2
式中
2
a - 均值
f ( x)
2 - 方差
1
2
曲线如右图:
o
a
x
36
第3章 随机过程
f ( x)
性质
2
f (x)对称于直线 x = a,即
1
f a x f a x
a
f ( x)dx 1
o
f ( x)dx f ( x)dx
a
x
a
1
2
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:
x2
1
f ( x)
exp
2
2
37
第3章 随机过程
一维分布函数——正态分布函数
在数字系统的抗噪声性能分析中,有时需要计算高斯随机变
量 ξ 小于或等于某一取值 x 的概率 P(ξ ≤x)。它就等于概率密
度函数 f (x) 的积分,
即
x
( z a) 2
1
F ( x) P( x)
exp
dz
2
2
2
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
表示,然后用查表的方法求出。
38
第3章 随机过程
用误差函数表示 正态分布函数
a、误差函数
t ( z a) / 2
令
则有 dz 2 dt
于是 F x 1 2
2
xa
2
e dt
1 1
xa
erf
2 2 2
式中
t 2
(x ≥ a )
2 x t 2
erf ( x)
e dt
0
——误差函数,可以查表(P473)求出其值
erf (x) 是增函数, erf (0)=0, erf (∞)=1,且 erf (−x)= −erf (x)
39
第3章 随机过程
b、互补误差函数
F ( x) 1
式中
1
xa
erfc
2
2
x≤a
2 t 2
erfc( x) 1 erf ( x)
e dt
x
当 x > 2时可取近似,
erfc( x)
1
x
e
x2
erfc (x) 是减函数, erfc (0)=1, erfc (∞)=0,
且 erfc(− x)= 2−erfc (x)
40
第3章 随机过程
于是,用误差函数表示 正态分布函数为
1 1
xa
, x a
erf
2 2
2
F x
1 1 erfc x a , x a
2
2
用误差函数表示 F(x)的好处是便于数值计算,它特性简明,
有助于分析通信系统的抗噪声性能。
还可以用 Q 函数来表示,处理方法与误差函数类似,请大
家自己看书。
41
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) :
vo (t ) h(t ) vi (t ) hi ( )v(t )d
式中 vi - 输入信号, vo - 输出信号
对应的傅里叶变换关系:Vo ( f ) H ( f )Vi ( f )
随机信号通过线性系统:o (t ) h( )i (t )d
假设:i(t) -是输入,为平稳随机过程,
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,即它的均值、自相关函
数、功率谱以及概率分布。
43
第3章 随机过程
输出过程 o(t) 的均值
对下式两边取统计平均:
o (t ) h( )i (t )d
得到
E[o (t )] E
h( )i (t )d
h( )E[i (t )]d
设输入过程是平稳的 ,则有
E[ i (t )] E[ i (t )] a
E[ 0 (t )] a h( )d a H (0)
式中,H(0)是线性系统在 f = 0处的频率响应,因此输出
过程的均值是一个常数。相对于输入放大了H(0)倍。
44
第3章 随机过程
输出过程o(t)的自相关函数:根据自相关函数的定义
Ro (t1 , t1 ) E[ o (t1 ) o (t1 )]
E
h( )i (t1 )d h( )i (t1 )d
h( )h( ) E[i (t1 )i (t1 )]dd
根据输入过程的平稳性,有
E[ i (t1 ) i (t1 )] Ri ( )
于是
Ro (t1 , t1 )
h( )h( ) Ri ( )dd Ro ( )
上式表明,输出过程的自相关函数仅是时间间隔 的函数。
由上两式可知,若线性系统的输入是平稳的,则输出也是
平稳的。
45
第3章 随机过程
输出过程o(t)的功率谱密度
对下式进行傅里叶变换(维纳-辛钦关系)
:
Ro (t1 , t1 )
得出
h( )h( ) Ri ( )dd Ro ( )
Po ( f ) Ro ( )e j d
h( )h( ) R ( )dd e jωτ d
i
令 = + - ,代入上式,得到
即
Po ( f ) h( )e
j
d h( )e
j
d Ri ( )e
'
j '
d '
Po ( f ) H ( f ) H ( f ) Pi ( f ) H ( f ) Pi ( f )
2
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。
46
应用:由Po( f )的反傅里叶变换求Ro()
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, 0 (t ) h( ) i (t )d
可以表示为:
0 (t ) lim
k 0
(t
k 0
i
k
)h( k ) k
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。
注意,与输入高斯过程相比,输出过程的数字特征可能不同。
47
第3章 随机过程
3.5 窄带随机过程
一、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 内,即满足f << fc
的条件,且 fc 远离零频率,则称该(t)为窄带
随机过程。
可表示为
f f c
f c 0
48
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
49
第3章 随机过程
二、窄带随机过程的表示式
包络 – 相位形式(准正弦表示式)
(t ) a (t ) cos[c t (t )] , a (t ) 0
式中,
a (t) —— 随机包络,
(t) —— 随机相位,
c
—— 中心角频率
a (t)和 (t)的变化相对于载波 cosct 的变化要缓
慢得多。
50
第3章 随机过程
同相 – 正交形式(莱斯表示式)
将前述准正弦表示式展开
(t ) a (t ) cos[c t (t )] , a (t ) 0
可以展开为
(t ) c (t ) cos c t s (t ) sin c t
式中
c (t ) a (t ) cos (t )
- (t)的同相分量
s (t ) a (t ) sin (t ) - (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。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。
51
第3章 随机过程
三、1. c(t)和s(t)的统计特性
下面假设(t) 均值为 0,方差为 2
得到
数学期望:对下式求数学期望:
(t ) c (t ) cos c t s (t ) sin c t
E (t ) E[ c (t )]cosc t E[ s (t )]sin c t
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
E[ c (t )] 0, E[ s (t )] 0
52
第3章 随机过程
(t)的自相关函数:由自相关函数的定义式
R (t, t ) E[ (t ) (t )] Rc (t , t ) cos c t cos c (t )
Rcs (t , t ) cos c t sin c (t )
Rsc (t , t ) sin c t cos c (t )
Rs (t , t ) sin c t sin c (t )
式中 Rc (t , t ) E[ c (t ) c (t )]
Rcs (t , t ) E[ c (t ) s (t )]
Rsc (t , t ) E[ s (t ) c (t )]
Rs (t , t ) E[ s (t ) s (t )]
因为(t)是平稳的,故有 R (t, t ) R( )
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,它变为
R ( ) Rc (t, t ) cos c Rcs (t , t ) sin c
53
第3章 随机过程
R ( ) Rc (t, t ) cos c Rcs (t, t ) sin c
因与时间 t 无关,以下二式自然成立
Rc (t , t ) Rc ( )
Rcs (t , t ) Rcs ( )
所以,上式变为
R ( ) Rc ( ) cosc Rcs ( ) sin c
再令 t = π/2c,同理可以求得
R ( ) Rs ( ) cosc Rsc ( ) sin c
所以, R (t)与时间起点无关,只与时间间隔 有关。
由以上分析可知 ,若窄带过程 (t) 是平稳的,则c(t)和s(t)
也必然是平稳的。
54
第3章 随机过程
进一步分析,下两式
R ( ) Rc ( ) cosc Rcs ( ) sin c
R ( ) Rs ( ) cosc Rsc ( ) sin c
应同时成立,故有
Rc ( ) Rs ( )
Rcs ( ) Rsc ( )
上式表明,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 Rcs ( ) Rsc ( )
代入上式,得到
Rsc ( ) Rsc ( )
上式表明Rsc()是 的奇函数,所以 Rsc (0) 0
同理可证 Rcs (0) 0
55
第3章 随机过程
Rsc (0) 0
将
代入下两式
Rcs (0) 0
R ( ) Rc ( ) cosc Rcs ( ) sin c
R ( ) Rs ( ) cosc Rsc ( ) sin c
得到
R (0) Rc (0) Rs (0)
2 c2 s2
即
上式表明(t) 、 c(t)和s(t)具有相同的平均功率或方差。
56
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
(t ) c (t ) cos c t s (t ) sin c t
得到
t t1 0 时, (t1 ) c (t1 )
t t2
时, (t 2 ) s (t 2 )
2c
因为(t)是高斯过程,所以, c(t1), s(t2)一定是高斯随机
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c(t) 与s(t)也是统计独立的。
57
第3章 随机过程
结论 1
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)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
互不相关的或统计独立的。即有:
E t E c t E s t
c2 s2 2
Rcs 0 Rsc 0 0
58
第3章 随机过程
三、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
f (a , ) f ( c , s )
a cos
由 c
s a sin
可以求得
( c , s )
( a , )
c
a
c
( c , s )
(a , )
c2 s2
1
f ( c , s ) f ( c ) f ( s )
exp[
]
2
2
2
2
s
cos
sin
a
a
s
a sin a cos
59
第3章 随机过程
于是有
(a cos ) 2 (a sin ) 2
f (a , ) a f ( c , s )
exp
2
2
2
a
a2
exp
2
2
2
2
a
式中
a 0,
= (0 ~ 2π)
60
第3章 随机过程
a的一维概率密度函数
a2
f (a ) f (a , )d
exp
d
2
2
2
0 2
a2
2 exp
2
2
a
2
a
a 0
可见, a服从瑞利(Rayleigh)分布。
61
第3章 随机过程
的一维概率密度函数
a2
1 a
f ( ) f (a , )da
exp
2
2 2
2
0
0
1
0 2
2
da
可见, 服从均匀分布。
62
第3章 随机过程
结论 2
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
a2
f (a ) 2 exp
, a 0
2
2
1
f ( )
, 0 2
2
f (a , ) f (a ) f ( )
a
63
第3章 随机过程
3.6 正弦波加窄带高斯噪声
一、正弦波加窄带高斯噪声的表示式
r (t ) A cos( c t ) n(t )
式中
n(t ) nc (t ) cos c t ns (t ) sin c t
- 窄带高斯噪声
- 正弦波的随机相位,均匀分布在0 ~2间
A和c - 确知振幅和角频率
于是有 r (t ) [ A cos nc (t )]cos c t [ A sin ns (t )]sin c t
z c (t ) cos c t z S (t ) sin c t
z (t ) cos[ c t (t )]
式中 zc (t ) A cos nc (t )
z s (t ) A sin ns (t )
64
第3章 随机过程
正弦波加窄带高斯噪声的包络和相位表示式
包络:
z (t ) z c2 (t ) z s2 (t ) , z 0
相位:
1 z s (t )
(t ) tg
, (0 2 )
z c (t )
65
第3章 随机过程
二、正弦波加窄带高斯噪声的包络的统计特性
1、包络的概率密度函数 f (z)
利用上一节的结果,如果 值已给定,则zc、zs是相互
独立的高斯随机变量,且有 E[ z ] A cos
c
E[ z s ] A sin
c2 s2 n2
所以,在给定相位 的条件下的zc和zs的联合概率密度
函数为
f ( zc , z s / )
1
2
2
exp
(
z
A
cos
)
(
z
A
sin
)
c
s
2
2 n2
2
n
1
66
第3章 随机过程
利用与上一节分析a和相似的方法,根据zc,zs与z,之间
的随机变量关系 z c z cos
z s z sin
可以求得在给定相位 的条件下的z与的联合概率密度函数
f ( z, / ) f ( z c , z s / )
( z c, z s )
( z, )
z f ( zc , z s / )
1
2
2
exp
z
A
2
Az
cos(
)
2
2 n2
2
n
z
然后求给定条件下的边际分布, 即
f (z / )
2
0
f ( z, / )d
z 2 A2
exp
2
2 n
2 n2
z
2
Az
exp 2 cos( ) d
0
n
67
第3章 随机过程
由于
故有
1
2
1
2
2
0
2
0
exp x cos d I 0 ( x)
Az
Az
exp 2 cos( ) d I 0 2
n
n
式中
I0(x) - 第一类零阶修正贝塞尔函数
因此
1
Az
2
2
f ( z / ) 2 exp
( z A ) I 0 2
2
n
2 n
n
z
由上式可见,f (, z)与无关,故包络z的概率密度函数为
1
Az
2
2
f ( z ) 2 exp
( z A ) I 0 2
2
n
2 n
n
z
z0
-称为广义瑞利分布,又称莱斯(Rice)分布。
68
第3章 随机过程
f ( z)
1
Az
2
2
exp
(
z
A
)
I
0 2
2
2
n
2 n
n
z
z0
讨论
小信号时,即A 0时,上式中(Az/n2)很小,
I0 (Az/n2) 1,上式的莱斯分布退化为瑞利分布。
大信号时,(Az/n2)很大,有
I 0 ( x)
这时上式近似为高斯分布,即
ex
2x
( z A) 2
f ( z)
exp
2
2 n
2 n
1
69
第3章 随机过程
3.7 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
n
Pn ( f )
或
0
2
Pn ( f ) n0
( f )
- 双边功率谱密度
(0 f )
- 单边功率谱密度
式中 n0 - 正常数
72
第3章 随机过程
白噪声的自相关函数
n0
R( ) ( )
2
对双边功率谱密度取傅里叶反变换
73
第3章 随机过程
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,即
或
n0
R(0)
df
2
n0
R ( 0) ( 0)
2
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。
74
第3章 随机过程
讨论
白噪声只有在 τ = 0(同一时刻)时才相关,而在其它任
意两个时刻上的随机变量都是不相关的。
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,就可以把它看作白噪声。
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。
75
第3章 随机过程
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
n
0
f fH
Pn ( f ) 2
其它
0
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
R( ) n0 f H
sin 2f H
2f H
76
第3章 随机过程
功率谱密度和自相关函数曲线
由曲线看出,这种带限白噪声只有在
k / 2 f H (k 1,2,3, )
上得到的随机变量才不相关。
77
第3章 随机过程
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
1
H( f )
0
式中
fc
B
B
f fc
2
2
其他f
fc - 中心频率,B - 通带宽度
则其输出噪声的功率谱密度为
n0
Pn ( f ) 2
0
fc
B
B
f fc
2
2
其它f
78
第3章 随机过程
自相关函数
R( ) Pn ( f )e
n0 B
j 2 f
B
2
B
fc
2
df
fc
n0 j 2 f
e
df
2
B
2
B
fc
2
fc
n0 j 2f
e
df
2
sin B
cos 2f c
B
79
第3章 随机过程
带通白噪声的功率谱和自相关函数曲线
80
第3章 随机过程
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节窄带随
机过程。
平均功率
N n0 B
81
3.8 小节
82
版权声明
本课件根据国防工业出版社《通信原理》(樊昌信 曹丽娜
编著)配套课件制作。课件中原有的文字、图片和动画版
权属于原作者所有。如需使用,请联系出版社或原作者。
其它由 Haoxian Zeng 设计、编写和制作的内容,采用 知
识共享 署名-相同方式共享 3.0 未本地化版本 许可协议 进
行许可。详细信息请查看课件发布页面。