信号处理仿真：数字信号处理基础_（6）.随机信号处理-CSDN博客

本文链接：https://blog.csdn.net/2401_87715305/article/details/148153294

随机信号处理

随机信号的基本概念

在信号处理领域，随机信号是指其值在时间或空间上表现出随机性的信号。与确定性信号不同，随机信号的值不能完全预测，而是具有一定的概率分布。随机信号在通信、雷达、声纳、生物医学、金融等领域中非常常见，因为这些领域中的信号通常受到各种随机噪声的影响。

随机变量与随机过程

随机变量：随机变量是随机事件的数学表示，通常用大写字母表示，如 $X$ 。随机变量的取值范围称为样本空间，用 $S$ 表示。随机变量的概率分布可以用概率密度函数（PDF）或累积分布函数（CDF）来描述。
随机过程：随机过程是一系列随机变量的集合，通常用 $X (t)$ 或 $X [n]$ 表示，其中 $t$ 或 $n$ 是时间或离散时间的索引。随机过程的每个实现称为样本函数或路径。

常见的随机过程

白噪声：白噪声是一种功率谱密度在所有频率上均等的随机过程，通常用于模拟通信信道中的噪声。
高斯噪声：高斯噪声是一种每个样本都服从高斯分布的随机过程，广泛用于信号处理中的噪声模型。
泊松过程：泊松过程是一种描述事件在时间上随机发生的随机过程，常用于模拟通信系统中的到达过程。
马尔可夫过程：马尔可夫过程是一种具有无记忆特性的随机过程，即未来的状态只依赖于当前状态，而不依赖于过去的状态。

随机信号的统计特性

均值：随机信号的均值描述了信号的中心趋势，用 $\mu_x = E[X(t)]$ 表示，其中 $E[\cdot]$ 表示数学期望。
方差：随机信号的方差描述了信号的波动程度，用 $\sigma_x^2 = E[(X(t) - \mu_x)^2]$ 表示。
自相关函数：自相关函数描述了信号在不同时间点上的相关性，用 $R_{xx}(\tau) = E[X(t)X(t+\tau)]$ 表示。
功率谱密度：功率谱密度描述了信号在频域上的功率分布，用 $S_{xx}(f)$ 表示，可以通过傅里叶变换从自相关函数得到。

随机信号的生成

生成随机信号是信号处理仿真的一个重要环节。在实际应用中，我们需要生成具有特定统计特性的随机信号，以便进行后续的分析和处理。

使用Python生成随机信号

Python是一种强大的编程语言，广泛用于科学计算和信号处理。下面我们将介绍如何使用Python生成常见的随机信号。

生成白噪声

白噪声是一种功率谱密度在所有频率上均等的随机过程。在Python中，可以使用numpy库生成白噪声。

import numpy as np
import matplotlib.pyplot as plt

# 生成1000个样本的白噪声
n_samples = 1000
white_noise = np.random.normal(0, 1, n_samples)

# 绘制白噪声的时域图
plt.figure(figsize=(10, 4))
plt.plot(white_noise)
plt.title('White Noise in Time Domain')
plt.xlabel('Sample Index')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

# 计算白噪声的自相关函数
def autocorrelation(x, lag):
    return np.correlate(x, np.roll(x, lag), mode='valid')[0]

lags = np.arange(100)
autocorr = [autocorrelation(white_noise, lag) for lag in lags]

# 绘制自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr)
plt.title('Autocorrelation of White Noise')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.grid(True)
plt.show()

生成高斯噪声

高斯噪声是一种每个样本都服从高斯分布的随机过程。在Python中，可以使用numpy库生成高斯噪声。

# 生成1000个样本的高斯噪声，均值为0，方差为1
gaussian_noise = np.random.normal(0, 1, n_samples)

# 绘制高斯噪声的时域图
plt.figure(figsize=(10, 4))
plt.plot(gaussian_noise)
plt.title('Gaussian Noise in Time Domain')
plt.xlabel('Sample Index')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

# 计算高斯噪声的自相关函数
autocorr_gaussian = [autocorrelation(gaussian_noise, lag) for lag in lags]

# 绘制自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_gaussian)
plt.title('Autocorrelation of Gaussian Noise')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.grid(True)
plt.show()

生成泊松过程

泊松过程是一种描述事件在时间上随机发生的随机过程。在Python中，可以使用numpy库生成泊松过程。

# 生成泊松过程
lambda_val = 1.0  # 泊松过程的参数
t_max = 100  # 时间最大值
t = np.linspace(0, t_max, n_samples)

# 生成泊松过程的事件时间
event_times = np.cumsum(np.random.exponential(1 / lambda_val, n_samples))

# 绘制泊松过程的事件时间
plt.figure(figsize=(10, 4))
plt.plot(t, np.zeros_like(t), 'k-', label='Time Axis')
plt.plot(event_times, np.ones_like(event_times), 'ro', label='Event Times')
plt.title('Poisson Process Event Times')
plt.xlabel('Time')
plt.ylabel('Event')
plt.legend()
plt.grid(True)
plt.show()

生成马尔可夫过程

马尔可夫过程是一种具有无记忆特性的随机过程。在Python中，可以使用numpy库生成马尔可夫过程。

# 定义马尔可夫过程的状态转移矩阵
transition_matrix = np.array([[0.7, 0.3], [0.4, 0.6]])

# 生成初始状态
initial_state = np.array([1, 0])  # 从状态0开始

# 生成1000个样本的马尔可夫过程
n_samples = 1000
states = [0]  # 初始状态

for _ in range(n_samples - 1):
    current_state = states[-1]
    next_state = np.random.choice([0, 1], p=transition_matrix[current_state])
    states.append(next_state)

# 绘制马尔可夫过程的状态变化
plt.figure(figsize=(10, 4))
plt.plot(states, marker='o', linestyle='-', color='b')
plt.title('Markov Process State Changes')
plt.xlabel('Sample Index')
plt.ylabel('State')
plt.grid(True)
plt.show()

随机信号的分析

随机信号的分析主要包括统计特性分析和频域分析。通过这些分析，我们可以更好地理解信号的性质和行为。

统计特性分析

均值和方差

均值和方差是描述随机信号基本统计特性的两个重要参数。在Python中，可以使用numpy库计算这些参数。

# 计算白噪声的均值和方差
mean_white = np.mean(white_noise)
var_white = np.var(white_noise)

# 计算高斯噪声的均值和方差
mean_gaussian = np.mean(gaussian_noise)
var_gaussian = np.var(gaussian_noise)

print(f'White Noise Mean: {mean_white}, Variance: {var_white}')
print(f'Gaussian Noise Mean: {mean_gaussian}, Variance: {var_gaussian}')

自相关函数

自相关函数描述了信号在不同时间点上的相关性。在Python中，可以使用numpy库计算自相关函数。

# 计算白噪声的自相关函数
autocorr_white = [autocorrelation(white_noise, lag) for lag in lags]

# 计算高斯噪声的自相关函数
autocorr_gaussian = [autocorrelation(gaussian_noise, lag) for lag in lags]

# 绘制自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_white, label='White Noise')
plt.plot(lags, autocorr_gaussian, label='Gaussian Noise')
plt.title('Autocorrelation of Random Signals')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.legend()
plt.grid(True)
plt.show()

频域分析

功率谱密度

功率谱密度描述了信号在频域上的功率分布。在Python中，可以使用scipy库计算功率谱密度。

from scipy.signal import welch

# 计算白噪声的功率谱密度
frequencies_white, psd_white = welch(white_noise, fs=1.0, nperseg=256)

# 计算高斯噪声的功率谱密度
frequencies_gaussian, psd_gaussian = welch(gaussian_noise, fs=1.0, nperseg=256)

# 绘制功率谱密度
plt.figure(figsize=(10, 4))
plt.plot(frequencies_white, psd_white, label='White Noise')
plt.plot(frequencies_gaussian, psd_gaussian, label='Gaussian Noise')
plt.title('Power Spectral Density of Random Signals')
plt.xlabel('Frequency')
plt.ylabel('PSD')
plt.legend()
plt.grid(True)
plt.show()

随机信号的滤波

随机信号的滤波是信号处理中的一个重要步骤，用于去除噪声或提取信号的有用部分。常见的滤波器包括低通滤波器、高通滤波器和带通滤波器。

使用Python实现低通滤波器

低通滤波器可以去除高频噪声，保留低频信号。在Python中，可以使用scipy库实现低通滤波器。

from scipy.signal import butter, lfilter

# 定义低通滤波器
def butter_lowpass(cutoff, fs, order=5):
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return b, a

def butter_lowpass_filter(data, cutoff, fs, order=5):
    b, a = butter_lowpass(cutoff, fs, order=order)
    y = lfilter(b, a, data)
    return y

# 生成带有高频噪声的信号
t = np.linspace(0, 1, n_samples, endpoint=False)
signal = np.sin(2 * np.pi * 5 * t) + np.random.normal(0, 0.5, n_samples)

# 绘制原始信号
plt.figure(figsize=(10, 4))
plt.plot(t, signal)
plt.title('Original Signal with High Frequency Noise')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

# 应用低通滤波器
cutoff = 10  # 截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_lowpass_filter(signal, cutoff, fs, order)

# 绘制滤波后的信号
plt.figure(figsize=(10, 4))
plt.plot(t, filtered_signal)
plt.title('Filtered Signal with Low Pass Filter')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

使用Python实现高通滤波器

高通滤波器可以去除低频噪声，保留高频信号。在Python中，可以使用scipy库实现高通滤波器。

# 定义高通滤波器
def butter_highpass(cutoff, fs, order=5):
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = butter(order, normal_cutoff, btype='high', analog=False)
    return b, a

def butter_highpass_filter(data, cutoff, fs, order=5):
    b, a = butter_highpass(cutoff, fs, order=order)
    y = lfilter(b, a, data)
    return y

# 生成带有低频噪声的信号
signal = np.sin(2 * np.pi * 5 * t) + np.random.normal(0, 0.5, n_samples)

# 绘制原始信号
plt.figure(figsize=(10, 4))
plt.plot(t, signal)
plt.title('Original Signal with Low Frequency Noise')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

# 应用高通滤波器
cutoff = 10  # 截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_highpass_filter(signal, cutoff, fs, order)

# 绘制滤波后的信号
plt.figure(figsize=(10, 4))
plt.plot(t, filtered_signal)
plt.title('Filtered Signal with High Pass Filter')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

使用Python实现带通滤波器

带通滤波器可以保留特定频率范围内的信号，去除其他频率的信号。在Python中，可以使用scipy库实现带通滤波器。

# 定义带通滤波器
def butter_bandpass(lowcut, highcut, fs, order=5):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band', analog=False)
    return b, a

def butter_bandpass_filter(data, lowcut, highcut, fs, order=5):
    b, a = butter_bandpass(lowcut, highcut, fs, order=order)
    y = lfilter(b, a, data)
    return y

# 生成带有多个频率成分的信号
signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t) + np.random.normal(0, 0.5, n_samples)

# 绘制原始信号
plt.figure(figsize=(10, 4))
plt.plot(t, signal)
plt.title('Original Signal with Multiple Frequency Components')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

# 应用带通滤波器
lowcut = 10  # 低截止频率
highcut = 30  # 高截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_bandpass_filter(signal, lowcut, highcut, fs, order)

# 绘制滤波后的信号
plt.figure(figsize=(10, 4))
plt.plot(t, filtered_signal)
plt.title('Filtered Signal with Band Pass Filter')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.grid(True)
plt.show()

随机信号的估计

在信号处理中，我们经常需要估计随机信号的参数，如均值、方差、自相关函数等。这些估计通常基于有限的样本数据进行。

均值和方差的估计

均值估计

均值估计可以通过对样本数据求平均值来实现。在Python中，可以使用numpy库进行均值估计。

# 估计白噪声的均值
mean_est_white = np.mean(white_noise)
print(f'Estimated Mean of White Noise: {mean_est_white}')

# 估计高斯噪声的均值
mean_est_gaussian = np.mean(gaussian_noise)
print(f'Estimated Mean of Gaussian Noise: {mean_est_gaussian}')

方差估计

方差估计可以通过对样本数据求方差来实现。在Python中，可以使用numpy库进行方差估计。

# 估计白噪声的方差
var_est_white = np.var(white_noise)
print(f'Estimated Variance of White Noise: {var_est_white}')

# 估计高斯噪声的方差
var_est_gaussian = np.var(gaussian_noise)
print(f'Estimated Variance of Gaussian Noise: {var_est_gaussian}')

自相关函数的估计

自相关函数的估计可以通过对样本数据进行自相关计算来实现。在Python中，可以使用numpy库进行自相关函数的估计。

# 估计白噪声的自相关函数
def estimate_autocorrelation(x, max_lag):
    n = len(x)
    autocorr = np.correlate(x, x, mode='full')
    autocorr = autocorr[n-1:n+max_lag]
    return autocorr / autocorr[0]

max_lag = 100
autocorr_est_white = estimate_autocorrelation(white_noise, max_lag)

# 估计高斯噪声的自相关函数
autocorr_est_gaussian = estimate_autocorrelation(gaussian_noise, max_lag)

# 绘制自相关函数估计
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_est_white, label='Estimated White Noise')
plt.plot(lags, autocorr_est_gaussian, label='Estimated Gaussian Noise')
plt.title('Estimated Autocorrelation of Random Signals')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.legend()
plt.grid(True)
plt.show()

功率谱密度的估计

功率谱密度的估计可以通过对样本数据进行傅里叶变换来实现。在Python中，可以使用scipy库进行功率谱密度的估计。功率谱密度（PSD）描述了信号在频域上的功率分布，是信号处理中重要的分析工具之一。

估计白噪声的功率谱密度

# 估计白噪声的功率谱密度
frequencies_est_white, psd_est_white = welch(white_noise, fs=1.0, nperseg=256)

# 绘制估计的功率谱密度
plt.figure(figsize=(10, 4))
plt.plot(frequencies_est_white, psd_est_white, label='Estimated White Noise')
plt.title('Estimated Power Spectral Density of White Noise')
plt.xlabel('Frequency')
plt.ylabel('PSD')
plt.legend()
plt.grid(True)
plt.show()

估计高斯噪声的功率谱密度

# 估计高斯噪声的功率谱密度
frequencies_est_gaussian, psd_est_gaussian = welch(gaussian_noise, fs=1.0, nperseg=256)

# 绘制估计的功率谱密度
plt.figure(figsize=(10, 4))
plt.plot(frequencies_est_gaussian, psd_est_gaussian, label='Estimated Gaussian Noise')
plt.title('Estimated Power Spectral Density of Gaussian Noise')
plt.xlabel('Frequency')
plt.ylabel('PSD')
plt.legend()
plt.grid(True)
plt.show()

比较白噪声和高斯噪声的功率谱密度

# 绘制白噪声和高斯噪声的功率谱密度
plt.figure(figsize=(10, 4))
plt.plot(frequencies_est_white, psd_est_white, label='Estimated White Noise')
plt.plot(frequencies_est_gaussian, psd_est_gaussian, label='Estimated Gaussian Noise')
plt.title('Estimated Power Spectral Density of Random Signals')
plt.xlabel('Frequency')
plt.ylabel('PSD')
plt.legend()
plt.grid(True)
plt.show()

随机信号的滤波与估计的综合应用

在实际应用中，我们通常需要对随机信号进行滤波，然后估计滤波后的信号的统计特性。下面我们将展示如何结合低通滤波器、高通滤波器和带通滤波器对信号进行处理，并估计其均值、方差和自相关函数。

使用低通滤波器处理信号并估计统计特性

# 生成带有高频噪声的信号
t = np.linspace(0, 1, n_samples, endpoint=False)
signal = np.sin(2 * np.pi * 5 * t) + np.random.normal(0, 0.5, n_samples)

# 应用低通滤波器
cutoff = 10  # 截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_lowpass_filter(signal, cutoff, fs, order)

# 估计滤波后信号的均值
mean_est_filtered = np.mean(filtered_signal)
print(f'Estimated Mean of Filtered Signal: {mean_est_filtered}')

# 估计滤波后信号的方差
var_est_filtered = np.var(filtered_signal)
print(f'Estimated Variance of Filtered Signal: {var_est_filtered}')

# 估计滤波后信号的自相关函数
autocorr_est_filtered = estimate_autocorrelation(filtered_signal, max_lag)

# 绘制滤波后信号的自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_est_filtered, label='Estimated Filtered Signal')
plt.title('Estimated Autocorrelation of Filtered Signal')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.legend()
plt.grid(True)
plt.show()

使用高通滤波器处理信号并估计统计特性

# 生成带有低频噪声的信号
signal = np.sin(2 * np.pi * 5 * t) + np.random.normal(0, 0.5, n_samples)

# 应用高通滤波器
cutoff = 10  # 截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_highpass_filter(signal, cutoff, fs, order)

# 估计滤波后信号的均值
mean_est_filtered = np.mean(filtered_signal)
print(f'Estimated Mean of Filtered Signal: {mean_est_filtered}')

# 估计滤波后信号的方差
var_est_filtered = np.var(filtered_signal)
print(f'Estimated Variance of Filtered Signal: {var_est_filtered}')

# 估计滤波后信号的自相关函数
autocorr_est_filtered = estimate_autocorrelation(filtered_signal, max_lag)

# 绘制滤波后信号的自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_est_filtered, label='Estimated Filtered Signal')
plt.title('Estimated Autocorrelation of Filtered Signal')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.legend()
plt.grid(True)
plt.show()

使用带通滤波器处理信号并估计统计特性

# 生成带有多个频率成分的信号
signal = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 20 * t) + np.random.normal(0, 0.5, n_samples)

# 应用带通滤波器
lowcut = 10  # 低截止频率
highcut = 30  # 高截止频率
fs = 1000.0  # 采样频率
order = 6
filtered_signal = butter_bandpass_filter(signal, lowcut, highcut, fs, order)

# 估计滤波后信号的均值
mean_est_filtered = np.mean(filtered_signal)
print(f'Estimated Mean of Filtered Signal: {mean_est_filtered}')

# 估计滤波后信号的方差
var_est_filtered = np.var(filtered_signal)
print(f'Estimated Variance of Filtered Signal: {var_est_filtered}')

# 估计滤波后信号的自相关函数
autocorr_est_filtered = estimate_autocorrelation(filtered_signal, max_lag)

# 绘制滤波后信号的自相关函数
plt.figure(figsize=(10, 4))
plt.plot(lags, autocorr_est_filtered, label='Estimated Filtered Signal')
plt.title('Estimated Autocorrelation of Filtered Signal')
plt.xlabel('Lag')
plt.ylabel('Autocorrelation')
plt.legend()
plt.grid(True)
plt.show()

总结

随机信号处理是信号处理领域的一个重要分支，涉及随机信号的生成、分析和滤波。通过使用Python及其科学计算库，我们可以方便地生成和处理各种随机信号，并估计其统计特性。这些技术在通信、雷达、声纳、生物医学、金融等领域中有着广泛的应用。通过理解和应用这些基本概念和方法，我们可以更好地处理和分析实际中的随机信号。

在这里插入图片描述