现代信号处理中的主要理论

唠嗑！

已于 2024-01-12 17:16:35 修改

阅读量784

点赞数 2

分类专栏：信息论安全文章标签：信号处理网络安全

于 2022-05-12 23:09:59 首次发布

本文链接：https://blog.csdn.net/forest_LL/article/details/124696229

版权

信息论安全专栏收录该内容

37 篇文章 19 订阅

订阅专栏

本文介绍了离散时间信号与系统的基础，包括单位样本序列和单位跃阶序列。深入探讨了取样定理的重要性，强调了频谱不重叠条件。接着，详细阐述了傅里叶变换的概念，以及其在时频分析中的应用。此外，还讨论了小波变换的优势，特别是在时频分析和非平稳信号处理中的优越性。最后，提到了双线性变换在数字滤波器设计中的作用，以及能量信号和功率信号的区别。

摘要由CSDN通过智能技术生成

一. 离散时间信号与系统

单位样本序列：

$\delta (n)=\begin{cases}1&n=0\\0&n\neq0 \end{cases}$

单位跃阶序列：

$u(n)=\begin{cases}1&n\geq0\\0&n<0 \end{cases}$

常用的离散序列除了以上两个，还有 $sin nw,R(n)$ 。

实值指数序列：

$x(n)=a^n,\quad a\in R$

实值指数序列和单位样本序列可以形成一般序列：

$x(n)*\delta (n)$

二. 取样定理

取样定理需要满足频谱不重叠条件，如下：

$\Omega_s\geq 2\Omega_{max}$

(先占坑，后面再解释）

三. 傅里叶变换

任一周期信号都可以分解为无穷多个不同频率的正弦信号和，即傅里叶级数。

傅里叶变换是一种线性的积分变换，它的目的是可将时域上的信号转变为频域上的信号,类似于将直角坐标系变换成极坐标系。随着域的不同，对同一个事物的了解角度也就随之改变,因此在时域中某些不好处理的问题,在频域就可以较为简单地解决。在网络安全等领域，傅里叶变换也是经常被使用的。

正变换如下：

$X(j\Omega)=\int_{-\infty}^\infty x(t)e^{-j\Omega t}dt$

反变换如下：

$x(t)=\frac{1}{2\pi}\int_{-\infty}^\infty X(j\Omega)e^{j\Omega t}d\Omega$

傅里叶变换缺乏时间和频率的定位功能，只适合于时不变信号。

四. 小波变换

小波变换提供了一个在时、频平面上可调的分析窗口，如下：

$WT(a,b)=\frac{1}{\sqrt{a}}\int x(t)\phi^*_{a,b}(\frac{t-b}{a})dt$

小波变换扩展了信号时频分析的概念，在信号分辨率方面具有对信号特点的适应性。

传统的信号处理是建立在傅里叶变换的基础上的，而傅里叶变换作为一种全局性的变化，其有一定的局限性,如不具备局部化分析能力、不能分析非平稳信号等。对于这样的非平稳信号，只知道包含哪些频率成分是不够的，还要知道各个成分出现的时间。

知道信号频率随时间变化的情况，各个时刻的瞬时频率及其幅值———时频分析。对于非平稳信号分析一个简单可行的方法就是加窗。把整个时域过程分解成无数个等长的小过程，每个小过程近似平稳，再进行傅里叶变换，这样就知道在哪个时间点上出现了什么频率了。这种方法就是短时傅里叶变换(Short-timeFourierTransform,STFT)，但是如果窗太窄，窗内的信号太短，则会导致频率分析不够精准，频率分辨率差；如果窗太宽,时域上又不够精细,则会导致时间分辨率低。

1980年数学家 Y.Meyer偶然构造出一个真正的小波基，并与 S.Mallat合作建立了构造小波基的统一方法多尺度分析之后,小波分析才开始蓬勃发展起来，其中比利时女数学家I.Daubechies撰写的《小波十讲》对小波的普及起到了重要的推动作用。

小波变换是一种新的网络安全和变换分析方法,它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间与频率的窗口，是进行信号时频分析和处理的理想工具。小波变换的出发点和 STFT 还是不同的。STFT 是给信号加窗，分段做FFT,而小波直接将傅里叶变换的无限长的三角函数换成了有限长的会衰减的小波函数。这样不仅能够获取频率,还可以定位时间。

五. 双线性变换

由模拟滤波器基本单元1/S数字仿真导出双线性变换式：

$s=\frac{2(1-z^{-1})}{T(1+z^{-1})}$

将此式子做一点点变换，可得：

$z=\frac{2/T+s}{2/T-s}$

六. 能量信号与功率信号

6.1 能量信号（Energy Signals)

若信号x(n)的能量满足：

$E=\sum_{n=-\infty}^\infty|x(n)|^2<\infty$

则称信号x(n)时能量有限信号，简称能量信号。

6.2 功率信号（Power Signals）

对于周期信号、随机信号和阶跃信号，E都是无穷大的，所以通常通过研究其平均功率来研究此类信号。信号x(n)的平均功率定义为如下：

$P=\lim_{N\to \infty}\frac{1}{2N+1}\sum_{n=-N}^N x^2(n)$

如果 $P<\infty$ ，则称x(n)为功率有限信号，简称功率信号。

七. 随机信号

如果信号在每个时刻的取值时随机变量，则称为随机信号，也可以叫随机过程、随机函数或随机序列。

随机信号满足如下两个性质：

随机信号在任何时间的取值都是不能先验确定的随机变量；
随机信号的取值可以服从某种统计规律，可以用概率分布特性统计地描述；

例题

$s(t)=cos(\omega_0t+\theta)$ ，式子中随机变量 $\theta$ 在 $[-\pi,\pi]$ 中服从均匀分布，计算其概率密度函数。

解：

概率密度函数如下：

$f(\theta)=\begin{cases}\frac{1}{2\pi},&-\pi\leq\theta\leq\pi\\0,&others \end{cases}$

八. 误差能量

8.1 最小误差能量

设x(n)和y(n)为能量信号，将y(n)适当放大或缩小a倍，来使得二者尽可能相对应，可以取它们的误差能量来衡量它们的相似性。误差能量定义为如下：

$\epsilon^2=\sum_{n=-\infty}^\infty[x(n)-ay(n)]^2$

当a满足如下等式时， $\epsilon^2$ 取最小值：

$\frac{\partial\epsilon^2}{\partial a}=0$

易得此时的a可求得如下：

$a_{opt}=\frac{\sum_{n=-\infty}^\infty x(n)y(n)}{\sum_{n=-\infty}^\infty y^2(n)}$

将此时的a代入原误差能量可得其最小值：

$\epsilon^2_{min}=\sum_{n=-\infty}^\infty x^2(n)-\frac{[\sum_{n=-\infty}^\infty x(n)y(n)]^2}{\sum_{n=-\infty}^\infty y^2(n)}$

此结果告诉我们，当 $a$ 取 $a_{opt}$ 时，x(n)与ay(n)的误差能量最小，可以理解为此时的x(n)与ay(n)最相似。

8.2 相对最小误差

最小误差可得：

$\bar\epsilon_{min}^2=1-\frac{[\sum_{n=-\infty}^\infty x(n)y(n)]^2}{[\sum_{n=-\infty}^\infty x^2(n)\sum_{n=-\infty}^\infty y^2(n)]}$

将上式子中取一个代表式子：

$\rho_{xy}=\frac{\sum_{n=-\infty}^\infty x(n)y(n)}{[\sum_{n=-\infty}^\infty x^2(n)\sum_{n=-\infty}^\infty y^2(n)]^{\frac{1}{2}}}$

根据施瓦茨不等式，可得：

$\rho_{xy}\leq1$

根据能量定理,x(n)和y(n)的能量是有限的，且分别定义为如下：

$\sum_n x^2(n),\sum_n y^2(n),$

由此可得两者乘积：

$E_{xy}=\sum_{n=-\infty}^\infty x^2(n)\times \sum_{n=-\infty}^\infty y^2(n)=constants$

上式子中“constants”代表常数。

小结

信号可定义为一个传载信息的函数。根据信号的特点，可表示成一个或几个独立变量的函数，例如图像信号就是空间位置（二维变量）的色彩和亮度函数，一维信号的变量可以是时间，也可以是频率、空间或其他物理量，习惯上看成是时间。

根据信号的幅值和时间取连续值还是取离散值，可以分为下面几种信号:

连续时间信号：在连续时间范围内定义的信号，信号幅值可以是连续的也可以是离散的。在幅值连续的特定情况下又常称为模拟信号，实际上连续时间信号与模拟信号常常通用，用来说明同一信号。

离散时间信号：时间为离散变量，而幅值是连续变化的信号。数字信号：时间和幅值都是离散化的信号。

唠嗑！

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
现代信号处理中的主要理论

小波变换是一种新的变换分析方法,它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间与频率的窗口，是进行信号时频分析和处理的理想工具。传统的信号处理是建立在傅里叶变换的基础上的，而傅里叶变换作为一种全局性的变化，其有一定的局限性,如不具备局部化分析能力、不能分析非平稳信号等。设x(n)和y(n)为能量信号，将y(n)适当放大或缩小a倍，来使得二者尽可能相对应，可以取它们的误差能量来衡量它们的相似性。，则称x(n)为功率有限信号，简称功率信号。
复制链接

扫一扫