随机信号分析与处理1

一、绪论

一个电子设备的性能好坏唯一标准：能否有效提取我们想要的信息并做出相关控制
或者说：尽可能保留有用信号的能量，去除无用信号的能量。

信号分类（确知程度）：

信号处理的目的：

• 去伪存真去除信号中冗余的和次要的成分，包括不仅没有任何意义反而会带来干扰的噪音。
• 特征抽取把信号变成易于进行分析和识别的形式
• 编码解码把信号变成易于传输、交换与存储的形式（编码），或从编码信号中恢复出原始信号（解码）

平滑，滤波和预测区别:
$x(t)=s(t)+n(t)-->滤波器-->y(t)=s(t+\alpha )$
$\alpha >0$滤波器超前时刻输出，滤波器完成作用是对输入信
号进行预测
$\alpha =0$滤波器就是输出同时刻的输入信号，滤波器完成作用是滤除噪声而保留有用信号：
$\alpha <0$滤波器滞后$\alpha$时刻输出，滤波器完成作用是对输入信
号进行平滑。

二、随机信号处理基础

一般来说，信号的频谱是分布在整个频率轴$(-\infty ⩽w⩽\infty )$上的，尤其是持续时间有限的信号必定如此。

高频限带信号是指信号频谱主要局限于某一频率$f\pm f_0$附近
的信号，可表示为$s(t)=a_s(t)\cos [{\omega }_{0}t+{\phi }_s(t)]$
$a_s(t)$为限带信号的幅度调制波
${\phi }_s(t)$为限带信号的相位调制波
在一般情况下，它们都是时间的函数。在信息传输中，就用这两部分来携带信息。

宽带信号：$\Delta f⩾0.05f_0$
宽带信号系统抗干扰性能强，信息量大

超宽带信号：$\Delta f⩾0.2f_0$
探底雷达，冲击雷达

零中频处理技术
两个正交视频信号，保留幅度和相位信息

希尔波特变换：
$\mathop s\limits^ \wedge (t) = \frac{1}{\pi }\int_{ - \infty }^\infty {\frac{{s(\tau)}}{{t - \tau }}} d\tau $
$s(t)=-\frac{1}{\pi }{\int }_{-\infty }^{\infty }\frac{\stackrel{\wedge }{s}(\tau )}{t-\tau }d\tau$
希尔伯特变换为实函数$s(t)$与$\stackrel{\wedge }{s}(t)$之间的一种线性变换
希尔伯特正变换在整个正频率内相当于一个滞后90°的移相器

高斯分布：
$p(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{{(x-m_X)}^2}{2{\sigma }^2}}$
标准高斯分布：$\sigma =1,m_X=0$

二维概率密度函数
X和Y统计独立：当$\gamma =0$时，有$p_2=p(x)p(y)$,此时联合的概率密度函数为单独两个一维正态概率密度之积，称二维随机变量X和Y是两个相互独立的随机变量。n维随机变量统计独立同理

方差的含义：反映了随机变量偏离均值的程度，随机变量偏离均值的误差总（平均）功率
$D(X)=E(X^2)-E^2(X)$,方差=平均功率-均值平方

k阶原点矩$m_k$,k阶中心距$C_k$
(i+j)阶混合矩$m_{ij}$,(i+j)阶混合中心矩$C_{ij}$
如果$E(XY)=0$,则称随机变量X和Y是正交的。

• 相关系数$\left|\gamma \right|=1$时，说明随机变量X和Y之间呈线性关
  系。或称X和Y依概率线性相关
• 当$\left|\gamma \right|<1$时，说明X和Y以一定概率大小相关。

随机变量的变换

$Y=g(X)-->反函数X=h(Y)$
X落在(x+dx)很小区间内概率=Y落在(y+dy)很小区间内概率，即$p(x)dx=p(y)dy->p(y)=\frac{p(x)dx}{dy}->p(y)=\left|\frac{dx}{dy}\right|p[h(y)]$

若是多值变换Y落在(y+dy)很小区间内概率=X落在很小区间$(x_1+d{x}_1),(x_2+d{x}_2)$,…内概率和

推广：如果n维随机变量(X1,2，…，Xn)和（Y1,Y2,…,Yn)之间是单值变换关系，则多维随机变量的变换关系为
$p_n(y_1,y_2...y_n)=p_n(x_1,x_2...x_n)\left|\frac{\partial (x_1,x_2...x_n)}{\partial (y_1,y_2...y_n)}\right|$
雅可比行列式：$J=\frac{\partial (x_1,x_2...x_n)}{\partial (y_1,y_2...y_n)}$

两个随机变量互相独立，其和的概率等于两个随机变量概率的卷积。

特征函数

${\Phi X}(\omega ) = E[{e^{j\omega X}}] = \int{ - \infty }^\infty {{e^{jwx}}p(x)dx} $
维纳辛钦定理：特征函数与概率密度函数构成一对傅立叶变换。
$p(x)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }{e}^{-jwx}\Phi (w)dw$

性质：

1. $\left|{\Phi }_X(\omega )\right|⩽\left|{\Phi }_X(0)\right|=1$总是存在
2. 对于随机变量X,如果存在以下线性变换
   Y=aX+b,a,b为常数，
   则有${\Phi }_Y(\omega )={\Phi }_X(a\omega )e^{j\omega b}$
3. 若随机变量$X_1,X_2$统计独立
   
   均值中心极限定理：
   不管什么分布，样本均值(样本数为N)服从正态分布，方差为原方差的1/N。