一、随机过程基本概念
1.基本概念
随机过程:随机过程包含两个概念,随机指随机变量,过程表示随时间变化。看做随机变量的延伸,在给定 t 1 t_1 t1时刻每一个样本函数 x i ( t ) x_i(t) xi(t)是一个确定的数值 x i ( t 1 ) x_i(t_1) xi(t1)。样本 x ( t 1 ) x(t_1) x(t1)是一个随机变量,有不同的样本值 { x 1 ( t 1 ) , … , x n ( t 1 ) } \{x_1(t_1),\dots,x_n(t_1)\} {x1(t1),…,xn(t1)}。在任意时刻 x ( t ) x(t) x(t)都是一个随机变量。时间进程中处于不同时刻的随机变量的集合 { x 1 ( t ) , … , x n ( t ) } \{x_1(t),\dots,x_n(t)\} {x1(t),…,xn(t)}。
两个维度:不同时间 t t t,不同实现(样本,试验) x n ( t ) x_n(t) xn(t)。
2.分布函数
ξ
(
t
)
\xi(t)
ξ(t)表示一个随机过程。任意时刻
t
1
t_1
t1的值
ξ
(
t
1
)
\xi(t_1)
ξ(t1)是一个随机变量。
随机过程主要强调过程,过程即时间,每一个时刻都是随机变量。
一维分布函数:
F
1
(
x
1
,
t
1
)
=
P
[
ξ
(
t
1
)
≤
x
1
]
F_1(x_1,t_1)=P[\xi(t_1)\leq x_1]
F1(x1,t1)=P[ξ(t1)≤x1]
一维概率密度:
f
1
(
x
1
,
t
1
)
=
∂
F
1
(
x
1
,
t
1
)
∂
x
1
f_1(x_1,t_1)=\frac{\partial F_1(x_1,t_1)}{\partial x_1}
f1(x1,t1)=∂x1∂F1(x1,t1)
多维分布函数:
F
n
(
x
1
,
…
,
x
n
;
t
1
,
…
,
t
n
)
=
P
[
ξ
(
t
1
)
≤
x
1
,
…
,
ξ
(
t
n
)
≤
x
n
]
F_n(x_1,\dots,x_n;t_1,\dots,t_n)=P[\xi(t_1)\leq x_1,\dots,\xi(t_n)\leq x_n]
Fn(x1,…,xn;t1,…,tn)=P[ξ(t1)≤x1,…,ξ(tn)≤xn]
多维概率密度:
f
n
(
x
1
,
…
,
x
n
;
t
1
,
…
,
t
n
)
=
∂
F
1
(
x
1
,
…
,
x
n
;
t
1
,
…
,
t
n
)
∂
x
1
,
…
,
x
n
f_n(x_1,\dots,x_n;t_1,\dots,t_n)=\frac{\partial F_1(x_1,\dots,x_n;t_1,\dots,t_n)}{\partial x_1,\dots,x_n}
fn(x1,…,xn;t1,…,tn)=∂x1,…,xn∂F1(x1,…,xn;t1,…,tn)
3.数字特征
均值:关于时间的函数
a
(
t
)
:
=
E
[
ξ
(
t
)
]
=
∫
−
∞
+
∞
x
f
1
(
x
,
t
)
d
t
a(t):=E[\xi(t)]=\int_{-\infty}^{+\infty}xf_1(x,t)dt
a(t):=E[ξ(t)]=∫−∞+∞xf1(x,t)dt
方差:
D
[
ξ
(
t
)
]
=
E
{
[
ξ
(
t
)
−
a
(
t
)
]
2
}
D[\xi(t)]=E\{[\xi(t)-a(t)]^2\}
D[ξ(t)]=E{[ξ(t)−a(t)]2}
均值和方差只与随机过程的一维概率密度函数有关,只能描述随机过程各个孤立时刻的特征,不能反映随机过程的内在联系。为了衡量两个时刻随机变量的关联程度,采用相关函数或者协方差函数。
协方差函数:
B
(
t
1
,
t
2
)
=
E
{
[
ξ
(
t
1
)
−
a
(
t
1
)
]
[
ξ
(
t
2
)
−
a
(
t
2
)
]
}
B(t_1,t_2)=E\{[\xi(t_1)-a(t_1)][\xi(t_2)-a(t_2)]\}
B(t1,t2)=E{[ξ(t1)−a(t1)][ξ(t2)−a(t2)]}
相关函数:
R
(
t
1
,
t
2
)
=
E
[
ξ
(
t
1
)
ξ
(
t
2
)
]
B
(
t
1
,
t
2
)
=
R
(
t
1
,
t
2
)
−
a
1
(
t
)
a
2
(
t
)
R(t_1,t_2)=E[\xi(t_1)\xi(t_2)]\\ B(t_1,t_2)=R(t_1,t_2)-a_1(t)a_2(t)
R(t1,t2)=E[ξ(t1)ξ(t2)]B(t1,t2)=R(t1,t2)−a1(t)a2(t)
二、平稳随机过程
1.定义
ξ
(
t
)
\xi(t)
ξ(t)的统计特性与时间起点无关,时间平移不影响其任何统计特性,简称严平稳随机过程。
数学表达:
f
n
(
x
1
,
…
,
x
n
;
t
1
,
…
,
t
n
)
=
f
n
(
x
1
,
…
,
x
n
;
t
1
+
△
,
…
,
t
n
+
△
)
f_n(x_1,\dots,x_n;t_1,\dots,t_n)=f_n(x_1,\dots,x_n;t_1+\triangle,\dots,t_n+\triangle)
fn(x1,…,xn;t1,…,tn)=fn(x1,…,xn;t1+△,…,tn+△)
一维概率密度与时间
t
t
t无关。
f
1
(
x
1
,
t
1
)
=
f
1
(
x
1
)
f_1(x_1,t_1)=f_1(x_1)
f1(x1,t1)=f1(x1)
二维概率密度只与时间差
τ
\tau
τ有关。多维的依次类推,相当于减少一个自由度。
根据概率密度推导出期望与时间无关,自相关函数只有时间差
τ
\tau
τ有关。我们把满足该条件的过程定义为广义平稳随机过程。反之不成立。
2.各态历经性
随机过程是一个时间无限,实验次数无限的集合。实验次数无限难以实现,一次实验就能得到平稳过程的数字特征的特性叫做各态历经性。
假设
x
(
t
)
x(t)
x(t)是一次实现。则
a
=
a
‾
=
x
(
t
)
‾
=
lim
T
→
+
∞
1
T
∫
−
T
/
2
+
T
/
2
x
(
t
)
d
t
R
(
τ
)
=
R
(
τ
)
‾
=
x
(
t
)
x
(
t
+
τ
)
‾
=
lim
T
→
+
∞
1
T
∫
−
T
/
2
+
T
/
2
x
(
t
)
x
(
t
+
τ
)
d
t
a=\overline {a}=\overline {x(t)}=\lim\limits_{T\to+\infty}\frac{1}{T}\int_{-T/2}^{+T/2}x(t)dt \\ R(\tau)=\overline {R(\tau)}=\overline {x(t)x(t+\tau)}=\lim\limits_{T\to+\infty}\frac{1}{T}\int_{-T/2}^{+T/2}x(t)x(t+\tau)dt
a=a=x(t)=T→+∞limT1∫−T/2+T/2x(t)dtR(τ)=R(τ)=x(t)x(t+τ)=T→+∞limT1∫−T/2+T/2x(t)x(t+τ)dt
各态历经性意味着随机过程的任意一次实现都经历了所有可能状态。
注意:各态历经性==》平稳过程 反之则否。
3.自相关函数与功率谱密度
维纳-辛钦定理:平稳过程的功率谱密度 P ξ ( f ) P_{\xi}(f) Pξ(f)与其相关函数 R ( τ ) R(\tau) R(τ)是傅里叶变换对。 R ( τ ) ⇔ P ξ ( f ) R(\tau)\Leftrightarrow P_{\xi}(f) R(τ)⇔Pξ(f)。
三、高斯随机过程
1.定义
n维概率密度服从正态分布。
2.性质
高斯过程是广义平稳的,均值与时间无关,协方差只与时间差有关。
3.高斯随机变量
f
(
x
)
=
1
2
π
σ
exp
(
−
(
x
−
a
)
2
2
σ
2
)
f(x)=\frac{1}{\sqrt{2\pi \sigma}}\exp(-\frac{(x-a)^2}{2\sigma^2})
f(x)=2πσ1exp(−2σ2(x−a)2)
标准化之后:
f
(
x
)
=
1
2
π
exp
(
−
x
2
2
)
f(x)=\frac{1}{\sqrt{2\pi}}\exp(-\frac{x^2}{2})
f(x)=2π1exp(−2x2)
积分为1==》
∫
−
∞
+
∞
exp
(
−
x
2
2
)
d
x
=
2
π
\int_{-\infty}^{+\infty}\exp(-\frac{x^2}{2})dx=\sqrt{2\pi}
∫−∞+∞exp(−2x2)dx=2π
误差函数:
e
r
f
(
x
)
=
2
π
∫
0
x
e
−
t
2
d
t
erf(x)=\frac{2}{\sqrt{\pi}}\int_{0}^{x}e^{-t^2}dt
erf(x)=π2∫0xe−t2dt 递增,
e
r
f
(
0
)
=
0
erf(0)=0
erf(0)=0,
e
r
f
(
∞
)
=
1
erf(\infty)=1
erf(∞)=1,奇函数。
互补误差函数:
e
r
f
c
(
x
)
=
1
−
e
r
f
(
x
)
=
2
π
∫
x
∞
e
−
t
2
d
t
erfc(x)=1-erf(x)=\frac{2}{\sqrt{\pi}}\int_{x}^{\infty}e^{-t^2}dt
erfc(x)=1−erf(x)=π2∫x∞e−t2dt
四、平稳随机过程通过线性系统
线性时不变系统可由其单位冲激响应
h
(
t
)
h(t)
h(t)或者
H
(
f
)
H(f)
H(f)表示。
设
ξ
i
(
t
)
\xi_i(t)
ξi(t)为输入过程,均值为
a
a
a,自相关函数为
R
i
(
τ
)
R_i(\tau)
Ri(τ),功率谱密度为
P
i
(
w
)
P_i(w)
Pi(w)。
1.输出过程 ξ 0 ( t ) \xi_0(t) ξ0(t)的均值
E ( ξ 0 ( t ) ) = E [ ∫ − ∞ + ∞ h ( τ ) ξ i ( t − τ ) d τ ] = ∫ − ∞ + ∞ h ( τ ) E ( ξ i ( t − τ ) ) d τ = ∫ − ∞ + ∞ h ( τ ) E ( ξ i ( t ) ) d τ = a ∫ − ∞ + ∞ h ( τ ) τ = a H ( 0 ) E(\xi_0(t))=E[\int_{-\infty}^{+\infty} h(\tau) \xi_i(t-\tau)d\tau]=\int_{-\infty}^{+\infty}h(\tau)E(\xi_i(t-\tau))d\tau\\ =\int_{-\infty}^{+\infty}h(\tau)E(\xi_i(t))d\tau=a\int_{-\infty}^{+\infty}h(\tau)\tau=aH(0) E(ξ0(t))=E[∫−∞+∞h(τ)ξi(t−τ)dτ]=∫−∞+∞h(τ)E(ξi(t−τ))dτ=∫−∞+∞h(τ)E(ξi(t))dτ=a∫−∞+∞h(τ)τ=aH(0)
2.输出过程 ξ 0 ( t ) \xi_0(t) ξ0(t)的自相关函数
R 0 ( t 1 , t 1 + τ ) = E [ ξ 0 ( t 1 ) ξ 0 ( t 1 + τ ) ] = E [ ∫ − ∞ + ∞ h ( α ) ξ i ( t 1 − α ) d α ∫ − ∞ + ∞ h ( β ) ξ i ( t 1 − β ) d β ] = ∫ − ∞ + ∞ h ( α ) h ( β ) E [ ξ i ( t 1 − α ) ξ i ( t 1 + τ − β ) ] d α d β = ∫ − ∞ + ∞ h ( α ) h ( β ) R i ( τ + α − β ) d α d β = R 0 ( τ ) R_0(t_1,t_1+\tau)=E[\xi_0(t_1)\xi_0(t_1+\tau)]\\=E[\int_{-\infty}^{+\infty}h(\alpha)\xi_i(t_1-\alpha)d\alpha\int_{-\infty}^{+\infty}h(\beta)\xi_i(t_1-\beta)d\beta]\\=\int_{-\infty}^{+\infty}h(\alpha)h(\beta)E[\xi_i(t_1-\alpha)\xi_i(t_1+\tau-\beta)]d\alpha d\beta\\ =\int_{-\infty}^{+\infty}h(\alpha)h(\beta)R_i(\tau+\alpha-\beta)d\alpha d\beta\\ =R_0(\tau) R0(t1,t1+τ)=E[ξ0(t1)ξ0(t1+τ)]=E[∫−∞+∞h(α)ξi(t1−α)dα∫−∞+∞h(β)ξi(t1−β)dβ]=∫−∞+∞h(α)h(β)E[ξi(t1−α)ξi(t1+τ−β)]dαdβ=∫−∞+∞h(α)h(β)Ri(τ+α−β)dαdβ=R0(τ)
3.输出过程 ξ 0 ( t ) \xi_0(t) ξ0(t)的功率谱密度
P 0 ( f ) = ∫ − ∞ + ∞ R 0 ( τ ) e − j w τ d τ = ∣ H ( f ) ∣ 2 P i ( f ) P_0(f)=\int_{-\infty}^{+\infty}R_0(\tau)e^{-jw\tau}d\tau=|H(f)|^2P_i(f) P0(f)=∫−∞+∞R0(τ)e−jwτdτ=∣H(f)∣2Pi(f)
4.输出过程 ξ 0 ( t ) \xi_0(t) ξ0(t)的概率密度
高斯过程经过线性变换依旧是高斯过程。
五、窄带随机过程
1.定义
随机过程
ξ
(
t
)
\xi(t)
ξ(t)的谱密度集中在中心频谱
f
c
f_c
fc附近相对较窄的频带范围
△
f
\triangle f
△f.
△
f
<
<
f
c
\triangle f<<f_c
△f<<fc。
波形:
ξ
(
t
)
=
a
ξ
(
t
)
c
o
s
[
w
c
t
+
φ
ξ
(
t
)
]
=
ξ
c
(
t
)
c
o
s
w
c
t
−
ξ
s
(
t
)
s
i
n
w
c
t
a
ξ
(
t
)
≥
0
\xi(t)=a_{\xi}(t)cos[w_ct+\varphi_\xi(t)] \\ =\xi_c(t)cosw_ct-\xi_s(t)sinw_ct\\ a_{\xi}(t)\ge0
ξ(t)=aξ(t)cos[wct+φξ(t)]=ξc(t)coswct−ξs(t)sinwctaξ(t)≥0
其中
ξ
c
(
t
)
=
a
ξ
(
t
)
c
o
s
(
φ
ξ
(
t
)
)
\xi_c(t)=a_{\xi}(t)cos(\varphi_\xi(t))
ξc(t)=aξ(t)cos(φξ(t)),
ξ
s
(
t
)
=
a
ξ
(
t
)
s
i
n
(
φ
ξ
(
t
)
)
\xi_s(t)=a_{\xi}(t)sin(\varphi_\xi(t))
ξs(t)=aξ(t)sin(φξ(t)),
a
ξ
a_{\xi}
aξ为随机包络,
φ
ξ
(
t
)
\varphi_\xi(t)
φξ(t)为随机相位,
w
c
w_c
wc为中心角频率.
其统计特性和略
六、正弦波加窄带高斯噪声
1.定义
r
(
t
)
=
A
c
o
s
(
w
c
t
+
θ
)
+
n
(
t
)
n
(
t
)
=
n
c
(
t
)
c
o
s
(
w
c
t
)
−
n
s
(
t
)
s
i
n
(
w
c
t
)
r(t)=Acos(w_ct+\theta)+n(t)\\ n(t)=n_c(t)cos(w_ct)-n_s(t)sin(w_ct)
r(t)=Acos(wct+θ)+n(t)n(t)=nc(t)cos(wct)−ns(t)sin(wct)
噪声均值为0,方差为
σ
n
2
\sigma_n^2
σn2,
θ
\theta
θ为随机相位在(0,2
π
\pi
π)均匀分布,A,
w
c
w_c
wc假定已知
七、 高斯白噪声与带限白噪声
1.白噪声:
白噪声的双边谱密度或者单边谱密度:
P
n
(
f
)
=
n
0
2
(
−
∞
≤
f
≤
+
∞
)
P
n
(
f
)
=
n
0
(
0
≤
f
≤
+
∞
)
P_n(f)=\frac{n_0}{2} (-\infty \leq f \leq +\infty) \\ P_n(f)=n_0 (0 \leq f \leq +\infty)
Pn(f)=2n0(−∞≤f≤+∞)Pn(f)=n0(0≤f≤+∞)
2. 低通白噪声:
只让频率低的通过
∣
f
∣
≤
f
H
|f|\leq f_{H}
∣f∣≤fH
P
n
(
f
)
=
n
0
2
i
f
∣
f
∣
≤
f
H
e
l
s
e
0
R
(
τ
)
=
n
0
f
H
s
i
n
2
π
f
H
τ
2
π
f
H
τ
P_n(f)=\frac{n_0}{2} \qquad if \qquad |f|\leq f_H \qquad else \qquad 0\\ R(\tau)=n_0f_H\frac{sin2 \pi f_H\tau}{2\pi f_H\tau}
Pn(f)=2n0if∣f∣≤fHelse0R(τ)=n0fH2πfHτsin2πfHτ
3.带通白噪声:
H
(
f
)
=
1
P
n
(
f
)
=
n
0
2
f
c
−
B
2
≤
∣
f
∣
≤
f
c
+
B
2
R
(
τ
)
=
n
0
B
s
i
n
π
B
τ
π
B
τ
c
o
s
2
π
f
c
τ
H(f)=1 \qquad \\ P_n(f)=\frac{n_0}{2} \quad f_c-\frac{B}{2}\leq|f|\leq f_c+\frac{B}{2}\\ R(\tau)=n_0B\frac{sin\pi B \tau}{\pi B\tau}cos2\pi f_c\tau
H(f)=1Pn(f)=2n0fc−2B≤∣f∣≤fc+2BR(τ)=n0BπBτsinπBτcos2πfcτ
B为通带宽度。