目录
随机过程的基本概念
随机过程是所有样本函数的集合,从另外的角度看随机过程是随机变量的延伸,是在任意时刻的值是一个随机变量。也可称随机过程看成时间进程中处于不同时刻的随机变量的集合。
随机过程的分布函数
设
ξ
(
t
)
\xi(t)
ξ(t)为一个随机过程,它在任意时刻
t
1
t_1
t1的值
ξ
(
t
1
)
\xi(t_1)
ξ(t1)是一个随机变量,我们将
ξ
(
t
1
)
\xi(t_1)
ξ(t1)小于或等于某一数值
x
1
x_1
x1的概论记作:
F
1
(
x
1
,
t
1
)
=
P
{
ξ
(
t
1
)
≤
x
1
}
F_1(x_1,t_1)=P\lbrace \xi(t_1)\leq x_1\rbrace
F1(x1,t1)=P{ξ(t1)≤x1}
则将:
f
1
(
x
1
,
t
1
)
=
∂
F
1
(
x
1
,
t
1
)
∂
x
1
f_1(x_1,t_1)=\dfrac {\partial F_1(x_1,t_1)} {\partial x_1}
f1(x1,t1)=∂x1∂F1(x1,t1)
称为一维概率密度函数,同样的我们可以将上列推广到n维:
F
n
(
x
1
,
x
2
,
⋯
,
x
n
;
t
1
,
t
2
⋯
,
t
n
)
=
P
{
ξ
(
t
1
)
≤
x
1
ξ
(
t
2
)
≤
x
2
⋯
,
ξ
(
t
n
)
≤
x
n
}
f
n
(
x
1
,
x
2
,
⋯
,
x
n
;
t
1
,
t
2
⋯
,
t
n
)
=
∂
n
F
n
(
x
1
,
x
2
,
⋯
,
x
n
;
t
1
,
t
2
⋯
,
t
n
)
∂
x
1
∂
x
2
⋯
∂
x
n
F_n(x_1,x_2,\cdots,x_n;t_1,t_2\cdots,t_n)= P\lbrace \xi(t_1)\leq x_1 \xi(t_2)\leq x_2 \cdots, \xi(t_n)\leq x_n \rbrace \\ \\ f_n(x_1,x_2,\cdots,x_n;t_1,t_2\cdots,t_n)= \dfrac {\partial^n F_n(x_1,x_2,\cdots,x_n;t_1,t_2\cdots,t_n)} {\partial x_1 \partial x_2 \cdots \partial x_n}
Fn(x1,x2,⋯,xn;t1,t2⋯,tn)=P{ξ(t1)≤x1ξ(t2)≤x2⋯,ξ(tn)≤xn}fn(x1,x2,⋯,xn;t1,t2⋯,tn)=∂x1∂x2⋯∂xn∂nFn(x1,x2,⋯,xn;t1,t2⋯,tn)
n越大,则对随机过程的描述越充分
随机过程的数字特征
-
均值
随机过程的均值(数学期望)定义为:
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
表示随机过程n个样本函数曲线的摆动中心 -
方差
σ 2 ( t ) = D [ ξ ( t ) ] = E { [ ξ ( t ) − a ( t ) ] 2 } \sigma^2(t)= D[ \xi(t) ]=E\lbrace [ \xi(t)-a(t) ]^2\rbrace σ2(t)=D[ξ(t)]=E{[ξ(t)−a(t)]2} -
协方差
B ( t 1 , t 2 ) = E { [ ξ ( t 1 ) − a ( t 1 ) ] [ ξ ( t 2 ) − a ( t 2 ) ] } = R ( t 1 , t 2 ) − a ( t 1 ) a ( t 2 ) \begin{aligned} B(t_1,t_2)&=E \lbrace [ \xi(t_1)-a(t_1) ] [ \xi(t_2)-a(t_2) ] \rbrace \\ &=R(t_1,t_2) -a(t_1)a(t_2) \end{aligned} B(t1,t2)=E{[ξ(t1)−a(t1)][ξ(t2)−a(t2)]}=R(t1,t2)−a(t1)a(t2) -
相关函数
R ( t 1 , t 2 ) = E [ ξ ( t 1 ) ξ ( t 2 ) ] R(t_1,t_2)=E[\xi(t_1)\xi(t_2)] R(t1,t2)=E[ξ(t1)ξ(t2)]
平稳随机过程
平稳随机过程的定义
如果一个随机过程的统计特性与时间起点无关,称为严平稳(狭义平稳)
但我们研究的一般为宽平稳(广义平稳),它的一维概率密度函数与t无关,二维概率密度只和时间间隔有关,即:
{
E
[
ξ
(
t
)
]
=
a
R
(
t
1
,
t
2
)
=
R
(
τ
)
\begin{cases} E[\xi(t)] &= a \\ R(t_1,t_2)&=R(\tau) \end{cases}
{E[ξ(t)]R(t1,t2)=a=R(τ)
各态历经性
随机过程任意一次都经历了随机过程的所有可能状态,满足各态历经一定是平稳过程,其时间均值和时间相关函数分别定义为:
{
a
‾
=
lim
T
→
∞
1
T
∫
−
T
/
2
T
/
2
X
(
T
)
d
t
R
(
τ
)
‾
=
lim
T
→
∞
∫
−
T
/
2
T
/
2
x
(
t
)
x
(
t
+
τ
)
d
t
\left\{ \begin{aligned} \overline{a} &= \lim_{T\to\infty} \dfrac{1}{T} \int_{-T/2}^{T/2} X(T)dt \\ \\ \overline{R(\tau)} &=\lim_{T\to\infty} \int_{-T/2}^{T/2} x(t)x(t+\tau)dt \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧aR(τ)=T→∞limT1∫−T/2T/2X(T)dt=T→∞lim∫−T/2T/2x(t)x(t+τ)dt
如果平稳过程满足下列条件,则各态历经:
{
a
=
a
‾
R
(
τ
)
=
R
(
τ
)
‾
\left\{ \begin{aligned} a &= \overline{a} \\ R(\tau) &= \overline{R(\tau)} \end{aligned} \right.
{aR(τ)=a=R(τ)
平稳过程的自相关函数
我们知道稳态随机过程的自相关函数为:
R
(
τ
)
=
E
[
ξ
(
t
)
ξ
(
t
+
τ
)
]
R(\tau)=E[\xi(t)\xi(t+\tau)]
R(τ)=E[ξ(t)ξ(t+τ)]
具有以下性质:
- R ( 0 ) = E [ ξ 2 ( t ) ] R(0)=E[\xi^2(t)] R(0)=E[ξ2(t)],表示平均功率
- R ( − τ ) = ∣ R ( τ ) ∣ R(-\tau)=\vert R(\tau)\vert R(−τ)=∣R(τ)∣,偶函数
- R ( 0 ) ≥ ∣ R ( τ ) ∣ R(0)\geq\vert R(\tau)\vert R(0)≥∣R(τ)∣,时间差值为0时最相关
- R ( ∞ ) = E 2 [ ξ ( t ) ] = a 2 R(\infty)=E^2[\xi(t)]=a^2 R(∞)=E2[ξ(t)]=a2,直流功率,完全不相关,分别统计
- R ( 0 ) − R ( ∞ ) = σ 2 R(0)-R(\infty)=\sigma^2 R(0)−R(∞)=σ2,方差
平稳过程的功率谱密度
对于确定功率信号,功率谱密度定义为:
P
X
(
f
)
=
lim
T
→
∞
∣
X
T
(
f
)
∣
2
T
P_X(f)=\lim_{T\to\infty}\dfrac{|X_T(f)|^2}{T}
PX(f)=T→∞limT∣XT(f)∣2
对于随机信号而言,每一个样本对应一个功率谱密度,所以应该取所有样本得统计平均,即:
P
ξ
(
f
)
=
lim
T
→
∞
E
∣
X
T
(
f
)
∣
2
T
P_\xi(f)=\lim_{T\to\infty}\dfrac{E|X_T(f)|^2}{T}
Pξ(f)=T→∞limTE∣XT(f)∣2
与确知信号相同,平稳随机信号自相关函数和功率谱密度也互为一对傅里叶变换关系,也称为维纳——辛钦定理:
{
P
ξ
(
ω
)
=
∫
−
∞
∞
R
(
τ
)
e
−
j
ω
τ
d
τ
R
(
τ
)
=
∫
−
∞
∞
1
2
π
P
ξ
(
ω
)
e
j
ω
τ
d
ω
\left\{ \begin{aligned} P_\xi(\omega)&=\int_{-\infty}^{\infty} R(\tau)e^{-j\omega\tau}d\tau \\ \\ R(\tau)&=\int_{-\infty}^{\infty} \dfrac{1}{2\pi} P_\xi(\omega)e^{j\omega\tau}d\omega \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧Pξ(ω)R(τ)=∫−∞∞R(τ)e−jωτdτ=∫−∞∞2π1Pξ(ω)ejωτdω
或:
{
P
ξ
(
f
)
=
∫
−
∞
∞
R
(
τ
)
e
−
j
ω
τ
d
τ
R
(
τ
)
=
∫
−
∞
∞
P
ξ
(
f
)
e
j
ω
τ
d
ω
\left\{ \begin{aligned} P_\xi(f)&=\int_{-\infty}^{\infty} R(\tau)e^{-j\omega\tau}d\tau \\ \\ R(\tau)&=\int_{-\infty}^{\infty} P_\xi(f)e^{j\omega\tau}d\omega \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧Pξ(f)R(τ)=∫−∞∞R(τ)e−jωτdτ=∫−∞∞Pξ(f)ejωτdω
由上面得定理我们可以得到以下结论:
- 平稳过程的平均功率:
R ( 0 ) = ∫ − ∞ ∞ P ξ ( f ) d f R(0)=\int_{-\infty}^{\infty}P_\xi(f)df R(0)=∫−∞∞Pξ(f)df - 各态历经过程任一样本函数得功率谱密度等于过程功率谱密度
- 功率谱密度函数具有非负性和实偶性
高斯随机过程
定义
n维随机过程均服从正态分布,则称为高斯过程,其n维正态分布表示如下:
f
n
(
x
1
,
x
2
,
⋯
,
x
n
;
t
1
,
t
2
,
⋯
,
t
n
)
=
1
(
2
π
)
n
/
2
∏
σ
n
∣
B
∣
1
/
2
e
x
p
[
−
1
2
∣
B
∣
∑
j
=
1
n
∑
k
=
1
n
∣
B
∣
j
k
(
x
j
−
a
j
)
(
x
k
−
a
k
)
σ
j
σ
k
]
f_n(x_1,x_2,\cdots,x_n;t_1,t_2,\cdots,t_n)= \\ \\ \dfrac{1}{(2\pi)^{n/2}\prod\sigma_n|B|^{1/2}} exp \left[ -\dfrac{1}{2|B|} \sum_{j=1}^{n} \sum_{k=1}^{n} |B|_{jk} \dfrac{(x_j-a_j)(x_k-a_k)}{\sigma_j\sigma_k} \right]
fn(x1,x2,⋯,xn;t1,t2,⋯,tn)=(2π)n/2∏σn∣B∣1/21exp[−2∣B∣1j=1∑nk=1∑n∣B∣jkσjσk(xj−aj)(xk−ak)]
其中:
a
k
=
E
[
ξ
(
t
k
)
]
σ
2
=
E
[
ξ
(
t
k
)
−
a
k
]
2
∣
B
∣
=
∣
1
b
12
⋯
b
1
n
b
21
1
⋯
b
2
n
⋮
⋮
⋯
⋮
b
n
1
b
n
2
⋯
1
∣
a_k=E[\xi(t_k)] \\ \\ \sigma^2=E[\xi(t_k)-a_k]^2 \\ \\ |B|= \left\vert \begin{matrix} 1&\quad b_{12}&\quad\cdots&\quad b_{1n}\\ b_{21}&\quad 1&\quad\cdots&\quad b_{2n}\\ \vdots&\quad\vdots&\quad\cdots&\quad\vdots \\ b_{n1}&\quad b_{n2}&\quad\cdots&\quad 1 \end{matrix} \right\vert
ak=E[ξ(tk)]σ2=E[ξ(tk)−ak]2∣B∣=∣∣∣∣∣∣∣∣∣1b21⋮bn1b121⋮bn2⋯⋯⋯⋯b1nb2n⋮1∣∣∣∣∣∣∣∣∣
∣
B
∣
j
k
|B|_{jk}
∣B∣jk为代数余因子,
b
j
k
b_{jk}
bjk为归一化协方差函数:
b
j
k
=
E
[
ξ
(
t
j
)
−
a
j
]
E
[
ξ
(
t
k
)
−
a
k
]
σ
j
σ
k
b_{jk}=\dfrac{E[\xi(t_j)-a_j] E[\xi(t_k)-a_k]}{\sigma_j\sigma_k}
bjk=σjσkE[ξ(tj)−aj]E[ξ(tk)−ak]
重要性质
- 对于一般随机过程而言,独立必无关,但反之未必成立;高斯随机两者是等价的。
- 广义平稳的高斯过程也是严平稳的
-
b
j
k
=
0
b_{jk}=0
bjk=0则可化简为:
f n ( x 1 , x 2 , ⋯ , x n ; t 1 , t 2 , ⋯ , t n ) = ∏ k = 1 n 1 2 π σ k e x p [ − ( x k − a k ) 2 2 σ k 2 ] = f ( x 1 , t 1 ) f ( x 1 , t 1 ) ⋯ f ( x n , t n ) f_n(x_1,x_2,\cdots,x_n;t_1,t_2,\cdots,t_n)= \prod_{k=1}^{n} \dfrac{1}{\sqrt{2\pi}\sigma_k}exp \left[ -\dfrac{(x_k-a_k)^2}{2\sigma_k^2} \right] \\ \\=f(x_1,t_1) f(x_1,t_1) \cdots f(x_n,t_n) fn(x1,x2,⋯,xn;t1,t2,⋯,tn)=k=1∏n2πσk1exp[−2σk2(xk−ak)2]=f(x1,t1)f(x1,t1)⋯f(xn,tn) - 高斯过程线性变换后仍然是高斯过程
高斯随机变量
高斯过程的一维概率密度函数为:
f
(
x
)
=
1
2
π
σ
k
e
x
p
(
−
(
x
k
−
a
k
)
2
2
σ
k
2
)
f(x)= \dfrac{1}{\sqrt{2\pi}\sigma_k}exp \left( -\dfrac{(x_k-a_k)^2}{2\sigma_k^2} \right)
f(x)=2πσk1exp(−2σk2(xk−ak)2)
- 关于x=a对称
- ∫ − ∞ ∞ f ( x ) d x = 1 \int_{-\infty}^{\infty}f(x)dx=1 ∫−∞∞f(x)dx=1
定义误差函数:
e
r
f
(
x
)
=
2
π
∫
0
x
e
−
t
2
d
t
erf(x)=\dfrac{2}{\sqrt\pi}\int_{0}^{x}e^{-t^2}dt
erf(x)=π2∫0xe−t2dt
可得误差函数
- 递增奇函数
-
e
r
f
(
0
)
=
0
e
r
f
(
∞
)
=
1
erf(0)=0 erf(\infty)=1
erf(0)=0erf(∞)=1
其互补误差函数表示为:
e r f c ( x ) = 1 − e r f ( x ) = 2 π ∫ x ∞ e − t 2 d t erfc(x)=1-erf(x)=\dfrac{2}{\sqrt\pi}\int_{x}^{\infty}e^{-t^2}dt erfc(x)=1−erf(x)=π2∫x∞e−t2dt
当x>2时,互补误差函数可近似为:
e r f c ( x ) ≈ 1 x π e − x 2 erfc(x)\approx\dfrac{1}{x\sqrt{\pi}}e^{-x^2} erfc(x)≈xπ1e−x2
定义高斯曲线尾部下的面积函数:
Q ( x ) = 1 2 π ∫ x ∞ e − t 2 / 2 d t Q(x)=\dfrac{1}{\sqrt{2\pi}}\int_{x}^{\infty}e^{-t^2/2}dt Q(x)=2π1∫x∞e−t2/2dt
平稳随机过程通过线性系统
为研究输入过程是平稳的,输出过程是否也是平稳的。输入与输出的关系可以表示为卷积,即:
v
o
(
t
)
=
v
i
(
t
)
∗
h
(
t
)
=
∫
−
∞
∞
v
i
(
τ
)
h
(
t
−
τ
)
d
τ
v_o(t)=v_i(t)*h(t)=\int_{-\infty}^{\infty}v_i(\tau)h(t-\tau)d\tau
vo(t)=vi(t)∗h(t)=∫−∞∞vi(τ)h(t−τ)dτ
或:
v
o
(
t
)
=
h
(
t
)
∗
v
i
(
t
)
=
∫
−
∞
∞
v
i
(
t
−
τ
)
h
(
τ
)
d
τ
v_o(t)=h(t)*v_i(t)=\int_{-\infty}^{\infty}v_i(t-\tau)h(\tau)d\tau
vo(t)=h(t)∗vi(t)=∫−∞∞vi(t−τ)h(τ)dτ
对于随机过程也满足:
ξ
o
(
t
)
=
∫
−
∞
∞
ξ
i
(
t
−
τ
)
h
(
τ
)
d
τ
\xi_o(t)=\int_{-\infty}^{\infty}\xi_i(t-\tau)h(\tau)d\tau
ξo(t)=∫−∞∞ξi(t−τ)h(τ)dτ
- 输出过程的均值:
E [ ξ o ( t ) ] = a ⋅ ∫ − ∞ ∞ h ( τ ) d x = a H ( 0 ) E[\xi_o(t)]=a\cdot \int_{-\infty}^{\infty}h(\tau) \,dx =aH(0) E[ξo(t)]=a⋅∫−∞∞h(τ)dx=aH(0) - 输出过程的自相关函数仅仅和时间差有关;即线性系统输入是平稳的,输出也是平稳的
- 输出过程功率谱密度:
P o ( f ) = ∣ H ( f ) ∣ 2 P i ( f ) P_o(f)=|H(f)|^2P_i(f) Po(f)=∣H(f)∣2Pi(f)
即高斯过程经过线性变换后仍然是高斯过程
窄带随机过程
如果随机过程的频谱密度在中心频率
f
C
f_C
fC附近相对窄的频带范围
Δ
f
\Delta f
Δf内,且满足
Δ
f
≪
f
c
\Delta f\ll\,f_c
Δf≪fc,称为窄带随机过程,可表示为:
ξ
(
t
)
=
a
ξ
(
t
)
c
o
s
[
ω
c
t
+
φ
ξ
(
t
)
]
\xi(t)=a_\xi(t)cos[\omega_c\,t + \varphi_\xi(t)]
ξ(t)=aξ(t)cos[ωct+φξ(t)]
其中:
- a ξ ( t ) a_\xi(t) aξ(t)为窄带随机过程的随机包络,且不小于0
- φ ξ ( t ) \varphi_\xi(t) φξ(t)为随机相位
- ω c \omega_c ωc为中心角频率
我们也可以展开为:
ξ
(
t
)
=
ξ
c
(
t
)
cos
ω
c
t
−
ξ
s
(
t
)
sin
ω
c
t
\xi(t)=\xi_c(t)\cos\omega_c t- \xi_s(t)\sin\omega_c t
ξ(t)=ξc(t)cosωct−ξs(t)sinωct
其中:
{
ξ
c
(
t
)
=
a
ξ
(
t
)
cos
φ
ξ
(
t
)
同
向
分
量
ξ
s
(
t
)
=
a
ξ
(
t
)
sin
φ
ξ
(
t
)
正
交
分
量
\begin{cases} \xi_c(t)&=&a_\xi(t)\cos\varphi_\xi(t) \quad同向分量 \\ \xi_s(t)&=&a_\xi(t)\sin\varphi_\xi(t) \quad正交分量 \end{cases}
{ξc(t)ξs(t)==aξ(t)cosφξ(t)同向分量aξ(t)sinφξ(t)正交分量
统计特性
-
ξ c ( t ) \xi_c(t) ξc(t)与 ξ s ( t ) \xi_s(t) ξs(t)
- 窄带随机的和其同相分量与正交分量均值为0
- 窄带过程是平稳的,其同向分量和正交分量也是平稳的
- { R c ( τ ) = R s ( τ ) R c s ( τ ) = − R s c ( τ ) R c s ( τ ) = R s c ( − τ ) R s c ( τ ) = − R s c ( − τ ) \begin{cases} R_c(\tau)=R_s(\tau) \\ R_{cs}(\tau)=-R_{sc}(\tau) \\ R_{cs}(\tau)=R_{sc}(-\tau) \\ R_{sc}(\tau)=-R_{sc}(-\tau) \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧Rc(τ)=Rs(τ)Rcs(τ)=−Rsc(τ)Rcs(τ)=Rsc(−τ)Rsc(τ)=−Rsc(−τ)
- 均值为0的窄带平稳高斯过程,其同向分量和正交分量都是平稳高斯过程,均值为0,方差相等,同一时刻两者互不相关或独立统计
-
a ξ ( t ) 与 φ ξ ( t ) a_\xi(t)与\varphi_\xi(t) aξ(t)与φξ(t)
由上一点可知:
f ( ξ c , ξ s ) = f ( ξ c ) f ( ξ s ) = 1 2 π δ ξ 2 e x p [ − ξ c 2 + ξ s 2 2 σ ξ 2 ] f(\xi_c,\xi_s)=f(\xi_c)f(\xi_s)= \dfrac{1}{2\pi \delta_\xi^2}exp \left[ -\dfrac{\xi_c^2+\xi_s^2}{2\sigma_\xi^2} \right] f(ξc,ξs)=f(ξc)f(ξs)=2πδξ21exp[−2σξ2ξc2+ξs2]
由雅可比行列式变换得:
f ( a ξ , φ ξ ) = a ξ f ( ξ c , ξ s ) = a ξ 2 π δ ξ 2 e x p [ − a ξ 2 2 σ ξ 2 ] f(a_\xi,\varphi_\xi)=a_\xi f(\xi_c,\xi_s) = \dfrac{a_\xi}{2\pi \delta_\xi^2}exp \left[ -\dfrac{a_\xi^2}{2\sigma_\xi^2} \right] f(aξ,φξ)=aξf(ξc,ξs)=2πδξ2aξexp[−2σξ2aξ2]
a ξ a_\xi aξ$的一维概率密度函数服从瑞利分布:
f ( a ξ ) = a ξ δ ξ 2 [ − a ξ 2 2 σ x i 2 ] a ξ ≥ 0 f(a_\xi)=\dfrac{a_\xi}{\delta_\xi^2} \left[ -\dfrac{a_\xi^2}{2\sigma_xi^2} \right] \quad a_\xi\geq0 f(aξ)=δξ2aξ[−2σxi2aξ2]aξ≥0
φ ξ \varphi_\xi φξ一维概率密度函数服从均匀分布:
f ( φ ξ ) = 1 2 π 0 ≤ φ ξ ≤ 2 π f(\varphi_\xi)=\dfrac{1}{2\pi} \quad 0\leq\varphi_\xi\leq2\pi f(φξ)=2π10≤φξ≤2π -
即均值为0,方差为 σ ξ 2 \sigma_\xi^2 σξ2的窄带平稳高斯过程其包络一维概率分布是瑞利分布,相位是均匀分布,且两者独立统计
正弦波加窄带高斯噪声
设正弦波加窄带高斯噪声的混合信号为:
r
(
t
)
=
A
cos
(
ω
c
t
+
θ
)
+
n
(
t
)
r(t)=A\cos(\omega_ct+\theta)+n(t)
r(t)=Acos(ωct+θ)+n(t)
其中:
n
(
t
)
=
n
c
(
t
)
cos
ω
c
t
−
n
s
(
t
)
sin
ω
c
t
n(t)=n_c(t)\cos\omega_ct- n_s(t)\sin\omega_ct
n(t)=nc(t)cosωct−ns(t)sinωct
为窄带高斯噪声,则,混合信号展开可得:
r
(
t
)
=
[
A
cos
θ
+
n
c
(
t
)
]
cos
ω
c
t
−
[
A
sin
θ
+
n
s
(
t
)
]
sin
ω
c
t
=
z
c
(
t
)
cos
ω
c
t
−
z
s
(
t
)
sin
ω
c
t
=
z
(
t
)
c
o
s
[
ω
c
t
+
φ
(
t
)
]
\begin{aligned} r(t) &= [A\cos\theta+n_c(t)]\cos\omega_ct- [A\sin\theta+n_s(t)]\sin\omega_ct \\ &=z_c(t)\cos\omega_ct-z_s(t)\sin\omega_ct \\ &=z(t)cos[\omega_ct+\varphi(t)] \end{aligned}
r(t)=[Acosθ+nc(t)]cosωct−[Asinθ+ns(t)]sinωct=zc(t)cosωct−zs(t)sinωct=z(t)cos[ωct+φ(t)]
则r(t)的包络和相位得:
z
(
t
)
=
z
c
2
(
t
)
+
z
s
2
(
t
)
z
≥
0
φ
(
t
)
=
arctan
z
s
(
t
)
z
c
(
t
)
0
≤
φ
≤
2
π
z(t)=\sqrt{z_c^2(t)+z_s^2(t)}\qquad z\geq0 \\ \\ \varphi(t)=\arctan\dfrac{z_s(t)}{z_c(t)} \qquad 0\leq\varphi\leq2\pi
z(t)=zc2(t)+zs2(t)z≥0φ(t)=arctanzc(t)zs(t)0≤φ≤2π
当我们给定
θ
\theta
θ角时,包络线得概率密度函数为:
f
(
z
)
=
z
σ
n
2
exp
[
−
1
2
σ
n
2
(
z
2
+
A
2
)
]
I
0
(
A
z
σ
n
2
)
z
≥
0
f(z)=\dfrac{z}{\sigma_n^2}\exp \left[ -\dfrac{1}{2\sigma_n^2} (z^2+A^2) \right] I_0 \left( \dfrac{A_z}{\sigma_n^2} \right) \qquad z\geq 0
f(z)=σn2zexp[−2σn21(z2+A2)]I0(σn2Az)z≥0
得到的概率密度函数为广义瑞利分布,又称莱斯分布,其中:
I
0
(
x
)
=
1
2
π
∫
0
2
π
exp
[
x
cos
φ
]
d
φ
I_0(x)= \dfrac{1}{2\pi} \int_{0}^{2\pi} \exp [x\cos\varphi]\,d\varphi
I0(x)=2π1∫02πexp[xcosφ]dφ
为第一类零阶修正贝塞尔函数,当大于零时
I
0
(
x
)
I_0(x)
I0(x)单调上升,且有
I
0
(
0
)
=
1
I_0(0)=1
I0(0)=1
当信号很小,即信噪比
γ
=
A
2
2
σ
n
2
→
0
\gamma=\dfrac{A^2}{2\sigma_n^2}\to 0
γ=2σn2A2→0,分布退化为瑞利分布
当信号很大,分布接近高斯分布
高斯白噪声和带限白噪声
白噪声
如果噪声的功率谱密度在所有的频率上为一常数,其单边带表示为:
P
n
(
f
)
=
n
0
2
(
−
∞
<
f
<
+
∞
)
(
W
/
H
z
)
P_n(f)=\dfrac{n_0}{2}\qquad (-\infty<f<+\infty)\quad (W/Hz)
Pn(f)=2n0(−∞<f<+∞)(W/Hz)
则这样的噪声3为白噪声
则其自相关函数为:
R
(
τ
)
=
n
0
2
δ
(
τ
)
R(\tau)=\dfrac{n_0}{2}\delta(\tau)
R(τ)=2n0δ(τ)
易得其平均功率为无穷大
低通白噪声
如果白噪声通过了低通滤波器,则称输出的噪声为低通白噪声,其功率谱密度为:
P
(
f
)
=
{
n
0
2
∣
f
∣
≤
f
H
0
e
l
s
e
P(f)= \left\{ \begin{aligned} &\dfrac{n_0}{2}\qquad&|f|\leq f_H\\ \\ &0 \qquad &else \end{aligned} \right.
P(f)=⎩⎪⎪⎨⎪⎪⎧2n00∣f∣≤fHelse
可以看出功率谱密度为门函数
带通白噪声
假设理想带通滤波器传输特性为:
H
(
f
)
=
{
1
f
c
−
B
2
≤
∣
f
∣
≤
f
c
+
B
2
0
e
l
s
e
H(f)= \left\{ \begin{aligned} &1\qquad f_c-\dfrac{B}{2}\leq|f|\leq f_c+\dfrac{B}{2}\\ &0\qquad else \end{aligned} \right.
H(f)=⎩⎨⎧1fc−2B≤∣f∣≤fc+2B0else
则输出的噪声功率谱密度为:
P
(
f
)
=
{
n
0
2
f
c
−
B
2
≤
∣
f
∣
≤
f
c
+
B
2
0
e
l
s
e
P(f)= \left\{ \begin{aligned} &\dfrac{n_0}{2}\qquad f_c-\dfrac{B}{2}\leq|f|\leq f_c+\dfrac{B}{2}\\ \\ &0\qquad else \end{aligned} \right.
P(f)=⎩⎪⎪⎪⎨⎪⎪⎪⎧2n0fc−2B≤∣f∣≤fc+2B0else
自相关函数为:
R
(
τ
)
=
n
0
B
sin
π
B
τ
π
B
τ
cos
2
π
f
c
τ
R(\tau)=n_0B\frac{\sin\pi B\tau}{\pi B\tau}\cos2\pi f_c\tau
R(τ)=n0BπBτsinπBτcos2πfcτ
由于通常滤波器
B
≪
f
c
B\ll f_c
B≪fc,故也把带通白噪声叫做窄带高斯白噪声
其平均功率易得:
N
=
n
0
B
N=n_0B
N=n0B