文章目录
Random variable 和 Random process
对于随机变量,一个随机试验的结果是一个实数
对于随机过程,一个随机试验的结果是一个随时间变化的波形,用函数 X(t) 表示
在每一个特定的时间,我们都可以从随机过程中得到一个随机变量,所有时间下的随机变量组成随机过程
比如时间
t
0
t_0
t0 时,在随机过程中观察到的值
X
(
t
0
)
X(t_0)
X(t0) 就是一个随机变量
分布函数与概率密度函数
假设随机过程 X ( t ) X(t) X(t)在一个时间点 t 1 t_1 t1 时的值为 X ( t 1 ) X(t_1) X(t1),定义这个值小于一个数值 x 1 x_{1} x1 的概率为 F 1 ( x 1 , t 1 ) F_1(x_1,t_1) F1(x1,t1),我们将其称为随机过程 X ( t ) X(t) X(t) 的一维分布函数
这里的一维指的是函数中包含的值,如果我们增加一个时间点,同时要求时间 t 2 t_2 t2 时随机过程对应的值要小于 x 2 x_2 x2,可以得到二维分布函数 F 1 ( x 2 , t 2 ) F_1(x_2,t_2) F1(x2,t2)
如果这个一维分布函数存在对于数值 x 1 x_1 x1 的偏导 f 1 ( x 1 , t 1 ) f1(x_1,t_1) f1(x1,t1),这个偏导数就是随机过程的一维概率密度函数
概率密度函数,指的是时间 t 时,随机过程的值为 x 的概率
Mean of random process
多数情况下,我们不用分布函数或概率密度函数,而是用更加直观的均值,方差和相关函数来描述随机过程的特征
随机过程的均值一般来说就是这个过程的数学期望,其计算方式为:
其中 f X f_X fX是概率密度函数,我们用数值 x,乘以时间 t 时随机过程的值为 x 的概率,将其对 x 积分,就可以得到这个随机过程在时间 t 的期望
Autocorrelation of random process
随机过程的自相关函数实际上就是它的协方差
不同于方差只关注一个点相对于期望的偏离程度,协方差会关注两个点
如果两个点上的值相对于期望的偏向相同,如都偏高或偏低,则协方差为正,如果一个大于期望,一个小于期望,则协方差为负
当关注的两个点属于同一个随机过程时,这个协方差是自相关
当两个点属于多个随机过程,则其为互相关
表达式为:
其中
f
(
x
1
,
x
2
;
t
1
,
t
2
)
f(x_1,x_2;t_1,t_2)
f(x1,x2;t1,t2)是这个随机过程的二维概率密度函数
广义平稳随机过程
称一个随机过程为广义平稳随机过程,需要满足两个条件
- 随机过程的期望,也就是平均值与时间 t 无关,是一个常数
- 自相关函数只与采样的时间间隔 τ \tau τ 有关
Ergotic process
如果一个随机过程的统计平均值(均值或自相关函数),可以由任意一个 sample 的时间平均值来代替,则称这个随机过程具有各态历经性
具有各态历经性,意味着这个随机过程的每一个 sample 都经历了所有可能的状态
具有各态历经性的过程一定为平稳过程,反之则不然
通信系统中的绝大多数随机信号和噪声都具有各态历经性
平稳过程的自相关函数
对于平稳随机过程
X
(
t
)
X(t)
X(t),它的自相关函数为:
当
τ
=
0
\tau=0
τ=0 时,可以得到
R
X
(
0
)
=
E
[
X
(
t
)
2
]
R_X(0)=E[X(t)^2]
RX(0)=E[X(t)2]
这表示的是
X
(
t
)
X(t)
X(t) 的平均功率
对于具有各态历经性的平稳过程,平均功率也可以等价为:
实信号自相关函数的重要性质
- 自相关函数是一个偶函数
- 0 点处的自相关函数表示随机过程的平均功率
- 自相关函数在 0 点有最大值,即:
随机过程的功率谱密度(PSD)
随机过程中的任意一个 sample
x
(
t
)
x(t)
x(t) 是确定的功率信号,功率信号的功率谱密度为:
功率谱密度和自相关函数是一对傅里叶变换对
通常情况下直接计算功率谱密度十分困难,所有常常通过对自相关函数做傅里叶变换来得到PSD
PSD 的性质
- 功率谱密度的积分是平稳随机过程的平均功率,即等于 τ = 0 \tau=0 τ=0时的自相关函数
- 平稳随机过程的PSD总是非负的
- 实随机过程的PSD是一个偶函数
- 一个功率谱密度为
S
X
(
f
)
S_X(f)
SX(f) 的平稳随机过程
X
(
t
)
X(t)
X(t),在经过一个频率响应为
H
(
f
)
H(f)
H(f) 的线性滤波器后,输出的随机过程
Y
(
t
)
Y(t)
Y(t) 的功率谱密度
S
Y
(
f
)
S_Y(f)
SY(f)为
∣
H
(
f
)
∣
2
S
X
(
f
)
|H(f)|^2S_X(f)
∣H(f)∣2SX(f),即