信号、通信中的东西
文章平均质量分 75
用来记录在信号与系统、通信原理、随机信号分析、数字信号处理等课程学习过程中遇到和解决的问题
hal3515
信号处理小菜鸡,不知道要不要跑路去计算机
展开
-
匹配滤波处理不同距离维回波信号
可以参考之前写的两篇博客留留(1) 原理说明假设目标与雷达的相对距离为 RRR,雷达发射信号 s(t)s(t)s(t) ,传播速度为光速 ccc ,则经过时间 Rc\displaystyle\frac{R}{c}cR 后电磁波到达目标,照射到目标上的电磁波可写成:s(t−Rc)s(t-\displaystyle\frac{R}{c})s(t−cR)。电磁波与目标相互作用,一部分电磁波被目标散射,被反射的电磁波为 σ⋅s(t−Rc)σ·s(t-\displaystyle\frac{R.原创 2021-02-19 15:25:17 · 1324 阅读 · 3 评论 -
匹配滤波器的仿真——原理说明与仿真
文章目录(1) 匹配滤波器的公式推导与解释1.使用匹配滤波器的目的2.推导匹配滤波器的公式3.从频域直观理解匹配滤波器的效果(2) 匹配滤波器的冲激响应(3) 匹配滤波器的输出信噪比(4) 匹配滤波器的时间适应性(5) 匹配滤波器与自相关(6) 匹配滤波器进行频域滤波参考通信之道——从微积分到5G匹配滤波器及其在雷达信号处理中的应用随机过程概论(PPT) 第四章之前的写线性调频信号的博客 (这里留出来)(1) 匹配滤波器的公式推导与解释解释实际上是要分三步进行:首先要说明要用匹配滤波原创 2021-02-19 11:38:24 · 7698 阅读 · 10 评论 -
匹配滤波器的仿真——线性调频信号
1.使用线性调频信号的原因线性调频信号的特点在于频率会随时间变化,所以作为测试信号可以测试不同频率的状态。2.从一般信号推导出线性调频信号的时域表达式推导原则:根据频率随时间变化的特点就可以推导出线性调频信号的时域表达式。对于一个一般信号,其表达式为 x(t)=Acos(ω0t+ϕ)x(t) = A\cos(\omega_0t+\phi)x(t)=Acos(ω0t+ϕ)。从这个表达式中得到相位是 θ(t)=ω0t+ϕ\theta(t) = \omega_0t+\phiθ(t)=ω0原创 2021-02-18 11:03:20 · 4051 阅读 · 1 评论 -
高斯采样的仿真(python实现)
英文版的原文Introduction to Gaussian Processes - Part I中文翻译版的原文图文详解高斯过程(一)——含代码转载 2021-02-14 17:29:31 · 1954 阅读 · 0 评论 -
对信号系统学习的思考
~~~~~ 最近将信号与系统翻出来打算看一看,发现了一件事情,就是我实际上一直没有学会信号与系统。如果更具体的来说可以叫做学“会”了信号与系统,但是完全没有学“懂”信号与系统,只是简单的记住了一些 what 的内容(比如公式),但是对 how 和 why 的内容并没有去深入理解过。 ~~~~~ &n原创 2021-02-09 19:39:22 · 370 阅读 · 0 评论 -
通俗易懂地解释协方差与相关系数的概念
今天在看随机过程的时候,突然发现对概率论中的相关关系的理解不是很深入,所以看了一些文章,这里做一个总结。先贴一篇文章(马同学)如何理解协方差、相关系数?协方差RXY=E[(X−E(X))(Y−E(Y))]R_{XY}=E[(X-E(X))(Y-E(Y))]RXY=E[(X−E(X))(Y−E(Y))]相关系数rXY=RXYσXσYr_{XY}=\frac{R_{XY}}{\sigma_X\sigma_Y}rXY=σXσYRXY首先应该明确一点,相关系数是去除量纲后的协方差(比如身高和.原创 2021-01-24 17:34:23 · 532 阅读 · 0 评论 -
随机过程(微分和积分过程、通过连续时间系统的分析)
文章目录随机过程的微分和积分过程1. 极限2. 连续 (这个连续特指的是均方意义下的连续)3. 导数(均方可导) 4. 微分变换 5. 积分 随机过程通过连续时间系统的分析1. 冲激响应法(用卷积乘法进行计算) 2. 频谱法 随机过程的微分和积分过程1. 极限随机变量序列的极限:随机变量序列 {Xn}\{X_n\}{Xn} 依概率收敛于随机变量 XXXlimn→∞Xn=PX\lim_{n\rightarrow\infin}X_n \xlongequal{P} Xn→∞limXnPX随原创 2020-11-02 21:36:18 · 1544 阅读 · 0 评论 -
随机过程(高斯随机过程、谱分析、白噪声)
文章目录正态随机过程1.定义2.概率密度3.特征函数平稳随机过程的谱分析1.能量谱与功率谱2.功率谱密度与相关函数的关系白噪声正态随机过程1.定义随机过程 X(t)X(t)X(t) 的任意 nnn 维(任取 nnn 个时间点)联合概率分布都是正态分布就说 X(t)X(t)X(t) 为正态随机过程。一个结论:对正态过程来说广义平稳与严格平稳是等价的。2.概率密度 &原创 2020-11-01 12:09:01 · 3742 阅读 · 0 评论 -
随机过程(联合平稳随机过程)
实际上联合平稳随机过程和单一的随机过程是十分相似的,联合平稳随机过程用来表征两个随机过程之间的关系。文章目录联合平稳随机过程1.概率分布与矩函数2.矩函数3.联合平稳的矩函数联合平稳随机过程1.概率分布与矩函数假定有两个随机过程 X(t)X(t)X(t) 和 Y(t)Y(t)Y(t) 概率密度分别为 pn(x1,x2,⋯ ,xn;t1,t2,⋯ ,tn)p_n(x_1,x_2,\dotsb,x_n;t_1,t_2,\dotsb,t_n)pn(x1,x2,⋯,xn;t1,t2,⋯,tn原创 2020-10-25 15:54:17 · 4461 阅读 · 0 评论 -
随机过程(基本概念、平稳随机过程)
随机过程(基本概念、平稳随机过程)大三上学习了随机过程(实际听不懂就去看了简化版的随机信号),感觉一些概念性的东西比较多,因此这里进行一个简单总结。文章目录(1)随机过程的基本概念1.对随机过程的理解2.随机过程的概率分布3.随机过程的矩函数4.随机过程的特征函数(2)平稳随机过程1.平稳的定义2.严格平稳过程3.广义平稳过程4.各态历经过程5.平稳过程相关函数的性质6.相关系数和相关时间(1)随机过程的基本概念1.对随机过程的理解我感觉所谓的随机过程实际很类似升维之后的随机变量,但是横坐标是确原创 2020-10-25 15:09:47 · 10268 阅读 · 0 评论