通信原理 第二章 随机信号的噪声

第二章 随机信号的噪声

随机过程的基本概念

随机过程的定义

概率分布函数和概率密度函数

一维概率分布函数：$F\left(x_1,t_1\right)=P\left[X\left(t_1\right)\le x_1\right]$

一维概率密度函数：$\frac{\partial F\left(x_1,t_1\right)}{\partial x_1}=f\left(x_1,t_1\right)$

n维概率分布函数：$F_X\left(x_1,x_2,\cdots ,x_N;t_1,t_2,\cdots ,t_N\right)=P\left[X_1⩽x_1,X_2⩽x_2,\cdots ,X_N⩽x_N\right]$

n维概率密度函数：$f_X\left(x_1,x_2,\dots x_n;t_1,t_2\dots t_n\right)=\frac{\partial F_X\left(x_1,x_2,\dots x_n;t_1,t_2\dots t_n\right)}{\partial x_1,\partial x_2\dots \partial x_n}$

数字特征函数

数学期望（均值函数）

m X ( t ) = E { X ( t ) } ≜ ∫ − ∞ ∞ x f X ( x ; t ) d t m_{X}(t)=E\{X(t)\} \triangleq \int_{-\infty}^{\infty} x f_{X}(x ; t) \mathrm{d} t mX​(t)=E{X(t)}≜∫−∞∞​xfX​(x;t)dt

E { Y ( t ) } = E { g ( X ( t ) ) } ≜ ∫ − ∞ ∞ g ( x ) f X ( x ; t ) d t E\{Y(t)\}=E\{g(X(t))\} \triangleq \int_{-\infty}^{\infty} g(x) f_{X}(x ; t) \mathrm{d} t E{Y(t)}=E{g(X(t))}≜∫−∞∞​g(x)fX​(x;t)dt

均方函数与方差函数

均方函数

${\Psi }_X^2(t)\triangleq E\left\{X^2(t)\right\}={\int }_{-\infty }^{\infty }{x}^2{f}_X(x;t)\mathrm{d}x$

方差函数：

σ X 2 ( t ) = Var ⁡ { X ( t ) } = D [ X ( t ) ] ≜ E { [ X ( t ) − m X ( t ) ] 2 } = ∫ − ∞ ∞ [ x − m X ( t ) ] 2 f X ( x ; t ) d x \begin{aligned} \sigma_{X}^{2}(t) &=\operatorname{Var}\{X(t)\}=D[X(t)] \triangleq E\left\{\left[X(t)-m_{X}(t)\right]^{2}\right\} \\ &=\int_{-\infty}^{\infty}\left[x-m_{X}(t)\right]^{2} f_{X}(x ; t) \mathrm{d} x \end{aligned} σX2​(t)​=Var{X(t)}=D[X(t)]≜E{[X(t)−mX​(t)]2}=∫−∞∞​[x−mX​(t)]2fX​(x;t)dx​

$\mathrm{Var}[X(t)]={\Psi }_X^2(t)-m_X{}^2(t)$

相关函数

自相关函数：

R X ( t 1 , t 2 ) ≜ E { X ( t 1 ) X ( t 2 ) } = ∫ − ∞ ∞ ∫ − ∞ ∞ x 1 x 2 f X ( x 1 , x 2 ; t 1 , t 2 ) d x 1   d x 2 R_{X}\left(t_{1}, t_{2}\right) \triangleq E\left\{X\left(t_{1}\right) X\left(t_{2}\right)\right\}=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} x_{1} x_{2} f_{X}\left(x_{1}, x_{2} ; t_{1}, t_{2}\right) \mathrm{d} x_{1} \mathrm{~d} x_{2} RX​(t1​,t2​)≜E{X(t1​)X(t2​)}=∫−∞∞​∫−∞∞​x1​x2​fX​(x1​,x2​;t1​,t2​)dx1​ dx2​

自协方差函数：

C X ( t 1 , t 2 ) ≜ E { [ X ( t 1 ) − m X ( t 1 ) ] [ X ( t 2 ) − m X ( t 2 ) ] } = ∫ − ∞ ∞ ∫ − ∞ ∞ [ x 1 − m X ( t 1 ) ] [ x 2 − m X ( t 2 ) ] f X ( x 1 , x 2 ; t 1 , t 2 ) d x 1   d x 2 = R X ( t 1 , t 2 ) − m X ( t 1 ) m X ( t 2 ) \begin{aligned} & C_{X}\left(t_{1}, t_{2}\right) \triangleq E\left\{\left[X\left(t_{1}\right)-m_{X}\left(t_{1}\right)\right]\left[X\left(t_{2}\right)-m_{X}\left(t_{2}\right)\right]\right\} \\ =& \int_{-\infty}^{\infty} \int_{-\infty}^{\infty}\left[x_{1}-m_{X}\left(t_{1}\right)\right]\left[x_{2}-m_{X}\left(t_{2}\right)\right] f_{X}\left(x_{1}, x_{2} ; t_{1}, t_{2}\right) \mathrm{d} x_{1} \mathrm{~d} x_{2}\\=&R_{X}\left(t_{1}, t_{2}\right)-m_{X}\left(t_{1}\right) m_{X}\left(t_{2}\right) \end{aligned} ==​CX​(t1​,t2​)≜E{[X(t1​)−mX​(t1​)][X(t2​)−mX​(t2​)]}∫−∞∞​∫−∞∞​[x1​−mX​(t1​)][x2​−mX​(t2​)]fX​(x1​,x2​;t1​,t2​)dx1​ dx2​RX​(t1​,t2​)−mX​(t1​)mX​(t2​)​

讨论：

• 当$m_X(t_1)=m_X(t_2)=0$时，$C_X(t_1,t_2)=R_X(t_1,t_2)$
• 当$t_1=t_2=t$ 时：此时, 自相关函数是均方函数, 协方差函数就是方差函数

$R_X(t,t)=E\left\{X^2(t)\right\}={\Psi }_X^2(t)$

$C_X(t,t)=E\left\{{\left[X(t)-m_X(t)\right]}^2\right\}=\mathrm{Var}[X(t)]={\sigma }_x^2(t)$

$\mathrm{Var}[X(t)]={\Psi }_X^2(t)-m_X^2(t)$

互相关函数

R X Y ( t 1 , t 2 ) ≜ E { X ( t 1 ) Y ( t 2 ) } = ∫ − ∞ x 1 ∫ − ∞ y 2 x 1 y 2 f X Y ( x 1 , t 1 ; y 2 , t 2 ) d x 1   d y 2 R_{X Y}\left(t_{1}, t_{2}\right) \triangleq E\left\{X\left(t_{1}\right) Y\left(t_{2}\right)\right\}=\int_{-\infty}^{x_{1}} \int_{-\infty}^{y_{2}} x_{1} y_{2} f_{X Y}\left(x_{1}, t_{1} ; y_{2}, t_{2}\right) \mathrm{d} x_{1} \mathrm{~d} y_{2} RXY​(t1​,t2​)≜E{X(t1​)Y(t2​)}=∫−∞x1​​∫−∞y2​​x1​y2​fXY​(x1​,t1​;y2​,t2​)dx1​ dy2​

互协方差函数

C X Y ( t 1 , t 2 ) ≜ E { [ X ( t 1 ) − m X ( t 1 ) ] [ Y ( t 2 ) − m Y ( t 2 ) ] } = R X Y ( t 1 , t 2 ) − m X ( t 1 ) m Y ( t 2 ) C_{X Y}\left(t_{1}, t_{2}\right) \triangleq E\left\{\left[X\left(t_{1}\right)-m_{X}\left(t_{1}\right)\right]\left[Y\left(t_{2}\right)-m_{Y}\left(t_{2}\right)\right]\right\}=R_{X Y}\left(t_{1}, t_{2}\right)-m_{X}\left(t_{1}\right) m_{Y}\left(t_{2}\right) CXY​(t1​,t2​)≜E{[X(t1​)−mX​(t1​)][Y(t2​)−mY​(t2​)]}=RXY​(t1​,t2​)−mX​(t1​)mY​(t2​)

讨论相互关系：

• 互不相关：$C_{XY}\left(t_1,t_2\right)=0$，或 $R_{XY}\left(t_1,t_2\right)=m_X\left(t_1\right)m_Y\left(t_2\right)$
• 相互正交：$R_{XY}\left(t_1,t_2\right)=0$
• 相互独立：$f_{XY}\left(x_1,t_1;y_2,t_2\right)=f_X\left(x_1,t_1\right)f_Y\left(y_2,t_2\right)$
• 均值为0，不相关=正交
• 相互独立必不相关，反之不成立

随机过程分类

• 马尔可夫过程：当已知当前状态，则其将来状态与过去状态无关（无后效性）
• 平稳随机过程：过程的统计特性与时间的起点无关，狭义平稳

$f_X\left(x_1,x_2,\cdots ,x_n;t_1,t_2,\cdots ,t_n\right)=f_X\left(x_1,x_2,\cdots ,x_n;t_1+\epsilon ,t_2+\epsilon ,\cdots ,t_n+\epsilon \right)$

广义平稳过程及各态遍历性

广义平稳判定：

E { X ( t ) } = ∫ − ∞ ∞ x f X ( x ) d x = m X R X ( t 1 , t 2 ) = ∫ − ∞ ∞ ∫ − ∞ ∞ x 1 x 2 f X ( x 1 , x 2 , t 2 − t 1 ) d x 1   d x 2 = R X ( t 2 − t 1 ) = R X ( τ ) , τ = t 2 − t 1 \begin{aligned} E\{X(t)\} &=\int_{-\infty}^{\infty} x f_{X}(x) \mathrm{d} x=m_{X} \\ R_{X}\left(t_{1}, t_{2}\right) &=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} x_{1} x_{2} f_{X}\left(x_{1}, x_{2}, t_{2}-t_{1}\right) \mathrm{d} x_{1} \mathrm{~d} x_{2} \\ &=R_{X}\left(t_{2}-t_{1}\right)=R_{X}(\tau), \quad \tau=t_{2}-t_{1} \end{aligned} E{X(t)}RX​(t1​,t2​)​=∫−∞∞​xfX​(x)dx=mX​=∫−∞∞​∫−∞∞​x1​x2​fX​(x1​,x2​,t2​−t1​)dx1​ dx2​=RX​(t2​−t1​)=RX​(τ),τ=t2​−t1​​

广义平稳过程相关函数的性质

广义平稳实随机过程的自相关函数性质

• $R_X(0)=E\left\{X^2(t)\right\}⩾0$

• $R_X(\tau )=R_X(-\tau )$

• $R_X(0)⩾\left|R_X(\tau )\right|$

• 如果 E { X ( t ) } − m X ( t ) ≠ 0 E\{X(t)\}-m_X(t)≠0 E{X(t)}−mX​(t)​=0，那么$R_X(\tau )$将含有常数项$m_X$。满足： lim ⁡ r → ∞ R X ( τ ) = lim ⁡ r → ∞ E { X ( t ) X ( t + τ ) } = E { X ( t ) } E { X ( t + τ ) } = m X 2 \begin{aligned} \lim _{r \rightarrow \infty} R_{X}(\tau) &=\lim _{r \rightarrow \infty} E\{X(t) X(t+\tau)\} \\ &=E\{X(t)\} E\{X(t+\tau)\}=m_{X}^{2} \end{aligned} r→∞lim​RX​(τ)​=r→∞lim​E{X(t)X(t+τ)}=E{X(t)}E{X(t+τ)}=mX2​​

• 如果$X(t)$含有周期性分量，那么$R_X(\tau )$也将含有相同周期的周期性分量。

• $R_X(\tau )$不能取随意的形状。

广义平稳实随机过程的互相关函数性质

• $R_{XY}(-\tau )=R_{YX}(\tau )$
• $\left|R_{XY}(\tau )\right|⩽\sqrt{R_X(0)R_Y(0)}$
• $\left|R_{XY}(\tau )\right|⩽\frac{1}{2}\left[R_X(0)+R_Y(0)\right]$

时间平均及各态遍历性

时间平均

• 时间平均：$⟨X(t)⟩={\lim }_{T\to \infty }\frac{1}{2T}{\int }_{-T}^{T}X(t)\mathrm{d}t$

• 时间平均自相关函数：

  $⟨X(t)X(t+\tau )⟩={\lim }_{T\to \infty }\frac{1}{2T}{\int }_{-T}^{T}X(t)X(t+\tau )\mathrm{d}t$

各态遍历性

各态遍历性： 时间均值和时间自相关函数分别等于统计平均值和统计自相关函数。这个性质称 为各态遍历性, 而满足这个性质的平稳过程称为遍历过程。

E { ⟨ X ( t ) ⟩ } = E { X ( t ) } = m X E { ⟨ X ( t ) X ( t + τ ) ⟩ } = R X ( τ ) \begin{array}{l} E\{\langle X(t)\rangle\}=E\{X(t)\}=m_{X} \\ E\{\langle X(t) X(t+\tau)\rangle\}=R_{X}(\tau) \end{array} E{⟨X(t)⟩}=E{X(t)}=mX​E{⟨X(t)X(t+τ)⟩}=RX​(τ)​

对于大多数平稳过程, 随机变量 $⟨X(t)⟩$ 和$⟨X(t)X(t+\tau )⟩$的方差随着 $T\to \infty$而趋于 0, 那么，只需

⟨ X ( t ) ⟩ = E { X ( t ) } ⟨ X ( t ) X ( t + τ ) ⟩ = R X ( τ ) \begin{array}{l} \langle X(t)\rangle=E\{X(t)\} \\ \langle X(t) X(t+\tau)\rangle=R_{X}(\tau) \end{array} ⟨X(t)⟩=E{X(t)}⟨X(t)X(t+τ)⟩=RX​(τ)​

也就是说, 各态遍历定理指出, 对于非周期平稳过程 $X(t)$ , 只要

${\lim }_{\tau \to \infty }{C}_X(\tau )=0$，那么过程$X(t)$是均值遍历的。

随机信号$X(t)$可测量的参数如下：

• E { X ( t ) } = ⟨ X ( t ) ⟩ E\{X(t)\}=\langle X(t)\rangle E{X(t)}=⟨X(t)⟩ 随机信号的直流分量;
• $E\left\{X^2(t)\right\}=⟨X^2(t)⟩$ 随机信号的平均功率;
• $R_X(\tau )=⟨X(t)X(t+\tau )⟩\approx \frac{1}{T}{\int }_t^{HT}X(t)X(t-\tau )\mathrm{d}t$

随机过程的功率谱密度

• Parseval定理：${\int }_{-\infty }^{\infty }{x}^2(t)\mathrm{d}t={\int }_{-\infty }^{\infty }|X(f){|}^2\mathrm{d}f$，$|X(f){|}^2$——能谱密度
• 归一化能量：$E={\int }_{-\infty }^{\infty }{x}^2(t)\mathrm{d}t<\infty$，$X(t)$能量有限，称为能量信号
• 傅里叶变换：$X(f)={\int }_{-\infty }^{\infty }x(t){\mathrm{e}}^{-\mathrm{j}2\pi ft}\mathrm{d}t$

功率谱密度的定义

• 功率谱密度： S X ( f ) = lim ⁡ T → ∞ E { ∣ X T ( f ) ∣ 2 } 2 T S_{X}(f)=\lim _{T \rightarrow \infty} \frac{E\left\{\left|X_{\mathrm{T}}(f)\right|^{2}\right\}}{2 T} SX​(f)=limT→∞​2TE{∣XT​(f)∣2}​，该定义既包含时间平均又包含统计平均
• 归一化功率：$P={\int }_{-\infty }^{\infty }{S}_X(f)\mathrm{d}f$

求解平均功率的两种方法：

方法1：通过功率谱密度求解，$P={\int }_{-\infty }^{\infty }{S}_X(f)\mathrm{d}f$

方法2：通过互相关函数求解，$P_X=R_X(0)=E[X^2(t)]$

功率谱密度和自相关函数的关系

• 一般情况：${\int }_{-\infty }^{\infty }{S}_X(f){\mathrm{e}}^{\mathrm{j}2\mathrm{x}\mathrm{f}}\mathrm{d}f=⟨R_X(t,t+\tau )⟩$

• 对于广义平稳的特殊情况，因为$⟨R_X(t,t+\tau )⟩=R_X(\tau )$，于是有：

  维纳-辛钦定理：$\begin{array}{l}{S}_X(f)={\int }_{-\infty }^{\infty }{R}_X(\tau ){\mathrm{e}}^{-\mathrm{j}2\pi f\tau }\mathrm{d}\tau \\ R_X(\tau )={\int }_{-\infty }^{\infty }{S}_X(f){\mathrm{e}}^{\mathrm{j}2\pi f\tau }\mathrm{d}f\end{array}$

功率谱密度的性质

• $S_X(f)\ge 0$
• $S_X(-f)=S_X(f)$，如$X_{(}t)$为实且偶的函数
• $S_X(f)$总是实函数

其他：

• 相关时间：${\tau }_0=\frac{1}{2}\cdot \frac{S_X(0)}{C_X(0)}$

  反映随机过程自相关性的强弱：${\tau }_0$越小，$C_X(\tau )$越陡，相关程度越弱；时域波形起伏越大，含有丰富的高频分量，等效带宽越大，相似度越低

• 等效带宽：$B_N=\frac{1}{2}\cdot \frac{C_X(0)}{S_X(0)}$

  与${\tau }_0$数值上成反比

互功率谱密度及其性质

互功率谱密度定义： S X 1 X 2 ( f ) = lim ⁡ T → ∞ E { X 1 T ∗ ( f ) X 2 T ( f ) } 2 T S_{X_1 X_2}(f)=\lim _{T \rightarrow \infty} \frac{E\left\{X_{1\mathrm{T}}^*(f)X_{2\mathrm{T}}(f) \right\}}{2 T} SX1​X2​​(f)=limT→∞​2TE{X1T∗​(f)X2T​(f)}​

对于联合平稳过程 $X(t)$ 和 $Y(t)$ , 我们直接定义它们的互功率谱密度 (以下简称互谱密 度)为互相关函数的傅里叶变换及其逆变换：

$S_{XY}(f)\triangleq {\int }_{-\infty }^{\infty }{R}_{XY}(\tau ){\mathrm{e}}^{-\mathrm{j}\omega \tau }\mathrm{d}\tau$

$R_{XY}(\tau )={\int }_{-\infty }^{\infty }{S}_{XY}(f){\mathrm{e}}^{\mathrm{j}\omega \tau }\mathrm{d}f$

互谱密度有如下性质：$S_{XY}(f)=S_{YX}^{\ast }(f)=S_{YX}(-f)$，因此互谱密度没有自功率谱那样的对称性, 并且通常是复的函数。

线性系统对随机信号的响应

输出随机信号：$Y(t)={\int }_{-\infty }^{\infty }h(\tau )X(t-\tau )\mathrm{d}\tau$

频域表示：$Y(f)=H(f)X(f)$

输出过程的统计特性

输出过程的均值

E { Y ( t ) } = ∫ − ∞ ∞ E { X ( t − τ ) } h ( τ ) d τ E\{Y(t)\}=\int_{-\infty}^{\infty} E\{X(t-\tau)\} h(\tau) \mathrm{d} \tau E{Y(t)}=∫−∞∞​E{X(t−τ)}h(τ)dτ

当$X(t)$是广义平稳过程时， E { Y ( t ) } = E { X ( t ) } ∫ − ∞ ∞ h ( τ ) d τ = m X H ( 0 ) E\{Y(t)\}=E\{X(t)\} \int_{-\infty}^{\infty} h(\tau) \mathrm{d} \tau=m_{X} H(0) E{Y(t)}=E{X(t)}∫−∞∞​h(τ)dτ=mX​H(0)

输出过程的自相关函数

​ R y ( t 1 , t 2 ) = E [ Y ( t 1 ) Y ( t 2 ) ] = E { ∫ − ∞ ∞ X ( t 1 − u ) h ( u ) d u ∫ − ∞ ∞ X ( t 2 − v ) h ( v ) d v } = ∫ − ∞ ∞ ∫ − ∞ ∞ E { X ( t 1 − u ) X ( t 2 − v ) } h ( u ) h ( v ) d u   d v = ∫ − ∞ ∞ ∫ − ∞ ∞ R X ( t 1 − u , t 2 − v ) h ( u ) h ( v ) d u   d v \begin{aligned} R_{y}\left(t_{1}, t_{2}\right) &=E\left[Y\left(t_{1}\right) Y\left(t_{2}\right)\right] \\ &=E\left\{\int_{-\infty}^{\infty} X\left(t_{1}-u\right) h(u) \mathrm{d} u \int_{-\infty}^{\infty} X\left(t_{2}-v\right) h(v) \mathrm{d} v\right\} \\ &=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} E\left\{X\left(t_{1}-u\right) X\left(t_{2}-v\right)\right\} h(u) h(v) \mathrm{d} u \mathrm{~d} v \\ &=\int_{-\infty}^{\infty} \int_{-\infty}^{\infty} R_{X}\left(t_{1}-u, t_{2}-v\right) h(u) h(v) \mathrm{d} u \mathrm{~d} v \end{aligned} Ry​(t1​,t2​)​=E[Y(t1​)Y(t2​)]=E{∫−∞∞​X(t1​−u)h(u)du∫−∞∞​X(t2​−v)h(v)dv}=∫−∞∞​∫−∞∞​E{X(t1​−u)X(t2​−v)}h(u)h(v)du dv=∫−∞∞​∫−∞∞​RX​(t1​−u,t2​−v)h(u)h(v)du dv​

当 $X(t)$ 是广义平稳过程时，输出过程$Y(t)$ 也是广义平稳的，令 $ t_{2}-t_{1}=\tau$，则

$\begin{array}{rl}{R}_Y(\tau )& ={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{R}_X(\tau +u-v)h(u)h(v)\mathrm{d}u\mathrm{d}v\\ & =R_X(\tau )\ast h(\tau )\ast h(-\tau )\\ & =R_X(\tau )\ast R_h(\tau )\end{array}$

线性系统脉冲响应的自相关积分：

$\begin{array}{rl}{R}_h(\tau )& \triangleq {\int }_{-\infty }^{\infty }h(\tau +l)h(l)\mathrm{d}l={\int }_{-\infty }^{\infty }h\left(\tau -l^{\prime }\right)h\left(-l^{\prime }\right)\mathrm{d}{l}^{\prime }\\ & =h(\tau )\ast h(-\tau )\end{array}$

输出过程的功率谱

我们可称 $|H(f){|}^2$为系统的功率谱传输函数。显然, 它是非负的、实的和偶的函数, 而传输函数 $H(f)$ 的相位特性对功率谱传输不起作用。

$\begin{array}{rl}{S}_Y(f)& =S_X(f)H(f)H^{\ast }(f)\\ & =|H(f){|}^2{S}_X(f)\end{array}$

拓展：

平稳输入通过线性滤波器后，输出过程的互功率谱密度：$S_{Y_1{Y}_2}(f)=S_X(f)H_1(f)H_2^{\ast }(f)$

证明：

方法1：通过互相关函数定义证明，最后对整体进行傅里叶变换即可； R Y 1 Y 2 ( t 1 , t 2 ) ≜ E { Y 1 ( t 1 ) Y 2 ( t 2 ) } = ∫ − ∞ y 1 ∫ − ∞ y 2 y 1 y 2 f Y 1 Y 2 ( y 1 , t 1 ; y 2 , t 2 ) d y 1   d y 2 R_{Y_1 Y_2}\left(t_{1}, t_{2}\right) \triangleq E\left\{Y_1\left(t_{1}\right) Y_2\left(t_{2}\right)\right\}=\int_{-\infty}^{y_{1}} \int_{-\infty}^{y_{2}} y_{1} y_{2} f_{Y_1 Y_2}\left(y_{1}, t_{1} ; y_{2}, t_{2}\right) \mathrm{d} y_{1} \mathrm{~d} y_{2} RY1​Y2​​(t1​,t2​)≜E{Y1​(t1​)Y2​(t2​)}=∫−∞y1​​∫−∞y2​​y1​y2​fY1​Y2​​(y1​,t1​;y2​,t2​)dy1​ dy2​

方法2：通过互功率谱密度定义证明， S X 1 X 2 ( f ) = lim ⁡ T → ∞ E { X 1 T ∗ ( f ) X 2 T ( f ) } 2 T S_{X_1 X_2}(f)=\lim _{T \rightarrow \infty} \frac{E\left\{X_{1\mathrm{T}}^*(f)X_{2\mathrm{T}}(f) \right\}}{2 T} SX1​X2​​(f)=limT→∞​2TE{X1T∗​(f)X2T​(f)}​

输出输入过程相互关系

输入输出过程的互相关函数

R X Y ( t 1 , t 2 ) = E { X ( t 1 ) Y ( t 2 ) } = E { X ( t 1 ) ∫ − ∞ ∞ X ( t 2 − v ) h ( v ) d v } = ∫ − ∞ ∞ R X ( t 1 , t 2 − v ) h ( v ) d v \begin{aligned} R_{X Y}\left(t_{1}, t_{2}\right) &=E\left\{X\left(t_{1}\right) Y\left(t_{2}\right)\right\} \\ &=E\left\{X\left(t_{1}\right) \int_{-\infty}^{\infty} X\left(t_{2}-v\right) h(v) \mathrm{d} v\right\} \\ &=\int_{-\infty}^{\infty} R_{X}\left(t_{1}, t_{2}-v\right) h(v) \mathrm{d} v \end{aligned} RXY​(t1​,t2​)​=E{X(t1​)Y(t2​)}=E{X(t1​)∫−∞∞​X(t2​−v)h(v)dv}=∫−∞∞​RX​(t1​,t2​−v)h(v)dv​

当$X(t)$ 为广义平稳过程时, $Y(t)$也为广义平稳过程, 并且$X(t)$与 $Y(t)$是联合广义平 稳的。 $t_2-t_1=\tau$，则

$\begin{array}{rl}{R}_{XY}(\tau )& ={\int }_{-\infty }^{\infty }{R}_X(\tau -v)h(v)\mathrm{d}v\\ & =R_X(\tau )\ast h(\tau )\end{array}$

$\begin{array}{rl}{R}_{YX}(\tau )& ={\int }_{-\infty }^{\infty }{R}_X(\tau +v)h(v)\mathrm{d}v\\ & =R_X(\tau )\ast h(-\tau )\end{array}$

输入输出过程的功率谱密度

$\begin{array}{l}{S}_{XY}(f)=H(f)S_X(f)\\ S_{YX}(f)=S_X(f)H^{\ast }(f)=S_{XY}^{\ast }(f)\end{array}$

高斯过程和白噪声过程

高斯过程

N 维高斯联合概率密度函数为：

$f_X(\mathbf{X})=\frac{1}{(2\pi {)}^{N/2}|\mathbf{C}{|}^{1/2}}\exp \left\{-\frac{1}{2}(\mathbf{X}-\mathbf{m}{)}^{\mathrm{T}}{\mathbf{C}}^{-1}(\mathbf{X}-\mathbf{m})\right\}$

其中：高斯过程的$X(t)$的N维随机变量记为，$\mathbf{X}=\left(\begin{array}{c}{X}_1\\ X_2\\ ⋮\\ X_N\end{array}\right)=\left(\begin{array}{c}X\left(t_1\right)\\ X\left(t_2\right)\\ ⋮\\ X\left(t_N\right)\end{array}\right)$

相应的均值矢量为： m = E { X } = ( m 1 m 2 ⋮ m N ) \boldsymbol{m}=E\{\boldsymbol{X}\}=\left(\begin{array}{c} m_{1} \\ m_{2} \\ \vdots \\ m_{N} \end{array}\right) m=E{X}=⎝⎜⎜⎜⎛​m1​m2​⋮mN​​⎠⎟⎟⎟⎞​

式中 $\mathbf{C}$ 为 N 维高斯随机变量的协方差矩阵, 其定义式为，$\mathbf{C}=\left(\begin{array}{cccc}{C}_{11}& C_{12}& \cdots & C_{1N}\\ C_{21}& C_{22}& \cdots & C_{2N}\\ ⋮& ⋮& & ⋮\\ C_{N1}& C_{N2}& \cdots & C_{NN}\end{array}\right)$

矩阵元素， C i j = E { ( X i − m i ) ( X j − m j ) } C_{i j}=E\left\{\left(X_{i}-m_{i}\right)\left(X_{j}-m_{j}\right)\right\} Cij​=E{(Xi​−mi​)(Xj​−mj​)}

对于广义平稳高斯过程，$\begin{array}{l}{m}_i=m_j=m_X\\ C_{ij}=R_X\left(t_j-t_i\right)-m_X^2=C_{ji}\\ C_{ii}=R_X(0)-m_X^2={\sigma }_X^2\end{array}$

如果 N 个随机变量 $X_{i} $还是各不相关的, $C_{ij}=0,i\ne j$。那么协方差简化为一个对角阵，$\mathbf{C}=\left(\begin{array}{cccc}{\sigma }_X^2& 0& \cdots & 0\\ 0& {\sigma }_X^2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\sigma }_X^2\end{array}\right)$

这时, N 维高斯联合概率密度简化为：$f_X(\mathbf{X})={\prod }_{i=1}^N{f}_X\left(x_i\right)$

笔记：

• 高斯过程通过线性系统后的输出仍为高斯过程，但数字特征可能变化。推广：线性系统的输入与输出过程是联合高斯的。
• 由于高斯过程N维联合概率分布完全取决于一维和二维参量（均值、方差和协方差），因此，广义平稳与狭义平稳等价。
• 当高斯过程的随机变量不相关时，则它们必相互独立，故不相关与相互独立等价。

白噪声过程

$S_n(f)=N_0/2$

$R_n(\tau )=\frac{N_0}{2}\delta (\tau )$

• 白噪声物理上不存在，因为$P={\int }_{-\infty }^{\infty }{S}_n(f)\mathrm{d}f=\infty$，但实际工程中，当噪声通过频带有限的系统，噪声功率谱带宽远大于系统带宽时，可将其近似为白噪声
• 白噪声在任何两个不同时刻的随机变量都是不相关的，具有极大的随机性

输出噪声过程$n_0(t)$的相关函数

$\begin{array}{rl}{R}_{n_0}(\tau )& =\frac{N_0}{2}{\int }_{-\infty }^{\infty }h(u)h(u+\tau )\mathrm{d}u=\frac{N_0}{2}{\int }_{-\infty }^{\infty }h(v)h(v-\tau )\mathrm{d}v\end{array}$

输出噪声功率谱

$S_{n_0}(f)=\frac{N_0}{2}|H(f){|}^2$

输出噪声功率

$\begin{array}{rl}{R}_{n_{\mathrm{o}}}(0)& =E\left\{n_o^2(t)\right\}=\frac{N_0}{2}{\int }_{-\infty }^{\infty }{h}^2(v)\mathrm{d}v=\frac{N_0}{2}{\int }_{-\infty }^{\infty }|H(f){|}^2\mathrm{d}f\end{array}$

输入输出互相关函数

$R_{n_i{n}_o}(\tau )=\frac{N_0}{2}h(\tau )$

在白噪声输入时，可通过相关器来测量输入输出互相关函数，间接得到系统的冲激响应