第3章 CHAPTER 3 随机信号分析 3.1引言 在客观世界尤其是在通信系统中广泛存在着随机演变的过程(包括信号和噪声),学习和研究随机信号的分析方法和理论对于掌握系统工作原理是非常必要的。本章将从以下几个方面学习有关内容,首先对概率论中的随机变量的概念作一个简单的回顾; 然后在此基础上着重建立随机过程的基本概念,理解它的数字特征和统计特性; 进而掌握通信系统中普遍存在的平稳过程、高斯过程和窄带随机过程的基本概念; 最后在简单回顾线性系统分析方法的基础上,学习随机信号和噪声通过线性系统的分析方法。在本章的结尾还对通信系统中常用的马尔可夫过程进行了介绍。 3.2随机变量 概率论是研究随机现象规律性的学科,随机变量是概率论中的一个重要概念,也是学习随机过程的一个基础。本节着重学习随机变量的概念以及其概率分布等内容。 3.2.1基本概念 1. 定义 由概率论我们知道,有的事情通过一系列实验或观察,会得到不同的结果。对几种结果呈现出一种偶然性和随机性,我们称这种现象为随机现象。而随机现象的每种结果,称为随机事件。随机事件是样本点的一个集合,而样本空间总是和某一随机试验相联系,随机变量就可以看作是试验结果中能取得不同数值的量。例如,电话用户在某一段时间内电话呼叫的次数,就是一个随机的数值。又如经典的概率事件,投硬币和掷骰子等随机事件。在骰子事件中,骰子可能出现的点数也是一个随机出现的数值,这个数值总是骰子的六种可能结果之一,只是在每次投掷前我们并不确知将会出现哪一种结果。从数学的观点看,就是每个变量都可以随机地取得不同的数值,而且重要的是,在试验以前只知其可能的取值而无法预知该变量的确知取值。一般地,在随机试验中若存在一个变量,它依试验出现的结果改变而取不同的值,则称此变量为随机变量。由于随机试验出现的结果带有随机性,因而随机变量的取值也带有随机性。 若对于随机试验E而言,有概率空间(Ω,A,Ρ),其中样本空间Ω给出了所有可能的试验结果,A给出了由这些可能结果组成的各种各样的事件,而P代表每一事件发生的概率。随机变量是定义在样本空间上的函数,只不过这个函数有一些约束条件。这样,可以给出随机变量的数学定义[1]: 定义设X=X(ω)是定义在样本空间Ω上的函数,如果对任一实数x,有Ω中的子集(ω:X(ω)≤x)∈A,那么称X(ω)是概率空间(Ω,A,Ρ)上的随机变量。简记为X。 随机变量这一概念的引入,使得我们可以更好地使用数学工具来描述随机现象的规律特性。例如检测产品可能出现的两个结果,可以用一个随机变量X来描述 X(ω)=0正品 1次品 这种随机变量的取值是有限个数的或是无限可列的,我们称其为离散型的随机变量。又如电脑的寿命也可以用一个随机变量Y来描述,它可能是一个时间范围内的任何值,是连续的随机变量。一般地,根据随机变量的取值,可分为离散随机变量和连续随机变量。通常随机变量可以用大写的X,Y,Z…表示,也可以用小写的希腊字母ξ,η,ζ…表示。 2. 特性 随机变量作为样本空间到随机事件的一个映射,具有如下的特点: 定义域,总是在事件域Ω。 随机性,随机变量X的可能取值不止一个,试验前只能预知它的可能取值,但不能预知取哪个值。 概率特性,X以一定的概率取某个值。 引入随机变量后,可以用随机变量的等式或不等式来表示随机事件。例如,(X>100)表示“电话用户某天8:00—10:00电话呼叫的次数超过100次”这一事件。 在同一个样本空间可以定义多个随机变量。各个随机变量之间可能有某种关系,也可能相互独立。例如: Ω={飞机在空中的位置ω}; X(ω)——横坐标; Y(ω)——纵坐标; Z(ω)——高度坐标。 3.2.2概率分布 随机变量概念的产生,使概率论的研究对象由事件转变为随机变量。研究随机变量不仅要知道它可能取哪些值,还必须知道会以什么概率取这些值,这时就需要掌握随机变量的概率分布情况。因此对于随机变量,概率分布是一个很重要的概念。 定义设(Ω,A,Ρ)是概率空间,而X=X(ω)是(Ω,A,Ρ)上的随机变量。对任意一个实数x,有概率F(x)=P(ω:X(ω)≤x)或简写为F(x)=P(X≤x),则称F(x)是随机变量X的分布函数。 前面已经提到,常见的随机变量可分为离散(型)随机变量和连续(型)随机变量 实际上,除了这两种随机变量外,还有其他类型的随机变量,如混合型随机变量。。不同的随机变量对应的概率分布也不同。 1. 离散随机变量及其分布 若存在有限个或可列多个实数集合(x1,x2,…),使随机变量X有 P{X∈(x1,x2,…)}=1(3.2.1) 则称X是离散(型)随机变量。而pk=P{X=xk},k=1,2,…,称为离散随机变量X的概率分布列。 要表示离散随机变量的概率分布,常用横轴上的点表示随机变量的可能取值x1,x2,…,而用纵轴上的点表示随机变量取得各值的概率p1,p2,…,由此得到离散随机变量的概率分布图。显然,F(x)的图形呈阶梯状,如图3.2.1所示。 由分布函数的定义,不难推得分布函数具有如下的性质 F(∞)=1,F(0)=0,F(b)-F(a)=P[aT)(3.4.5) 图3.4.1x(t)及其截取函数xT(t) 显然,当T为有限值时,截取函数xT(t)满足傅里叶变换的条件,因此可以对截取函数应用傅里叶变换,同样利用帕塞瓦尔公式,就得到样本函数x(t)在时间区间(-T,T)内的平均(时间平均)功率 12T∫T-Tx2(t)dt=14πT∫+∞-∞|X(T,ω)|2dω(3.4.6) 由于式(3.4.6)只是一个样本函数的结果,要考虑诸样本函数的共同作用以得到整个随机过程的平均功率,需对上式取集合平均,可以得到 E12T∫T-Tx2(t)dt=E14πT∫+∞-∞|X(T,ω)|2dω 事实上,随机过程是没有时间限制的,所以令T→∞,取极限,并交换数学期望和积分的次序,就可以得到随机过程的 平均功率 limT→∞12T∫T-TE[x2(t)]dt=12π∫+∞-∞limT→∞E [|X(T,ω)|2]2Tdω(3.4.7) 可见,此处的“平均”是既包含时间平均又包含集合平均的双重平均。今后,如无特别说明,我们将简称为随机过程的功率,记为PX(ω)。再把上式写为 PX(ω)=limT→∞12T∫T-TE[x2(t)]dt=12π∫+∞-∞SX(ω)dω(3.4.8) 式中, SX(ω)=limT→∞E[|X(T,ω)|2]2T(3.4.9) 即为随机过程X(t)的平均功率谱密度,简称随机过程的功率谱。 由于功率谱是定义在整个ω轴上的,因此也称之为双边功率谱密度函数; 如果只考虑正频率轴,则可得到对应的单边功率谱密度函数 GX(ω)=2SX(ω)(ω≥0) 0其他 (3.4.10) 由式(3.4.8)可以得到以下结论: ① 随机过程的平均功率可以通过对过程的均方值求时间平均来得到。 ② 随机过程的功率谱密度应看作是每一个样本函数的功率谱的集合(统计)平均。 ③ SX(ω)描述了随机过程X(t)的功率在各个不同频率上的分布; 对SX(ω)在X(t)的整个频率范围内积分,便可得到X(t)的功率PX(ω)。 3.4.2平稳随机过程功率谱的主要性质 功率谱密度是平稳随机过程的重要统计参量,有必要对它的性质进行总结和学习。 ① 功率谱密度非负,即 SX(ω)≥0(3.4.11) ② 功率谱密度是ω的实函数,不再是随机变量。 ③ 功率谱密度是ω的偶函数,即 SX(ω)=SX(-ω)(3.4.12) ④ 功率谱密度可积,即 ∫+∞-∞SX(ω)dω<∞(3.4.13) 由平稳随机过程相关函数性质知,E[x2(t)]=12π∫+∞-∞SX(ω)dω 说明功率谱密度下面的总面积,即随机过程的功率,等于过程的均方值。平稳随机过程的均方值是有限的,所以功率谱密度可积。 简言之,平稳随机过程的功率谱是一个非负、实偶、可积的函数。 3.4.3功率谱密度与自相关函数——维纳辛钦定理 我们已经知道,对于确定信号x(t)来说,x(t)和它的频谱函数X(ω)构成傅里叶变换对。对于随机信号来说,自相关函数RX(τ)和功率谱密度SX(ω)分别是它在时域和频域的两个最重要的统计特性。它们之间存在怎样的关系呢? 美国学者维纳和苏联学者辛钦联合推出,平稳过程的自相关函数和功率谱密度是一对傅里叶变换对,这一结论我们称之为 维纳辛钦(WienerKhinchine)定理或维纳辛钦公式,如下表达 SX(ω)=∫+∞-∞RX(τ)e-jωτdτ(3.4.14) RX(τ)=12π∫+∞-∞SX(ω)ejωτdω(3.3.15) 这是随机信号分析中非常著名的也是最重要、最基本的一个结论,由于大部分的随机信号处理类书籍上都对这个定理进行了详细的证明,本书将不再证明。有兴趣的读者,可以参阅有关文献。 两点说明: ① 由傅里叶变换分析可知,时域信号RX(τ)必须满足绝对可积的条件, ∫+∞-∞|RX(τ)|dτ<∞ 才存在频域表达式SX(ω)。但是对于某些周期性随机信号,虽然不满足绝对可积的条件,却存在其功率谱。 ② 维纳辛钦定理仅对平稳过程成立。 下面我们举例说明。 例3.2设平稳过程的相关函数是RX(τ)=S0δ(τ),其中常数S0>0,见图3.4.2(a),试计算其功率谱密度SX(ω)。 图3.4.2平稳过程 解由式(3.4.14)有 SX(ω)=∫+∞-∞RX(τ)e-jωτdτ=S0∫+∞-∞δ(τ)e-jωτdτ=S0ejω0=S0 结果为一个常数,见图3.4.2(b)。 事实上,我们把这种功率谱密度为常数的平稳过程称为白噪声。这个名称来自白色光的光谱大致是均匀的这一现象。后面的章节将会对它进行进一步的学习。 例3.3随机电报信号是广义平稳过程,具有自相关函数RX(τ)=Ae-βτ,式中A>0,β>0,如图3.4.3(a)所示。求过程的功率谱密度SX(ω)。 图3.4.3随机电报信号 解根据维纳辛钦定理,可得 SX(ω)=∫0-∞Aeβτe-jωτdτ+ ∫∞0Ae-βτe-jωτdτ =Ae(β-jω)τβ-jω0-∞+ Ae-(β+jω)τ-(β+jω)∞0 =A1β-jω+1β+jω =2Aββ2+ω2 计算出来的结果示于图3.4.3(b)。 3.5窄带随机过程 一个平稳过程,若它的功率谱带宽为有限值,那么称它为限带过程。在电子通信系统中所遇到的随机过程几乎都是限带过程。例如,无线广播系统中的中频信号及噪声。在限带过程中,根据其功率谱分布区域不同,又可分为低通过程(图3.5.1(a))和带通过程(图3.5.1(b))两大类。若带通过程中,满足Δωωc,则称之为高频窄带随机过程,简称窄带随机过程。它是通信系统中非常重要的一种随机过程,本节来详细学习它的分析方法。 图3.5.1限带过程 3.5.1基本概念 具体地,若平稳随机过程X(t)的功率谱密度SX(ω)满足下式: SX(ω)=SX(ω)ωc-Δω/2≤|ω|≤ωc+Δω/2 0其他(3.5.1) 波形的频带宽度为Δω,中心频率为ωc,且Δωωc,则称其为高频窄带随机过程。简称窄带随机过程。图3.5.1(b)是典型窄带随机过程的功率谱密度图示。 在通信、雷达等系统中,常常用一个宽平稳随机过程去激励一个窄带滤波器,这样在滤波器的输出端得到的就是一个窄带随机过程。若用一个示波器来观测此波形,则可看到,它接近于一个正弦波,但此正弦波的幅度和相位都在缓慢地随机变化,如图3.5.2所示。如何来理解这两个“缓慢变化”呢? 假如不将频带搬移到高频处,那么“窄带”之所以为窄,可以理解为低频分量。而低频分量在时域上就意味着缓慢变化(高频就 图3.5.2窄带随机过程的一个样本函数 意味着快速变化)。现在假设我们利用调制将频带搬移到高频处: 如果是调幅(数学上可以表示为a(t)cosωct),即调制载波的幅度,那么这个缓慢变化就表现为载波幅度的“缓慢变化”; 如果是调相(可表示为cos[ωct+φ(t)]),即调制载波的相位,那么这个缓慢的变化就表现为相位的“缓慢变化”。归根到底,“缓慢变化”之所以缓慢是因为其变化的频率一定远远小于载波ωc的频率。下面将从数学表达上证明这个缓慢变化。 3.5.2窄带随机过程的数学表示 1. 同相正交表示法(莱斯表达式) 可以证明(参见朱华撰写的《随机信号分析》),任何一个实平稳窄带随机过程X(t)都可以表示为 X(t)=Xc(t) cos(ωct)-Xs(t)sin(ωct)(3.5.2) 其中,Xc(t)和Xs(t)是两个随机过程,通常称之为同相分量和正交分量,称这种表示法为同相正交表示法或莱斯(Rice)表达式。 由希尔伯特(Hilbert)变换,可以将两分量表示为: Xc(t)=X(t)(cosωct)+X^(t)(sinωct) Xs(t)=-X(t)(sinωct)+X^(t)(cosωct) (3.5.3) 其中,X^(t)是X(t)的希尔伯特变换。 2. 包络相位表示法(准正弦振荡) 窄带随机过程还可以仿照高频窄带信号的表示方法,表示成为 X(t)=AX(t)cos[ωct+φX(t)],AX(t)≥0(3.5.4) 其中,ωc是固定值,通常是窄带随机过程的中心频率或称载波频率。式中幅度AX(t)≥0并不是必需的条件,而是对幅度的一个假设,它和相位φX(t)都是慢变化的随机过程,因此我们常称幅度为包络。采用其包络函数和随机相位函数来表示随机过程,简称为包络相位表示法或准正弦振荡表示。 3. 同相分量、正交分量和包络、相位的关系 利用希尔伯特变换,不难得出以下关系式 Xc(t)=AX(t)cosφX(t)(3.5.5) Xs(t)=AX(t)sinφX(t)(3.5.6) AX(t)=X2c(t)+X2s(t)(3.5.7) φX(t)=arctan[Xs(t)/Xc(t)](3.5.8) 可以用极坐标表示如图3.5.3所示,如果Xc(t)、Xs(t)都是慢变化的过程,则AX(t)和φX(t)也必定是慢变化的过程。 图3.5.3窄带随机过程的AX(t)、φX(t)和Xc(t)、Xs(t)的关系 既然随机过程X(t)可以分别由以上四个随机过程表示,可知X(t)的统计特性可以由Xc(t)、Xs(t)、AX(t)和φX(t)的统计特性决定。那么,已知X(t)的统计特性,如何确定Xc(t)、Xs(t)、AX(t)和φX(t)的统计特性?下面我们围绕这四个量来学习一个典型窄带过程——零均值、平稳高斯窄带随机过程的统计特性。 3.5.3零均、平稳高斯窄带过程的统计特性 假设X(t)为零均值、平稳高斯窄带随机过程,则具有以下的一些统计特性。 1. 正交分量Xs(t)和同相分量Xc(t)的统计特性 (1) 都是高斯随机过程 利用式(3.5.3),同时根据希尔伯特变换的线性变换特性,容易证明,由于X(t)是高斯过程,则Xs(t)和Xc(t)都是高斯随机过程。 (2) 均值皆为零 E[X(t)]=E[Xc(t)]cosωct-E[Xs(t)]sinωct(3.5.9) 因为假设零均值,说明对于任意时刻t都有E[X(t)]=0。所以可以得到两分量均值都为0,即 E[Xc(t)]=E[Xs(t)]=0(3.5.10) (3) 都是广义平稳随机过程 根据平稳过程自相关函数定义和式(3.5.9),可得 RX(τ)=RX(t,t+τ)=E[X(t)X(t+τ)] =E[Xc(t)Xc(t+τ)]cosωctcosωc(t+τ) -E[Xc(t)Xs(t+τ)]cosωctsinωc(t+τ) -E[Xs(t)Xc(t+τ)]sinωctcosωc(t+τ) +E[Xs(t)Xs(t+τ)]sinωctsinωc(t+τ) (3.5.11) 可以进一步简化如下 RX(τ)=RXc(t,t+τ)cosωctcosωc(t+τ) -RXcXs(t,t+τ)cosωctsinωc(t+τ) -RXsXc(t,t+τ)sinωctcosωc(t+τ) +RXs(t,t+τ)sinωctsinωc(t+τ) (3.5.12) 既然X(t)为零均值,平稳的随机过程,则其自相关函数与具体的时间无关。因此若令t=0(则sinωct=0),式(3.5.12)仍应成立。有下式 RX(τ)=[RXc(t,t+τ)]|t=0cosωcτ -[RXcXs(t,t+τ)]|t=0sinωcτ (3.5.13) 若要此式仅与时间间隔τ有关,则要求下式恒等 RXc(t,t+τ)=RXc(τ) RXcXs(t,t+τ)=RXcXs(τ) (3.5.14) 因此得出t=0时,下式成立 RX(τ)=RXc(τ)cosωcτ-RXcXs(τ)sinωcτ(3.5.15) 同理可以得出t=π/2ωc时,下式成立 RX(τ)=RXs(τ)cosωcτ+RXsXc(τ)sinωcτ(3.5.16) 由随机过程的正交分量和同相分量的统计特性知,均值为零,自相关函数仅与时间间隔有关,可见,零均值平稳随机过程X(t)其正交分量Xs(t)和同相分量Xc(t)也是广义平稳的。 (4) 其他主要性质 利用式(3.5.3),还能证明正交分量和同相分量的一些重要性质,这里由于篇幅关系,只给出结论,有兴趣的读者可以参考 相关文献。 RXc(0)=RXs(0)=RX(0)(3.5.17) 或 E[X2(t)]=E[X2c(t)]=E[X2s(t)](3.5.18) σ2Xc=σ2Xs=σ2X(3.5.19) RXcXs(τ)=-RXsXc(τ)(3.5.20) RXcXs(τ)=-RXcXs(-τ)(3.5.21) RXcXs(0)=0(互相关函数为0)(3.5.22) 即,在同一时刻,正交分量Xs(t)和同相分量Xc(t)互不相关。 结论1一个均值为零的窄带平稳高斯过程,它的正交分量Xs(t)和同相分量Xc(t)也是广义平稳高斯过程,且其均值都为零,方差也相同。另外,同时刻的Xs(t)和Xc(t)互不相关或统计独立。 2. 包络AX(t)和相位φX(t)一维分布函数 我们知道,利用Xc(t)、Xs(t)、AX(t)和φX(t)之间的关系,可以由(Xs,Xc)的二维概率密度f(Xs,Xc)求出(AX,φX)的二维概率密度函数。进而再通过边沿概率密度来推导出AX(t)、φX(t)的一维概率密度。 (1) (Xs,Xc)的二维概率密度f(Xs,Xc) 由Xs(t)和Xc(t)在同一时刻相互独立,且服从高斯分布,可得出 f(Xs,Xc)=f(Xs)·f(Xc) =12πσ2Xexp-X2s+X2c2σ2X =12πσ2Xexp-A2X2σ2X (3.5.23) (2) (AX,φX)的二维概率密度f(AX,φX) 根据Xs(t)、Xc(t)与AX(t)、φX(t)的关系及概率论知识,可得到AX(t)、φX(t)的二维分布函数密度。 f(AX,φX)=f(Xs,Xc)·|J|=AX2πσ 2Xexp-A2X2σ2X(3.5.24) 其中J为雅可比因子,|J|= XcAXXsAX XcφXXsφX =cosφXsinφX -AXsinφXAXcosφX=AX (3) 包络AX(t)和相位φX(t)一维分布函数 根据边际分布知识,可分别求得包络和相位的一维分布函数f(AX)和f(φX)。 f(AX)=∫+∞-∞f(AX,φX)dφX=AXσ2Xexp-A2X2σ2X(AX≥0)(3.5.25) 式(3.5.25)给出了包络AX(t)的一维概率密度函数,通常称之为瑞利(Rayleigh)分布,如图3.5.4。 f(φX)=∫+∞-∞f(AX,φX)dAX=12π (0≤φX≤2π)(3.5.26) 图3.5.4包络的一维概率密 度符合瑞利分布 随机相位在(0,2π)区间呈均匀分布。 此外,由式(3.5.24)~式(3.5.26)还容易得出,在同一时刻t,包络和相位相互独立,或者说就一维分布而言,包络AX(t)和相位φX(t)统计独立。但注意,这不意味着随机过程AX(t)和φX(t)相互独立。 结论2一个均值为零,方差为σ2X的平稳高斯窄带随机过程,其包络AX(t)的一维分布服从瑞利分布,而其相位φX(t)的一维分布服从均匀分布,且就一维分布而言两者统计独立。 3.5.4正弦波加窄带高斯过程 在通信系统中,正弦波加窄带高斯噪声是经常碰到的情况,本小节来讨论这种情况下的随机过程的概率分布特性。 1. 数学表示式 设被考查的混合信号形式如下: r(t)=Acos(ωct-θ)+n(t) =[Acosθ+x(t)]cosωct-[x(t)sinθ+y(t)]sinωct =zcos(ωct+φ)(3.5.27) 其中,n(t)=x(t)cosωct-y(t)sinωct表示零均值窄带高斯噪声; θ在(0,2π)区间内均匀分布; z为包络随机变量; φ为相位随机变量。利用上节的方法,可以得出以下结论。 2. 分布特性 (1) 包络的概率密度 f(z)=zσ2exp-12σ2(z2+A2) I0Azσ2,(z≥0)(3.5.28) 这个概率密度函数称为广义瑞利分布,也称莱斯密度函数。若A=0,则 式(3.5.28)就是式(3.5.25)的瑞利分布,此时r(t)不含有正弦波,只有窄带高斯噪声。 (2) 相位的概率密度 以相位θ为条件的相位φ的概率密度为f(φ/θ) f(φ/θ)=12πe-γ 1+2πγcosφ·Φ(2γcosφ)exp(γcos2φ) (3.5.29) 式中,γ=A22σ2,是信号平均功率与高斯窄带过程的平均功率之比。 图3.5.5绘出了特定A2/2σ2下f(z)及f(φ/θ)曲线。可见r(t)的包络和相位变化大致规律: 图3.5.5正弦波加高斯窄带过程的包络和相位分布 ① f(z)随着其信噪比γ的增加,逐步从瑞利分布(γ=0)到广义瑞利分布,再趋向正态分布(γ1); 而且其包络可能的取值也逐步增大,即曲线右移。 ② f(φ/θ)随着其信噪比γ的增加,其相位随机变量变化范围愈来愈小,并逐步趋近于零相位(即信号本身的相位),而当γ→0时其趋近于均匀分布。 从以上分析可见,增大信噪比,可以减小噪声对信号包络和相位的干扰影响。 3.5.5宽带过程——白噪声 随机过程通常可按它的概率密度和功率谱密度的函数形式来分类。就概率密度而言,前面学习过的高斯分布(正态分布)的随机过程占有重要的地位; 就功率谱密度而言,则是具有均匀功率谱密度的白噪声非常重要。此外,从频带的角度说,白噪声又是相对于窄带过程的一种宽带过程,本小节就来学习它的特性。 1. 理想白噪声 在3.4.3节的例3.2中已经提到过白噪声的概念,即一种零均值的平稳随机过程,其功率谱密度在整个频域内都是均匀分布的噪声,被称为白噪声。并且已经求得了它的功率谱密度SX(ω)和自相关函数R(τ),通常其SX(ω)和R(τ)可表示为 SX(ω)=n02 (W/Hz)(3.5.30) R(τ)=n02δ(τ)(3.5.31) 由图3.4.2可见,白噪声的自相关函数仅在τ=0时才不为零; 对于其他时刻都为零。这意味着,白噪声只在τ=0才相关,而在其他任意时刻上的随机变量都是不相关的。我们把满足以上条件的白噪声称为理想白噪声。 根据其定义,理想白噪声的均方值为无限大。而物理上存在的随机过程,其均方值总是有限的。在实际工作中,当所研究的随机过程通过某一系统时,只要过程的功率谱密度在一个比系统带宽大得多的频率范围内近似均匀分布,就可以把它作为白噪声来处理。电子设备中的许多起伏过程都可以认为是白噪声,如电阻热噪声、晶体管的散粒噪声等。 2. 带限白噪声 带限白噪声是另外一个常用的概念。若一个具有零均值的平稳随机过程X(t),其功率谱密度在某一个有限频率范围内均匀分布,而在此范围外为零,则称这个过程为带限白噪声。 当白噪声被限制在(-f0,f0)之内,则称为低通型带限白噪声,即 SX(ω)=n0/2(|f|tm)前来到的呼叫数只依赖于tm时刻以前的呼叫次数,而[tm,t]内来到的呼叫数与tm时刻以前的呼叫次数相互独立。因此,X(t)具有无后效性,属于一种马尔可夫过程。 马尔可夫过程按照参数集和状态空间(值域)的情况一般可分为四大类: 时间离散、状态连续的马尔可夫过程称为马尔可夫序列; 时间离散、状态离散的马尔可夫过程,通常称之为马尔可夫链,简称马氏链; 时间连续、状态离散的马尔可夫过程称为可列马尔可夫过程; 时间连续、状态连续的 称为马尔可夫过程。上面的例子就是一种可列马尔可夫过程,而物理上熟知的布朗运动(Brown)则属于最后一种马尔可夫过程。下面我们对其中应用最广泛的马尔可夫序列和马氏链进行介绍。其他内容请参考相关文献。 3.7.2马尔可夫序列 1. 定义 设随机变量序列X1,X2,…,Xn是随机过程X(t)在t为整数时刻的采样值,则有如下定义。 定义若对于任意的n,有 FX(xn|xn-1,xn-2,…,x1)=FX(xn|xn-1)(3.7.1) 即,如果在条件xn-1,xn-2,…,x1之下,xn的条件分布等于仅在条件xn-1之下xn的条件分布,则称此随机变量序列为马尔可夫序列。这一分布函数常被称为转移分布。 2. 性质 ① 马尔可夫的子序列仍为马尔可夫序列。 ② 一个马尔可夫序列,按其反序列组成的逆序列仍为马尔可夫序列。 ③ 由定义式(3.7.1),有 E[Xn|xn-1,xn-2,…,x1]=E(Xn|xn-1)(3.7.2) ④ 在一个马尔可夫序列中,我们可以说,若现在已知,则未来和过去无关。 ⑤ 马尔可夫序列的概念可以推广。满足式(3.7.1)的序列为1重马尔可夫序列,而对任意n满足 FX(xn|xn-1,xn-2,…,x1)=FX(xn|xn-1,xn-2)(3.7.3) 的序列称为2重马尔可夫序列。依此类推,可以得到多重马尔可夫序列。 ⑥ 一个马尔可夫序列的转移概率密度满足 fX(xn|xs)=∫+∞-∞fX(xn|xr)fX(xr|xs)dxr(3.7.4) 其中,n>r>s为任意整数。此式就是著名的切普曼柯尔莫哥洛夫(ChapmanKolmogorov)方程。 3.7.3马尔可夫链 1. 定义 定义假定随机过程X(t)在每个时刻tn(n=1,2,…)的采样为Xn=X(tn),Xn所可能取的状态为a1,a2,…,aN之一,而且过程只在t1,t2,…,tn时刻发生状态转移。在这一情况下,若过程在时刻tm+k变成任一状态ai(m+k)的概率,只与过程在tm时刻的状态有关,而与过程在tm时刻以前的状态无关,可用公式表示为 P{Xm+k=aim+k|Xm=aim,Xm-1=aim-1,…,X1=ai1} =P(Xm+k=aim+k|Xm=aim) (3.7.5) 则称此随机过程为马尔可夫链,简称马氏链。实际上,它是状态离散的随机序列Xn。 2. 马氏链的转移概率及其矩阵 式(3.7.5)中右边条件概率形式为 pij(m,m+k)=P{Xm+k=aj|Xm=ai}(3.7.6) 即我们以pij(m,m+k)表示马氏链“在tm时刻出现Xm=ai条件下,tm+k时刻出现Xm+k=aj的条件概率”。式中,i,j=1,2,…,N; m,k皆为正整数。我们称pij(m,m+k)为马氏链的转移概率。 一般而言,pij(m,m+k)不仅依赖于i、j、k,而且依赖于m。如果pij(m,m+k)与m无关,则称之为齐次马尔可夫链,或者时齐马氏链。这种马氏链的状态转移概率仅与转移的出发状态i、转移步数k、转移到达状态j有关,而与转移的起始时刻m无关。此时,k步转移概率可记为pij(k)。 当k=1时,pij(1)称为一步转移概率,简记为pij。 3.7.4应用举例 例3.5在某数字通信系统中传递0、1两种信号,且传递要经过若干级。因为系统中有噪声,各级将会造成错误。若某级输入0、1数字信号后,其输出不产生错误的概率为p(即各级正确传递信息的概率),产生错误的概率为q=1-p,则该级输入状态和输出状态构成了一个两状态的马氏链,它的一步转移概率矩阵为 P=pq qp 则二维转移概率矩阵为 P(2)=(P)2=pq qppq qp=p2+q22pq 2pqp2+q2 3.8思考题 3.8.1简述随机过程的基本概念,说明它和随机变量的关系。 3.8.2试分析随机过程的数字特征,均值、方差、均方值和自相关函数之间的关系,并说明为什么数学期望和相关函数是随机过程的基本数字特征。 3.8.3什么是平稳随机过程?广义和狭义如何区分? 3.8.4说明平稳随机过程的自相关函数具有怎样的性质。 3.8.5何谓各态历经性,它在实际工作中意义是什么? 3.8.6什么是高斯噪声?什么是白噪声?什么是加性高斯白噪声?它们各自具有怎样的特点? 3.8.7窄带随机过程有哪几种数学表达方式?彼此有什么关系? 3.8.8什么是窄带高斯噪声?它的包络与相位各服从什么分布?在此噪声上叠加正弦波后,包络与相位又服从什么概率分布? 3.8.9平稳随机过程通过线性系统时,输出随机过程和输入随机过程的功率谱密度之间有什么关系? 3.8.10说明马尔科夫过程的无后效性,并举例说明其应用。 3.9习题 3.9.1已知随机过程X(t)总共有两条样本曲线,x1(t)=acosω1t,x2(t)= -acosω2t。其中常数a>0,且随机变量的概率P(ω1)=2/3,P(ω2)=1/3,试求X(t)的数学期望mX(t)和相关函数RX(t1,t2)。 3.9.2为什么说各态历经过程一定是平稳过程? 3.9.3试证明平稳过程自相关函数的性质。 3.9.4试证明高斯过程的性质,即高斯过程广义平稳,则狭义平稳。 3.9.5对热噪声X(t)进行等时间间隔采样,便得到一个随机序列X(n)(n=0,±1,±2,…),它具有如下性质: ① |X(n)|相互独立; ② X(n)服从N(0,σ2)分布。 试讨论序列X(n)的平稳性。 3.9.6已知平稳过程的功率谱密度如下: SX(ω)=ω2+1ω4+10ω2+9 求它的相关函数RX(τ)和平均功率PX(ω)。(提示: 将SX(ω)化解为部分分式后再求傅里叶反变换) 3.9.7有一随机过程ζ(t)按概率1/2、1/4、1/4取常值1、2、3。求ζ(t)的均值E[ζ(t)]、方差D[ζ(t)]、自相关函数Rζ和平均功率P。 3.9.8已知随机过程X(t)=Acosω0t+Bsinω0t,式中ω0为常数; A与B是两个具有不同概率密度的独立的随机变量,且它们的均值为0、方差为σ2。证明X(t)是宽平稳的随机过程,而不是严平稳的随机过程。 3.9.9若系统的输入X(t)为平稳随机过程,系统的输出为Y(t)=X(t)+X(t-T)(如图3.9.1所示)。试证 明过程Y(t)的功率谱密度为SY(ω)=2SX(1+cosωT)。 图3.9.1 3.9.10设式X(t)=a(t)cosω0t-b(t)sinω0t所表示的窄带随机过程的功率谱密度SX(f),如图3.9.2所示。若在SX(f)频带内分别选择f0为100Hz和98Hz。试求这两种情况下的a(t)的Sa(f)和Ra(τ)。 图3.9.2 3.9.11设某信号处理器方框图如图3.9.3所示,其输入为窄带平稳随机信号S(t)。已知低通滤波器的宽带远小于窄带信号的中心频率,模数转换器A/D在t=nT时刻进行采样,同相支路数字滤波器H(ejω)的输入与其输出X(n)之间的关系为: w(n)=X(n)-2X(n-1)-X(n-2) 试求同相支路输出W(n)的功率谱密度。 图3.9.3 3.9.12对于零均值、δ2方差的窄带平稳高斯过程为 X(t)=a(t)cosω0t-b(t)sinω0t=Acos[ω0t+φ(t)] 试证明包络A(t)在任意时刻所给出的随机变量At的均值和方差分别为 E[At]=π2δ,δ2At= 2-π2δ 3.9.13两个相互独立的随机电压信号X1(t)与X2(t)施加于如图3.9.4所示的RC网络上。已知SX1(ω)=K,SX2(ω)=2aa2+ω2,假设电路中的电阻是无噪的,求系统输出自相关函数RY(τ)和功率谱密度SY(ω)。 图3.9.4 3.9.14若电路如图3.9.5所示,已知输入白噪声X(t)的单边功率谱密度为n0/2,试分别求图 3.9.5(a)和图3.9.5(b)中输出Y(t)的功率谱密度和自相关函数。 图3.9.5