随机信号分析与处理1

最新推荐文章于 2025-06-19 15:22:31 发布

原创最新推荐文章于 2025-06-19 15:22:31 发布 · 322 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#概率论

一、绪论

一个电子设备的性能好坏唯一标准：能否有效提取我们想要的信息并做出相关控制
或者说：尽可能保留有用信号的能量，去除无用信号的能量。

信号分类（确知程度）：
在这里插入图片描述

信号处理的目的：

去伪存真去除信号中冗余的和次要的成分，包括不仅没有任何意义反而会带来干扰的噪音。
特征抽取把信号变成易于进行分析和识别的形式
编码解码把信号变成易于传输、交换与存储的形式（编码），或从编码信号中恢复出原始信号（解码）

平滑，滤波和预测区别:
$x(t)=s(t)+n(t)−−>滤波器−−>y(t)=s(t+α)x(t)=s(t)+n(t)-->滤波器-->y(t)=s(t+\alpha)$
$α>0\alpha>0$ 滤波器超前时刻输出，滤波器完成作用是对输入信
号进行预测
$α=0\alpha=0$ 滤波器就是输出同时刻的输入信号，滤波器完成作用是滤除噪声而保留有用信号：
$α<0\alpha<0$ 滤波器滞后 $α\alpha$ 时刻输出，滤波器完成作用是对输入信
号进行平滑。

二、随机信号处理基础

一般来说，信号的频谱是分布在整个频率轴 $\infty \leqslant w \leqslant \infty )$ 上的，尤其是持续时间有限的信号必定如此。

高频限带信号是指信号频谱主要局限于某一频率 $\pm {f_0}$ 附近
的信号，可表示为 ${a_s}(t)\cos [{\omega _0}t + {\varphi _s}(t)]$
${a_s}(t)$ 为限带信号的幅度调制波
$φs(t){\varphi _s}(t)$ 为限带信号的相位调制波
在一般情况下，它们都是时间的函数。在信息传输中，就用这两部分来携带信息。

宽带信号： $Δf⩾0.05f0\Delta f \geqslant 0.05{f_0}$
宽带信号系统抗干扰性能强，信息量大

超宽带信号： $Δf⩾0.2f0\Delta f \geqslant 0.2{f_0}$
探底雷达，冲击雷达

零中频处理技术
两个正交视频信号，保留幅度和相位信息
在这里插入图片描述

希尔波特变换：
$\mathop s\limits^ \wedge (t) = \frac{1}{\pi }\int_{ - \infty }^\infty {\frac{{s(\tau)}}{{t - \tau }}} d\tau $
$\frac{1}{\pi }\int_{ - \infty }^\infty {\frac{{\mathop s\limits^ \wedge (\tau )}}{{t - \tau }}} d\tau$
希尔伯特变换为实函数 $s (t)$ 与 $s∧(t)\mathop s\limits^ \wedge (t)$ 之间的一种线性变换
希尔伯特正变换在整个正频率内相当于一个滞后90°的移相器
在这里插入图片描述

高斯分布：
$\frac{1}{{\sqrt {2\pi } \sigma }}{e^{ - \frac{{{{(x - {m_X})}^2}}}{{2{\sigma ^2}}}}}$
标准高斯分布： $σ=1,mX=0\sigma = 1,{m_X} = 0$

二维概率密度函数
X和Y统计独立：当 $γ=0\gamma = 0$ 时，有 ${p_2} = p(x)p(y)$ ,此时联合的概率密度函数为单独两个一维正态概率密度之积，称二维随机变量X和Y是两个相互独立的随机变量。n维随机变量统计独立同理

方差的含义：反映了随机变量偏离均值的程度，随机变量偏离均值的误差总（平均）功率
$D(X) = E({X^2}) - {E^2}(X)$ ,方差=平均功率-均值平方

k阶原点矩 $m_k$ ,k阶中心距 $C_k$
(i+j)阶混合矩 ${m_{ij}}$ ,(i+j)阶混合中心矩 ${C_{ij}}$
如果 $E (X Y) = 0$ ,则称随机变量X和Y是正交的。

相关系数 $∣γ∣=1\left| \gamma \right| = 1$ 时，说明随机变量X和Y之间呈线性关
系。或称X和Y依概率线性相关
当 $∣γ∣<1\left| \gamma \right| < 1$ 时，说明X和Y以一定概率大小相关。

随机变量的变换

$Y = g (X) - - > 反函数 X = h (Y)$
X落在(x+dx)很小区间内概率=Y落在(y+dy)很小区间内概率，即 $\frac{{p(x)dx}}{{dy}}->p(y) = \left| {\frac{{dx}}{{dy}}} \right|p[h(y)]$

若是多值变换Y落在(y+dy)很小区间内概率=X落在很小区间 $x_1+dx_1),(x_2+dx_2)$ ,…内概率和

推广：如果n维随机变量(X1,2，…，Xn)和（Y1,Y2,…,Yn)之间是单值变换关系，则多维随机变量的变换关系为
$pn(y1,y2...yn)=pn(x1,x2...xn)∣∂(x1,x2...xn)∂(y1,y2...yn)∣{p_n}({y_1},{y_2}...{y_n}) = {p_n}({x_1},{x_2}...{x_n})\left| {\frac{{\partial ({x_1},{x_2}...{x_n})}}{{\partial ({y_1},{y_2}...{y_n})}}} \right|$
雅可比行列式： $\frac{{\partial ({x_1},{x_2}...{x_n})}}{{\partial ({y_1},{y_2}...{y_n})}}$

两个随机变量互相独立，其和的概率等于两个随机变量概率的卷积。

特征函数

${\Phi X}(\omega ) = E[{e^{j\omega X}}] = \int{ - \infty }^\infty {{e^{jwx}}p(x)dx} $
维纳辛钦定理：特征函数与概率密度函数构成一对傅立叶变换。
$\frac{1}{{2\pi }}\int_{ - \infty }^\infty {{e^{ - jwx}}\Phi (w)} dw$

性质：

$∣ΦX(ω)∣⩽∣ΦX(0)∣=1\left| {{\Phi _X}(\omega )} \right| \leqslant \left| {{\Phi _X}(0)} \right| = 1$ 总是存在
对于随机变量X,如果存在以下线性变换
Y=aX+b,a,b为常数，
则有 $ΦY(ω)=ΦX(aω)ejωb{\Phi _Y}(\omega ) = {\Phi _X}(a\omega ){e^{j\omega b}}$
若随机变量 $X_1,X_2$ 统计独立

均值中心极限定理：
不管什么分布，样本均值(样本数为N)服从正态分布，方差为原方差的1/N。