随机信号的傅里叶分析
随机过程可以作为离散时间信号的模型。
通常,一个随机过程是一族带有序号的随机变量:
..., x[-2], x[-1], x[0], x[1], x[2], ...
上面的每一个x[i]都是一个随机变量,可以分别具有不同的概率分布(连续的或离散的)。
这样,x的均值是时间的函数;自相关是一个二维序列(和起点以及时间差都有关)。
然而,对于平稳过程,我们有:
p(xn+k,n+k,xm+k,m+k)=p(xn,n,xm,m)
即x[n]和x[m]的联合分布只和m和n之间的差有关。
当m=n时,上式成为p(xn+k,n+k)=p(xn,n)
也就是说,一个平稳过程的概率密度函数PDF在任意时间点n都是相同的(time independent)。
于是,平稳过程的集合平均E[xn]是一个常数,自相关只与时间差有关。
反过来说,如果一个随机过程的均值/方差为常数,自相关只与时间差有关,我们未必能确定其概率分布是否时不变;但我们仍称其为广义平稳的。
在实用上,我们只能得到有限个有限长的序列。直觉上,对于平稳过程,单个序列很长一段的幅值分布近似等于单一概率密度:
时间平均等于集合平均的随机过程称为遍历过程。
序列的相关或协方差会使用序列的共轭参与计算,例如时间自相关<xn+mxm*>=lim(xn+mxm*)/L。
此处使用共轭参与计算是为了能够和方差在数学形式上保持一致:计算方差所使用的|xn|2=xnxn*。
相关函数的傅里叶变换称为信号的功率(密度)谱。这个问题可以这样理解:
1. 当随机信号隐含着某种频率成分时,对该信号做自相关将会在(和这个频率成分对应的)周期处形成峰值。
2. 如果直接从加窗后的信号的DFT计算功率密度,积分式子包含|H(ejω)|2=H(ejω)H*e(jω),按傅立叶变换性质,该频域乘积在时域等于H(ejω)和H*e(jω)反变换的卷积,再考虑H(ejω)和H*e(jω)的反变换的关系,最终得到的式子在时域就是非周期自相关。
周期图法是一种信号功率谱密度估计方法。离散随机序列x[n]加窗信号的离散傅里叶变换X具有周期性,因而其功率谱I(ω)也具有周期性,常称为周期图(一说是因为将x[n]看成周期延拓信号)。
当窗函数长度增加时,E{I(ω)}更接近于随机信号实际功率谱Pxx(ω),然而相邻频率点间的起伏也将加剧。可以使用拆分为多段求功率谱然后平均的方法来抑制这个问题,附带的效果是泄漏(or降低分辨率?)。
功率谱分析可用于信号检测,发现采样信号中隐藏的周期性,比如较大的噪声序列中隐藏着较小的周期信号。
>> n=[0:1:1023];
>> e=unifrnd(-1.732, 1.732, 1, 1024); % 均匀分布随机信号,-1.732<e<1.732
>> xn=0.5*cos(2*3.14*n/21) + e;
>> I=periodogram(xn1,[],1024); % default window (rectangle)
>> plot(I);
在使用平均周期图时,对信号作截断将引起信号突变,从而带来不希望的高频分量,这个高频分量无法通过平均消除或减弱。所以信号窗长度相对于信号变化必须足够长。
LTI系统对随机信号的效果
(下述分析实际上不局限于随机信号)
1. 输入输出的互相关是单位脉冲响应与输入自相关的卷积。
x=[1 2 3];
h=[4 5 6];
y=conv(x,h); % y=[4 13 28 27 18]
phixy1=xcorr(y,x); % xcorr计算E[x(n+m)·y(n)],但奥本海默说φxy[m]=E[x(n)·y(n+m)]
% x长度为3,y长度为5,x后端补零
% phixy1=[-0.0000 -0.0000 12.0000 47.0000 114.0000 150.0000 136.0000 63.0000 18.0000]
% Taxis =[ -4 -3 -2 -1 0 1 2 3 4 ]
phixx=xcorr(x);
% phixx=[3.0000 8.0000 14.0000 8.0000 3.0000]
% Taxis=[ -2 -1 0 1 2 ]
phixy2=conv(h,phixx);
% phixy2=conv(h,phixx);
% phixy2=[12.0000 47.0000 114.0000 150.0000 136.0000 63.0000 18.0000]
% Taxis =[ -2 -1 0 1 2 3 4 ]
% Look, phixy1=phixy2.
随机信号的傅里叶分析相关推荐
- 【数字信号处理】相关函数应用 ( 相关函数应用场景 | 噪声中信号检测 | 隐含周期性检测 | 时差估计 | 描述随机信号 )
文章目录 一.相关函数应用场景 一.相关函数应用场景 相关函数应用场景 : " 噪声 " 中 信号检测 : 发射信号 通过 信道 后 , 假如该信道 是 无线信道 , 如手机的 4 ...
- matlab生成常用信号(方波、三角波、随机信号、单位冲激)
使用Octave在线: 1 方波 y=square(t,DUTY) 产生一个时长为t.幅值为±1的周期性方波信号,其中的DUTY表示占空比,即在信号的一个周期中正值所占的百分比: t=-2*pi/10 ...
- 通信原理2习题课汇总(随机信号、信道、最佳接收)
写在前面:本文仅用于个人学习,授课教师为郭心悦,下面的ppt为郭老师上课课件. 文章目录 第二章:随机信号习题 第三章:信道习题课 第五章:数字信号最佳接收习题课 第二章:随机信号习题 自相关函数:离 ...
- 通信原理随机信号分析
通信原理第二章 随机信号分析 一 随机过程 定义 测试n台性能相同的接收机,在同样条件下,不加信号测试其输出噪声,波形如图 (1)每一条曲线 ξi(t)\xi_i(t)ξi(t) 都是一个随机起伏的 ...
- 随机信号通过带通滤波器
随机信号通过带通滤波器 题目描述: 信号为两个正弦信号之和,一个振幅为1,频率为60Hz,另一个振幅为0.5,频率为40Hz:加性噪声是均值为0,方差为4的高斯白噪声,一起调制到9.5kHz的载波上, ...
- Matlab生成各种伪随机信号_idinput指令
1.为何不是冲激信号? 只要是在信号系统这条道上混过的童鞋都知道,冲激信号是测试系统的最理想信号.因为时域的卷积相当于频域的乘积,而冲击信号的频域拥有最广泛的频谱,可以"暴露"系统 ...
- n阶自相关matlab代码,随机信号及其自相关函数和功率谱密度的MATLAB实现.doc
随机信号及其自相关函数和功率谱密度的MATLAB实现 引言: 现代信号分析中,对于常见的具有各态历经的平稳随机信号,不可能用清楚的数学关系式来描述,但可以利用给定的N个样本数据估计一个平稳随机信号的功 ...
- 建模股票价格数据并进行预测(统计信号模型):随机信号AR模型+Yule-Walker方程_Python...
1.背景: 针对股票市场中AR 模型的识别.建立和估计问题,利用AR 模型算法对股票价格进行预测. 2.模型选取: 股票的价格可视为随机信号,将此随机信号建模为:一个白噪声通过LTI系统的输出,通过原 ...
- 20210701:随机信号的功率谱估计相关算法的实现
随机信号的功率谱估计相关算法的实现 今天最重要的事!!! 问题描述 前置数学原理 BT法与周期图法估算功率谱 估算功率谱的示例 写在最后 今天最重要的事!!! 1. 我党100周年生日,中国共产党nb ...
最新文章
- php mysql cpu100_MySQL服务器进程CPU占用100%的解决方法
- java 对象的属性_java-更新对象属性
- Win10如何显示系统托盘所有图标
- 【VLC-Android】LibVLC API简介(相当于VLC的MediaPlayer)
- xStream完美转换XML、JSON
- SpringBoot 定制化原理
- MAC下搭建java的开发环境
- 到底谁在使用低代码?钉钉低代码用户画像:非IT人员占8成
- opencv7-绘制形状和文字
- *** is required and cannot be removed from the server
- 物联网卡会锁卡吗_物联网卡在建筑行业中的应用你知道吗?
- oracle复杂密码,如何配置 Oracle 11g 复杂密码校验设置
- linux mkdir 系统调用,Linux Rootkit 系列四:对于系统调用挂钩方法的补充
- opencv-api drawKeypoints drawMatches
- .NET开发人员必看:提高ASP.NET Web应用性能的24种方法和技巧——转
- 基于ConvLSTM的伦敦空气质量预测(2) 算法实施
- 几个公共FTP服务器
- SqlServer得到生日(闰月考虑)
- 我java启蒙老师 郝斌老师
- python数据导入spss_spss-数据抽取-拆分与合并