二阶矩过程、平稳过程和随机分析
二阶矩过程和平稳过程
基本概念
- 主要讨论复随机过程与宽平稳过程。
- 二阶矩过程:对于 ∀ t ∈ T \forall t\in T ∀t∈T,均值和方差都存在。
- 严平稳过程:概率分布完全一样,不涉及数字特征,可能不是二阶矩过程。
- 宽平稳过程:均值函数是常数,自相关函数是时间差的函数。一定是二阶矩过程。
- 对于正态过程来说,严平稳就是宽平稳。
- 独立增量过程+均值为常数、存在二阶矩 ⇒ \Rightarrow ⇒正交增量过程
注意两者区别: E ( [ X ( t 2 ) − X ( t 1 ) ] [ X ( t 4 ) − X ( t 3 ) ] ) = E ( X ( t 2 ) − X ( t 1 ) ) E ( X ( t 4 ) − X ( t 3 ) ) E([X(t_2)-X(t_1)][X(t_4)-X(t_3)])=E(X(t_2)-X(t_1))E(X(t_4)-X(t_3)) E([X(t2)−X(t1)][X(t4)−X(t3)])=E(X(t2)−X(t1))E(X(t4)−X(t3))这是独立增量, E ( [ X ( t 2 ) − X ( t 1 ) ] [ X ( t 4 ) − X ( t 3 ) ] ‾ ) = 0 E([X(t_2)-X(t_1)]\overline{[X(t_4)-X(t_3)]})=0 E([X(t2)−X(t1)][X(t4)−X(t3)])=0是正交增量。
统计特性
- 二阶矩过程的自相关函数共轭对称,且采样后的自相关矩阵非负定。
- 注意 R X ( τ ) = E ( X ( t + τ ) X ( t ) ‾ ) R_X(\tau)=E(X(t+\tau)\overline{X(t)}) RX(τ)=E(X(t+τ)X(t)),共轭的位置。
随机分析
前提都是二阶矩过程。
均方连续
自相关函数 R X X ( s , t ) R_{XX}(s,t) RXX(s,t)在 ( t 0 , t 0 ) (t_0,t_0) (t0,t0)处连续 ⟺ \Longleftrightarrow ⟺ { X ( t ) } \{X(t)\} {X(t)}均方连续。
对于宽平稳过程:
{ X ( t ) } \{X(t)\} {X(t)}均方连续 ⟺ \Longleftrightarrow ⟺ { X ( t ) } \{X(t)\} {X(t)}在 t = 0 t=0 t=0处均方连续 ⟺ \Longleftrightarrow ⟺自相关函数 R X X ( τ ) R_{XX}(\tau) RXX(τ)连续 ⟺ \Longleftrightarrow ⟺自相关函数 R X X ( τ ) R_{XX}(\tau) RXX(τ)在 τ = 0 \tau=0 τ=0处连续。
均方导数
∂ 2 R X X ( s , t ) ∂ t ∂ s \frac{\partial^2R_{XX}(s,t)}{\partial t\partial s} ∂t∂s∂2RXX(s,t)在 ( t 0 , t 0 ) (t_0,t_0) (t0,t0)处存在且连续 ⟺ \Longleftrightarrow ⟺ { X ( t ) } \{X(t)\} {X(t)}均方可导。
性质
导数过程的自相关函数为原自相关函数的导数,即: R X ′ ( s , t ) = ∂ 2 R X X ( s , t ) ∂ t ∂ s R_{X'}(s,t)=\frac{\partial^2R_{XX}(s,t)}{\partial t\partial s} RX′(s,t)=∂t∂s∂2RXX(s,t)
导数过程的均值函数为原均值函数的导数,即: E ( X ′ ( t ) ) = d X ( t ) d t E(X'(t))=\frac{dX(t)}{dt} E(X′(t))=dtdX(t)
高阶导数
R X X ( s , t ) R_{XX}(s,t) RXX(s,t)有2n阶导数且在对角线 t = s t=s t=s上连续,则 X ( t ) X(t) X(t)具有均方意义下的n阶导数。
R X ( n ) ( t , s ) = ∂ 2 n ∂ t n ∂ s n R X X ( t , s ) R_{X^{(n)}}(t,s)=\frac{\partial^{2n}}{\partial t^n\partial s^n}R_{XX}(t,s) RX(n)(t,s)=∂tn∂sn∂2nRXX(t,s)
R X ( n ) X ( m ) ( t , s ) = ∂ ( n + m ) ∂ t n ∂ s m R X X ( t , s ) R_{X^{(n)}X^{(m)}}(t,s)=\frac{\partial^{(n+m)}}{\partial t^n\partial s^m}R_{XX}(t,s) RX(n)X(m)(t,s)=∂tn∂sm∂(n+m)RXX(t,s)
互相关也一样:
R X ( n ) Y ( m ) ( t , s ) = ∂ ( n + m ) ∂ t n ∂ s m R X Y ( t , s ) R_{X^{(n)}Y^{(m)}}(t,s)=\frac{\partial^{(n+m)}}{\partial t^n\partial s^m}R_{XY}(t,s) RX(n)Y(m)(t,s)=∂tn∂sm∂(n+m)RXY(t,s)
均方可积
均方连续 ⟺ \Longleftrightarrow ⟺均方可积。
类似均方导数,积分号和均值也可以互换。
注意:
- 平稳过程自相关函数积分的时候是两重积分。
- 均方积分是可拆的,积分限可拆,积分内容也可以拆。
各态历经性
讨论根据试验记录(样本函数)确定平稳过程的均值和相关函数的理论依据和方法。其实就是看长时间观测的数据是否可以代表整个随机过程。
如果 X ( t ) X(t) X(t)是一均方连续平稳随机过程,且其均值和相关函数均具有各态历经性,则称该随机过程具有各态历经性,或者说 X ( t ) X(t) X(t)是各态历经的,或是遍历的。
通常对于实平稳随机过程,只要时间差趋于无穷大时自协方差为0,那么它的均值具有各态历经性。通常宽平稳随机过程(除了周期不长的周期信号)都满足这个条件。自相关函数的各态历经性也是一样。
例题
通常是求解导数过程的均值函数和相关函数。
判断是不是均方连续/可积(自相关函数在对角线连续)、均方可导(自相关函数导数在对角线连续)。
判断是否平稳(均值函数常数,自相关函数只与时间差有关)。
二阶矩过程、平稳过程和随机分析相关推荐
- 随机过程2 平稳过程与二阶矩
文章目录 1. 相关函数 2. 功率谱 2.1 定义 2.2 功率谱与时域平均 3. 线性系统 4. 随机连续性与随机微积分 4.1 随机连续性 4.2 随机微分(均方意义) 4.3 Taylor 级 ...
- 【图像处理】轮廓二阶矩计算目标中心-计算目标中心位置方法3
参考 http://blog.csdn.net/yang6464158/article/details/42459595 特征矩的知识在概率论和数理统计中有介绍,空间矩的方法在图像应用中比较广泛,包括 ...
- 23.代码简单实现模拟噪声(图像噪声/一、二阶矩/功率谱密度/at函数/rand函数)-- OpenCV从零开始到图像(人脸 + 物体)识别系列
本文作者:小嗷 微信公众号:aoxiaoji 吹比QQ群:736854977 简书链接:https://www.jianshu.com/u/45da1fbce7d0 本文你会找到以下问题的答案: 图像 ...
- matlab二次二阶距,用Matlab改进一次二阶矩法程序.doc
用Matlab编的计算结构可靠指标的改进一次二阶矩法程序(验算点法) 题目:编制改进一次二阶矩法计算可靠指标的程序,并给出算例,要求提供源程序 选取的算例为:z=g(x,y)=x*y-1140,其中x ...
- 一阶矩+二阶矩估计求解一个参数
一阶矩+二阶矩估计求解一个参数 @(概率论) 一般来说,一个参数对应一个方程.所以在矩估计法中,用一阶矩就可以求解一元.但是有些情况下,只写一阶矩,原理上是可以求得解的,但是,初等代数中很难剥离出来, ...
- matlab 计算变异系数,[转载]用Matlab编的计算结构可靠指标的改进一次二阶矩法程序(验算点法)...
题目:编制改进一次二阶矩法计算可靠指标的程序,并给出算例,要求提供源程序,算法语言不限. 选取的算例为:z=g(x,y)=x*y-1140,其中x,y服从正态分布,μx=38,Vx=0.1, μy=3 ...
- matlab一次二阶矩法正态分布,一次二阶矩法.ppt
设计验算点法求可靠指标评述 验算点法对极限状态方程中服从正态分布的随机变量计算结果尚可,而非正态分布误差较大. JC法求可靠指标 问题的提出:验算点法对极限状态方程中服从正态分布的随机变量计算结果尚可 ...
- Android View的工作流程(二) measure过程
一.View的measure过程 View的measure过程是由View的measure方法完成的,他是一个被final关键字修饰的方法,我们无法重写该方法,但是measure方法中会调用onMe ...
- python+django+layUI+MySQL+TSC打印机搭建4G设备管理平台项目(二)——过程中的难点记录
一.员工注册视图的使用 class UserRegisterView(View):def get(self, request): # 显示登录页return render(request, 'regi ...
最新文章
- 一个程序员的C#命名规则(挺不错的)
- android域账号认证失败,绕过域账户认证失败锁定次数限制的技巧
- Win7的电脑屏幕如何优化设置
- php csrf攻击 xss区别,XSS与CSRF攻击及防御方法
- L1-069 胎压监测 (15 分)
- 基于springboot框架的博客系统
- 高大上的集团名字_最火的微信名字大全男成熟内涵高大上
- 最简单的SpringMVC + Maven配置
- springcloud基于ribbon的canary路由方案 1
- GitHub通过Git上传文件(夹)
- halcon学习之运动跟踪定位
- 最热web前端技术精粹
- 微信小程序官方开发文档
- 权限设计-系统登录用户权限设计
- c语言如何将十六进制转化为二进制数,C语言--将十进制整数转化为二进制与十六进制输出...
- 软件测试工作中有哪些常用的工具?
- AI留给教练的时间已经不多了
- 小米 11 ultra旗舰版官方原版ROM系统MIUI13所有固件
- Qt网络编程实战之HTTP服务器-安晓辉-专题视频课程
- 【实验四 循环结构】7-2 sdut-C语言实验—两个数比较
热门文章
- 1034: 夏季促销 Python
- 20230103编译ToyBrick的TB-RK3588X的Andorid12的LOG02
- Android自定义不需要焦点的TextView以实现跑马灯效果
- 解决idea版svn冲突问题 svn: E155015: Commit failed (details follow): svn: E155015: Aborting commit:
- 探测器反向偏压_(如光电二极管)反向偏置.ppt
- (转)硬盘分区备忘(主分区,扩展分区和逻辑分区)以及Linux硬盘分区工具parted 介绍...
- PLC通过ModbusTCP通讯——基于组态王7.5进行数据采集
- 一文读懂低成本的软件对接方式,数据接口生成器应用于医疗软件全解析
- 你所不知的Redis三个特殊类型
- The Shawshank Redemption-2