当前位置：文档库 › 随机过程-3

随机过程-3

随机过程-方兆本-第三版-课后习题答案

习题4 以下如果没有指明变量t 的取值范围，一般视为R t ∈，平稳过程指宽平稳过程。 1. 设Ut t X sin )(=，这里U 为)2,0(π上的均匀分布. （a ）若Λ,2,1=t ，证明},2,1),({Λ=t t X 是宽平稳但不是严平稳，（b ）设),0[∞∈t ，证明}0),({≥t t X 既不是严平稳也不是宽平稳过程. 证明：（a ）验证宽平稳的性质 Λ,2,1,0)cos (2121)sin()sin()(2020==-=? ==?t Ut t dU Ut Ut E t EX π π ππ ))cos()(cos(2 1 )sin (sin ))(),((U s t U s t E Us Ut E s X t X COV ---=?= t U s t s t U s t s t ππ π21}])[cos(1])[cos(1{212020? +++--= s t ≠=,0 2 1 Ut Esin ))(),((2= =t X t X COV (b) ,)),2cos(1(21 )(有关与t t t t EX ππ-= .)2sin(81 21DX(t)有关，不平稳，与t t t ππ-= 2. 设},2,1,{Λ=n X n 是平稳序列，定义Λ Λ,2,1},,2,1,{) (==i n X i n 为 Λ,,)1(1)1()2(1)1(---=-=n n n n n n X X X X X X ，证明：这些序列仍是平稳的. 证明：已知，)(),(,,2 t X X COV DX m EX t t n n n γσ===+ 2 121)1(1)1()1(2)(,0σγσ≡+=-==-=--n n n n n n X X D DX EX EX EX ) 1()1()(2),(),() ,(),(),(),(111111) 1()1(++--=+--=--=--+-+-++--+++t t t X X COV X X COV X X COV X X COV X X X X COV X X COV n t n n t n n t n n t n n n t n t n n t n γγγ显然，) 1(n X 为平稳过程. 同理可证，Λ,,) 3()2(n n X X 亦为平稳过程. 3.设 1 )n n k k k Z a n u σ==-∑这里k σ和k a 为正常数，k=1，....n; 1,...n u u 是（0,2π）

第3章平稳随机过程的谱分析

第3章平稳随机过程的谱分析付里叶变换是处理确定性信号的有效工具，它信号的频域内分析处理信号，常常使分析工作大为简化。对于随机信号，是否也可以应用频域分析方法？付里叶变换是否可引入随机信号中？ 3.1 随机过程的谱分析 3.1.1 回顾：确定性信号的谱分析 )(t f 是非周期实函数， )(t f 的付里叶变换存在的充要条件是： 1．)(t f 在),(∞-∞上满足狄利赫利条件； 2．)(t f 绝对可积： +∞

3.1.2 随机过程的功率谱密度一、样本函数的平均功率问题1：由于付里叶变换是针对确定性函数进行的，在处理随机过程)(t X 时，取 )(t X 的一个样本函数)(t x （在曲线族中取某一曲线）来进行付里叶分析。问题2：随机过程)(t X 的样本函数)(t x 一般不满足付里叶变换的条件，它的总能量是无限的，需考虑平均功率。若随机过程)(t X 的样本函数)(t x 满足 +∞<=? -∞→T T T dt t x T W 2 )(21 lim W 称为样本函数)(t x 的平均功率。对于平稳过程，其样本函数的平均功率是有限的。二、截取函数对于)(t X 的一个样本函数)(t x ，在)(t x 中截取长为T 2的一段，记为)(t x T ，它满足： ???? ?≥<=T t T t t x t x T 0 ) ()( 称)(t x T 为)(t x 的截取函数。三、截取函数的付里叶变换 0>T ，取定后，)(t x T 的付里叶变换一定存在： ??--+∞ ∞--==T T t j t j T T dt e t x dt e t x X ωωω)()()( 其付里叶逆变换为： ? +∞ ∞ -= ωωπ ωd e X t x t j T T )(21 )( 其帕塞瓦（Parseval ）等式为 ? ? ? +∞ ∞ --+∞ ∞ -= =ωωπ d X dt t x dt t x T T T T 2 2 2 )(21 )()(

第十二章平稳随机过程

第十二章平稳随机过程 §1 基本概念定义1：已给s.p t X t X {=，}T t ∈，若1≥?n ，即T 中任意的,,,21n t t t Λ与 h t h t h t n +++,,,21Λ，n 维r.v ),,(21n t t t X X X Λ与),,(21h t h t h t n X X X +++Λ有相同的n 维d.f 。即 ) ,,,;,,(),,() ,,(),,,;,,,(2121212121212121n n n h t h t h t n t t t n n x x x h t h t h t F x X x X x X P x X x X x X P x x x t t t F n n ΛΛΛΛΛΛ+++=≤≤≤=≤≤≤=+++ 则称s.p t X 是一个严（强，狭义）平稳过程。当t X ?n 维d.l 时，则有 ),,;,,,(),,;,,,(21212121n n n n x x x h t h t h t f x x x t t t f ΛΛΛΛ+++= 若取n =1，则有),(),(1111x h t f x t f +=，特别，当T ∈0，可取,1t h -=则有),0(),(111x f x t f =。此时平稳过程t X 的一维d.l 与1t （时间）无关。于是 X X m dx x xf t X E μ=== ?+∞ ∞ -),0()(1 即t X 的均值是一个与时间无关的常数。其方差 ?∞ ∞ -=-=-=.),0()(][2 22 X X X t t dx x f m x m X E X D σ也与时间t 无关的常数。而且T X 的二维d.l 也只依赖于.21t t -=τ即当2t h -=时，有 ).,;(),;0,(),;,(2121212121x x f x x t t f x x t t f τ∧ =-= 所以t X 与τ+t X 之间自相关为 ??∞∞-∞ ∞ -+== =+).(),;(),(21212 1ττττX t t X R dx dx x x f x x X X E t t R 它只依赖于.τ类似地τ+t t X X ,之间协方差为

平稳随机过程的谱分析

第二章平稳随机过程的谱分析本章要解决的问题： ●随机信号是否也可以应用频域分析方法? ●傅里叶变换能否应用于随机信号？ ●相关函数与功率谱的关系 ●功率谱的应用 ●采样定理 ●白噪声的定义 2.1 随机过程的谱分析 2.1.1 预备知识 1、付氏变换: 对于一个确定性时间信号x(t)，设x(t)是时间t的非周期实函数，且x(t) 满足狄利赫利条件（有限个极值，有限个断点，断点为有限值）且绝对可积，能量有限，则x(t)傅里叶变换存在。即：满足上述三个条件的x(t)的傅里叶变换为：

其反变换为： 2、帕赛瓦等式由上面式子可以得到： ——称为非周期性时间函数的帕塞瓦(Parseval)等式。物理意义：若x(t)表示的是电压(或电流)，则上式左边代表x(t)在时间(-∞,∞)区间的总能量（单位阻抗）。因此，等式右边的被积函数 2 ) (ωX X 表示了信号x(t)能量按频率分布的情况，故称 2 ) (ωX X 为能量谱密度。 2.1.2、随机过程的功率谱密度一个信号的付氏变换是否存在，需要满足三个条件，那么随机信号是否满足这三个条件从而存在付氏变换呢？随机信号持续时间无限长，因此，对于非0的样本函数，它的能量

一般也是无限的，因此，其付氏变换不存在。但是注意到它的平均功率是有限的，在特定的条件下，仍然可以利用博里叶变换这一工具。为了将傅里叶变换方法应用于随机过程，必须对过程的样本函数做某些限制，最简单的一种方法是应用截取函数。 x(t): 截取函数T 图2.1 x(t)及其截取函数 x(t)满足绝对可积条件。因此，当x(t)为有限值时，裁取函数T x(t)的傅里叶变换存在，有 T x(t)也应满足帕塞瓦等式，即：（注意积分区间和表达很明显，T 式的变化）

平稳随机过程

平稳随机过程 ?严格平稳随机过程 ?广义平稳随机过程 ?平稳随机过程自相关函数性质?各态历经过程

1. 严格平稳（Strict Sense Stationary, SSS)随机过程定义: 随机过程X (t )的任意N 维统计特性与时间起点无关。 1111(,,,,,)(,,,,,) X N N X N N p x x t t t t p x x t t +?+?=如果X (t ) 是严格平稳的,则与t 无关。 (,)()X X p x t p x =即X(t)与X(t+?t)具有相同的统计特性。

二维概率密度只依赖于τ，与t 1和t 2的具体取值无关。 12121212121221212 (,,,)(,,,) (,,,0)(,,) X X X X p x x t t p x x t t t t p x x t t t t p x x t t =+?+?=-?=-=ττ=-

如果X (t )是严格平稳随机过程, 则 121212121212 (,)(,,,)() X X X R t t x x p x x t t dx dx R t t ∞ -∞ ==ττ=-?()()X X X m t xp x dx m ∞ -∞==?22 2()()()X X X X t x m p x dx ∞ -∞σ=-=σ ?

100200300400500 -4-3-2-101234Stationay Gaussian Noise 0100200300400500 -4 -3 -2-101234Non-stationay Gaussian Noise

平稳随机过程及其数字特征

平稳随机过程粗略的说——随机过程的统计特征不随时间的推移而变化。一.严平稳随机过程 1. 定义设有随机过程{ X(t) , t ∈T}，若对于任意n 和任意t1

因此：严平稳过程的二维数字特征仅是（时间差τ）的函数综上所述：要按上述严平稳过程的定义来判断一个过程是否平稳?是很困难的。 a)：一般在实用中，只要产生随机过程的主要物理条件，在时间进程中不变化。则此过程就可以认为是平稳的。例如：在电子管中由器件的颗粒效应引起的“散弹噪声”，由于产生此噪声的主要物理条件与时间无关，所以此噪声可以认为是平稳过程。 12121212 12 1 21212 2 2 2 (,)(,;)() (,)()()(,;)()()(0)(0)[()] X X X X X X X X X X X X X X R t t x x f x x dx dx R C t t x m x m f x x dx dx C R m C R m D X t τττττσ=?==??==?=?==∫∫∫∫

∞<)]([2 t X E b)：另一方面，对有些非平稳过程，可以根据需要，如果它在所观测的时间段内是平稳的，就可以视作这一时间段上的平稳过程来处理。即在观测的有限时间段内，认为是平稳过程。因此，工程中平稳过程的定义如下：二、宽平稳过程1、定义若二阶矩过程( )X(t) 满足: E[X(t)]=m x ←常数 R x (t 1,t 2)=R x (τ) ←只与时间间隔(τ=t 2-t 1)有关则称过程X(t)为“宽平稳随机过程”（广义平稳过程）。可见：一个均方值有限的严平稳过程，一定是宽平稳过程。反之：一个宽平稳过程，则不一定是严平稳过程。 c)：一般在工程中，通常只在相关理论的范围内讨论过程的平稳问题。即：讨论与过程的一、二阶矩有关的问题。

随机过程第3章

第三章随机过程一. 随机过程的基本概念 1.1 随机过程的定义设（Ω，F ，P ）为给定的概率空间，T 为一指标集，对于任意t T ∈，都存在定义在(),,P ΩF 上，取值于E 的随机变量()(),X t ωω∈Ω与它相对应，则称依赖于t 的一族随机变量(){},:X t t T ω∈为随机过程，简记(){}t X ω，{}t X 或(){}X t 注：随机过程(){}:,t X t T ωω∈Ω∈是时间参数t 和样本点 ω的二元函数，对于给定的时间0t ，是0(,)X t ω是概率空间(),,P ΩF 上的随机变量；对于给定样本点0ω∈Ω， 0(,)X t ω是定义在T 上的实函数，此时称它为随机过程对应于0ω的一个样本函数，也成为样本轨道或实现。 E 称为随机过程的相空间，也成为状态空间，通常用 “t X x =”表示t X 处于状态x 1.2随机过程t X 按照时间和状态是连续还是离散可以分为四类：连续型随机过程、离散型随机过程、连续型随机序列、离散型随机序列

1.3 有穷维分布函数设随机过程{}t X ，在任意n 个时刻1,,n t t 的取值 1,,n t t X X 构成n 维随机向量()1,,n t t X X ，其n 维联合分布函数为： ()()1 1 ,,11,,,,n n t t n t t n F x x P X x X x =≤≤ 其n 维联合密度函数记为()1 ,,1,,n t t n f x x 。我们称(){}1 ,,11,,:1,,,n t t n n F x x n t t T ≥∈ 为随机过程 {}t X 的有穷维分布函数。二.随机过程的数字特征 2.1 数学期望对于任何一个时间t T ∈，随机过程{}t X 的数学期望定义为 ()()t X t t E X xdF x μ +∞ -∞ ==? ()t E X 是时间t 的函数 2.2 方差与矩随机过程{}t X 的二阶中心矩

2.9 严平稳随机过程

随机信号分析

目录 CONTENTS CONTENTS 严平稳随机过程平稳随机过程的基本概念

-2.5-2 -1.5 -1 -0.5 0.5 1 1.5 2 2.5 3 t1t2t3t4t5t6t7t8快艇航行噪声随时间变化的观测实验第1次观测第2次观测第3次观测 ()()x m t E X t =????随机过程的数学期望()1x m t ()4x m t () 5x m t 如果数学期望与时间无关，将简化分析和计算！ ()x x m t m =

-2.5-2 -1.5-1 -0.5 0.5 1 1.5 2 2.5 3 t1t2t3t4t5t6t7t8快艇航行噪声随时间变化的观测实验第1次观测第2次观测第3次观测随机过程的自相关函数????=?R t t E X t X t X ,1212)()()(R t t X ,23) (?=τt t 320R t t X ,56)(?=τt t 650如果自相关函数与观察起始时刻无关，只和观察的两个随机变量的时间差有关？ ==?ττR t t R t t X X ,,1221)()(有缘学习更多＋谓ｙｇｄ３０７６考证资料或关注桃报：奉献教育（店铺）

严平稳随机过程随机过程X t ，若它的n 维概率密度(或n 维分布函数) 不随时间起点选择的不同而改变就是说，对任何n 和ε，随机过程X t 的n 维概率密度满足： +++=εεεf x x x t t f x x x t t X n n X n n ,,,;,,,t ,,,;,,,t 12121212)()(f x x x t t n n ,,,;,,,t 1212) (则称X t 为严(格)平稳过程，或称X t 为狭义平稳过程。有缘学习更多＋谓ｙｇｄ３０７６考证资料或关注桃报：奉献教育（店铺）

随机过程分析

随机过程分析摘要随着科学的发展，数学在我们日常的通信体系中有着越来越重的地位，因为在科学研究中，只有借助于数学才能精确地描述一个现象的不同量之间的关系,从最简单的加减乘除，到复杂的建模思想等等。其中，随机过程作为数学的一个重要分支，更是在整个通信过程中发挥着不可小觑的作用。如何全面的对随机信号进行系统和理论的分析是现在通信的关键，也是今后通信业能否取得巨大进步的关键。关键字通信系统随机过程噪声通信中很多需要进行分析的信号都是随机信号。随机变量、随机过程是随机分析的两个基本概念。实际上很多通信中需要处理或者需要分析的信号都可以看成是一个随机变量，利用在系统中每次需要传送的信源数据流，就可以看成是一个随机变量。例如，在一定时间内电话交换台收到的呼叫次数是一个随机变量。也就是说把随某个参量而变化的随机变量统称为随机函数；把以时间t为参变量的随机函数称为随机过程。随机过程包括随机信号和随进噪声。如果信号的某个或某几个参数不能预知或不能完全预知，这种信号就称为随机信号；在通信系统中不能预测的噪声就称为随机噪声。下面对随机过程进行分析。一、随机过程的统计特性 1、数学期望:表示随机过程的n个样本函数曲线的摆动中心，

?∞ ∞-==11);()]([)(dx t x xp t X E t a 2、方差:表示随机过程在时刻t 对于均值a(t)的偏离程度。即均方值与均值平方之差。 {}?∞∞--=-=-==112222);()]([)]()([))](()([)]([)(dx t x p t a x t a t X E t X E t X E t X D t δ 3、自协方差函数和相关函数: 衡量随机过程任意两个时刻上获得的随机变量的统计相关特性时，常用协方差函数和相关函数来表示。（1）自协方差函数定义 {} )]()()][()([);(221121t a t X t a t X E t t C x --=??∞∞-∞ ∞---=2121212211),;,()]()][([dx dx t t x x p t a x t a x 式中t1与t2是任意的两个时刻；a (t1)与a(t2)为在t1及t2得到的数学期望；用途：用协方差来判断同一随机过程的两个变量是否相关。（2）自相关函数 ??∞∞-∞ ∞-==2121212212121),;,()]()([),(dx dx t t x x p x x t X t X E t t R X 用途：a 用来判断广义平稳； b 用来求解随机过程的功率谱密度及平均功率。二、平稳随机过程 1、定义（广义与狭义）：则称X(t)是平稳随机过程。该平稳称为严格平稳，狭义平稳或

随机过程关于平稳过程中的各态历经性的综述

关于平稳过程中的各态历经性的综述首先要介绍一下什么是平稳过程，平稳过程是一类统计特性不随时间推移而变化的过程。在实际中，有相当多的随机过程，不仅它现在的状态，而且它过去的状态，都对未来状态的发生有着很强的影响。有这样重要的一类随机过程，即所谓平稳随机过程，它的特点是：过程的统计特性不随时间的推移而变化。严格地说，如果对于任意的n （=1，2…），12,,t t t T ∈n …,和任意实数h,当 12,,n t h t h t h T +++∈…,时，n 维随机变量（X(1t ),X(2t ),…,X(t n )）和（X （1t h +）,X （2t h +）,…,X （n t h +））具有相同的分布函数，则称随机过程{}X ∈（t ）,t T 具有平稳性，并同时称此过程为平稳随机过程，或简称平稳过程。在实际工作中，确定随机过程的均值函数和相关函数是很重要的。而要确定随机过程的数字特征一般来说需要知道过程的一﹑二维分布，这在实际问题中往往不易办到，因为这时要求对一个过程进行大量重复的实验，以便得到很多的样本函数。但是由于平稳过程的统计特性不随时间的推移而变化，就会提出这样一个问题：能否从一个时间范围内观察到的样本函数或一个样本函数在某些时刻的取值来提取过程的数字特征呢？所谓各态历经，是指可以从过程的一个样本函数中获得它的各种统计特性；具有这一特性的随机过程称为具有各态历经性的随机过程，只要有一个样本函数就可以表示出它的数字特征。定义设X （t ）是均方连续平稳随机过程，如果它沿整个时间上的平均值即时间平均值〈X （t ）〉存在，即〈X （t ）〉=1lim ()2T T T X t dt T -→∞? 存在，而且〈X （t ）〉=E ｛X （t ）｝=X μ依概率1相等。即〈X （t ）〉依概率1等于X μ= E ｛X （t ）｝, X μ代表随机过程的集平均（或称统计平均），则称该过程的均值具有各态历经性。定义设X （t ）是一均方连续平稳随机过程，且对于固定的τ，()X t X t τ（+）也是连续平稳随机过程，〈()X t X t τ（+）〉代表()X t X t τ（+）沿整个时间轴的平均值，即 ()X t X t τ（+）=1lim (+)()2T T T X t X t dt T τ-→∞? 若〈()X t X t τ（+）〉存在，称〈()X t X t τ（+）〉为X （τ）的时间相关函数。又