- •Раздел 1, Элементы общей теории сигналов.
- •Раздел 2. Преобразование Фурье.
- •2.1.2 Спектральное представления последовательности
- •2.1.2 Спектральное представления последовательности
- •Раздел 3. Корреляционный анализ.
- •Лекции по рцс.
- •Раздел 1, Элементы общей теории сигналов. Классификация сигналов
- •Ряд Фурье
- •Синусно-косинусная форма
- •Вещественная форма
- •Комплексная форма
- •Раздел 2. Преобразование Фурье. Примеры разложения сигналов в ряд Фурье
- •Последовательность прямоугольных импульсов
- •Пилообразный сигнал
- •Последовательность треугольных импульсов
- •Преобразование Фурье
- •Примеры расчета преобразования Фурье
- •Прямоугольный импульс
- •Несимметричный треугольный импульс
- •Симметричный треугольный импульс
- •Односторонний экспоненциальный импульс
- •Двусторонний экспоненциальный импульс
- •Гауссов импульс
- •Сигнал вида sin(X)/X
- •Свойства преобразования Фурье
- •Линейность
- •Задержка
- •Дифференцирование сигнала
- •Интегрирование сигнала
- •Спектр свертки сигналов
- •Спектр произведения сигналов
- •Умножение сигнала на гармоническую функцию
- •Связь преобразования Фурье и коэффициентов ряда Фурье
- •Фурье-анализ неинтегрируемых сигналов
- •Дельта-функция
- •Постоянный во времени сигнал (константа)
- •Функция единичного скачка
- •Гармонический сигнал
- •Раздел 3. Корреляционный анализ. Корреляционный анализ
- •Взаимная корреляционная функция
- •Связь между корреляционными функциями и спектрами сигналов
- •Энергетические расчеты в спектральной области
- •Комплексная огибающая
- •Преобразование Гильберта
- •Спектр аналитического сигнала
- •Случайные сигналы
- •Ансамбль реализаций
- •Модели случайных процессов
- •Гармонический сигнал со случайной начальной фазой
- •Вероятностные характеристики случайных процессов
- •Функциональные характеристики
- •Числовые характеристики
- •Корреляционные функции случайных процессов
- •Некоррелированность и статистическая независимость
- •Стационарные и эргодические случайные процессы
- •Стационарные случайные процессы
- •Эргодические случайные процессы
- •Спектральные характеристики случайных процессов
- •Случайный телеграфный сигнал
- •Вероятностные характеристики случайных процессов
Вероятностные характеристики случайных процессов
ПустьX(t) — случайный процесс, заданный ансамблем реализаций . Выбрав произвольный момент времени t1, зафиксируем значения, принимаемые всеми реализациями: (см. рис. 1.29). Совокупность этих значений образует одномерное сечение случайного процесса и представляет собой случайную величину X(t1). Напомним кратко основные характеристики случайных величин, отметив при этом, что для одномерных сечений случайных процессов они в общем случае зависят от выбранного момента времени t1.
Функциональные характеристики
Функция распределения вероятности (cumulative distribution function, CDF), обозначаемая как F(x, t1), равна вероятности того, что в момент времени t1 значение случайного процесса не превосходит x:
F(x, t1)=P(X(t1) ≤ x).
F(x, t1) является неубывающей функцией, значения которой лежат в диапазоне . Для предельных значений x выполняются следующие соотношения: F(-∞, t1) = 0 и F(∞, t1) = 1.
Вероятность попадания значения случайного процесса в интервал (a, b) равна
разности значений функции распределения, на концах этого интервала:
Р(а < X(t1) ≤ b) = F(b, t1) - F(a, t1).
Одномерная плотность вероятности (probability density function, PDF) обозначается p(x, t1) и представляет собой производную от функции распределения:
Произведение р(х,t1) dx равно вероятности попадания значения случайного процесса X(t1) в бесконечно малый интервал шириной dx в окрестности х:
откуда следует, что плотность вероятности является неотрицательной функцией: р(х, t1) ≥ 0. Чтобы рассчитать вероятность попадания значения Х(t1) в произвольный интервал [a, b], необходимо вычислить следующий интеграл:
Гак как случайная величина обязательно принимает какое-нибудь значение, должно выполняться условие нормировки:
(1.29)
Зная плотность вероятности, можно рассчитать и функцию распределения:
(1.30)
Числовые характеристики
Знание одномерной плотности вероятности р(х1, t1) позволяет произвести статистическое усреднение как самой величины X(t1), так и любой функции от нее. Под статистическим усреднением (ensemble averaging) подразумевается усреднение по множеству (по ансамблю реализаций) в каком-либо сечении процесса, то есть в фиксированный момент времени.
Для практических приложений наибольшее значение имеют следующие параметры случайного процесса:
математическое ожидание (mean value), которое служит теоретической оценкой среднего взвешенного значения случайного процесса в момент времени t:
(1.31)
ЗАМЕЧАНИЕ
Во многих практических задачах приходится вычислять математическое ожидание некоторой функции f от случайной величины х, имеющей плотность вероятности рх(х). Такое вычисление выполняется по следующей несложной формуле:
(1.32)
Формула для математического ожидания (1.31) является частным случаем (1.32) при f(x) = x.
дисперсия (variance), характеризующая среднюю мощность отклонений случайного процесса от его среднего значения mx(t), называемых флуктуациями (fluctuation):
(1.33)
среднее квадратическое отклонение (standard deviation), представляющее собой квадратный корень из дисперсии и служащее амплитудной мерой разброса значений случайного процесса в момент времени с относительно математического ожидания:
(1.34)
ЗАМЕЧАНИЕ
Дисперсия случайной величины X часто обозначается как .