- •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
Некоррелированность и статистическая независимость
Если совместно рассматривать две случайные величины Х1 и Х2, между ними может существовать либо не существовать статистическая, связь. Отсутствие такой связи означает, что плотность вероятности одной случайной величины не зависит от того, какое значение принимает другая случайная величина. Двумерная плотность вероятности при этом представляет собой произведение одномерных плотностей:
p(x1, x2) = p1(x1)p2(x2).
Это условие называется условием статистической независимости.
При наличии статистической связи между случайными величинами статистические свойства каждой из них зависят от значения, принимаемого другой случайной величиной. Эта связь может быть сильной или слабой, линейной или нелинейной. Мерой линейной статистической связи между случайными величинами является коэффициент корреляции:
(1.42)
Можно показать, что . Предельные значения ±1 достигаются, если реализации случайных величин жестко связаны линейным соотношением x2 = ax1+b ,где а и b — некоторые константы. Знак коэффициента корреляции при этом совпадает со знаком множителя а.
Равенство коэффициента корреляции нулю свидетельствует об отсутствии линейной статистической связи между случайными величинами (при этом говорят об их некоррелированности). Как видно из (1.42), при этом математическое ожидание произведения случайных величин равно произведению их математических ожиданий:
Легко показать, что из статистической независимости следует некоррелированность случайных величин. Обратное утверждение в общем случае неверно — некоррелированные случайные величины могут быть зависимыми.
ЗАМЕЧАНИЕ
Классическим примером этого является пара случайных величин x1 = cos φ и x2 = sin φ, где φ — случайная величина, равномерно распределенная на интервале 0 ...2π. Очевидно, что x1 и x2 зависят друг от друга; однако их коэффициент корреляции оказывается равным нулю.
Стационарные и эргодические случайные процессы
В общем случае, как уже говорилось, вероятностные и корреляционные характеристики случайных процессов зависят от одного или нескольких моментов времени, в которые эти характеристики определяются. Однако существует класс случайных процессов, у которых зависимость характеристик от времени отсутствует. Кроме того, для некоторых случайных процессов не обязательно производить усреднение по ансамблю реализаций — можно ограничиться рассмотрением одной реализации и ее усреднением во времени.
Такие случайные процессы будут рассматриваться в данном разделе.
Стационарные случайные процессы
Так принято называть случайные процессы, статистические характеристики которых одинаковы во всех временных сечениях.
Говорят, что случайный процесс строго стационарен (или стационарен в узком смысле), если его многомерная плотность вероятности p(x1, x2, …, xn, t1, t2, …, tn) произвольной размерности п не изменяется при одновременном сдвиге всех временных сечений t1, t2, …, tn вдоль оси времени на одинаковую величину τ:
p(x1, x2, …, xn, t1, t2, …, tn)= p(x1, x2, …, xn, t1+τ, t2+τ, …, tn+τ) при любом τ.
Если же ограничить требования тем, чтобы от временного сдвига не зависели лишь одномерная и двумерная плотности вероятности, то такой случайный процесс будет стационарен в широком смысле. Понятно, что из стационарности в узком смысле следует стационарность в широком смысле, но не наоборот.
Для стационарного случайного процесса математическое ожидание и дисперсия не зависят от времени, а корреляционная функция зависит не от самих моментов времени, а только от интервала между ними τ = t2 – t1:
Rx(t1, t2) = Rx(t2-t1) = Rx(τ).
По этой причине при записи статистических параметров стационарного случайного процесса можно опускать обозначения фиксированных моментов времени:
mx, Dx, Kx(τ), Rx(τ).
Легко убедиться, что корреляционная функция стационарного случайного процесса является четной:
Rx(-τ) = Rx(τ).
Кроме того, абсолютные значения этой функции при любых τ не превышают ее значения при τ = 0 (напомним, что это значение равно дисперсии случайного процесса):
Часто удобно использовать коэффициент корреляции (его также называют нормированной корреляционной функцией)
Для коэффициента корреляции выполняются соотношения и
Функции и характеризуют связь (корреляцию) между значениями X(t) разделенными промежутком τ. Чем медленнее убывают эти функции с ростом абсолютного значения τ, тем больше промежуток, в течение которого наблюдается статистическая связь между мгновенными значениями случайного процесса, и тем медленнее, плавнее изменяются во времени его реализации.
Легко видеть, что гармонический процесс со случайной начальной фазой (см, раздел «Модели случайных процессов» и вычисление характеристик этого процесса в разделе «Корреляционные функции случайных процессов») является стационарным в широком смысле. Действительно, зависящие от одномерной плотности вероятности математическое ожидание (1.39) и дисперсия (1.41) не зависят от времени, а корреляционная функция (1.40), зависящая от двумерной плотности вероятности, зависит лишь от интервала между рассматриваемыми моментами времени:
(1.43)
Коэффициент корреляции такого случайного процесса равен
ЗАМЕЧАНИЕ
Здесь следует отметить, что стационарным будет любой случайный процесс, реализации которого являются периодическими функциями, идентичными по форме и различающимися лишь «начальной фазой», то есть положением начала отсчета времени в пределах периода. При этом принципиальной является равномерность распределения начальной фразы в пределах периода. Действительно, пусть у гармонического процесса начальная фаза равномерно распределена в пределах половины окружности — на интервале 0...π. Математическое ожидание процесса в этом случае будет равно
Результат вычислений показывает, что математическое ожидание процесса зависит oт времени, следовательно, он не является стационарным.