杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
同等学力申硕电子科学与技术学科综合考前辅导第五类 信号处理第 25 节 / 共 32 节约 30 分钟报名学员看全文

信号处理(二):离散随机信号、估计与平稳随机过程的线性模型

对应信号处理(二)(三):随机序列的数字特征与平稳、各态历经,自相关矩阵与功率谱,随机信号通过线性系统,估计与最大似然估计;AR、MA、ARMA 模型的参数与自相关、谱的关系,谱分解,谐波模型。

本节考点:随机信号数字特征自相关与功率谱通过线性系统参数估计AR、MA 与 ARMA 模型谐波模型

本节导读

这一节对应信号处理的「(二)离散时间随机信号和估计理论基础」与「(三)平稳随机过程的线性模型」(大纲标题中「平稳」与「过程」两词直接相连,本课写作「平稳随机过程」)。(二)有四条:

  1. 离散随机信号的主要数字特征:均值、自相关、自协方差、高阶统计量。平稳性、广义平稳、各态历经的概念,时间平均和集合平均。几种常见随机分布。
  2. 广义平稳信号的自相关序列的性质、互相关的定义、随机信号矢量、自相关矩阵、自相关矩阵的性质,功率谱密度(PSD)、互谱密度。
  3. 随机信号通过线性系统:输入输出信号的互相关、输出信号的自相关,输出功率谱密度。常用的基本过程:白噪声过程和谐波过程的自相关和功率谱。
  4. 估计的基本概念、常用数字特征量(如均值、方差、自相关序列)的估计、最大似然估计。

(三)有四条:

  1. 线性非参数模型;
  2. 线性参数模型:自回归(AR)模型(全极点模型)、动均(MA)模型(全零点模型)、自回归动均(ARMA)模型(零极点模型);「动均」即滑动平均;
  3. 上述三种模型间模型参数的转换关系。模型参数与自相关序列的关系、模型参数与谱的关系。谱分解和最小相位特性;
  4. 谐波模型,谐波模型的自相关阵及其特征分解。

学完要做到:会算自相关、自相关矩阵和功率谱;会求随机信号通过线性系统后的相关函数与谱;会算自相关的估计;会由 AR、MA 模型参数求自相关和谱,会做简单的谱分解。

记号:E[⋅]E[\cdot]E[⋅] 为数学期望,上标 ∗*∗ 为共轭,H\mathrm HH 为共轭转置;w(n)w(n)w(n) 为白噪声,方差 σ2\sigma^2σ2(注意 www 与数字频率 ω\omegaω 不是同一个字母);rx(m)=E[x(n+m)x∗(n)]r_x(m)=E[x(n+m)x^*(n)]rx​(m)=E[x(n+m)x∗(n)];Px(ω)P_x(\omega)Px​(ω) 为功率谱密度。

数字特征、平稳与各态历经

对随机序列 x(n)x(n)x(n):均值 mx(n)=E[x(n)]m_x(n)=E[x(n)]mx​(n)=E[x(n)];自相关 rx(n1,n2)=E[x(n1)x∗(n2)]r_x(n_1,n_2)=E[x(n_1)x^*(n_2)]rx​(n1​,n2​)=E[x(n1​)x∗(n2​)];自协方差 cx(n1,n2)=rx(n1,n2)−mx(n1)mx∗(n2)c_x(n_1,n_2)=r_x(n_1,n_2)-m_x(n_1)m_x^*(n_2)cx​(n1​,n2​)=rx​(n1​,n2​)−mx​(n1​)mx∗​(n2​)。三阶及以上的矩和累积量叫高阶统计量。高斯序列三阶以上的累积量全为零,统计特性完全由均值和自相关决定,所以高阶统计量主要用来处理非高斯信号。

  • 严平稳:任意阶的统计特性都不随时间平移而改变。
  • 广义平稳(宽平稳):均值为常数,自相关只与时间差有关,记为 rx(m)r_x(m)rx​(m)。
  • 集合平均:在同一时刻对所有样本序列求平均,就是数学期望;时间平均:沿一条样本序列对时间求平均,例如 ⟨x⟩=lim⁡N→∞12N+1∑n=−NNx(n)\langle x\rangle=\lim\limits_{N\to\infty}\dfrac{1}{2N+1}\sum_{n=-N}^{N}x(n)⟨x⟩=N→∞lim​2N+11​∑n=−NN​x(n)。
  • 各态历经:时间平均以概率 1 等于集合平均。实际处理中常默认信号平稳且各态历经,于是由一次记录就能估计均值和自相关。

几种常见随机分布:

分布概率密度信号处理里的典型来源
均匀分布1b−a\dfrac{1}{b-a}b−a1​,a≤x≤ba\le x\le ba≤x≤b量化误差、谐波过程的随机相位
高斯分布12π σe−(x−μ)2/(2σ2)\dfrac{1}{\sqrt{2\pi}\,\sigma}e^{-(x-\mu)^2/(2\sigma^2)}2π​σ1​e−(x−μ)2/(2σ2)热噪声、大量独立因素叠加
瑞利分布xσ2e−x2/(2σ2)\dfrac{x}{\sigma^2}e^{-x^2/(2\sigma^2)}σ2x​e−x2/(2σ2),x≥0x\ge 0x≥0窄带高斯噪声的包络
指数分布λe−λx\lambda e^{-\lambda x}λe−λx,x≥0x\ge 0x≥0窄带高斯噪声包络的平方

自相关、自相关矩阵与功率谱

广义平稳信号自相关序列的性质:rx(0)=E[∣x(n)∣2]r_x(0)=E[\lvert x(n)\rvert^2]rx​(0)=E[∣x(n)∣2] 是平均功率;共轭对称 rx(−m)=rx∗(m)r_x(-m)=r_x^*(m)rx​(−m)=rx∗​(m),实序列时为偶函数;∣rx(m)∣≤rx(0)\lvert r_x(m)\rvert\le r_x(0)∣rx​(m)∣≤rx​(0);不含周期分量时,m→∞m\to\inftym→∞ 时 rx(m)→∣mx∣2r_x(m)\to\lvert m_x\rvert^2rx​(m)→∣mx​∣2。互相关定义为 rxy(m)=E[x(n+m)y∗(n)]r_{xy}(m)=E[x(n+m)y^*(n)]rxy​(m)=E[x(n+m)y∗(n)],满足 rxy(−m)=ryx∗(m)r_{xy}(-m)=r_{yx}^*(m)rxy​(−m)=ryx∗​(m)。

随机信号矢量 x(n)=[x(n),x(n−1),⋯ ,x(n−M+1)]T\mathbf x(n)=[x(n),x(n-1),\cdots,x(n-M+1)]^{\mathrm T}x(n)=[x(n),x(n−1),⋯,x(n−M+1)]T,它的自相关矩阵

R=E[x(n)xH(n)]\mathbf R=E[\mathbf x(n)\mathbf x^{\mathrm H}(n)]R=E[x(n)xH(n)]

第 iii 行第 jjj 列的元素是 rx(j−i)r_x(j-i)rx​(j−i)。自相关矩阵的性质:共轭对称(RH=R\mathbf R^{\mathrm H}=\mathbf RRH=R);Toeplitz 阵(每条对角线上的元素相同);非负定,特征值都是非负实数;不同特征值的特征向量相互正交。

功率谱密度是自相关序列的 DTFT(维纳—辛钦定理):

Px(ω)=∑m=−∞∞rx(m)e−jωmP_x(\omega)=\sum_{m=-\infty}^{\infty}r_x(m)e^{-j\omega m}Px​(ω)=m=−∞∑∞​rx​(m)e−jωm

它是非负实函数,在一个周期上积分再除以 2π2\pi2π 等于 rx(0)r_x(0)rx​(0)。互谱密度 Pxy(ω)P_{xy}(\omega)Pxy​(ω) 是 rxy(m)r_{xy}(m)rxy​(m) 的 DTFT,一般是复数。

随机信号通过线性系统

广义平稳的 x(n)x(n)x(n) 通过冲激响应为 h(n)h(n)h(n) 的 LTI 系统,输出 y(n)y(n)y(n) 也是广义平稳的:

ryx(m)=h(m)∗rx(m)ry(m)=h(m)∗h∗(−m)∗rx(m)Py(ω)=∣H(ejω)∣2Px(ω)\begin{aligned} r_{yx}(m)&=h(m)*r_x(m)\\ r_y(m)&=h(m)*h^*(-m)*r_x(m)\\ P_y(\omega)&=\lvert H(e^{j\omega})\rvert^2P_x(\omega) \end{aligned}ryx​(m)ry​(m)Py​(ω)​=h(m)∗rx​(m)=h(m)∗h∗(−m)∗rx​(m)=∣H(ejω)∣2Px​(ω)​

互谱 Pyx(ω)=H(ejω)Px(ω)P_{yx}(\omega)=H(e^{j\omega})P_x(\omega)Pyx​(ω)=H(ejω)Px​(ω)。输入是白噪声时把 rx(m)=σ2δ(m)r_x(m)=\sigma^2\delta(m)rx​(m)=σ2δ(m) 代进第一式,就得到互相关与冲激响应的关系,可以用来辨识系统。

常用的基本过程自相关功率谱
白噪声(方差 σ2\sigma^2σ2)σ2δ(m)\sigma^2\delta(m)σ2δ(m)常数 σ2\sigma^2σ2,平坦
谐波过程 Acos⁡(ω0n+φ)A\cos(\omega_0n+\varphi)Acos(ω0​n+φ),φ\varphiφ 均匀分布A22cos⁡(ω0m)\dfrac{A^2}{2}\cos(\omega_0m)2A2​cos(ω0​m)±ω0\pm\omega_0±ω0​ 处两根谱线,强度各 πA2/2\pi A^2/2πA2/2

估计的基本概念

估计量 θ^\hat\thetaθ^ 是观测数据的函数,本身是随机变量。评价它看偏差 E[θ^]−θE[\hat\theta]-\thetaE[θ^]−θ(为零叫无偏)、方差和均方误差(方差加偏差的平方);样本数 N→∞N\to\inftyN→∞ 时收敛到真值叫一致估计。

常用数字特征量的估计(NNN 个样本):均值用样本均值,无偏,独立样本时方差为 σ2/N\sigma^2/Nσ2/N;方差用 1N∑(x(n)−m^)2\dfrac1N\sum(x(n)-\hat m)^2N1​∑(x(n)−m^)2 时有偏,改除以 N−1N-1N−1 才无偏;自相关序列(0≤m≤N−10\le m\le N-10≤m≤N−1)常用

r^(m)=1N∑n=0N−1−mx(n+m)x∗(n)\hat r(m)=\frac1N\sum_{n=0}^{N-1-m}x(n+m)x^*(n)r^(m)=N1​n=0∑N−1−m​x(n+m)x∗(n)

本节后面还有约 2930 字:报名学员看全文

每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。

题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。

学完练一练

按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。

本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。

我要提问免费报名咨询