复旦大学：《信号与通信系统》教学课件_06 随机信号及其表征

2014-06-18 窄带信号 H换:H()=-S8m(o) x(o=a(o)(@f+0)>x(0=a(osin(of +e) ()4→x()=14a+a)-1A(a-a) 0=2xod0=4a+)-4-y“如 (m)·[ro(a-c)+r6(a+b) 42、4a+%kda-4(o-akd 存在区城2a,0),xo2存在区端0,2a) =我(+a)+A(-0) 存在区域(-2a,0) xoy存在区城o,2a "鸟些 M 当6非零常数时: (o")edo-e y x(t)=a()cos(@n +6)=a(r)cos @,f cos6-a()sin@,tsinG (ev-elv)A( [a(r)cos e]cos@[(r)sin e]sin@ot H(o) i(=[a(t)cose]sin@of+[a(t)sin @]cos oor (-2jsinoo A(@)ejido a(o)sin@of cos 0+a(n)cos@ e a(t)sin(@or+o) 当8n相对c0sa是慢变化信号时: a(n)cose(OJcosof-la(nsin e(o)js x(t=a(t)sin ool 只要频谱限制在asa 同样可以推导出 A(n=a(t)cose(O)Jsin@ f +[a(n)sine(oJcos@ol a(r)sin @fcose(r)+a(r)cos@ sine(n) x(r)=a(r)sin@of i(o)=-a(r)cost =a(t)sn{a【+( ·随机信号未来值随时间推移,是随机变化的,只能用橛率分 第二章随机信号分析 语音信号、生物电信号、地震信号等均为隨机信号 随机信号( Stochastic Signals) §21随机信号的统计分布描述 也称为不确定信号,不是时间的确定函数 ↑随机信号的一个样本 给定某一时 是随机的 相同的条件 确地重现信号

2014-06-18 1 窄带信号的H变换只需对快变化的载波进行H变换 ( ) ( ) cos( ) ˆ( ) ( )sin( ) x t  a t 0t   x t  a t 0t  为简便起见，令： 窄带信号： 证： ( )*[ ( ) ( )] 2 1 ( )    0   0   X   A    x t a t t0   0  ( )  ( ) cos 52 1 ( ) 2 1 ( ) 2 1  A  0  A  0 0 -0  -0-c |X()| -0+c 0-c 0+c 存在区域(0，20 存在区域 ) (-20，0) H变换：                       0 0 2 0 0 0 2 0 0 0 ( ) ( ) 4 [ ( ) ( )] 2 1 2 1 ( ) 2 1 ˆ( )                       A e d A e d j x t X e d j A A e d j t j t j t j t H ( ) 2 1 ( ) 2 1 ˆ( ) ( ) 0 0 F  x t  X H   jA    jA   H()   jSgn() |X( )| 存在区域(0，20 存在区域 ) ( 2 0) 52 2 第一项令：  0  d  d                0 0 0 0 0 0 ( ) ( ) ( ) ( ) 4 ˆ( )              A e d A e d j x t j t j t 第二项令：  0  d  d 0 -0  -0-c |X()| -0+c 0-c 0+c 存在区域(0，20 存在区域 ) (-20，0) t A e d j t A e d j e e A e d j e A e d e A e d j j t j t j t j t j t j t j t j t j t 0 ( ) 1 sin ( 2 sin ) ( ) 4 ( ) ( ) 4 ( ) ( ) 4 0 0 0 0 0 0 0 0 0 0 0 0                                                                  -   |A()| 52 3 同样可以推导出： c 0 x t a t t0  ˆ( )  ( )sin a t t t A e d 0 0 ( )sin ( ) 2 sin             原因： c c  x t a t t x t a t t 0 0 ( )  ( )sin  ˆ( )   ( ) cos 当为非零常数时： ( )sin( ) ( )sin cos ( ) cos sin ˆ( ) [ ( ) cos ]sin [ ( )sin ]cos [ ( ) cos ]cos [ ( )sin ]sin ( ) ( ) cos( ) ( ) cos cos ( )sin sin 0 0 0 0 0 0 0 0 0 0                                  a t t a t t a t t x t a t t a t t a t t a t t x t a t t a t t a t t 当( )相对 是慢变化信号时 52 4 a t t t a t t t x t a t t t a t t t a t t t 0 0 0 0 0 [ ( ) cos ( )]cos [ ( )sin ( )]sin ( ) ( ) cos[ ( )] ( ) cos cos ( ) ( )sin sin ( )                 当(t)相对cos0t是慢变化信号时： ( )sin[ ( )] ( )sin cos ( ) ( ) cos sin ( ) ˆ( ) [ ( ) cos ( )]sin [ ( )sin ( )]cos 0 0 0 0 0 a t t t a t t t a t t t x t a t t t a t t t                  只要频谱限制在||0 第二章 随机信号分析 随机信号(Stochastic Signals)： 也称为不确定信号 不是时间的确定函数 52 5 ， 给定某一时间，信号值是随机的 信号未来值不能用准确的时间函数式来描述 信号未来值无法准确预测 相同的条件下也不能准确地重现信号 随机信号的一个样本  随机信号未来值随时间推移，是随机变化的，只能用概率分 布来描述，或用统计平均值来表征，所以又称统计时间信号  语音信号、生物电信号、地震信号等均为随机信号 §2.1 随机信号的统计分布描述 52 6 t

2014-06-18 、随机信号的一维和二维分布 波形记录称为 A/L 随机信号X(在1时刻 集合” t的状态为X1)(一维随 机变量) 州时事 样本空间中的每 个波形记录称为 洋本函数”或 “实现 ·设Ⅺ1)的取值小于x1的概率为Pt1s1l ·所有可能出现的样本函数组成一个集合:{x,)取u PX1)≤x1是x和1的函数,记为: ·分析集合{x。(0)→随机信号的统计特性 F(x1;1)=P[X(1)≤x] 定义F1(x;t)为随机信号X(在时刻的一維分布函数(one dimension distribution function) 一维分布函数和概率密度函数的关系可表示为 为描述连续随机变量取各个可能值的概率的大小,求落入 与x+A之间的概率Pxs(1)<x+△x是有意义的 F(x,0)=P[Y()<x]= p(n, )dn p (ex, /)=GH(x, D) PI,sX()<x,+Ar] aF(xi;Ln) r,+d 表示随机变量落入极小区间的平均概率,即概率密度函数 probability density function,PDF),简称概率密度 变量穿过 xx1+d狭 因为它是在1时刻观察随机信号所取得的结果,所以又称之为 缝的概率 X的一维概率密度 按连续随机信号定义,在∞ 间存在无穷多个随机变 量,所以随机信号同时是状态x 的函数,常用概率密度 函数px)来描述其统计特性 ·几种常见的一维概率密度函数 ◆高斯( Gaussian分布,又称正态分布 ◆均匀分布:随机变量在区间,b取值的概率相等 (x-H2) P(x)=b a≤x≤b 52

2014-06-18 2 t t X(t) ( ) 1 x t ( ) 2 x t 全部可能观测到 的波形记录称为 “样本空间”或 “集合” 样本空间中的每 52 7 t ( ) 3 x t  所有可能出现的样本函数组成一个集合：{xn(t)}或X(t)  分析集合{xn(t)}  随机信号的统计特性 样本空间中的每 个波形记录称为 “样本函数”或 “实现” X(t1)=xi (t1) 一、随机信号的一维和二维分布 随机信号X(t)在t1时刻 的状态为X(t1)(一维随 机变量) 52 8 t1  设X(t1)的取值小于x1的概率为P[X(t1)x1] ( ; ) [ ( ) ] 1 1 1 1 1 F x t  P X t  x  P[X(t1)x1]是x1和t1的函数，记为：  为描述连续随机变量取各个可能值的概率的大小，求落入x 与x+x之间的概率P[xX(t1)<x+x] 是有意义的  定义 1 1 1 1 1 1 1 0 1 1 1 [ ( ) ] ( ; ) ( ; ) lim x F x t x P x X t x x p x t x            表示随机变量落入极小区间的平均概率，即概率密度函数  定义F1(x1；t1)为随机信号X(t)在t1时刻的一维分布函数(one dimension distribution function) 52 9 表示随机变量落入极小区间的平均概率，即概率密度函数 (probability density function, PDF)，简称概率密度 因为它是在t1时刻观察随机信号所取得的结果，所以又称之为 X(t)的一维概率密度  按连续随机信号定义，在-<t<+区间存在无穷多个随机变 量，所以随机信号同时是状态x和时间t的函数，常用概率密度 函数p(x,t)来描述其统计特性  一维分布函数和概率密度函数的关系可表示为：     x F1(x,t) P[X (t) x] p1(,t)d x F x t p x t    ( , ) ( , ) 1 1 x x1+dx p1(x1,t1 物理意义： )dx t1时刻随机 变量穿过 52 10 t t1 x1 变量穿过 x1~x1+dx狭 缝的概率  几种常见的一维概率密度函数：         0 else 1 ( ) a x b p x b a  均匀分布：随机变量在区间[a，b]取值的概率相等 p(x) 52 11 0 x 1/(b-a) a b          2 2 2 ( ) exp 2 1 ( ) x x x x p x     高斯(Gaussian)分布，又称正态分布： p(x) 2 x 1 52 12 0 x-x x x+x x x

2014-06-18 瑞利( Ravleigh分布 amx≥0a>0 P(x)=02 ·以上仅在r时刻观察和描述随机信号X(n ·设X(1)的取值小于x1且X(2)的取值小于x2的联合概率为 只用一维分布函数或概率密度函数来表征随机信号的统计 P(1≤x1(12)≤x2l 特性是不全面的,不能反映随机信号在各个时刻的内在联系 PY1)sr1X(2)sxl是x1、x2和1、的函数,记为: 考察随机信号在两个时刻和2的联系 F2(x1,x2,12)=PX(1)≤ t, and X(2)≤x2l 定义F2(x1,x2;12为随机信号Y(在1和2时刻的二维分布 和时刻的状态分 函数( two dimension distribution fu 别为H(1)和 定义 平州品时 P2(x12x21,t2)= Fx1≤X(1)<x+A1andx2≤X(12)<x2+Ax2l 为X(的二维概率密度函数 随机信号的n维分布 ·一般用足够多时刻r12、…L来定义n个随机变量X1) ·用m维联合分布函数 Goint distribution function来描述 PX(1)≤ x,and x(t2)≤x2and…andX(tn)≤xn 随机信号X的m维联合概率密度函数( joint probability density funetion)为 Palrsxxifp. f2)dr dxy a F(x,x, 物理意义:随机变量1时刻穿过xrx1+dr狭且2时刻穿 ·n越大,用n维PDF描述随机信号的统计特性越全面 过x2-x2+dx狭缝的概率 实际中为简便起见,往往只考虑一阶和〓阶概率密度函数

2014-06-18 3                 0 else 0 2 exp ( ) 2 2 2 x x x p x    瑞利(Rayleigh)分布： p(x) 52 13 0 x        0 else 0, 0 ( ) ae x a p x ax  指数分布： p(x) 52 14 0 x  以上仅在t1时刻观察和描述随机信号X(t)  只用一维分布函数(或概率密度函数)来表征随机信号的统计 特性是不全面的，不能反映随机信号在各个时刻的内在联系  考察随机信号在两个时刻t1和t2的联系 随机信号X(t)在t1 和t2时刻的状态分 为 52 15 t1 t2 别为X(t1)和X(t2)  设X(t1)的取值小于x1且X(t2)的取值小于x2的联合概率为 P[X(t1)x1,X(t2)x2] ( , ; , ) [ ( ) and ( ) ] 2 1 2 1 2 1 1 2 2 F x x t t  P X t  x X t  x  P[X(t1)x1,X(t2)x2]是x1、x2和t1、t2的函数，记为：  定义F2(x1, x2 ; t1, t2)为随机信号X(t)在t1和t2时刻的二维分布 函数(two dimension distribution function) 52 16  定义 1 2 2 1 2 1 2 2 1 2 1 1 1 1 2 2 2 2 0, 0 2 1 2 1 2 ( , ; , ) [ ( ) and ( ) ] ( , ; , ) lim 1 2 x x F x x t t x x P x X t x x x X t x x p x x t t x x                    为X(t)的二维概率密度函数 x1 x1+dx1 x2 x2+dx2 52 17 物理意义：随机变量t1时刻穿过x1~x1+dx1狭缝且t2时刻穿 过x2~x2+dx2狭缝的概率 t t1 x1 p2(x1, x2;t1, t2)dx1dx2 t2 x2  一般用足够多时刻t1、t2、…、tn来定义n个随机变量X(t1)、 X(t2)、…、X(tn)  用n维联合分布函数(joint distribution function)来描述： 二、随机信号的n维分布 [ ( ) and ( ) and and ( ) ] ( , , , ; , , , ) 1 1 2 2 1 2 1 2 n n n n n P X t x X t x X t x F x x x t t t        52 18  随机信号X(t)的n维联合概率密度函数 (joint probability density function)为  n越大，用n维PDF描述随机信号的统计特性越全面  实际中为简便起见，往往只考虑一阶和二阶概率密度函数 n n n n n n n n x x x F x x x t t t p x x x t t t           1 2 1 2 1 2 1 2 1 2 ( , , , ; , , , ) ( , , , ; , , , )

2014-06-18 三、平稳随机信号 §22随机信号的平均表征 ·随机信号可以分为:平稳 stationary)随机信号和非平稳 随机信号的集平均表征量 ·平稳随机信号:随机信号的统计特性与开始进行统计分析 value):数学期望( mathematical expectation)、 的时刻无关 一阶原点矩( moment about origin) 对于n维联合分布函数和概率密度函数,有 随机信号X(0的所有样本函数在同一时刻的取值xYn是 随机变量,其统计平均值称为集平均,简称均 Fn(x1,x2,…,xn;1,t2;…,Ln) 若x的概率密度函数为p(xn),则随机信号的均值为: Fn(x,x2,…,xn;1+r,12+r,…n+r) ELX(l=xp(s,I)dr=a(0) Pn(x1,x2…,xn,1,12…,n) 若随机信号是平稳的,→x的概率密度函数p(x,n与时间无 =Pn(x1,x2…,xn1+r,12+r,…,tn+r) 关,记为p(x),则随机信号的均值为常数 ELX(O= xp(x)dr=a 着随机信号的幅度是高散的,取值为xn的概率为Pxn1),则 它的均值为 3、方差( vanance):二阶中心矩 EX()=∑xP(x,1)=a() ·方差说明随机信号各可能值对箕平均值的偏离程度,是随 机信号在均值上下起伏程度的一种度量 对平稳随机信号,类似有: 方差定义为可能值偏离其平均值的平方的数竽期望 Ex()=∑xP(x)=a DX)=印x(0)-a(o=1x-a0fp(x,)d 2、均方值( mean square value):二阶原点矩 方差的平方根称为随机信号的标准差( standard deviation), 也称均方差或一阶中心矩 随机信号X(0的所有样本函数在同一时刻的取值的平方 的统计平均位称为均方值 o()=√DX( 对平稳随机信号,有 印Xx()]=|xFPp(x,a DLX(=ELX(-afl=Clx-al' p(r)dr=o2 21 ·物理意义 4、自相关函数( autocorrelation function) 若X(代变1欧爆电阻上的噪产电压,则 自相关函数(二阶混合原点矩):表征一个随机信号在任意 数学期望的平方等效于某一时刻消耗在电阻上的直流功率 两个时刻r1、l2的状态间的相关程度 x214)为相应的二维概率密度函数,则X的自相 均方值表示消耗在电阻上的瞬时功率统计平均值 ◆方差代表消耗在电阻上的瞬时交漉功率统计平均值 R2(1,l2)=Ex(1)X(U2 (方差)为概率分布的高散程度提供一种度量 [上P2(x,:1M山 过程偏高均值的高散程度 为更全面掌握随机信号的统计特性,二阶以上 对平稳随机信号,有 其它方面,如分布函数的对称性(三阶中 线的快慢等来描述随机过程的数字特征 R(14)=R(1-)=R()=厂⊥x2(x,不 其中rtr12 平稳随机信号的自相关函数只与相对 时间间隔r有关,与时间起点无关 4

2014-06-18 4  随机信号可以分为：平稳(stationary)随机信号和非平稳 (non-stationary)随机信号  平稳随机信号：随机信号的统计特性与开始进行统计分析 的时刻无关  对于n维联合分布函数和概率密度函数，有： 三、平稳随机信号 52 19 ( , , , ; , , , ) ( , , , ; , , , ) ( , , , ; , , , ) ( , , , ; , , , ) 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2               n n n n n n n n n n n n p x x x t t t p x x x t t t F x x x t t t F x x x t t t         1、均值(mean value)：数学期望(mathematical expectation)、 一阶原点矩(moment about origin) §2.2 随机信号的平均表征 一、随机信号的集平均表征量  随机信号X(t)的所有样本函数, 在同一时刻t的取值x=X(t)是 一随机变量，其统计平均值称为集平均，简称均值 若 的概率密度 数为 则 机信 的均值为 52 20 E[X (t)]  xp(x,t)dx  a(t)     若x的概率密度函数为p(x,t)，则随机信号的均值为：  若随机信号是平稳的，x的概率密度函数p(x,t)与时间无 关，记为p(x)，则随机信号的均值为常数： E X t  xp x dx  a    [ ( )] ( )  若随机信号的幅度是离散的，取值为xn的概率为P(xn,t)，则 它的均值为： E X t x P x a n [ ( )]   n ( n )   对平稳随机信号，类似有： E[X (t)] x P(x ,t) a(t) n   n n  52 21    E[| X (t) | ]  | x | p(x,t)dx 2 2 2、均方值(mean square value)：二阶原点矩  随机信号X(t)的所有样本函数, 在同一时刻t的取值x的平方 的统计平均值称为均方值 3、方差(variance)：二阶中心矩  方差说明随机信号各可能值对其平均值的偏离程度, 是随 机信号在均值上下起伏程度的一种度量  方差定义为可能值偏离其平均值的平方的数学期望：    D[X (t)]  E[| X (t)  a(t)| ]  | x  a(t)| p(x,t)dx 2 2 方差的平方根称为随机信号的标准差( t d d d i ti ) 52 22  (t)  D[X (t)]  方差的平方根称为随机信号的标准差(standard deviation)， 也称均方差或一阶中心矩  对平稳随机信号，有： 2 2 2 [ ( )]  [| ( )  | ]  |  | ( )     D X t E X t a x a p x dx 若X(t)代表1欧姆电阻上的噪声电压，则：  数学期望的平方等效于某一时刻消耗在电阻上的直流功率  均方值表示消耗在电阻上的瞬时功率统计平均值  方差代表消耗在电阻上的瞬时交流功率统计平均值  物理意义： 阶中心矩(方差)为概率分布的离散程度提供 种度量 52 23  二阶中心矩(方差)为概率分布的离散程度提供一种度量， 用来描述随机过程偏离均值的离散程度  可以推想：为更全面掌握随机信号的统计特性，二阶以上 的高阶中心矩则从其它方面，如分布函数的对称性(三阶中 心矩)、分布曲线的快慢等来描述随机过程的数字特征 4、自相关函数(autocorrelation function) * 2 * 1 2 1 ( ; ) ( , ) [ ( ) ( )] x x p x x t t dx dx R t t E X t X t x          自相关函数(二阶混合原点矩) ：表征一个随机信号在任意 两个时刻t1、t2的状态间的相关程度  设p2(x1,x2;t1,t2)为相应的二维概率密度函数，则X(t)的自相 关函数为： 52 24 1 2 2 1 2 1 2 1 2 x x p (x , x ;t ,t )dx dx       对平稳随机信号，有： 2 1 2 1 2 * 1 2 1 2 R (t ,t ) R (t,t ) R ( ) x x p (x , x ; )dx dx x x x             其中 =t1-t2 平稳随机信号的自相关函数只与相对 时间间隔 有关，与时间起点无关

2014-06-18 当r=0时,随机信号的自相关值即其均方值 6、平稳随机倍号与广义平稳随机信号 R,(O)=xp(kr=[xf p(rkx=ELLX(orl (1)平稳随机信号( Stationary random signal) 随机信号X,给定时刻1,随机变量X1)的概率密度函 表示随机信号的平均功率 数为x1):给定时刻、2,随机变量Y1和X(2)的概率密度 函数为px1x2:12 Ln,随机变量 ·互相关函数:表征两个随机信号分别在两个时刻1、2的 若任意移动一个时间△后,各概率密度函数仍保持不变 状态间的相关程度 为两个随机信号的二维联合概率密度函数, p(x1,h1)=p(x1,1+△n 则X(A和 p(x1,x2;t1,2)=P(x1,x2+M,2+△) R(4.)=EX(G()=x2(xy4hh p(x1,…,xn1,…,n)=p(x1…,xn;+△t,…,n+A)(3) 对平稳随机信号,互相关函数只是r的函数: 满足(1)的 满足(2)的 R, (r)=ELY(Y(-x)]=lr'P2(r,),rkdrdcy 满足(3)的 机信号 概率密度函数不随时间平移而变化的一类随机信号,称 对于平稳随机信号,且有 I(OF=DIX(OFELX(OI=0+laF 不满足上式的称为非平稳随机倍号 机信号也称为严格平稳随机信号或狭义平稳随 证:xo)=1x0-a[1x-apxk[(x-0x-0)xkh 时于平稳随机信号,有 wx)+a上 ELX(]= xp( =印X()]-aa-aa+|a11=印X)P}|a ElX(F]=DIX(OlaF=a+laF F】=1xFp(xlh ·平稳随机信号相关函数的主要特征 DLX(]=ELLX(-al']=[lx-af' p(rhdrsd' 1)r=0时的自相关函数具有最大值:R(O)≥R(r R()=x()x(-=厂广x(,x血 R,(r)=ELX(Y(-r)]=Cr'ps(x,,rydudy 对实随机信号,其相关函数为实偶函数 R2(-r)=R2(r),Rx(-r)=R(r) 3)自相关函数的极限值: 例1试求瑞利型概率密度函数的均值、均方和方差 lim r,(r)EXO=al 为实信号,且x)={a R,(O)=El X(OR 随机信号Ⅺ(n的均值为0时,有 w-2) =0+e (2)广义平稳随机信号 广义平稳随机信号:坳值、均方、方差与时间无关,相 o 狭义平稳随机信号一定是广义随机平稳信号 广义平稳随机信号不一定是狭义随机平稳信号 5

2014-06-18 5  当 =0时，随机信号的自相关值即其均方值： (0) ( ) | | ( ) [| ( )| ] * 2 2 R xx p x dx x p x dx E X t x          表示随机信号的平均功率 5、互相关函数(cross-correlation function)  互相关函数 ：表征两个随机信号分别在两个时刻t1、t2的 状态间的相关程度 52 25 R t t E X t Y t xy p x y t t dxdy xy       ( , )  [ ( ) ( )]  ( , , ; ) 2 1 2 * 2 * 1 2 1 R E X t Y t xy p x y dxdy xy       ( )  [ ( ) (  )]  ( , , ) 2 * *    状态间的相关程度  设p2(x, y;t1,t2)为两个随机信号的二维联合概率密度函数， 则X(t)和Y(t)的互相关函数为：  对平稳随机信号，互相关函数只是 的函数： (1) 平稳随机信号(Stationary random signal)  对一随机信号X(t)，给定时刻t1，随机变量X(t1)的概率密度函 数为p(x1;t1)；给定时刻t1、t2，随机变量X(t1)和X(t2)的概率密度 函数为p(x1,x2;t1,t2)；…；给定时刻t1、t2、…、tn，随机变量 X(t1)、X(t2)、…、X(tn)的概率密度函数为p(x1,x2,…,xn;t1,t2,…, tn)  若任意移动一个时间t后，各概率密度函数仍保持不变： 6、平稳随机信号与广义平稳随机信号 52 26 满足(1)的，称为一阶平稳 满足(2)的，称为二阶平稳 满足(3)的，称为n阶平稳随机信号 ( , ) ( , ) 1 1 1 1 p x t  p x t  t ( , ; , ) ( , ; , ) 1 2 1 2 1 2 1 2 p x x t t  p x x t  t t  t (1) (2) ( , , ; , , ) ( , , ; , , ) (3) 1 1 1 1 p x x t t p x x t t t t  n  n   n    n    概率密度函数不随时间平移而变化的一类随机信号，称 为平稳随机信号  不满足上式的称为非平稳随机信号  n阶平稳随机信号也称为严格平稳随机信号或狭义平稳随 机信号  对于平稳随机信号，有： E X t  xp x dx  a    [ ( )] ( ) 52 27    E[| X (t) | ]  | x | p(x)dx 2 2 2 2 2 [ ( )]  [| ( )  | ]  |  | ( )      D X t E X t a x a p x dx 2 1 2 1 2 * 1 2 * R ( ) E[X (t)X (t )] x x p (x , x ; )dx dx x            R E X t Y t xy p x y dxdy xy       ( )  [ ( ) (  )]  ( , , ) 2 * *     对于平稳随机信号，且有： 2 2 2 2 2 * * 2 2 2 * * * * [| ( )| ] [ ( )] | | | | [| ( ) | ] | | 1 [| ( )| ] | | ( ) ( ) ( ) ( ) E X t D X t a a E X t a a a a a E X t a xx p x dx a x p x dx a xp x dx aa p x dx                                证：D X t E X t a x a p x dx x a x a p x dx       [ ( )]  [| ( )  | ]  |  | ( )  (  )(  ) ( ) 2 2 * 2 2 2 2 E[| X (t)| ]  D[X (t)] | E[X (t)]|    | a | 52 28  E[| X (t)| ]  D[X (t)] | a |   | a | (0) ( ) Rx  Rx  平稳随机信号相关函数的主要特征 1)  时的自相关函数具有最大值： 2) 共轭对称性： ( ) ( ), ( ) ( ) * *     Rx   Rx Ryx   Rxy 对实随机信号，其相关函数为实偶函数： (  ) ( ), (  ) ( ) Rx   Rx Ryx   Rxy (0) [| ( ) | ] lim ( ) | [ ( )]| | | 2 2 2 | | R E X t R E X t a x x       3) 自相关函数的极限值： lim ( ) 0 | | Rx   随机信号X(t)的均值为0时，有： 52 29 | | x (2) 广义平稳随机信号  广义平稳随机信号：均值、均方、方差与时间无关，相 关函数只与时间间隔 有关  狭义平稳随机信号一定是广义随机平稳信号  广义平稳随机信号不一定是狭义随机平稳信号 例1 试求瑞利型概率密度函数的均值、均方和方差 解：                  0 0 0 2 exp ( ) 2 2 2 x x x x  x为实信号，且 p x      2 exp 2 ( ) 2 2 ( ) ( ) exp 0 2 2 2 0 2 2 2 2                                             dx x x dx x x x E x xp x dx 52 30             2 2 1 2 2 exp 2 1 2 1 2 2 exp 2 1 2 2 0 exp 2 ( 1) exp 2 ( )exp 2 2 0 2 2 0 2 2 0 2 2 0 2 2                                                                           dx x dx x dx x dx x x x