【通信原理笔记】【二】随机信号分析——2.4 复随机过程

文章目录

  • 前言
  • 一、复随机过程
    • 1.1定义
    • 1.2 复平稳过程
  • 二、平稳带通过程分析
    • 2.1 解析过程
    • 2.2 随机过程的复包络
  • 三、平稳序列与循环平稳
  • 总结


前言

目前为止,我们对实随机过程的分析方法已经基本掌握了。像复信号一样,我们也会有需要处理复随机过程的时候,这篇笔记我们就来学习一下复随机过程。

强调一下,由于平稳过程的均值是常数,在讨论平稳随机过程时都会默认做了零均值处理,即默认任意涉及到的平稳过程均为零均值随机过程。


一、复随机过程

1.1定义

复随机过程 Z ( t ) = X ( t ) + j Y ( t ) Z(t)=X(t)+jY(t) Z(t)=X(t)+jY(t)是由一对实随机过程组成。其均值根据定义容易得到,自相关函数定义则需要加上共轭符号:

E Z ( t ) = E X ( t ) + j E Y ( t ) EZ(t)=EX(t)+jEY(t) EZ(t)=EX(t)+jEY(t)
R Z ( t , τ ) = E Z ∗ ( t ) Z ( t + τ ) = E { [ X ( t ) + j Y ( t ) ] ∗ [ X ( t + τ ) + j Y ( t + τ ) ] } R_Z(t,\tau)=EZ^*(t)Z(t+\tau)=E\left\{[X(t)+jY(t)]^*[X(t+\tau)+jY(t+\tau)]\right\} RZ(t,τ)=EZ(t)Z(t+τ)=E{[X(t)+jY(t)][X(t+τ)+jY(t+τ)]}
= R X ( t , τ ) + R Y ( t , τ ) − j R X Y ( t , τ ) − j R Y X ( t , τ ) =R_X(t,\tau)+R_Y(t,\tau)-jR_{XY}(t,\tau)-jR_{YX}(t,\tau) =RX(t,τ)+RY(t,τ)jRXY(t,τ)jRYX(t,τ)

此外,还可以定义一个共轭自相关函数,即复随机过程 Z ( t ) Z(t) Z(t)与自身共轭 Z ∗ ( t ) Z^*(t) Z(t)的自相关函数:

R Z Z ∗ ( t , τ ) = E ( Z ∗ ( t ) Z ∗ ( t + τ ) ) R_{ZZ^*}(t,\tau)=E(Z^*(t)Z^*(t+\tau)) RZZ(t,τ)=E(Z(t)Z(t+τ))

注意共轭自相关函数交换顺序结果是不一样的,他们的结果是共轭的关系。

1.2 复平稳过程

复平稳过程的定义就是需要其实部虚部联合平稳,这个定义有个等价定义:复随机过程 Z ( t ) Z(t) Z(t)的均值为常数,其自相关函数与共轭自相关函数只与时间差有关。下面来简单证明一下这两个定义等价

先证“=>”:

E Z ( t ) = m X + j m Y EZ(t)=m_X+jm_Y EZ(t)=mX+jmY,
R Z ( t , τ ) = R X ( t , τ ) + R Y ( t , τ ) − j R X Y ( t , τ ) − j R Y X ( t , τ ) R_Z(t,\tau)=R_X(t,\tau)+R_Y(t,\tau)-jR_{XY}(t,\tau)-jR_{YX}(t,\tau) RZ(t,τ)=RX(t,τ)+RY(t,τ)jRXY(t,τ)jRYX(t,τ)
= R X ( τ ) + R Y ( τ ) − j R X Y ( τ ) − j R Y X ( τ ) =R_X(\tau)+R_Y(\tau)-jR_{XY}(\tau)-jR_{YX}(\tau) =RX(τ)+RY(τ)jRXY(τ)jRYX(τ),
R Z Z ∗ ( t , τ ) = R X ( t , τ ) + R Y ( t , τ ) − j R X Y ( t , τ ) − j R Y X ( t , τ ) R_{ZZ^*}(t,\tau)=R_X(t,\tau)+R_Y(t,\tau)-jR_{XY}(t,\tau)-jR_{YX}(t,\tau) RZZ(t,τ)=RX(t,τ)+RY(t,τ)jRXY(t,τ)jRYX(t,τ)
= R X ( τ ) − R Y ( τ ) − j R X Y ( τ ) − j R Y X ( τ ) =R_X(\tau)-R_Y(\tau)-jR_{XY}(\tau)-jR_{YX}(\tau) =RX(τ)RY(τ)jRXY(τ)jRYX(τ),

再证明“<=”:

先证 X ( t ) X(t) X(t)为平稳过程
E X ( t ) = E Z ( t ) / 2 + E Z ∗ ( t ) / 2 = m Z / 2 + m Z ∗ / 2 EX(t)=EZ(t)/2+EZ*(t)/2=m_Z/2+m^*_Z/2 EX(t)=EZ(t)/2+EZ(t)/2=mZ/2+mZ/2
R X ( t , τ ) = 1 4 E { [ Z ( t ) + Z ∗ ( t ) ] [ Z ( t + τ ) + Z ∗ ( t + τ ) ] } R_X(t,\tau)=\frac{1}{4}E\left\{[Z(t)+Z^*(t)][Z(t+\tau)+Z^*(t+\tau)]\right\} RX(t,τ)=41E{[Z(t)+Z(t)][Z(t+τ)+Z(t+τ)]}
= R Z ∗ Z ( τ ) + R Z ( τ ) + R Z Z ∗ ( τ ) + R Z ∗ ( τ ) =R_{Z^*Z}(\tau)+R_Z(\tau)+R_{ZZ^*}(\tau)+R^*_Z(\tau) =RZZ(τ)+RZ(τ)+RZZ(τ)+RZ(τ)
同理可以证得 Y ( t ) Y(t) Y(t)也是平稳过程,且他们联合平稳。

二、平稳带通过程分析

2.1 解析过程

和带通信号分析一样,平稳带通过程(功率谱集中在频带的平稳过程)也可以通过引入解析过程与复包络来实现等效系带分析。先考虑一个零均值带通平稳过程 X ( t ) X(t) X(t),可以得到它的解析过程:

Z ( t ) = X ( t ) + j X ^ ( t ) Z(t)=X(t)+j\hat{X}(t) Z(t)=X(t)+jX^(t)

通过上一篇的结论我们知道, X ( t ) , X ^ ( t ) X(t),\hat{X}(t) X(t),X^(t)联合平稳,因此 Z ( t ) Z(t) Z(t)为复平稳随机过程,计算它的自相关函数有:

R Z ( t ) = E [ X ( t ) − j X ^ ( t ) ] [ X ( t + τ ) + j X ^ ( t + τ ) ] R_Z(t)=E[X(t)-j\hat{X}(t)][X(t+\tau)+j\hat{X}(t+\tau)] RZ(t)=E[X(t)jX^(t)][X(t+τ)+jX^(t+τ)]
= R X ( τ ) − j R X ^ X ( τ ) + j R X X ^ ( τ ) + R X ^ ( τ ) =R_X(\tau)-jR_{\hat{X}X}(\tau)+jR_{X\hat{X}}(\tau)+R_{\hat{X}}(\tau) =RX(τ)jRX^X(τ)+jRXX^(τ)+RX^(τ)
由上一篇的结论: R X ( τ ) = R X ^ ( τ ) , R X ^ X ( τ ) = R X X ^ ( − τ ) = R ^ X ( τ ) R_X(\tau)=R_{\hat{X}}(\tau),R_{\hat{X}X}(\tau)=R_{X\hat{X}}(-\tau)=\hat{R}_X(\tau) RX(τ)=RX^(τ),RX^X(τ)=RXX^(τ)=R^X(τ),进一步化简结果有:
= 2 R X ( τ ) + 2 j R ^ X ( τ ) =2R_X(\tau)+2j\hat{R}_X(\tau) =2RX(τ)+2jR^X(τ)

这个形式其实就是 R X ( τ ) R_X(\tau) RX(τ)的解析信号的两倍,因此有类似于确定信号的解析信号的关系:

P Z ( f ) = 4 P X ( f ) , f > 0 P_Z(f)=4P_X(f),f>0 PZ(f)=4PX(f)f>0

(注意,这里将自相关函数看作信号,解析信号的频谱是原频谱的两倍,再乘上2才变成了四倍。)

类似的可以计算 Z ( t ) Z(t) Z(t)的共轭自相关函数,这里不再重复,化简之后得到的结果是 R Z Z ∗ ( τ ) = 0 R_{ZZ^*}(\tau)=0 RZZ(τ)=0即解析过程与自身的共轭过程不相关

2.2 随机过程的复包络

类似于确定信号,我们有带通过程 X ( t ) X(t) X(t)的复包络:

X L ( t ) = Z ( t ) e − j 2 π f c t X_L(t)=Z(t)e^{-j2\pi f_ct} XL(t)=Z(t)ej2πfct

依次计算其均值,自相关函数,共轭自相关函数:

E X L ( t ) = e − j 2 π f c t E Z ( t ) = 0 , EX_L(t)=e^{-j2\pi f_ct}EZ(t)=0, EXL(t)=ej2πfctEZ(t)=0,
E X L ∗ ( t ) X L ( t + τ ) = E Z ∗ ( t ) e j 2 π f c t Z ( t + τ ) e − j 2 π f c ( t + τ ) EX^*_L(t)X_L(t+\tau)=EZ^*(t)e^{j2\pi f_ct}Z(t+\tau)e^{-j2\pi f_c(t+\tau)} EXL(t)XL(t+τ)=EZ(t)ej2πfctZ(t+τ)ej2πfc(t+τ)
= R Z ( τ ) e − j 2 π f c τ =R_Z(\tau)e^{-j2\pi f_c\tau} =RZ(τ)ej2πfcτ
E X L ( t ) X L ( t + τ ) = E Z ( t ) Z ( t + τ ) e − j 2 π f c t e − j 2 π f c ( t + τ ) EX_L(t)X_L(t+\tau)=EZ(t)Z(t+\tau)e^{-j2\pi f_ct}e^{-j2\pi f_c(t+\tau)} EXL(t)XL(t+τ)=EZ(t)Z(t+τ)ej2πfctej2πfc(t+τ)
R Z Z ∗ ( τ ) e − j 2 π f c ( 2 t + τ ) = 0 R_{ZZ^*}(\tau)e^{-j2\pi f_c(2t+\tau)}=0 RZZ(τ)ej2πfc(2t+τ)=0

可以看到,平稳带通过程的复包络是复平稳过程,且其与自身的共轭过程不相关。进一步也可以看到复包络的功率谱是平稳带通过程的功率向左搬移 f c f_c fc的四倍。与确定信号分析中的结果一致。此外,既然该复包络是复平稳过程,根据等价定义,则有其实部虚部联合平稳。

三、平稳序列与循环平稳

这两个内容不准备单独写一篇了,并不算是重点内容,就在这简单提一下把,之后如果有用到这些概念再做详细介绍。

所谓随机序列就是把时间离散化,变成整数时间序列 n n n。所以平稳随机序列就是其均值为常数,自相关函数仅与时间序列差有关。

循环平稳则是进一步放宽了平稳过程的条件,即随机过程的均值和自相关函数是关于时间 t t t的周期函数。


总结

这一篇介绍了复随机过程以及复平稳过程,这一节与确定信号分析中的带通信号及复包络那节类似。

下一篇将会介绍高斯随机过程,这是一种非常重要的随机过程模型。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/752985.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

工业母机5G智能制造工厂数字孪生可视化平台,推进行业数字化转型

随着科技的不断进步和工业的快速发展&#xff0c;数字化转型已成为工业领域的重要趋势。工业母机作为制造业的核心设备&#xff0c;其智能化、自动化水平的提升对于整个工业的发展具有重要意义。5G技术的广泛应用&#xff0c;为智能制造工厂提供了更为可靠、高速的网络连接&…

OSError: We couldn‘t connect to ‘https://huggingface.co‘ to load this file

想折腾bert的同学&#xff0c;应该也遇到这个问题。 一、报错信息分析 完整报错信息&#xff1a;OSError: We couldnt connect to https://huggingface.co to load this file, couldnt find it in the cached files and it looks like google/mt5-small is not the path to a…

力扣刷题Days20-151. 反转字符串中的单词(js)

目录 1,题目 2&#xff0c;代码 1&#xff0c;利用js函数 2&#xff0c;双指针 3&#xff0c;双指针加队列 3&#xff0c;学习与总结 1&#xff0c;正则表达式 / \s /&#xff1a; 2&#xff0c;结合使用 split 和正则表达式&#xff1a; 1,题目 给你一个字符串 s &am…

Docker学习之使用harbor搭建私有仓库(超详解析)

实验目的&#xff1a; 使用centos7&#xff0c;基于harbor构建私有仓库 实验步骤&#xff1a; 下载相关安装包和依赖&#xff1a; [rootlocalhost ~]# yum install -y yum-utils device-mapper-persistent-data lvm2 wget //安装docker所需要的相关依赖 [rootlocalhost ~]#…

PaddleOCR识别框架解读[14] OCR数据集

文章目录 1. 文本检测1.1 PaddleOCR 文字检测数据格式1.2 公开数据集1.2.1 ICDAR 20152. 文本识别2.1 PaddleOCR 文字识别数据格式2.2 公开数据集2.2.1 ICDAR 20153. 数据存放路径这里整理了OCR中常用的公开数据集,持续更新中,欢迎各位小伙伴贡献数据集~ 1. 文本检测 1.1 P…

山景BP1048 升级狗烧写

1.打开MVAssistant_BP10xx工具&#xff0c;在芯片型号栏中选择B1X系列。 2.模式选择 选 M2.仅升级Flash SH(可选) 3 .Code数据选择SDK编译好的bin文件 4.const数据选择编译好的提示音bin文件。 5.点击升级狗下载。 6. 如下图所示&#xff0c;出现提示为正在给升级狗正在下载程…

git pull 报错: 在签出前,请清理存储库工作树

问题&#xff1a; 使用vscode 用git 拉取代码&#xff0c;提示&#xff1a;在签出前&#xff0c;请清理存储库工作树** 原因&#xff1a; git仓库上的代码和本地代码存在冲突了所以会报这个报错。 解决办法&#xff1a; ①git stash 先将本地修改存储起来 ②git pull 拉取远…

创新应用2:nnmf+DBO+K-Medoids聚类,蜣螂优化算法DBO优化K-Medoids,适合学习和发paper。

创新应用2&#xff1a;nnmfDBOK-Medoids聚类&#xff0c;蜣螂优化算法DBO优化K-Medoids&#xff0c;适合学习和发paper。 一、蜣螂优化算法 摘要&#xff1a;受蜣螂滚球、跳舞、觅食、偷窃和繁殖等行为的启发&#xff0c;提出了一种新的基于种群的优化算法(Dung Beetle Optim…

多个图片怎么变成一张动图?一个方法在线操作

如何将图片变成gif动画&#xff1f;gif动图文件体积、画面丰富兼容性也比较高。通过多张静图就能够制作一张gif动画&#xff0c;能够自己制作生动有趣的gif动态图片能更好的传达信息。只需要使用在线图片合成&#xff08;https://www.gif.cn/&#xff09;工具&#xff0c;上传j…

【C语言基础】:字符函数和字符串函数

文章目录 一、字符函数1. 字符分类函数2. 字符转化函数 二、字符串函数1. strlen函数的使用和模拟实现strlen函数的使用strlen函数的模拟实现 2. strcpy函数的使用和模拟实现strcpy函数的使用strcpy函数的模拟实现 3. strcat函数的使用和模拟实现strcat函数的使用strcat函数的模…

el-table树形数据序号排序处理

1&#xff0c;用下面这个代码可以实现基本表格的序号排序 <el-table-column label"序号" width"50px" align"center"><template slot-scope"scope">{{ scope.$index 1 }}</template></el-table-column>2&…

【LeetCode热题100】104. 二叉树的最大深度(二叉树)

一.题目要求 给定一个二叉树 root &#xff0c;返回其最大深度。 二叉树的 最大深度 是指从根节点到最远叶子节点的最长路径上的节点数。 二.题目难度 简单 三.输入样例 示例 1&#xff1a; 输入&#xff1a;root [3,9,20,null,null,15,7] 输出&#xff1a;3 示例 2&am…

训练数据集(一):真实场景下采集的煤矸石目标检测数据集,可直接用于YOLOv5/v6/v7/v8训练

文章目录 数据集介绍数据集训练精度展示数据集获取方式 数据集介绍 煤矸石训练数据集&#xff1a;891张&#xff1b;验证数据数据集&#xff1a;404张 数据集类别&#xff1a;0代表煤炭&#xff08;coal&#xff09;&#xff0c;1代表矸石&#xff08;gangue&#xff09;&…

Git reset命令后如何恢复到最新版本

文章目录 Git reset命令后如何恢复到最新版本使用git reflog命令使用git checkout命令 总结 Git reset命令后如何恢复到最新版本 Git reset命令后&#xff0c;可以使用以下两种方法恢复到最新版本&#xff1a; 使用git reflog命令 git reflog该命令可以查看所有Git操作的记录…

【C语言】比较两个字符串大小,strcmp函数

目录 一&#xff0c;strcmp函数 1&#xff0c;strcmp函数 2&#xff0c;函数头文件&#xff1a; 3&#xff0c;函数原型&#xff1a; 4&#xff0c;返回取值&#xff1a; 二&#xff0c;代码实现 三&#xff0c;小结 一&#xff0c;strcmp函数 1&#xff0c;strcmp函数 …

docxTemplater——从word模板生成docx文件

官网文档&#xff1a;Get Started (Browser) | docxtemplater 官网在线演示&#xff1a;Demo of Docxtemplater with all modules active | docxtemplater 源码&#xff1a;https://github.com/open-xml-templating/docxtemplater 不仅可以处理word&#xff08;免费&#xf…

【ArcGIS 脚本工具】强制移动要素类,绕过空间参考不一致

作为一个合格的数据管家&#xff0c;自然要让自己的数据库井井有条。 于是想着整理一下数据库里面的七零八落的要素类&#xff0c;按 数据库-要素数据集-要素类 的方式整理。 但是将要素类移动到要素数据集内的时候经常会出现下面的报错。 这大概率是因为要素类的坐标系与目标…

使用ChatGPT高效完成简历制作[中篇2]-有爱AI实战教程(九)

演示站点&#xff1a; https://ai.uaai.cn 对话模块 官方论坛&#xff1a; www.jingyuai.com 京娱AI 一、导读&#xff1a; 在使用 ChatGPT 时&#xff0c;当你给的指令越精确&#xff0c;它的回答会越到位&#xff0c;举例来说&#xff0c;假如你要请它帮忙写文案&#xff0c…

0301taildir-source报错-flume-大数据

1 基础环境简介 linux系统&#xff1a;centos&#xff0c;前置安装&#xff1a;jdk、hadoop、zookeeper、kafka&#xff0c;版本如下 软件版本描述centos7linux系统发行版jdk1.8java开发工具集hadoop2.10.0大数据生态基础组件zookeeper3.5.7分布式应用程序协调服务kafka3.0分…

vue双向数据绑定原理

一、什么是双向数据绑定&#xff1f; 双向数据绑定指的是Vue 会自动跟踪数据状态并在其发生变化时响应式地更新 DOM&#xff0c;且DOM更新时&#xff0c;数据也会进行相应的更新。 二、Vue双向数据绑定原理 vue双向数据绑定原理主要是依靠数据劫持结合发布者-订阅者的方式来实…