8.1随机信号的基本概念
8.1随机信号的基本概念
随机信号的基本概念 (基于随机信号处理领域第八章 8.1)
在信号处理领域，我们经常遇到确定性信号和随机信号。确定性信号可以用明确的数学公式描述，例如正弦波、阶跃函数等。而随机信号则无法用确定性的数学公式精确描述，其幅值在时间上表现出随机性。随机信号处理是研究如何分析、建模和利用这些随机信号的学科。本章主要介绍随机信号的基本概念，为后续深入研究随机信号处理打下基础。
8.1.1 随机变量与随机过程
理解随机信号，首先要理解随机变量和随机过程的概念。
-
随机变量 (Random Variable): 随机变量是一个取值具有不确定性的变量。它可以是离散的（只能取有限个或可数个值），也可以是连续的（可以取某个区间内的任意值）。每个随机变量都有一个概率分布，描述了该变量取不同值的概率。
-
离散随机变量: 例如，抛硬币的结果（正面或反面），一天内到达某站点的车辆数。
-
连续随机变量: 例如，某时刻的环境温度，某个电子元件的寿命。
-
-
随机过程 (Random Process): 随机过程是随机变量的集合，这些随机变量依赖于一个参数，通常是时间。换句话说，随机过程是随机变量随时间演化的过程。我们可以将随机过程看作是时间 t 的函数，对于每个固定的 t，X(t) 是一个随机变量。
- 例子: 噪声信号、股票价格随时间的变化、语音信号。
graph TD
A[时间 t] --> B(随机变量 X t);
B --> C{概率分布}
上图简单描述了随机过程的定义，对于每一个时间点 t，都对应一个随机变量 X(t)，而每一个随机变量都有其对应的概率分布。 ### 8.1.2 随机过程的统计描述 由于随机过程的随机性，我们无法用确定性的函数来描述它。因此，我们需要用统计方法来描述随机过程的特性。常用的统计描述包括： * **均值函数 (Mean Function):** 均值函数描述了随机过程在每个时刻的平均值。定义为： `μ(t) = E[X(t)]` 其中 E[.] 表示期望运算。均值函数描述了随机过程的中心位置随时间的变化。 * **自相关函数 (Autocorrelation Function):** 自相关函数描述了随机过程在不同时刻之间的相关性。定义为： `R(t1, t2) = E[X(t1)X(t2)]` 自相关函数描述了随机过程在 t1 和 t2 时刻的取值之间的线性相关程度。如果 t1 = t2，则 R(t, t) = E[X(t)^2]，表示随机过程在 t 时刻的平均功率。 * **自协方差函数 (Autocovariance Function):** 自协方差函数描述了随机过程在不同时刻之间的协方差。定义为： `C(t1, t2) = E[(X(t1) - μ(t1))(X(t2) - μ(t2))]` 自协方差函数描述了随机过程在 t1 和 t2 时刻的取值相对于其均值的线性相关程度。 * **概率密度函数 (Probability Density Function, PDF) 和 概率分布函数 (Cumulative Distribution Function, CDF):** 对于随机过程在某个特定时刻 t 的随机变量 X(t)，我们可以用 PDF 和 CDF 来描述其概率分布。 * **PDF (f(x;t)):** 表示随机变量 X(t) 在 x 附近的概率密度。 * **CDF (F(x;t)):** 表示随机变量 X(t) 小于等于 x 的概率。 ### 8.1.3 平稳性 (Stationarity) 平稳性是描述随机过程统计特性随时间变化程度的重要概念。如果一个随机过程的统计特性不随时间变化，则称该过程是平稳的。根据平稳性的严格程度，可以分为严平稳和宽平稳。 * **严平稳 (Strict-Sense Stationary, SSS):** 如果一个随机过程的任何 n 个时刻的联合概率分布与时间无关，则称该过程是严平稳的。也就是说，对于任意的 t1, t2, ..., tn 和任意的 τ，有： `P(X(t1) ≤ x1, X(t2) ≤ x2, ..., X(tn) ≤ xn) = P(X(t1+τ) ≤ x1, X(t2+τ) ≤ x2, ..., X(tn+τ) ≤ xn)` 严平稳是一种很强的平稳性，要求随机过程的所有统计特性都不随时间变化。 * **宽平稳 (Wide-Sense Stationary, WSS):** 如果一个随机过程的均值函数为常数，且自相关函数只与时间差有关，则称该过程是宽平稳的。也就是说： * `E[X(t)] = μ (常数)` * `R(t1, t2) = R(t1 - t2) = R(τ)`，其中 τ = t1 - t2 宽平稳是一种较弱的平稳性，只要求随机过程的一阶矩（均值）和二阶矩（自相关）不随时间变化。 ```mermaid graph TD A[随机过程] --> B{平稳性}; B --> C{严平稳 SSS}; B --> D{宽平稳 WSS}; C --> E[所有统计特性不随时间变化]; D --> F[均值为常数]; D --> G[自相关函数只与时间差有关];
上图展示了平稳性的分类，严平稳要求更严格，而宽平稳只关注均值和自相关函数。
8.1.4 各态历经性 (Ergodicity)
各态历经性是描述随机过程时间平均与统计平均之间关系的概念。如果一个随机过程是各态历经的，则可以用一个样本函数的长时间平均来估计该过程的统计平均。
-
均值各态历经: 如果一个随机过程是均值各态历经的，则其时间平均均值等于统计平均均值：
lim (T→∞) (1/T) ∫[0,T] X(t) dt = E[X(t)] = μ(概率为1) -
自相关各态历经: 如果一个随机过程是自相关各态历经的，则其时间平均自相关函数等于统计平均自相关函数：
lim (T→∞) (1/T) ∫[0,T] X(t)X(t+τ) dt = E[X(t)X(t+τ)] = R(τ)(概率为1)
各态历经性使得我们可以通过观察一个样本函数的长时间行为来推断整个随机过程的统计特性，这在实际应用中非常重要。
8.1.5 功率谱密度 (Power Spectral Density, PSD)
功率谱密度描述了随机信号的功率在不同频率上的分布。对于宽平稳随机过程，其功率谱密度是自相关函数的傅里叶变换：
S(f) = ∫[-∞,∞] R(τ) exp(-j2πfτ) dτ
其中 S(f) 表示频率为 f 的功率密度，R(τ) 是自相关函数。功率谱密度是分析随机信号频率特性的重要工具。
上图展示了功率谱密度和自相关函数之间的关系，它们是一对傅里叶变换对。
8.1.6 白噪声 (White Noise)
白噪声是一种特殊的随机信号，其功率谱密度在所有频率上都是均匀的。也就是说，白噪声包含所有频率成分，且每个频率成分的功率相同。白噪声的自相关函数是一个冲击函数：
R(τ) = σ^2 δ(τ)
其中 σ^2 是白噪声的方差，δ(τ) 是狄拉克 delta 函数。白噪声在信号处理中经常被用作理想噪声模型。
8.1.7 总结
本节介绍了随机信号的基本概念，包括随机变量、随机过程、统计描述（均值函数、自相关函数、自协方差函数、PDF、CDF）、平稳性（严平稳、宽平稳）、各态历经性、功率谱密度和白噪声。这些概念是理解和处理随机信号的基础，为后续学习随机信号处理的各种技术和应用打下坚实的基础。理解这些概念对于分析和设计各种信号处理系统至关重要，例如噪声消除、信号检测、信道估计等。