Шпоры по Сергееву (Шпаргалки по Сергееву), страница 10
Описание файла
Документ из архива "Шпаргалки по Сергееву", который расположен в категории "". Всё это находится в предмете "анализ биосигналов" из 7 семестр, которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "к экзамену/зачёту", в предмете "анализ биосигналов" в общих файлах.
Онлайн просмотр документа "Шпоры по Сергееву"
Текст 10 страницы из документа "Шпоры по Сергееву"
- ковариационная функция:
- дисперсия:
- среднеквадратическое отклонение:
Если x(t) представляет собой электрический сигнал (ток или напряжение), то - постоянная составляющая случайного сигнала, Kx(0)= 2 - средняя флуктуации сигнала x(t) относительно постоянной составляющей.
Введенное выражение корреляционной функции случайного сигнала совпадает внешне с определением корреляционной функции детерминированного периодического сигнала.
Следует отметить, что в настоящее время в научно-технической литературе встречаются разногласия в определениях корреляционных и ковариационных функций. Однако определения (5.8) и (5.9) сегодня являются статистическими нормами и их следует придерживаться, определяя внимательно по контексту о каком виде функции идет речь. Далее будем рассматривать случайные сигналы с нулевым средним, если не указано иначе, для которых определения корреляционной и ковариационной функций совпадают. Часто применяется нормированная корреляционная (ковариационная) функция:
Функции Kx(), Rx(), rx() характеризуют связь (корреляцию) между значениями x(t), разделенными промежутком времени . Чем медленее, плавнее изменяется во времени x(t), тем больше промежуток , в пределах которого наблюдается статистическая связь между мгновенными значениями случайной функции.
При экспериментальном исследовании случайных процессов используются временные корреляционные характеристики процесса поскольку экспериментатору как правило доступно наблюдение одной реализации сигнала, а не множества его реализаций. Естественно, интегрирование ведется в конечных пределах времени T, величина которого должна быть тем больше, чем выше требования к точности результатов обработки.
93. СЛУЧАЙНЫЙ СИГНАЛ С НОРМАЛЬНЫМ ЗАКОНОМ РАСПРЕДЕЛЕНИЯ.
Нормальный (гауссовский) закон распределения чаще других встречается в природе, нормальный процесс особенно характерен для помех канала связи и он очень удобен для анализа. Поэтому случайные процессы, распределение которых не слишком сильно отличается от нормального, часто заменяют гауссовским процессом.
Одномерная плотность вероятности нормального процесса определяется выражением:
и поскольку рассматривается стационарный эргодический гауссовский процесс, то под mx и x можно понимать постоянную составляющую и среднюю мощность флуктуационной составляющей одной, достаточно длинной реализации случайного процесса.
Функция p(x) симметрична относительно среднего значения. Чем больше x, тем меньше максимум, а кривая становится более пологой, при этом площадь под кривой p(x) равна единице при любых значениях x.
Рис. 5.1. Нормальное распределение
Широкое распространение нормального закона распределения в природе объясняется тем, что при суммировании достаточно большого числа независимых или слабо зависимых случайных величин распределение суммы близко к нормальному при любом распределении отдельных слагаемых. Это положение, сформулированное в 1901 г. А.М.Ляпуновым, получило название центральной предельной теоремы.
Вероятность пребывания значения x(t) в интервале от a до b определяется в соответствии с (5.1). Подставляя (5.20) при mx=0 получаем:
где функция Ф(u) называется интегралом вероятности, ее значения протабулированы и приведены в математических справочниках: (5.22)
Подставив в (5.21) b/x=1,2,3 и соответственно a/x=-1,-2,-3, нетрудно найти вероятность пребывания x(t) в полосах шириной 2x, 4x, 6x, симметричных относительно оси t (0.6826, 0.9544, 0.9973 соответственно).
Следует отметить, что по значениям математического ожидания mx и СКО x нельзя судить о поведении во времени функции x(t). Для описания временных характеристик функции x(t) необходимо привлечь двумерную плотность вероятности, позволяющую найти корреляционную функцию. Другой способ - нахождение спектральной плотности мощности случайного процесса.
94. СООТНОШЕНИЕ МЕЖДУ ЭНЕРГЕТИЧЕСКИМ СПЕКТРОМ И КОРРЕЛЯЦИООНОЙ ФУНКЦИЕЙ СЛУЧАЙНОГО ПРОЦЕССА. ТЕОРЕМА ВИНЕРА-ХИНЧИНА.
Итак, степень изменчивости во времени случайного процесса обычно характеризуют функцией корреляции, которая для стационарного эргодического процесса определяется выражением: (5.12)
Как видно из этой формулы, корреляция показывает усредненную взаимосвязь двух значений случайного процесса. Случайный процесс может иметь постоянную составляющую:
Для того, чтобы определить изменчивость только переменной составляющей процесса, используют функцию ковариации, которая представляет собой корреляцию для этой составляющей:
Рассмотрим одну реализацию x(t) длительностью T случайного процесса. Для этой реализации найдем текущий спектр Sт(). Для смещенного во времени на варианта этой реализации x(t+), очевидно, получим спектр Sт()ej.
Используя свойства преобразования Фурье можно записать:
Поделив обе части на T и переходя к пределу при T, получим:
где P() называется энергетическим спектром, а точнее спектральной плотностью мощности стационарного случайного процесса.
Таким образом, корреляционная функция стационарного эргодического случайного процесса представляет собой обратное преобразование Фурье его энергетического спектра. Соответственно этому, справедливо и прямое преобразование Фурье:
Последние две формулы представляют собой суть теоремы, доказанной в 1934 г. известным советским математиком А.Я.Хинчиным и независимо от него американским ученым Норбертом Винером. В теории случайных процессов эта теорема получила название теоремы Винера-Хинчина.
Как было показано, амплитудный спектр реального сигнала представляет собой четную функцию частоты. В соответствии с этим, энергетический спектр реального случайного процесса также функция четная: P()=P(-).
Четной является также и корреляционная функция стационарного случайного процесса: R()=R(-).
Вследствие этого, теорема Винера-Хинчина может быть записана по-другому: (5.17)
Случайные шумовые сигналы, с которыми приходится иметь дело в измерительных устройствах, обычно имеют нулевое математическое ожидание. Корреляционная функция, взятая при нулевом значении аргумента - это дисперсия сигнала:
R(0)=D.
Соответственно этому, для подобных сигналов из последних равенств получим:
Следует отметить различие между энергетическим спектром детерминированного сигнала конечной длительности, размерность которого есть мера энергии, приходящаяся на единичную полосу частот и энергетическим спектром случайного процесса, который характеризует удельную меру мощности.
Поскольку энергетический спектр является всегда вещественной функцией частоты, то по нему принципиально невозможно восстановить какую-либо реализацию случайного процесса.
95. ВЗАИМНАЯ КОРРЕЛЯЦИОННАЯ ФУНКЦИЯ И ВЗАИМНАЯ СПЕКТРАЛЬНАЯ ПЛОТНОСТЬ ДВУХ СЛУЧАЙНЫХ ПРОЦЕССОВ.
В этом разделе будем рассматривать стационарные процессы с нулевым средним, поэтому связь между процессами x(t) и y(t) оценивается с помощью взаимной корреляционной функции, определяемой выражением: Rxy() = M[x(t) y(t+)]
Ryx() = M[y(t) x(t+)] (5.23)
причем подразумевается, что не только сами процессы x(t) и y(t), но и связи между ними стационарны.
Кроме того, имеются ввиду эргодические процессы, поэтому вместо (5.23) можно применить временное усреднение:
Как и для детерминированных сигналов, взаимная корреляционная функция не изменится, если сдвиг на одной функции заменить сдвигом в обратном направлении другой функции. Поэтому справедливы следующие равенства:
Из последних выражений вытекают следующие соотношения:
Rxy()=Ryx(-)
Ryx()=Rxy(-) (5.28)
Эти равенства не следует смешивать с условиями четности функций. Каждая их взаимных корреляционных функций Rxy() и Ryx() не обязательно четна относительно .
В итоге, корреляция между значениями функций x(t) и y(t) в два различных момента времени, разделенных интервалом , задается корреляционной матрицей:
П усть, например, рассматривается сумма двух эргодических процессов x(t) и y(t) с нулевыми средними (mx=0; my=0) и требуется определить корреляционную функцию суммарного случайного процесса: s(t) = x(t) + y(t)
при условии что взаимные корреляционные функции стационарны.
Используя формулу (5.9) и учитывая равенства (5.24) и (5.25), получаем: