9. случайные процессы и сигналы (стр. 1 из 9)

СИГНАЛЫ и ЛИНЕЙНЫЕ СИСТЕМЫ

Signals and linear systems. Casual processes and signals

Тема 9. СЛУЧАЙНЫЕ ПРОЦЕССЫ И СИГНАЛЫ

Нет ничего более противного разуму и постоянству природы, чем случайность. Сам бог не может знать того, что произойдет случайно. Ибо если знает, то это определенно произойдет, а если определенно произойдет, то не случайно.

Марк Туллий Цицерон. Римский философ и политик, I в.д.н.э.

Случайность противна разуму, но не природе. Для проверки теории случайных процессов боги и создали мир. Швыряться яблоками они уже перестали, со времен Ньютона здесь ничего нового не наблюдалось. Но арбузные корки продолжают подсовывать - фиксируется непредсказуемая и зачастую очень даже интересная реакция.

Рудольф Гавшин. Уральский геофизик, ХХ в.

Содержание

Введение.

1. Случайные процессы и функции. Случайный процесс. Функциональные характеристики случайного процесса. Одномерная функция распределения вероятностей. Одномерная плотность вероятностей. Функции математического ожидания, дисперсии, среднего квадратического отклонения. Двумерная плотность распределения вероятностей. Корреляционные и ковариационные функции случайных процессов. Свойства функций автоковариации и автокорреляции. Взаимные моменты случайных процессов. Статистическая независимость случайных процессов. Классификация случайных процессов. Эргодические процессы.

2. Функции спектральной плотности. Каноническое разложение случайных функций. Комплексные случайные функции. Финитное преобразование Фурье. Спектры мощности случайных функций. Теорема Винера-Хинчина. Спектр ковариационных функций. Взаимные спектральные функции. Эффективная ширина спектра мощности. Соотношение неопределенности.

3. Преобразования случайных функций. Системы преобразования случайных функций. Связь выходных статистических функций с входными. Математическое ожидание выходного сигнала. Корреляционная функция выходного сигнала. Функция взаимной корреляции входного и выходного сигналов. Спектральные соотношения. Дисперсия выходного сигнала. Функция когерентности. Преобразования случайных функций. Преобразования стационарных случайных функций.

4. Модели случайных сигналов и помех. Телеграфный сигнал. Белый шум. Гауссовый шум. Гауссовые случайные процессы.

Введение.

Наряду с полезными информационными составляющими в реальных сигналах присутствуют помехи и шумы. К помехам обычно относят сигналы от других посторонних источников, "наводки" аппаратуры, влияние дестабилизирующих факторов на основной сигнал и т.п. Физическая природа помех, как правило, не случайна, и после соответствующего изучения может переводиться в разряд детерминированной помехи или исключаться из сигнала. К шумам относят случайные флуктуации сигнала, обусловленные природой его источника или устройств детектирования и формирования сигнала. При неизвестной природе помех они также могут относиться к числу случайных, если имеют случайное вероятностное распределение с нулевым средним значением и дельта-подобную функцию автокорреляции.

Теория вероятностей рассматривает случайные величины и их характеристики в "статике". Задачи описания и изучения случайных сигналов "в динамике", как отображения случайных явлений, развивающихся во времени или по любой другой переменной, решает теория случайных процессов.

В качестве универсальной координаты для распределения случайных величин по независимой переменной будем использовать, как правило, переменную "t" и трактовать ее, чисто для удобства, как временную координату. Распределения случайных величин во времени, а равно и сигналов их отображающих в любой математической форме, обычно называют случайными (или стохастическими) процессами. В технической литературе термины "случайный сигнал" и "случайный процесс" используются как синонимы.

В отличие от детерминированных сигналов значения случайных сигналов в произвольные моменты времени не могут быть вычислены. Они могут быть только предсказаны в определенном диапазоне значений с определенной вероятностью, меньшей единицы. Количественные характеристики случайных сигналов, позволяющие производить их оценку и сравнение, называют статистическими.

В процессе обработки и анализа физико-технических данных обычно приходится иметь дело с тремя типами сигналов, описываемых методами статистики. Во-первых, это информационные сигналы, отображающие физические процессы, вероятностные по своей природе, как, например, акты регистрации частиц ионизирующих излучения при распаде радионуклидов. Во-вторых, информационные сигналы, зависимые от определенных параметров физических процессов или объектов, значения которых заранее неизвестны, и которые обычно подлежать определению по данным информационным сигналам. И, в-третьих, это шумы и помехи, хаотически изменяющиеся во времени, которые сопутствуют информационным сигналам, но, как правило, статистически независимы от них как по своим значениям, так и по изменениям во времени. При обработке таких сигналов обычно ставятся задачи:

· обнаружение полезного сигнала,

· оценка параметров сигнала,

· выделение информационной части сигнала (очистка сигнала от шумов и помех),

· предсказание поведения сигнала на некотором последующем интервале (экстраполяция).

9.1. Случайные процессы и функции [1, 2, 25].

Случайный процесс описывается статистическими характеристиками, называемыми моментами. Важнейшими характеристиками случайного процесса являются его стационарность, эргодичность и спектр мощности.

Случайный процесс в его математическом описании Х(t) представляет собой функцию, которая отличается тем, что ее значения (действительные или комплексные) в произвольные моменты времени по координате t являются случайными. Строго с теоретических позиций, случайный процесс X(t) следует рассматривать как совокупность временных функций x_k(t), имеющих определенную общую статистическую закономерность. При регистрации случайного процесса на определенном временном интервале осуществляется фиксирование единичной реализации x_k(t) из бесчисленного числа возможных реализаций процесса X(t). Эта единичная реализация называется выборочной функцией случайного процесса X(t). Отдельная выборочная функция не характеризует процесс в целом, но при определенных условиях по ней могут быть выполнены оценки статистических характеристик процесса. Примеры выборочных функций модельного случайного процесса X(t) приведены на рис. 9.1.1. В дальнейшем при рассмотрении различных параметров и характеристик случайных процессов для сопровождающих примеров будем использовать данную модель процесса.

Рис. 9.1.1. Выборочные функции случайного процесса.

Функциональные характеристики случайного процесса.

Рис. 9.1.2. Сечения случайного процесса X(t).

С практической точки зрения выборочная функция является результатом отдельного эксперимента, после которого данную реализацию x_k(t) можно считать детерминированной функцией. Сам случайный процесс в целом должен анализироваться с позиции бесконечной совокупности таких реализаций, образующих статистический ансамбль. Полной статистической характеристикой процесса является N-мерная плотность вероятностей р(x_n; t_n). Однако, как экспериментальное определение N-мерных плотностей вероятностей процессов, так и их использование в математическом анализе представляет значительные математические трудности. Поэтому на практике обычно ограничиваются одно- и двумерной плотностью вероятностей процессов.

Допустим, что случайный процесс X(t) задан ансамблем реализаций {x₁(t), x₂(t),… x_k(t),…}. В произвольный момент времени t₁ зафиксируем значения всех реализаций {x₁(t₁), x₂(t₁),… x_k(t₁),…}. Совокупность этих значений представляет собой случайную величину X(t₁) и является одномерным сечением случайного процесса X(t). Примеры сечений случайного процесса X(t) по 100 выборкам x_k(t) (рис. 9.1.1) в точках t₁ и t₂ приведены на рис. 9.1.2.

Одномерная функция распределения вероятностей F(x, t_i) определяет вероятность того, что в момент времени t_i значение случайной величины X(t_i) не превысит значения x:

F(x, t_i) = P{X(t_i)≤x}.

Очевидно, что в диапазоне значений вероятностей от 0 до 1 функция F(x, t) является неубывающей с предельными значениями F(-¥,t)=0 и F(¥,t)=1. При известной функции F(x,t) вероятность того, что значение X(t_i) в выборках будет попадать в определенный интервал значений [a, b] определяется выражением:

P{a<X(t_i)≤b} = F(b, t_i) – F(a, t_i).

Одномерная плотность распределения вероятностей p(x, t) случайного процесса Х(t) определяет вероятность того, что случайная величина x(t) лежит в интервале {x ≤ x(t) ≤ x+dx}. Она характеризует распределение вероятностей реализации случайной величины Х(t_i) в произвольный момент времени t_i и представляет собой производную от функции распределения вероятностей:

p(x, t_i) = dF(x, t_i)/dx. (9.1.1)

Моменты времени t_i являются сечениями случайного процесса X(t) по пространству возможных состояний и плотность вероятностей p(x, t_i) представляет собой плотность вероятностей случайных величин X(t_i) данных сечений. Произведение p(x, t_i)dx равно вероятности реализации случайной величины X(t_i) в бесконечно малом интервале dx в окрестности значения x, откуда следует, что плотность вероятностей также является неотрицательной величиной.