Ch.

1 绪论
 为什么学习随机信号分析？
 随机现象、随机信号举例
（1）通信系统 -- 典型的通信系统框图
噪声

编 发 接 解
信源 码 射 信道 收 码 用户
器 器 器 器

 噪声： 典型的随机信号-- 会对接收信号、整个通信系统产生重大的影响

 数字通信
信号 S(t) 经 A/D 变换，转化成数字信号：
S(t)  采样为 S(t0), S(t1) , … , S(tn) ;
 量化为 Sq(t0), Sq (t1) , … , Sq (tn) ;
 用2进制表示 Sq (ti) ：101011
 为什么数字通信的信号质量比模拟通信好？
 主要原因：通信中有噪声干扰，而数字通信抗干扰能力强.

处理器
(比较器)

（2）电子测量：测量误差  随机误差；
实测值 : r(t)=V(t) + n(t) , 其中 V(t) 为理想值, n(t) 为噪声。
 如何提高测量精度？  应用随机信号分析知识。
（3）雷达（或声纳）问题
有目标时：X(t) = a S(t-t0) + n(t) ;
无目标时：X(t) = n(t) ;
 如何从中判断出是否有目标 ？
 如何判断是什么目标 ？
 如何判断目标的距离 ？
（4）计算机网络、网络通信问题
问题1：
大工校园网域名为 “dlut.edu.cn” 信箱服务器每分钟接收和发送多少
email ?

 服务器容量构置、信箱大小的设置等;

网络交换机示意图
问题2：
该网络中某主干链路上的交换机各时刻的数据流量是多少？
 交换机容量、速度的设计等问题.
（5）薛定谔的猫、量子纠缠及量子通信
♦ 薛定谔的实验--薛定谔的猫：
 把一只猫放进一个封闭的盒子里，然后把这个盒子
接到一个装置上，这个装置包含一个原子核和一个
毒气设施；
 原子核有50%的概率发生衰变，衰变的时候就会发
射出一个粒子来；
 这个粒子一发出来就会触发毒气设施，毒气一触发
就会杀死这只猫；
 没有观察的时候，原子核是处于已经衰变和没有衰 薛定谔的实验--薛定谔的猫
变的迭加状态，既可能衰变了又可能没有衰变，是两种状态的迭加；
 就像电子既在A点又不在A点一样，这个原子核既衰变又没有衰变，50%的概率衰变，
50%的概率不衰变。这个时候猫的状态是可能活着，也可能死了，猫处于既死又活的迭
加状态。
 量子纠缠与“薛定谔的猫” 类似，“薛定谔的猫” 讲的是同一个东西处于不同的状态
的迭加，量子纠缠讲的是如果有两个以上的东西都处于不同的状态的迭加，它们彼此之
间有什么关联--这就是量子纠缠。
 量子纠缠的例子：如果有一个原子在空中爆炸，它变成了两个碎片向两个方向飞去。这
两个碎片的状态一定有明确的关系，比如角动量守恒，这两个碎片的状态，如果一个角
动量是正的，另一个角动量一定是负的，这样它们的和才是零；
 没有被检测时，两个碎片都处于不确定的状态，它们的角动量既可能是正，也可能是负。
而一旦被检测，受测的碎片马上选择一个确定的角动量，或者为正，或者为负；另一个
未检测的碎片，也马上选择与之相反的状态，或者为正，或者为负。
 量子力学大量实验证明，如果把同一个量子体系分开
成几个部分，在未检测之前，你永远不知道这些部分的
准确状态；如果你检测出其中之一的状态，在这瞬间其
他部分立即调整自己的状态与之相应；
 这样的量子体系的状态叫做“纠缠态” 。
 量子纠缠的一个重要特点：纠缠一方得到的任何信息，
另一方也会马上感应到，不需要信息传递；
 量子纠缠就是对于多个微观物体，在被观察之后，它
们的状态会从不确定到确定作一个有关联的突变；
薛定谔的实验--薛定谔的猫
量子纠缠现在已经变成一个工具，用来传输信息；
 利用量子纠缠态传输量子信号：如果一个人在A点，有光子A；另一人在B点，有光子B，
光子A和B处于纠缠态。对A光子施加的任何作用或赋给的任何信息，B光子都马上得到；
 如果把一本书的全部信息作用于A光子，那么B光子也马上得到。这就是量子隐形传输，
最后的B点得到的是和原来完全一样的信息；
 如果两个地方的物质处于纠缠态，从纠缠的一方的所有信息可以瞬间传递到纠缠的另一
方去，这种传输没有时间空间的限制，是瞬间传播的；
 量子通信既是利用量子纠缠效应进行信息传递的一种新型的通讯方式；
 实现光量子通信的过程：事先构建一对具有纠缠态的粒子，将两个粒子分别放在通信双
方，将具有未知量子态的粒子与发送方的粒子进行联合测量，则接收方的粒子瞬间发生
变化（坍塌），变化为某种状态，这个状态与发送方的粒子变化后的状态是对称的，然
后将联合测量的信息通过信道传送给接收方，接收方根据接收到的信息对变化的粒子进
行逆转变换，即可得到与发送方完全相同的未知量子态。
 若想理解或掌握上述知识，需要有概率论和随机过程（随机信号）方面的基础知识。
 本课程从信号与系统角度学习如何分析随
机信号，学习和掌握线性系统在随机信号
作用下的分析方法与基础理论，为后续课
程（例如 通信原理、信息论、信号检测与
估计、纠错编码理论等）奠定理论基础.
二、 本课程内容
1. 概率论基础知识（简要复习）；
2. 随机信号、随机过程基础理论；
3. 随机信号作用于线性系统、随机信号分析方法；
4. 线性系统对随机信号的响应（系统输入—输出）分析方法；
5. 窄带随机信号分析及其线性变换（Hilbert Transform）;
6. 随机信号通过非线性系统的分析方法（简介）.

 重点强调的内容：
 本课程中的基本概念；
— 哪些概念？
 本课程中所涉及和研究的基本问题；
— 哪些问题？
 用于解决这些问题的基本方法；
— 什么方法？
— 与原来所学的有什么不同？
 课程学时分布 (2020秋季)：
 40 学时， 1--10周：1-4周：钉钉平台 Online，5-10周教室现场学习
 星期一： 3、4节， 教室: 综-114；
 星期四： 3、4节， 教室: 综-114。
。
 成绩分布：
（1） 平时作业 与 平时提问及测验： 30%；
（作业要求必做，禁止抄袭，平时测验时间不定，缺考以零分计）；
（2） 期末考试 : 70% （考试形式: 一纸开卷）。

 研究生入学复试内容之一：
“信息与通信工程”“信号与信息处理” 等专业研究生入学考试(复试)课程

 本课程要求的前期基础知识：
高等数学、概率论基础、信号与系统。

 课件: 通过钉钉平台发给各位同学.
 学生交作业：前4周通过邮件上交；第4周之后课堂上交纸件作业。
 三、教材和主要参考书
[1] 《随机信号分析(第2版)》，赵淑清，郑薇，电子工业出版社，2011；(教材)

[2] 《随机过程》，吴祈耀，国防工业出版社，1984

[3] 《随机信号分析》，章潜五，西安电子科技大学出版社，1990

[4] Probabilities, Random Variables and Stochastic Processes, A. Papoulis,

McGraw-Hill, 1984 (图书馆)

[5] 其他有关随机过程, 随机信号分析方面的教材或书籍.

四、概率论基础知识（简要复习）
1．概率简述
• 概率（Probability）：
用数值表示某事件出现的可能性，记为 P(A)，称为事件 A 的概率。

P(A)处于[0，1]之间， 0  P( A)  1
在一般随机试验中有很多可能的结果.在一次试验中不能准确预言哪个结果是否一定
出现。然而大量重复试验会发现，各种结果出现的可能性是有不同的大小，而这个
可能性是确定的，不是随机变化的。该可能性即是概率。
nA
 相对频率（Relative frequency）： fA 
n
-- 其中 nA 为 A 在试验中出现的次数, n为全部试验次数.
 概率与相对频率的关系： nA
lim  P( A)
n n
♦ 概率的公理化定义：
-- 现代概率论是建立在结构性公理基础上，从更一般性、抽象角度研究问题；

设 S 是某随机试验的样本空间, 对于试验中的每一个事件A赋予一个实数, 记为 P(A),

如果满足下列条件,则称为事件 A 的概率:

 对于每一个事件A , 有 0  P( A)  1
 P(S) = 1 (结果必然会落在 S 中，或 S 中至少有一个结果出现）

 对于两两互不相容的事件 Ak (k=1,2,…,n), 有

P( A1  A2  ...  An )  P( A1 )  P( A2 )  ...  P( An )
2．条件概率、统计独立
 条件概率：设 A, B为随机试验中的两个事件，则事件 B 出现下，事件A 的条件概率为

P( AB)
P( A | B)  , ( P( B)  0)
P( B)
P( AB)
相应地事件A出现下事件B的条件概率为： P( B | A)  , ( P( A  0))
P( A)
乘法定理： P( A B)  P( A | B) P( B)  P( B | A) P( A)

 统计独立性 : 设A, B为随机试验的两个事件，当

P( A)  P( A | B) ， 或 P( B)  P( B | A)
称事件A与事件B是统计独立的，因此这时有： P( A B)  P( A)  P( B)
该式也为统计独立的条件。
• 一般情况下： P( B | A)  P( B) ， P( A | B)  P( A)

即 A 的出现对于B出现的概率有影响，只有两者独立时，才不存在影响。
3．随机变量与概率分布
 随机变量定义： 设随机试验的样本空间 S={  }, 如果对于每一个   S
有一个实数与它对应, 这样就得到一个定义在 S上的实值单值函数 X ( ) ，
称 X ( ) 为随机变量。

 概率分布

随机变量X 的各可能取值与其相应概率之间的(各种不同形式的)对应关系，
统称为随机变量的分布率。

(1) 离散变量：

若 X 的所有可能取值为 Xi ( i =1,…,n), X 取各相应 Xi的概率为 pi , 则 X 的分布特性为：

X X1 X2 … Xn
pi p1 p2 pn
n
 pi  1
i 1
(2) 连续型随机变量 X ：其取值不能一 一列举出来，不能用分布列表来描述，而随机
变量的取值落在某一个区间内的概率来表达：

x1 x2 x
P( x1  X  x2 )  P( X  x2 )  P( X  x1 )
 概率分布函数定义：
随机变量 X 取值不超过 x 的概率，称为 X 的分布函数，记为 FX (x) ，即
FX ( x)  P ( X  x )
 分布函数的特性: ① 单调,非减,最大值为 1; ② 非负; ③右连续.
FX (x)
P( X  xi ) 1

x1 x2 x3 xn x x1 x2 x3 xn x
(3) 两个随机变量（二维分布）或多个随机变量（多维分布）的情况：
FXY ( x, y )  P( X  x, Y  y )
 概率密度
设随变量 X 的分布函数为 FX (x) ，存在非负的函数 p X (x) ,
x
使得对于任意 x 有
FX ( x)   p X (u )du

称 p X (x) 为 X 的概率密度函数。
dFX ( x)
也可写为： p X ( x)  -- 概率密度函数是分布函数的导数。
dx

• 对离散型随机变量, 概率密度函数如何表达？
分布函数 FX ( x)   pi u ( x  xi ) -- 其中 u(x) 为单位阶跃函数。
i
dFX ( x)
其概率密度函数可表示为 p X ( x)    pi  ( x  xi )
dx i

其中  (x) 为单位冲激函数。
  二维概率密度函数
FXY ( x, y ) y x
p XY ( x, y )  , FXY ( x, y )    p XY (u, v)dudv
xy
 两个变量独立的概念：
若满足 FXY ( x, y )  FX ( x) FY ( y ) 或 p XY ( x, y )  p X ( x) pY ( y)
则称 X, Y 相互独立.

 条件分布: 在条件 B 下随机变量 Y 的条件分布函数为：

P(Y  y, B)
FY ( y | B)  P(Y  y | B) 
P( B)
P ( X  x, Y  y ) FXY ( x, y )
-- 如果条件事件B为 X x FY ( y | X  x)  
P( X  x) FX ( x)

-- 对于条件B为 X x FXY ( x, y ) / x
FY ( y | X  x)  FX ( y | x) 
dFX ( x) / dx
P( x    X  x   , Y  y ) [ F ( x   , y )  FXY ( x   , y )] / (2 )
(  lim  lim XY )
 0 P( x    X  x   )  0 [ FX ( x   )  FX ( x   )] / (2 )
 多维情况：
FX ( x1 , x2 ,..., xn )  P( X 1  x1 , X 2  x2 ,..., X n  xn )
口
4. 常用的概率分布
(1) 贝努利分布 (Bernoulli)： 随机变量X只取两个值：X = 0 或 1，
S X  {0, 1} , p1  p, p0  q  (1  p1)
(2) 二项式分布 (Binomial)：
n 次相互独立的贝努利试验，在这 n 次试验中事件A发生m 次的概率

 0, x0
Pn (m)  P( X  m)  Cnm p m q nm 
FX ( x)    Pn (m), 0  x  n
 m x
 1, xn
(3) 泊松分布 (Poisson)：
S X  {0, 1, 2, ...} , X  0, 1, 2, ...
 0, x0
 m

P ( X  m)  e , FX ( x)    m  
m!  m! e , x  0
 m x
（4）均匀分布（Uniform distribution）（连续型随机变量）
S X  {[a, b]}, p X ( x)
1
 1
 , a xb ba
p X ( x)   b  a
 0 , otherwise a b x

FX ( x)
 0, x  a
x a 1
FX ( x)   , a xb
 b  a
 1, x  b a b x

ab (b  a ) 2
均值和方差： E[ X ]  , D[ X ] 
2 12
（5）正态（高斯 Gaussian）分布率
p X (x)
S X  {(, )}
( x )2 
1 
p X ( x)  e 2 2
2 

• 均值和方差:

E[ X ]   , D[ X ]   2
FX ( x)
x ( y   )2
1 
FX ( x)  
 2
e 2 2
dy

x
v2

1  x
 
 2
e 2
dv  (

)


（6）指数（Exponential）分布

S X  {[0, )}

p X ( x )    e   x , ( x  0,   0)

1
1  x

p X ( x)  e


x
FX ( x)    e   y dy  1  e x , ( x  0)

（7）柯西（Cauchy）分布
S X  {(, )} 1 
p X ( x) 
  2  x2

（8）瑞利（Rayleigh）分布
x2
x 
S X  {[0, )} p X ( x)  e 2 2
, (  0, x  0)
 2

• 电子通信中常遇到这种分布;
• 高斯信号的包络服从瑞利分布.
5. 随机变量的函数变换
 在工程实际中，还经常遇到随机变量的函数变换问题，即已知:
X ~ p X ( x), Y  g ( X )
 pY ( y )  ?
X ~ p X ( x) Y ~ pY ( y ) ?

g()

 该问题的解决，对于系统理论有着广泛的应用价值，因为这类系统的输
入 X 与输入 Y 的关系可以用 Y=g(X) 来表示，可以直接应用于随机信号通
过无记忆系统的研究。
 Y
（1） 单个随机变量函数的分布
y1  dy
Y  g (X )  X  f (Y )
y1
 最简单的情况：假设 Y 和 X 存在单调的函数关系，
并存在反函数。 x1 x1 dx X
df ( y )
结果为： pY ( y )  p X ( f ( y )) | |
dy
此时如果 X 位于小区间 ( x1, x1 + dx )，则 Y 必位于( y1, y1 + dy )，区间, 于是两事件发
生的概率相等，即
pY  y  dy  p X ( x )dx
dx df  y 
于是: pY ( y )  p X ( x)  p X  f  y  
dy dy
一般情况:
. pY ( y )  p X ( f ( y )) |
df ( y )
dy
|

因为 pY ( y ) | dy | p X ( x) | dx |
 当 X＝f(Y)是一个非单调的反函数，例如，一个 Y 值对应两个 X 值 :
X 1  f1 (Y ), X 2  f 2 (Y )
df1 ( y ) df 2 ( y )
结果为： pY ( y )  p X ( f1 ( y )) | |  p X ( f 2 ( y )) | |
dy dy
当 Y 位于（y1, y1+ dy）区间时，x 相应地有两种可能性：
x1  x  x1  dx, x2  x  x2  dx
这样便有: pY ( y ) | dy | p X ( x1 ) | dx1 |  p X ( x2 ) | dx2 |

.
df1 ( y ) df ( y )
所以: pY ( y )  p X ( f1 ( y )) | |  p X ( f 2 ( y )) | 2 |
dy dy
• 注意: 绝对值符号不能忘掉!
• 例: Y  X 2  X 1  Y  f1 (Y ), X 2   Y  f 2 (Y )
1 1
这时 pY ( y )  p X ( y ) | |  p X ( y ) | |
2 y 2 y

 当一个 Y 对应多个 X 值时, 有

df1 ( y ) df ( y ) df ( y )
pY ( y )  p X ( f1 ( y )) | |  p X ( f 2 ( y )) | 2 | ...  p X ( f n ( y )) | n |
dy dy dy
 （2）两个随机变量函数的分布 X1 Y1

X2 Y2

已知:（X 1 , X 2）~ p X ( x1 , x2 ) Y1  g1 ( X 1 , X 2 ), Y2  g 2 ( X 1 , X 2 );

设 g1 ( X 1 , X 2 ), g2 ( X1, X 2 ) 为单值变换,并设反函数为:
X 1  f1 (Y1 , Y2 ), X 2  f 2 (Y1 , Y2 )
这时
pY ( y1 , y2 )  p X ( f1 ( y1 , y2 ), f 2 ( y1 , y2 ) )  | J |
f1 f1
其中 J 为雅可比行列式: y y 2
J 1
f 2 f 2
y1 y 2
。
• 例:已知(X1 , X2 )的联合密度，求两个随机变量 X1 , X2 之和 Y= X1 + X2
的概率密度:
p X ( x1 , x2 )  pY ( y )
解: 先设 Y1= X1 , Y2 = X1 + X2,  X1= Y1 , X2 = Y2 – Y1 , ( Y=Y2 )

f1 f1
y y2 1 0
J 1  1
f 2 f 2 1 1
y1 y2

所以 pY ( y1 , y2 )  p X ( f1 ( y1 , y2 ), f 2 ( y1 , y2 )) | J | p X ( y1 , y2  y1 )
 
pY ( y )   p X ( y1 , y  y1 )dy1   p X ( x1 , y  x1 )dx1
 
当 X1 , X2 独立时, 有
 
pY ( y )  p

X ( x1 , y  x1 )dx1  p

X ( x1 )  p X ( y  x1 )dx1

 p X1 ( y )  p X 2 ( y )
6. 统计平均
（1）数学期望（又称统计均值或简称均值）

• 离散随机变量 X: {Xk , k=1,2,…}， E[ X ]  x
k 
k pk  m X

• 连续型随机变量 X: E[ X ]   x p

X ( x)dx mX

（2）随机变量的函数的数学期望 Y  g( X )

  yn  pn  g ( xk ) pk , 离散
 n k
E[Y ]  E[ g ( X )]    
  y  pY ( y )dy   g ( x) p X ( x)dx , 连续
  
（3）矩
• n 阶原点矩--对随机变量 X 的 n 次幂求数学期望
  xkn  pk , 离散
 k
E[ X ]   
n

  x n  p X ( x)dx , 连续
 
n  0 : E[ X 0 ]  1, n  1 : E[ X 1 ]  m X , n  2 : E[ X 2 ]  S X2 均方值

• n 阶中心矩--对 X- mX 的 n 次幂求数学期望
  ( xk  mX ) n  pk , 离散
 k
E[( X  mX ) n ]  
  ( x  mX ) n  p X ( x)dx , 连续
 

n  0 : E[( X  m X ) 0 ]  1, n  1 : E[ X  m X ]  0
n  2 : E[( X  mX ) 2 ]  S X2  mX2   2 方差 !
 ( x )2
• 例：求高斯变量 X 的均值，均方值和方差 p X ( x) 
1
e

2 2
2 
结论： m X   , S X2   2   2 , D[ X ]   2

( x  )2 ( x   )2
 1   1 
e 2 dx e 2 dx
2 2
m X   x   ( x    )
2  2 
( x  )2 ( x  )2
 1   1 
e 2 dx    e 2 dx
2 2
  ( x   )
2  2 
( x )2
1 


  e 2 2
dx  由对称性，积分为 0

2 

s
• 物理意义： 均值E[X]为直流分量，
方差D[X]为交流功率，
均方值为总功率。
 （4）联合矩 --对两个随机变量（X,Y）


 xin y kj  pi j , 离散
 联合原点矩: E[ X n  Y k ]  mn k 
j i
 

  
 
x n y k  p XY ( x, y )dxdy , 连续

当 n=1, k=1: m11  E[ X  Y ]  RX Y -- X 与Y 的相关矩或相关函数 !

当 R X Y  0 ( 即 E[ X  Y ]  0 ), 称 X, Y 正交 ！
 联合中心矩:  n k  E[( X  mX ) n  (Y  mY ) k ]
当 n=1, k=1: 1 1  E[( X  m X )  (Y  mY )]  C X Y  RX Y  mX  mY
称为 X 与Y的协方差 !
11 CX Y E[( X  mX )  (Y  mY )]
 相关系数:    
XY
 X  Y  X  Y  X  Y
性质: |  X Y | 1
当 |  X Y | 0 （即 C X Y  0）
, X , Y 相关最小（不相关）；
当 |  X Y | 1 , X , Y 相关最大(完全相关)。

例如线性相关情况: Y= a X + b 即为 X 与 Y 相关最大的情况。
一
 相关矩阵、协方差矩阵
-- 对多个随机变量   ( X 1 , X 2 ,..., X N )

 R11 R12 ... R1 N 

相关矩阵： R R2 2 ... R2 N 
 Ri j    21 
N N ... ...
R RN 2 ... RN N 
 N1

其中： Ri j  R X i X j  E[ X i  X j ]

 C11 C12 ... C1 N 

C C2 2 ... C2 N 
协方差矩阵： Ci j    21 
N N ... ...
C 
 N 1 CN 2 ... CN N 

其中： Ci j  C X i X j  E[( X i  m X i )  ( X j  m X j )]
 11 CX Y E[( X  mX )  (Y  mY )]
7. 相关性、独立性 X Y   
 X  Y  X  Y  X  Y

(1) 相关性： 当 |  X Y | 0 （即 C X Y  0）
, 称 X 与Y 不相关；
 注意：不是指相关函数 RXY = 0, 而是相关系数或协方差 CXY = 0.
这时有：E[XY]=E[X]E[Y] (由 CXY = E[XY] – mX mY = 0 可导出)

当 |  X Y | 0 （即 C X Y  0）
, 称 X 与 Y 相关。

(2) 独立性： X 与Y 独立是指： p X Y ( x, y )  p X ( x)  pY ( y )

• 当 X 与 Y 独立时，一定有 X 与 Y 不相关，即
 X Y  0 或 C X Y  0,
为什么？-- 课后思考题。
• 但当 X 与 Y 不相关时，X 与 Y 却不一定独立。 为什么？思考题。

(3) 独立与相关的关系：
• 独立 --> 一定不相关;
• 相关 --> 一定不独立;
• 不相关 --> 独立否？ 不一定 !
。
8. 特征函数
随机变量 X 的特征函数定义为 e juX 的数学期望，即

  e juxk pk , X 离散

 X (u )  E[e juX ]   
k

  e jux p X ( x)dx, X 连续
 

p X ( x)（或 pk）  X (u )， 唯一对应；

 X (u )  pX ( x) (或 pk )， 是否对应？
反之
1   jux
由付氏变换理论，可知： p X ( x )   
 X ( u ) e du, ( X 连续)
2
1 2  juxk
pk  p X ( xk )    X (u ) e du, ( X 离散)
2 0

所以  X (u )  p X ( x) (或 pk )， 也是唯一对应。

因此  X (u )  pX ( x) (或 pk )， 一一对应 !
• 特征函数的用途：
(1) 可用于求解概率密度函数，用于代替概率函数做统计理论分析；

(2) 用于确定随机变量 X 的任意 n 阶矩函数: (  X (u )  E[e
juX
]   e jux p X ( x)dx )


1 (n) n ( n)
E[ X n ]  
n X
( 0 )  (  j )  X ( 0)
j
d X  u  d  jux 
因为：  { e p X ( x)dx}  j  xe jux p X ( x)dx
du du  

d n X  u  
  j 
n
n
x n e jux p X ( x )dx
du 

令 u=0: d n X  0  
  j 
n
x n p X ( x)dx  j n E[ X n ]
du 

例： E  X    j '
0 , S X2  E  X 2    X''  0 
X

D  X   E  X    E  X     0     0  
2 2
2 '' '
X X
 联合特征函数 -- X 和 Y 的联合特征函数 ：
 
 X ,Y  u, v   E e j uX vY      e j (ux  vy ) p XY ( x, y )dxdy
 

 n  k X ,Y  u, v 
E  X nY k     j 
nk
用于求联合矩 ：
u n v k u 0
v 0

多维情况 ：  N

  u1 , u2 ,..., uN   E exp{ j  uk X k }
 k 1 

 用特征函数表示独立 ：

X, Y 独立   X ,Y  u , v    X  u   Y  v 

N
X 1 , X 2 ,..., X N 相互 独立    u1 , u2 ,..., uN    X  uk  k
k 1

 既然有概率密度函数，为什么还需要研究特征函数 ？

从不同角度，有时用特征函数更方便。在随机理论分析中，常用特征函数。
9. 高斯（正态）分布率
 x   2
1 
（1）高斯变量的密度函数 pX  x   e 2 2

2
均值 E  X   , 方差 D  X   E  x       2
2

 

 通常也记为： X ~ N ( , 2 )
x2
1 
 标准正态分布 pX  x   e 通常也记为： X ~ N (0,1)
2
2
 y 
2
x u2
x 1 
1 
FX ( x)   e 2 dy   
2
 分布函数 e 2 du

2 
2
x
 ( )

 
2
 x    ju 2 
 特征函数  x   2 2
u  2
 1  ju    1  
X u    e

jux 2 2
e dx e 2
e 2 2
dx

2  
2
u 2 2
ju  
e 2
u2

 对标准正态变量 X u   e 2
（2）中心极限定理
假设独立同分布（iid）的随机变量 X 1 , X 2 ,..., X n 均值和方差均为有限，即

| mX | ,  X2  
n
设 n 个变量之和为 Yn，即 Yn   X i
i 1
则 Yn 的极限趋于高斯分布，且其均值和方差分别为 nmX , n 2

Yn  nmx n 
若令 Zn  则 Z n ~ N  0,1
n 2
x

♦ 例：在实际中通常将无线电噪声看为高斯噪声， 为什么 ？

大量电子热运动的综合效应， 根据中心极限定理，服从高斯分布。
（3）多维高斯分布：（多维联合正态分布）
 2 维情况：  X1, X 2  为联合高斯分布，并且有
C X1 X 2
(1) X 1 ~ N m1 ,  2
1 ; (2) 
X 2 ~ N m2 ,  2
2  (3) 相关系数为 
 1 2
则 1  1   x  m 2  x  m 2  x1  m1  x2  m2   
p X1 , X 2  x1 , x2   exp   1 1
 2 2
 2 
 2  
2

1
1   2 2  1 2  2

 2 1     1
2
2
2
 1 2  

-- 称为二维高斯函数；
X  m   C11 C12    12  1 2  
令 X   1  , mX   1  , CX   
  
X2   m2  C21 C22   1 2   22 
1
则 1   X  mX T C X1  X  m X 
p X1 , X 2  x1 , x2   1
e 2

 2  C X 2

 N 维情况
X   X 1 , X 2 ,..., X N  :
T

1
   
T
1  X mX C X1 X  m X
p X  x1 ,..., x N   n 1
e 2

 2  2 CX 2 -- 称为N维高斯函数.
 （4）相关与独立的关系 (对高斯分布而言)
 对任意 N 维联合高斯变量： 不相关  独立（二者等价）
 对两个联合高斯变量 X, Y 则 X, Y 不相关与相互独立等价。

 注意： “联合高斯” 这一条件不可缺少 ！

 反例
x2 y2
1  1 
 已知随机变量 X 和 Y : p X ( x)  e 2 2
, pY ( y )  e 2 2
,
2  2 
x2
1 
且 X, Y 的联合密度函数为 p XY ( x, y )  e 2 2
[  ( x  y )   ( x  y )] ;
2 2 

♦ 这时可得:
1) X, Y 各自均为高斯分布；
2) X 与 Y 不相关 （因为 CXY = XY = 0）；
3) 但是，这时 X 和 Y 不是联合高斯变量，也是不独立的 ！

♦ 虽然这时X, Y各自都是高斯变量，而且互不相关，但不是联合高斯变量 (不是二维高

斯函数)，这时 X, Y 不是联合高斯变量， X, Y 也不是独立的 ！
一
 第一章作业：

（1） 阅读教材第一章内容(《随机信号分析(第2版)》)；

（2） 1.1， 1.2，1.4，1.6，1.11，1.18。

（对应第1版教材为： 1.2， 1.3，1.4，1.6(1)，1.11，1.17）

• 9月21日（星期一）交作业
(将作业用邮件发到 cguo@dlut.edt.cn, 注意：在邮件标题上写明：随机信号作业，学号、姓名)
 Ch.2 随机过程 -- 随机信号
2.1 随机过程的概念、统计特性
一、随机过程的概念
• 随机变量： X ( ) -- 随机试验样本空间 S={  }, 对于每一个   S ，
有一个实数与它对应 X ( ) , X ( ) 为随机变量。
• 随机过程： 随时间变化的随机变量。 -- 也称为随机信号。
-- 有时随机变量也可能随其它某个参量变化，称为随机函数。
例如：大气层的温度随高度不同而变化 -- 以高度为参量的随机函数。
• 举例： 对一组信号接收机测量各个波形,得到 x1(t),x2(t),…,xn(t);
构成一个集合 X (t )  { xi (t ) , i  1,...n }
X (t )  Am sin(0t   )
X (t )

t
具体的波形函数可能写不出来，
但必为其中的一个波形 Xi(t). 具体的波形函数可以写出来，但其中的相位是随机的.
 X (t )  Am sin(0t   )
 0 为常量，
其中： Am，  2 ] 区间均匀分布。
为随机相位，[0，

  /6
 

 0
  /3 t

X (t )

这些波形的集合构成一个随机过程。 随机过程可看做随时间变化的一组随机变量。

每个具体的波形是确定的函数， 究竟哪一个发生是随机的.
 随机过程定义： 设 E 是随机试验，其样本空间为 S={  }。若对于每一个   S ，
总存在一个确定的时间函数 x(t ,  ) 与之对应， 对于所有的   S ，
就得到时间 t 的一族函数 X (t ,  )  { x(t ,  ) }, 该函数族称为随机过程。
族中的每个函数 x (t ,  ) 称为随机过程的样本函数。

 X (t ,  )在不同情况下的含义：
（1）是时间函数族， t 和  都是变量；
（2）当 t 是变量， 固定（特定某次的试验结果），X (t , )是一个确定性的时间函数；
（3） 当 t 固定 （特定时刻），  为可变量， X (t , )是一个随机变量；
（4） 当 t 固定 （特定时刻），  也固定， X (t , )是一个确定值；

• 为方便起见，以后简记为 X (t ) （省去  ）。
二、 随机过程的类别 （有多种分类方法）
1 按时间和状态是连续和离散来分类：
（1） 连续型随机过程： 对任意时间 t1 , X(t1) 是连续型的随机变量：
即时间 t 和状态值 X 都是连续的。
例：具有随机相位的正弦电压信号 X (t )  Am sin(0t   )
（2） 离散型随机过程： 对任意时间 t1 , X(t1) 是离散型的随机变量：
即时间 t 连续，状态值 X 是离散的。 X (t )
例：某限幅电路在随机噪声激励下的输出信号： t
n(t ) - X (t )
+

（3） 随机序列： 时间离散，状态 X 连续。

例：测某放大器的噪声电压，每隔一秒测一个值，得 X ( n), n  1, 2,...
（4） 离散随机序列： 时间离散，状态也离散。
例：对（2）的离散型随机过程， 每隔一秒测一个值，得离散型随机序列。
2 按随机过程的分布特性（或统计特性）分类：
例：正态过程（高斯过程）； 马尔可夫过程； 平稳过程；
独立增量过程; …  平稳过程 是本课的重点内容！
三、 随机过程的概率分布
X (t ) 在 t1 , t2 ,..., tn 时刻的观测值：[ X (t1 ), X (t2 ),..., X (tn )]T （构成矢量）
1、 X(t) 的一维概率分布
对任意时刻 t , X (t ) 是一个随机变量。 其分布函数
FX ( x ; t )  P ( X (t )  x)
是 x ，t 的二元函数。 FX ( x ; t ) 称为 X (t ) 的一维分布函数。
FX ( x ; t )
 一维概率密度函数： 若分布函数的偏导存在，则有 pX ( x ; t ) 
x
p X ( x ; t ) 称为 X (t ) 的一维概率密度函数。 也是 x ，t 的二元函数。
 与随机变量概率函数的差别： 既是状态 x 的函数， 又是时间 t 的函数。
2、 X(t) 的二维概率分布 -- 在任意两时刻 t1 , t2 的状态X (t1 ), X (t2 )的联合概率分布
 二维分布函数：
FX ( x1 , x2 ; t1 , t2 )  P ( X (t1 )  x1 , X (t2 )  x2 )
 二维密度函数：
p X ( x1 , x2 ; t1 , t2 )   2 FX ( x1 , x2 ; t1 , t2 )
（设偏导存在）
 x1  x2
 比一维概率函数包含了更多信息。
-- 还包含了二者之间的统计关系。
 3、 X(t) 的 n 维概率分布 -- 为完整描述一个过程 X(t), 须用任意 n 维联合概率分布
 n 维分布函数：
FX ( x1 , x2 ,..., xn ; t1 , t2 ,..., tn )  P ( X (t1 )  x1 , X (t2 )  x2 ,..., X (tn )  xn )
 n 维密度函数：
 n FX ( x1 , x2 ,..., xn ; t1 , t2 ,..., tn )
p X ( x1 , x2 ,..., xn ; t1 , t2 ,..., tn ) 
 x1  x2 ...  xn （设偏导存在）

-- n 越大， X(t) 的 n 维分布率描述该过程的特性越完善。 理论上可无限增加 n，

以更加全面 描述 X(t) 的统计特性。 但 n 越大，函数会变得越复杂。
4、 两个（或以上）随机过程的概率分布
两个随机过程 X(t) 、Y(t) ， 联合分布函数为：
FXY ( x1 ,..., xn , y1 ,..., ym ; t1 ,..., tn , t1,..., tm )
 P ( X (t1 )  x1 ,..., X (tn )  xn , Y (t1)  y1 ,..., Y (tm )  ym )
联合密度函数为： p ( x ,..., x , y ,..., y ; t ,..., t , t ,..., t  )
XY 1 n 1 m 1 n 1 m
 FXY ( x1 ,..., xn , y1 ,..., ym ; t1 ,..., tn , t1,..., tm )
nm

 两个随机过程独立：

 x1 ...  xn  y1... ym
p XY ( x1 ,..., xn , y1 ,..., ym ; t1 ,..., tn , t1,..., tm )
 p X ( x1 ,..., xn ; t1 ,..., tn )  pY ( y1 ,..., ym ; t1,..., tm )
 注意： 若已知
p XY ( x1 , y1 ; t1 , t1)  p X ( x1 ; t1 )  pY ( y1 ; t1) 可否说 X(t) 与 Y(t) 独立？不能！
 四．随机过程的数字特征（统计平均量）
多维分布率可全面描述过程的统计特征，但比较复杂，使用不便。
在许多实际应用中，往往需要若干个常用的数字特征即可。
对随机过程常用到的数字特征是数学期望，方差，相关函数等。
由随机变量的数字特征推广而来，一般不再是固定的数值，而是时间函数。

mX  t   E  X (t )    x  p X  x ; t dx

1 数学期望（均值）

mX  n   E  X (n)    xk pk (n) (随机序列)
k
对某个时刻 t，X(t) 是一个随机变量，可按随机变量来求其数学期望。
其结果在一般情况下依赖于时间t，是t的确定函数。 不再是随机的 !

X (t ) mX  t 

是随机过程的 X(t)所有样本函数在各时刻 t 的均值，是统计平均。

各样本函数围绕 mX  t  起伏变化。
。
2．均方值、方差

oos

均方值（二阶原点矩） S  t   E  X (t )    x  p X  x ; t dx 
2 2 2
X
方差（二阶中心矩）  2  t   D[ X (t )]  E ( X (t )  m (t )) 2 
X  X 

  ( x  mX (t )) 2  p X  x ; t dx  S X2  t   mX2 (t )

S X2  t  、 X2  t 都是 t 的确定函数.
若 X(t) 为随机电压信号， 则 S X  t  为消耗在单位电阻上的瞬时功率的平均值 ，
2

 X2  t  为瞬时交流功率的平均值。
 X2  t  的平方根  X  t  称为随机过程的标准差（也称均方根）。
3. 相关函数、协方差函数
-- 是用于描述随机过程不同时刻状态之间内在关系的重要数字特征。
（1）自相关函数
RX  t1 , t2   E  X (t1 ) X (t2 )   
 
 x1 x2  p X  x1 , x2 ; t1 , t2 dx1dx2
 
-- 是 X(t) 在两个不同时刻的状态 X(t1)、X(t2) 之间的混合原点矩。
-- 可反映 X(t1)、X(t2) 之间的相关程度， 是 t1、t2 的2维函数。
t1  t2  t RX (t , t )  S X2  t  S X  t  是 RX  t1 , t2  的特殊情况。
2
若取 则
 例： 已知随机过程 X (t )  At , 其中A为[0,1]上均匀分布的随机变量。
求 X(t) 的均值和相关函数。
解： 1
m X  t   E  X (t )   E  At   E  A  t  t
2 1
RX  t1 , t2   E  X (t1 ) X (t2 )   E  At1 At2   E  A  t1 t2 2  t1 t2
3
（2）协方差函数： C X  t1 , t2   E  X (t1 )  mX  t1    X (t2 )  mX  t2   
 
 E  X (t1 ) X (t2 )  mX  t1  X (t2 )  mX  t2  X (t1 )  m X  t1  m X  t 2  
 RX  t1 , t2   mX  t1  mX  t2 
（3）互相关函数 --描述两个随机过程 X(t)、Y(t) 之间关系的数字特征
 
RXY  t1 , t2   E  X (t1 ) Y (t2 )     x y p XY  x, y ; t1 , t2 dxdy
 

（4）互协方差函数：
C XY  t1 , t2   E  X (t1 )  mX  t1   Y (t2 )  mY  t2     RXY  t1 , t2   mX  t1  mY  t2 
 
 4. 正交性、相关性
随机过程 X (t )、Y (t ) 正交： 若对任意 t1,t2 存在下式,则为正交:
RXY  t1 , t2   E[ X (t1 )Y (t2 )]  0
随机过程 X (t )、Y (t ) 不相关：(存在下式, 则为不相关)
C XY  t1 , t2   E[( X (t1 )  mX (t1 ))(Y (t2 )  mY (t2 ))] 0
★ 注意： 不相关并不是相关函数为零！
若两个随机过程独立，则一定不相关； 反之，则不一定。

5. 随机过程的特征函数

一维特征函数:  X 1 ; t1   E e j1 X ( t1 )
   e j1x1 px ( x ; t1 )dx


多维特征函数:  X 1 n ; t1 tn   E e j (1 X (t1 )  n X ( t n )


 
  e j (1x1 n xn )
px ( x1 , xn ; t1 , , tn )dx1 dxn
 

还与时间 t1 ,......tn 有关.

作业: 2.2
二
 2.2 随机过程的微分与积分
一、 随机连续性概念
1. 均方连续（ MS 连续）
lim E  X  t  t   X  t     0
 2
若随机过程 X (t ) 满足 t  0  
则称 X (t )于 t 时刻在均方意义（MS）下连续。
★ 如何判断 X (t ) 是否均方连续 ? 可通过分析相关函数来达到：

lim E  X  t  t   X  t   
 2

t  0  
 lim E[ X  t  t ) X (t  t   X  t ) X (t  t   X  t  t ) X (t   X  t ) X (t  ]
t  0

 lim{RX  t  t , t  t   RX  t , t  t   RX  t  t , t   RX  t , t }
t  0

0 （若 RX (t1 , t2 ) 在 t1  t2  t 连续）

故可以说： 若 RX (t1 , t2 ) 在 t1  t2  t 连续， 则 X(t)在 t 上 MS 连续。

2. 若 X(t) 是 MS 连续，则其数学期望也连续， 即若有
 
lim E  X  t  t   X  t    0 则 lim E  X  t  t    E  lim X  t  t  
2

t 0   t 0  t 0 
 E  X  t   该式的证明
这表明， 这时求极限与求数学期望的次序可以互换。
作业2.3.
提示: 令 Y  X (t  t )  X (t ) 先证 E[Y 2 ]  ( E[Y ]) 2
二、 随机过程的微分
1. 随机微分 -- 均方导数  X  t  t   X  t  
定义： 若可找到另一个过程 Y (t ), 满足：t 0  
2
lim E  Y (t ) 0
 t 

则称过程 X(t) 在 t 时刻有 MS 导数 Y(t). 记为 Y (t )  X (t )
X (t  t )  X (t )
 l i m
♦ 检验导数存在的柯西（Cauchy）准则： t  0 t

X (t ) 本身是待求的，为检验上述极限是否存在，需找到一个能避开求 X (t ) 的方法.

只要下式成立， 则 X(t) 的均方导数存在： （Cauchy 准则)

 X (t  t1 )  x(t ) X (t  t2 )  x(t ) 2 

lim E (  ) 0
t1 , t2  0
 t1 t2 
什么样的过程必然有均方导数？ 满足Cauchy 准则的充分条件：
相关函数 RX (t1 , t2 ) 在对角线上( t1=t2 )存在二次偏导数.
即若存在导数:  2 RX (t1 , t2 ) 则X(t) 在 t 时刻有 MS 导数.
|t1 t2 t
t1t2
 X (t  t1 )  X (t ) X (t  t2 )  X (t ) 2
上述条件的推导: E[(  ) ]
丈 t1 t2
1
2  X
= R (t  t1 , t  t1 )  RX (t , t )  RX (t  t1 , t )  RX (t , t  t1 ) 
t1
1
 2  RX (t  t2 , t  t2 )  RX (t , t )  RX (t  t2 , t )  RX (t , t  t 2 ) 
t2
2
  RX (t  t1 , t  t2 )  RX (t , t )  RX (t  t1 , t )  RX (t , t  t2 ) 
t1t2
上面结果不包括任何随机变量， 当 t1 , t2  0 时, 其极限可按一般数学方法来求.
若偏导数 RX (t1,t2 ) , RX (t1,t2 )
,
 2 RX (t1,t2 ) 存在, 则对上式取极限，有
 t1  t2 t1t2
X (t  t1 )  X (t ) X (t  t2 )  X (t ) 2
lim E[(  ) ]
t1 , t2  0 t1 t2
  2 RX (t1 , t2 )  2 RX (t1 , t2 )  2 RX (t1 , t2 ) 
 lim   2  0
t1 t ,t2 t
 t1 t 2 t1 t 2 t1 t 2 
于是得出结论： 随机过程 X(t) 存在均方导数的充分条件是，
相关函数 RX (t1 , t2 ) 在对角线上 ( t1 = t2 = t ) 存在二次偏导数.
2. 导数 X (t )的数学期望及其相关函数（在 X (t ) 存在条件下）
dX (t )
令 Y (t )  X (t ) 也记为 Y (t ) 
dt
 X (t  t )  X (t ) 
（1） 数学期望：  
mY (t )  E Y (t )  E  X (t )   E  lim(
 t 0 t
)

 X (t  t )  X (t )  1 dmX (t )
 lim E    lim  X
m (t  t )  m X (t )  
t  0
 t  t  0 t dt
求极限与求 为什么？ X(t) 均方可导、均方连续.
期望可互换

-- 导数的数学期望等于数学期望的导数；

即  dX (t )  dE  X (t )  -- 求导数运算与求数学期望运算次序可以互换。
E  
 dt  dt
 （2）相关函数 ：
RY (t1 , t2 )  E Y (t1 )Y (t2 )   E  X (t1 ) X (t2 ) 
为求上式， 先考虑 X(t)、Y(t) 的相关函数：
 X (t2  t2 )  X (t2 ) 
RXY (t1 , t2 )  E  X (t1 )Y (t2 )   E  X (t1 ) lim 
 t2  0 t 2 
1
 lim  RX (t1 , t2  t2 )  RX (t1 , t2 )  RX (t1 , t2 )
t2  0 t2 t2
再考虑
 X (t1  t1 )  X (t1 )   E Y (t1 )Y (t2 ) 
E  lim Y (t2 ) 
 t1  0 t1 
1 RXY (t1 , t2 )  2 RX (t1 , t2 )
 lim
t1  0 t
 RXY (t1  t1 , t2 )  RXY (t1 , t2 )   )
1 t1 t1t2
 2 RX (t1 , t2 )
由此结果，可得： RY (t1 , t2 )  RX (t ) (t1 , t2 ) 
t1t2
-- 随机过程 X(t) 导数的相关函数等于该过程的相关函数的二阶联合偏导数.
三、 随机过程的积分
1. 定积分情况 随机过程 X(t) 均方意义下的积分定义: 若下面的极限存在

 n
2
lim E ( Y   X (ti ) ti )   0
ti  0
 i 1 
n b
则 X(t) 的均方积分为 Y  lim  X (ti ) ti  a X (t )dt
ti  0
i 1
 积分的数学期望:    n

E Y   E  X (t )dt  E  lim  X (ti ) ti 
b

 a   ti 0 i 1 
 n  n n
 lim E   X (ti ) ti   lim  E[ X (ti )]ti  lim  mX (ti ) ti  mX (t )dt
b

ti  0
 i 1  ti 0 i 1 ti  0
i 1
a
-- 积分的数学期望等于数学期望的积分; 积分运算与数学期望的运算次序可以互换 .

 E   X (t1 ) X (t2 )dt1dt2 

 b b
 积分的均方值： E[Y 2 ]  E  b X (t )dt b X (t )dt 
 a 1 1 a 2 2
  a a 
b b b b
  E[ X (t1 ) X (t2 )]dt1dt2   RX (t 1, t 2 )dt 1dt 2
a a a a
b b b b
 积分的方差：   E[Y ]  ( E[Y ])
Y
2 2 2

a 
a
RX (t1 , t2 )dt1dt2  
a 
a
mX (t1 )mX (t2 )dt1dt2
b b
  C X (t1 , t2 )dt1dt2
a a
 t
2. 积分上限为时间 t, 下限为0:
 0
X ( )d   Y (t )
则积分为时间的函数 -- Y(t) 为随机过程.
 Y(t) 的数学期望:  t X ( ) d    t m ( ) d 
 a  a X
mY (t )  E[Y (t )]  E
-- 积分的均值 = 均值积分;
 Y(t) 的自相关函数: RY (t1 , t2 )  E[Y (t1 )Y (t2 )]  E  X ( ) d   X ( ) d   
 t1 t2

 0 0 
   
t1 t2
 E    X ( )X ( )d  d    E X ( ) X ( ) d  d  
t1 t2

 0 0  0 0
t1 t2
  RX ( ,  )d  d  
0 0
-- 随机过程积分的相关函数等于原过程相关函数的二重积分;

作业: 2.3 2.4.

 2.3 平稳随机过程和各态历经过程
一、平稳随机过程
1. 严平稳随机过程及其数字特征
⑴ 概念 一个随机过程 X(t) ， 如果其 n 维概率密度函数满足（对任意 n 和 ）
p X ( x1 , x2 , tn )  p X ( x1 , x2 ,
, xn ; t1 , t2 , ， xn ; t1   , t2   , , tn   )
则称 X(t) 为严平稳随机过程, 或称狭义平稳随机过程.
-- n 维密度函数不随时间起点的平移而改变;
-- 统计特性不随时间平移而变化.
一般来说， 若产生随机过程的主要物理条件在所关心的时间中不变化，
即可以认为此过程是平稳的。
在无线电子学的实际应用中，有很多随机过程可以认为是平稳随机过程。
例如， 一个工作在稳定状态下的接收机， 对噪声的输出就可以认为是平稳随机过程。
(2) 严平稳过程的性质
1o 一维概率密度与时间无关: p X ( x1 ; t1 )  p X ( x1 ; t1   )
令  ＝-t1，  p X ( x1 ;0)  p X ( x1 ).

此时其均值是常数 E[ X (t )]  xp

1 X ( x1 )dx1  mX （当均值存在时）
其均方值和方差也是常数 （当其存在时）
 
E[ X (t )]   x p X ( x1 )dx1  S ,  1 X X 1 1 X
2 2 2
1 X D[ X (t )] 
2
( x  m ) 2
p ( x ) dx   2

 
反之， 当 m X 、S 2
X 、
2
X 为常数时， 能否说 X(t) 是严平稳的? 不能！
2o 严平稳随机过程的二维概率密度只与时间差有关 (  t2  t1 ),
而与时间起点无关，即 p X ( x1 , x2 ; t1 , t2 )  p X ( x1 , x2 ; t1   ' , t2   ' )
令  '  t1 ，  p X ( x1 , x2 ;0, t2  t1 )  p X ( x1 , x2 ; ) (令   t2  t1 )
因此严平稳随机过程的自相关函数 (如果存在), 仅是单变量（时间差）的函数，即
   
RX (t1 , t2 )    xx
 
1 2 p X ( x1 , x2 ; t1 , t2 )dx1dx2    xx 1 2 p X ( x1 , x2 ; )dx1dx2
 
 RX ( )
同时亦有： C (t , t )  R (t , t )  m (t ) m (t )  R ( )  m 2
X 1 2 X 1 2 X 1 X 2 X X  C X ( )

反之， 当 RX (t1 , t2 )  RX ( ), C X (t1 , t2 )  C X ( )

能否说 X(t) 是严平稳? 不能！
2. 宽平稳随机过程
（1）定义与概念： 若随机过程 X(t) 的二阶矩存在（即 E[ X
2
(t )]   ） 且满足
1）. E[ X (t )]  mX (均值为常数)
2）.RX (t1 , t2 )  E[ X (t1 ) X (t 2 )]  RX (t2  t1 )  RX ( ) (  t2  t1 )
(相关函数仅与时间差有关)
则称 X(t) 为宽平稳随机过程 （或称广义平稳过程）。
当二阶矩
（2）严平稳过程与宽平稳过程之间的关系
存在！
严平稳过程 宽平稳过程
不一定！
？
 当 X(t) 为高斯过程时: 严平稳 宽平稳 （为什么？）

（3）联合平稳过程
对两个平稳过程 X(t)、Y(t)， 若它们的互相关函数仅是时间差的函数，即
RXY (t1 , t2 )  E[ X (t1 )Y (t2 )]  RXY (t2  t1 )  RXY ( ) (  t2  t1 )
则称 X(t)、Y(t) 是联合平稳的。

♦ 平稳随机过程： 除特别指明外， 通常指宽平稳过程 。

例： 设某随机过程为 X (t )  Am cos(0t   ) 其中，Am 、0 为常量，
相位  是在 (0, 2 ) 上均匀分布的随机变量。 考查 X(t) 的宽平稳特性。
 2
解： E[ X (t )]  xp

1 X ( x1 ; t )dx1   f ( ) p ( ; t )d
0
2
1 Am

2
 Am cos(0t   ) d  sin(0t   ) 0 (是常数)
2
0
0
2
2
1
RX (t , t   )  E[ X (t ) X (t   )]   Am cos(0t   )  Am cos(0 (t   )   ) d
0
2
2
Am 2 Am 2

2  2 0  [cos(20t  0  2 )  cos 0 ]d 
2
cos 0 ( 仅与时间差
有关 )

Am 2
S  RX ( ) | 0
2
X   ( 不要忘了判断这一个条件！ )
2
所以 X(t) 是宽平稳随机过程。
二、各态历经过程
在实际中，要得到随机过程的统计特性，例如求数学期望、相关函数，
如果直接按定义来求，则需要计算

RX (t , t   )  E[ X (t ) X (t   )]
E[ X (t )]  xp 1 X ( x1 ; t )dx1  

    xx 1 2 p X ( x1 , x2 ; )dx1dx2
♦ 是对大量的样本函数在特定时刻求统计平均。  
统计平均所需要的随机试验工作量很大，计算量也很大。
能否找到更简单的方法代替统计平均方法呢？ 能否用时间平均来代替统计平均？
♦ 有一种随机过程可以用时间平均来代替统计平均 -- 各态历经过程！
为此，首先讨论随机过程时间平均量
1、时间平均量 T
1
 时间均值 X (t )  Tlim
 2T T x(t )dt1 N
（用一个样本函数来积分）

 时间相关函数
 lim
N  2 N  1

k  N
x(k ) （对随机序列）
1 T
X (t ) X (t   )  lim T x(t ) x(t   )dt
T  2TN
1
X (k ) X (k  m)  lim
N  2 N  1

k  N
x(k )x(k  m) （对随机序列）
 2、各态历经性定义 （遍历性） 先证 为

sif
设 X(t) 是一个平稳过程，
(1) 若 X (t )  E[ X (t )]  mX 以概率1成立，

则称 X(t) 的均值具有各态历经性。 （均值是遍历的）

(2) 若
X (t ) X (t   )  E[ X (t ) X (t   )]  RX ( ) 以概率1成立，
则称 X(t) 的自相关函数具有各态历经性。 （相关函数是遍历的） 各态历经过程
若当   0 上式成立， 则称 X(t) 的均方值具有各态历经性。
(3) 若X(t) 的均值和相关函数都具有各态历经性， 则称 X(t) 是宽各态历经过程。
以后除非特别指出， 各态历经过程皆指宽各态历经过程。
3、讨论
（1）对一般的随机过程， 各个样本函数的时间均值 X (t ) 是不同的，是随机量；
但对各态历经过程， 求时间平均其结果趋于一个非随机的确定量。
可用任一个样本函数的时间平均来代替对整个随机过程的统计平均。
对各态历经过程，
这对解决实际问题，带来很大方便。
（2）联合各态历经过程 设两个随机过程 X (t )、Y(t) 各自为各态历经的，
_________________
且有 X (t )Y (t   )  E[ X (t )Y (t   )]  RXY ( )
则称这两个随机过程为联合各态历经过程。
心
（3）举例 设已知随机过程 X (t )  Am cos(0t   ) 其中，Am 、0 为常量，
相位  是在 (0, 2 ) 上均匀分布的随机变量。 检验 X(t) 是否为各态历经过程？
解： ______ 1 T A sin(0t   ) T
X (t ) T  2T T m
 lim A cos(0 t   )dt  Tlim |T
 2T 0
 0  E[ X (t )] 以概率1成立。 -- 均值各态历经。
_________________ 1 T
T  2T T
X (t ) X (t   )  lim x(t ) x(t   )dt
1 T
T  2T T m
 lim A cos(0t   ) Am cos(0 (t   )   )dt
T
Am 2 1 Am 2
 lim
T  2T T 2 [cos(20t  0  2 )  cos 0 ]dt  2 cos 0
 E[ X (t ) X (t   )] 以概率1成立。 --相关函数各态历经。

所以 X(t) 是各态历经过程。
（4）在电子信息技术中， 当一个各态历经过程 X(t) 代表的是电压或电流，
则 X(t) 的时间平均量具有明确的物理意义。

♦ 均值：
______ 1 T
E[ X (t )]  X (t )  lim 
T  2T T
x(t )dt x (t ) 的直流分量；
1 T 2
♦ 均方值： RX ( ) | 0  S X  X (t )  lim
2 2
 x (t )dt
T  2T T

,
消耗在 1 欧 电阻上的总平均功率。

______ 2
♦ 方差： 1 T
  E[( X (t )  mX ) ]  lim T ( x(t )  X (t ) ) dt
2 2
x
T  2T
______
 X (t )  ( X (t ))
2 2

消耗在 1 欧 电阻上的交流功率。

★ 作业： 2.7, 2.9, 2.10, 2.14。

 4．随机过程具有各态历经性的条件 ______
（1）平稳过程的均值具备各态历经性的充要条件 -不通过直接判断 X (t )  E[ X (t )]
若下式成立， 则 X(t) 是均值各态历经的：
1 2T 
lim [  (1  )( RX ( )  mX2 ) d ]  0
T  T 0 2T _________________
（2）相关函数各态历经的充要条件 -也不直接判断 X (t ) X (t   )  RX ( )
若下式成立， 则 X(t) 是相关函数各态历经的：
1 2T 
    X (  )]d  0
2
lim (1 )[ B ( ) R
T  2T 0 2T
其中： B ( )  E[ X (t     ) X (t   ) X (t   ) X (t )]
（3）对于平稳高斯过程 X(t), 若 E [X(t)] = 0， RX ( ) 连续， 相关函数绝对可积
则 X(t) 是各态历经过程的一个充分条件为： 
0 RX ( ) d  

对上述条件， 对许多实际的平稳过程，通常是满足的。 但要从理论上证明，

往往比较困难。 实际中通常是先假设是各态历经的， 然后再检验假设是否合理。
。
（4）各态历经过程必是平稳随机过程 （由定义可知）
问题： 平稳过程是否一定具备各态历经性？ 不一定！
例： 设 X (t )  Y , 其中 Y 是均值和方差都存在的随机变量.
问： ① X(t) 是否为平稳过程 ?
② X(t) 是否为各态历经过程 ？
解： ①
E[ X (t )]  E[Y ]  mY --均值为常量;
RX (t , t   )  E[ X (t ) X (t   )]  E[Y 2 ]  SY  RX ( )
2

RX (0)  SY2   所以 X(t) 是平稳过程.

--与时间起点 t 无关；
______
1 T 1 T
② X (t )  lim

T  2T T
x(t )dt  lim 
T  2T T
Y dt  Y  mX
-- 均值不是各态历经的；
_________________
1 T
X (t ) X (t   )  lim
T  2T 
T
Y 2 dt  Y 2  RX ( )
--相关函数不是各态历经的；
所以，X(t)=Y 不是各态历经过程。
★ 可见不是任何平稳过程都是各态历经的!
作业: 2.8, 2.12.
2.4 平稳过程相关函数的性质
 相关函数是反映平稳过程特性的最重要的特征参数
一、平稳过程自相关函数的性质
1º E  X 2  t    RX   | 0  RX  0  均方值可由 RX   得到

2º RX     RX   RX   是偶函数
证： RX ( )  E  X  t  X  t      E  X  t    X  t    RX   
3º
RX  0   | RX ( ) | 相关函数在  0 点取得最大值
证：
E  X t   X t      0
 2

 
而
左式 = E [ X (t )  X (t   )  2 X (t ) X (t   ) ]
2 2

 RX  0   RX  0  2 RX   (对平稳过程)

 2 RX (0)  2 RX    0
 RX (0)  RX   即 RX  0   | RX ( ) |
同理可得: C X  0    X2  | C X   | （思考题）
Rxcimizikxczsmisrizlazsl .
4 º 周期平稳过程的自相关函数必是周期函数， 且其周期与原过程周期相同.
若平稳过程 X(t) 满足 X t   X t  T  则称为周期平稳过程.
证： RX   T   E  X  t  X  t    T  
 E  X  t  X  t      RX  
例: X (t )  Am cos 0t    即为周期平稳过程。
5 º 不包含任何周期分量的平稳过程满足

ofs
lim RX    RX     mX 2
 
因为，从物理意义上，当  增大时，X t 与  X t    相关性会逐渐减弱，
当 |  |  两者趋于不相关。 这时有：

lim RX    lim E  X  t  X  t      lim E  X  t   E  X  t      mX 2

     

这时对于协方差函数则有： lim C X    C X    0
 
6º
若平稳过程含有平均分量 （均值 m X ）， 则相关函数也含有平均分量，
mX 2 。 RX    C X ( )  mX2

-
且等于 即

而且在满足性质5º 下， RX  0   RX ()   X2 （证明略，作为思考题，书上有）

例： 已知某平稳过程 X(t) 的自相关函数为

RX    100 e 10 | |  100

求 X(t) 的均值，均方值和方差。

解：
mX2  lim RX    RX     100
 

 mX  10
s X2  E  X 2  t    RX  0   200

 X2  s X2  mX 2  100
7º 相关系数 --为表征随机过程在两个不同时刻的状态之间的相关程度
C X   RX    mX 2
 X     --又称为归一化自相关函数
X 2
X 2

 X  0   1, 对任意 |  X   | 1
|  X   | 越大, X (t ) 与 X  t    相关性越强
|  X   | 越小, X (t ) 与 X  t    相关性越弱
 X    0, X (t ) 与 X  t    不相关.
二﹑平稳过程互相关函数的性质
1º RXY    RYX   
证: RXY    E  X  t  Y  t      E Y  t    X  t    RYX   
 
思考： 这是否说明 R   是偶函数？ 或是奇函数？ 既不说明是偶函数，
XY
也不说明是奇函数！
2 º | RXY   |2  RX  0  RY  0 
E  Y  t      X  t     0 
2
证: 对任意实数
 
 RY  0   2 RXY     RX  0   0
2
对二次方程： A 2  B  C  0
B 2  4 AC  0 （韦达 解此式，得： | RXY   |  RX  0  RY  0 
2
必满足判别式：
定理）
同理可得：| C XY   |  C X  0  CY  0  C XY  
2

  XY      XY ( )  1
  X 2 Y 2 ,  XY
 J2://RYCD-zmitmijtzNRXYG-mxmy-mymxtm.mx
EKYa-ns-mYD-xcei.mx )

tmijil
八 ( Rxco ) -2mi

Ryw ) -

my )
tzNRXYCU-m.MY )

t Nlkxw ) -
mi ) .
2

以 4

ACEoyckxyczs-mxmj1 zglrii
kxcos-minycotnyjidx.kz
-

) 立
十
 3º | RXY   |  1  RX  0   RY  0  
2
E  X  t   Y  t       E  X  t   2 X  t  Y  t     Y  t    
证: 2 2 2

 
 RX  0   2 RXY    RY  0  0
三、相关函数的测量 按定义 RX ( )  E  X  t  X  t    
据上式计算随机过程的相关函数是很困难。 对于各态历经过程， 据前面知识，有
T
1
RX ( )  X  t  X  t     lim  x  t  x  t   dt --用时间相关代替统计相关
T  T
0
上式是作为相关函数测量的理论基础。 T 
1
1. 用观测值 x(n) 计算相关函数的方法 RX   
ˆ
 x  t  x  t   dt
T  0
n i
 RX ( )
用求和代替积分： 1
Rˆ X  i   
n  i k 1
x  k t  x  k t  i 
或 1 n i
Rˆ X  i   
n  i k 1
x k  x k  i --该计算可用FFT来实现

n i
1
RXY  i  
同理得计算互相关的近似式: ˆ
(理论上要求互各态历经) 
n  i k 1
x k  y k  i
--也可用FFT来实现
2. 相关函数测量仪原理

x(t ) 乘法器 积分器 乘法器 Rˆ X  

自相关测
量仪原理: 1
延时  低通滤波器
T 
T 
1
RX   
ˆ
 x  t  x  t   dt
互相关函数 T  0
测量仪原理
x(t )
乘法器 积分器 乘法器 Rˆ XY  
y (t ) 1
延时  T 
数字信号处理方法: 用FFT来实现:
n i
1
x(t ) A/D PC机
Rˆ X  i   
n  i k 1
x k  x k  i
变 或
y (t ) 换 1 n i
器 DSP Rˆ XY  i   
n  i k 1
x k  y k  i
四、相关函数的应用举例
地下输水管道检漏方法研究 --相关检漏法 (一项实际科研项目)

X (t ) Y (t )

A C B

声传感器1 声传感器2
漏点!

计算互相关函数
RXY    E  X  t  Y  t      E  X  t  X  t  t0    
理论上 Y  t   X  t  t0  当   t0 RXY    R max
故可以通过求 R max , 来求出 t0
然后再根据测量出声波在管道中传播的速度 v , 计算出漏点 C 的位置:
| d AC  d BC |  v t0

作业: 2.11, 2.16.

 2.5 高斯过程 (Gauss Process) -- 也称为正态过程
一、高斯过程的描述 -- 是在工程实际中遇到最多的一种随机过程。
1. 定义： 若对于任何有限时刻 ti ，由随机过程 X(t) 的 n 个采样值 X (ti ) (i  1,..., n)
X   X 1 ,..., X n  , 其联合概率分布是下面的高斯函数，
T
构成的任意 n 维随机变量
则称 X(t) 为高斯过程。 1
1  X  m X  C X1  X  m X 
T

p X  x1 , , xn ; t1 , , tn   n 1
e 2

 2  2 CX 2 其中： mX , C X :
mX  E  X  [m(t1 ),..., m(tn )] ; T 分别为均值矢量和协方差矩阵。
 X 1  m1  
C X  E  X  mX  X  mX  
T
, X n  mn   [cij ]nn
  
 
 E    X 1  m1 ,
 X  m  
 n n 
任意元素： ci j  E  X (ti )  m(ti )   X (t j )  m(t j )  
n n
1
上面密度函数中的指数项 1
 X  mX  
T
C X1  X  mX   e 2 CX  Cik  xi  mi  xk  mk 
也可以表达为展开式： i 1 k 1
2
e
| cik | 为行列式 | C X |中元素 cik 的代数余子式。
   x1  m1  x2  m2   
1  2 
二维高 1  1  x  m
2
x  m
2

p X1 , X 2  x1 , x2   exp   1
 2
 2 
斯分布
 2  
2

1
1   2 2  1 2 
 2 1   
2
  2
1  2
2  
1 2  

1
2. 高斯过程的特征函数 jmTX    T C X 
  [1 ,..., n ] T  X    E[e j T X
] e 2

二、高斯过程的特性
1º 任意n 维密度函数可由均值矢量 mX 和协方差矩阵 C X 完全确定
1
1  X  mX  C X1  X  mX 
T

p X  x1 , , xn ; t1 , , tn   n 1
e 2

 2  2 CX 2
2 º 对高斯过程， 严平稳和宽平稳是等价的。
X (t ) 严平稳 X (t ) 宽平稳
因为其 n 维密度函数完全由 mX , C X 确定， 当 X (t ) 满足宽平稳条件时，
也同时满足严平稳条件；
而当 X(t) 满足严平稳条件时， 因为高斯过程的 2 阶矩存在，故为宽平稳过程。
3 º 对高斯过程， 各时刻的 X (ti )、X (t j ) 之间， 不相关和独立是等价的。
设 X (ti )、X (t j ) 的相关系数为  (ti , t j ), 则
 (ti , t j )  0 p X  xi , x j ; ti , t j   p X  xi ; ti )  p X ( x j ; t j 
 4 º 若两个联合高斯过程 X (t )、Y (t ) 不相关， 则这两个高斯过程也相互独立。
★ 注意：“联合”二字不能省略！
有些书中对该概念未提“联合高斯”过程是不确切的。
若 X(t) 和 Y(t) 不是联合高斯过程， 即使它们本身各自都是高斯过程， 而且不相关，
但 X(t) 和 Y(t) 也可能是不独立的。（前面举过这方面的例子。见第一章第二次课讲义）
5 º 平稳高斯过程与确定信号之和仍然是高斯过程。
设合成信号为 Z t   X t   s t  X(t) 为平稳高斯过程， s(t) 为确定性信号
这时 Z(t) 的概率密度为 pZ  z ; t   p X  z  s  t  ; t  故 Z(t) 仍是高斯过程。

注意： 虽然原来的 X(t) 是平稳的，但这时的 Z(t) 可能不再是平稳的了。 为什么？

（思考题 ）
6º 对高斯过程的积分
b
（1） Y 
 X  t  h  t  dt
a
b
则 Y 是一个高斯随机变量. 其中 h(t) 为确定性函数.
（2） Y  t  
 X   h  t ,  d
a
则 Y(t) 是一个新的高斯过程。
7º有关平稳高斯过程的导数的分布
（1） X (t ) 其 1 维概率密度是高斯函数； 作业: 2.22.
（2） ( X (t ), X (t   )) 其 2 维概率密度是高斯函数；
（3） ( X (t ), X (t )) 其 2 维概率密度是高斯函数。
高斯过程在无线电技术和电子技术中有广泛的应用。 电阻热噪声、 大气和宇宙噪声、
以及自然界中许多干扰噪声等， 都可以近似看作为高斯过程。
。
三 复随机过程 Z (t )  X (t )  j Y (t )
其中: X (t )、Y (t ) 为实随机过程， “ j ” 为虚单位。
均值： mZ (t )  E[ Z (t )]  E[ X (t )  jY (t )]  mX (t )  j mY (t )
.
自相关函数： RZ (t , t   )  E[ Z * (t ) Z (t   )] Z * (t ) 为 Z(t) 的复共轭
自协方差函数： CZ (t , t   )  E[( Z (t )  mZ (t ))* ( Z (t   )  mZ (t   ))]
当   0 : R (t , t   )  E [ Z (t )
2
]  S 2
Z (t ) （均方值，实数）
Z  0
CZ (t , t   )  0  E[ Z (t )  m (t ) 2 ]   Z2 (t ) （方差，实数）
Z
当满足下面 3 个条件时，
（1） mZ (t )  mZ （常量），
则称复过程 Z(t) 为平稳复过程.
（2） RZ (t , t   )  RZ ( ) （仅与  有关） ，

Z (t )  
2
复过程 Z(t) 的联合 （3） S
概率密度函数： p X ,Y ( x1 , , xn , y1 , , yn ; t1 , tn , t1' , tn' )
当 Z(t) 为 1
1  ( Z  mZ )T CZ1 ( Z  mZ ) -- 2n 个状态变量，
复高斯过程：  1
e 2
2n 个时间变量；

其中: (2 ) n CZ 2 -- 本身是实函数。

  *   T
Z  [ x1 , , xn , y1 , , yn ] , mZ  E[ Z ], CZ  E[( Z  mZ ) ][( Z  mZ ) ]
T
2.6 随机过程的功率谱密度
频域分析方法已在确定性信号分析中得到有效的应用。随机信号是否也存在某种谱特性？
对随机信号能否应用傅里叶变换？ 对随机过程， 须经过处理， 才能应用傅里叶变换.

因为随机过程的样本函数不一定满足绝对可积条件. 即
本课将对随机过程的频域分析进行讨论,
  x(t ) dt  
主要研究其功率谱密度， 研究其频率分布，带宽，平均功率等。

2.6.1 功率谱密度
一、 确定信号的频谱，能谱密度及能量概念

一个确定信号 s(t)，若满足狄氏条件， S ( )   s (t )e  jt dt

则其傅氏变换存在， 或说具有频谱：
狄氏条件： （1）连续或具有有限个间断点； （2）具有有限个极值；
 
（3）绝对可积， 即


s (t ) dt  . 

s 2 (t )dt  
表明 s(t) 的总能量必须是有限的。  1 
 s (t )dt  2 
2
根据巴赛瓦（Parseval）定理， 能量也可表达为
2
S ( ) d 


在工程技术中， 许多重要的时间函数（信号）的总能量是无限的， 例如正弦信号，

对于大多数随机信号， 其样本函数的总能量是无限的， 不满足绝对可积 条件。
如何对随机过程应用傅里叶变换呢？
一个随机过程的样本函数 x(t) ，总能量是无限的， 但其平均功率通常却是有限的，
1 T

即 2
W  lim x(t ) dt  
T  2T T

若 x(t) 代表电流或电压， 则 W 表示 x(t) 消耗在1 欧姆电阻上的平均功率。

对随机过程， 它的频谱在数学上不存在， 但其平均功率谱存在。 故研究功率谱。
定义： 截取函数 xT (t ) :  x(t ) t T
xT (t )  
将随机过程的样本函数 x(t) ， 任意截取一段长度 2T . 
0 t T
 T
dt T T
 jt
其傅里叶变换存在。
X T ( )   xT (t )e  jt
 x (t ) e dt

1 
同时其傅里叶反变换也存在， xT (t ) 
2 

X T ( )e jt d 
X T ( ) 是 xT (t ) 的频谱函数， 但不是 x(t ) 的频谱函数。
xT (t ) 和 X T ( ) 都是随机函数， 分别记为 xT (t ,  )、 X T ( ,  ) .
代入到平均功率表达式中。
 1 T 2
1 T 2
代入到平均
功率表达式中：
W  lim
T   2T  T
x(t ,  ) dt  lim
T  2T  T
xT (t ,  ) dt
1 T 1 
 
jt
 lim x (t ,  )[ X (  ,  ) e d  ]dt
2
T T
T  2T  T 
1  1 T
 
jt
 lim X (  ,  )[ x (t ,  ) e dt ]d 
x
这里 W 是 T (t ,  ) T  2T  2
T  T T

1  1

2
的平均功率。  lim X (  ,  ) d
2 2
T
1
 T  2T
被积函数 lim X T ( ,  ) , 描述了 x (t ,  ) 在不同频率上功率分布的情况，
T  2T 1
称为 x (t ,  ) 的功率谱密度函数。 记为 G X ( ,  )  lim
2
X T ( ,  )
T  2T
是样本函数的功率谱密度函数， 还带有随机性。
1 1 2
取统计平均，得： GX ( )  E [lim X T ( ,  ) ]  lim
2
E[ X T ( ,  ) ]
T  2T T  2T

称GX ( ) 为随机过程 X(t) 的功率谱密度函数， 简称为功率谱密度。

这时 G X ( ) 是确定函数， 不再是随机的。
物理意义： 表示随机过程 X(t) 在单位频带内消耗在1 欧姆电阻上的平均功率。
进一步考察 GX ( ) : 对 W 取统计平均，
1 T 1 T
 
2
 ( lim E [ X (t )]dt
2
E[W ]  lim E[ xT (t ,  ) ]dt
T  2T T T  2T  T
1  1 1 T 2
  lim 
2
 lim E[ X T ( ,  ) ]d  S X (t ) dt )
2  T  2T T  2T  T

1 

2  
GX ( )d   WX -- X(t) 的平均功率

随机过程的总平均功率可以由它的均方值的时间平均得到，
也可由它的功率谱密度在整个频域上积分得到。
2
当 X(t) 为平稳过程时，S X (t ) 为常数，前面的积分变为：
1 
 GX ( )d   2
WX  S X  RX (0)
2 
上式说明： 平稳过程的平均功率等于该过程的均方值，
它可以由该过程的功率谱密度函数在全频域上的积分得到。
1 1
X T ( ,  )  GX ( )
2 2
当 X(t) 为各态历经过程，有 E[lim X T ( ,  ) ]  lim
T  2T T  2T

此时，一个样本函数的功率谱密度，
与整个随机过程的功率谱密度相等（以概率1 ）。
 例： 设随机过程 X (t )  Am cos(0t   ), 其中 Am、0 为常数，

  [0, ] 均匀分布随机相位。 求过程 X(t) 的瞬时功率 S X2 (t )， 和总平均功率 WX .
2 2
2 2 2 A
解： S (t )  E[ X (t )]  E[ A cos ( t   )]  m E [ 1  cos(2 t  2 ) ]
2
X m 0 0
2
Am2 Am2 2 2 Am2 Am2

2

2 0
cos(20t  2 ) d 
 2


sin(20t )
此结果表明该过程不是平稳的！

注意： 这里   [0,  / 2]. 与   [0, 2 ].不同。

1 T 2
总平均功率 W  lim
X T  2T  T
S X (t ) dt
2
1 T Am Am 2 2
A
 lim  T [  sin(20t )]dt  m
T  2T 2  2
对非平稳过程，本课不讨论其功率谱密度。 超出本科所学范围。 
2.6.2 功率谱密度与相关函数的关系
相关函数从时域描述随机过程的统计规律， 而功率谱密度是从频域来描述，
二者之间有什么关系？ 结论： RX ( ) 
F
F 1
 GX ( ) -付里叶变换对
推导： 1 2 （对平稳过程）
GX ( )  E[lim X T ( ,  ) ]
T  2T
1 T
 E[lim  T xT (t1 ,  )e  jt1 TT xT (t2 ,  )e  jt2 dt1dt2 ]
T  2T

1 T T  j ( t2 t1 )
 lim  T  T E[ xT (t1 ,  ) xT (t2 ,  )]e dt1dt2
T  2T

1 T T
 lim  T  T RX (t1 , t2 )e  j (t2 t1 ) dt1dt2
T  2T

当 X(t) 为平稳过程： RX (t 1 , t2 )  RX (t2  t1 )  RX  

1 T T
 lim  T  T RX (t2  t1 )e  j (t2 t1 ) dt1dt2
T  2T

令   t2  t1， (t 1 , t2 )   t1 , 
 1 T T 令   t2  t1，
GX ( )  lim  T  T RX (t2  t1 )e  j (t2 t1 ) dt1dt2
T  2T
1 0 T (t 1 , t2 )   t1 , 
RX  e
T  2T 2T T  dt1d
 j
 lim [ t1  t2  
2T T 
  RX   e    
 t T
 j
dt1 d  ] t 2   T , 1
0 T
 lim
1 0
[  (2T   ) RX  e  j d t 2  T , t1  T  
T  2T 2T
2T  : 2T ~ 2T
  (2T   ) RX   e d ]  j
0
1 0 t1
 lim [ (2T   ) RX  e
 j
d t1  T  
T  2T 2T T
2T
  (2T   ) RX   e  j d ]
0
T 
1 2T
T  2T 2T
 lim (2T   )R X   e  j
d 2T T 2T t 2
2T  t1  T   T
 lim  (1  )RX   e d  j
T  2T

2T
  RX   e d

（设满足  RX   d   ）
 j
 
平稳过程在其自相关函数绝对可积的条件下，功率谱密度是自相关函数的傅氏变换；
 RX ( ) 
F [ ]
 GX ( ) 1 
RX     GX ( )e j  d 
由傅氏变换理论, 还有 2 

于是得: RX ( ) 
F []
F 1 [  ]
 GX ( ) --功率谱密度与自相关函数
互为傅立叶变换对.
  0, 得 RX  0  
1 
对前式, 取
2 
GX ( )d  与前面的结果相同.

在许多有关功率谱方面的书上， 直接用傅氏变换表达式来定义 G X ( ) ,
以后我们也可以直接使用该定义，可用该定义来计算 G X ( ).
1 GX ( ).
例： 设已知随机过程 X(t) 的自相关函数 RX ( )  cos 0 , 求
  1 2
Gx ( )   Rx ( )e  j d  
 j
解：
cos  0 e d
  2
1  1 j0 1   j  0 
 )e d  [  (e  e  0  )]d
 j0  j  j   
 (e  e
2  2 4 
1 
 [2   0   2   0 ]  [   0      0 ]
4 2
作业: 2.13, 2.20.
2.6.3 功率谱密度的性质 1
由定义可直接证: G X ( )  E[lim T ( ,  ) | ]
2
1º  , GX ( )  0 | X
T  2T

由 GX ( )  
RX ( )e  j d 也可证得 (为非负定函数).
2º GX ( ) 是实函数. 由定义可直接看出来.
 
GX ( )   RX ( )e  j
d 从该式能否看出来 ? (  RX ( ) cos( ) d )
 

3º GX ( )  GX ( ) 是偶函数.


 
证： 由 GX ( )   RX ( )e  j
d   RX ( ) cos( ) d 是 的偶函数.
 
4º 随机过程导数的功率谱是原过程
的功率谱乘以频率的平方, 即 GX ( )   GX ( ) 2

证： 由付氏变换的微分性质， d n X (t )
n
 ( j ) n
X ( )
2 dt
| X T ( ) |2   2 | X T ( ) |
 GX ( )   GX ( ) 2

5 º 有理谱密度的形式：  2 n  a2 n  2 2 n  2    a0
GX ( )  G0 2 m
其中
G0  0, m  n （平均功率有限）.
  b2m2  2m2
   b0
b
另外，分母无实数根. 若有实数根，则其对应的项 a
其付氏反变换或为单边函数, 或不存在， 不满足相关函数的性质。
例: 已知平稳过程 X(t) 具有功率谱密度 GX ( )  4  2
1
求相关函数和平均功率.
  3 2  2
解 ： 根据性质5， 可判断出所给功率谱是有理谱的正确表达式，
2 1 2 1 
1
GX ( )  4  2
  3  2 (  1)( 2  2)
2
2  2
1  1  1
   2  2 d
j j
RX ( )  GX ( )e d  e
2  2
据付氏变换对： 2a  a | |
 e 对本题 a 2
 a
2 2

1 1  2 2 1 
  2  ( 2)2 e d  2 2 e
得 j
RX ( )  2 | |
2 2 2
总平均功率 ： 1 2
WX  RX (0)  
2 2 4
6º 当平稳过程 X(t) 的均值不为零时， 其功率谱密度将包含冲激项 2 m 2X  ( ).
证： RX ( )  C X ( )  mX2
 GX ( )  F [ RX ( )]  F [C X ( )]  F [mX2 ]
 GC ( )  2 m  ( ) 2

了
X
7º 1 2
平稳过程 X(t) 在任意频段 (1 , 2 ) 上的功率为 W (1 , 2 ) 
2 1
GX ( ) d.
2.6.4 互功率谱密度及其性质
一. 互功率谱密度的概念
两个联合平稳的随机过程 X(t) 和 Y(t), 其样本函数的截取函数分别为
xT (t ,  )、yT (t ,  ), 相应的傅立叶变换为 X T ( ,  )、YT ( ,  ),
定义 X(t) 和 Y(t) 的互功率谱密度函数为
1 1
GXY ( )  lim E[ X T* ( ,  ) YT ( ,  )]  lim E[ X T (  ,  ) YT ( ,  )]
T  2T T  2T

1 1
GYX ( )  lim E[YT* ( ,  ) X T ( ,  )]  lim E[YT (  ,  ) X T ( ,  )]
T  2T T  2T

对于实函数的傅立叶变换，有 F * ( )  F ( ), 故有上面的右侧表达式。

二、 互功率谱密度的性质 (设 X(t)、Y(t) 均为实过程)
1º GXY ( )  GYX ( )  GYX
*
( )  G XY
*
( ) 由定义式即可证得，作为思考题。

s
2º
Re[GXY ( )]、Re[GYX ( )] 是 的偶函数； 其中 Re[ ]、Im[ ] 分别
Im[GXY ( )]、Im[GYX ( )]  表示复数的实部和虚部.
是 的奇函数.
证：
GXY ( )  Re[GXY ( )]  j Im[GXY ( )],
利用性质1 有 GYX ( )  Re[GYX ( )]  j Im[GYX ( )]
（实部取
Re[GYX ( )]  Re[GXY ( )]  Re[GXY
*
( )]  Re[GXY ( )] 共轭不变）
Im[GYX ( )]  Im[GXY ( )]  Im[GXY
*
( )]   Im[GXY ( )] （虚部取
共轭变负）
同理可证 Re[GYX ( )] 是 的偶函数；
Im[GYX ( )] （作为思考题）
是  的奇函数.

若随机过程 X(t)、Y(t) 联合平稳， R XY ( ) 绝对可积 ，

3º

则互功率谱密度与互相关函数构成付氏变换对，即
 1 
GXY ( )   RXY ( )e d , 
j
 j
R XY ( )  G ( )e d
2
  XY

同理对 R YX ( ) 也有 RYX ( )  GYX ( ) 证明过程与前面自功率谱相类似。

 4º 若平稳过程 X(t) 和 Y(t) 正交， 则有 GXY ( )  0, GYX ( )  0.
正交： RXY ( )  0, RYX ( )  0. 故有该性质。
5 º 若平稳过程 X(t) 和 Y(t) 不相关，则
GXY ( )  GYX ( )  2 mX mY  ( )
6º
定义平稳过程 X(t) 和 Y(t) 的相干函数

| G ( ) |2
 XY
2
( )  XY
则 0   XY
2
( )  1.
GX ( )GY ( )
例： 已知平稳过程 X(t) 和 Y(t) 的互谱密度为 a  jb / , |  | 
GXY ( )  
求互相关函数 RXY ( ).  0, otherwise
解： 1 

j
RXY ( )  ( a  jb  /  ) e d
2  
a b b
 sin   cos   sin 
   2

1
2 
  a  b  sin   b cos  

作业: 2.21.
一
 2.7 白噪声、限带白噪声
一、白噪声
1. 定义 一个均值为0的过程 N(t)， 其功率谱密度在整个频率上为非 0 常数，
N0
即 E[ N (t )]  0, GN ( )      , N 0  0.
2
称 N(t) 为白噪声过程， 简称 “白噪声”。
2. 白噪声的自相关函数
1 1  N 0 j N0
 2 e d  2  ( )

RN ( )   GN ( )e j
d ] 
2  2
GN ( )
根据  ( ) 
F
1 1
RN ( ) N0 / 2
F
( N 0 / 2) 
 
★ 白噪声概念来自光学术语: “白”字是由光学中的“白光” 概念借用而来。
-- 白色光在频谱上包含了所有可见光的频谱，赤、橙、黄、绿、青、蓝、紫，
所有光谱都包括了是白色光。
CN ( ) RN ( ) 1,   0
3. 白噪声的自相关系数  N ( )   
CN (0) RN (0)  0,   0
N (t )、N (t   )
上式说明白噪声在任何两个不同时刻都是不相关的， 即对   0, 不相关，正交。
一
 1  N
4. 白噪声的平均功率 WN 
2  GN ( )d  RN (0)  2
 ( ) | 0 
这样定义的白噪声是一种理想化的模型， 这在实际中是不存在的。
实际的噪声过程其功率都是有限的， 其相关函数不可能是一个严格的  ( ) 函数。
但这种白噪声模型在数学上具有简单、方便的优点，而且可以很好地描述白噪声的特性，
所以该白噪声模型在理论分析和实际应用中得到广泛应用。
5 白噪声是否为平稳过程 ？
N0
（1）均值为零（常数）； （2）相关函数 RN ( )   ( ) 仅与时间差有关；
2
（3）均方值 S N2  R ( ) | 0  , 不满足条件 S N2  
将平稳过程的定义加以推广，当相关函数可用冲激函数表示时， 可认为其二阶矩存在。
即当 RX ( )    ( ), 这时随机过程 X(t) 也看作为平稳过程。
根据这种推广的平稳过程定义， 白噪声是平稳过程！
一
二、限带白噪声
若一个随机过程 N(t)在有限频带上为非零的常数功率谱, 而在该频带之外为 0，
则称 N(t) 为限带白噪声。 G ( ) N
1. 低通白噪声  P P/
    
N(t) 的功率谱： GN ( )    
P 为 N(t) 的功率。  0其它  

该低通白噪声的自相关函数：
P RN ( )
1 
RN ( ) 
2 

GN ( )e j d

1  P

2 
 
e j d 
  2
  
sin 
P

2. 带通白噪声 GN ( )
带通白噪声的功率谱： P/

P   0 0 
 , 0  |  | 0  
GN ( )    2 2 0 
 0, otherwise 2
RN ( )
sin( / 2) P
自相关函数： P cos 0
1   / 2
RN ( )  
j
G ( ) e d
2  
N

1  0   / 2 P j

2 0    / 2 
e d
2 2
1  0  / 2 P  

2  0 / 2 
e j d

sin( / 2) 低通白噪声的
P cos 0 自相关函数
 / 2
3. 有色噪声 — 非白噪声
举一个有色噪声的例子
有色噪声举例：
其中   0,
 
已知 N(t) 为平稳过程， 其自相关函数为 RN ( )  P e
求 N(t) 的功率谱密度函数。

解：  0     j
G N ( ) =  RN ( )e  j d  P[     j
e e d   e e d ]
  0
2 P
 2
  2
RN ( ) 2P G N ( )
P


P


 
 
N(t) 的功率谱在不同的频率上是不同的, 是非白噪声 --有色噪声.
例2： 已知平稳随机过程 X (t )  A  B cos(0t   ), 其中 A、B、0 为常数,
  [0，2 ] 均匀分布的随机相位， 求 X(t) 的功率谱密度.
解：
RX (t , t   )  E[ X (t ) X (t   )]
 E[( A  B cos(0t   ))( A  B cos(0 (t   )   ))]
 E[ A2  AB cos(0 (t   )   )  AB cos(0t   )
 B 2 cos(0t   ) cos(0 (t   )   )]
 A2  B 2 E[cos(0t   ) cos(0 (t   )   )]
B2
A  2
E[cos 0  cos(20t  0  2 )]
2
2
B
 A2  cos 0  RX ( )
2 2
B GN ( )
GN ( )  F [ A 
2
cos 0 ]
2
B 2
 B2
2
(2 A )  B2
 2 A  ( )   [ (  0 )   (  0 )]
2
( ) ( )
2 2 2 
0 0 0
 2.8 随机序列 以离散的时间为参变量的随机过程，
记为 { X (n), n  0, 1, 2, }, 简记为 X (n).
-- 可看做连续过程 X(t) 在离散时刻的采样 X (t ) t = nΔt  X (nΔt)
一、 随机序列的统计分布函数
对于某一时刻 n, X ( n) 是一个随机变量， 其 N 维概率密度的定义为：
 N FX ( x1 , x2 , , xN ; n1 , n2 , , nN )
p X ( x1 , x2 , , xN ; n1 , n2 , , nN ) 
x1x2 xN
如果这 N 个时刻的变量相互独立，则
pX ( x1 , x2 , , xN ; n1 , n2 , , nN )  p X1 ( x1 ; n1 ) p X 2 ( x2 ; n2 ) p X N ( x N ; nN )
二、 随机序列的数字特征
  x p ( x ; n) dx, X (n) 为连续
1. 均值 （数学期望）：   X
mX (n)  E[ X (n)]  
  xi P ( X (n)  xi ), X (n)为离散
函数的均值:  i
  g ( x) p ( x ; n)dx, X (n)为连续
  X
E[ g ( X (n))]  
 g ( xi ) P ( X (n)  xi ), X (n)为离散
 i
   x 2 p ( x; n) dx , X (n)为连续
 
2. 均方值和方差： X
S X (n)  E[ X (n)]  
2 2

 i P ( X (n)  xi ) , X (n)为离散

2
x
 i
D[ X (n)]  E（
[ X (n)-mX (n) ) ]  S X ( n 2
)  m 2
X ( n )   2
X ( n)

3. 自相关函数、协方差函数： RX (n1 , n2 )  E[ X (n1 ) X (n2 )]

C X (n1 , n2 )  E[ ( X (n1 )  mx (n1 ) ) ( X (n2 )  mx (n2 ) ) ]
4. 互相关与协方差函数： --对两个序列 X(n)、Y(n)
RXY (n1 , n2 )  E[ X (n1 ) Y (n2 ) ]
C XY (n1 , n2 )  E[ ( X (n1 )  mx (n1 ) ) ( Y (n2 )  mY (n2 ) ) ]
 RXY (n1 , n2 )  mX (n1 )mY (n2 )
三、 平稳序列

1. 严平稳序列： 对任意 N 和 m, 其 N 维联合概率密度不随时间平移而变, 即

p X ( x1 , x2 , , xN ; n1  m, n2  m, , nN  m)
 p X ( x1 , x2 , , xN ; n1 , n2 , , nN )
2. 宽平稳序列： 当 X(n)满足下面条件， 为宽平稳序列：

(1) mX (n)  E[ X (n)]  mX --均值为常量；

(2) RX (n, n  m)  E[ X (n) X (n  m)]  RX (m) --相关函数仅与
时间差有关；
(3) E[ X 2 (n)]  S X 2   -- 二阶矩存在，或均方值有限。
四、 各态历经序列 1 N

随机序列的时间均值：
X ( n )  lim
N  2 N  1

n  N
x(n)
N
时间相关函数： 1
X ( n ) X ( n  m )  lim
N  2 N  1

n  N
x ( n )x ( n  m )
1. 均值各态历经序列
随机序列 X(n)是平稳的， 且 X ( n)  E[ X ( n)]  mX 以概率1成立.

2. 相关各态历经序列 X ( n) X ( n  m)  RX ( m) 以概率1成立.

3. 若X(n)的均值和相关函数都具有各态历经性， 则称 X(n) 是(宽)各态历经序列。

五、平稳序列的功率谱密度

1. 定义 
GX ( )  R
m 
X ( m ) e  j m
--为自相关函数的傅立叶级数

1 2 1 
从而有: RX ( m ) 
2 
0
GX ( )e j  m d  
2 

GX ( )e j  m d 

2. 特性
（1） GX ( ) 是以 2 为周期的周期函数； -- 易证，略。
（2） GX ( ) 关于  偶对称； --不难证 ，作为思考题。

（3） X(n) 的平均功率：

1 2
WX 
2  0
GX ( )d   RX (0)  S X2

（4） 此外，还具有平稳随机过程功率谱密度的其它特性。
六、白噪声序列
若随机序列的均值为 0，功率谱密度为常数， 则为白噪声序列。
即, 白噪声序列 N(n) 满足 E[ N (n)]  0, GX ( )  N 0 / 2,   [0, 2 ]
♦ 白噪声序列的特性：
1 N 0 j m
2
1. 自相关函数 RN (m) 
2 0 2 e d
m  0, R (0)  N 0 ; N 0 1 1 j m 2
m  0, N R ( m )  e |0  0;
N
2 2 2 jm
N0 1, m  0
 RN (m)   ( m) 其中  ( m)   --单位函数。
2 0, m  0
N0
与连续白噪声过程相比， R N ( )   ( ), 有相似处， 又有不同之处。
2
对不同时刻， N ( n)、N ( n  m) 不相关 ( m  0).
N0 m0
( E[( X (n) X (n  m)]   (m)  0  E[ X (n)]  E[ X (n  m)] )
2
2．白噪声序列的均方值、方差 N0
均方值： S 2
X ( n )  R X (0) 
N0 2
方差：  X ( n)  RX (0) 
2
. 为有限量， 二阶矩存在；
2
3．白噪声序列是平稳序列 --由(1)、(2)两个性质及均值为 0的定义即可得到。
 作业 2.24

2.27 (补充题) ：已知 { X(n) } 为白噪声序列， 方差为 X ,

2 Y (n) = X (n) - X (n-1)
m Y (n),
求 Y(n) 的均值 方差  Y2 (n), 自相关函数 RY (n, n  m),
和功率密度 GY ( ).

注：下周二交第二章后半部分作业！

2.19，2.20，2.21，2.24, 2.27
七、高阶统计量与高阶谱
1. 随机过程 X(t) 的 n 阶相关函数定义为
RX (t1 , , tn )  E[ X (t1 ) X (t2 ) X (tn ) ]
设 X(t) 为 n 阶平稳过程, 则有
RX (t1 , , tn )  E[ X (t1 ) X (t2 ) X (tn ) ]  E[ X (t1 ) X (t1   1 ) X (t1   n 1 ) ]
 RX ( 1 , 2 , , n 1 ) --称为 n 阶相关函数, 或称为 n 阶矩.
当 n=2 时:
RX ( 1 , 2 , , n 1 )  RX ( 1 ) --为 2 阶相关函数;

当 n=3 时: RX ( 1 , 2 , , n 1 )  RX ( 1 , 2 ) --为 3 阶相关函数;

2. 高阶谱概念
n 阶谱:  

  , n 1 )e  j (11  n1 n1 )

GX (1 , , n 1 )  RX ( 1 , d 1 d n 1
 
3 阶谱:  
GX (1 , 2 )  
 
RX ( 1 , 2 )e  j (11 2 2 ) d 1d 2 --也称为双谱,
比较常用.
 3. 累积量概念
 X 1 ,
, n   E  e  1 1

n j  X ( t )   X ( t1  n1 ) 


X(t) 的 n 维联合特征函数:
 n
ln  X 1 , , n 
X(t) 的 n 阶累积量: c ( , , )  (  j ) n
n 1 1  n  0
1 n
n 1

当 n=1 : c1  E[ X (t1 )]  mX
n=2 : c2 ( 1 )  RX ( 1 )  mX2  C X ( 1 )
n=3 :
c3 ( 1 , 2 )  RX ( 1 , 2 )  mX [ RX ( 1 )  RX ( 2 )  RX ( 1   2 )]  2 mX3
n=4 : 表达式比较复杂, 当 mX  0 , 有:
c4 ( 1 , 2 , 3 )
 RX ( 1 , 2 , 3 )  RX ( 1 ) RX ( 3   2 )  RX ( 2 ) RX ( 3   1 )  RX ( 3 ) RX ( 2   1 )
 作业 2.24

2.27 (补充题) ：已知 { X(n) } 为白噪声序列， 方差为 X ,

2 Y (n) = X (n) - X (n-1)
m Y (n),
求 Y(n) 的均值 方差  Y2 (n), 自相关函数 RY (n, n  m),
和功率密度 GY ( ).

注：下周二交第二章后半部分作业！

2.19，2.20，2.21，2.24, 2.27
 Ch.3

--
--

3.1
X (t ) Y (t )
X(t) Y(t)
1 X(t)
2 h(t ), H ( ), H ( s ).
Y(t)
1.

y (t ) H[ f (t )
1 1 2 2 f (t )] = H [ 1 f1 (t )] H [ f (t ))] =
2 2 1 H f1 (t ) 2 H f 2 (t )
H [ f (t )] y (t ), H [ f (t t1 )] y (t t1 ).
y (t ) f (t ) * h(t ) f (t ) h( ) d
 X (t ) xm
y (t ) X (t ) h( ) d X (t ) h( ) d xm h( ) d

享
h( ) d ; H (s)
x(t ) 1
y (t ) x(t ) * h(t ) x( )h(t )d
X (t )

Y (t ) X (t ) * h(t ) X ( )h(t )d
2.
X(t) Y(t)
X(t)
(1) Y(t) E[Y (t )] E X (t )h( )d
X(t) E X (t ) h( )d

X(t) mX h( ) d mY --
(2) Y(t)
RY t , t E[Y (t )Y (t )]
E[ X (t 1 )h( 1 ) d 1 X (t 2 )h( 2 )d 2 ]
E[ X (t 1 ) X (t 2 )] h( 1 )h( 2 )d 1d 2
X(t)
RX ( 1 2 )h( 1 )h( 2 )d 1d 2

,
s RX (
RY (
*h(

RY (n, n m)
) * h( ) (
--

E[Y (n)Y (n m)]

RX (
RX (
1 2

h(
RX ( m k
) h( 1 ) h ( 2 ) d 1d

j )h( j )h(k )
2 )

k j
RX ( m ) * h ( m ) * h ( m ) RY (m)

X(t) h(t)
(1) mY (t ) RY (t , t
Y(t)
RY (0) RX ( 1 2 )h( 1 ) h( 2 ) d 1d 2

(2) RY ( RX ( h(
3.
X (t ) Y (t )
RXY (t , t ) E[ X (t )Y (t )] E[ X (t ) X (t )h( )d ]
E[ X (t ) X (t )]h( )d
X(t)
RX ( ) h( ) d
RX ( ) * h ( ) RXY ( ) --
RX ( h(
RYX ( ) E[Y (t ) X (t )] RX ( ) h( ) d
RX ( ) * h ( ) RYX ( )
X(t) X(t) Y(t)
RY RXY h RYX h
 h(t) X(t) Y(t)
X(t) Y(t)
N0 N0 N0
RX ( ) ( ), RXY ( ) RX ( ) * h( ) ( ) * h( ) h( )
2 2 2
N0 N0
RY ( ) ( ) * h( ) * h( ) R XY ( ) * h ( ) h( )h( )d
2 2
N0
WY RY (0) h 2 ( )d
2
2
h RXY
N0

X (t ) Y (t ) Rˆ XY ĥ
2
h
N0

2 ˆ
hˆ RXY
N0
一
 4.
t 0, h t 0.
0

1 X(t)
2 X(t) t =0
1
2 X t u t .
t1 Y (t1 ) X(t) t=0 t = t1
rr-n.tn
t1
Y (t1 ) X t1 u t1 h d X t1 u t1 h d
0
t1
X t1 h d u t1
0
: t1 t1
E[Y t1 ] E[ X t1 h d u t1 ] E[ X t1 ]h d u t1
0 0
t1
mX h d u t1 X(t)
0

-_-
-_-
E[Y t ] 1
。
 :
RY t1 , t2 E[ Y (t1 )Y (t2 ) ]
t1 t2
E[ X (t1 1 )h 1 d 1 u (t1 ) X (t2 2 )h 2 d 2 u (t2 ) ]
0 0
t2 t1
E[ X (t1 1 ) X (t2 2 ) ]h 1 h 2 d 1 2 u (t1 )u (t2 )
0 0
X(t) t2 t1
RX 1 2 h 1 h 2 d 1d 2u (t1 )u (t2 )
0 0

t1 ( t2 ) .
X(t) Y(t) : RXY t1 , t2 E[ X (t1 )Y (t2 ) ]
t2
E[ X (t1 ) u t1 X t2 h d u t2 ]
0
t2
E[ X (t1 ) X t2 ]h d u t1 u t2
0
t1
RX ]h d u t1 u t1 +
0
t1 .
Y(t)
 : X t u t , :

E[ X t u t ] E[ X t ] u t mX u t -- .

Ru (t1 , t2 ) E[ X t1 u t1 X t2 u t2 ]
E[ X t1 X t2 ] u t1 u t2
RX (t2 t1 ) u t1 u t2
-- t1 ( t2 ) .

(1 2 ): 3.1 3.3, 3.4

 Y (t ) X (t )* h(t ) X ( )h(t )d
h(t) X(t)
1 Y(t)
F
RY ( ) RX ( ) * h( ) * h( ), h( ) F 1
H ( ),
F
h( ) FF 1 H * ( ), RX ( ) F 1
GX ( )
2
GY ( ) GX ( ) H ( ) H * ( ) GX ( ) H ( )
Y(t)
WY RY (0) 1 1 2
GY ( )d GX ( ) H ( ) d
2 2
2
RXY ( ) RX ( ) * h( ), RYX ( ) RX ( ) * h ( )
GXY ( ) GX ( ) H ( ), GYX ( ) GX ( ) H * ( ) GX ( ) H ( )
: GY ( ) GXY ( ) H * ( ) GYX ( ) H ( )
一
 3.1 N0 / 2 ,
Y(t)
N0 X (t ) R Y (t )
mX 0, RX ( ) ( ) 1 C
2 1
j C
H( ) h(t ) : H( )
1 j RC 1
R
1 1 j C 1
RC 1 j
j RC
RC
h(t ) F 1[ H ( )] e t u (t )
(1) ,
X(t) mY (t ) mX
0
h( ) d 0
(2 ) RY ( ), (a) (b)
2
2 N0
GY ( ) GX ( ) H ( ) 2 2
2
N0 2 N0
RY ( ) F 1[GY ( )] 1
( )F [ 2 2
] e
2 2 w 4
(3)
RXY ( ) RX ( ) * h ( ) N0 N0 N0
( ) * h( ) h( ) e u( )
2 2 2
 N0 N0 N0
RYX ( ) RX ( ) * h ( ) ( ) * h( ) h( ) e u( )
2 2 2
2
N0
(4) GY ( ) 2 2
2
N0
GXY ( ) GX ( ) H ( )
2 j
N0
GYX ( ) GX ( ) H * ( )
2 j
(5)
N0
WY RY (0)
4
2 N0
Y RY (0)
4
 X 1 (t )
X (t ) X 1 (t ) X 2 (t ) X (t ) Y (t )
X (t ) h(t )
X 1 (t ) X 2 (t ) . X 2 (t )
X(t) . Y1 (t )
X 1 (t ) h(t ) Y (t )
X(t) X 2 (t )
h(t ) Y2 (t )
Y (t ) X (t ) * h(t ) [ X 1 (t ) X 2 (t )]* h(t )
X 1 (t ) * h(t ) X 2 (t ) * h(t )
Y1 (t ) Y2 (t )

Y(t) :
(1) X(t) , Y(t) ;

(2) Y1(t) Y2(t) , Y(t) .

(1) .
 (1): mX (t ) E[ X (t )] E[ X 1 (t ) X 2 (t )] m X1 mX 2
RX ( ) E[ X (t ) X (t )] E[( X 1 (t ) X 2 (t ))( X 1 (t ) X 2 (t ))]
RX 1 ( ) RX 2 ( ) RX 1 X 2 ( ) RX 2 X 1 ( )
GX ( ) F [ RX ( )] F [ RX1 ( ) RX 2 ( ) RX1 X 2 ( ) RX 2 X1 ( )]
G X1 ( ) G X 2 ( ) G X1 X 2 ( ) G X 2 X1 ( )

mY (t ) mX h( ) d ( m X1 mX 2 ) h( ) d mY1 mY2

RY ( ) RX ( ) * h ( ) * h ( )
[ RX1 ( ) RX 2 ( ) RX1 X 2 ( ) RX 2 X1 ( )]* h( ) * h( )
RY1 ( ) RY2 ( ) RY1Y2 ( ) RY2Y1 ( )
2 2
GY ( ) GX ( ) H ( ) (GX1 ( ) GX 2 ( ) GX1 X 2 ( ) GX 2 X1 ( )) H ( )
GY1 ( ) GY2 ( ) GY1Y2 ( ) GY2Y1 ( )
 (2): Y1(t) Y2(t) , Y(t) .
Y (t ) Y1 (t ) Y2 (t ) X 1 (t ) * h(t ) X 2 (t ) * h(t )

mY1 (t ) m X1 h( ) d mY1 , mY2 (t ) mX 2 h( ) d mY2

RY1 ( ) RX 1 ( ) * h ( ) * h ( ), RY2 ( ) RX 2 ( ) * h ( ) * h ( )
2 2
GY1 ( ) GX1 ( ) H ( ) , GY2 ( ) GX 2 ( ) H ( )

mY (t ) E[Y1 (t ) Y2 (t )] mY1 (t ) mY2 (t ) mY1 mY2

RY (t , t ) E[(Y1 (t ) Y2 (t ))(Y1 (t ) Y2 (t ))]
RY1 (t , t ) RY2 (t , t ) RY1Y2 (t , t ) RY2Y1 (t , t )
RY1 ( ) RY2 ( ) RY1Y2 ( ) RY2Y1 ( )

GY ( ) F [ RY1 ( ) RY2 ( ) RY1Y2 ( ) RY2Y1 ( ) ]

GY1 ( ) GY2 ( ) GY1Y2 ( ) GY2Y1 ( )
(1) .

(1 2 ): 3.2.
3.2
N0 2
Y(t) GY ( ) H( )
2
Y(t) Y(t)
Y(t) 1 N0 2 N0 2
RY (0) H( ) d H( ) d
2 2 2 0

1. H ( ), | H I ( ) |2 | H ( ) |2
2
H (0) ,
HI ( ) e

0,
e e
e

WI
2
1
oN0
2
| HI ( ) |2 d
2
1 e

e
N0
2
| H (0) |2 d
N0
2
e
| H (0) |2

| H ( ) |2 d
2 N0 0
WI RY (0)
e
N 0 | H (0) | | H ( ) |2 d e
2 2 0 | H (0) |2
2. | H I ( ) |2
| H ( ) |2
H ( ),
0 ,

0 0
2 e
2 | H( 0 )| ,| 0 | e
e
| HI ( ) | 2 0
2 0
2
0, e .

| H ( ) |2 d
: 0 --
e 2
| H( 0 )| | H I ( ) |2 | H ( ) |2
3
: 1
1 2
| H ( ) |2 n = 1 ,
2n
1 1 e L L e
L
1 1
e | H( )| d 2
d tan 1
( ) |0
| H (0) |2 0 0
1 2
L
L 2
L

L
=1.57 L , e =1.57 L
.

: e =1.22 L
.
 .
e L

2 e L =1.11 L
2 2

e L

e L
,

e L
.

e =1.06 L
.
=1.05
e L

1 H( )
K0 , | | L
K0
H( ) 2
N 0,
GN ( )= 0 L

2
L

2 2
 K02 N 0
, | | L

GY ( )= GN ( )| H( )|2 = 2 2
0 ,

1 1 N0K j 2 2 sin L
L
N0 K 2
R Y ( )= G Y ( )e j d 2
e d0
( 0 L
)( )
2 2 2
L
2 4 L

N0 K 02 2
Y ( ), RY ( )
L
RY (0)
4
sin L
RY ( ) mY2 2
Y( )
RY (0) mY2 L
2
2 2 4
L L L
2 Y(t) ( )
Y
1
Y ( )d = 0
0

0 Y(t)
0 , , .
0
sin L
1
sin L
2 1
2 d 2 d( L
) =
( )d 2 2 fL
0 Y 0
L L
0
L 2 L
0
2 2 2

0 , Y(t)
0 , Y(t)

L
1 ;
2 2
N 0 k0
2 L ;
4
3 0 L
3
H( )
K0

K0 , | 0 |
H( ) 2 0
0
0, 0
N 2 0
2
GN ( )= 0
2
Y(t) GY ( ) GN ( ) H ( )
2
1
N 0 K 02 2, | 0 |
2
0,
0 --
2
— 0 Ch.4 .

0
2
Y(t) 1 1 0 N 0 K 02 j
R Y ( )= G Y ( )e j d
2
e d
2 2 2 0
2 2 2
N0 K0 1 N0K 0 j
( sin 1 cos 0 a( ) cos 0
0
2
e d
2 2 0
2 2
2 2
N0 K0 N0 K0 sin( / 2)
a( ) sin( / 2) 2( )
4 /2
 N0 K0
2
sin( / 2) sin( / 2) RN ( ) Y ( )
a( ) 2( )
4 /2 /2 cos 0
RY ( ) a ( ) cos 0

RY ( ) mY2 sin
( ) 2 cos
Y 0
RY (0) mY2
2

(1) RY ( ) a( ) cos 0 a( )
0 , a( ) cos 0
RY ( ) a( )
2 0 0, RY ( ) a( ) 2 RYL ( )
2
3 ( 0 ), RY ( ) 2 RYL ( ) cos 0 .

cos 0

: 3.6(1 3.5), 3.8, 3.11.

 0

4 0

H( )
2 1

2 2
( 0) ( 0)
2 2
2 2
H( ) K 0 [e e ] 0
2 1
0

0 2 2
( 0) ( 0)
2 2 2 2
H( ) K 0 [e e ] 2 2
2 ( 0) ( 0)
2 N0 K0 2 2
, GY ( ) GN ( ) H ( ) [e e ]
2

0, 1 N0 K02 2
/ 2
0
a( ) 2R YL ( ) 2[ e ej d ]
2 2
 1 N0 K02 2 / 2 j e
2
/2 2
2 e
2 2
/2
a( ) 2[ e e d ]
2 2
2/
fng
N0 K02 1 2 2
[ 2 e /2 e j d ]
2 2
2
ēǖzétiī
N0 K02 N K 2 2
2/
e /4
2 2
/2 0 0
[e ]
2 2 N0 K02 2 2
/4
RY ( ) a( ) cos 0 e cos 0
2
2
N0 K0
WY RY (0)
2
RY ( )
Y( )
RY (0)
2 2
/4
e cos 0 ( / 2 )2
e 1/ 2
1
e 2
| H ( ) |2 d
| H( ) | 0
2 0.83255
0
1.06
3.3

p X ( x; t ), p X ( x1 , x2 ; t1 , t2 ) h(t ) H( )
pY ( y; t ) pY ( y1 , y2 ; t1 , t2 ).

1
n
2
 X(t) Y (t ) X (t ) h( ) d X ( )h(t )d
n
Y (t ) lim X ( k )h(t k ) k
n
0 k=1

X [ X (t1 ), X (t2 ), , X (tn )] T

[ X1, X 2 , , X n ]T
Y [Y (t1 ), Y (t2 ), , Y (tn )]T [Y1 , Y 2 , , Y n ]T

Y1 X1
H Y HX
…

H h(t)
…

k
Yn Xn

X(t) X n
Y
pY (Y; t ) p X (X; t ) | J X; Y |, ( X1, , X n )
J X ;Y
(Y1 , , Yn )
H
pY (Y; t ) n Y(t)
 n

X(t) Y (t ) lim X (k )h(t k )

n
0 k=1
(1) h(t)
(2) X(t) 0 1/(2 f X )
0 X (k )

Y(t) t

Y(t) :
1 Y (t ) X (k )
2 X (k )
h(t)

X (k )
X (k ) 0

0 X (k )
Y(t)
h(t) 0 ,
3.4
X (t ) Y (t )

-- Y(t) X(t)
X(t) Y (t) = g X (t) ;
-- Y(t) X(t) X(t)

1. Y(t)
Y (t) = g X (t) , X(t)

1 E Y (t ) E g X (t ) g ( x) p X ( x; t )dx ( y p y ( y; t )dy )
2 RY (t1 , t2 ) E Y ( t1 ) Y (t2 ) E g ( X (t1 )) g ( X (t2 ) )
g ( x1 ) g ( x2 ) p X1 X 2 ( x1 , x2 ; t1 , t2 )dx1dx2
3 GY ( ) F RY ( Y(t) )
2. Y(t)
1 Y g ( X ), X f Y
df y
pY y pX f y
dy
df k y
pY y pX fk y
k dy
2 Y1 g1 ( X 1 , X 2 ), Y2 g 2 ( X 1 , X 2 )
X 1 f1 (Y1 , Y2 ), X 2 f 2 (Y1 , Y2 )
pY1Y2 ( y1 , y2 ) p X1 X 2 f1 ( y1 , y2 ), f 2 ( y1 , y2 ) J
f1 f1
J
y1 y2
J
f2 f2
y1 y2

mY (t ) E[Y (t )] y p y ( y; t ) dy
RY (t1 , t2 ) E Y ( t1 ) Y (t2 ) y1 y2 pY1Y2 ( y1 , y2 ; t1 , t2 ) dy1dy2
GY ( ) F RY ( Y(t) )
 2.
(1) : Y(t) ;
(2) : Y(t) ( )
(3) : Y(t)

3. Y(t) ( )
1 X(t)
Y(t) ?
: Y (t ) g ( X (t )) a (t ) X (t ) b(t ),
Y(t) !

2 X(t) Y(t) ?

P110
 1

X (t ) Y (t ) X (t ) Y1 (t ) Y2 (t ) Y (t )
g[ ] 2
1

(1) Y1 t ) ;
(2) Y2 (t ) ;
(3) Y (t ) .

2 Volterra
 :
X(t) ( Y (t ) bX 2 (t ), b 0),
Y(t) .
x2
1 2 2 2
/2
pX (x ) e 2 X
, X ( ) e X

2 X
2
( 2
2 2 Yt
X( ) 2 )/2
X ( 1, 2; ) e Xt
X 1 1 2
, b

1 y dx y dx
pY ( y ) pX ( ) pX ( )
b dy b dy
Yt Yt
1 2 2
Xb
1 1 2 2
Xb
1
e e
2 X 2 by 2 X 2 by
y
1 2 b X2
( y 0)
e ,
2 by X
(2) Y(t) E[Y (t )] E[bX 2 (t )] bE[ X 2 (t )] b 2
X
(3) Y(t) 2
Y E[Yt 2 ] ( E[Yt ]) 2 E[(bX 2 (t )) 2 ] b 2 4
X

b 2 E[X 4 t )] b 2 4
X
4
4 4 d X( )
E[X t )] ( j ) 0
d 4 2
X
2

2 2 4 2 2 4 2 4 2 6 4
X [ X X 2 X 2 X 3 X X ]e 2
0
4
3 X
2
Y 3b 2 4
X b2 4
X 2b 2 4
X
 (4) Y(t)
RY (t , t ) E[Y (t )Y (t )] b 2 E[ X 2 (t ) X 2 (t )]
4
X ( 1, 2 ; )
E[ X 2 (t ) X 2 (t )] ( j ) 4
2 2 1 0
1 2 2 0
2
X 2 2
( 1 2 X ( ) 1 2 2)
4
(e 2
)
= 2 2 1 0 = 4
X 2 2
X ( ) 4
X
4
X 2 RX2 ( )
1 2 2 0

RY (t , t ) b2 ( 4
X 2 RX2 ( )) RY ( )
2
Y RY ( ) 0 mY2 b2 ( 4
X 2 4
X ) (b 2 2
X ) 2b 2 4
X

(5)
GY ( w) F [ RY ( )] b 2{ 2 4
X ( ) 2 F [ RX2 ( )]}

: 3.14.
Ch.4 ( )

s(t) S( ) ,
0 0 , s(t)
X(t) GX ( )
0 0 , X(t)

1 1000MHz MHz
2 4K
Hz GSM 950MHz
3
 4.1 (Hilbert)
Hilbert
1 s(t) , Hilbert s (t )

o_o
sˆ(t ) H s (t ) 1 1 s( ) 1 s (t )
s (t ) d d
t t
Hilbert
1 1 sˆ( ) 1 sˆ(t ) 1 sˆ(t )
s (t ) H 1
sˆ(t ) sˆ(t ) d d d
t t
2
S( ) F s (t ) , S( ) F sˆ(t )
1
S( ) S( ) F ,
t 1, x 0
1 sgn( x) (
F j sgn( ) )
t 1, x<0
1 j 1 j j
sgn( ) u ( ) u ( ) (t ) (t )
2 t 2 t t
j S ( ), 0 -90o
S( ) j sgn( ) S ( )
j S( ) 0 90o
 1 j S ( ), 0
S( ) F S( ) j sgn( ) S ( )
t jS ( ), 0
3.
s (t ) sˆ(t ) s (t ) :
s (t ) s (t ) j sˆ(t ) s (t )
s (t ) S ( ) F s (t ) F [ s (t ) js (t ) ]
2 S ( ), 0
S( ) j [ j sgn( ) S ( )]
0, 0
S( ) 0 0

H(s)
h(t) t<0 0 H(s)
0, S ( ) 0 s (t )
1 0
2 Hilbert sˆ(t ) H s (t )
3
方
 s (t ) cos 0 t, sˆ(t ) s (t )
1 s (t ) 1 cos (t )
sˆ(t ) d 0
d 0

1 cos t cos sin t sin

[ 0 0 0 0
]d

sin t sin sin x

0 0
d( 0 ) dx
0
0 x 2
sin 0 t
j 0t
H cos 0t sin 0t , s (t )
j
cos 0 t j sin 0 t e
0t
cos 0 t e
Sˆ ( ) j sgn( ) S ( ) j sgn( )[2 ( 0 ) 2 ( 0 )]/ 2
1 1 1 j 0t j 0t
2j
2 ( 0 )
2j
2 ( 0) e e sin 0 t sˆ(t )
2j
H [sin 0 t] cos 0 t ( )
4. Hilbert
1
1º Hilbert sˆ(t ) s (t ) * h(t )
1 t
h(t )
t
Sˆ ( ) j sgn( ) S ( )
H( ) j sgn( )
2º s (t ) Hilbert sˆˆ(t ) s (t ) H [ sˆ(t )] s (t ).
ˆ
Sˆ ( ) -jsgn( )(-jsgn( )S( )) = -S( )
sˆˆ(t ) s (t )
1 sˆ( ) 1 sˆ( )
sˆˆ(t ) d ( d ) s(t )
t t
3º s (t ) sˆ(t )
Ŝ - j sgn( )S( ) | Sˆ | | S( )|
1 | Sˆ ( )|2 | S( )|2 --
2
Sˆ
2
2 RssT ( ) s (t ) s (t )dt S( , RssT
ˆˆ ( ) sˆ(t ) sˆ(t )dt
RssT ( ) RssT
ˆˆ ( ) --
3 RssT (0) RssT
ˆˆ (0) --
 4º
1 RssT ( )
RssTˆ = s (t ) sˆ(t )dt R ssT = d
s (t )
RssTˆ = s (t ) sˆ(t )dt s (t ) [ d ] dt
1
[ s (t ) s (t )dt ] d
RssT ( )
d R ssT
RssT = Rˆ ssT 信 号 不 同步 则 性( 找
)
ˆ
5º s (t ) sˆ(t ) RssTˆ 0 = s (t ) sˆ(t )dt 0
s (t ) 1 1
RssT
ˆ 0 s (t ) [ d ] dt [ s (t ) s (t )dt ] d
1 RssT ( )
d 0 0
6º s (t ) f (t ) * g (t ) sˆ(t ) f (t ) * gˆ (t ) fˆ (t ) * g (t ).
1 1 1
sˆ(t ) [ f (t ) * g (t )]* f (t ) *[ g (t ) * ] [ f (t ) * ]* g (t )
t t t
干
7º s (t ) a (t ) cos 0 t Hilbert A( 0 ) A( ) A( 0 )
a (t ) , A( ) 0,
2
s(t) 0 .
磁2
0 0

sˆ(t ) a (t ) sin 0 t 帶 宽毗切-- s(t) cos 0 t Hilbert

1
s (t ) a (t ) cos 0t a (t )[ e j 0t
e j 0t
] 1
2 A( 0 ), 0
1 2
S( ) [ A( 0 ) A( 0 )]
2 j 1
A( ), 0 A( 0 ), 0
2
0 2
Sˆ ( ) j sgn( ) S ( )
j 0
A( 0 ), 0 ( , )
2
1 1 0 j j
sˆ(t ) Sˆ ( )e j t d [ A( 0 ) e j t
d A( 0 ) e j t
d ]
2 2 2 j 0t j 0t
0 2
j j e e
a (t ) e j 0t
a (t )e j 0t
a (t ) a (t ) sin 0 t
2 2 2j
s(t) s (t ) s (t ) j sˆ(t ) a (t ) cos 0 t j a (t ) sin 0 t
a (t )e j 0t
: 4.1, 4.2.
H [a (t ) sin 0t ] a (t ) cos 0t ( )
5. Hilbert a (t ) cos 0 t
s (t ) a (t ) cos( 0t (t ))
a (t ) (t )
a (t ) (t ) cos 0 t
1 s( )
Hilbert ( sˆ(t ) d )
t
7
sˆ(t ) a (t ) sin( 0t (t ))
s (t ) a (t ) cos( 0t (t )) a (t ) cos (t ) cos 0 t sin (t ) sin 0t

篾
ac (t ) cos 0 t as (t ) sin 0 t ac (t ) a (t ) cos (t )
7 ac (t ) as (t ) as (t ) a (t ) sin (t )
c /2 s /2 Ac ( ) 0, As ( ) 0,
c /2 0, s /2 0
sˆ(t )
ac (t ) sin 0t as (t ) cos 0t
a (t ) cos (t ) sin 0t a (t ) sin (t ) cos 0t
a (t ) sin( 0t (t ))
H [a (t ) cos( 0t (t ))] sˆ(t ) a (t ) sin( 0t (t ))
-- s(t) cos( ) Hilbert
 Hlacesshcwott 0以
Hlace ) ( sincwotjaoustcoswotshoce 川

aosQces hwot ac-hdajqswoel.tl/ac e)shwot+asceuwoe)1.=tecCt)

Hlace )

eoswuttdujshwot.i-aaesosdetscosuetace.IS/hCOces)shwot.
(
cosdeejosut-shdeesshueDi.ae?(os(
-
act )

jflshueji-cosue.HlosmtjsHlaauaoefaassihu
hute.Hhssihuef.ae
) coscoe ,

Hlacesshcwoetdce ) ] = -
ausohoetda
Htasoscmetdoiaeessheetdg
。
二
二
 : s (t ) s (t ) j sˆ(t )
a (t ) cos( 0t (t )) j a (t ) sin( 0t (t ))
a (t )e j ( 0t (t )) a (t )e
j (t )
e j 0t
m(t ) e j 0t
m(t ) a (t )e j (t )
--

s (t ) m(t ) e j 0t
䪊 wo

, M( ) 0
m(t) .
2 .
0
6. 2

s (t ) WS sˆ(t ) WŜ s (t )

WS s (t ) s * (t ) dt ( s 2 (t ) sˆ 2 (t )) dt WS WSˆ 2WS

-- 2
《
4.2
Hilbert : s (t ) sˆ(t ) s (t )
Hilbert GX ( )

0 0

| 0 | , GX ( ) 0, 0 . 0
2
0
2
2 2
0

X (t ) A(t ) cos( 0t (t ))
A(t ) (t )
X(t) ( P165-166) .

X (t ) A(t ) cos (t ) cos 0 t A(t ) sin (t ) sin 0 t

AC (t ) cos 0t AS (t ) sin 0t AS (t ) A(t )
(t )
AC (t ) A(t ) cos (t ), AS (t ) A(t ) sin (t )
AS (t ) AC (t )
A2 (t ) AC2 (t ) AS2 (t ), (t ) tan 1 ( )
AC (t )
AC (t ) AS (t )
(t )
 Hilbert
X (t ) Xˆ (t ) Hilbert
1 1 X (t ) 1 1 Xˆ (t )
Xˆ (t ) X (t ) d , X (t ) Xˆ (t ) d
t t
Hilbert Xˆ (t )
1º X (t ) Xˆ (t )
GX ( ) GXˆ ( ), RX ( ) RXˆ ( ), WX WXˆ .
1
Xˆ (t ) X (t ) X(t) H( ) j sgn( )
t
GXˆ ( ) | H ( ) |2 GX ( ) | j sgn( ) |2 GX ( ) GX ( )
RX ( ) F 1[GX ( )] F 1[GXˆ ( )] RXˆ ( ),
WX RX (0) RXˆ (0) WX̂ 统 计 互相关
1
2º Hilbert RXXˆ ( ) RX ( ) Rˆ X ( )
X (t ) t
RXXˆ ( ) E[ X (t ) Xˆ (t )] E[ X (t ) d ]
E[ X (t ) X (t )]
d X (t )
RX ( ) 1
= d RX ( ) Rˆ X ( )
RXX
ˆ ( ) Rˆ X ( ) RXXˆ ( )
一
 3º X (t ) Xˆ (t ) E[ X (t ) Xˆ (t )] RXXˆ (0) 0.
2
1 RX ( ) 1 RX ( ) 0
RXXˆ (0)= d = [ ]d =0
同步
X (t ) Xˆ (t )
, RXXˆ ( ) 0,
4º X (t ) Xˆ (t ) GXXˆ ( ) j sgn( )GX ( ).
GXY ( ) H ( )GX ( )
H( ) j sgn( ), Y (t ) Xˆ (t )
GXXˆ ( ) j sgn( )GX ( )
GXX
ˆ ( ) j sgn( )GX ( )
一。
 : X (t ) X (t ) j Xˆ (t ) X (t ) Xˆ (t ) Hilbert
RX (t , t ) E[ X (t ) X (t )] E[ ( X (t ) j Xˆ (t ) ) ( X (t ) j Xˆ (t ))]
RX ( ) j RXX
ˆ ( ) j RXXˆ ( ) RXˆ ( ) ( 2 )
2 ( RX ( ) j Rˆ X ( ) ) RX ( ) --
GX ( ) F [ RX ( )] 2 ( F [ RX ( )] j F [ Rˆ X ( )] ) GX ( )

2[ GX ( ) j ( j sgn( )) GX ( ) ]
4GX ( ), 0 0 0
2 GX ( )[1 sgn( ) ] jF [ Rˆ X ( )]
0, 0
0

S( ) 2 S ( ), 0
2
GX ( )
2
S( ) 4 S( ) , 0.

s.nl ! 然 坚品
0 0
 X (t ) A(t ) cos( 0t (t )) AC (t ) cos 0t AS (t ) sin 0 t
Hilbert : Xˆ (t ) A (t ) sin t A (t ) cos t ( Hilbert 7)
C 0 S 0
A(t ) cos (t ) sin 0t A(t ) sin (t ) cos 0t A(t ) sin( 0t (t ))
X (t ) X (t ) j Xˆ (t )
A(t )[ cos( 0t (t )) j sin( 0t (t )) ]
A(t ) e j( 0t ( t ))
A(t ) e j (t )
e j 0t
A(t ) e j 0t

A(t ) A(t ) e j (t )
A(t ) cos (t ) j A(t ) sin (t ) AC (t ) j AS (t )

X (t )
j 0t
RX ( ) E[ X (t ) X (t )] E[ A (t )e A(t )e j 0 (t )
]
E[ A (t ) A(t )] e j 0
RA ( ) e j 0
--

: 4.3.
 4.3
X (t ) A(t ) cos( 0t (t )) AC (t ) cos 0t AS (t ) sin 0t (1)
AC (t ) A(t ) cos (t ), AS (t ) A(t ) sin (t )
A (t )
A2 (t ) AC2 (t ) AS2 (t ), (t ) tan 1 ( S )
AC (t )
X (t ) .
AC (t ), AS (t ) cos 0t , sin 0t
Hilbert : Xˆ (t ) AC (t ) sin 0t AS (t ) cos 0 t (2)
(1) (2) AC (t ) X (t ) cos 0t Xˆ (t ) sin 0t
AS (t ) X (t ) sin 0t Xˆ (t ) cos 0t
1 º AC (t ) AS (t ) 0 E[ AC (t )] E[ X (t )]cos 0t E[ Xˆ (t )]sin 0t 0
E[ AS (t )] E[ X (t )]sin 0t E[ Xˆ (t )]cos 0t 0
2º AC (t ) AS (t ) RAC ( ) RAS ( )
RAC ( ) E[ AC (t ) AC (t )]
E{[ X (t ) cos 0t Xˆ (t ) sin 0t ] [ X (t ) cos 0 (t ) Xˆ (t ) sin 0 (t )]}
RX ( ) cos 0t cos 0 (t ) RXˆ ( ) sin 0t sin 0 (t )
ˆ ( ) sin 0 t cos 0 (t
RXX ) RXXˆ ( ) cos 0t sin 0 (t )
Hilbert RX ( ) RXˆ ( ) RXXˆ ( ) Rˆ X ( ) RXX
ˆ ( ) Rˆ X ( )
RAC ( ) RX ( ) cos 0 Rˆ X ( ) sin 0
一
 RAS ( ) RX ( ) cos 0 Rˆ X ( ) sin 0

RAC ( ) RAS ( )
3º AC (t ), AC (t ), X (t )
RAC (0) RAS (0) RX (0) -- 2
4º 1-3 AC (t ), AS (t )
Rˆ X ( ) cos

o
5º RAC AS ( ) RX ( ) sin 0 0
RAS AC ( ) RX ( ) sin 0 Rˆ X ( ) cos 0 RAC AS ( )

RX ( )
RAC AS ( ) E[ AC (t ) AS (t )]
E{[ X (t ) cos 0t Xˆ (t ) sin 0t ] [ X (t ) sin 0 (t ) Xˆ (t ) cos 0 (t )]}
RX ( ) cos 0t sin 0 (t ) RXˆ ( ) sin 0t cos 0 (t )
RXXˆ ( ) cos 0t cos 0 (t ) RXX
ˆ ( ) sin 0 t sin 0 (t )
RAC AS ( ) RX ( ) sin Rˆ X ( ) cos Rˆ X ( ) Rˆ X ( )
0 0

RAS AC ( ) RX ( ) sin 0 Rˆ X ( ) cos 0

RAS AC ( ) RAC AS ( ). RAC AS ( ) RAS AC ( )
RAS AC ( ) RAS AC ( ), RAC AS ( ) RAC AS ( )
6º RAC AS ( ) AC (t ), AS (t )
7º ㄧ
AC (t ), AS (t )
R (0) 0.
RAC AS ( ) RAC AS ( ) RAC AS (0) RAC AS (0) AC AS

RAC AS (0) E[ AC (t ) AS (t )] 0.
8º AC (t ), AS (t ) GAC ( ) GAS ( ). ( RAC ( ) RAS ( ) )
9º
j [GX ( ) GX ( )], | | /2
GAC AS ( ) GAS AC ( ) 0 0

0, | | /2
GAC AS ( ) F [ RAC AS ( ) ] F [ RX ( ) sin 0 Rˆ X ( ) cos 0 ]
ej
e j0 0
e j 0
e j 0

F [ RX ( ) ] F [ Rˆ X ( ) ]
2j 2
j F [ Rˆ X ( ) ] j sgn( ) GX ( )
[ GX ( 0 ) GX ( 0) ]
2 1
[ j sgn( 0 )G X ( 0 ) j sgn( 0 )GX ( 0 )]
2
j
[GX ( 0 )( 1 sgn( 0 ) ) GX ( 0 )( 1 sgn( 0 ))]
2
 j
GAC AS ( ) [GX ( 0 )( 1 sgn( 0 ) ) GX ( 0 )( 1 sgn( 0 ))]
2
j [GX ( 0 ) GX ( 0 )], | | /2
0, | | /2
GX ( )
:

2 0 0 /2 0
2 0
/2 GX ( 0)
0 0

2 0 0 0 2 0
( ) sgn( 0 )G X ( 0)

2 0 0 0 2 0

( ) GX ( 0 )

2 0 0 0 2 0
( ) sgn( 0 )G X ( 0)
2 0

0 0 2 0
| GAC AS ( ) |

2 0 0
/2 /2 0 2 0
10º X(t) 0 0 0
GAC AS ( ) 0 GAS AC ( ).
j [GX ( 0 ) GX ( 0 )], | | /2
9 GAC AS ( )
0, | | /2

( , )
2 2
GAC AS ( ) 0.
RAS AC ( ) RAC AS ( ), GAS AC ( ) GAC AS ( ) 0.
0.
for , RAC AS ( ) 0 RAS AC ( ).
AC (t ), AS (t )

RX ( ) RAC ( ) cos 0 RAS ( ) cos 0

RX ( ) E{[ AC (t ) cos 0 t AS (t ) sin 0 t ][ AC (t ) cos( 0t 0 ) AS (t ) sin( 0t 0 )]}
RAC ( ) cos 0 t cos( 0t 0 ) RAS ( ) sin 0 t sin( 0t 0 )
RAC ( ) cos 0 RAS ( ) cos 0
: 4.4.
4.4
X (t ) A(t ) cos( 0t (t )) A(t )[cos (t ) cos 0 t sin (t ) sin 0 t]
AC (t ) cos 0 t AS (t ) sin 0 t
2
X(t) .

1
A(t ) ( AC (t ) AS (t )) (
2 2 2 g1 ( AC , AS ) )
AS (t )
(t ) tg 1 ( ) ( g 2 ( AC , AS ) )
AC (t )
AC (t ) X (t ) cos 0t Xˆ (t ) sin 0t
AS (t ) X (t ) sin 0t Xˆ (t ) cos 0t
X (t ) Xˆ (t ), X(t) Xˆ (t )

X (t ), Xˆ (t ) AC (t ), AS (t ),
7 AC (t ), AS (t )
AC 2 ( t ) AS 2 ( t )
1 2
p AC AS ( AC (t ), AS (t )) 2
e 2
--
2
AC (t ) A(t ) cos (t ) f1 ( A, ), AS (t ) A(t ) sin (t ) f 2 ( A, )
 p A t t ( At , t ) p AC AS ( AC (t ), AS (t )) | J |
AC AC
A cos t -At sin t
J
AS AS
At cos 2 t At sin 2 t At
sin t At cos t
A At2
At 2

p A, ( At , t ) 2
e 2
, At 0, 0 t 2
2
0 ,
A(t ), (t ) At2 At2
2 2 At 2
At 2
p A ( At ) p A, ( At , t ) d t 2
e 2
d t 2
e 2
, At 0
0 0 2 At2
At -- Rayleigh
p( t) p A, (At , t ) dAt e 2 2
dAt
0 2
At 2
2 0 2
1 2 At 1
e 2
d( 2
) , 0 t 2 --
2 0 2 2
p A, ( At , t ) p A ( At )p ( t )
:
(1) At
(2) t (0, 2 ) At , t

(3) At t .
 At , t

A(t1 ) A1 , A(t 2 ) A2 ; (t1 ) 1 , (t 2 ) 2

p A, ( A1, A2 , 1 , 2 ) p A ( A1, A2 ) p ( 1 , 2 )

(
2
At
2
At .
At2
: 2 2 2 At 2
A t A (t ) A (t ),
C S p A ( At ) 2
e 2
, At 0
2
U t At At Ut

Ut Ut
dA t Ut 1 1 2

pU ( U t ) p A (A t ) e 2 2
2
e 2
, Ut 0 --
dU t
2
2 Ut 2
2 2 2 4
E[ U t ] 2 ; D[ U t ] (2 ) 4
4.5

X (t) S (t) N (t) a cos( 0t ) AN (t ) cos( 0t N (t ))

X(t).

1
S (t) a cos( 0t ) a cos cos 0 t a sin sin 0 t

-.-
a 0 2
2
0
N (t ) AN (t ) cos( 0t N (t )) N C (t )cos 0t N S (t ) sin 0t
X (t ) S (t ) N (t ) (a cos N C (t )) cos 0t (a sin N S (t )) sin 0t
AC (t ) cos 0t AS (t ) sin 0t A(t ) cos( 0t (t ))
AC (t ) a cos N C (t ) A(t ) cos (t ), A2 (t ) AC2 (t ) AS2 (t ),
AS (t ) a sin N S (t ) A(t ) sin (t ), (t ) arctg ( AS (t ) / AC (t ) ).
4.4 N C (t ), N S (t )
AC (t ), AS (t )
2
E[ AC (t ) | ] a cos , E[ AS (t ) | ] a sin , D[ AC (t ) | ] D[ AS (t ) | ] .
1
1 2
[ ( AC ( t ) a cos ) 2 ( AS ( t ) a sin ) 2 ]
p AC , AS ( AC , AS | ) 2
e 2
2
 1
1 2
[ ( AC ( t ) a cos ) 2 ( AS ( t ) a sin ) 2 ]
p AC , AS ( AC , AS | ) 2
e 2
2 1
1 2
[ AC 2 a 2 cos 2 2 a AC cos AS 2 a 2sin 2 2 aAS sin ]
2
e 2
2
1
1 2
[ AC
2
AS
2
a 2
2 a ( AC cos AS sin ) ]
2
e 2
2
A2 (t ) AC2 (t ) AS2 (t ), (t ) arctg ( AS (t ) / AC (t ) ).
AC (t ) A(t ) cos (t ), AS (t ) A(t ) sin (t )

p A, ( At , t ) p AC AS ( AC (t ), AS (t ) ) J ( J At )
1
At 2
[ A2t a 2 2 a A t cos( ( t ))]

2
e 2
, ( At 0, 0 t 2 )
2 2
p A ( At ) p A, ( At , t )d t
0
1
At 1
( A2t a ) 2
1 2
aA t
cos( t)
At 2
( A2t a 2 ) a At
e 2 2
e
2
d t 2
e 2
0 ( 2
)
2
2 0

-- Rice
 aA t
a At 1 2 2
cos( t )
--
0( 2
) e d t (Modified Bessle Function)
2 0

y 2n
0 ( y) 2n 2
n 0 2 ( n !)
a aAt
1 y 1, r 1 2
1,
y2 y2 / 4
0 ( y) 1 e
4 a 2 A2t A2t
At 1
( A2t a 2 ) At 2
p A ( At ) 2
e 2 2
e 4 4
2
e 2 --

a aAt 1
2 y 1, r 1 2
1, 0 ( y) ey
2 y
( A t a )2
At 2 2
p A ( At ) 2
e At a
2 a At a
( A t a )2
At a
1 2 2
p A ( At ) e --
2 At
 N C (t ), N S (t ) AC (t ), AS (t )
AC (t ), AS (t )
At AC (t ), AS (t ) At

At

1
2. At 2
[ A 2
t a 2
2 a A t cos( ( t ))]
p A, ( At , t ) 2
e 2
,
2 ( At 0, 0 t 2 )
p ( t ) p A, ( At , t )dAt
0
a2 a 2 a 2 cos 2 ( )
1 2 a cos( t) a cos( t) 2
t

e 2
( )e 2
2 2 1
a a2 p ( )
1 r 1 0, t --
2 2
a 2 sin 2 ( )
a a cos( ) t
2 r 1, p ( ) t
e 2 2
t
2
r t
r
r 2
 Ut At2 (a cos N C (t )) 2 (a sin N S (t )) 2
1
At 2
( A2t a2 ) a At
p A ( At ) 2
e 2
0( 2
)
1
1 2
( ut a 2 ) a ut
pU (ut ) 2
e 2
0 ( 2
), ut 0
2

Ch. 4

: 4.8.
 Ch.5

1
X (t ), t T , t1 t2 ... tm tm 1 T,

t1 t2 ... tm tm 1 X 1 , X 2 ,..., X m , X m 1

p ( X m 1 ; tm 1 X m X m 1 ,..., X 1 ; tm , tm 1 ,..., t1 ) p ( X m 1 ; tm 1 X m ; tm )

X (t )

p ( X m 1 ; tm 1 X m , X m 1 ,..., X 1 ,; tm , tm 1 ,..., t1 ) p ( X m 1 ; tm 1 X m ,..., X m k 1 ; tm ,..., tm k 1 )

X (t ) k
3
Xn m+1 Xm 1 m

P( X m 1 aj Xm ai , X m 1 asm 1 , , X 1 as1 ) P( X m 1 aj Xm ai )
 X (t ), t T

1 0 P ( X (0) 0) 1;
2 0 t1 t2 tn t T, X (t1 ) X (0), X (t2 ) X (t1 ),..., X (tn ) X (tn 1 )
X (t )
Y (t1 ) X (t1 ) X (0), Y (t2 ) X (t2 ) X (t1 ), ..., Y (tn ) X (tn )n X (tn 1 ),
Y (ti ), i 1,..., n Zn Y (ti )
i 1

P( Z n ; tn Z1 , , Z n 1 ; t1 , , tn 1 ) P ( Z n ; tn Z n 1 ; tn 1 )

X (t ), t T
1 t 0, X (0) 0;
2 0 t1 t2 tn
i, X (ti 1 ) X (ti )
X (t1 ) X (0), X (t2 ) X (t1 ), ..., X (tn ) X (tn 1 )
3 t, t k
( )k
P( X (t ) X (t ) k) Pk (t , t ) e
k!
0
 ( t )k t
P( X (t ) k) P( X (t ) X (0) k) e
k!

k Pk k
( t )k
e t t ( t )k 1 t t
E[ X (t )] e ( t) e ( t) e t
k k 0 k! k 1 ( k 1)!

2 ( t)
k
( t )k t ( t )k t
E[ X 2 (t )] k e t k (k 1) e k e
k 0 k! k 2 k 2 k! k 0 k!
( t)
( t )2 e t
t ( t )2 t
k 2 (k 2)!
2 2
D[ X (t )] E[ X (t )] ( E[ X (t )]) t E[ X (t )]
RX (t1 , t2 ) E[ X (t1 ) X (t2 )]
t2 t1 E[( X (t1 ) X (0))( X (t2 ) X (t1 ) X (t1 ))]
E[( X (t1 ) X (0))( X (t2 ) X (t1 ))] E[( X (t1 ) X (0)) X (t1 )]
E[ X (t1 ) X (0)]E[ X (t2 ) X (t1 )] E[ X 2 (t1 )]
t1 (t2 t1 ) t1 ( t1 ) 2 2
t1t2 t1
2
t2 t1 RX (t1 , t2 ) t1t2 t2
2
Rx (t1 , t2 ) t1t2 min{t1 , t2 }
……
 Ch.1

( X (t , ) )

Ch.2
-
Ch.3

Ch.4

Ch.5
 —

—
—
—
—