Главная страница
Навигация по странице:

  • 3.2. Гауссов (нормальный) случайный процесс

  • 3.3. Релеевский процесс

  • 3.4. Узкополосные случайные процессы

  • 3.5. Квазидетерминированные сигналы

  • 3.6. Белый и квазибелый шум

  • Лекция 3. В. Н. Исаков Статистическая теория радиотехнических систем


    Скачать 0.65 Mb.
    НазваниеВ. Н. Исаков Статистическая теория радиотехнических систем
    АнкорЛекция 3
    Дата06.09.2022
    Размер0.65 Mb.
    Формат файлаpdf
    Имя файлаlec3.pdf
    ТипКурс лекций
    #664488

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    3. Случайные сигналы и помехи в радиотехнических
    системах
    3.1. Случайные процессы и их основные характеристики
    Помехой называют стороннее колебание, затрудняющее приѐм и обработку сигнала. Помехи могут иметь искусственное или естественное происхождение. В статистической теории ра- диотехнических систем, где оцениваются потенциальные воз- можности систем, рассматриваются, главным образом, помехи естественного происхождения – флуктуационные шумы, пред- ставляющие собой результирующий эффект очень большого чис- ла часто следующих элементарных импульсов, налагающихся друг на друга.
    Математическим описанием шума является случайный про- цесс. Каждое возможное проявление случайного процесса явля- ется детерминированной функцией времени и называется его реализацией. Случайный процесс рассматривается как совокуп- ность (ансамбль) своих реализаций. Какая именно из реализаций будет задействована в каждом конкретном опыте с участием слу- чайного процесса неизвестно. В дальнейшем для обозначения случайного процесса (или случайных величин) будет использо- ваться жирный шрифт, а реализации случайного процесса (или значения случайных величин) будут обозначаться той же буквой в обычном написании. Таким образом
    ,
    (3.1) где - обозначает случайный процесс, а
    – его i-я реали- зация. Там, где не имеет значения, какая именно реализация слу- чайного процесса рассматривается, индекс будет опускаться.
    Теоретически предполагается, что случайный процесс включает бесконечно много реализаций. В качестве примера на рис.3.1 показаны несколько фрагментов реализаций флуктуаци- онного случайного процесса. Реализации флуктуационного слу- чайного процесса имеют вид непрерывных, неограниченных во времени функций.
    Значение случайного процесса, зафиксированное в некото- рый момент времени называется выборкой (отсчѐтом, сечени- ем) случайного процесса. Выборка флуктуационного случайного процесса является непрерывной случайной величиной

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    (3.2)

    0
    t
    ( )
    t

    1
    t
    ( )
    t

    2
    t
    ( )
    t
    Рис.3.1. Примеры реализаций случайного процесса
    Случайный процесс описывается - мерной плотностью распределения вероятности (ПРВ)
    ,
    (3.3) которая определяется вероятностью того, что выборки процесса в моменты времени заключены в интервалах
    – мерная плотность вероятности случайного процесса является совместной плотностью вероятности его выбо- рок в различные моменты времени и в общем случае зависит от того, в какие моменты времени рассматривается процесс. Для уменьшения громоздкости зависимость от при обо-

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru значении ПРВ в дальнейшем будет указываться лишь при необ- ходимости.
    Плотность вероятности обладает следующими свойствами:
    1. Положительной определѐнности
    ;
    (3.4)
    2. Нормировки
    ;
    (3.5)
    3. Симметрии
    ;
    (3.6)
    4. Согласованности
    (3.7)
    5. Вероятность того, что выборки случайного процесса принима- ют значения, заключѐнные в интервалах равна
    ;
    (3.8)
    6. Если выборки процесса независимы, то многомерная ПРВ оп- ределяется одномерными
    (3.9)
    Отметим, что одномерные ПРВ выборок процесса в различные моменты времени в общем случае могут быть различными.
    Плотность распределения вероятности, рассматриваемая при условии, что произошло какое либо событие называется ус- ловной плотностью распределения вероятностей. Например, если это событие заключается в том, что случайная величина приня- ла значение , для совместной плотности вероятно- сти процесса и величины можно записать
    ,
    (3.10) где
    - плотность вероятности случайного про- цесса при условии, что ;
    - плотность вероятности случайной величины .
    В частном случае, когда условное событие заключается в том, что в момент времени выборка процесса приняла значение
    , (3.10) можем переписать в виде:
    (3.11)
    Интегральной характеристикой случайного процесса явля-

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru ется функция распределения вероятностей (ФРВ)
    ,
    (3.12) которая определяется вероятностью совместного наступления со- бытий, заключающихся в том, что выборки процесса в мо- менты времени принимают значения меньшие, чем
    . Функция распределения и плотность вероятности связа- ны между собою соотношениями:
    ,
    (3.13)
    Отметим некоторые свойства ФРВ:
    1.
    ;
    (3.14)
    2.
    ;
    (3.15)
    3.
    ;
    (3.16)
    4.
    ;
    (3.17)
    5.
    ;
    (3.18)
    6.
    (3.19)

    t
    ( )
    m

    t
    ( )



    m

    t
    ( )
    m

    t
    ( )



    t
    Рис.3.2. Реализации случайного процесса
    с постоянной дисперсией
    Простыми, но информативными характеристиками случай- ного процесса являются его математическое ожидание и диспер- сия. Математическое ожидание является детерминирован-

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru ной функцией, график которой отражает наиболее вероятную тенденцию временного поведения процесса. Дисперсия ха- рактеризует разброс значений случайного процесса относительно математического ожидания. В качестве примера на рис.3.2 пока- заны несколько реализаций случайного процесса с постоянной дисперсией, график его математического ожидания и графики функций
    . Дисперсия определяет «коридор»
    , в котором наиболее вероятно принимают значения наибольшее число реализаций случайного процесса.
    Математическое ожидание случайного процесса определя- ется его одномерной ПРВ
    (3.20)
    В общем случае случайный процесс можно представить в виде наложения детерминированной составляющей и центриро- ванного случайного процесса
    , имеющего нулевое математи- ческое ожидание:
    (3.21)
    Сформулируем основные свойства математического ожидания.
    1. Математическое ожидание инвариантно относительно детер- минированной функции
    (3.22)
    2. Математическое ожидание линейно
    ,
    (3.23) где
    - коэффициенты;
    – случайные процес- сы.
    3. Для независимых случайных процессов
    (3.24)
    4. Математическое ожидание функции от случайного процесса
    (3.25)
    Дисперсия случайного процесса представляет собой математиче- ское ожидание квадрата модуля центрированного случайного процесса
    (3.26)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    Перечислим основные свойства дисперсии.
    1. Дисперсия детерминированной функции равна нулю
    (3.27)
    2. При умножении случайного процесса на число дис- персия умножается на квадрат модуля этого числа
    (3.28)
    3. При сложении или вычитании двух независимых случайных процессов и их дисперсии складываются
    (3.29)
    Степень подобия двух случайных процессов и в различные моменты времени характеризуется их взаимной кор- реляционной функцией
    (3.30)
    Случайные процессы, для которых взаимная корреляционная функция равна нулю, называются некоррелированными. Как сле- дует из (3.24), независимые случайные процессы являются не- коррелированными. Обратное утверждение в общем случае явля- ется не верным.
    Когда рассматривается один и тот же случайный процесс,
    (3.30) определяет автокорреляционную функцию и характеризует взаимосвязь его значений, взятых в различные моменты времени:
    (3.31)
    Автокорреляционная функция случайного процесса обладает со- пряжѐнной симметрией относительно своих аргументов, при их равенстве совпадает с дисперсией:
    ,
    (3.32)
    Важным классом случайных процессов являются стацио- нарные. Случайный процесс называется стационарным в узком смысле, если его ПРВ не изменяется при любом сдвиге всей группы точек
    . Характеристики такого процесса не изме- няются при изменении начала отсчѐта времени. Такой процесс ведѐт себя во времени однородно. При этом:
    1. одномерная ПРВ не зависит от времени
    ;
    (3.33)
    2. двумерная ПРВ зависит только от разности
    ;
    (3.34)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    3. математическое ожидание и дисперсия не зависят от времени
    ,
    (3.35)
    4. автокорреляционная функция зависит только от разности
    ,
    (3.36) обладает свойством сопряжѐнной симметрии
    ,
    (3.37) принимает максимальное по модулю значение, равное дисперсии, в нуле
    ,
    (3.38)
    Если для случайного процесса выполняются только условия
    3 и 4, то он называется стационарным в широком смысле.
    Спектральной плотностью мощности стационарного слу- чайного процесса называется преобразование Фурье его автокор- реляционной функции
    (3.39)
    Корреляционная функция может быть определена с помощью об- ратного преобразования Фурье спектральной плотности мощно- сти
    (3.40)
    Стационарные процессы имеют место в установившихся режимах работы систем при неизменных внешних условиях. В дальнейшем будут рассматриваться только стационарные слу- чайные процессы.
    3.2. Гауссов (нормальный) случайный процесс
    На рис.3.1 в качестве примера показаны три реализации га- уссова случайного процесса. Одномерная ПРВ гауссова случай- ного процесса описывается выражением
    ,
    (3.41) где
    ,
    - математическое ожидание и дисперсия.
    Функция распределения вероятностей гауссова процесса имеет вид:

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    ,
    (3.42) где
    – интеграл вероятностей.
    Интеграл вероятностей определяет ФРВ Гаусса при единичной дисперсии и нулевом математическом ожидании, в элементарных функциях не выражается. Для практических расчѐтов могут быть использованы таблицы значений интеграла вероятностей, приво- димые в справочниках, или аппроксимации для прямой
    (3.43) и обратной функции
    ,
    (3.44) где .
    Графики ПРВ и ФРВ Гаусса при нулевом математическом ожидании и единичной дисперсии показаны на рис.3.3.
    5 4
    3 2
    1 0
    1 2
    3 4
    5 0.1 0.2 0.3 0.4
    w x
    ( )
    x
    5 4
    3 2
    1 0
    1 2
    3 4
    5 0.2 0.4 0.6 0.8 1
    F x
    ( )
    x
    Рис.3.3 ПРВ и ФРВ Гаусса
    В большинстве практических случаев плотность распреде- ления вероятности флуктуационного случайного процесса явля-

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru ется гауссовой. Это связано с тем, что такие случайные процессы являются результатом совместного действия большого количест- ва различных факторов, каждый из которых вносит примерно одинаковый вклад. При этом оказываются выполненными усло- вия центральной предельной теоремы теории вероятностей, что и определяет неограниченное приближение ПРВ к гауссовой.
    Гауссов закон распределения инвариантен по отношению к линейным преобразованиям случайного процесса, более того, при линейном инерционном преобразовании происходит нормализа- ция случайного процесса: ПРВ отклика линейной инерционной системы приближается к гауссовой, независимо от того, какую
    ПРВ имел преобразуемый случайный процесс. Чем больше по- стоянная времени инерционной системы по сравнению с интер- валом корреляции случайного процесса, определяемым шириной его автокорреляционной функции, тем сильнее проявляется эф- фект нормализации.
    Можно показать, что для гауссова процесса некоррелиро- ванность выборок означает их независимость.
    3.3. Релеевский процесс
    Рассмотрим нелинейное преобразование независимых ста- ционарных гауссовых процессов и с одинаковыми дис- персиями в процессы и вида
    ,
    (3.45)
    Обратному преобразованию:
    ,
    (3.46) соответствуют функции
    ,
    (3.47) и якобиан преобразования
    (3.48)
    Совместная плотность распределения вероятностей получаемых в результате преобразования случайных процессов:
    (3.49)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    Запишем выражения для одномерных ПРВ процессов и
    :
    ,
    (3.50)
    Так как рассматриваемые случайные процессы независимы, их совместную ПРВ можно представить в виде:
    Подставив это выражение в (3.49), запишем
    Представим и в виде:
    ,
    , где
    ,
    . (3.51)
    Тогда и выражение для со- вместной ПРВ процессов и принимает вид:
    (3.52)
    Определим плотность распределения вероятностей процесса
    , используя свойство согласованности для ПРВ (3.7), исклю- чая параметр :
    (3.53)
    Интеграл, входящий в (3.53), связан с функцией Бесселя нулевого порядка от мни- мого аргумента
    , (3.54) где результат интегрирования не зависит от
    . График функции Бесселя показан на рис.3.4. В некоторых случаях оказывается удобным пользоваться еѐ аппроксимацией:
    0 1
    2 3
    4 2
    4 6
    8 10 12
    I
    0
    z
    ( )
    z
    Рис.3.4. График
    функции Бесселя

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    (3.55)
    Относительная погрешность аппроксимации (3.55) не превышает
    3%.
    С учѐтом (3.54)
    (3.56)
    0 1
    2 3
    4 5
    6 7
    8 9
    10 0.1 0.2 0.3 0.4 0.5 0.6

    w

     

    0 2
    1 3
    5


    0 1
    2 3
    4 5
    6 7
    8 9
    10 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
    F

     
    0 1
    2 3
    5


    Рис.3.5.Графики ПРВ и ФРВ Райса.
    Полученная ПРВ называется распределением Райса (или обоб-

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru щѐнным распределением Релея). Параметры и в данном случае не являются математическим ожиданием и дисперсией.
    Интегральная функция обобщѐнного распределения Релея
    (3.57) в элементарных функциях не выражается и рассчитывается чис- ленно, либо с использованием справочных таблиц и графиков.
    Графики ПРВ и ФРВ Райса показаны на рис.3.5. Значения параметра указаны около соответствующей кри- вой. Когда
    ПРВ и ФРВ Райса удовлетворительно аппрок- симируются гауссовым законом c параметрами и
    ,
    (3.58)
    Графики аппроксимирующих функций для показаны на рис.3.5 пунктиром.

    t
    ( )
    t
    Рис.3.6. Пример реализаций релеевского процесса.
    В частном случае, когда
    ,
    (3.59) распределение Райса (3.56) переходит в распределение Релея:
    ,
    (3.60) которому соответствует ФРВ, математическое ожидание и дис- персия:

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    ,
    ,
    (3.61)
    График ПРВ и ФРВ Релея на рис.3.5 соответствует случаю
    В качестве примера на рис.3.6 показано несколько реализа- ций релеевского процесса.
    Вернѐмся к (3.52) при условии (3.59)
    ,
    (3.62) и определим ПРВ процесса :
    (3.63)
    В рассматриваемом частном случае случайный процесс име- ет равномерное распределение на интервале , более того
    ,
    (3.64) то есть случайные процессы и независимы.
    3.4. Узкополосные случайные процессы
    Узкополосным называется случайный процесс, ширина спектра мощности которого гораздо меньше центральной частоты спектра
    (3.65)
    Пример реализации узкополосного случайного процесса показан на рис.3.7 (пунктиром показана огибающая реализации).

    t
    ( )
    t
    Рис.3.7. Пример реализации узкополосного случайного процесса
    Узкополосный случайный процесс описывается выражением
    ,
    (3.66)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru где - огибающая случайного процесса, - мгновенная фаза, .
    Выражение (3.66) нетрудно преобразовать к виду
    ,
    (3.67) где ; .
    Найдѐм одномерные ПРВ которые имеют процессы ,
    , , , когда узкополосный является стационар- ным гауссовым случайным процессом с нулевым математиче- ским ожиданием и дисперсией
    , а случайные процессы и
    - взаимно независимые.
    Как видно из (3.67) является линейной комбинацией процессов и , поэтому они также должны быть стацио- нарными. Выборки процесса в моменты времени
    , удовле- творяющие уравнению
    ,
    (3.68) совпадают с выборками узкополосного процесса
    (3.69)
    Следовательно, в моменты времени совпадают и ПРВ процес- сов и . Поскольку рассматриваются стационарные про- цессы, то одномерная ПРВ не зависит от времени. Таким образом
    ПРВ рассматриваемых процессов совпадают и является га- уссовым случайным процессом с нулевым средним и дисперсией
    Аналогично, рассматривая выборки процесса в момен- ты времени
    , удовлетворяющие уравнению
    ,
    (3.70) нетрудно установить, что является гауссовым случайным процессом с нулевым средним и дисперсией
    Рассмотрим взаимную корреляционную функцию процессов и в один и тот же момент времени
    (3.71)
    В силу независимости и , используя свойства математи- ческого ожидания (3.24) и (3.25), выражение (3.71) продолжим в

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru виде:
    (3.72)
    При любой чѐтно-симметричной ПРВ
    ,
    (3.73) интеграл в (3.72) равен нулю и случайные процессы и являются не коррелированными в один и тот же момент времени.
    Так как они гауссовы, то некоррелированность для них означает и независимость.
    При выполнении условия (3.73) случайные процессы и
    , получаются нелинейным преобразованием независимых га- уссовых величин с нулевым математическим ожиданием и оди- наковой дисперсией вида (3.45), и, как установлено в п.3.3, имеет распределение Релея (3.60) с параметром
    , а имеет равномерное распределение (3.63).
    3.5. Квазидетерминированные сигналы
    В радиотехнических системах сигнал, распространяясь от радиопередающего устройства к приѐмному, не только подверга- ется воздействию помех, но и искажается в результате взаимо- действия с локальными неоднородностями среды распростране- ния, еѐ временной нестабильности, зависимости параметров от времени суток и погодных условий. В большинстве случаев эти искажения проявляются в случайных изменениях амплитуды и фазы сигнала из-за наличия областей с различной оптической плотностью, показателем поглощения и рассеивания на пути рас- пространения сигнала, а также в результате многолучевого рас- пространения. Амплитуда и фаза сигнала непредсказуемо изме- няются и при отражении сигнала от радиолокационной цели и за- висят от еѐ конфигурации, угла облучения, эффективной поверх- ности рассеивания.
    Для учѐта указанных явлений сигнал на входе приѐмного устройства представляют в виде стационарного гауссова случай- ного процесса с нулевым математическим ожиданием и диспер- сией
    ,
    (3.74)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru где и – независимые случайные величины. имеет распреде- ление Релея (3.60) с параметром
    ,
    – равномерно распределена на интервале . , - детерминированные функции, которые определяют огибающую и мгновенную фазу сигнала, формируемого радиопередающим устройством,
    - частота не- сущего колебания. Выражение (3.74), описывающее сигнал со случайной амплитудой и фазой, является частным случаем
    (3.66).
    Сигнал со случайной амплитудой и фазой характеризуется средней энергией
    (3.75)
    Учтѐм, что начальная фаза несущего колебания является не энергетическим параметром, а математическое ожидание линей- но, тогда для средней энергии запишем
    ,
    (3.76) где
    – энергия сигнала при
    Представляя случайную величину в виде и имея в виду свойства математического ожидания, запишем
    (3.77)
    Выражения для математического ожидания и дисперсии релеев- ской случайной величины даются (3.61)
    ,
    ,
    (3.78)
    Подставляя их в (3.77) и возвращаясь к (3.76), для средней энер- гии сигнала получим
    (3.79)
    Средняя энергия сигнала со случайной амплитудой и фазой равна энергии соответствующего детерминированного сигнала, когда его дисперсия
    (3.80)
    В случае, когда амплитуда сигнала известна, рассматривает- ся сигнал со случайной начальной фазой
    ,
    (3.81)

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru где – равномерно распределена на интервале . Отметим, что в общем случае, (3.81) описывает стационарный случайный процесс лишь при определѐнных видах и , однако, при анализе его стационарность принимается приближѐнно.
    Сигналы вида (3.74) и (3.81) иногда называются квазиде- терминированными сигналами.
    3.6. Белый и квазибелый шум
    При анализе преобразования случайных процессов линей- ными системами, когда в пределах амплитудно-частотной харак- теристики системы спектр мощности случайного процесса можно приблизительно считать постоянным, в качестве математической модели воздействия рассматривают белый или квазибелый шум.
    Белый шум – это случайный процесс с равномерным спектром мощности
    (3.82)
    Корреляционная функция белого шума:
    (3.83)
    Дисперсия рассматриваемого процесса беско- нечна. Это означает, что белый шум может рассматриваться лишь в качестве удобной математической абстракции, использование которой в ряде случаев упрощает решение различных задач.
    Поскольку корреляционная функция белого шума равна ну- лю при любых отличных от нуля значениях своего аргумента, то любые две выборки белого шума, соответствующие различным моментам времени, являются некоррелированными, а в случае, когда белый шум гауссов - независимыми.
    Квазибелым шумом называется случайный процесс , спектр мощности которого равномерен в пределах некоторой полосы частот и равен нулю вне этой полосы
    (3.84)
    Обратное преобразование Фурье от (3.84) даѐт автокорреляцион- ную функцию
    (3.85)
    Дисперсия квазибелого шума

    В.Н. Исаков Статистическая теория радиотехнических систем (курс лекций) strts-online.narod.ru
    (3.86)
    Графики спектральной плотности мощности и автокорреляцион- ной функции квазибелого шума показаны на рис.3.8.
    10
    5
    0
    5
    10
    0.5
    1
    R
    n

     

    n
     
    2

    m


    2
    1
    0
    1
    2
    N

     
    N
    0
    2


    m
    Рис.3.8. Корреляционная функция и спектр мощности
    квазибелого шума.
    Корреляционная функция квазибелого шума обращается в нуль в точках
    ,
    (3.87) где
    . Это означает, что выборки квазибелого шума, взятые с интервалом равным или кратным некоррелированы, а в слу- чае, когда квазибелый шум гауссов – независимы.
    Главная страница


    написать администратору сайта