Содержание
- 2. Общий план курса Случайные процессы и методы их описания. Модели случайных процессов. Шумовые колебания в линейных
- 3. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 4. Спектральный анализ сигналов Периодические сигналы Где ω - круговая частота, n - любое положительное целое число
- 5. Коэффициенты разложения ряда Фурье
- 6. Формы представления ряда Фурье
- 7. Формы представления ряда Фурье
- 8. Пример 1. Периодическая последовательность косинусоидальных импульсов.
- 13. После представления в виде ряда Фурье
- 16. Пример 2. Периодическая последовательность прямоугольных импульсов
- 20. Интегральное преобразование Фурье Пример. Одиночный прямоугольный импульс
- 22. Спектральная плотность прямоугольного импульса
- 23. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 24. Гауссовский случайный процесс Многомерная гауссовская плотность вероятности Смысл параметров гауссовской плотности вероятности:
- 25. Гауссовский случайный процесс-2 Одномерная плотность вероятности
- 26. Гауссовский случайный процесс-3 Одномерная плотность вероятности примет вид: В этой формуле все параметры выражены через экспериментально
- 27. Гауссовский случайный процесс-4 Свойства одномерного распределения. Отличны от нуля лишь четные центральные моменты
- 28. Гауссовский случайный процесс-5 Реализация в Mathcad. dnorm(x, mu, sigma) Returns the probability density for the normal
- 29. Гауссовский случайный процесс-6 Применение для случайных процессов
- 30. Гауссовский случайный процесс-7
- 31. Гауссовский случайный процесс-8
- 32. Гауссовский случайный процесс-9 Для вычисления корреляционного момента достаточно парной (для 2-х переменных) плотности вероятности Наша цель
- 33. Гауссовский процесс-10
- 34. Гауссовский процесс-11 Таким образом, плотность вероятности может быть выражена через экспериментально измеримые величины: Рассмотрим применение распределения
- 35. Гауссовский процесс-12
- 36. Гауссовский процесс-13
- 37. Гауссовский случайный процесс-14 Выводы: 1. Если процесс гауссовский, то все его характеристики можно вычислить. Любые моменты
- 38. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 39. Узкополосный стационарный шум Шум узкополосный, если спектральная плотность G(ω) отлична от нуля в узкой области частот
- 40. Узкополосный стационарный шум -2 Δω
- 41. Узкополосный стационарный шум -2 Флуктуационную компоненту представим в виде (модель узкополосного шума): где ρ(t) – огибающая
- 42. Вместо огибающей и фазы также вводят квадратурные компоненты a(t), b(t) Таким образом, мы выделяем функции времени
- 43. Пример реализации узкополосного шума-1 Используем генератор гауссовского шума
- 44. Пример реализации узкополосного шума-2 Сгладим полученные случайные зависимости, используя кубическую интерполяцию
- 45. Пример реализации узкополосного шума-3 Скомбинируем модельную узкополосную случайную функцию и построим несколько ее реализаций
- 46. Постановка задачи: Задача: зная свойства шума ξ(t) найти статистические характеристики огибающей и фазы или квадратурных компонент.
- 47. Корреляционные и спектральные характеристики квадратурных компонент Предполагаем, что . Так как то Переходим к анализу корреляционной
- 48. Считаем известной корреляционную функцию Подставим в эту формулу представление через квадратурные компоненты
- 49. Учтем известные тригонометрические формулы Подставим эти выражения в приведенное выше выражение
- 50. В силу стационарности здесь не должно быть явной зависимости от времени, поэтому Это следует из равноправности
- 51. Где введена безразмерная корреляционная функция
- 52. Чтобы найти неизвестные функции воспользуемся формулой Винера-Хинчина: Интеграл от нечетной функции (содержит sin(ωτ)) равен нулю. В
- 55. При этом предположении Имеет свойства корреляционной функции
- 56. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 57. Узкополосный стационарный гауссовский шум
- 58. Найдем плотность вероятности переменных и
- 59. Проинтегрируем по углам и получим распределение по Полученное распределение носит название распределения Релея (Рэлея)
- 60. Моменты распределения Рэлея:
- 61. Используем полученные результаты для анализа суперпозиции гармонического сигнала и гауссовского шума. Случайный процесс имеет вид «Сигнал»
- 62. Будем искать вероятностные характеристики огибающей и фазы, и процесса х(t). Исходим из распределения квадратурных компонент шума:
- 63. Будем искать распределение по ρ
- 65. Более подробно о модифицированной функции Бесселя см. Ю.Н. Бронштейн и К.А.Семендяев «Справочник по математике для инженеров
- 67. Замечание об использовании Mathcad. В Mathcad имеется специальная функция Returns the m-th order modified Bessel function
- 68. Обсуждение результатов В пределе сильного шума, когда μ
- 69. Распределение фазы
- 70. В предельных случаях
- 71. Построение графика W(φ,μ) средствами Mathcad где использована специальная функция (Function Category - Special) erf(z) Returns the
- 73. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 74. Диффузионный (винеровский) процесс Пример: Броуновское движение
- 75. переопределение времени
- 76. Постановка задачи: найти вероятностные свойства процесса ξ(t), зная свойства процесса η(t). Пусть известно, что: Требуется найти:
- 79. Сделаем замену переменных в двойном интеграле
- 83. t = 2 t = 1
- 84. Вывод: Даже если шум «на входе» η(t) стационарный, винеровский процесс ξ(t) «на выходе» нестационарный:
- 85. Предельный случай t → 0
- 86. Конечное время корреляции Символьное вычисление интеграла с помощью MathCad:
- 88. Предельный случай t → ∞
- 89. Поведение σ(t) в предельных случаях
- 90. η(t) - белый шум
- 91. η(t) - белый шум
- 92. η(t) - белый шум
- 93. η(t) - белый шум
- 94. η(t) - белый шум
- 95. η(t) - белый шум Для этого частного случая можно также вычислить корреляционную функцию (без вывода) и
- 96. η(t) - белый шум
- 97. Гауссовский спектр мощности Используем формулу
- 98. Гауссовский спектр мощности Используем численный расчет. Обозначено: s(t)=σ2(t)
- 99. Белый шум с отфильтрованными низкими частотами
- 100. Фликкер-шум (шум 1 /fγ) Спектр мощности имеет вид:
- 101. Фликкер-шум (шум 1 /fγ) Обозначено Y(t)=σ2(t)
- 102. Фликкер-шум (шум 1 /fγ)
- 103. Сводный график зависимости σ2(t) для разных шумов на «входе» винеровского процесса Шум на «входе» 1- фликкер
- 104. Модели случайных процессов (план) см [1]. Глава 2 Спектральный анализ сигналов Гауссовский случайный процесс Узкополосный стационарный
- 105. Колебания, модулированные шумом. Амплитудная модуляция (АМ) шумом Amplitude - амплитуда Постановка задачи: Задан шум Постановка задачи
- 106. Колебания, модулированные шумом. Фазовая модуляция (ФМ) шумом Phase – фаза Постановка задачи: Задан шум Постановка задачи
- 107. Колебания, модулированные шумом. Частотная модуляция (ЧМ) шумом Frequency - частота Постановка задачи: Задан шум Постановка задачи
- 108. Подготовка шума
- 109. Амплитудная модуляция шумом
- 110. Амплитудная модуляция шумом и независимая случайная фаза
- 111. Фазовая модуляция шумом
- 112. Частотная модуляция шумом
- 113. Найдем среднее от ξ Амплитудная модуляция (АМ) подробно
- 114. Ищем корреляционную функцию процесса ξ Амплитудная модуляция (АМ) Здесь подразумевается усреднение по случайной фазе 0:
- 115. Амплитудная модуляция (АМ)
- 116. Перейдем к вычислению спектральной плотности процесса ξ(t) Амплитудная модуляция (АМ) (1) (2) (1)
- 117. Амплитудная модуляция (АМ) (2)
- 118. Исходный спектр мощности шума Спектр мощности амплитудно модулирован- ного шумом сигнала Амплитудная модуляция (АМ)
- 119. Колебания, модулированные шумом Фазовая модуляция (ФМ) гауссовским шумом Предположим, что - стационарный гауссовский процесс.
- 120. Фазовая модуляция (ФМ) гауссовским шумом Задача состоит в том, чтобы найти статистические характеристики сигнала x(t)
- 121. Для усреднения функции двух переменных ϕ(t) и ϕ(t+τ) также используем распределение Гаусса (для двух переменных). Фазовая
- 122. Введем флуктуационную компоненту фазово-модулированного сигнала: Таким образом, фазово-модулированный сигнал оказывается нестационарным случайным процессом. Фазовая модуляция (ФМ)
- 123. Зависимость от времени периодическая. Проведем также усреднение всех величин по периоду колебаний (по времени), так как
- 124. Фазовая модуляция (ФМ)
- 125. Мы видим, что спектр состоит из непрерывной компоненты и двух дискретных Дискретные компоненты Непрерывная компонента Введем
- 127. При слабой модуляции сигнала:
- 128. Колебания, модулированные шумом Частотная модуляция (ЧМ)-1 Т.о., фаза Ф(t) является диффузионным (винеровским) случайным процессом Здесь η(t)
- 129. Частотная модуляция (ЧМ)-2 Зададим свойства шума η(t): 1) шум считаем стационарным; 2) Наша задача: исследовать статистические
- 130. Частотная модуляция (ЧМ)-3 Как мы знаем из свойств диффузионного процесса (см. выше, формула ⊗) при любой
- 131. Частотная модуляция (ЧМ)-4 В дальнейшем считаем шум η(t) гауссовским. Используя полученные выше результаты для фазовой модуляции
- 132. Частотная модуляция (ЧМ)-5 Ниже используем аппроксимирующую функцию
- 133. Частотная модуляция (ЧМ)-6 Приближенная функция модулированного сигнала Слева проявляется квадратичная зависимость ψ от τ Справа проявляется
- 134. Частотная модуляция (ЧМ)-7 Спектр мощности модулированного сигнала 1) Сильный шум λ = 5 Спектр имеет максимум
- 135. Спектр мощности модулированного сигнала 2) Слабый шум λ = 0.01 Частотная модуляция (ЧМ)-8 Спектр имеет максимум
- 136. Спектр мощности модулированного сигнала 3) Слабый шум λ = 0.1 Частотная модуляция (ЧМ)-9 Линии спектра уширяются
- 138. Скачать презентацию