随机信号的特征及其估计
Rx (m) R x (m)
*
2）m=0时， Rx (m) 取得最大值，即
Rx (0) Rx (m) Rx (0) 为信号序列的能量，即 E R (0) x
11/25/2014
n
| x ( n) |
20
2
3）
Rx () 0 Rxy () 0
Rxy (m) R (m)
如果随机过程X(t)的任意n维概率分布都是正态分布， 则称它为正态随机过程或高斯随机过程，简称正态过 程或高斯过程。
正态随机过程的性质
1.正态过程是二阶矩过程； 2.正态过程的一阶矩、二阶矩即可确定其有限维分布； 3.正态过程严平稳与宽平稳是一致的。
11/25/2014
10
2.2估计的质量评价
2.2.1 估计的偏 定义 反映估计的均值与真值的偏离程度 2.2.2 估计的方差 定义
C XY (t1 , t2 ) E[( X (t1 ) mX (t1 ))(Y (t2 ) mY (t2 ))]
若X(t ), Y (t )的RXY (t1 , t2 ) 0，称X(t ), Y (t )为正交过程； 若C XY (t1 , t2 ) 0，称X(t ), Y (t )为互不相关。
n 0
m R(m) (1 ) R(m) N
11/25/2014
17
ˆ (m)和 R (m)的偏差为 R 2 2
ˆ (m)] R(m) E[ R ˆ (m)] bia[ R 2 2 m m R(m) (1 ) R(m) R(m) N N ˆ (m)是 R (m) 的渐近无偏估计 R 结论： 2 2
对一切有限集﹛ti﹜ ∈T和任意的τ ∈T都成立， 则称X(t)为严平稳过程。
11/25/2014
6
2 宽平稳随机过程——只考虑一阶矩和二阶距
若随机过程 X(t)满足
E[| X (t ) | ]
2
mX (t ) mX
RX (t , t ) E ( X t , X t ) RX ( )
11/25/2014 1
1. 固定时，是t的确定函数，称为样本函数，对应 于某次试验的结果
2. t 固定时，是一个随机变量 3. 与t都固定时，是一个确定数值，称为状态 4. 与t都发生变化，构成了随机过程（信号）的完 整概念
X (t , ) 的含义
11/25/2014
2
2.随机过程的n维分布函数
2 ˆ ˆ ˆ var[ ] E[( E[ ]) ]
ˆ] E[ ˆ] bia[
11/25/2014
11
2.2.3 估计的均方误差(MSE)与一致性 定义
2 ˆ MSE E[( ) ]
均方误差与偏差及方差的关系
2 2 ˆ ˆ ˆ MSE E[( ) ] var( ) bia ( ) 若有 1. lim E[ ˆ]
11/25/2014 5
2.1.2 平稳随机过程
1 严平稳随机过程
设﹛X(t)，t∈T﹜为随机过程，如果对于任意的τ ∈T，过程X(t+ τ)与X(t)（t∈T）有相同的分布， 即
F(x1 , x 2 ,, x n ; t1 , t 2 ,, t n )
F(x1 , x 2 ,, x n ; t1 , t 2 ,, t n )
2.随机信号的特征及其估计
2.1 随机过程基础 2.1.1随机过程及其特征描述 1.随机过程
定义1：设随机试验的样本空间 { ，若对于 } 每个元素 ，总有一个确知的时间函数 X (t , ) 与它对应，这样，对于所有的 ，就可以得 到一簇时间t的函数，称它为随机过程。簇中的 每一个函数称为样本函数。 X (t i , ) 定义2：若对于每个特定的时间 ti (i 1,2,) ， X (t i , ) 都是随机变量，则称 X (t , ) 为随机过程， 称为随机过程 X (t ) 在t t i 时刻的状态。2 Xຫໍສະໝຸດ 4） 自相关函数和自协方差函数
RX (t1 , t 2 ) E[ X (t1 ) X (t 2 )]
CX (t1 , t2 ) E[( X (t1 ) mX (t1 ))( X (t2 ) mX (t2 ))]
5） 互相关函数和互协方差函数
RXY (t1 , t2 ) E[ X (t1 )Y (t2 )]
FX ( x1 , x2 , , xn ; t1 , t2 , , tn ) pX ( x1 , x2 , , xn ; t1 , t2 , , tn ) x1x2 xn
n
11/25/2014 3
3.随机过程的数字特征 设﹛X(t)，t∈T﹜为实随机过程，其主要
数字特征有
1）均值函数（ 数学期望）
At [ x(t )] E[ X (t )] mX
则称X(t)为均值各态历经随机过程。
11/25/2014 8
若
At [ x(t ) x(t )] E[ X (t ) X (t )] RX ( )
则称X(t)为自相关各态历经随机过程。
各态历经和平稳过程的关系
各态历经的随机过程必定是平稳的随机过程，而平稳的随 机过程不一定是各态历经的。对各态历经的随机过程X(t)，其 均值、均方值和方差都为常数，若分别表示为 m , m 2 和 2
11/25/2014
n
x(n)x(n m)
n
n
x ( n ) y ( n m)
19
确定性能量信号的相关函数的性质 1）若x(n)为实信号，则 Rx (m) 为实偶函数，则
Rx (m) R x (m) Rx (m) Rx (m)
*
若x(n)为复信号，则 Rx (m) 共轭偶对称，则
11/25/2014
18
2.4相关函数和功率谱
2.4.1 相关函数
1 确定性能量信号的相关函数
自相关函数
Rx ( m )
互相关函数 实序列
Rxy (m) Rx ( m )
n
x * (n)x(n m) x * ( n ) y ( n m)
Rxy (m)
x x x
则有
2 2 x mx mx
2
其自相关函数和协方差函数满足
Rx ( ) E[ x(t ) x(t )]
2 Cx ( ) E{[ x(t ) mx ][ x(t ) mx ]} Rx ( ) mx
11/25/2014 9
2.1.3 正态过程
N 1 m 1 ˆ ( m) R x(n)x(n m) 1 N m n 0 m 0,1,2 ( N 1) 估计的均值
N 1 m 1 ˆ (m)] E[ R E[ x(n)x(n m)] 1 N m n 0
1 N m
11/25/2014
N 1 m n 0
11/25/2014 22
3 平稳随机信号的相关函数
自相关函数
Rx (m) E[ x * (n) x(n m)]
Rxy (m) E[ x * (n) y (n m)]
互相关函数 对于实序列
Rx (m) E[ x(n) x(n m)]
可以证明当N→∞时，估计的方差趋于0。所以式**对
方差的估计是无偏的一致估计
2.3.3 自相关函数的估计 N 1|m| 1 方法1 R ˆ ( m) x(n)x(n | m |) 1 N | m | n 0
m 0,1,2 ( N 1)
11/25/2014 15
根据实序列自相关函数的偶对称性，上式表示为
mX (t ) E[ X (t )] xf ( x; t )dx
2 ）均方函数
mX 2 (t ) E[ X (t )]
2
3） 方差函数
DX (t ) E[( X (t ) mX (t )) 2 ]
11/25/2014 4
DX (t ) mX 2 (t ) m (t )
R ( m) R ( m)
16
方法2
N 1 m 1 ˆ ( m) R x(n)x(n m) 2 N n 0 m 0,1, 2 ( N 1)
估计的均值
1 ˆ E[ R2 (m)] N 1 N
N 1 m
N 1 m n 0
E[ x(n)x(n m)]
随机过程 X (t )在任意n个时刻 t1 , t 2 ,, t n 的取值 X (t1 ), X (t2 ), , X (tn ) 构成n维随机变量 [ X (t1 ), X (t 2 ),, X (t n )] 。 则定义随机过程 X (t ) 的n维分布函数和n维概率密 度函数为
FX ( x1 , x2 ,, xn ; t1 , t2 ,, tn ) P{X (t1 ) x1 , X (t2 ) x2 ,, X (tn ) xn }
N
ˆ E[ ˆ]) 2 ] 0 2. lim E[(
N
ˆ 是 的一致估计。 则
11/25/2014 12
2.3均值、方差、自相关函数的估计
2.3.1 均值的估计 定义
1 ˆx m N
x ( n)
n 0 N 1 n 0
N 1
（1）
估计的均值
1 ˆ x ] E[ E[m N 估计的方差
1 x ( n )] N n 0
N 1
E[ x(n)] m
x
2 2 2 2 ˆ ˆ ˆ ˆ var( mx ) E[mx ] [ E (mx )] E[mx ] mx
随机信号
设X和Y是随机变量，若E(X^k)，k=1，2，...存在，则称它为X的k阶原点矩，简称k阶矩。
若E{[X-E(X)]^k}，k=1，2，...存在，则称它为X的k阶中心矩。
若E(X^kY^l)，k、l=1，2，...存在，则称它为X和Y的k+l阶混合原点矩。
若E{[X-E(X)]^k[Y-E(Y)]^l}，k、l=1，2，...存在，则称它为X和Y的k+l阶混合中心矩。
显然，X的数学期望E(X)是X的一阶原点矩，方差D(X)是X的二阶中心矩，协方差COV(X，Y)是X和Y的二阶混合中心矩。
9.1.1随机过程和随机信号的概念我们在概率论中介绍过随机变量的概念，设X是一个随机变量，则X的取值是随机的，通常用概率密度函数f(x)描述。
如果使上述随机变量X随时间t改变，即表示为X(t)，这时称X(t)是一个随机过程。
这就是随机过程概念的简单描述。
随机信号也是随机过程。
设X(t)是一个随机信号，当t = t0时，X(t0)为一个随机变量。
下面，我们通过一个简单的例子说明随机信号的概念。
设有一个随机信号产生器，若有甲乙两个同学分别去做实验观察实验结果，甲观察到的实验输出波形为x1(t)，乙观察得到的的实验输出波形为x2(t),如图9.1所示。
同理，设有N个同学分别去做实验，得到实验结果就分别为x1(t)，x2(t),...,x N(t)。
也就是说，随机信号产生器产生的随机信号X(t)，在同一时刻t (例如t = t) 可能输出不同的值，若实验观察，事先是不知道X取值的，即时间t给定时X(t)是一个随机变量。
图9.1 随机信号X(t)显然，随机信号X(t)有如下两个特点：（1）在定义的观察区间内，X(t)是以时间t为参变量的随机函数；（2）给定t，它是一个随机变量，即X(t)在t时刻的取值是随机变化的。
现实生活中随机信号的例子很多，如噪声电压信号，某区域海浪高度的变化，某一区域风向的变化，某一河流的流量变化，交易市场指数的变化，等等都是随机信号。
随机信号分析实验报告(基于MATLAB语言)
随机信号分析实验报告——基于MATLAB语言姓名：_班级：_学号：专业：目录实验一随机序列的产生及数字特征估计 (2)实验目的 (2)实验原理 (2)实验内容及实验结果 (3)实验小结 (6)实验二随机过程的模拟与数字特征 (7)实验目的 (7)实验原理 (7)实验内容及实验结果 (8)实验小结 (11)实验三随机过程通过线性系统的分析 (12)实验目的 (12)实验原理 (12)实验内容及实验结果 (13)实验小结 (17)实验四窄带随机过程的产生及其性能测试 (18)实验目的 (18)实验原理 (18)实验内容及实验结果 (18)实验小结 (23)实验总结 (23)实验一随机序列的产生及数字特征估计实验目的1.学习和掌握随机数的产生方法。
2.实现随机序列的数字特征估计。
实验原理1.随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布， U(0,1)。
即实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：，序列为产生的(0,1)均匀分布随机数。
定理1.1若随机变量X 具有连续分布函数，而R 为(0,1)均匀分布随机变量，则有2.MATLAB中产生随机序列的函数(1)(0,1)均匀分布的随机序列函数：rand用法：x = rand(m,n)功能：产生m×n 的均匀分布随机数矩阵。
(2)正态分布的随机序列函数：randn用法：x = randn(m,n)功能：产生m×n 的标准正态分布随机数矩阵。
第四节 随机信号
其中，T为样本函数的时间历程。
平稳与非平稳随机过程：平稳随机过程指其统计特性不随时 间而变化，或者说，不随时间坐标原点的选取而变化。否则， 则为非平稳随机过程。
统计采样误差
以有限样本纪录获取的样本参数，作为 随机信号特征参数的估计值，所带来的误 差！
作业与总结
一、作业 教材P43-44：2-1（对称方波，三角函数 与复指数函数2种）； 2-2；2-3；2-4；2-6；2-8 二、核心内容 1.傅里叶级数计算 2.傅立叶变换计算 许多重要基础概念
例：
求正弦信号的概率密度函数。
各态历经过程
※ ※ ※ 这是一个最为重要的概念 ① 若平稳随机过程任一样本函数的时间平均统计特 性等于该过程的集合平均统计特性，则称该随机过 程是各态历经的（遍历性）。
② 各态历经过程的物理含义：任一样本函数在足够 长的时间区间内，包含了各个样本函数所有可能出 现的状态。 ③ 对于各态历经过程，其时间平均等于集合平均， 因此，各态历经过程的所有特性都可以用单个样本 函数上的时间平均来描述。工程中绝大多数随机过 程都是各态历经的或可以近似为各态历经过程进行 处理。
第四节 随机信号
一、概述
随机信号是非确定性信号，不能用确定的关系 式来描述； 随机信号具有不重复性（在相同条件下，每次 观测的结果都不一样）、不确定性、不可预估性； 随机信号必须采用概率和统计的方法进行描述
相关概念
随机现象：产生随机信号的物理现象
样本函数：随机现象的单个时间历程，即对随机信号 按时间历程所作的各次长时间观测记录。 记作xi(t)，i表示第i次观测。 样本记录：在有限时间区间上观测得到的样本函数
第4章 离散随机信号的特征描述及其估计
j m Pxx ( ) r xx ( m ) e m 1 j m r ( ) xx Pxx ( ) e d 2
（4-20）
对于实平稳随机序列功率谱，有以下性质： （1）功率谱是 的偶函数，即
Pxx ( ) Pxx ( )
k
2 x
xx
xx
y
m y E [ y ( n )] E [
k
h (k ) x (n k )]
k Biblioteka h ( k ) E [ x ( n k )]
k
mx
h(k )
即
my mx
k
h(k )
m x H (e
N x N n p N
N
x
N
n N
mx m x
则称 { x n } 为均值各态历经随机过程。
可见，对各态历经随机过程，可以用一个样本 序列的时间平均计算随机过程的集合平均。实际 上，对一个样本过程进行长时间统计比对许多样本 进行统计要容易实现。实际处理信号时，对已获得 的一个物理信号，先假设它是平稳的，再假设它是 各态历经的。对信号按此假设处理后，再用处理结 果来检验假设的正确性。各态历经的随机过程一定 是平稳随机过程，实际中常用的高斯白噪声，就是 平稳各态历经的。
4.2 离散随机信号的特征描述 4.2.1平稳随机过程和各态历经性 实际中的很多随机过程是属于平稳随机过程。设{ x } 是一 个平稳随机过程，则其随机序列在各点上的概率特性不随时 间平移而变化，而且是无始无终的。即随机变量 x n 的概率 特性对于任何时刻 n 都是相同的， 对于一个无始无终的平稳随机信号，它的傅立叶变换是 不存在的，也就是说它的频谱是不存在的，我们只能求它的 功率谱。一个平稳随机信号的功率谱就是这个信号的自相关 函数的傅立叶变换。因此，我们就可用信号的功率谱来表征 它的谱特性。在本课程中我们所要讨论的随机序列都为平稳 随机序列。
随机信号分析实验：随机序列的产生及数字特征估计
实验一 随机序列的产生及数字特征估计实验目的1. 学习和掌握随机数的产生方法。
2. 实现随机序列的数字特征估计。
实验原理1.随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布，即U(0,1)。
实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：Ny x N ky y y nn n n ===-) (mod ,110 （1.1）序列{}n x 为产生的(0,1)均匀分布随机数。
下面给出了（1.1）式的3组常用参数：① 1010=N ，7=k ，周期7105⨯≈；②（IBM 随机数发生器）312=N ，3216+=k ，周期8105⨯≈； ③（ran0）1231-=N ，57=k ，周期9102⨯≈；由均匀分布随机数，可以利用反函数构造出任意分布的随机数。
定理1.1 若随机变量X 具有连续分布函数)(x F X ，而R 为(0,1)均匀分布随机变量，则有)(1R F X X -= （1.2）由这一定理可知，分布函数为)(x F X 的随机数可以由(0,1)均匀分布随机数按（1.2）式进行变换得到。
2.MATLAB 中产生随机序列的函数 （1）(0,1)均匀分布的随机序列函数：rand用法：x = rand(m,n)功能：产生m ×n 的均匀分布随机数矩阵。
（2）正态分布的随机序列 函数：randn用法：x = randn(m,n)功能：产生m ×n 的标准正态分布随机数矩阵。
离散随机信号特征的估计
上一页 下一页 返回
7.2 自相关函数的非参数估计
• 由于白噪声的自相关函数
而
• 所以 系统单位冲激响应h(t)。
上一页 下一页 返回
7.2 自相关函数的非参数估计
• 可见所得结果是信号的自相关函数,因此根据处理结果可以判断信号 是否存在。
• 如果没有信号的先验知识,只知道它是周期性的,就可以对观测序列 {xn }作自相关估计
• 由于噪声的自相关函数在m 加大时一般会趋于零,周期信号的自相关 也是周期的。因此,只要把延迟取得足够大,Rn (m) ≈0,则Rx (m) =Rs (m) 。根据处理的结果,可判断信号是否存在,又可估计出信号的周期。
上一页 下一页 返回
7.1 随机信号时域特征的估计
• 估计量的均方误差为
• 则其极限
• 所以该估计量也是一致估计量,这种情况适用于当样本数据内部不相 关时,这时这种方法是一种好的估计方法。但如果内部数据存在关联 性,会使一致性的效果下降,估计量的方差比数据内部不存在相关的情 况下的方差要大。
上一页 下一页 返回
• 因此,自相关函数的估计量为
• 估计量的评价:
• (1)
是渐近无偏估计。
上一页 下一页 返回
7.2 自相关函数的非参数估计
•由
上一页 下一页 返回
7.2 自相关函数的非参数估计
• 所以
是渐近无偏估计。偏移
• 为了使估计无偏,可采用下面的公式估计
是m 的函数。
• (2)
随机信号分析
第9章 随机信号分析随机信号和确定信号是两类性质完全不同的信号，对它们的描述、分析和处理方法也不相同。
随机信号是一种不能用确定数学关系式来描述的，无法预测未来某时刻精确值的信号，也无法用实验的方法重复再现。
随机信号分为平稳和非平稳两类。
平稳随机信号又分为各态历经和非各态历经。
本章所讨论的随机信号是平稳的且是各态历经的。
在研究无限长信号时，总是取某段有限长信号作分析。
这一有限长信号称为一个样本（或称子集），而无限长信号x(t)称为随机信号总体（或称集）。
各态历经的平稳随机过程中的一个样本的时间均值和集的平均值相等。
因此一个样本的统计特征代表了随机信号总体，这使得研究大大简化。
工程上的随机信号一般均按各态历经平稳随机过程来处理。
仅在离散时间点上给出定义的随机信号称为离散时间随机信号，即随机信号序列。
随机信号序列可以是连续随机信号的采样结果，也可以是自然界里实际存在的物理现象，即它们本身就是离散的。
平稳随机过程在时间上是无始无终的，即其能量是无限的，本身的Fourier 变换也是不存在的；但功率是有限的。
通常用功率谱密度来描述随机信号的频域特征，这是一个统计平均的频谱特性。
平稳随机过程统计特征的计算要求信号x(n)无限长，而实际上这是不可能的，只能用一个样本，即有限长序列来计算。
因此得到的计算值不是随机信号真正的统计值，而仅仅是一种估计。
本章首先介绍随机信号的数字特征，旨在使大家熟悉描述随机信号的常用特征量。
然后介绍描述信号之间关系的相关函数和协方差。
这些是数字信号时间域内的描述。
在频率域内，本章介绍功率谱及其估计方法，并给出了功率谱在传递函数估计方面的应用。
最后介绍描述频率域信号之间关系的函数---相干函数。
9.1 随机信号的数字特征9.1.1 均值、均方值、方差若连续随机信号x(t)是各态历经的，则随机信号x(t)均值可表示为： []⎰∞→==TT x dt t x Tt x E 0)(1)(limμ （9-1）均值描述了随机信号的静态（直流）分量，它不随时间而变化。
随机信号分析
随机信号是一种不能用确定的数学关系式来描述的、无法预测未来时刻精确值的信号，也无法用实验的方法重复再现。
换言之，随机信号是指不能用确定性的时间函数来描述，只能用统计方法研究的信号。
其统计特性：概率分布函数、概率密度函数。
统计平均：均值、方差、相关。
随机信号分为平稳和非平稳两大类。
平稳随机信号又分为各态历经和非各态历经。
1） 各态历经信号——指无限个样本在某时刻所历经的状态，等同于某个样本在无限时间里所经历的状态的信号。
2） 平稳随机信号——其均值和相关不随时间变化。
注：各态历经信号一定是随机信号，反之不然。
工程上的随机信号通常都按各态历经平稳随机信号来处理。
仅在离散时间点上给出定义的随机信号称为离散时间随机信号，即随机信号序列。
平稳随机信号在时间上的无限的，故其能量是无限的，只能用功率谱密度来描述随机信号的频域特性。
1. 随机信号的数字特征 均值、均方值、方差若连续随机信号x(t)是各态历经的，则随机信号x(t)的均值可表示为：⎰→∞==TT x dt t x Tt x E 0)(1lim)]([μ均值描述了随机信号的静态分量（直流）。
随机信号x(t)的均方值表达式为：dt t x TTT x)(1lim22⎰→∞=ψ2xψ表示信号的强度或功率。
随机信号x(t)的均方根值表示为：⎰→∞=T T x dt t x T 02)(1limψ x ψ也是信号能量的一种描述。
随机信号x(t)的方差表达式为：⎰-==-→∞Tx T x x dx t x Tx E 0222])([1lim])[(μσμ2xσ是信号的幅值相对于均值分散程度的一种表示，也是信号纯波动分量（交流）大小的反映。
随机信号x(t)的均方差（标准差）可表示为⎰-=→∞T x T x dx t x T 02])([1limμσ 它和2x σ意义相同。
平稳随机过程统计特征的计算要求信号x(t)无限长，而实际上只能用一个样本即有限长序列来计算。
离散随机信号的特征描述及其估计
FFT具有高效性、稳定性和可并行性 等优点，使得它在信号处理领域得到 广泛应用。
03
应用
FFT广泛应用于信号处理、图像处理 、语音处理等领域，例如频谱分析、 滤波器设计、信号去噪等。
小波变换
定义
小波变换是一种时频分析方法，它能够提供信号在不同频率和时间尺度上的信息。小波变 换通过将信号分解为小波函数的叠加，实现了在时间和频率域上的局部化分析。
离散随机信号的特性
随机性
离散随机信号的取值具有随机性，即 每个取值都是随机的，无法预测。
离散性
时变性和空间相关性
离散随机信号的统计特性可能随时间 和空间的变化而变化，同时不同时刻 或位置的信号取值可能存在相关性。
离散随机信号的取值只在离散的时间 或空间点上发生，不连续。
离散随机信号的应用场景
通信系统
Part
02
离散随机信号的特征描述
均值
总结词
离散随机信号的均值描述了信号的平 均水平或“中心趋势”。
详细描述
均值是所有样本点的平均值，表示信 号的“平均水平”或“中心趋势”。 对于离散随机信号，我们通常使用算 术平均值来计算均值。
方差
总结词
方差描述了离散随机信号的波动范围或分散程度。
详细描述
方差是每个样本点与均值的差的平方的平均值，表示信号的波动范围或分散程 度。方差越大，信号的波动或分散程度越大；方差越小，信号越接近均值。
功率谱密度
总结词
功率谱密度描述了离散随机信号的频率成分及其对应的功率。
详细描述
功率谱密度是信号在各个频率上的功率分布，反映了信号的频率成分及其对应的功率。通过分析功率 谱密度，我们可以了解信号中包含哪些频率成分以及各成分的强度。
随机实验报告
随机信号实验报告课程：随机信号实验题目：随机过程的模拟与特征估计学院：四川大学电子信息学院学生名称：实验目的：1.学会利用MATLAB模拟产生各类随即序列。
2.熟悉和掌握随机信号数字特征估计的基本方法。
实验内容：1.模拟产生各种随即序列，并画出信号和波形。
（1）白噪声<高斯分布，正弦分布）。
（2）随相正弦波。
（3）白噪声中的多个正弦分布。
（4）二元随机信号。
（5）自然信号：语音，图形<选做）。
2.随机信号数字特征的估计（1）估计上诉随机信号的均值，方差，自相关函数，功率谱密度，概率密度。
（2）各估计量性能分析<选做）实验仪器：PC机一台MATLAB软件实验原理：随机变量常用到的数字特征是数字期望值、方差、自相关函数等。
相应地，随机过程常用到的数字特征是数字期望值、方差、相关函数等。
它们是由随机变量的数字特征推广而来，但是一般不再是确定的数值，而是确定的时间函数。
b5E2RGbCAP均值：mx(t>=E[X(t>]=；式中，p(x,t>是X<t）的一维概率密度。
mx(t>是随机过程X<t）的所有样本函数在时刻t的函数值的均值。
在matlab中用mea(>函数求均值。
p1EanqFDPw方差：<t）=D[X(t>]=E[]；<t）是t 的确定函数，它描述了随机过程诸样本函数围绕数学期望mx(t>的分散程度。
若X<t）表示噪声电压，则方差<t）则表示瞬时交流功率的统计平均值。
在matlab中用var(>函数求均值。
DXDiTa9E3d自相关函数：Rx(t1,t2>=E[X(t1>X(t2>]；自相关函数就是用来描述随机过程任意两个不同时刻状态之间相关性的重要数字特征。
在matlab中用xcorr<）来求自相关函数。
RTCrpUDGiT在matlab中可用函数rand、randn、normr、random即可生成满足各种需要的近似的独立随机序列。