典型随机信号特征参数统计分布的分形特性_杨娟

合集下载

随机分形搜索算法

随机分形搜索算法

随机分形搜索算法葛钱星;马良;刘勇【摘要】现有的元启发式算法大多是模仿生物的群体运动来解决优化问题.为了进一步给优化算法的设计提供新的思路,受自然生长现象的启发,提出了一种新型的元启发式算法—随机分形搜索算法.该算法利用分形的扩散特性进行寻优,其优化原理完全不同于现有的元启发式算法.其中,算法的扩散过程采用高斯随机游走方式来开发问题的搜索空间,而更新过程则分别对个体的分量及个体本身采用相应的更新策略来进行更新,以此进行全局搜索和局部搜索,从而形成了一个完整的优化系统.通过对一系列典型的测试函数优化问题的求解实验并与其他算法进行比较,结果表明随机分形搜索算法不仅具有较高的计算精度,而且具有较快的收敛速度.【期刊名称】《计算机技术与发展》【年(卷),期】2019(029)004【总页数】6页(P1-6)【关键词】随机分形;随机分形搜索算法;扩散;更新;最优化【作者】葛钱星;马良;刘勇【作者单位】上海理工大学,上海 200093;上海理工大学,上海 200093;上海理工大学,上海 200093【正文语种】中文【中图分类】TP301.60 引言近年来,元启发式算法取得了巨大的发展,出现了许多有代表性的方法。

例如,遗传算法(genetic algorithm,GA)是基于生物进化论中“自然选择、适者生存”规律而提出的优化方法;粒子群优化算法(particle swarm optimization,PSO)是基于鸟群觅食行为规律而提出的群体智能优化方法[1];人工蜂群算法(artificial bee colony,ABC)是基于蜜蜂群觅食行为特性而提出的优化方法[2];蚁群算法(ant colony,AC)是基于蚁群在觅食过程中的行为特性而提出的仿生类算法[3];引力搜索算法(gravitational search,GSA)是基于万有引力定律而提出的智能优化算法[4-5];布谷鸟搜索算法(cuckoo search,CS)是基于布谷鸟的寄生育雏的行为特性而提出的元启发式算法[6-7]。

受损常绿阔叶林生态系统退化评价指标体系和模型_杨娟

受损常绿阔叶林生态系统退化评价指标体系和模型_杨娟

第26卷第11期2006年11月生 态 学 报ACTA EC OLOGI CA SI NICAVol .26,No .11Nov .,2006受损常绿阔叶林生态系统退化评价指标体系和模型杨 娟1,李 静2,宋永昌1,*,蔡永立1(1.华东师范大学资源与环境学院,城市化生态过程与生态恢复上海市重点试验室,上海 200062;2.安徽农业大学林学与国林学院,合肥 230036)基金项目:国家自然科学基金重点研究资助项目(30130060)收稿日期:2006-01-11;修订日期:2006-06-10作者简介:杨娟(1979~),女,河南人,博士生,主要从事生态模型和恢复生态学研究.E -mail :yangjuan01@sohu .com *通讯作者Corresponding author .E _mail :ycs ong @des .ecnu .edu .cn致谢:华东师范大学陈小勇教授、由文辉教授、达良俊教授、王希华教授、李俊祥副教授、易兰博士、河南大学丁圣彦教授等提出宝贵的意见,谨此致谢!Foundation item :The project was financially supported by National Natural Science Key Foundation of China (No .30130060)Received date :2006-01-11;Accepted date :2006-06-10Biography :YA NG Juan ,Ph .D .candidate ,mainly engaged in ecological model and res toration ecol ogy .E -mail :yangjuan01@s ohu .com摘要:为了对受损常绿阔叶林生态系统退化程度进行定量评价,在浙江天童亚热带常绿阔叶林生态系统研究的基础上,以地带性顶级群落———栲树林为参照,选取不同退化程度的次生类型:木荷林、马尾松+木荷林、马尾松林、灌丛以及裸地,从轻到重分别代表5种不同退化程度。

随机信号分析(常建平-李海林版)课后习题答案

随机信号分析(常建平-李海林版)课后习题答案

由于百度文库格式转换的原因,不能整理在一个word 文档里面,下面是三四章的答案。

给大家造成的不便,敬请谅解随机信号分析 第三章习题答案、随机过程 X(t)=A+cos(t+B),其中A 是均值为2,方差为1的高斯变量,B 是(0,2π)上均匀分布的随机变量,且A 和B 独立。

求(1)证明X(t)是平稳过程。

(2)X(t)是各态历经过程吗?给出理由。

(3)画出该随机过程的一个样本函数。

(1)(2)3-1 已知平稳过程()X t 的功率谱密度为232()(16)X G ωω=+,求:①该过程的平均功率?②ω取值在(4,4)-范围内的平均功率?解[][]()[]2()cos 211,cos 5cos 22X E X t E A E t B A B R t t EA τττ=++=⎡⎤⎣⎦+=+=+与相互独立()()()21521()lim2TT T E X t X t X t X t dt AT-→∞⎡⎤=<∞⇒⎣⎦==⎰是平稳过程()()[]()()4112211222222242'4(1)24()()444(0)41132(1)224414414(2)121tan 13224X X XE X t G d RFG F e R G d d d arc x x ττωωωωωππωωπωωπωπωω∞----∞∞-∞-∞∞--∞∞⎡⎤⨯⎡⎤==⋅=⋅⎢⎥+⎣⎦====+==⎛⎫+ ⎪==⎣⎦=++⎝⎭=⎰⎰⎰⎰⎰P P P P 方法一()方:时域法取值范围为法二-4,4内(频域的平均率法功)2d ω=3-7如图3.10所示,系统的输入()X t 为平稳过程,系统的输出为()()()Y t X t X t T =--。

证明:输出()Y t 的功率谱密度为()2()(1cos )Y X G G T ωωω=-[][]:()[()()]{()()}{()(}2()()()()()()()()2(()[)()(()()]()())Y X X X Y X X Y Y Y X X X Y Y j T j T R E Y t Y t E X t X t T X t X t T R R R R E Y t Y t G F R T T e e G R G R G G G G ωωτττττωτωττωττττωωωω-⇒⇒=+=--+-+-=--=+=-⇔⇔∴=-+-=已知平稳过程的表达式利用定义求利用傅解系统输入输出立叶平变稳换的延时特性2()2()22()(1cos )j T j T X X X e e G G G T ωωωωωω-⎡⎤+-⎢⎥⎣⎦=-3-9 已知平稳过程()X t 和()Y t 相互独立,它们的均值至少有一个为零,功率谱密度分别为216()16X G ωω=+22()16Y G ωωω=+令新的随机过程()()()()()()Z t X t Y t V t X t Y t =+⎧⎨=-⎩ ①证明()X t 和()Y t 联合平稳; ②求()Z t 的功率谱密度()Z G ω ③求()X t 和()Y t 的互谱密度()XY G ω ④求()X t 和()Z t 的互相关函数()XZ R τ ⑤求()V t 和()Z t 的互相关函数()VZ R τ 解:()()4124(1)()()()2[()]()0[()]0()2[()]0()()(,)[()][()]0()()(2)()()()()[()()][()()][()X X X Y XY Z X t Y t R F G e E X t R E X t R eE Y t X t Y t R t t E X t E Y t X t Y t Z t X t Y t R E Z t Z t E X t Y t X t τττωτδττττττ---==∞=⇒=⎡⎤⎣⎦=-⇒=∴+=⋅+=⇒=+=+=++、都平稳=与与联合独平立稳[][]{}2214||()]()()()()()0()()()16()()()116(3)()0()0(4)()[()()]()()()()()()[()]2(5)(X YX XY Y XY Z X Y Z X Y XY XY XZ X XY X X VZ Y t R R R R R R R R G G G R G R E X t Z t E X t X t Y t R R R F G e R ττττττττττωωωωωτωτττττττωτ--++=+++=∴=++∴=+==+=→==+=+++=+==={}4||)[()()][()()][()()]()()()4X Y E V t Z t E X t Y t X t Y t R R e ττττττδτ-=+=-+++=-=+-3-11 已知可微平稳过程()X t 的自相关函数为2()2exp[]X R ττ=-,其导数为()()Y t X t '=。

4高斯分布

4高斯分布
k 0
1
QY u QX i u q pe
i 1
n

ju n

性质5
举例(一元特征函数的性质)
d E Y j pe ju q du


n u 0
np
性质6
E Y j
2
2
d2 ju pe q 2 du


n u 0
数学期望

相关系数的引入
不相关、正交 不相关、正交、独 立之间的关系
相关理论
特征函数
随机矢量的数字特征
一元特征函数的性质
1、 QX (u) QX (0) 1
QX u = e
ju 2
u u Sa( ) = Sa( ) 1 = QX 0 2 2
Q u f x e X
*
jux
du f x e jux du QX u
X1 ,, X n 相互独立,Y X i,则 QY u QX i u
i 1
i 1
n
n
QY u E e
juY
E e
ju ( X1 X 2 X n )
n n juX i n j X i E e E e QX i i 1 i 1 i 1
1
数学期望
一维随机变量 二维随机变量 离散型 连续型

2
n维随机变量
随机矢量的函数
相关理论
数学期望的性质 3 条件数学期望
随机变量关于某 个给定值的条件 数学期望 随机变量关于另 一个随机变量的 条件数学期望

随机信号2-2 平稳随机过程和各态历经性

随机信号2-2 平稳随机过程和各态历经性

17
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
严格各态历经:所有参数各态历经
广义各态历随机过程和各态历经性 第二章
随机过程和随机序列
19
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
20
随机过程和随机序列
12
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
13
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
14
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
15
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
各态历经性或遍历性:在一定的条件下,平 稳随机信号的任何一个样本函数的时间平均, 从概率意义上来说等于它的统计平均。
随机过程和随机序列
7
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
8
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
9
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
10
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
11
2-2 平稳随机过程和各态历经性 第二章
1
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
平稳:与时间起点无关
2
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列
严平稳也称狭义平稳
严格平稳要 求所有阶次 原点矩、中 心矩必须时 间平移不变
3
2-2 平稳随机过程和各态历经性 第二章
随机过程和随机序列

第6章信号处理简介

第6章信号处理简介

机电工程学院 Sun Chuan 68215 第6章 信号处理简介
随机信号分类
随机信号可分为平稳的和非平稳的。如果随机 信号的特征参数不随时间变化,则称为平稳的,否
则为非平稳的。一个平稳随机信号,若一次长时间
测量的时间平均值等于它的统计平均值(或称集合平 均值),则称这样的随机信号是各态历经的。通常把 工程上遇到的随机信号均认为是各态历经的。
X(k ) x(n)e j2πkn/N
n 0
N 1
(2.4.1)
1 N 1 x(n) X(k )e j2πkn/N N k 0
机电工程学院 Sun Chuan 68215 第6章 信号处理简介
上述的离散傅里叶变换对将N个时域采样点x(n)与N 个频率采样点X((k)联系起来,建立了时域与频域的关 系,提供了通过计算机作傅里叶变换运算的一种数学 方法。利用计算机进行离散傅里叶变换可查阅相关文 献。
机电工程学院 Sun Chuan 68215 第6章 信号处理简介
图2.4.3 采样频率不同时的频谱波形
机电工程学院 Sun Chuan 68215 第6章 信号处理简介
3. 量化及量化误差
(1) 量化 将采样信号的幅值经过四舍五入的方法离散化的 过程称为量化。 (2) 量化电平 若采样信号可能出现的最大值为A,令其分 为B个间隔,则每个间隔Δx=A/B,Δx称为量化电平,每个量 化电平对应一个二进制编码。 (3) 量化误差 当采样信号落在某一区间内,经过四舍五入 而变为离散值时,则产生量化误差,其最大值是±0.5Δx。 量化误差的大小取决于A/D转换器的位数,其位数越高, 量化电平越小,量化误差也越小。比如,若用8位的A/D转换 器,8位二进制数为28=256,则量化电平为所测信号最大幅值 的1/256,最大量化误差为所测信号最大幅值的±1/512。

概率论与随机过程第2章(15)

概率论与随机过程第2章(15)
解3, 雅各比行列式的方法
2015年10月15日3时9分
概率论与随机过程
统计平均描述法:
统计平均描述法所关心的是: 随机过程在某时刻或不同时刻的平均特 征—均值; 偏离均值的程度—方差, 不同时刻随机变量之间的相关程度 —相 关函数,等数字特征。 总之,统计平均描述法是从统计平均的意 义上研究随机过程的宏观特性。
X (t , 2 ) x2 ( kt s )
t1
经过判别电路, 大于门限 电压为 “1”,小于门限电 压为“0”
X (t , 1 ) x1 ( kt s )
t1
t
2015年10月15日3时9分
概率论与随机过程

按样本函数形式分类
类别 不确定随机过程 确定随机过程

过去观测值与未来值的关系 结果不可预测(不能描述成t的函数) 可预测(可描述成t的函数)
随机过程的分类

按时间和状态分类 类别 连续随机过程 离散随机过程 连续随机序列 离散随机序列
电压噪声 X ( t 1 , )
X( t )
状态 连续 离散 连续 离散 X( t )
时间 连续 连续 离散 离散
X ( t 1 , )
t
t1
X( t )
经过采样 X ( t 1 , )
样本函数
X (t , 3 ) x3 ( kt s )
2 X
2015年10月15日3时9分
概率论与随机过程

2. 均方值与方差
2 X (t ) [ X 2 (t )]
原点矩:
方差:

2

x p X ( x, t )dx
2
2 X ( t ) D X ( t ) E X ( t ) m X ( t )

随机信号分析

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。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

* 江苏省博士后科研资助计划( 批准号: 0902017C ) 和南京理工大学自主科研专项计划( 批准号: 2010 GJPY028 ) 资助的课题 . E-mail : yang76811@ yahoo. cn
2011 中国物理学会 Chinese Physical Society 100506-1
j M τ τ j M V V
ห้องสมุดไป่ตู้
描述 随 机 量 有 两 种 形 式: 一 是 连 续 性 函 数, 包 括概率分布函数 、 概 率 密 度 函 数; 二 是 统 计 特 征 量, 如平均值 、 均方差 . 3. 1. 随机脉冲信号集合的双参数统计模型 . 取 N 代表一次测量周期 t f 对 应 的 脉 冲 总 数, 由 于随机性, 脉冲信号基本参数 V j , τ j 大小排序与脉冲 对应的信 时 序 t i 不同步 . 依脉冲信号宽度 l τ 排序后, 号幅度 l V 序 列 表 现 出 随 机 性; 反 之, 依脉冲信号幅 度 l V 排序后, 对应的信号宽度 l τ 序列也表现出随机 l V ) 可建 立 随 机 信 号 f ( t i ) 的 一 种 具 性, 即基于 ( l τ , 有普遍意义的双参数统计模型 . 设 Δ N l τ 为特征值满 足 τ ∈ l τ Δ t 的脉冲数, Δ N l V 为特征值满足 V ∈ l V Δ V
关键词: 分形,随机信号,双参数,统计
PACS : 05. 45. Df ; 02. 50. - r
群粒度反演算法的 基 础, 也是随机信号特征信息传
1. 引

[1]
输基本规律的重要 体 现 . 而 较 高 精 度 测 量 数 据 的 分 用对数正态统计函数描述小离散 析计算结果表明, , 该概念的出现 度颗粒群粒度分布更加准确 科学
[2 , 3]
、 土壤科学
[9]
[10 , 11] [12] 、 、 环境科学 生物医学
等的重要研究基础 . 基于此, 本文以 单 颗 粒 尘 埃 粒 子 激 光 散 射 装 置 建立一种能够描述 的输出信号为典型 的 随 机 信 号, 随机信号 结 构 基 本 特 征 的 双 参 数 脉 冲 信 号 统 计 模 型 . 实验结果表明, 基 于 此 模 型, 随机信号具有不同 层次的以序列自然 数 为 自 变 量 的 对 数 正 态 分 布, 且 计数分布 的 统 计 特 征 量 与 信 号 的 特 征 参 数 之 间 存 在着内在联系, 这种 联 系 的 形 式 即 随 机 信 号 分 形 特 性的表现, 揭示了随 机 信 号 在 此 处 理 方 式 下 具 有 的 分形特性 .
ln g V =
1 ( N
LV
Σ
i=1
Δ N l V ln l V i ) ( 8)
= Σ q ( l V ) ln l V = E ( ln l V ) = μ ln V ,
lV = 1
当分档数“趋于无限 ” 时, 可取近似连续形式

任意 周 期 内 的 脉 冲 信 号 数 N i 也 具 有 随 机 性, 但 是, p( lτ ) , q ( l V ) 的值 将 随 着 子 样 本 数 Δ N l τ , ΔN lV 的 增 大趋于稳定, 这种稳 定 趋 势 代 表 了 随 机 脉 冲 信 号 群 的统计特征 . 子集 Δ N l V 中的脉冲信号宽度 l τ 也不都相同, 其 宽度分布函数定义为 ΔN lV ΔN lV Δ N l τl V ΔN lτ 1 ΔN lV . = q( lV ) N 1 Δ N l τl V = , p( lτ ) N
9
3. 随 机 脉 冲 信 号 群 的 统 计 描 述 及 其 性质
与图 2 对 应 的 随 机 脉 冲 信 号 有 两 个 基 本 参 数 V, τ . 考虑实际测量精度 Δ t , ΔV, 也可用一对自然数 ( lτ , l V ) 描述随机脉冲信号( 如图 2 所 示) , 对第 j 个 脉冲有 lτ = lV τ τ - 1 ] , l ∈ ( 1, - 1) , 2, …, L = [Δ t Δt V V . = [ , l ∈ ( 1, ( 2) 2, …, L = ] ΔV ΔV )
. 许多现实信号
即分形与信号之 具有明显或者不明 显 的 分 形 特 征, 间存在着一 种 自 然 联 系, 而 正 是 这 种 联 系, 奠定了 分形理论用于 信 号 处 理 的 基 础
[4 — 6]
. 分形信号处理
方法的研究主要集 中 在 以 下 几 个 方 面: 1 ) 分 析 信 号 是否具有分 形 特 点, 是 否 满 足 特 定 的 分 形 模 型; 2 ) 利用各种 分 析 工 具 对 满 足 各 种 分 形 模 型 的 信 号 进 行处理; 3 ) 产 生 满 足 某 种 特 定 分 形 模 型 的 信 号; 4 ) 利用迭代函数系统对信号进行除 ( 如压缩等) ; 5 ) 利 用多重 分 形 分 析 方 法 对 信 号 进 行 处 理 ( 如 噪 声 处 理等) . 在悬浮粒子计 数 测 量 系 统 中, 粒子群对应的是 离散的随机电压脉 冲 信 号 群, 脉冲信号的两个基本 V 0 为参 参数为脉冲宽度 τ 和脉冲幅度 Δ V = V - V 0 , 考电压 . 依观测时 序 为 基 准, 脉 冲 信 号 幅 度、 宽度表 现出随机性, 进行大 量 样 本 统 计 后 信 号 数 随 幅 度 或 宽度的分布呈现出 稳 定 的 规 律, 该分布规律是颗粒
[7 , 8] [7]
分形一 词 由 Mandelbrot 创 建
,此结论已成为纳米
为人们认 识 事 物 局 部 与 整 体 的 关 系 提 供 了 一 种 辩 为描 述 自 然 界 和 社 会 的 复 杂 现 象 提 证的思维方式, 供了一种间接有力 的 几 何 语 言, 目前已广泛应用于 各类学科 非 线 性 问 题 的 研 究 中
建立了一种能够描述随机信号结构基本特征的双 参 数 脉 冲 信 号 统 计 模 型 . 基 于 此 模 型, 脉冲信号群幅度计数 分布 q ( l V ) ,宽度计数分布 p ( l τ ) 及给定宽度信号子集的幅 度 计 数 分 布 ε l τ ( l V ) ,给 定 幅 度 信 号 子 集 的 宽 度 计 数 分 布 δ l V ( l τ ) 均能很稳定的服从以序列自然数为自变量的对数正态分布 . 且 计 数 分 布 的 统 计 特 征 量 μ ln V , μ ln τ , σ ln V , σ ln τ l τ 之间存在内在联系, 与信号的特征参数 l V , 这种联系的形式即随机信号 分 形 特 性 的 表 现, 表明随机信号特征参数 的统计分布之间具有非整数维分形特征 .
物 理 学 报
Acta Phys. Sin.
Vol. 60 ,No. 10 ( 2011 )
100506
典型随机信号特征参数统计分布的分形特性
杨 娟

*
卞保民 闫振纲 王春勇 李振华
210094 )
( 南京理工大学信息物理与工程系, 南京
( 2010 年 12 月 29 日收到; 2011 年 1 月 22 日收到修改稿)
http : / / wulixb. iphy. ac. cn
物 理 学 报
Acta Phys. Sin.
Vol. 60 ,No. 10 ( 2011 )
100506
f( t n ) } , …, { f( t k + 1 ) , …, f( t k + n ) } , …} . 若 不 同 子 集 F n 内元素 数 值 排 序 没 有 明 显 的 结 构 相 似 性, 则称 { f ( t i ) } 为随机 信 号, 且逻辑形式上可将测量数据 { f ( t i ) } 作为连续形式函数 f ( t ) 对待 .
图2
典型的随机脉冲信号双参数结构示意图
基本的特征参数外, 还具有其他的更复杂意义的特 征参量( 参见图 ( 2 ) ) : 如 几 何 面 积 、 上 升 时 间、 平均
图1 随机信号的波形示意图
下降时间 、 半 高 宽 等 等. 对 于 任 意 可 测 量 都 有 斜率 、 确定的值域范围和 分 布 随 机 性, 这两种特征表明被 测量是特定环境下实物之间相互作用的反映 .
我们采用一种 简 单 实 验 装 置, 产生具有上述基 本特征 的 典 型 随 机 信 号 . 该 实 验 装 置 的 基 本 组 成 有: 单颗粒尘埃粒 子 激 光 散 射 装 置, 散 射 光 探 测 器、 20M 数 字 采 集 卡, 前置信号及 放 大 器, 测量信号的 数据输入计算机进 行 统 计 分 析 处 理 . 最 小 数 据 采 样 间隔时间 Δ t ~ 0. 05 μ s , 正常采样周期 t f ~ 60 s , 一 次采 样 信 号 数 据 总 量 约 10 , 统计结果具有很高的 可信度 . 在信号等间隔 采 样 条 件 下, 可将信号记录为自 然数序列 f ( i · Δ t ) ,或随机直方图序列 s ( i ) ≡ Δ t· f ( i · Δ t ) . 取一参 考 值 V 0 ,定 义 一 种 双 参 数 变 换 模 变换函数为 型表征 { f ( i · Δ t ) } 的统计特征, 珓 f( t , V0 ) = f ( t ) - V0 > 0 , f max > V0 > f min , ( 1) 珓 V0 ) } 一 般 由 时 序 不 连 续 的 序 列 脉 冲 组 集 合 { f ( t, f j ( t, V 0 ) 幅度为 V j ,宽度为 τ j , 任意脉冲 珓 脉冲单 成, f j ( t, 元结构参 见 图 2. 双 参 数 ( V j , τj ) 是 脉 冲 信 号 珓 V 0 ) 的基本特征参数 . 变换后的信号序列 { V j ( t ) } 为 { f ( t i ) } 的子集, 子集 { V j ( t ) } 的脉冲总数与参数 V 0 的取值有关, 且 有自身 的 统 计 特 征 . 当 宽 度 τ j = t f 时, 对应一个脉 冲; 而一般情况下, τ j 为 Δ t 的整数倍, 对应的最小脉 冲宽度 τ m = 2 Δ t , 脉冲总数小于 tf 2 Δt . 幅度 V 为测量
相关文档
最新文档