隨機過程(高斯隨機過程、譜分析、白噪聲)
正態隨機過程
1.定義
- 隨機過程 X ( t ) X(t) X(t) 的任意 n n n 維(任取 n n n 個時間點)聯合概率分佈都是正態分佈就說 X ( t ) X(t) X(t) 為正態隨機過程。
- 一個結論:對正態過程來說廣義平穩與嚴格平穩是等價的。
2.概率密度
p
n
(
X
)
=
1
(
2
π
)
n
∣
∑
∣
e
x
p
{
1
2
(
X
−
μ
)
T
∑
−
1
(
X
−
μ
)
}
~~~~~~~~~~~~~~~~~~~~~~~~~~~p_n(\boldsymbol{X}) = \dfrac{1}{\sqrt{(2\pi)^n|\sum|}}exp\{\dfrac{1}{2}(\boldsymbol{X}-\boldsymbol{\mu})^T\sum^{-1}(\boldsymbol{X}-\boldsymbol{\mu})\}
pn(X)=(2π)n∣∑∣1exp{21(X−μ)T∑−1(X−μ)}
~~~~~~~
其中
μ
\mu
μ 表示均值,
c
i
j
c_{ij}
cij 表示協方差,
r
i
j
r_{ij}
rij 表示相關係數。
X
=
[
x
1
x
2
⋮
x
n
]
μ
=
[
μ
1
μ
2
⋮
μ
n
]
∑
=
[
c
11
c
12
⋯
c
1
n
c
21
c
22
⋯
c
2
n
⋮
⋮
⋱
⋮
c
n
1
c
n
2
⋯
c
n
n
]
\boldsymbol{X} = \left[ \begin{matrix} x_1 \\ x_2 \\ \vdots\\ x_n \end{matrix} \right] ~~ \boldsymbol{\mu} = \left[ \begin{matrix} \mu_1 \\ \mu_2 \\ \vdots\\ \mu_n \end{matrix} \right] ~~ \sum = \left[ \begin{matrix} c_{11} & c_{12} & \dotsb &c_{1n}\\ c_{21} & c_{22} & \dotsb &c_{2n}\\ \vdots & \vdots &\ddots & \vdots\\ c_{n1} & c_{n2} & \dotsb & c_{nn} \end{matrix} \right]
X=⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤ μ=⎣⎢⎢⎢⎡μ1μ2⋮μn⎦⎥⎥⎥⎤ ∑=⎣⎢⎢⎢⎡c11c21⋮cn1c12c22⋮cn2⋯⋯⋱⋯c1nc2n⋮cnn⎦⎥⎥⎥⎤
c
i
i
=
σ
i
2
,
c
i
j
=
σ
i
σ
j
r
i
j
c_{ii} = \sigma_i^2,c_{ij} = \sigma_i\sigma_jr_{ij}
cii=σi2,cij=σiσjrij
- 一個重要的公式: ∫ − ∞ ∞ e − x 2 d x = x \int_{-\infin}^{\infin}e^{-x^2}dx=\sqrt{x} ∫−∞∞e−x2dx=x
3.特徵函式
Φ
X
(
ω
)
=
e
x
p
(
j
ω
T
μ
−
1
2
ω
T
∑
ω
)
\Phi_X(\boldsymbol{\omega}) = exp(j\boldsymbol{\omega}^T\boldsymbol{\mu}-\dfrac{1}{2}\boldsymbol{\omega}^T\sum\boldsymbol{\omega})
ΦX(ω)=exp(jωTμ−21ωT∑ω)
ω
=
[
ω
1
,
ω
2
,
⋯
,
ω
n
]
\boldsymbol{\omega} = [\omega_1,\omega_2,\dotsb,\omega_n]
ω=[ω1,ω2,⋯,ωn]
平穩隨機過程的譜分析
1.能量譜與功率譜
- 能量頻譜密度: ∣ S ( ω ) ∣ 2 |S(\omega)|^2 ∣S(ω)∣2,表示訊號的各個分量能量在頻域上的分佈。
- 訊號總能量等於各頻譜分量的能量之和。
E = ∫ − ∞ ∞ ∣ s ( t ) ∣ 2 d t = 1 2 π ∫ − ∞ ∞ ∣ S ( ω ) ∣ 2 d ω E = \int _{-\infin}^{\infin} |s(t)|^2dt=\dfrac{1}{2\pi }\int _{-\infin}^{\infin}|S(\omega)|^2d\omega E=∫−∞∞∣s(t)∣2dt=2π1∫−∞∞∣S(ω)∣2dω - 功率譜密度(對一個函式 X ( ω ) X(\omega) X(ω)): G ( ω ) = lim T → ∞ ∣ X ( ω ) ∣ 2 2 T G(\omega) = \lim_{T\rightarrow \infin}\frac{|X(\omega)|^2}{2T} G(ω)=T→∞lim2T∣X(ω)∣2
2.功率譜密度與相關函式的關係
兩者是一對傅立葉變換
G
X
(
ω
)
=
∫
−
∞
∞
R
X
(
τ
)
e
−
j
ω
τ
d
τ
R
X
(
τ
)
=
1
2
π
∫
−
∞
∞
G
X
(
ω
)
e
j
ω
τ
d
τ
\begin{matrix} G_X(\omega) &= \displaystyle\int_{-\infin}^{\infin}R_X(\tau)e^{-j\omega\tau}d\tau \\ ~~\\ R_X(\tau) &=\dfrac{1}{2\pi} \displaystyle\int_{-\infin}^{\infin}G_X(\omega)e^{j\omega\tau}d\tau \end{matrix}
GX(ω) RX(τ)=∫−∞∞RX(τ)e−jωτdτ=2π1∫−∞∞GX(ω)ejωτdτ
白噪聲
- 定義:均值為零、功率譜密度在無限寬的頻域內為常量。
- 相關函式和功率譜密度分別為:
G X ( ω ) = N 0 2 ( − ∞ < ω < ∞ ) R X ( τ ) = N 0 2 δ ( τ ) \begin{matrix} G_X(\omega) =\dfrac{N_0}{2} ~~(-\infin<\omega<\infin)\\ ~~\\ R_X(\tau) = \dfrac{N_0}{2}\delta(\tau) \end{matrix} GX(ω)=2N0 (−∞<ω<∞) RX(τ)=2N0δ(τ) - 相關係數:
r ( τ ) = { 1 τ = 0 0 τ ≠ 0 r(\tau) = \left\{ \begin{matrix} 1~~\tau = 0\\ 0~~\tau \not ={0} \end{matrix} \right. r(τ)={1 τ=00 τ=0 - 相關時間:
τ 0 = ∫ 0 ∞ r ( τ ) d τ = 0 \tau_0 = \int_0^{\infin}r(\tau)d\tau = 0 τ0=∫0∞r(τ)dτ=0
相關時間為零說明白噪聲的變化非常快,並且任意兩個時刻都沒有相關性。
相關文章
- 隨機過程複習筆記隨機筆記
- 時間序列平穩性、白噪聲、隨機遊走隨機
- Shader 中的隨機與噪聲隨機
- 隨機過程學習筆記——概論隨機筆記
- 【數理知識】第2章-Poisson 過程-《隨機過程》方兆本隨機
- 最簡單的隨機過程——馬爾科夫鏈的Python分析隨機馬爾科夫Python
- 主機被入侵分析過程
- 隨機不只是 Math.random —— 前端噪聲應用隨機random前端
- Book of Shaders 03 - 學習隨機與噪聲生成演算法隨機演算法
- 高斯噪聲模擬
- 主機被入侵分析過程報告
- 有監督學習——高斯過程
- 分享一個批量產生隨機測試資料的MySQL儲存過程隨機MySql儲存過程
- openresty通過lua增加隨機traceidREST隨機
- 協程實現canvas影像隨機閃爍Canvas隨機
- UA MATH567 高維統計II 隨機向量5 亞高斯隨機向量H5隨機
- 單目相機成像過程
- 計算機啟動過程計算機
- HDFS寫過程分析
- 透過Treeset解決隨機數排序問題隨機排序
- python生成隨機數、隨機字串Python隨機字串
- 頁面渲染:過程分析
- Linux 啟動過程分析Linux
- Liferay 啟動過程分析
- 資料需求分析過程
- flink:JobGraph生成過程分析
- 計算機系統引導過程計算機
- [Android systrace系列] 抓取開機過程systraceAndroid
- vsan儲存資料恢復過程—虛擬機器故障恢復過程資料恢復虛擬機
- 【DSL】Elasticsearch之Analyze(分析過程)Elasticsearch
- Spring Security 啟動過程分析Spring
- openGauss核心:SQL解析過程分析SQL
- Eureka Server啟動過程分析Server
- 機器學習導圖系列(3):過程機器學習
- Java虛擬機器啟動過程解析Java虛擬機
- Linux Shell 生成隨機數和隨機字串Linux隨機字串
- 【圖片+程式碼】:GCC 連結過程中的【重定位】過程分析GC
- UA MATH567 高維統計II 隨機向量6 亞高斯隨機向量的應用: 半正定規劃H5隨機