第二章　信号分析与信息论基础 2.1　确知信号分析 2.2　随机信号分析 2.3　信息及信息的度量 2.4　信道统计特性.

Presentation on theme: "第二章　信号分析与信息论基础 2.1　确知信号分析 2.2　随机信号分析 2.3　信息及信息的度量 2.4　信道统计特性."— Presentation transcript:

1 第二章　信号分析与信息论基础 2.1　确知信号分析 2.2　随机信号分析 2.3　信息及信息的度量 2.4　信道统计特性

2 本章教学内容及要求 信号通过系统的过程。确定信号的时域和频域 分析。傅立叶变换关系式，傅立叶变换的主要运算 特性，常用信号的付立叶变换。
　　信号通过系统的过程。确定信号的时域和频域 分析。傅立叶变换关系式，傅立叶变换的主要运算 特性，常用信号的付立叶变换。 　　卷积定义式，时域卷积定理，频域卷积定理。 　 信号的能量和能量谱密度；信号的功率和功率 谱密度。 　　信号的表达方法，信号通过线性系统传输后的 变化及表达。 信息及信息量、信道模型、随参信道传输媒质的特点、信道容量计算。

3 2.1 确知信号分析 信号是通过电的某一物理量（如电压或电流）表 示出的与时间t之间的函数关系。
2.1　确知信号分析 　　信号是通过电的某一物理量（如电压或电流）表 示出的与时间t之间的函数关系。 确知信号：能用函数表达式准确表示出来的信号。它 与时间的关系是确知的。 随机信号：与上述相反。 　　通信中传输的信号及噪声都是随机信号。 2.1.1　周期信号与非周期信号 周期信号：满足条件 s(t)=s(t+T0) -∞＜t＜∞，T0＞0 非周期信号：不满足上述条件。 功率信号：信号在（0，T）内的平均功率S(式2-2)值为 一定值。 能量信号：当T→ ∞时，式(2-3)是绝对可积的。

4 2.1.2 信号的傅里叶变换 傅里叶变换： 式(2-7) 傅里叶反变换： 式(2-6) 式（2-8）是傅里叶变换的指数形式，傅里叶变换是一
2.1.2　 信号的傅里叶变换 傅里叶变换： 式(2-7) 傅里叶反变换： 式(2-6) 式（2-8）是傅里叶变换的指数形式，傅里叶变换是一 个连续函数，称为频谱密度函数，简称频谱函数。 典型的连续时间信号： 1.Sa(t)信号（抽样信号）：Sa(t)=sin(t)/t 波形 　特点：偶函数；零值点（±n π ）；(0~ ∞)的积分为π/2 2.单位阶跃信号：U(t)=0 (t<0); U(t)=1 (t>0); 3.单位冲激信号：∫ 例： （1）阶跃信号构成矩形脉冲信号：　g(t)=u(t)-u(t-t0) （2）阶跃信号构成符号函数： Sgn(t)=2u(t)-1

5 常用信号的傅里叶变换： 矩形函数（图2-1）的傅里叶变换见式（2-9），其频谱函数见图（2-2）。 冲激函数的傅里叶变换。 余弦函数的傅里叶变换。 傅里叶变换的性质： 时移特性： 频移特性： 时域卷积与频域卷积 时域卷积： Γ[f1(t)*f2(t)]=F1(ω) F2(ω) 频域卷积： Γ[f1(t) f2(t)]=(1/2 π) [F1(ω)*F2(ω)]

6 例：已知　Γ[f(t)]=F(ω) 　　求　　Γ[f(t)COS ω0 t]=? 解： Γ[COS ω0 t]= π[δ(ω- ω0)+ δ(ω+ω0)] 冲激 强度为π，根据卷积定理： Γ[f(t)COS ω0 t] =（1/2 π)F(ω)* {π[δ(ω- ω0)+ δ(ω+ω0)] } =(1/2) [F(ω- ω0)+ F(ω+ω0)] 2.1.3　 信号通过线性系统 线性系统：输出信号与输入信号满足线性关系（允许 有延迟）。 f0(t)=Kfi(t-td) （2-13） 该系统传递函数：H(ω) = 式（2-14） 线性不失真系统的幅频特性|H(ω)|是与ω无关的 常数，相频特性则是ω的线性函数。

7 2.2 随机信号分析 2.2.1 高斯平稳随机过程 1、随机过程的一般概念 通信过程中的随机信号和噪声均可归纳为依赖于
2.2　随机信号分析 2.2.1 高斯平稳随机过程 1、随机过程的一般概念 通信过程中的随机信号和噪声均可归纳为依赖于 时间参数t的随机过程。这种过程的基本特征是，它是 时间t的函数，但在任一时刻观察到的值却是不确定的， 是一个随机变量。 2、随机过程的定义 定义：随机过程是依赖于时间参量t变化的随机变量的 总体或集合；也可以叫做样本函数的总体或集合。习 惯用ξ(t)表示。 3 、随机过程的统计特性的描述 设ξ(t)表示一个随机过程，则在任意一个时刻t1 上，ξ(t1)是一个随机变量。显然，这个随机变量的统 计特性，可以用概率分布函数或概率密度函数去描述。

8 4、随机过程的数字特征 随机过程的数字特性，比如，随机过程的数学期望、 方差及相关函数等。 1）数学期望 随机过程ξ(t)的数学期望被定义为 可把t1直接写成t。随机过程的数学期望被认为是时间t的函数。 数学期望的物理意义：信号或噪声的直流功率。 2）方差 随机过程的方差定义为 方差的物理意义： 信号或噪声交流功率。

9 5、 平稳随机过程 狭义平稳概念：所谓平稳随机过程，是指它的任何
3）自相关函数 5、 平稳随机过程 狭义平稳概念：所谓平稳随机过程，是指它的任何 n维分布函数或概率密度函数与时间起点无关。也就是 说，如果对于任意的n和τ，随机过程ξ(t)的n维概率 密度函数满足： 则称ξ(t)是平稳随机过程。 6、广义平稳过程 广义平稳概念：若一个随机过程的数学期望及方差与时间无关，而其相关函数仅与τ有关，则称这个随机过程为广义平稳随机过程。 用途：a 、用来判断广义平稳； b、用来求解随机过程的功率谱密度及平均功率。

10 通信系统中的信号及噪声，大多数可视为平稳的随机 过程。因此，研究平稳随机过程有很大的实际意义。
7、自相关函数 我们已经知道，平稳随机过程的自相关函数和时间t 无关，而只与时间间隔τ有关，即： R(τ)＝E{ξ(t)ξ(t+τ)} 自相关函数的性质： 1） R(0)为ξ(t)的均方值(平均功率)。自相关函数在τ=0处 的数值等于该过程的平均功率( 包括直流功率和交流功 率)。 2）对偶性 R(τ)＝R(－τ) 即自相关函数是τ的偶函 数。

11 3）当τ＝0时,自相关函数取最大值，即R(0)≥ R(τ) 4） 5) 8、功率谱密度： 付氏变换沟通了确定信号时域和频域的关系，那
证明： 3）当τ＝0时,自相关函数取最大值，即R(0)≥ R(τ) 4） 5) 8、功率谱密度： 付氏变换沟通了确定信号时域和频域的关系，那 么为什么随机过程在频率域中要讨论功率谱密度，而 不讨论付氏变换呢？主要原因有二。 1)、对于随机过程来说，它由许许多多个样本函数来构 成, 所以我们无法求其付氏变换，可以说,随机过程不存 在付氏变换。

12 2)、随机过程属于功率信号而不属于能量信号，所以我 们讨论功率谱密度。 对于任意的功率信号f(t)的功率谱为：
9、高斯分布概率密度函数 由f(x)的表达式可画出图形 9、高斯分布和高斯过程 高斯分布这个概念在通信中是经常出现的。而在 一般情况下，噪声都可以认为具有高斯分布的形式。 由信息论的观点来说，如果是连续信源，当信号的功 率一定时，信号幅度的概率密度函数服从高斯分布时，载

13 2.2.2 窄带高斯噪声 荷的信息量最大，即有效性最好；另一方面，如果是 起伏噪声，当噪声功率Ｎ一定时，幅度呈现高斯分布
的噪声对通信系统的影响也最为恶劣。因此，在系统 设计中，常以高斯噪声为着眼点来考虑信噪比、带宽 等问题。因此，高斯分布是通信系统的统计分析中最 常见、最重要的一种分布。 高斯过程定义：通俗地讲，在任意时刻t去观察随机过 程，若其随机变量的概率分布都满足高斯分布,这个随 机过程就是高斯过程。 窄带高斯噪声 任何通信系统都有发送机和接收机，为了提高系统的可 靠性，即输出信噪比，通常在接收机的输入端接有一 个带通滤波器，信道内的噪声构成了一个随机过程， 经过该带通滤波器之后，则变成了窄带随机过程。

14 窄带条件：中心频率为ω 0，带宽为△f，当△ ω <<
ω 0时，就可认为满足窄带条件。若随机过程的功率谱 满足该条件则称为窄带随机过程。若带通滤波器的传 输函数满足该条件则称为窄带滤波器。随机过程通过 窄带滤波器传输之后变成窄带随机过程。 （图2-7）（图2-8） 窄带过程的数学表示 1、用包络和相位的变化表示 由窄带条件可知,窄带过程是功率谱限制在ω0附 近的很窄范围内的一个随机过程,从示波器观察(或由理 论上可以推知):这个过程中的一个样本函数(一个实现) 的波形是一个频率为ω0且幅度和相位都做缓慢变化的 余弦波。所以可以表示成：

15 2.3 信息及信息的度量 2.3.1 通信系统的统计模型（图2-12） 信源：通信的起点。输出消息（包括文字、符号、声 音、图像、数据等）。
2.3　信息及信息的度量 2.3.1 通信系统的统计模型（图2-12） 信源：通信的起点。输出消息（包括文字、符号、声 音、图像、数据等）。 信源编码器：将消息变为信号（提高信号传输效率）。 信道编码器：信号处理的设备（提高信号传输的的可靠 性）。 干扰源：即噪声源。 信息的定义 从统计学的信息指的是消息中包含的不确定性。 信息的度量 信息的度量，与信息发生的概率成反比。如果一 个事件发生的概率是1，这是一个必然事件，那么它的 信息量就是0。 离散信源信息量 I=loga(1/P(x))=-loga(P(x)) (2-58)

16 2.3.4 离散信源的平均信息量 P(x)为事件发生的概率，若a=2，信息量单位为比特
（bit）;若a=e，信息量单位为奈特（nit）;若a=10，信 息量单位为哈特莱。 式（2-59）求信息量总和 例2-1、例2-2、例2-3。 离散信源的平均信息量 如离散信息信号序列发生的概率如下所示。 符号xi x x …… xn 符号发生概率P(xi) P(x1) P(x2) …… P(xn) 这样每个符号的平均信息量（也称为熵）为H（x）

17 2.3.5 连续信源的平均信息量 可以证明，当每个符号等概率出现时，平均信息量最 大。 式（2-62） 例2-4。
式（2-62） 例2-4。 连续信源的平均信息量 当连续信源出现的概率密度为f(x)时，连续信源的平均 信息量为 即为连续信源的熵，又称为相对熵。例2-5。

18 2.4 信道统计特性 2.4.1 离散信道的信道容量 信道容量：信道在理想状态下（无差错传输或差错率等 于零）的
　2.4　信道统计特性 离散信道的信道容量 信道容量：信道在理想状态下（无差错传输或差错率等 于零）的 最大传信速率，通常用C表示。 条件熵定义（2-67）（2-68） 互信息量定义（2-69）（2-70） 无损信道：H（x/y)=0, I(x,y)=H(x)=H(y) 全损信道：H（x/y)=H(x) Rt=RB[H(x)-H(x/y)]=Ht(x)-Ht(x/y) (bit/s) (2-71) 实际信息传输速率Rt的最大值记为C，即 　　C=maxRt=max[Ht(x)-Ht(x/y)] (2-72) 例2-6、2-7。

19 2.4.2　连续信道的信道容量 香农信道容量公式： 　C=B log2(1+s/(n0 B)) (bit/s) (2-78) 式中，B为信道带宽（Hz)，S为信号功率（W），n0为 噪声单边功率谱密度（W/Hz)，N=n0B为噪声功率 （W）。 上式成立的条件是：信号为高斯分布（此时信息熵最 大），噪声为高斯白噪声。 香农信道容量公式告诉我们以下重要结论： ①C随S/N增大而增大； ②当n0 →0时C → ∞，即无干扰信道的信道容量为无穷大； ③C随着B的增大而增大，但不能无限增大，即 　　　当B → ∞ 时，C → 1.44(S/n0) ④C一定时，B与S/N可以互换；

20 ⑤若信源信息速率Rb ≤ C，则理论上可以实现无差错传输。若Rb ＞ C ，则不可能实现无差错传输。
信道容积Vc的概念 信号体积Vs ≤信道容积Vc时才能实现通信