
- •Модуль 4 "сигнали та спектри" Лекція 4.1 Основи загальної теорії детермінованих сигналів. Гармонійний аналіз періодичних сигналів. Спектри простих сигналів
- •4.1.1 Перетворення сигналів в системах тзі
- •4.1.2 Класифікація сигналів
- •4.1.3 Характеристики детермінованих сигналів
- •4.1.3.1 Енергетичні характеристики
- •44.1.3.2 Представлення довільного сигналу у вигляді суми елементарних коливань.
- •4.1.4. Гармонійний аналіз періодичних сигналів
- •4.1.5. Спектри простих періодичних сигналів
- •4.1.5.1 Періодична послідовність прямокутних відеоімпульсів
- •4.1.5.1.1 Амплітудно-частотний спектр
- •4.1.5.1.2 Фазо-частотний спектр
- •4.1.5.2 Пилкоподібні коливання
- •Послідовність уніполярних трикутних імпульсів
- •4.1.6 Розподіл потужності в спектрі періодичного сигналу
- •Лекція 4.2 Гармонійний аналіз неперіодичних сигналів. Властивості перетворення Фур'є
- •4.2.1 Гармонійний аналіз неперіодичних сигналів
- •2.2 Співвідношення між спектрами одиничного імпульсу та періодичної послідовності імпульсів
- •2.3. Деякі властивості перетворення Фур'є
- •2.3.1 Зрушення сигналу в часі
- •2.3.2 Зміна масштабу часу
- •2.3.3 Зсув спектру сигналу
- •2.3.4 Диференціювання та інтегрування сигналу
- •2.3.5 Додавання сигналів
- •2.3.6 Добуток двох сигналів
- •2.4 Розподіл енергії в спектрі неперіодичного сигналу
- •2.5 Спектри неперіодичних сигналів
- •2.5.1 Прямокутний імпульс
- •2.5.2 Трикутний імпульс
- •2.5.3 Дзвіноподібний (Гаусівський) імпульс
- •2.5.4 Імпульс виду
- •2.5.5 Група однакових і рівностоячих імпульсів (пачка імпульсів)
- •3.1 Дискретизовані сигнали
- •3.1.1 Дискретизована послідовність
- •3.1.2 Спектральна щільність дискретних сигналів
- •3.1.3 Відновлення безперервного сигналу з дискретного сигналу
- •3.2 Визначення спектра аналогового сигналу за сукупністю відліків
- •4.1 Дискретне перетворення Фур'є
- •4.1.1 Амплітудно-фазові характеристики частотних каналів дпф
- •4.1.2 Швидке перетворення Фур’є
- •4.1.3 Швидке перетворення Фур'є в базисах Уолша.
- •1. Кореляційний аналіз детермінованих сигналів.
- •6.1 Сигнали з амплітудною модуляцією.
- •6.2 Амплітудна модуляція при складному моделюючому сигналі.
- •7.1. Сигнали з фазовою модуляцією
- •7.2 Сигнали з частотною модуляцією
- •7.3 Спектральна розкладання чм-і фм-сигналів при малих індексах модуляції
- •7.4 Більш точний аналіз спектрального складу сигналів з кутовою модуляцією
- •7.5 Спектр сигналу з кутовою модуляцією при довільному значенні індексу модуляції
- •8.1. Випадкові величини та їх характеристики.
- •8.2 Випадковий процес
7.5 Спектр сигналу з кутовою модуляцією при довільному значенні індексу модуляції
Для випадку одно тонального ЧМ- або ФМ-сигналу можна знайти загальний вираз спектру, справедливе при будь-якому значенні індексу модуляції .
З математики
відомо, що експонента
з уявним показником статечного виду,
періодична на відрізку
,
розкладається в комплексний ряд Фур'є:
,
(7.12)
де
-
будь-яке дійсне число;
-
функція Бесселя
-го
порядку (індексу) від аргументу
.
Підставляючи
перепишемо вираз (7.9) так
.
(7.13)
Звідси отримуємо математичну модель ЧМ- або ФМ-сигналу з будь-яким значенням індексу модуляції:
.
(7.14)
Спектр
одно тонального сигналу з кутовою
модуляцією в загальному випадку містить
нескінченне число складових частоти
яких дорівнюють
;
амплітуди цих складових пропорційно
значенням
.
Функції Бесселя з позитивними і негативними індексами пов'язані між собою:
.
Тому
початкові фази бічних коливань з
частотами
і
збігаються, якщо
-
парне число і відрізняються на
,
якщо
-
непарне.
Важливо
відзначити, що із зростанням індексу
модуляції розширюється смуга частот,
займана сигналом. Зазвичай вважають,
що припустимо знехтувати всіма
спектральними складовими з номером
.
Звідси випливає оцінка практичної
ширини спектра сигналу з кутовою
модуляцією
.
(7.15)
Лекція №8
Основні характеристики випадкових процесів. Види випадкових процесів.
8.1. Випадкові величини та їх характеристики.
Щоб фізична система могла виконувати певні функції, до неї має бути докладено вимушений вплив (вхідний сигнал). В окремих випадках при аналізі таких систем можна розглядати вхідні сигнали як детерміновані, і які мають просте математичне уявлення. Однак на практиці такі сигнали рідко зустрічаються. Навпаки, поведінка вхідного сигналу найчастіше невизначено і непередбачено, у зв'язку з чим його слід розглядати як випадковий. Є безліч таких прикладів: мовні сигнали; випадкові сигнали, отримані в ході вимірювання деяких характеристик і т.д.
На входах і виходах багатьох систем, крім корисних сигналів присутні і небажані обурення. Вони майже завжди випадкові за своєю природою. Якщо, наприклад, сигнал з виходу підсилювача з великим коефіцієнтом підсилення подається на гучномовець, то останній тріски, шарудіння і клацання.
Радіоприймач може приймати антеною перешкоди, пов'язані з роботою промисловості і транспорту; електромагнітних бур; космічних променів.
Отже, якби навіть і можна було створити ідеальні приймачі та підсилювачі, прийнятий сигнал все одно виявився б змішаним з шумом. І знову визначення середньої потужності і частотного спектра може принести велику користь, ніж миттєве значення сигналу.
Так само, як і детерміновані випадкові величини мають свої характеристики.
Ймовірність. З усіх підходів до визначення ймовірності найчастіше використовують два: відносно-частотний і аксіоматичний.
В основі теорії ймовірностей лежить поняття повної безлічі "елементарних фіналів" або випадкових подій
.
Кожній події
складено дійсне число
,
яке називається ймовірністю цієї події.
Приймаються наступні аксіоми:
1. ймовірність
не негативна і не перевищує одиниці:
;
2. якщо
и
-
несумісні події, то
;
3. сума всіх подій, що містяться в , є достовірна подія:
Вимірювання
ймовірностей.
Загально прийнято оцінювати ймовірність
події відносної частоти сприятливих
результатів. Якщо проведено
незалежних випробувань, причому в
з них спостерігалася подія
,
емпірична (вибіркова) оцінка ймовірності
,
яку можна отримати з цієї серії, така:
.
(8.1)
Функція розподілу і щільність ймовірності.
Нехай
-
випадкова
величина. Опис
статистичних властивостей
можна отримати, розташовуючи невипадковою
функцією
дійсного аргументу, яка дорівнює
ймовірності того, що випадкове число з
прийме значення, рівне або менше
конкретного
:
.
Функція
називається функцією розподілу випадкової
величини
.
Якщо
може приймати будь-які значення, то
є гладкою не спадною функцією, значення
якої лежить на відрізку
.
Мають місце такі граничні рівності:
.
Похідна
від функції розподілу
є щільність
розподілу ймовірності (або
щільність ймовірності даної випадкової
величини.
Очевидно,
що
,
тобто величина
є ймовірність потрапляння випадкової
величини
в інтервал
.
Для
неперервної випадкової величини
щільність ймовірності
являє собою гладку функцію.
Щільність
ймовірності повинна бути невід’ємною:
і задовольняти умові нормування
.
Усереднення.
Моменти випадкової величини.
Результатами
експериментів над випадковими величинами,
як правило, служать середні значення
тих чи інших функцій від цих величин.
Якщо
- відома функція від
,
то, за визначенням, її середнє значення
(8.2)
Слід зауважити наступне: найбільший внесок у середнє значення дають ті ділянки осі , де одночасно великі як усереднена функція , так і щільність ймовірності .
В електроніці широко застосовуються особливі числові характеристики випадкової величини, звані моментами. Момент -го порядку випадкової величини є середнє значення -й ступеня випадкової змінної:
.
(8.3)
Простими є моменти першого порядку, математичне сподівання
,
,
(8.4)
яке служить теоретичною оцінкою середнього значення випадкової величини (в електроніці це постійна складова напруги або струму).
Момент другого порядку
,
(8.5)
Є середнім квадратом випадкової величини.
Використовуються також центральні моменти випадкових величин, що задаються наступною формулою:
,
.
(8.6)
Найважливіший центральний момент - так звана дисперсія.
,
(8.7)
Очевидно, що
.
(8.8)
Величина
,
тобто квадратний корінь з дисперсії,
називається середнім
квадратичним відхиленням,
яке служить для кількісного опису заходи
розкиду результатів окремих випадкових
випробувань.
Рівномірний
розподіл.
Нехай деяка випадкова величина
може приймати значення, що належать
лише відрізку
,
причому ймовірність попадання в будь-які
внутрішні інтервали однакової ширини
рівна. Тоді щільність ймовірності
Функцію розподілу знаходять шляхом інтегрування:
Математичне сподівання
Природно
збігається з центром відрізка
.
Дисперсія випадкової величини, що має рівномірний розподіл ймовірності
.
Гаусовий (нормальний) розподіл. У теорії випадкових сигналів фундаментальне значення має гаусова щільність ймовірності
,
(8.9)
містять
два числових параметра
и
.
Графік цієї функції являє собою
дзвіноподібну криву з єдиним максимумом
в точці
(мал.8.1)
Мал.8.1
Безпосереднім
обчисленням можна переконатися, що
параметри гаусового розподілу мають
сенс відповідно математичного сподівання
і дисперсії:
.
Функція розподілу гаусової випадкової величини
.
Заміна
змінної
дає
.
(8.10)
Тут
- не елементарна функція, так званий
інтеграл ймовірностей:
.
Графік
функції
(мал.8.2) має вигляд монотонної кривої,
що змінюється від нуля до одиниці.
Мал.8.2
Щільність ймовірності функції від випадкової величини.
Нехай
-
випадкова величина, пов'язана з
однозначною функціональною залежністю
виду
.
Потрапляння випадкової точки
в інтервалі шириною
і потрапляння випадкової точки
в інтервал, що йому відповідає шириною
(мал.8.3) є еквівалентними подіями, тому
ймовірності їх збігаються:
.
Мал.8.3
Звідси
,
(8.11)
де
-
функція, обернена по відношенню до
.
Якщо
функціональний зв'язок між
і
неоднозначний, так, що є декілька
зворотних функцій
,
то формула (8.11) узагальнюється наступним
чином:
.
(8.12)
Характеристична функція. У теорії ймовірностей велику роль грає статистичне середнє виду
,
(8.13)
зване
характеристичної функцією випадкової
величини
.
З точністю до коефіцієнта функції
є перетворення Фур'є від щільності
ймовірності, тому
.
(8.14)
Для
випадкової величини, рівномірно
розподіленої на відрізку
,
;
(8.15)
для
гаусової випадкової величини із заданими
.
(8.16)
За допомогою характеристичної функції зручно знаходити щільність ймовірності випадкової величини, підданої функціональному перетворенню.