- •3 В.К. Игнатьев. Статистическая радиофизика
- •Литература:
- •Основы теории вероятностей
- •1.1.Предмет статистической радиофизики
- •1.2.Случайные события. Вероятность
- •1.3.Случайные величины. Распределение вероятностей
- •1.4. Закон больших чисел. Аксиома измерений
- •1.5.Совместные распределения. Условные функции распределения
- •1.6. Характеристическая функция. Семиинварианты
- •1.7.Центральная предельная теорема
- •Случайный импульсный процесс
- •2.1.Функции случайной величины
- •2.2.Пуассоновский импульсный процесс
- •Случайные функции
- •3.1.Понятие случайной функции. Задание случайной функции
- •3.2.Сходимость, дифференцируемость, непрерывность и стационарность случайных функций
- •3.3.Моменты случайных функций
- •3.4.Эргодические случайные процессы
- •Корреляционная теория случайных процессов
- •4.1.Функция автокорреляции
- •4.2.Спектральная плотность интенсивности случайных процессов
- •4.3. Случайные последовательности
- •Воздействие случайного процесса на линейную систему
- •5.1. Спектральные характеристики процесса на выходе линейной системы
- •5.2.Распределение вероятностей на выходе линейной системы
- •5.3.Узкополосный гауссов процесс
- •5.4.Спектр колебаний с флуктуирующей частотой
- •5.5. Спектральное оценивание
- •Нелинейные преобразования случайных процессов
- •6.1.Нелинейное безинерциальное преобразование
- •6.2.Корреляционные функции на выходе умножителя частоты
- •Марковские процессы
- •7.1. Процесс без последействия
- •7.2. Уравнение Смолуховского
- •7.3.Марковский процесс с дискретными состояниями
- •7.4.Двумерные случайные блуждания
- •7.5.Уравнение Фоккера – Планка – Колмогорова
- •Стохастические дифференциальные уравнения
- •8.1. Постановка задачи
- •8.2. Случайные функции с независимыми приращениями
- •8.3. Усреднение точного решения стохастического дифференциального уравнения
- •8.4. Уравнение для средних
- •8.5.Уравнение Лиувилля
- •Случайные поля
- •9.1.Функция автокорреляции и спектр случайного поля
- •9.2.Электромагнитная волна в статистически неоднородной среде
- •9.3.Метод медленно меняющихся амплитуд
- •9.4.Плоская случайная волна в диспергирующей среде
- •Флуктуации в электрических цепях
- •10.1. Тепловой шум в линейных диссипативных системах
- •10.2.Дробовой шум
- •10.3.Фликкер-шум
- •10.4. Шумы электронно-дырочного перехода
- •10.5. Шум биполярного транзистора
- •10.6.Шумы полевых транзисторов
- •10.7.Шумы усилителей
- •Флуктуации в лазерных системах
- •11.1.Корреляционная функция одномодового лазерного излучения
- •11.2. Корреляционная функция многомодового лазера
- •11.3.Флуктуации в одномодовом лазере
- •Содержание
5.2.Распределение вероятностей на выходе линейной системы
Рассмотрим случай воздействия на систему стационарного гауссова случайного процесса 1(t) =1(t) +1(t), где <1(t)> = 0, то есть,
<1(t) > = <1(t)> =x. Поскольку для стационарного процесса все его моменты постоянны, то двумерное совместное распределение гауссова процесса имеет вид (1.17):
(5.0)
где обозначено =t2–t1, ,
12 = D[1(t)] = D[1(t)]. Естественно,что любое одномерное распределение гауссова процесса должно быть нормальное вида (1.8):
. (5.0)
Случайный процесс 2(t) на выходе системы можно записать в виде интеграла Дюамеля (5.1):
.
В этой сумме все случайные величины 1(n) имеют нормальное распределение (5.6),соответственно и их сумма с любыми весовыми коэффициентами независимо от числа слагаемыхnбудет иметь нормальное распределение. Значит, и процесс2(t), определяемый как предел суммы приn, также будет иметь нормальное распределение вида (5.6),но уже с другими моментами. Нетрудно видеть, что с учётом формул (5.2)и (5.4),
.
Поэтому двумерное распределение процесса на выходе линейной системы –нормальное вида (5.5),но с другими параметрами.
Пусть теперь процесс на входе 1(t) не гауссов, но система узкополосная, то есть<<1, где– интервал частот, на котором отлична от нуля АЧХ системыk();1 –интервал частот, на котором отлична от нуля спектральная интенсивностьG1(i) случайного процесса на входе. С учётом соотношения неопределённостей (4.8)это условие с учетом формулы (4.17) принимает вид:k<<p, гдеk–интервалкорреляциипроцесса1(t); p –интервалрелаксации, определяемый условиемh(>p) = 0. Выберем интервал, удовлетворяющий условиюk<<<<p, и перепишем интеграл Дюамеля (5.1)в виде:
,
где .
Поскольку >>k,можно считать, что величиныnнекоррелированы, поэтому процесс2(t) представляет собой сумму большого числа некоррелированных случайных величин и в силу центральной предельной теоремы является гауссовым (нормальным) процессом. Это утверждение называетсятеоремойонормализации.
5.3.Узкополосный гауссов процесс
Случайный процесс, как и детерминированный, можно представить в различных формах через огибающую(t) ифазу(t):
(t) = (t)cos[0t + (t)]; (5.0)
через квадратурныекомпоненты(t) и(t):
(t) = (t)cos(0t) – (t)sin(0t) (5.0)
или через комплекснуюамплитуду:
. (5.0)
Такое представление особенно плодотворно для узкополосногопроцесса,удовлетворяющего условию:<<0,G(|–0| >) = 0, где0–центральнаячастота. Тогда(t),(t),(t),(t),– медленно (в сравнении с 1/0)меняющиеся функции времени.
Заметим, что в записи (5.7)или (5.8)одной случайной функции(t) ставятся в соответствие две случайные функции:(t) и(t) или(t) и(t). Такая процедура неоднозначна, и можно наложить дополнительное условие. Например, если существует производнаяd(t)/dt, то положим
.
В этом случае
d(t)/dt= –0(t)sin[0t+(t)],
то есть при дифференцировании узкополосного случайного процесса (5.7)можно пренебречь производными медленно изменяющихся функций(t) и(t).Формулы (5.7)– (5.9)связаны друг с другом простыми соотношениями:
Будем считать как сам процесс (t), так и процессы(t),(t),(t),(t),стационарными. Можно показать, что в этом случае распределение процесса(t) должно быть симметричным:(х) =(–х). Пусть <(t)> = 0. Тогда:
<(t)> = <(t)> = 0, (5.0)
Это значит, что
, (5.0)
, (5.0)
где – мощность процесса(t). Нетрудно видеть, что
,
то есть р(0) = 1. С учетом формул (5.11) и (5.12) выражение для функции автокорреляции принимает вид:
B() = 2p()cos(0) – 2q()sin(0) = 2R(), (5.0)
где R() = r()cos(0 + ()), .
Вводя в формуле (4.4)новую переменную= – 0,получим:
Сравнивая это выражение с соотношением (5.13), находим:
, (5.0)
. (5.0)
Следовательно, q() = –q(–),q(0) = 0, то есть, в соответствии с формулой (5.12)в совпадающие моменты времени квадратурные компоненты не коррелированны:
<> = 0.
Кроме того, если функция G+() симметрична относительно центральной частоты0, то естьG+(0+) =G+(0–), тоq() = 0 и
B() = 2p()cos(0). (5.0)
При этом, естественно,с учётом соотношения (5.14)
.
Сравнивая эти соотношения с формулой (4.3),видим:
.
Соответственно для комплексной амплитуды нетрудно получить:
(5.0)
Если спектр G+() симметричен относительно центральной частоты0, то
.
Наиболее интересные результаты анализа получаются для случая, когда (t) и(t) – стационарные гауссовы процессы, тогда и(t) – стационарный гауссов процесс. Из соотношений (5.10) – (5.12)следует, что (t),(t) и(t) имеют одинаковые два первых момента, и, следовательно, одинаковые распределения вида (1.8):
.
В силу отсутствия корреляции (5.16)(t) и(t) имеют совместное распределение вида (1.17)приr= 0, то есть:
. (5.0)
Следовательно, (t) и(t) независимы. Тогда, как показано в п. 1.5,огибающая(t),то есть модуль вектора с компонентами ((t),(t)), имеет релеевское распределение вида (1.18):
. (5.09)
Поскольку якобиан преобразования известен , то с помощью формулы (2.3) из совместного распределения (5.18) можно найти совместное распределение огибающей и фазы:
.
Сравнивая это выражение с формулой (5.18),видим, что() = 1/(2). То есть огибающая и фаза узкополосного стационарного нормального процесса статистически независимы, причём огибающая имеет релеевское распределение, а фаза –равномерное.
Нетрудно найти моменты распределения (5.18):
.
Для интенсивности i=2/2 узкополосного нормального процесса с учётом формулы (2.1)получаем:(I) =exp(–I/2)/2–экспоненциальноераспределение.