概率与随机变量(5)

概率与随机变量(5)

\[y(t)=\sum_{m=-\infty}^\infty a_m\cdot g(t-mT-\vartheta) \]

这是一个典型的脉冲幅度调制(PAM)线性调制模型,各符号的物理含义如下:

  • \(y(t)\):生成的连续时间数字信号(基带波形)
  • \(\sum_{m=-\infty}^{\infty}\):求和符号,表示信号由无数个脉冲叠加而成,跨越所有时间
  • \(a_m\):第 \(m\) 个符号/码元的幅度(携带数字信息,如二进制中的 0 或 1 映射成的幅度值)
  • \(g(\cdot)\):脉冲成型函数(基带波形),决定了单个码元的形状(例如常见的矩形脉冲、升余弦滚降脉冲等)。它的频谱特性直接决定了最终信号的频谱形状
  • \(T\):码元周期(符号间隔),\(mT\) 表示第 \(m\) 个脉冲的中心时刻,即每个脉冲每隔 \(T\) 时间发送一次

信息序列 \(\{a_m\}\) 是 遍历的(ergodic)、广义平稳(wide-sense stationary, WSS)的随机变量序列,所以有两个性质:

  • 均值恒定:\(\mathbb{E}[a_m]=\mathbb{E}[a_n]=\mu\)(与时间下标无关)
  • 自相关只依赖时间差:\(\mathbb{E}[a_n a_m]=R_a[m-n]\)(只跟 \(m-n\) 有关)

\(\vartheta\)(图中类似 \(\theta\)):代表随机相位偏移或时间延迟。在符号时间内概率相等,ϑ 与信息序列 {an} 无关

\[\mathrm{f}_{\Theta}\left(\vartheta\right)=\left\{\begin{array}{ll}\frac{1}{\mathrm{T}}&\mathrm{0<t\leqslant T}\\0&\mathrm{else}\end{array}\right. \]


首先考虑用脉冲 δ(t) 替代脉冲 g(t) 的数字信号

\[\chi\left(\mathfrak{t}\right)=\sum_{\mathfrak{m}=-\infty}^\infty\mathfrak{a}_\mathfrak{m}\delta\left(\mathfrak{t}-\mathfrak{m}\mathsf{T}-\vartheta\right) \]

原始信号 y(t) 与 x(t) 之间存在关联:

\[y (t) = x (t) ∗ g (t) \]

\[\sum_{\mathrm{m}=-\infty}^{\infty}\mathrm{a}_{\mathrm{m}}\delta\left(\mathrm{t}-\mathrm{m}\mathrm{T}-\vartheta\right)\xrightarrow{}\boxed{\mathrm{G}(\mathrm{f})}\xrightarrow{}\sum_{\mathrm{m}=-\infty}^{\infty}\mathrm{a}_{\mathrm{m}}\mathrm{g}\left(\mathrm{t}-\mathrm{m}\mathrm{T}-\vartheta\right) \]

\[\mathrm{G(f)}\rightleftharpoons\mathrm{g(t)} \]

Power Spectral Density of y (t):

功率谱定义是“幅度平方的期望 / 极限”,所以G(f)会有一个平方:

\[\mathrm{S_y\left(f\right)=\left|G\left(f\right)\right|^2S_x\left(f\right)} \]


am 白(独立,零均值)情况

\[\mathrm{R_X}\left(\mathrm{t_1},\mathrm{t_2}\right)=\mathbb{E}\left[\mathrm{x}\left(\mathrm{t_1}\right)\mathrm{x}\left(\mathrm{t_2}\right)\right] \]

\[=\mathbb{E}\left[\left\{\sum_{\mathfrak{m}=-\infty}^{\infty}\mathfrak{a}_{\mathfrak{m}}\mathfrak{\delta}\left(\mathfrak{t}_{1}-\mathfrak{m}\mathfrak{T}-\vartheta\right)\right\}\left\{\sum_{\mathfrak{n}=-\infty}^{\infty}\mathfrak{a}_{\mathfrak{n}}\mathfrak{\delta}\left(\mathfrak{t}_{2}-\mathfrak{n}\mathfrak{T}-\vartheta\right)\right\}\right] \]

\[=\sum_{\mathrm{m}=-\infty}^{\infty}\sum_{\mathrm{n}=-\infty}^{\infty}\mathbb{E}\left[\mathrm{a}_{\mathrm{m}}\mathrm{a}_{\mathrm{n}}\delta\left(\mathrm{t}_{1}-\mathrm{m}\mathrm{T}-\vartheta\right)\delta\left(\mathrm{t}_{2}-\mathrm{n}\mathrm{T}-\vartheta\right)\right] \]

\[=\sum_{\mathrm{m}=-\infty}^{\infty}\sum_{\mathrm{n}=-\infty}^{\infty}\mathbb{E}\left[\mathrm{a}_{\mathrm{m}}\mathrm{a}_{\mathrm{n}}\right]\times\mathbb{E}\left[\delta\left(\mathrm{t}_{1}-\mathrm{m}\mathrm{T}-\vartheta\right)\delta\left(\mathrm{t}_{2}-\mathrm{n}\mathrm{T}-\vartheta\right)\right] \]

\[=\sum_{\mathrm{m}=-\infty}^\infty\sum_{\mathrm{n}=-\infty}^\infty\mathrm{R}_\mathrm{a}\left[\mathrm{m}-\mathrm{n}\right]\times\mathbb{E}\left[\delta\left(\mathrm{t}_1-\mathrm{m}\mathrm{T}-\vartheta\right)\delta\left(\mathrm{t}_2-\mathrm{n}\mathrm{T}-\vartheta\right)\right] \]

\[\mathrm{When~...,a_{-1},a_0,a_1,...~are~independent~and~zero-mean~\Rightarrow~R_a~[m-n]=\begin{cases}\sigma^2&m=n\\0&m\neq n&&\end{cases}} \]

\[所以化简:\mathrm{R_X\left(t_1,t_2\right)=\sum_{m=-\infty}^\infty\sum_{n=-\infty}^\infty R_a\left[m-n\right]\times\mathbb{E}\left[\delta\left(t_1-mT-\vartheta\right)\delta\left(t_2-nT-\vartheta\right)\right]} \]

\[=\sigma^2\sum_{\mathfrak{m}=-\infty}^\infty\mathbb{E}\left[\delta\left(\mathfrak{t}_1-\mathfrak{m}\mathsf{T}-\vartheta\right)\delta\left(\mathfrak{t}_2-\mathfrak{m}\mathsf{T}-\vartheta\right)\right] \]


复习下(我猜你忘了):

\[\vartheta\sim\mathcal{U}[0,T) \]

\[p_\vartheta(\theta)=\begin{cases}\frac{1}{T},&0\leq\theta<T\\0,&\text{其他}&\end{cases} \]

\[\mathbb{E}[f(\vartheta)]=\int f(\theta)p_\vartheta(\theta)d\theta \]

所以代入得(书面表达中将1/T提前了):

\[\mathbb{E}\left[\delta\left(\mathrm{t}_{1}-\mathrm{mT}-\vartheta\right)\delta\left(\mathrm{t}_{2}-\mathrm{mT}-\vartheta\right)\right]=\frac{1}{\mathrm{T}}\int_{0}^{\mathrm{T}}\delta\left(\mathrm{t}_{1}-\mathrm{mT}-\vartheta\right)\delta\left(\mathrm{t}_{2}-\mathrm{mT}-\vartheta\right)\mathrm{d}\vartheta \]

做变量替换,令 \(\theta = t_1-mT-\vartheta\),则 \(d\theta=-d\vartheta\),第二个 \(\delta\) 里:

\[t_2-mT-\vartheta=(t_2-t_1)+(t_1-mT-\vartheta)=(t_2-t_1)+\theta \]

\[I=\frac{1}{T}\int\delta(\theta)\delta\left(\theta+(t_2-t_1)\right)d\theta \]

\[\text{由 }\delta(\theta)\text{ 筛选: }\theta=0\text{ 处取值}\Rightarrow\text{第二项变成 }\delta(0+(t_2-t_1))=\delta(t_2-t_1) \]

最后得到的结果为:

\[=\begin{cases}\frac{1}{\mathrm{T}}\delta\left(\mathrm{t}_{2}-\mathrm{t}_{1}\right),&\mathrm{mT<t}_{1}\leqslant(\mathrm{m}+1)\mathrm{T}\\0&\mathrm{otherwise}&&&\end{cases} \]

这里非常容易混淆,这里的冲激函数是被δ(0)选择出来的,所以就不能再进行化简了,积分符号已经被消除了

\[定义是\int f(\theta)\delta(\theta-a)d\theta=f(a),这里的f(\theta)就是原式子的第二项冲激函数,所以直接带出来了 \]


但前提是:使两个 \(\delta\) 同时“激活”的那个 \(\vartheta^*\) 必须落在积分区间 \([0,T)\) 内,否则积分为 0。

\[\text{第一个 }\delta\text{ 为零 }\Rightarrow\vartheta^*=t_1-mT\\\text{第二个 }\delta\text{ 为零 }\Rightarrow\vartheta^*=t_2-mT \]

t1必须等于t2,才有值,并且需要满足定义域;所以有:

\[\text{条件 }\vartheta^*\in[0,T):0\leq t_1-mT<T\Rightarrow mT\leq t_1<(m+1)T \]


\[\mathrm{R}_{\chi}\left(\tau\right)=\sigma^{2}\sum_{\mathrm{m}=-\infty}^{\infty}\mathbb{E}\left[\delta\left(\mathrm{t}-\mathrm{m}\mathrm{T}-\vartheta\right)\delta\left(\mathrm{t}+\tau-\mathrm{m}\mathrm{T}-\vartheta\right)\right]=\frac{\sigma^{2}}{\mathrm{T}}\delta\left(\tau\right)\quad\Rightarrow\mathrm{S}_{\chi}\left(\mathrm{f}\right)=\frac{\sigma^{2}}{\mathrm{T}} \]

\[S_X(f)=\frac{\sigma^2}{T} \]


am非白情况

好了简单的你已经会了,现在讨论非独立零均值的情况:

\[\begin{gathered}\mathbb{E}\left[\delta\left(t_1-\mathfrak{mT}-\vartheta\right)\delta\left(t_2-\mathfrak{nT}-\vartheta\right)\right]\\=\frac{1}{\mathrm{T}}\int_0^{\mathrm{T}}\delta\left(\mathrm{t}_1-\mathrm{m}\mathrm{T}-\vartheta\right)\delta\left(\mathrm{t}_2-\mathrm{n}\mathrm{T}-\vartheta\right)\mathrm{d}\vartheta\end{gathered} \]

\[令u = t1 − mT − ϑ ⇒ du = −dϑ \]

\[原式=-\frac{1}{T}\int_{t_1-mT}^{t_1-mT-T}\delta\left(u\right)\delta\left(t_2-nT-\left\{t_1-mT-u\right\}\right)du \]

\[=-\frac{1}{\mathrm{T}}\int_{\mathrm{t}_1-\mathrm{m}\mathrm{T}}^{\mathrm{t}_1-(\mathrm{m}+1)\mathrm{T}}\delta\left(\mathrm{u}\right)\delta\left(\mathrm{t}_2-\mathrm{t}_1+(\mathrm{m}-\mathrm{n})\mathrm{T}+\mathrm{u}\right)\mathrm{d}\mathrm{u} \]

\[=\frac{1}{\mathrm{T}}\int_{\mathrm{t}_1-(\mathrm{m}+1)\mathrm{T}}^{\mathrm{t}_1-\mathrm{m}\mathrm{T}}\delta\left(\mathrm{u}\right)\delta\left(\mathrm{t}_2-\mathrm{t}_1+\left[\mathrm{m}-\mathrm{n}\right]\mathrm{T}+\mathrm{u}\right)\mathrm{d}\mathrm{u} \]


\[\mathrm{let~t_{2}-t_{1}=\tau~and~n-m=k~(using~R_{a}[-k]=R_{a}[k])} \]

\[\mathrm{R_X\left(t_1,t_2\right)=\sum_{m=-\infty}^\infty\sum_{n=-\infty}^\infty R_a\left[m-n\right]\times E\left[\delta\left(t_1-mT-\vartheta\right)\delta\left(t_2-nT-\vartheta\right)\right]} \]

\[\mathrm{R_{\chi}\left(\tau\right)=\frac{1}{T}\sum_{k=-\infty}^{\infty}R_{\alpha}\left[k\right]\sum_{m=-\infty}^{\infty}\int_{t_{1}-\left(m+1\right)T}^{t_{1}-mT}\delta\left(u\right)\delta\left(\tau-kT+u\right)du} \]

\[=\frac{1}{\mathrm{T}}\sum_{\mathrm{k}=-\infty}^{\infty}\mathrm{R}_{\mathrm{a}}\left[\mathrm{k}\right]\int_{-\infty}^{\infty}\delta\left(\mathrm{u}\right)\delta\left(\tau-\mathrm{k}\mathrm{T}+\mathrm{u}\right)\mathrm{d}\mathrm{u}. \]

\[因为\int_{-\infty}^{\infty}\delta\left(u\right)\delta\left(\tau-kT+u\right)du=\delta\left(\tau-kT\right) \]

\[最终\mathrm{R_{\chi}\left(\tau\right)=\frac{1}{T}\sum_{k=-\infty}^{\infty}R_{a}\left[k\right]\delta\left(\tau-kT\right)} \]

\[S_{\chi}\left(\mathrm{f}\right)=\frac{1}{\mathrm{T}}\sum_{\mathrm{k}=-\infty}^{\infty}\mathrm{R}_{\mathrm{a}}\left[\mathrm{k}\right]e^{-\mathrm{j}2\pi\mathrm{k}\mathrm{f}\mathrm{T}} \]

数字信号 y(t)(经波形整形脉冲 g(t) 处理后)的 PSD 为:

\[S_{\mathrm{y}}\left(\mathrm{f}\right)=S_{\mathrm{x}}\left(\mathrm{f}\right)\left|\mathrm{G}\left(\mathrm{f}\right)\right|^{2}=\frac{\left|\mathrm{G}\left(\mathrm{f}\right)\right|^{2}}{\mathrm{T}}\sum_{\mathrm{k}=-\infty}^{\infty}\mathrm{R}_{\mathrm{a}}\left[\mathrm{k}\right]e^{-\mathrm{j}2\pi\mathrm{k}\mathrm{f}\mathrm{T}} \]

\[偶对称合并结果(孩子们,可以套公式了):\mathrm{S_y~(f)~=~\frac{\left|G~(f)\right|^2}{T}~\left(R_a~[0]~+2\sum_{k=1}^\infty R_a~[k]~\cos~(2\pi kfT)\right)} \]


简单解释下下题目:

\[y(t)=\sum_na_ng(t-nT) \]

原始信息是bn,这是一个互不相关,均值为0,方差为1的序列信号;我们发送的是编码后的an(an和bn存在关系),g(t)题目默认选择脉冲函数进行包装,实际发出的连续时间信号,观测到为y(t)


\(b_n\) 互不相关、零均值、方差=1,即

\[\mathbb{E}[b_ib_j]=\begin{cases}1,&i=j\\0,&i\neq j&\end{cases} \]

\[\mathrm{R_{\alpha}\left[m\right]=\mathbb{E}\left[a_{n}a_{n+m}\right]=\mathbb{E}\left[\left(b_{n}+b_{n-1}\right)\left(b_{n+m}+b_{n+m-1}\right)\right]} \]

\[=\mathbb{E}\left[\mathrm{b}_{\mathrm{n}}\mathrm{b}_{\mathrm{n+m}}\right]+\mathbb{E}\left[\mathrm{b}_{\mathrm{n}}\mathrm{b}_{\mathrm{n+m-1}}\right]+\mathbb{E}\left[\mathrm{b}_{\mathrm{n-1}}\mathrm{b}_{\mathrm{n+m}}\right]+\mathbb{E}\left[\mathrm{b}_{\mathrm{n-1}}\mathrm{b}_{\mathrm{n+m-1}}\right] \]

  • \(m=0\)

    :四项下标分别为 \((n,n),(n,n-1),(n-1,n),(n-1,n-1)\)

    • 相等的是第1项 \(b_n b_n\) ⇒ 1
    • 第4项 \(b_{n-1}b_{n-1}\) ⇒ 1
    • 第2、3项下标差1 ⇒ 0
    • 合计 \(=1+0+0+1=2\)
  • \(m=+1\)

    :四项下标对 \((n,n+1),(n,n),(n-1,n+1),(n-1,n)\)

    • 只有第2项 \(b_n b_n\) ⇒ 1
    • 合计 \(=1\)
  • \(m=-1\)

    :四项下标对 \((n,n-1),(n,n-2),(n-1,n-1),(n-1,n-2)\)

    • 只有第3项 \(b_{n-1}b_{n-1}\) ⇒ 1
    • 合计 \(=1\)
  • \(|m|\ge 2\):四对下标全不相等 ⇒ 全0

\[故有\mathbb{R}_{\mathfrak{a}}\left[\mathfrak{m}\right]=\left\{\begin{array}{ll}2,&\quad\mathfrak{m}=0\\1&\quad\mathfrak{m}=\pm1\\0,&\quad\mathrm{otherwise}.\end{array}\right. \]

\[根据公式\mathrm{S_y~(f)~=~\frac{\left|G~(f)\right|^2}{T}~\left(R_a~[0]~+2\sum_{k=1}^\infty R_a~[k]~\cos~(2\pi kfT)\right)}(对称性,我们只算正半轴就行) \]

\[原式为\mathrm{S}_{\mathrm{y}}\left(\mathrm{f}\right)=\frac{\left|\mathrm{G}\left(\mathrm{f}\right)\right|^{2}}{\mathrm{T}}\left(2+2\cos\left(2\pi\mathrm{f}\mathrm{T}\right)\right)=\frac{4}{\mathrm{T}}\left|\mathrm{G}\left(\mathrm{f}\right)\right|^{2}\cos^{2}\left(\pi\mathrm{f}\mathrm{T}\right) \]


\[因为{bn}不相关,值只为{-1,1}并且等概率,数学期望E(b_n)=0 \]

\[\mathbb{E}[b_n^2]=\sum_xx^2\cdot P(b_n=x)=(-1)^2\cdot\frac{1}{2}+(+1)^2\cdot\frac{1}{2}=1\cdot\frac{1}{2}+1\cdot\frac{1}{2}=1 \]

\[\mathrm{Var}(b_{n})=\mathbb{E}[b_{n}^{2}]-(\mathbb{E}[b_{n}])^{2}=1-0=1 \]

\[\mathrm{R_{\alpha}\left[m\right]=\mathbb{E}\left[a_{n}a_{n+m}\right]=\mathbb{E}\left[\left(b_{n}-b_{n-2}\right)\left(b_{n+m}-b_{n+m-2}\right)\right]} \]

\[=\mathbb{E}\left[\mathrm{b}_{\mathrm{n}}\mathrm{b}_{\mathrm{n+m}}\right]-\mathbb{E}\left[\mathrm{b}_{\mathrm{n}}\mathrm{b}_{\mathrm{n+m-2}}\right]-\mathbb{E}\left[\mathrm{b}_{\mathrm{n-2}}\mathrm{b}_{\mathrm{n+m}}\right]+\mathbb{E}\left[\mathrm{b}_{\mathrm{n-2}}\mathrm{b}_{\mathrm{n+m-2}}\right] \]

\[\mathrm{R_a}\left[\mathfrak{m}\right]=\left\{\begin{array}{ll}2&\mathfrak{m}=0\\0&\mathfrak{m}=\pm1\\-1&\mathfrak{m}=\pm2\\0&\mathfrak{m}=\pm3,\pm4,\pm..\end{array}\right. \]

\[\mathrm{S_y~(f)~=~\frac{\left|G~(f)\right|^2}{T}~\left(R_a~[0]~+2\sum_{k=1}^\infty R_a~[k]~\cos~(2\pi kfT)\right)} \]

\[S_y\left(\mathrm{f}\right)=\frac{1}{T}\left|\mathrm{G}\left(\mathrm{f}\right)\right|^2\left(2-2\cos\left(4\pi\mathrm{f}\mathrm{T}\right)\right) \]

\[S_y(f)=\frac{|G(f)|^2}{T}4\sin^2(2\pi fT) \]

题目明确告诉g(t)是矩形脉冲,所以矩形脉冲的傅里叶变化后,代入原式:

\[\text{矩形}|G(f)|^2=T^2\mathrm{sinc}^2(fT)=\frac{\sin^2(\pi fT)}{(\pi f)^2} \]

\[所以最后得到=4\mathrm{A}^{2}\mathrm{T}\operatorname{sinc}^{2}\left(\mathrm{fT}\right)\sin^{2}\left(2\pi\mathrm{fT}\right). \]

posted @ 2026-11-18 04:50  narilove  阅读(4)  评论(0)    收藏  举报