现代信号处理

但应当指出，并不是所有的时－频分布都 满足表中的所有性质，实际中适用的时－频 分布并非一定要满足所有的性质，应该根据 具体情况进行合理取舍。
1.3.4 核函数的基本性质要求
由（1.3.5）式
( , v)




P(t , f )e j 2 ( vt f ) dtdf Az ( , v) P (t , f )e j 2 ( vt f ) dtdf
则（1.3.1)式化为
1 * 1 j 2f P(t , f ) z (t ) z (t )e d 2 2

（1.3.2）
上式就是著名的Wigner-Ville分布 .
记
上式是一个双线性变换（双时间信号）。关于 时间t作Fourier反变换
k z (t , ) z (t ) z (t ) 2 2
j 2 ( vt f )
如果时－频分布 p (t , 核函数的性质要求.
P (t , f )e z (u 2 ) z (u 2 )e
*

dtdf
（1.3.5）
j 2vu
du
f )有特定性质要求, 由上式可决定对
互时－频分布定义
两个连续信号 x(t )，y(t )的互时－频分布定义为：
P(t , ) 0
在上面的特性中，边缘特性和非负特性保 证了时－频分布准确反映信号的谱能量、瞬 时功率和总能量。边缘特性可以保证信号的 总体量（平均时间、平均频率、时宽和带宽 等）正确给定。非负性则可以进一步保证分 布的条件期望是切合实际的和物理解释。非 负性和边缘特性一起可以保证时－频分布的 强有限支撑。
2 2 * 1 2 z1 , z2 * 2 1 z2 , z1

现代信号处理
现代信号处理是对信号进行数字化处理的一种技术，它使用数字信
号处理算法来分析、修复、增强或压缩信号。

现代信号处理技术广
泛应用于通信、音频处理、图像处理、生物医学工程、雷达和声纳
等领域。

现代信号处理的基本步骤包括信号采集（模拟信号转换为数字信号）、滤波、采样、量化和编码。

滤波可以用于去除信号中的噪声
或不需要的成分，采样和量化将连续的信号转换为离散的数据点，
编码则将离散的数据点转换为数字形式，方便存储和传输。

现代信号处理算法包括傅里叶变换、小波变换、自适应滤波、功率
谱估计以及各种滤波器设计方法等。

傅里叶变换可以将信号从时域
转换为频域，从而可以分析信号的频谱特性；小波变换可以将信号
分解成不同的频率分量，实现信号的多分辨率分析；自适应滤波可
以根据信号的特性自动调整滤波器的参数，以适应不同的环境条件。

1
现代信号处理技术在通信领域广泛应用，例如调制解调、信道编码、多址接入等；在音频处理中，可以实现音频降噪、语音识别和语音
合成；在图像处理中，可以实现图像去噪、边缘检测和数字图像压缩；在生物医学工程中，可以实现生物信号的特征提取、滤波和分析；在雷达和声纳中，可以实现目标检测、目标跟踪和图像重建。

总之，现代信号处理技术为信号分析和处理提供了一种高效、准确
和灵活的方法，为我们获取有用的信息、改善信号质量和实现更复
杂的信号处理任务提供了重要的工具。

2。

•
测量信号v(n)是均值为零，方差为
2 v
的高斯白噪声；
且v(n)与信号x(n)统计无关，即v(n)不影响信号的谱形状
故有
S y ( y ) S x (x ) v 2 u 2 H () 2 v 2 R u ( m y ) E [ u ( n ) y ( n m ) ] u 2 h ( m )
2
高阶谱估计
➢ 研究的必要性 ➢ 高阶统计量 ➢ 高阶谱 ➢ 高阶累积量和多谱的性质 ➢ 三阶相关和双谱及其性质 ➢ 基于高阶谱的相位谱估计 ➢ 基于高阶谱的模型参数估计 ➢ 多谱的应用
参考:《现代数字信号处理》(184-199；204-205)
3
研究高阶谱的必要性
❖ 关于模型参数估计问题
• 所谓模型参数估计，就是根据有限长的数据序列(如模 型输出端所观测到的信号y(n)来估计图中随机信号模型 的参数，)
i1
i1
即不同ARMA过程具有相同形状的功率谱。这一特性 称为相关函数的多重性或模型的多重性。
9
随机信号的高阶特征（续）
两个具有零均值和相同方差的高斯白色噪声和 指数分布白色噪声显然是不同的随机过程，但它 们的功率谱相同。
用这样两个白色噪声激励同一个ARMA模型，产生的 两个ARMA过程显然是不同的随机过程，但它们的
• 与前面所述不同之处在于：这里考虑了观测过程所引 入的噪声v(n).
v(n)
u(n)
H(z)
x(n) ∑
y(n)
(h(n))
4
研究高阶谱的必要性
❖ 基于二阶统计量的模型参数估计方法的缺陷
• 前述模型参数估计方法中，估计得到的模型参数仅与 信号的自相关函数或功率谱包络相匹配；其功率谱不 含信号的相位特性，亦称盲相。即

现代信号处理（离散随机信号处理）电子工程系本课程要讨论的主要问题：（1）对信号特性的了解随机信号（随机过程，时间序列––随机过程的一个实现）信号模型→参数估计→现代谱估计：参数化谱估计讨论信号模型及模型参数的估计问题，比较参数谱估计方法和周期图方法的优劣。

（2）对统计意义下最优滤波器设计的研究平稳条件下：Wiener滤波器理论非平稳条件下：Kalman滤波理论上的目标，实际算法可达到的最佳结果（3）对环境的自适应，具备“学习能力”的滤波算法自适应均衡、波束形成、线性自适应滤波器（4）更多信息的利用，挖掘（针对非高斯问题）线性系统、功率谱：二阶矩，高斯过程的完全刻划非线性、多谱：高阶量，循环平稳（5）对时间（空间）–––频率关系的适应性：全局特性与局域特性，小波变换，时频分析信号处理算法设计面向的几个主要因素n信噪比n先验知识n雷达n通信系统n电子对抗n对先验知识的利用：统计基础上的假设、学习过程n算法复杂性与性能要求的匹配性一些进展中的课题盲自适应信号处理序列贝叶斯估计、粒子滤波阵列信号处理等等与信号处理紧密关联的学科人工神经网络统计学习理论模式识别等等教材n张旭东，陆明泉：离散随机信号处理，2005年10月，清华大学出版社主要参考书①S. Haykin, Adaptive Filter theory, Third Edition, Prentice-Hall, 1996，//Fouth Edition 2001 (电子工业出版社均有影印本)①S.M. Kay, Modern Spectral Estimation: Theory & Application,Prentice-Hall, 1988①S.M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall PTR, 1993.①S. Mallat, A Wavelet Tour of Signal Processing, Academic press, 1998，Second Edition 1999①扬福生, 小波变换的工程分析与应用, 科学出版社, 2000.① D. G. Manolakis, et,al. Statistical and Adaptive Signal Processing, Mcgraw-Hall, 2000.①J. G. Proakis, et al. Algorithms for Statistical Signal Processing, Prentice hall, 2002①张贤达现代信号处理第2版清华大学出版社课程成绩n平时作业10％n2个Matlab作业40％（布置后2周内提交）n期末开卷考试50％1.1随机信号基础被噪声干扰的初相位是随机值的正弦波信号本质上均是随机的，但将信号作为随机信号处理，还是做为确定信号处理，与我们的应用目标和我们的先验知识有关，一般地，我们总是选择对应用有利的处理方式。