下载

2下载券

加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 现代数字信号处理课后习题解答V1

现代数字信号处理课后习题解答V1.doc

现代数字信号处理课后习题解答V1

硫化Ag
2018-09-08 0人阅读 举报 0 0 暂无简介

简介:本文档为《现代数字信号处理课后习题解答V1doc》,可适用于游戏领域

、求证:。证明:、令和不是相关的随机信号试证:若则和。证明:()()即、试证明平稳随机信号自相关函数的极限性质即证明:①当时②当时,。证明:()()、设随机信号为正常数A、B为相互独立的随机变量且,试讨论的平稳性。解:()均值为()自相关函数为相互独立故:与起始时间无关()可见该信号均值为一常数自相关函数与起始时间无关方差有限故其为一个广义平稳的随机信号。、设随机信号A、B是两个相互独立的随机变量且。求的均值、方差、相关函数和协方差函数。解:()()()、若两个随机信号分别为其中,是各自平稳、零均值相互独立的随机信号且具有相同的自相关函数。试证明是广义平稳的。证明:均值为零、自相关函数与时间t无关、方差有限故其是广义平稳的、设随机信号式中A、为统计独立的随机变量在上均匀分布。试讨论的遍历性。解:()首先讨论的平稳性与t无关故是平稳随机信号()遍历性故不具有广义遍历性、随机序列在上均匀分布是否是广义平稳的?解:由已知得①eqoac(○,)eqoac(○,)均值为与t无关常数自相关函数与t无关瞬时功率有限故平稳、若正态随机信号的相关函数为:①②试分别写出随机变量的协方差矩阵。解:由已知得当时②当时、如果信号是实函数在下列函数中哪些是功率谱函数?①②③④⑤⑥解:由已知得实函数的功率谱函数为实偶函数应满足:则可批判断⑤为功率谱函数其中①不满足(d)②不满足(a)③不满足(c)④不满足(b)⑥不满足(a)。、设是相互独立的平稳信号它们的均值至少有一个为零功率谱为新的随机信号。求:①的功率谱②和的互谱密度。解:由已知得独立且平稳平稳、已知平稳高斯信号的自相关函数为。求的一阶概率密度函数及二阶概率密度函数其中。解:由平稳随机信号自相关函数的性质可得则一阶概率密度函数对于二阶概率密度函数其中为x的协方差矩阵为均值、令表示白噪声序列表示一个与不相关的序列。试证明序列是白色的即式中A是常数。证明:由已知得为一与不相关的序列为一常数令即得证。、设随机信号其中是一个平稳信号y是一个与无关的随机变量。试讨论的遍历性。解:由已知得令平稳性与n无关与n无关平稳遍历性不为常数则信号不具有遍历性。习题四、令x(n)是一个平稳白噪声过程它的均值为零方差为。又令y(n)是冲激响应为h(n)的线性非移变系统在输入为x(n)时的输出。证明:()()证明:()由题条件:是一平稳白噪声可知:其自相关函数经过线性非移变系统得到的输出也是一个广义平稳信号。则:()因为、令x(n)是白色随机序列其均值为零方差为。设有一个级联系统由两个线性非移变时域离散系统按图-的形式构成x(n)是它的输入。()是否正确?()是否正确?()令和。试确定图-的整个系统的单位取样响应并由此求出。如果你认为问题()是正确的那么它与问题()的答案是否一致?图-习题用图解:()正确为白噪声互不相关即为因果序列时()不正确由()中推导知由于不是白色序列所以它不满足不成立()对上式两边作Z变换得若按()来计算则与上面计算结果不符故结论()不正确。、考虑一个时域连续的随机过程{}它有如图-(a)所示的限带功率谱。假设对{x(t)}采样得到了一个时域离散的随机过程{}。图-习题用图()该时域离散随机过程的自协方差序列是什么?()对于上述的模拟功率谱应如何选择T才会使时域离散过程为白色的?()如果模拟功率谱如图-(b)所示应该如何选择T才会使时域离散过程为白色的?()欲使时域离散过程为白色应对模拟过程和采样周期提出哪些一般要求?解:()该时域离散随机过程的自协方差序列是抽样序列。()使时域离散过程是白色的因为时域采样后信号功率谱变为周期序列如图所示要想使时域为白噪声周期功率谱叠加应为常数。()或使时域离散过程是白色的。()欲使时域离散过程为白色模拟功率谱应是限带的且功率谱幅度应是线性的采样周期(为功率谱的最高频率)若功率谱为矩形的采样周期还可为、将零均值与方差为的白噪声通过一线性系统其传递函数为H(z)试求此系统输出的方差。又若等于什么?解:由第题结论可知、在图-所示的反馈系统中N(t)为白噪声,随机信号X(t)与N(t)不相关。设的傅里叶反变换为。试证Y(t)与N(t)的互相关函数。图-习题用图证明:图中反馈系统有两个输入X(t)、N(t)。EMBEDEquationDSMT故解法:因与不相关则同理故、某系统的传递函数。若输入平稳随机信号的自相关函数为输出记为Y(t)试求互相关函数。解:、某系统的传递函数。若输入平稳随机信号的自相关函数为输入记为Y(t)试求互相关函数。解:、两个串联系统如图-所示。输入X(t)是广义平稳随机信号第一个系统的输出为W(t)第二个系统的输出为Y(t)试求W(t)和Y(t)的互相关函数。图-习题用图解:输入X(t)是广义平稳随机信号经串联系统后输出Y(t)。输入X(t)线性系统输出为W(t)。因为与t无关可知W(t)也是广义平稳随机信号。、假定MA()模型为求与它等价的AR模型。解:代入()得所以与之等价的AR模型为:、已知ARMA(,)模型为求其前个格林函数值及和。解:比较式中等号两边的同次幂系数得:、设ARMA(n,m)模型的格林函数为且已知u(n)为()计算()求出相应的ARMA模型及其参数。解:()()又即该ARMA()模型为:、设平稳随机信号具有下列自相关函数()()试求产生此随机信号的模型。解:()求出选用AR模型:故得信号的模型:()求出选用AR模型:故得信号的模型:、用AR(∞)表示MA()。解:MA()的传递函数为AR()的传递函数为令比较同次幂系数得到模型可表示为:其中、设AR()模型为。()求x(n)的功率谱。()求x(n)的自相关函数。()写出相应的YuleWalker方程。解:()由AR()模型可得系统函数为:而即:又:()AR()模型的自相关函数为:取m=,,得方程组:()其Yulewalker方程:、计算二阶MA()模型的自相关函数及功率谱密度。解:①由YuleWalker方程知②、如图-所示x(n)为的白噪声∣a∣<,∣b∣<,求。图-习题用图解:由题条件:是一平稳白噪声经过线性非移变系统得到的输出也是一个广义平稳信号。、设有二阶自回归模型X(n)是方差为的白噪声并且。()证明Y(n)的功率谱密度为。()求Y(n)的自相关函数。()写出YuleWalker方程。解:()由欧拉公式知得证。()()写出YuleWalker方程:、设零均值平稳高斯过程的谱密度为求出此过程的自相关函数。解:习题五证明白噪声的周期图功率谱估计是无偏的。证明:得证。求一稳定系统使其在单位谱密度白噪声激励下的输出自相关函数为解:由题目知:利用AR模型的尤拉沃克方程:将自相关值代入:可以求出来:再求出:所以系统为:此时极点为:在单位圆内即系统是稳定的。求功率谱密度为的白化滤波器。解:设输出信号功率谱为的ARMA模型为因为已知:所以白化滤波器为:它的输出为方差为的白噪声。.题目:题目:设有零均值实平稳过程x(t)的N个观测值{x(),x(),…x(N)}试证明周期图函数其中解答:已知(式)(式)因为{x(n)}为实序列所以由式可得当m>时其中k=mn当m<时其中l=m故结合式利用褶积定理可得设有零均值平稳序列将其分为K段每段有点数据各段的周期图为。平均周期图为。试证明:如果当时很小因而各周期图可认为是彼此独立的则。其中EMBEDEquationDSMT这一结果说明了什么?证明:其中EMBEDEquationDSMT说明功率谱估计的均值是真实功率谱与三角窗的卷积。对于确定信号也可以使用线性预测N阶线性预测定义为预测误差能量为。试证明:若则最小二乘估计满足尤利沃克方程但其中且。证明:为N阶前向线性预测。已知预测误差为预测均方误差为时对{}的最小二乘估计有即又EMBEDEquationDSMT与AR模型尤利沃克方程类似得证最小二乘估计{}满足尤利沃克方程类似。试证明后向预测滤波误差的正交性。证明:当k=,,……p时误差:则:要使均方误差最小则令即k=,,……p时与观测数据正交。当k=时故k=,,,……p时均与观测数据正交。设N=的数据记录为AR模型的阶数p=试用莱文森递推法求AR模型参量及的预测值。解:利用已知数据求得:一阶时:二阶时:三阶时:故AR模型得参数为:因为故利用题所给N=的数据记录试用伯格算法求参数。解:()前、后向预测误差分别为()()()模型为:推出随机初相(在至区间上均匀分布)的复(实)正弦加白噪声的自相关序列值公式。解:当信号为复正弦加白噪声时设其中是在中均匀分布的随机变量为白噪声均值方差。当信号是实正弦加白噪声时设设上题中共有M复正弦加白噪声。请写出它的(p)阶自相关矩阵。并证明该自相关阵可以分解为如下形式:解:上题中M个随机初相在内均匀分布的复正弦加白噪声设令则式中是的共轭转置I为(p)阶单位矩阵为白噪声方差。设邻均值单位方差随机过程的自相关求出阶数为的线性预测器增益。解:一阶时:故一阶线性预测器为:二阶时:故二阶线性预测器为:三阶时:故三阶线性预测器为:已知滑动平均(MA)过程其中为零均值单位方差白噪声求出其阶线性预测的增益。解:由kolmogorov定理:MA序列可由AR()序列来表示。题目中MA(T)传递函数为AR()传递函数为令即模型为P阶AR模型与p阶线形预测器等价取p=则阶线形预测为其增益:习题设噪声中存在L个具有随机相位的复正弦信号如下:式中L为均匀分布的随机相位它们是互相独立的为零均值与方差的白噪声且与互相独立。eqoac(○,)证明eqoac(○,)证明的自相关函数eqoac(○,)将通过一个传递函数为的滤波器滤波滤波后的输出为证明输出功率为式中证明:①已知是均匀分布的随机相位且相互独立则而利用正交性:②根据①的结论且与相互独立③令则EMBEDEquationDSMT设信号的功率谱为噪声的功率谱为信号与噪声互不相关求因果连续维纳滤波器的传递函数。解:已知信号与噪声互不相关则由VinerHopf方程:又则所以因果维纳滤波器的传递函数:设系统模型为观测方程为其中为方差的白噪声为方差的白噪声与不相关。试求其离散维纳滤波器。解:系统模型为:EMBEDEquationDSMT与不相关①其中②故故由式推导:解:同理可求考虑图所示单权自适应线性组合器。设开关S是断开的试导出性能函数表达式并给出性能函数的图形。解:当开关S断开时此时误差性能函数:如图所示设开关S闭合按上题要求再做一次。解:当开关S闭合时eqoac(○,)试证明:当只有两个权因子时表示一个椭圆。eqoac(○,)当只有一个权因子时上式表示什么类型的曲线?①证明:R的特征矩阵为Q由于只有两个权因子则:其中设有整理得:为一椭圆②当只有一个权因子时为一维轴上的两点设一单变量性能表面为试问收敛参数在何范围时可得一条过阻尼权调整曲线?解:故:若权调整为过阻尼需即给定初值收敛因子。写出上题性能表面学习曲线的表达式。解:性能表面:此处为单权值得由得所以()()()EMBEDEquationDSMT()LMS算法已知、即:故其中u为参数a的收敛因子是参数的收敛因子解EMBEDEquationDSMT即取则令式中与互不相关故故可解出解:设则即其中将上面各值代入有题解()求因为为白噪声序列且(即单位功率)故()求()求题题目:如图(见课本页图)信号有一部分泄露到参考通道设n(n)是总功率为N的白噪声(独立)。试用输入功率谱表示最佳。解答:由其中所以原解:其中需要掌握的相关概念掌握自相关函数和功率谱的性质能够利用性质进行判断掌握投影算子在直和的两子空间上分解公式及其几何解释掌握收敛规律近似为指数规律时的时间常数解释步长因子和特征值为什么会影响收敛时间常数能写出LMS算法中梯度估计的表示式掌握额外均方误差的定义、失调与步长因子关系的表示式解释步长因子和信号功率为什么对失调有影响掌握LDs递推算法掌握周期图法谱估计的缺点及其产生原因相关图法谱估计产生缺陷的原因是什么?掌握最大熵谱估计的基本原理掌握模型法谱估计的基本原理最优滤波方法中维纳滤波算法什么是信号子空间?什么是噪声子空间?它们分别是由哪些特征向量张成的?为什么这两个子空间相互正交?掌握小波变换中测不准原理及多尺度、多分辨分析的概念掌握小波变换的允许条件双尺度方程小波构造方程掌握小波变换的恒Q滤波特性及尺度函数和小波函数的物理意义。�EMBEDEquationDSMT����EMBEDEquationDSMT���x(n)y(n)w(n)�EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT���X(t)Y(t)N(t)�EMBEDEquationDSMT����EMBEDEquationDSMT���X(t)W(t)Y(t)n�EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT���x(n)y(n)w(n)�EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT���图习题、用图�EMBEDEquationDSMT�����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT����EMBEDEquationDSMT���unknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknownunknown

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

文档小程序码

使用微信“扫一扫”扫码寻找文档

1

打开微信

2

扫描小程序码

3

发布寻找信息

4

等待寻找结果

我知道了
评分:

/47

现代数字信号处理课后习题解答V1

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利