【通信原理】第三章 随机过程——知识归纳

一、随机过程

任意随机过程可以看成零均值随机过程确定函数的和

1. 数学特征

均值

E[\overline{X(t)}] = \overline{​{E}[X(t)]}

E[X(t)]=\int_{-\infty }^\infty {xp(x,t)dx} = m_{x}(t)

摆动程度
方差

D[X(t)] = E[X(t)-E[X(t)]]^{^{2}}

=E[X(t)]^{^{2}}-m{_{x}}(t)^{2}=\sigma {_{x}}(t)^{2}

偏离程度
自相关函数 R[(t_{1},t_{2})] = E[X(t_{1})X(t_{2})] 同一过程的关联程度
平均自相关函数 \overline{R_{X}[(\tau)]} = \overline{E[X(t+\tau)X(t)]}=E\overline{[X(t+\tau)X(t)]}
协方差函数

C_{x}[(t_{1},t_{2})] = E[X(t_{1})-m_{x}(t_{1})][X(t_{2})-m_{x}(t_{2})]

=R_{x}[(t_{1},t_{2})]-m_{x}(t_{1})m_{x}(t_{2})

偏离均值的关联程度
互相关函数 R_{xy}[(t_{1},t_{2})] = E[X(t_{1})Y(t_{2})] 两个过程的关联程度
互协方差函数 

C_{xy}[(t_{1},t_{2})] = E[X(t_{1})-m_{x}(t_{1})][Y(t_{2})-m_{Y}(t_{2})]

=R_{xy}[(t_{1},t_{2})]-m_{x}(t_{1})m_{y}(t_{2})

两个过程的偏离均值的关联程度

2. 功率谱密度

定义 所有样本函数功率谱密度的统计平均
公式 \overline{P_{x}(f)}=lim_{T\rightarrow \infty }{\frac{E[F[|x_{T}(t)|^{2}]]}{T}}
维纳-辛钦定理 R_{x }(\tau)\Leftrightarrow P_{x}(f)
性质

P_{x}(f)\geqslant 0

实随机过程为偶

P_{x}(f)\geqslant 0 \overline{P_{x}}={​{E}\overline{[X(t)^{2}]}}=\overline{​{E}{[X(t)^{2}]}}=\overline{R_{x}}(0)=\int_{-\infty }^{+\infty}\overline{P_{x}}(f)df
通过系统 {P_{y}}(f)={P_{x}}(f)|H(f)|^{2}
结论

x(t),y(t)不相关,则{P_{x+y}}(f)={P_{x}}(f)+{P_{y}}(f)

x(t)为零均值随机过程,m(t)为确定的实功率信号,{P}(f)={P_{x}}(f)+{P_{m}}(f)

二、平稳随机过程

1. 广义平稳随机过程

判断 x(t)的均值为常数,自相关函数只与\tau有关

E[X(t)]=m_{x}=C

R_{x}[(t_{1},t_{2})] =R{x}(\tau)

期望求法 E[g(z)]=\int_{-\infty}^{+\infty}g(z)f_{z}(z)dz
性质 各态历经性 / 遍历性:某时刻的所有样本点在样本函数上都存在(时间平均=统计平均)

时间平均:

\overline{x(t)}=lim_{T\rightarrow \infty}\frac{\int_{-T}^{T}x(t)dt}{2T}

\overline{x(t)x(t+\tau)}=lim_{T\rightarrow \infty}\frac{\int_{-T}^{T}x(t)x(t+\tau)dt}{2T}

统计平均:

m_{x}(t)=E[X(t)]

R_{x}(\tau)=R_{x}[(t_{1},t_{2})]

遍历过程\rightarrow平稳过程;平稳过程no\rightarrow遍历过程

2. 数学特征及功率谱密度

① 实平稳随机过程的自相关函数

统计平均功率

E[X(t)^{^{2}}]=R_x(0)     平方均值  = 0时刻的自相关函数

偶函数 R_x(\tau) = R_x(-\tau)
有界性 R_x(\tau)\leqslant Rx(0)
周期性 x(t)=x(t+T)\rightarrow R(t)=R(t+T)
直流功率 E^{2}[X(t)]=R(\infty )
交流功率 \sigma _{x}^{2}=E[X^{2}(t)]-E^{2}[X(t)]=R_{x}(0)-R_{x}(\infty)

② 平稳随机过程的功率谱密度

公式 \overline{P_{x}(w)}=E[P_{x}(w)]=\underset{T\rightarrow \infty }{lim}\int_{-T/2}^{T/2}\frac{E[|x_{T}(t)|^{2}]}{T}dt样本函数的功率谱密度的统计平均
性质 非负 P_{x}(w)\geq 0
维纳-辛钦 \overline{R_{x}(\tau)}\Leftrightarrow P_{x}(w)平均自相关函数的傅氏变换
单边功率谱密度(实) G_{x}(w)= \left\{\begin{matrix}2P_{x}(w),w>0 &\\0,w<0 & \end{matrix}\right.

R_{x}(0)=\frac{1}{2 \pi}\int_{-\infty}^{+\infty}P_{x}(w)dw=\frac{1}{2 \pi}\int_{0}^{+\infty}G_{x}(w)dw=\int_{0}^{+\infty}G_{x}(2\pi f)df

平均功率:对功率谱密度在频率轴上积分

3. 联合平稳过程

条件 X(t)Y(t)联合平稳

互相关

函数

t无关

E[X(t)]=m_{x}E[Y(t)]=m_{y}

         

E[X(t+\tau)X(t)]=R_{x}(\tau)        E[Y(t+\tau)Y(t)]=R_{y}(\tau)

E[X(t+\tau)Y(t)]=R_{XY}(\tau)

相关性 随机信号 随机过程

不相关:E(XY)=E(X)E(Y)

不同时刻不相关:

E[X(t_{1})Y(t_{2})]=E[X(t_{1})]E[Y(t_{2})]

R_{XY}(t_{1}, t_{2})=m_{X}(t_{1})m_{Y}(t_{2}) 

独立:

f_{xy}(x,y)=f_{x}(x)f_{y}(y)

独立一定不相关

同时刻不相关:R_{xy}(0)=0

E[X(t)Y(t)]=E[X(t)]E[Y(t)]

R_{XY}(t, t)=m_{X}(t)m_{Y}(t)

零均值随机变量相关系数:

\rho _{xy}(\tau)=\frac {E[XY]}{\sqrt{E[X^{2}]E[Y^{2}]}}

零均值随机过程相关系数:

\rho _{xy}(\tau)=\frac {E[X(t_{1})Y(t_{2})]}{\sqrt{E[X^{2}(t_{1})]E[Y^{2}(t_{2})]}}

4. 平稳随机过程通过线性系统

公式 Y(t)=X(t)*h(t)=\int_{-\infty}^{+\infty}X(\tau)h(t-\tau)d\tau
均值

E[Y(t)]=E[\int_{-\infty}^{+\infty}x(t-u)h(u)du]=\int_{-\infty}^{+\infty}E[X(t-u)]h(u)du

=m_{x}\int_{-\infty}^{+\infty}h(u)du=m_{x}H(0)

H(0) 线性系统的支流增益

自相关函数

R_{Y}(t,t+\tau)=E[Y(t+\tau)Y(t)]=R_{Y}(t)

平稳过程-只与时间间隔有关

功率谱密度 P_{Y}(w)=F[R_{Y}(t)]=P_{X}(w)|H(w)|^{2}
互相关函数 R_{XY}(t,t+\tau)=E[X(t)Y(t+\tau)]=R_{X}(\tau)*h(\tau)
互功率谱密度 P_{XY}(w)=F[R_{XY}(\tau)]=P_{X}(w)H(w)
微分 等效于一个传递函数为j2\pi f的滤波器
希尔伯特变换

等效于一个传递函数为-jsgn(w)的滤波器

不改变功率谱密度、自相关函数

X(t)\widehat{X(t)}在同一时刻不相关

5. 复平稳随机过程

① 复随机:实际上是一对实随机过程

公式 Z(t)=X(t)+jY(t)
均值 E[Z(t)]=E[X(t)]+jE[Y(t)]
自相关函数 R_{Z}[t_{1},t_{2}]=E[Z(t_{1})Z^{*}(t_{2})]
互相关函数 R_{Z_{1}Z_{2}}[t_{1},t_{2}]=E[Z_{1}(t_{1})Z_{2}^{*}(t_{2})]
共轭相关函数 Z(t_{1})=Z(t)        Z(t_{2})=Z^{*}(t)
R_{ZZ^{*}}(t_{1},t_{2})=E[Z(t_{1})Z(t_{2})]
R_{Z^{*}Z}(t_{1},t_{2})=E[Z^{*}(t_{1})Z^{*}(t_{2})]
R_{Z^{*}Z}(t_{1},t_{2})=[R_{ZZ^{*}}(t_{1},t_{2})]^{*}

② 复平稳

实部虚部联合平稳的条件 均值与t无关:E[Z(t)]=m_{z}
自相关函数与t无关:E[Z(t+\tau)Z^{*}(t)]=R_{z}(t)
共轭相关函数与t无关:E[Z(t+\tau)Z(t)]=R_{zz^{*}}(\tau)
结论 X(t)与其希尔伯特变换联合平稳

③ 复联合平稳

条件 X(t)、Y(t)两个复随机过程各自平稳,且互相关、共轭相关与t无关
结论

复联合平稳,经过滤波,联合平稳;

零均值复平稳,经过滤波,零均值复平稳;

零均值复平稳 R_{X\overset{ \wedge }{X}}(\tau)=R_{\overset{ \wedge }{X}X}(-\tau)=\overset{\wedge }R_{X}(\tau)=\overset{ \wedge }{R}_{\overset{ \wedge }{X}}(-\tau)=-\overset{ \wedge }{R}_{\overset{ \wedge }{X}}(\tau)

6. 窄带平稳随机过程

① 定义

定义

\Delta f<<f_{c}        \Delta w<<w_{c}

X(t)=a(t)cos[w_{c}t+\varphi (t)]=X_{c}cosw_{c}t-X_{s}sinw_{c}t

X(t) 等效低通表示 X(t)=X_{c}cosw_{c}t-X_{s}sinw_{c}tX_{L}=X_{c}(t)+jX_{s}(t)
X(t)=a(t)cos[w_{c}t+\theta (t)]Z(t)=X_{L}(t)e^{jw_{c}t}
X(t)=Re[X_{L}(t)e^{jw_{c}t}]Z(t)=X(t)+j\widehat{X(t)}

② 复包络

自相关函数

R_{Z}(\tau)=E[z(t+\tau)z^{*}(t)]=E[[X(t+\tau)+j\widehat{X(t+\tau)}][X(t)-j\widehat{X(t)}]]

=R_{X}(\tau)+R_{\widehat{X}}(\tau)+jR_{X\widehat{X}}(\tau)-jR_{\widehat{X}X}(\tau)

=2[R_{x}(\tau)+j\widehat{R_{x}(\tau)}]

R_{X_{L}}(\tau)=E[X_{L}(t+\tau)X_{L}^{*}(t)]=E[z(t+\tau)e^{-jw_{c}(t+\tau)}z^{*}(t)e^{*-jw_{c}t}]

=R_{z}e^{-jw_{c}\tau}

功率谱密度

P_{z}(w)=4P_{x}(w)u(w)

P_{X_{L}}(w)=P_{z}(w+w_{c})

均值

E[Z(t)]=0

E[X_{L}(t)]=0

共轭相关函数

= 0,复包络满足共轭不相关

零均值平稳带通过程的复包络是零均值复平稳过程

③ X_{c}X_{s} 统计特性(同相分量及正交分量)

公式

X_{c}(t)=Re[X_{L}(t)]=\frac{X(t)+\widehat{X(t)}}{2}=X(t)cosw_{c}t+\widehat{X(t)}sinw_{c}t

X_{s}(t)=Im[X_{L}(t)]=\frac{X(t)-\widehat{X(t)}}{2}=\widehat{X(t)}cosw_{c}t-X(t)sinw_{c}t

均值 E[X(t)]=0\Rightarrow E[X_{c}(t)]=0\: \:\:\:E[X_{s}(t)]=0
平稳高斯 E[X(t)]-Guass\: process\Rightarrow E[X_{c}(t)]\:E[X_{s}(t)]-Guass\: process
广义平稳

X(t)为广义平稳过程,X_{c}(t)X_{s}(t)是联合平稳随机过程(互相关函数仅与时间间隔有关)

R_{X_{c}}(\tau)=R_{X_{s}}(\tau)=R_{X}(\tau)cosw_{c}\tau+\widehat{R_{X}}(\tau)sinw_{c}\tauR_{X_{c}X_{s}}(\tau)=R_{X_{s}X_{c}}(-\tau)=\widehat{R_{X}}(\tau)cosw_{c}\tau-R_{X}(\tau)sinw_{c}\tau

因为\widehat{R_{X}}(t)为奇函数,所以\widehat{R_{X}}(0)=0

因为E[X(t)]=0,  所以 R_{X_{c}}(0)=R_{X_{s}}(0)=R_{X}(0)

因为R_{X_{c}X_{s}}(0)=-R_{X_{s}X_{c}}(0)=0,所以X_{c}X_{s} 同一时间不相关,若为高斯过程则独立

严格限频信号

 P_{X_{c}}(w)=P_{X_{s}}(w)=\left\{\begin{matrix}P_{x}(w+w_{c})+P_{x}(w-w_c),-w_{c}\leq w\leq w_{c} & \\0 ,others & \end{matrix}\right.

联合概率密度分布

假定X(t)为高斯分布,则在同一时刻

p_{x_{c}x_{s}}(x_{c},x_{s})=p_{x_{c}}(x_{c})p_{x_{s}}(x_{s})=\frac{1}{2\pi \sigma ^{2}}exp[-\frac{x_{c}^{2}+x_{s}^{2}}{2\sigma^{2}}]

令——a(t)=\sqrt{X_{c}^{2}+X_{s}^{2}}\:\:\:\:\:\varphi (t)=arctg\frac{X_{s}}{X_{c}}

p_{a\varphi}(a,\varphi)=\frac{a}{2\pi \sigma ^{2}}exp[-\frac{a^{2}}{2\sigma^{2}}]

p_{a}(a)=\int_{-\infty}^{+\infty}\frac{a}{2\pi \sigma ^{2}}exp[-\frac{a^{2}}{2\sigma^{2}}]d\varphi=\frac{a}{\sigma ^{2}}exp[-\frac{a^{2}}{2\sigma^{2}}], a\geq 0——瑞利分布

p_{\varphi}(\varphi)=\int_{-\infty}^{+\infty}\frac{a}{2\pi \sigma ^{2}}exp[-\frac{a^{2}}{2\sigma^{2}}]da=\frac{1}{2\pi},0\leq \varphi\leq 2\pi——均匀分布

7. 循环平稳随机过程

定义

随机过程的均值和自相关函数为时间的周期函数:X(t)=\sum a_{n}g(t-nT)

[a_{n}]为广义平稳随机序列,E[a_{n}]=m_{a}R[a_{n}a_{n+k}]=R_{a}(k)

均值 E[X(t)]=E[\sum a_{n}g(t-nT)]=m_{a}\sum g(t-nT)
自相关函数

R_{X}(t,t+\tau)=E[X^{*}(t)X(t+\tau)]

=\sum \sum E[a_{n}^{*}(t)a_{m}] g^{*}(t-nT)g(t+\tau-mT)

=\sum \sum R_{a}[m-n] g^{*}(t-nT)g(t+\tau-mT)

R_{X}[t+kT,t+\tau+kT]=R_{X}[t,t+\tau]——X(t)为循环平稳

平均自相关函数

\overline{R_{X}(t,t+\tau)}=\frac{\int_{-T/2}^{T/2}R_{x}(t,t+\tau)dt}{T}=\overline{R_{x}(\tau)}

功率谱密度 P_{x}(w)=\int_{-\infty}^{+\infty}\overline{R_{x}(\tau)}e^{jw\tau}d\tau

三、高斯分布

1. 定义

定义

任意n维概率密度是正态分布式

概率密度函数仅取决于各随机变量的均值、方差和两两之间的归一化协方差函数

性质

广义平稳等价于狭义平稳

各随机过程之间互不相关等价于统计独立

一维正态分布

p_{1}(x)=\frac{1}{\sqrt{2\pi}\sigma}exp[{-\frac{(x-a)^{2}}{2\sigma^{2}}}]

标准化正态分布 p_{1}(x)=\frac{1}{\sqrt{2\pi}}exp[{-\frac{x^{2}}{2}}]   N\sim (0,1)
概率积分函数 \psi (x)=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{x}exp[-\frac{z^{2}}{2}]dz
概率分布函数 F (x)=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{x}p(z)dz=\psi (\frac{x-a}{\sigma})
误差函数

erf(x)=\frac{2}{\sqrt{\pi}}\int_{0}^{x}e^{-t^{2}}dt

erf(x)=2\psi (\sqrt{2}x)-1

erf(0)=0\:\:\:erf(\infty)=1

erfc(x)=1-erf(x)=2-2\psi (\sqrt{2}x)=\frac{2}{\sqrt{\pi}}\int_{x}^{+\infty}e^{-t^{2}}dt

2. 正弦波加窄带高斯过程

合成信号

X(t)=Acos(w_ct)+n(t)

n(t)=n_{c}(t)cosw_{c}t-n_{s}(t)sinw_{c}t——窄带平稳高斯噪声,均值为0

表示1

X(t)=[A+n_c{(t)}]cosw_{c}t-n_{s}(t)sinw_{c}t

{n_{c}}'(t)=A+n_{c}(t)n_{s}(t)——高斯分布,同一时刻相互独立

E[{n_{c}}'(t)]=A\:\:\:\:\:E[n_{s}(t)]=0

D[{n_{c}}'(t)]=D[n_{s}(t)]=D[n(t)]=\sigma^{2}

p_{​{n_{c}}'n_s}(n_{c}',n_s)=\frac{1}{2\pi \sigma^{2}}exp[-\frac{(n_{c}'-A)^{2}+n_{s}^{2}}{2\sigma^{2}}]

表示2

X(t)=R(t)cos[w_{c}t+\theta(t )],其中\left\{\begin{matrix}R(t)=\sqrt{n_{c}'(t)^{2}+n_{s}^{2}(t)} & \\\theta(t)=args\frac{n_{s}(t)}{n'_{c}(t)} & \end{matrix}\right.

p_{R}(r)=\frac{r}{\sigma^{2}}exp[-\frac{1}{2\sigma^{2}}(r^{2}+A^{2})I_{0}(\frac{Ar}{\sigma^{2}})]——广义瑞利分布(莱斯分布)

(不加正弦波——瑞利分布,加正弦波的包络分布不同——莱斯分布)

信噪比

r=\frac{A^{2}}{2\sigma ^{2}}

A\rightarrow 0 \:\:\:\:f(z)——瑞利分布

A\rightarrow big\:\:\:\:f(z)——高斯分布

四、高斯白噪声

1. AWGN加性高斯白噪声

A:加性噪声 独立于有用信号(与信号的存在无关)
W:白噪声

功率谱密度在整个频域内均匀分布的噪声(一种理想宽带过程)

【通信原理】第三章 随机过程——知识归纳_第1张图片

P_{x}(w)=\frac{N_{0}}{2}         R(\tau)=\frac{N_{0}}{2}\delta (\tau)

直流信号在频谱上表现为0点处的冲激信号

E^{2}[X(t)]=0        E[X(t)]=0

带限白噪声

P_{x}(w)=\left\{\begin{matrix}\frac{N_{0}}{2},|f|\leq f_{0} & \\ 0,others & \end{matrix}\right.    R_{x}(\tau)=f_{0}N_{0}sinc \tau 2f_{0}

P_{x}=\int_{-\infty}^{+\infty}P_{x}(f)df=R_{x}(0)=N_{0}B

G:高斯过程 噪声的随机电压服从高斯分布
N:噪声 带宽上的噪声的平均功率
通过滤波器

【通信原理】第三章 随机过程——知识归纳_第2张图片

输入为零均值平稳高斯过程——输出为零均值平稳高斯过程

输出的功率:

P_{y}=\int_{-\infty}^{+\infty}P_{y}(f)df=\int_{-\infty}^{+\infty}P_{x}(f)|H(f)|^{2}df=\int_{-\infty}^{+\infty}\frac{N_{0}}{2}|H(f)|^{2}df=\frac{N_{0}}{2}E_{h}=\frac{N_{0}}{2}R_{h}(0)

输出的功率谱密度:P_{y}(f)=P_{x}(f)|H(f)|^{2}=\frac{N_{0}}{2}|H(f)|^{2}=\frac{N_{0}}{2}\int_{-\infty}^{+\infty}R_{h}(\tau)e^{-2j\pi f\tau}d\tau

输出的自相关函数:

P_{y}(f) 为\frac{N_{0}}{2}R_{h}(\tau)的傅氏变换,R_{y}(\tau)=\frac{N_{0}}{2}R_{h}(\tau)

零均值——方差=二阶矩=功率

2. 窄带高斯噪声

【通信原理】第三章 随机过程——知识归纳_第3张图片

窄带噪声 n(t)

【通信原理】第三章 随机过程——知识归纳_第4张图片

输入为零均值平稳高斯过程——输出[n(t)]为零均值平稳高斯过程

功率谱密度:    P_{n}(f)=\frac{N_{0}}{2}|H(f)|^{2}
方差(功率):    
\sigma ^{2}=P_{n}=\frac{N_{0}}{2}E_{h}=\frac{N_{0}}{2}R_{h}(0) 
带宽为的理想带通滤波器:   \sigma ^{2}=N_{0}B
概率分布:    n(t)-N(0, \sigma ^{2})

【通信原理】第三章 随机过程——知识归纳_第5张图片【通信原理】第三章 随机过程——知识归纳_第6张图片【通信原理】第三章 随机过程——知识归纳_第7张图片

n(t)=n_{c}cosw_{c}t-n_{s}sinw_{c}t

方差(功率): \overline{n(t)}^{2}=\overline{n_{s}(t)}^{2}=\overline{n_{c}(t)}^{2}=2N_{0}B

频谱搬移后的解调信号n_{p}(t)

【通信原理】第三章 随机过程——知识归纳_第8张图片

n_{p}(t)=n(t)cosw_{c}t=\frac{1}{2}n(t)+\frac{1}{2}[n_{c}(t)cos2w_{c}t-n_{s}(t)sin2w_{s}t]

滤波器去噪声n_{o}(t)

【通信原理】第三章 随机过程——知识归纳_第9张图片【通信原理】第三章 随机过程——知识归纳_第10张图片

n_{o}(t)=\frac{1}{2}n(t)

P_{o}(w)=\frac{1}{4}P_{n_{c}}(w)=\frac{1}{4}N_{0},|w|\leq 2\pi B

\overline{n_{o}(t)}^{2}=\frac{1}{4}\overline{n_{c}(t)}^{2}=\frac{1}{2}N_{0}B

3. 匹配滤波器

滤波器输入

X(t)=s(t)+n(t)

s(t)\Leftrightarrow S(w)

n(t)为高斯白噪声,均值为零,双边功率谱密度为\frac{N_{0}}{2}

最大输出信噪比准则下的最佳线性滤波器H(w)

Y(t)=s_0(t)+n_{0}(t)

s_{o}=\frac{1}{2\pi}\int_{-\infty}^{+\infty}S(w)H(w)e^{jwt}dw

N_{o}=\frac{1}{2\pi}\int_{-\infty}^{+\infty}|H(w)|^{2}\frac{N_{o}}{2}dw=\frac{N_{o}}{4}\int_{-\infty}^{+\infty}|H(w)|^{2}dw

r_{o}=\frac{|s_{o}(t)|^{2}}{N_{o}}=\frac{\frac{1}{2\pi}\int_{-\infty}^{+\infty}S(w)H(w)e^{jwt}dw}{\frac{N_{o}}{4}\int_{-\infty}^{+\infty}|H(w)|^{2}dw}\leq \frac{2E}{N_{o}}

E=\frac{1}{2\pi}\int_{-\infty}^{+\infty}|S(w)|^{2}dw=\int_{-\infty}^{+\infty}|s(t)|^{2}dt

匹配滤波器

 H(w)=KS^{*}(w)e^{-jwt_{0}}

h(t)=\frac{1}{2\pi}\int_{-\infty}^{+\infty}H(w)e^{jwt}dw=Ks(t_{0}-t)

输出波形

相关器 s_{o}(t)=\int_{-\infty}^{+\infty}s(t-\tau)h(\tau)d\tau=K\int_{-\infty}^{+\infty}s(t-\tau)s(t_{0}-\tau)d\tau=KR(t-t_{0})

s_{o}(t_{0})=KR(0)=KE  ,  E为s(t)的能量,通常取1

输出噪声功率 N_{o}=\frac{|s_{o}t_{0}|^{2}}{r_{o_{max}}}=\frac{K^{2}E^{2}}{2E/N_{0}}=\frac{K^{2}N_{0}E}{2}

你可能感兴趣的:(通信原理,通信原理)