Sekä signaalia että kohinaa viestinnässä voidaan pitää satunnaisina prosesseina, jotka muuttuvat ajan myötä.
Satunnaisprosessilla on satunnaismuuttujan ja aikafunktion ominaisuudet, jotka voidaan kuvata kahdesta eri, mutta läheisesti liittyvästä näkökulmasta: (1) Satunnaisprosessi on joukko äärettömiä näytefunktioita; (2) Satunnaisprosessi on satunnaismuuttujien joukko.
Satunnaisprosessien tilastollisia ominaisuuksia kuvataan niiden jakaumafunktiolla tai todennäköisyystiheysfunktiolla. Jos satunnaisprosessin tilastolliset ominaisuudet ovat riippumattomia ajan alkamispisteestä, sitä kutsutaan tiukasti stationääriseksi prosessiksi.
Numeeriset ominaisuudet ovat toinen siisti tapa kuvata satunnaisia prosesseja. Jos prosessin keskiarvo on vakio ja autokorrelaatiofunktio R(t1,t1+τ)=R(T), prosessin sanotaan olevan yleistetty stationaariseksi.
Jos prosessi on tiukasti paikallaan, sen on oltava laajalti paikallaan, ja päinvastoin ei välttämättä pidä paikkaansa.
Prosessi on ergodinen, jos sen aikakeskiarvo on yhtä suuri kuin vastaava tilastollinen keskiarvo.
Jos prosessi on ergodinen, se on myös paikallaan, eikä päinvastoin välttämättä pidä paikkaansa.
Yleistetyn stationaarisen prosessin autokorrelaatiofunktio R(T) on aikaeron r parillinen funktio, ja R(0) on yhtä suuri kuin kokonaiskeskimääräinen teho ja on R(τ) maksimiarvo. Tehospektritiheys Pξ(f) on autokorrelaatiofunktion R(ξ) Fourier-muunnos (Wiener-Sinchin-lause). Tämä muunnospari määrittää aikatason ja taajuusalueen välisen muunnossuhteen. Gaussin prosessin todennäköisyysjakauma noudattaa normaalijakaumaa, ja sen täydellinen tilastollinen kuvaus vaatii vain sen numeerisia ominaisuuksia. Yksiulotteinen todennäköisyysjakauma riippuu vain keskiarvosta ja varianssista, kun taas kaksiulotteinen todennäköisyysjakauma riippuu pääasiassa korrelaatiofunktiosta. Gaussin prosessi on edelleen Gaussin prosessi lineaarisen muunnoksen jälkeen. Normaalijakaumafunktion ja Q(x)- tai erf(x)-funktion välinen suhde on erittäin hyödyllinen analysoitaessa digitaalisten viestintäjärjestelmien kohinanestokykyä. Sen jälkeen kun stationäärinen satunnaisprosessi ξi(t) kulkee lineaarisen järjestelmän läpi, on myös sen lähtöprosessi ξ0(t) stabiili.
Kapeakaistaisen satunnaisprosessin ja siniaallon sekä kapeakaistaisen Gaussin kohinan tilastolliset ominaisuudet sopivat paremmin häipyvien monitiekanavien analysointiin modulaatiojärjestelmässä/kaistanpäästöjärjestelmässä/langattomassa tiedonsiirrossa. Rayleigh-jakauma, Rice-jakauma ja normaalijakauma ovat kolme yleistä jakaumaa viestinnässä: sinimuotoisen kantoaaltosignaalin verhokäyrä plus kapeakaistainen Gauss-kohina on yleensä Rice-jakauma. Kun signaalin amplitudi on suuri, se pyrkii normaalijakaumaan. Kun amplitudi on pieni, se on suunnilleen Rayleigh-jakauma.
Gaussin valkoinen kohina on ihanteellinen malli analysoimaan kanavan additiivista kohinaa, ja viestinnän pääkohina, lämpökohina, kuuluu tällaiseen kohinaan. Sen arvot kahdella eri hetkellä ovat korreloimattomia ja tilastollisesti riippumattomia. Kun valkoinen kohina kulkee kaistarajoitetun järjestelmän läpi, tuloksena on kaistarajoitettu kohina. Alipäästöinen valkoinen kohina ja kaistanpäästö valkoinen kohina ovat yleisiä teoreettisessa analyysissä.
Yllä oleva on Shenzhen HDV Phoelectron Technology LTD:n sinulle tuoma "satunnainen viestintäjärjestelmän prosessi" -artikkeli, ja HDV on optiseen viestintään erikoistunut yritys päätuotantolaitteistona, yrityksen oma tuotanto: ONU-sarja, optinen moduulisarja,OLT-sarja, lähetin-sarja on kuuma sarja tuotteita.
