第二章 平稳随机过程的谱分析
第二章 平稳随机过程的谱分析
本章要解决的问题:
●
随机信号是否也可以应用频域分析方法
?
● 傅里叶变换能否应用于随机信号?
● 相关函数与功率谱的关系 ● 功率谱的应用 ● 采样定理 ● 白噪声的定义
2.1 随机过程的谱分析
2.1.1 预备知识
1、付氏变换:
对于一个确定性时间信号x(t),设x(t)是时间t 的非周期实函数,且x(t) 满足狄利赫利条件(有限个极值,有限个断点,断点为有限值)且绝对可积,能量有限,则x(t)傅里叶变换存在。即:
满足上述三个条件的x(t)的傅里叶变换为:
其反变换为:
2、帕赛瓦等式
由上面式子可以得到:
——称为非周期性时间函数的帕塞瓦(Parseval)等式。
物理意义:若x(t)表示的是电压(或电流) ,则上式左边代表x(t)在时间(-∞, ∞) 区间的总能量(单位阻抗)。因此,等式右边的被积函数
X
X
(ω) 表示了信号x(t)能量按频率分布的情况,故称X
2
X
(ω) 为
2
能量谱密度。
2.1.2、随机过程的功率谱密度
一个信号的付氏变换是否存在,需要满足三个条件,那么随机信号是否满足这三个条件从而存在付氏变换呢?
随机信号持续时间无限长,因此,对于非0的样本函数,它的能量
一般也是无限的,因此,其付氏变换不存在。
但是注意到它的平均功率是有限的,在特定的条件下,仍然可以利用博里叶变换这一工具。
为了将傅里叶变换方法应用于随机过程,必须对过程的样本函数做某些限制,最简单的一种方法是应用截取函数。
截取函数x T (t):
图2.1 x (t)及其截取函数
当x(t)为有限值时,裁取函数
x T
(t)满足绝对可积条件。因此,
x T
(t)的傅里叶变换存在,有
很明显,x T (t)也应满足帕塞瓦等式,即:(注意积分区间和表达式的变化)
用2T 除上式等号的两端,可以得到
等号两边取集合平均,可以得到:
令T →∞,再取极限,便可得到随机过程的平均功率。 交换求数学期望和积分的次序,可以得到:(注意这里由一条样本函数推广到更一般的随机过程,即下面式子对所有的样本函数均适用)
lim
T →∞
12T
⎰-T E [X
T
2
(t )]dt =
lim ⎰-∞T →∞2π
1
∞
E [X X (T , ω) ]
2T
2
d ω
上式等号的左边表示的正是随机过程消耗在单位电阻上的平均功率(包含时间平均和统计平均),以后我们将简称它为随机过程的功率并记为Q 。再看等式的右边,它当然也存在,并且等于Q 。
又因为X
X
(T , ω) 非负,所以极限lim
T →∞
2
E [X
X
(T , ω) ]2T
2
必定
存在,记为S X (
ω) :
Q =lim
T →∞
12T
⎰-T E [X
T
2
(t )]dt =
12π
⎰-∞S X (ω) d ω
∞
注意:(1)Q 为确定性值,不是随机变量
(2)S X (ω) 为确定性实函数。(见式)
● 两个结论: 1.Q =A 式中,A =lim
T →∞
2
12T
表示时间平均。它说明,随机过
程的平均功率可以通过对过程的均方值求时间平均来得到,即对于一般的随机过程(例如,非平稳随机过程)求平均功率,需要既求时间平均,又求统计平均。显然, Q 不是随机变量。
若随机过程为平稳的,则
Q =A =E [X (t )]=R X (0)
这是因为均方值与时间t 无关,其时间平均为它自身。
22
由于已经对X
X
(T , ω) 求了数学期望,所以S X (ω) 不再具有
2
随机性,它是ω的确定性函数。
● 功率谱密度:S X (ω) 描述了随机过程X(t)的功率
在各个不同频率上的分布——称S X (ω) 为随机过程X(t)的功
率谱密度。
● 对S X (ω) 在X(t)的整个频率范围内积分,便可得
到X(t)的功率。
● 对于平稳随机过程,则有:
E [X (t )]=
2
12π
⎰-∞S X (ω) d ω
∞
2.1.3、功率谱密度的性质
证明:
证明:
因为X
X
(T , ω) 进行了取模运算,这是ω的实函数,所以
2
S X (ω) 也是ω的实函数,且为确定性实函数。
证明:
因此:
即:
得:
证明:对于平稳随机过程,有:
E [X (t )]=
2
1
2π
⎰-∞S X (ω) d ω
∞
2.2 联合平稳随机过程的互功率谱密度
2.2.1、互谱密度
可由单个随机过程的功率谱密度的概念,以及相应的分析方法
推广而来。
考虑两个平稳实随机过程X(t)、Y(t), 它们的样本函数分别为
x (t ) 和y (t ) ,定义两个截取函数x T (t )、y T (t )为:
因为x T (t )、y T (t )都满足绝对可积的条件,所以它们的傅里叶变换存在。
在时间范围(-T,T) 内,两个随机过程的互功率Q XY (T ) 为:(注意
x T (t )、y T (t )为确定性函数,所以求平均功率只需取时间平均)
由于x T (t )、y T (t )的傅里叶变换存在,故帕塞瓦定理对它们也适用,即:
注意到上式中,x (t ) 和y (t ) 是任一样本函数,因此,具
有随机性,取数学期望,并令T →∞,得:
T →∞
lim E [Q XY (T )]=Q XY =lim E [
T →∞
12T
⎰-T x (t ) y (t ) dt ]
T
=lim [
T →∞
12T
⎰-T R XY
E [X
T
(t , t ) dt ]
*
X
=
12π
⎰-∞T lim →∞
∞
(T , ω) X Y (T , ω)]
2T
d ω
定义互功率谱密度为:
得:
同理,有:
又知
以上定义了互功率和互功率谱密度,并且导出了它们之间的关系。
2.2.2、互谱密度和互相关函数的关系
平稳随机过程的自相关函数与其功率谱密度之间互为傅里叶变换,互相关函数与互谱密度之间也存在着类似关系。
定义:对于两个实随机过程X(t)、Y(t),其互谱密度S XY (ω) 与互相关函数R XY (t , t +τ) 之间的关系为
若X(t)、Y(t)各自平稳且联合平稳,则有
即:
式中,A 表示时间平均。 显然:
证明:略,参见自相关函数和功率谱密度关系的证明。
结论:对于两个联合平稳(至少是广义联合平稳) 的实随机过程,它们的
互谱密度与其互相关函数互为傅里叶变换。
2.3.3、互谱密度的性质
互功率谱密度和功率谱密度不同,它不再是频率ω的正
的、实的和偶函数。
性质1:S XY (ω) =S YX (-ω) =S YX (ω) 证明:S XY (ω) = =⎰ =⎰
∞-∞∞-∞
*
⎰-∞
∞
R XY (τ) e
-j ωτ
d τ
R YX (-τ) e R YX (τ) e
-j ωτ
d τ 令τ=-τ
*
=S YX
j ωτ
d τ(ω)
=⎰性
质
2
∞-∞
R YX (τ) e
-j (-ω) τ
d τ=S YX (-ω)
;
:
Re[S XY (ω)]=Re[S XY (-ω)
Re[S YX (ω)]=Re[S YX (-ω)
证明:式中Re[·]表示实部。亦即互谱密度的实部为ω的偶函
数。
S XY (ω) =
⎰-∞
∞
∞
R XY (τ) e
-j ωτ
d τ
=⎰
-∞
R XY (τ)[cosωτ+j sin(-ωτ)]d τ
所以:Re[S XY (ω)]
=
⎰-∞R XY
∞
(τ)
cos ωτd τ 令
τ=-τ
=
⎰-∞R XY
∞
(-τ) cos ωτd τ
=
Re[S XY (-ω)]
其它同理可证。 性质3:
证明:类似性质2证明。
性质4:若X(t)与Y(t)正交,则有
证明:若X(t)与Y(t)正交,则R XY (t 1, t 2) =R
YX (t 1, t 2) =0 所以,S XY (ω) =S YX (ω) =0
性质5:若X(t)与Y(t)不相关,X(t)、Y(t)分别具有常数均值m X
和m Y , 则
证明:因为
X(t)与
Y(t)不相关,所以
E [X (t 1) Y (t 2)]=m X m Y
S XY (ω) =
⎰-∞
∞
R XY (τ) e
-j ωτ
d τ=m X m Y
⎰-∞
∞
e
-j ωτ
d
τ
=2πm X m Y δ(ω) (注意12πδ(ω) ) 性质6:
式中,A表示时间平均。
这给出了一般的随机过程(包含平稳)的互谱密度与互相关函数的关系式。
[例2.2]
设两个随机过程X(t)和Y(t)联合平稳,其互相关
函数R XY (τ) 为:
求互谱密度S XY (ω) , S YX (ω) 解:先求S XY (ω) :
再求S YX (ω)
2.3 功率谱密度与自相关函数之间的关系
确定信号:x(t) X (j ω) 。
随机信号:平稳随机过程的自相关函数功率谱密度。
1.定义:
若随机过程X(t)是平稳的,自相关函数绝对可积,则自相关函数与功率谱密度构成一对付氏变换,即:
这一关系就是著名的维纳—辛钦定理、或称为维纳—辛钦公式。
2. 证明:
下面就来推导这一关系式。证明方法类似式的证明。
因为:由(3.1.14)式 S X (ω) =lim
E [X
X
(T , ω) ]2T
2
T →∞
(T , ω)]
T -T
-j ωt 2
=lim
12T
T →∞
E [X
T -T
X
(T , ω) X
j ωt 1
*
X
=lim
12T
T →∞
E [⎰
X (t 1) e
dt 1⎰
X (t 2) e dt 2]
交换积分和数学期望顺序
=lim
12T
T →∞
⎰⎰
-T
T T -T
E [X (t 1) X (t 2)]e
-j ω(t 2-t 1)
dt 1dt 2
=lim
T →∞
12T
⎰-T ⎰-T R X (t 2
T T
-t 1) e
-j ω(t 2-t 1)
dt 1dt 2
,t 1=
设τ=t 2-t 1,u =t 2+t 1,则t 2=
τ+u
2
u -τ2
1
1
所以:J =∂(t 1, t 2)
=2
2∂(τ, u )
-11=12 2
2
τ
τ
+τ
图2.2
则S X (ω) =lim
12{2T
T →∞
T
⎰
0d τ
⎰2T -τ
1-2T +τ
2
R X (τ) e -j ωτ
du +⎰0
1-2T
d τ
⎰2T +τ
-2T -τ
2
R X (τ) e
-j ωτ
du }
=lim {
12T
d τ
1T →∞
2T ⎰-2T ⎰2T --2T +2
R X (τ) e
-j ωτ
du }
=lim
1
(2T -) R
T →∞
2T
⎰2T
-2T
X (τ) e
-j ωτ
d τ
=lim
2T
-
-j ωτ
T →∞⎰-2T
(12T
) R X (τ) e
d τ (1)
∞2T =⎰
-∞
R τ
X (τ) e
-j ωτ
d τ-lim
T →∞
⎰
-2T
2T
) R X (τ) e
-j ωτ
d τ (注意T →∞,
2T
→0;且τ→∞时,R X (τ) →0因此,通常情况下,第二项为0
。
=⎰证毕。
∞-∞
R X (τ) e
-j ωτ
d τ
推论:对于一般的随机过程X(t),有:
则
平
均
2
功率为:
lim
T →∞
12T
⎰-T E [X
T
(t )]dt =
12π
⎰-∞S X (ω
) d ω(τ=0)——时
∞
间平均加统计平均。
利用自相关函数和功率谱密度皆为偶函数的性质,又可将维纳—辛钦定理表示成:
3.单边功率谱
由于实平稳过程x(t)的自相关函数R X (τ) 是实偶函数,
功率谱密度也一定是实偶函数。有时我们经常利用只有正频率部分的单边功率谱。
(常见的几种付氏变换关系需要记住)
[例3.3] 平稳随机过程的自相关函数为R X (τ) =Ae
-β,A>0,
β>0,求过程的功率谱密度。
解:应将积分按+τ和-τ分成两部分进行。
解:注意此时⎰
∞-∞
R X (τ) τ不是有限值,即不可积,因此
R X (τ) 的付氏变换不存在,需要引入δ函数。
S X (ω) =
⎰-∞
∞
R X (τ) e
-i ωτ
d τ=
⎰-∞
∞
A
2
2
cos(ω0τ) e
-i ωτ
d τ
=
A
2
2
⎰-∞
∞
e
j ω0τ
+e 2
-j ω0τ
e e
j ω0τ
-j ωτ
d τ
(注意:cos(ω0τ) =
+e 2
-j ω0τ
)
-j ωτ
=
A 4
2
⎰-∞
2
∞
(e
j ω0τ
+e
-j ω0τ
)e d τ
=
πA
2
[
δ
(ω-ω0) +δ(ω+ω0
)]
j ω0τ
(注意:e
2πδ(ω-ω0) )
显然,它与时间t 有关,所以Y(t)为非平稳随机过程,
(一定要注意一般随机过程与平稳随机过程的平均功率和谱
密度的求法区别)
2.4 离散时间随机过程的功率谱度
2.4.1、离散时间随机过程的功率谱密度
1.平稳离散时间随机过程的相关函数
设X(n)为广义平稳离散时间随机过程,或简称为广义平稳随机序列,具有零均值,其自相关函数为:
简写为:
2.平稳离散时间随机过程的功率谱密度
式中,T 是随机序列相邻各值的时间间隔。S X (ω) 是频率为ω的周期性连续函数,其周期为
2πT
记为
=2ωq 。S X (ω) 的傅里叶级数的
系数恰为R X (m ) ,这里
就是奈奎斯特频率(不是采样频率)。这说明离散序列的功率
谱为周期函数。
因为S X
(ω) 为周期函数,周期为2ωq ,
3. 谱分解 ① z 变换定义
在离散时间系统的分析中,常把广义平稳离散时间随机过程的功率谱密度定义为R X (m ) 的z 变换,并记为S 'X (z ),即
式中z=e
j ωT
,且
上式中,D 为在S 'X (z )的收敛域内环绕z 平面原点反时针旋转的一条闭合围线。
② 性质
因为自相关函数R X (m ) =R X
(-m ) ,带入式即可。
③ 谱分解
谱分解定理:设X(n)是广义平稳实离散随机过程,具有有理功率
'谱密度函数S 'X (z )。则S X (z )可分解为:
单位圆之内的全部零点和极点;B(z 零点和极点。
证明:总可以将S 'X (z )表示成两个多项式之比:
-1
) 中包含了单位圆之外的全部
上式中:
由于R X (m ) 是实函数,因此多项式N(z)、D(z)的系数也都是实数、
且有M <N 。
对式(3.4.9)因式分解,形式如下:
设a 1是N(z)的一个根,是S 'X (z )的一个零点,那么,a 1应满足
而根据性质[见式(3.4.8)]可知,若上式成立,则下式必成立:
这就是说,a 1
-1
也一定是N(z)的一个根;或者说a 1
-1
-1
是S '
X (z )的
一个零点。于是,两个零点a 1和a 1
'
总是同时出现。
-1
同理,若β1是S x (z )的一个极点,则β1
也必定是
S 'X (z )的一个极点。或者说,两个极点必定同时出现。
根据上面的讨论,便可将式(3.4.11)分解成两项相乘,即
单位圆之内的全部零点和极点;B(z
的全部零点和极点。--------即证。
-1
) 中包含了单位圆之外
解:应用式(3.4.5),可以得到
整理得:
将z=e
j ωT
代人
2.4.2、平稳随机过程采样定理
1.预备知识
在分析确定性的离散时间信号时,香农采样定理占有重要地位。
它建立了连续信号与其采样离散信号之间的变换关系。
设s(t)是一个确定性连续限谱实信号,它的频带范围限于(-ωc ,+ωc ) 之间。香农采样定理告诉我们,当采样周期小于或等于1/2f c (ωc =2πf c 时) ,可将s(t)展开成:
因此,采样频率为:
f s =
1
T
≥
12f c
原信号的恢复:满足采样定理的采样值通过一个低通滤波器
(冲激响应为S a 函数),就可以无失真的恢复原信号。
2.平稳随机过程的采样定理 现在将香农采样定理推广到随机信号。
定义:若X(t)为平稳随机过程,具有零均值,它的功率语密度
S X (ω) 限于(-ωc ,+ωc ) 之间:(即假设连续过程的功率谱有界)
则可证明,当满足条件T 小于或等于1/2f c 时,便可将X(t) 按它的振幅样本展开为:
这就是平稳随机过程的采样定理。
式中,T 为采样周期X(nT)表示在时间t=nT时,对随机过程X(t)的任一样本函数X (t ) 的振幅采样, l.i.m 则表示均方意义下的极限。例如
证明:因为 X(t)的自相关函数及R X (
τ) 是τ的确定性因数, 由维纳—辛钦定理,R X (τ) S X (ω) , 又因为S X (ω) 带宽有限,
由预备知识的香农采样定理,
R X (τ) 的振幅可以展开成:
由付氏变换时移性质,可得:
这里a 为任一常数。显然。S X (ω) e
的。
再由香农采样定理,将R X (τ-a ) 展开:
-j ωa
带宽也是有限
令τ-a =τ',再令τ'=τ,则上式可变为:
现在令:
若
采样定理就得到了证明。 下面分别证明上式的两项均为0。
ˆ(t )]X (t )} ① E {lim [X (t ) -X
N →∞
=
N
R X (0) -lim
N →∞
∑
n =-N
E [X (nT ) X (t )]
sin(ωc t -n π)
ωc t -n π
(4)
令τ=0, a=t,得:
∞
R X (0) =∑
n =-∞
R X (nT -t )
sin(ωc t -n π)
ωc t -n π
(5)
比较(4)(5)式得:
ˆ(t )]X (t )}=0 (6) E {lim [X (t ) -X
N →∞
②令τ=
t , a=mT,得:
∞
R X
(t -mT ) =
又:
∑
n
=-∞
R
X (nT -mT )
sin(ωc
t -n π)
ωc t -n π
(7)
(8)
(7)(8)式比较,上式等号右端为零。于是可得:
由① ②可见:
证毕。
为了书写方便,也常把采样定理写成:
但应注意,上式的近似是表示均方意义下的极限,它与一般意义下的近似是不同的。
2.4.3、功率谱密度的采样定理
由平稳随机过程的采样定理,可以通过对平稳随机过程X(t)的采样而得到与之相对应的离散时间随机过程X(n)。
现在讨论X(n)的自相关函数(或称自相关序列) 与X(t)的自相关函数、X(n)功率谱密度和X(t)功率谱密度之间的关系。
定义:设X(t)为广义平稳随机过程,
用R C (τ)
和S C (ω) 分别表示它的自相关函数和功率谱密度,且S C (ω) 的带宽有限(这里下标C 表示连续)。现在,应用采样定理对X(t)采样,构成采样离散时间随机过程X(n)=X(nT),其中T 为采样周期。R (τ) 和S (ω) 分别表示X(n)的自相关函数和功率谱密度,则
式中ωq =π周期函数)
结论:
(1) 离散时间随机过程的自相关函数R(m)正是
―即功率谱密度的采样定理。(随机序列功率谱为
对连续过程自相关函数R C (τ) 的采样。
(2
) S (ω) 等于S C (ω) 及S C (ω) 的所有各位
移之和,即S C (ω) 以2ωq 为周期延拓,所以S (ω) 为周期函数。
S (ω) 与S C (ω) 关系如下图示意:
图2.3 证明:
预备知识:
若确定性函数f(t)为周期函数,周期为T ,即f(t)=f(t+mT),m 为任意整数,则它总可以展开为傅立叶级数:(《信号与线性系统分析》吴大正主编,P129)
∞
⎧jn Ωt
f (t ) =F e ∑n ⎪⎪n =-∞
指数形式表示:⎨ T
1-jn Ωt
2f (t ) e ⎪F n =dt ⎰T T -⎪⎩2
X (t ) 、S C (w ) 与X (n ) 、S (w ) 的对应关系
n =0, ±1, ±2,.... , Ω=
2πT
注意S C (ω) 是确定性函数。
∞
因为
∑S C (ω
n =-∞∞
+2n ωq ) 是周期为2ωq 的连续函数,则傅里叶
∞
级数展开式为:
∑S C (ω+2n ωq ) =
ωq
∑a n e
-jn ωT
(这里与通常的傅
n =-∞n =-∞
立叶级数不同) 其中:a n =
12ωq
⎰
S C (ω) e
jn ωT
d ω
-ωq
=
1
∞
2ωq -∞
带入上式得:
∞
⎰S C (ω) e
jn ωT
d ω=
2π2ωq
R C (nT ) =TR (n )
∞
∑
1T
S C (ω+2n ωq ) =∑TR (n ) e
n =-∞
∞
-jn ωT
=S (ω) (离散时
n =-∞
∞
∑S C (ω+2n ωq ) =∑
R (n ) e
-jn ωT
n =-∞n =-∞
间功率谱密度的定义)
定理证毕。
2.5 白噪声
随机过程通常可按它的概率密度和功率谱密度的函数形式来
分类。就概率密度而言,正态分布(或称为高斯分布) 的随机过程占有重要地位;就功率谱密度来说,则具有均匀功率谱密度的白噪声非常重要。
2.5.1、理想白噪声
定义:若N(t)为一个具有零均值的平稳随机过程,其功率谱密
度均匀分布在(-∞,+∞) 的整个频率区间,即
其中N 0为一正实常数,则称N(t)为白噪声过程或简称为白噪
声。
自相关函数为
理解:白噪声的自相关函数是一个σ函数,其面积等于功率谱
密度。
理解:白噪声在任何两个相邻时刻(不管这两个时刻多么邻近) 的取值都是不相关的。这就意味着白噪声过程随时间的起伏极快,过程的功率谱极宽。
总结:
(1)白噪声只是一种理想化的模型,是不存在的。
(
2
2)白噪声的均方值
为无限大,
E [X (t )]=
R N (0) =
其均方值总是有限的。
N 02
δ(0) =
∞,而物理上存在的随机过程,
(3)白噪声在数学处理上具有简单、方便等优点。
2.5.2、限带白噪声
限带白噪声又可分为低通型的和带通型的。
1.低通型
定义:若过程的功率谱密度满足
则称此过程为低通型限带白噪声。将白噪声通过一个理想低通
滤波器,便可产生出低通型限带白噪声。
低通型限带白噪声的自相关函数为
图2.4示出了低通型限带白噪声的S X (ω) 和R X (
τ) 的图形,注
意,时间间隔为π
整数倍的那些随机变量,彼此是不相关的(均值
为0,相关函数值为0)。
图2.4 低通限带白噪声 (a )S X (ω) ; (b )R X (τ)
2. 带通型
带通型限带白噪声的功率谱密度为
由维纳—辛钦定理,得到相应的自相关函数为
图2.5中示出了带通型限带白噪声的S X (ω) 和R X (τ) 的图形。不难看出,将白噪声通过一个理想带通滤波器便可产生这种带通型限带白噪声。
图2.4 带通型限带白噪声 (a )S X (ω) ; (b )R X (τ)
2.5.3、色噪声
按功率谱度函数形式来区别随机过程,我们将把除了白噪声以
外的所有噪声都称为有色噪声或简称色噪声。
小 结
1. 随机过程的时间无限性,导致能量无限,因而随机过
程的付氏变换不存在,但其功率存在。所以,不能对随机过程直接求付氏变换,即:
X (t ) X (j ω)
但相关函数与功率谱密度构成一对付氏变换,即
A
若随机过程X(t)平稳,则
R X (τ) S X (ω)
2. 平均功率的四种求法:查表;留数;对功率谱密度求
积分(有个
12π
系数);求相关函数后令τ=0
3. 随机过程的平均功率: 一般过程:lim
T →∞
12T
⎰-∞
∞
E (X (t )) dt ,即集合平均+
2
统计平均。
4. 特定函数的付氏变换需记忆