23 平稳随机过程的功率谱及高阶谱.docVIP

2.3 平稳随机过程的功率谱及高阶谱 对于确定性信号，通常对时域信号进行傅里叶变换求得信号的频谱密度，以便研究信号的频率构成，这个过程称之为频谱分析。在讨论随机信号时，仍然希望能够借助傅里叶变换来研究随机信号的频率构成，这就是一般所说的功率谱分析。利用傅里叶变换进行功率谱分析称为经典功率谱分析。经典功率谱分析的方法虽然简单，但分辨率低。在计算机及信号处理技术迅速发展的今天，人们已不满足经典的功率谱分析。一门新兴的学科现代功率谱分析已经成熟，并逐渐地用于实际工程系统中。本节主要介绍平稳随机过程的经典谱分析方法。现代谱分析已超出本书的范围，若需要请参考有关文献和书籍。 2.3.1 随机过程的功率谱密度 随机过程的一个样本函数x(t)，截取(T到T的一段，记为xT(t) 如果截断的样本函数xT(t)满足频谱密度存在的条件，则 当时，x(t)的平均功率可以根据下面的积分求出 由帕塞伐尔定理 x(t)的平均功率还可以表示为 称为样本函数x(t)的功率谱密度。 如果对所有样本的功率谱密度取统计平均，就得到随机过程的功率谱密度 式中表示随机过程截断后所有样本的频谱。 将XT(??e)用替代，求统计平均，x(t)用X(t)替代就可得到随机过程的平均功率 如果X(t)为实平稳过程， 必为常数。由此可见，实平稳过程的平均功率还等于它的均方值。 如果X(t)为各态历经过程，功率谱密度可由一个样本函数得到 随机过程的功率谱密度与确定信号频谱密度的幅度谱相对应，不包括任何相位信息。 自相关函数和功率谱密度有着密切的关系，它们分别在时域和频域描述随机过程的特性。 下面将给出维纳-辛钦定理，说明二者的关系。 将截断的随机过程代入功率谱密度定义式(2.3.8) X(t)为实过程*可以省略。 = 对于平稳随机过程，自相关函数只与时间差有关。令，并将积分变量由t1，t2变换到?，t2。 因为 当t1从(T到T 相当到 即和 积分区域由图中的正方形变为平行四边形。 由此可知，自相关函数与功率谱密度为一对傅里叶变换对，因此由傅里叶反变换可求得自相关函数 式(2.3.13)和式(2.3.14)即为著名的维纳-辛钦定理，它说明了平稳过程的自相关函数和功率谱之间的关系。如果令上式中的，可以 通过上式来求随机过程的平均功率 成立的条件是RX(??和SX(?)绝对可积，即 以上两式要求X(t)数学期望为零，平均功率有限。由功率谱密度定义可知SX(?)非负，上式略去绝对值。 2.3.2 功率谱密度的性质 性质1 SX(?)是非负实函数 性质2 如果X(t)是实平稳随机过程，SX(?)是偶函数 因为是非负实函数，它的数学期望也必然是非负实函数，性质1得证。在实随机过程的条件下，，性质2得证。 在工程上遇到的随机信号X(t?，其自相关函数有以下三种情况： ?????当时，，满足绝对可积 ?????当时，，不满足满足绝对可积???处引入?函数，可求出RX(??的 ?????当时，呈振荡形式，引入?函数，也可求出RX(??的2.3.1已知平稳随机过程的功率谱密度为 求自相关函数和平均功率 解：对功率谱密度S(?)做傅里叶反变换即可得到自相关函数R(?? 由可以求平均功率 R(0)=1/2 例2.3.2已知随机电报信号的自相关函数 求其功率谱密度。 解：由于自相关函数存在直流分量，在处引入函数，即可求出功率谱密度 例2.3.3已知随机过程的自相关函数为，求功率谱密度。 解：在这个例子中，自相关函数既包括直流分量，又包括一个频率为的余弦分量。因此，分别在和处引入函数 以上三个例子包括了自相关函数R(??的X(t?的自相关函数RX(??是实偶函数，功率谱密度SX(?)RX(??与SX(?)是实偶函数， 2.3.3 联合平稳随机过程的互功率谱密度 定义X(t?和Y(t?的 实平稳随机过程X(t)与Y(t)的互谱密度有以下性质。 性质1 互谱密度的对称性为 性质2 互谱密度的实部是偶函数，虚部是奇函数，即 性质3 如果X(t)和Y(t)互相正交，互谱密度为零。 性质4 如果X(t)和Y(t)是互不相关的两个随机过程，且数学期望不为零，则有 性质5 互谱密度 2.3.4 高阶统计量与高阶谱 为n阶平稳过程的n阶相关矩。 n阶相关矩也称n阶相关函数，用表示。 当n=2时，二阶相关矩 就是X(t)的自相关函数。 当n=3时，三阶相关矩是的函数 当n=4时，四阶相关矩 在高阶矩的研究中，一般也只限在四阶矩范围内。 因为当n4时，所有的计算将变得非常复杂 。 n阶平稳过程X(t)在n=1,2,3,4时的相关矩和累积量的关系。 时， 时， 时，