1随机信号分析与应用 ： 从自相关到功率谱密度的探讨

1|随机信号分析与应用：从自相关到功率谱密度的探讨

---

目录

:::block-1
1. 随机信号的自相关函数及其应用
1.1 自相关函数的定义
1.2 自相关函数的性质
1.3 自相关函数的实际应用
:::
2. 随机信号的互相关函数及其应用
2.1 互相关函数的定义
2.2 互相关函数的性质
2.3 互相关函数在信号处理中的应用
3. 随机信号的功率谱估计
3.1 功率谱的概念
3.2 功率谱估计的基本方法
3.3 实例分析：功率谱估计在通信中的应用
4. 随机信号的功率谱密度
4.1 功率谱密度的定义
4.2 功率谱密度的物理意义
4.3 功率谱密度的计算方法
5. 功率谱密度的性质
5.1 功率谱密度的基本性质
5.2 功率谱密度的实际意义
5.3 功率谱密度与信号特征的关系
6. 功率谱密度与自相关函数的关系
6.1 Wiener-Khinchin定理
6.2 频域与时域的对应关系
6.3 实例分析：如何通过自相关函数获得功率谱密度
7. 功率谱估计的方法
7.1 基于自相关函数的功率谱估计
7.2 快速傅里叶变换（FFT）法
7.3 滑动窗法与周期图法
8. 功率谱估计的应用
8.1 在信号处理中的应用
8.2 在医学成像中的应用
8.3 在雷达信号分析中的应用
9. 互谱密度及其估计
9.1 互谱密度的定义
9.2 互谱密度估计方法
9.3 互谱密度在多通道信号分析中的应用

---

1. 随机信号的自相关函数及其应用

1.1 自相关函数的定义

我们日常接触到的信号，比如音频、温度、金融数据等，往往具有随机性。为了分析这些随机信号，我们需要一种工具来衡量信号在不同时间点上的相似性，这就是自相关函数。

假设你有一个信号 $X(t)$，你可能会好奇：在不同时刻，这个信号的波动会有多相似？例如，地震信号在不同时间段的波动是否存在某种规律？在通信系统中，信号是否会因为多次反射和干扰而产生重复的模式？自相关函数就是用来回答这些问题的工具。

**自相关函数描述了同一个信号在不同时间滞后下的相似程度。**具体来说：

设 $X(t)$ 是一个随机信号（信号的均值不一定为零），那么它的自相关函数 $R_X(\tau )$ 表示信号在时刻 $t$ 与滞后时间 $\tau$ 之后的信号 $X(t+\tau )$ 之间的相似性。形式化地，自相关函数定义为：

$$R_X(\tau )=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2}^{T/2}\left(X(t)-E[X(t)]\right)\left(X(t+\tau )-E[X(t+\tau )]\right)dt$$

其中：

• $X(t)$ 是信号在时刻 $t$ 的取值，
• $E[X(t)]$ 表示信号 $X(t)$ 的期望值，
• $\tau$ 是滞后时间，表示信号在两个不同时间点之间的时间差。

动机：

1. 先考虑信号 $X(t)$ 在某一时刻 $t$ 的取值。
2. 接着考虑在此时刻滞后 $\tau$ 时间之后，信号 $X(t+\tau )$ 的取值。
3. 自相关函数通过对 $X(t)$ 与 $X(t+\tau )$ 的乘积取积分并求期望，衡量这两个时刻的信号值有多相似。

这意味着，如果信号在时间 $t$ 和 $t+\tau$ 处的值较为相似，那么它们的乘积将是一个较大的正数，从而导致自相关函数在该滞后值 $\tau$ 处取较大值。

1.2 自相关函数的性质

理解了定义后，我们来探讨自相关函数的几个关键性质。这些性质不仅是数学上的推导结果，也是实际应用中常见的特性。

1. 对称性

自相关函数在滞后时间 $\tau$ 上具有对称性，即 $R_X(\tau )=R_X(-\tau )$。

证明：

我们从自相关函数的定义开始：

$$R_X(\tau )=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2}^{T/2}\left(X(t)-E[X(t)]\right)\left(X(t+\tau )-E[X(t+\tau )]\right)dt$$

为了证明 $R_X(\tau )=R_X(-\tau )$，我们可以进行变量替换。设 $u=t+\tau$，因此 $du=dt$，积分上下限相应变为 $-T/2+\tau$ 到 $T/2+\tau$。原积分式变为：

$$R_X(\tau )=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2+\tau }^{T/2+\tau }\left(X(u-\tau )-E[X(u-\tau )]\right)\left(X(u)-E[X(u)]\right)du$$

由于积分的时间跨度趋近于无穷大，可以将积分上下限重新变换回原来的形式，即：

$$R_X(\tau )=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2}^{T/2}\left(X(t)-E[X(t)]\right)\left(X(t-\tau )-E[X(t-\tau )]\right)dt$$

这个表达式与 $R_X(-\tau )$ 的定义一致，因此：

$$R_X(\tau )=R_X(-\tau )$$

这证明了自相关函数是对称的，即 $R_X(\tau )=R_X(-\tau )$。

2. 非负性与最大值

自相关函数在 $\tau =0$ 时达到最大值，即 $R_X(0)$ 是最大值且非负。

证明：

当$\tau =0$ 时，自相关函数的表达式为：

$$R_X(0)=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2}^{T/2}{\left(X(t)-E[X(t)]\right)}^{2}dt$$

这个公式表示信号 $X(t)$ 的方差 ${\sigma }_X^2$，即：

$${\sigma }_X^2=E\left[{\left(X(t)-E[X(t)]\right)}^2\right]=\underset{T\to \infty }{\lim }\frac{1}{T}{\int }_{-T/2}^{T/2}{\left(X(t)-E[X(t)]\right)}^{2}dt$$

由于方差总是非负的，即 ${\sigma }_X^2\ge 0$，所以有：

$$R_X(0)={\sigma }_X^2\ge 0$$

最大值的解释：

当 $\tau =0$ 时，信号与自身完全重合，因此自相关函数的值为信号的方差 ${\sigma }_X^2$，即：

$$R_X(0)={\sigma }_X^2$$

对于任意 $\tau \ne 0$，由于信号在不同时刻之间的相关性通常减弱，$R_X(\tau )$ 通常小于或等于 $R_X(0)$。这意味着 $R_X(0)$ 是自相关函数的全局最大值。这是因为随着滞后时间的增加，信号在两个时刻之间的相关性逐渐降低，自相关函数的值也随之减小。

3. 正定性

自相关函数具有正定性，这意味着对于任意的非零实数 $a_1,a_2,\dots ,a_n$ 和时间点 $t_1,t_2,\dots ,t_n$，满足：

$$\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_j{R}_X(t_i-t_j)\ge 0$$

证明：

正定性性质表示，对于任意实数 $a_1,a_2,\dots ,a_n$ 和时间点 $t_1,t_2,\dots ,t_n$，有：

$$\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_j{R}_X(t_i-t_j)\ge 0$$

我们可以将上式展开，并看作信号的一个线性组合的自相关函数之和。设 $Y(t)$ 为信号 $X(t)$ 的线性组合：

$$Y(t)=\sum _{i=1}^n{a}_{i}X(t+t_i)$$

需要计算 $Y(t)$ 的方差 $\text{Var}(Y(t))$。根据方差的定义，$\text{Var}(Y(t))$ 为：

$$\text{Var}(Y(t))=E[Y(t{)}^2]=E\left[{\left(\sum _{i=1}^n{a}_{i}X(t+t_i)\right)}^2\right]$$

将上式展开：

$$\text{Var}(Y(t))=E\left[\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_{j}X(t+t_i)X(t+t_j)\right]$$

利用自相关函数的定义，上式可以重写为：

$$\text{Var}(Y(t))=\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_{j}E\left[X(t+t_i)X(t+t_j)\right]=\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_j{R}_X(t_i-t_j)$$

因为方差 $\text{Var}(Y(t))$ 总是非负的，即 $\text{Var}(Y(t))\ge 0$，因此有：

$$\sum _{i=1}^n\sum _{j=1}^n{a}_i{a}_j{R}_X(t_i-t_j)\ge 0$$

这就证明了自相关函数的正定性性质。方差总是非负的这一事实源于数学中的基本定理，因此所有的自相关函数都具有正定性。

1.3 自相关函数的实际应用

接下来我将通过多图对比的方式进行展示，直观地看到信号的不同特性。

应用一：信号的周期性检测

检测信号的周期性是自相关函数的一个重要应用。通过生成一个正弦波信号，并计算其自相关函数，来观察其周期性特征。然后再与一个非周期性信号的自相关函数进行对比。

Matlab实现：
首先生成一个周期性的正弦波信号，以及一个随机噪声信号，并分别计算它们的自相关函数。

clc
clear
close all

f0 = 5;  
T = 1;  
Fs = 1000;  
t = 0:1/Fs:T;  
X_sin = sin(2*pi*f0*t);
X_rand = randn(size(t));
[acf_sin, lags_sin] = xcorr(X_sin, 'coeff');
[acf_rand, lags_rand] = xcorr(X_rand, 'coeff');

figure;
subplot(2,1,1);
plot(lags_sin/Fs, acf_sin);
title('正弦波信号的自相关函数');
xlabel('滞后时间 (秒)');
ylabel('自相关系数');
grid on;

subplot(2,1,2);
plot(lags_rand/Fs, acf_rand);
title('随机信号的自相关函数');
xlabel('滞后时间 (秒)');
ylabel('自相关系数');
grid on;

代码说明：

• f0 = 5 设置了正弦波的频率为5Hz，即每秒钟信号会完成5个周期。
• T = 1 表示信号的持续时间为1秒。
• Fs = 1000 设定了采样频率为1000Hz，这意味着每秒采集1000个样本。
• xcorr 函数用于计算信号的自相关函数。'coeff' 参数标准化了自相关函数的结果，使得自相关系数的取值范围在 [-1, 1] 之间，便于对不同信号的自相关性进行对比。

实验结果：

1. 正弦波信号的自相关函数：自相关函数在滞后时间为信号周期的整数倍时出现明显的峰值。这表明正弦波信号具有周期性，并且自相关函数可以清楚地反映这一特性。
2. 随机信号的自相关函数：与正弦波信号不同，随机信号的自相关函数在滞后时间 $\tau \ne 0$ 时几乎没有显著的相关性，这反映了随机信号的无周期性特征。

应用二：信号噪声分离

自相关函数还可以用于区分信号与噪声。在实际应用中，信号常常伴随噪声。通过计算总信号的自相关函数，我们是可以区分其中的信号成分和噪声成分。

Matlab实现：

生成一个正弦波信号，并叠加随机噪声，计算总信号和纯噪声的自相关函数，以进行对比。

clc
clear
close all

f0 = 5;  
T = 1;  
Fs = 1000;  
t = 0:1/Fs:T;  
X_sin = sin(2*pi*f0*t);
N = randn(size(t));
Y = X_sin + N;
[acf_Y, lags_Y] = xcorr(Y, 'coeff');
[acf_N, lags_N] = xcorr(N, 'coeff');

figure;
subplot(2,1,1);
plot(lags_Y/Fs, acf_Y);
title('总信号 (正弦波 + 噪声) 的自相关函数');
xlabel('滞后时间 (秒)');
ylabel('自相关系数');
grid on;

subplot(2,1,2);
plot(lags_N/Fs, acf_N);
title('纯噪声信号的自相关函数');
xlabel('滞后时间 (秒)');
ylabel('自相关系数');
grid on;

代码说明：

• 在总信号 $Y$ 中，正弦波信号和随机噪声信号被叠加在一起。这种情况下，虽然存在噪声，自相关函数仍然可以识别出正弦波的周期性。
• 纯噪声信号的自相关函数通常在 $\tau \ne 0$ 时几乎为零，表示噪声信号在不同时刻之间没有相关性。

实验结果：

1. 总信号的自相关函数：虽然总信号中包含噪声，但由于信号的周期性，自相关函数仍然在周期倍数的滞后时间处显示出峰值。这表明自相关函数能够揭示总信号中的周期性成分，即使在噪声存在的情况下。
2. 纯噪声的自相关函数：纯噪声信号的自相关函数在 $\tau \ne 0$ 时几乎为零，说明噪声信号在不同时刻之间没有相关性。这一特性也体现了噪声的随机性。

小结

自相关函数是分析随机信号的重要工具，通过衡量信号在不同时刻的相似性，自相关函数能够揭示信号的周期性、相关性等特征。本文主要探讨了自相关函数的定义和基本性质，并结合MATLAB展示了自相关函数在信号处理中的重要性。

另外，对自相关函数的对称性、非负性与最大值、正定性等性质进行证明。

通过对比实验结果，本文展示了自相关函数在周期性检测和信号噪声分离中的应用。
微信公众号：JIAFEIMAO的摆烂日常