协方差函数
假设
e
(
t
)
e(t)
e(t)是均值为零,方差为
λ
\lambda
λ的白噪声
对扰动项的描述为
v
(
t
)
=
∑
k
=
0
∞
h
(
k
)
e
(
t
−
k
)
v(t)=\sum_{k=0}^{\infty}h(k)e(t-k)
v(t)=k=0∑∞h(k)e(t−k)
则扰动的均值为
E
v
(
t
)
=
∑
k
=
0
∞
h
(
k
)
E
e
(
t
−
k
)
=
0
Ev(t)=\sum_{k=0}^{\infty}h(k)Ee(t-k)=0
Ev(t)=k=0∑∞h(k)Ee(t−k)=0
协方差为
E
v
(
t
)
v
(
t
−
τ
)
=
∑
k
=
0
∞
∑
s
=
0
∞
h
(
k
)
h
(
s
)
E
e
(
t
−
k
)
e
(
t
−
τ
−
s
)
=
∑
k
=
0
∞
∑
s
=
0
∞
h
(
k
)
h
(
s
)
δ
(
k
−
τ
−
s
)
λ
=
λ
∑
k
=
0
∞
h
(
k
)
h
(
k
−
τ
)
\begin{aligned} Ev(t)v(t-\tau)&=\sum_{k=0}^{\infty}\sum_{s=0}^{\infty}h(k)h(s)Ee(t-k)e(t-\tau-s)\\ &=\sum_{k=0}^{\infty}\sum_{s=0}^{\infty}h(k)h(s)\delta(k-\tau-s)\lambda\\ &=\lambda\sum_{k=0}^{\infty}h(k)h(k-\tau) \end{aligned}
Ev(t)v(t−τ)=k=0∑∞s=0∑∞h(k)h(s)Ee(t−k)e(t−τ−s)=k=0∑∞s=0∑∞h(k)h(s)δ(k−τ−s)λ=λk=0∑∞h(k)h(k−τ)
第一个等式为带入定义得到,第二个等式由白噪声的方差及独立信号在不同时刻的乘积的均值为0得到,第三个等式由脉冲信号的定义得到。
该协方差与时间
t
t
t 无关,定义扰动
v
v
v 的协方差函数为
R
v
(
τ
)
=
E
v
(
t
)
v
(
t
−
τ
)
R_v(\tau)=Ev(t)v(t-\tau)
Rv(τ)=Ev(t)v(t−τ)
传递函数
将输出由脉冲响应表示:
y
(
t
)
=
∑
k
=
1
∞
g
(
k
)
u
(
t
−
k
)
=
[
∑
k
=
1
∞
g
(
k
)
q
−
k
]
u
(
t
)
=
G
(
q
)
u
(
t
)
y(t)=\sum_{k=1}^{\infty}g(k)u(t-k)=\left[\sum_{k=1}^{\infty}g(k)q^{-k}\right]u(t)=G(q)u(t)
y(t)=k=1∑∞g(k)u(t−k)=[k=1∑∞g(k)q−k]u(t)=G(q)u(t)
称
G
(
q
)
G(q)
G(q) 为传递函数, 因此一个带有加型扰动的线性系统可以表示为
y
(
t
)
=
G
(
q
)
u
(
t
)
+
H
(
q
)
e
(
t
)
y(t)=G(q)u(t)+H(q)e(t)
y(t)=G(q)u(t)+H(q)e(t)
传递函数稳定的条件
∑
k
=
1
∞
∣
g
(
k
)
∣
<
∞
\sum_{k=1}^{\infty}|g(k)|<\infty
k=1∑∞∣g(k)∣<∞
如果滤波器的零阶系数为 1 1 1,则称为 m o n i c monic monic
频域表示
欧拉公式 i x = c o s x + i s i n x ix=cosx+isinx ix=cosx+isinx
假设输入为
u
(
t
)
=
c
o
s
w
t
=
Re
e
i
w
t
u(t)=coswt=\text{Re} \ e^{iwt}
u(t)=coswt=Re eiwt
则输出为
y
(
t
)
=
∑
k
=
1
∞
g
(
k
)
Re
e
i
w
(
t
−
k
)
=
Re
∑
k
=
1
∞
g
(
k
)
e
i
w
(
t
−
k
)
=
Re
{
e
i
w
t
⋅
∑
k
=
1
∞
g
(
k
)
e
−
i
w
k
}
=
Re
{
e
i
w
t
⋅
G
(
e
i
w
)
}
=
∣
G
(
e
i
w
)
∣
c
o
s
(
w
t
+
ϕ
)
\begin{aligned} y(t)&=\sum_{k=1}^{\infty}g(k)\text{Re}\ e^{iw(t-k)}=\text{Re}\ \sum_{k=1}^{\infty}g(k)e^{iw(t-k)}\\ &=\text{Re}\left\{ e^{iwt}\cdot \sum_{k=1}^{\infty}g(k)e^{-iwk} \right\}=\text{Re}\left\{e^{iwt}\cdot G(e^{iw})\right\}\\ &=|G(e^{iw})|cos(wt+\phi) \end{aligned}
y(t)=k=1∑∞g(k)Re eiw(t−k)=Re k=1∑∞g(k)eiw(t−k)=Re{eiwt⋅k=1∑∞g(k)e−iwk}=Re{eiwt⋅G(eiw)}=∣G(eiw)∣cos(wt+ϕ)
其中
ϕ
=
arg
G
(
e
i
w
)
\phi=\text{arg}G(e^{iw})
ϕ=argG(eiw)
因此在输入
u
(
t
)
u(t)
u(t) 的作用下,输出的频率不变,幅度扩大
∣
G
(
e
i
w
)
∣
|G(e^{iw})|
∣G(eiw)∣,相位增加了
arg
G
(
e
i
w
)
\text{arg}\ G(e^{iw})
arg G(eiw) 弧度。
frequency function:
G
(
e
i
w
)
,
−
π
≤
w
≤
π
G(e^{iw}),-\pi \le w\le\pi
G(eiw),−π≤w≤π
Bode plot:
log
∣
G
(
e
i
w
)
∣
\text{log}|G(e^{iw})|
log∣G(eiw)∣ and
arg
G
(
e
i
w
)
\text{arg}\ G(e^{iw})
arg G(eiw) plotted against
log
w
\text{log}w
logw.
Nyquist plot: The plot of frequency function in the complex plane.
周期图
离散傅里叶变换:对于 N N N 点序列 { x [ n ] } 0 ≤ n < N \left\{ x[n] \right\}_{0\le n< N} {x[n]}0≤n<N
DFT为
x ^ [ k ] = 1 N ∑ n = 0 N − 1 e − i 2 π N n k x [ n ] . k = 0 , 1 , . . . , N − 1. \hat{x}[k]=\frac{1}{\sqrt{N}}\sum_{n=0}^{N-1}e^{-i\frac{2\pi}{N}nk}x[n]. \ k=0,1,...,N-1. x^[k]=N1n=0∑N−1e−iN2πnkx[n]. k=0,1,...,N−1.
IDFT为
x [ n ] = 1 N ∑ k = 0 N − 1 e i 2 π N n k x ^ [ k ] . n = 0 , 1 , . . . , N − 1. x[n]=\frac{1}{\sqrt{N}}\sum_{k=0}^{N-1}e^{i\frac{2\pi}{N}nk}\hat{x}[k]. \ n=0,1,...,N-1. x[n]=N1k=0∑N−1eiN2πnkx^[k]. n=0,1,...,N−1.
考虑有限输入序列
u
(
t
)
,
t
=
1
,
.
.
.
,
N
u(t), t=1,...,N
u(t),t=1,...,N.
定义
U
N
(
w
)
=
1
N
∑
t
=
1
N
u
(
t
)
e
−
i
w
t
U_N(w)=\frac{1}{\sqrt{N}}\sum_{t=1}^{N}u(t)e^{-iwt}
UN(w)=N1t=1∑Nu(t)e−iwt
其中,
w
=
2
π
N
k
.
k
=
1
,
.
.
.
,
N
w=\frac{2\pi}{N}k.k=1,...,N
w=N2πk.k=1,...,N,对应的有
u
(
t
)
=
1
N
∑
k
=
1
N
U
N
(
2
π
N
k
)
e
i
2
π
N
k
t
u(t)=\frac{1}{\sqrt{N}}\sum_{k=1}^{N}U_N(\frac{2\pi}{N}k)e^{i\frac{2\pi}{N}kt}
u(t)=N1k=1∑NUN(N2πk)eiN2πkt
也经常写成
u
(
t
)
=
1
N
∑
k
=
−
N
/
2
+
1
N
/
2
U
N
(
2
π
N
k
)
e
i
2
π
N
k
t
u(t)=\frac{1}{\sqrt{N}}\sum_{k=-N/2+1}^{N/2}U_N(\frac{2\pi}{N}k)e^{i\frac{2\pi}{N}kt}
u(t)=N1k=−N/2+1∑N/2UN(N2πk)eiN2πkt
可以将输入 u ( t ) u(t) u(t) 看为 N N N 个不同频率 w w w 下 e i w t e^{iwt} eiwt 的线性组合,其中 U N ( 2 π k / N ) U_N(2\pi k/N) UN(2πk/N) 可以看做是频率为 w = 2 π k / N w=2\pi k/N w=2πk/N 的输入分量相应的权重。因此 ∣ U N ( 2 π k / N ) ∣ 2 |U_N(2\pi k/N)|^2 ∣UN(2πk/N)∣2 可以用来衡量不同频率对信号功率的贡献,即 ∣ U N ( w ) ∣ 2 |U_N(w)|^2 ∣UN(w)∣2 为信号 u ( t ) , t = 1 , . . . , N u(t), t=1,...,N u(t),t=1,...,N 的周期图。
根据欧拉公式及积分离散化的原理,有如下关系成立
1 N ∑ k = 1 N e i 2 π N r k = { 1 , r = 0 0 , 1 ≤ r < N \frac{1}{N}\sum_{k=1}^{N}e^{i\frac{2\pi}{N}rk}=\left\{ \begin{array}{} 1,&r=0\\ 0,&1\le r <N \end{array} \right. N1k=1∑NeiN2πrk={1,0,r=01≤r<N
Parseval定理
∑ k = 1 N ∣ U N ( 2 π N k ) ∣ 2 = ∑ t = 1 N u 2 ( t ) \sum_{k=1}^{N}|U_N(\frac{2\pi}{N}k)|^2=\sum_{t=1}^Nu^2(t) k=1∑N∣UN(N2πk)∣2=t=1∑Nu2(t)
周期图的转化
稳定系统
s
(
t
)
=
G
(
q
)
w
(
t
)
s(t)=G(q)w(t)
s(t)=G(q)w(t)
假设
w
(
t
)
w(t)
w(t) 在
t
≤
0
t\le 0
t≤0 的值未知,但有
∣
w
(
t
)
∣
≤
C
w
|w(t)|\le C_w
∣w(t)∣≤Cw,则
S
N
(
w
)
=
G
(
e
i
w
)
W
N
(
w
)
+
R
N
(
w
)
S_N(w)=G(e^{iw})W_N(w)+R_N(w)
SN(w)=G(eiw)WN(w)+RN(w)
其中, ∣ R N ( w ) ∣ ≤ 2 C w ⋅ C G N , C G = ∑ k = 1 ∞ k ∣ g ( k ) ∣ |R_N(w)|\le 2C_w \cdot \frac{C_G}{\sqrt{N}},C_G=\sum_{k=1}^{\infty}k|g(k)| ∣RN(w)∣≤2Cw⋅NCG,CG=∑k=1∞k∣g(k)∣
信号谱
定义信号
s
s
s 的谱为
lim
N
→
∞
∣
S
N
(
w
)
∣
2
\lim_{N\rightarrow \infty}|S_N(w)|^2
N→∞lim∣SN(w)∣2
实际中这一极限往往不存在
对于系统
y
(
t
)
=
G
(
q
)
u
(
t
)
+
H
(
q
)
e
(
t
)
y(t)=G(q)u(t)+H(q)e(t)
y(t)=G(q)u(t)+H(q)e(t)
该过程不是一个平稳过程。
定义 准平稳信号
{
s
(
t
)
}
\{s(t)\}
{s(t)} 满足
-
E s ( t ) = m s ( t ) . ∣ m s ( t ) ∣ ≤ C . ∀ t Es(t)=m_s(t).\ |m_s(t)|\le C. \ \forall t Es(t)=ms(t). ∣ms(t)∣≤C. ∀t
-
E s ( t ) s ( r ) = R s ( t , r ) . ∣ R s ( t , r ) ∣ ≤ C Es(t)s(r)=R_s(t,r).\ |R_s(t,r)|\le C Es(t)s(r)=Rs(t,r). ∣Rs(t,r)∣≤C
lim N → ∞ 1 N ∑ t = 1 N R ( t , t − τ ) = R s ( τ ) . ∀ τ \lim_{N \rightarrow \infty} \frac{1}{N}\sum_{t=1}^{N}R(t,t-\tau)=R_s(\tau). \ \forall \tau N→∞limN1t=1∑NR(t,t−τ)=Rs(τ). ∀τ
频谱的定义:自相关(互相关)函数的离散傅里叶变换
Φ
s
(
w
)
=
∑
τ
=
−
∞
∞
R
s
(
τ
)
e
−
i
τ
w
\Phi_s(w)=\sum_{ \tau =-\infty}^{\infty}R_s(\tau)e^{-i\tau w}
Φs(w)=τ=−∞∑∞Rs(τ)e−iτw
Φ s w ( w ) = ∑ τ = − ∞ ∞ R s w ( τ ) e − i τ w \Phi_{sw}(w)=\sum_{ \tau =-\infty}^{\infty}R_{sw}(\tau)e^{-i\tau w} Φsw(w)=τ=−∞∑∞Rsw(τ)e−iτw
随机过程 v ( t ) = H ( q ) e ( t ) v(t)=H(q)e(t) v(t)=H(q)e(t), { e ( t ) } \{e(t)\} {e(t)} 是零均值协方差为 λ \lambda λ 独立随机变量,有
Φ v ( w ) = λ ∣ H ( e i w ) ∣ 2 \Phi_v(w)=\lambda |H(e^{iw})|^2 Φv(w)=λ∣H(eiw)∣2
信号叠加的频谱
符号定义
E ˉ f ( t ) = lim N → ∞ 1 N ∑ t = 1 N E f ( t ) \bar{E}f(t)=\lim_{N \rightarrow \infty} \frac{1}{N} \sum_{t=1}^{N}Ef(t) Eˉf(t)=N→∞limN1t=1∑NEf(t)
假设信号为
s
(
t
)
=
u
(
t
)
+
v
(
t
)
s(t)=u(t)+v(t)
s(t)=u(t)+v(t)
其中
u
(
t
)
{u(t)}
u(t) 是确定信号,
v
(
t
)
{v(t)}
v(t) 是零均值的平稳随机过程,则
E
ˉ
s
(
t
)
s
(
t
−
τ
)
=
E
ˉ
u
(
t
)
u
(
t
−
τ
)
+
E
ˉ
u
(
t
)
v
(
t
−
τ
)
+
E
ˉ
v
(
t
)
u
(
t
−
τ
)
+
E
ˉ
v
(
t
)
v
(
t
−
τ
)
=
R
u
(
τ
)
+
R
v
(
τ
)
\begin{aligned} \bar{E}s(t)s(t-\tau)&=\bar{E}u(t)u(t-\tau)+\bar{E}u(t)v(t-\tau)\\ &+\bar{E}v(t)u(t-\tau)+\bar{E}v(t)v(t-\tau)\\ &=R_u(\tau)+R_v(\tau) \end{aligned}
Eˉs(t)s(t−τ)=Eˉu(t)u(t−τ)+Eˉu(t)v(t−τ)+Eˉv(t)u(t−τ)+Eˉv(t)v(t−τ)=Ru(τ)+Rv(τ)
由于
E
ˉ
v
(
t
)
u
(
t
−
τ
)
=
0
\bar{E}v(t)u(t-\tau)=0
Eˉv(t)u(t−τ)=0,所以
Φ
s
(
w
)
=
Φ
u
(
w
)
+
Φ
v
(
w
)
\Phi_s(w)=\Phi_u(w)+\Phi_v(w)
Φs(w)=Φu(w)+Φv(w)
线性系统的频谱转换
假设频谱为
Φ
w
(
w
)
\Phi_w(w)
Φw(w) 的准平稳 (quasi-stationary) 信号
{
w
(
t
)
}
\{w(t)\}
{w(t)} 经过稳定的线性系统
G
(
q
)
G(q)
G(q) 滤波后为
s
(
t
)
=
G
(
q
)
w
(
t
)
s(t)=G(q)w(t)
s(t)=G(q)w(t)
满足
s
(
t
)
s(t)
s(t) 也是准平稳信号且
Φ
s
(
w
)
=
∣
G
(
e
i
w
)
∣
2
Φ
w
(
w
)
Φ
s
w
(
w
)
=
G
(
e
i
w
)
Φ
w
(
w
)
\begin{aligned} \Phi_s(w)&=|G(e^{iw})|^2\Phi_w(w) \\ \Phi_{sw}(w)&=G(e^{iw})\Phi_w(w) \end{aligned}
Φs(w)Φsw(w)=∣G(eiw)∣2Φw(w)=G(eiw)Φw(w)
给定 y ( t ) = G ( q ) u ( t ) + H ( q ) e ( t ) y(t)=G(q)u(t)+H(q)e(t) y(t)=G(q)u(t)+H(q)e(t)其中 { u ( t ) } \{u(t) \} {u(t)} 为频谱为 Φ u ( w ) \Phi_u(w) Φu(w) 的准平稳确定信号, { e ( t ) } \{e(t) \} {e(t)} 为方差 λ \lambda λ 的白噪声, G , H G,H G,H 为稳定滤波器,则 { y ( t ) } \{y(t)\} {y(t)} 是准平稳的且满足
Φ y ( w ) = ∣ G ( e i w ) ∣ 2 Φ u ( w ) + λ ∣ H ( e i w ) ∣ 2 Φ y u ( w ) = G ( e i w ) Φ u ( w ) \begin{aligned} \Phi_y(w)&=|G(e^{iw})|^2\Phi_u(w)+\lambda|H(e^{iw})|^2\\ \Phi_{yu}(w)&=G(e^{iw})\Phi_u(w) \end{aligned} Φy(w)Φyu(w)=∣G(eiw)∣2Φu(w)+λ∣H(eiw)∣2=G(eiw)Φu(w)
谱分解
传递函数
G
(
q
)
,
H
(
q
)
G(q),H(q)
G(q),H(q) 通常是
q
q
q 的有理函数,频谱是
e
i
w
e^{iw}
eiw 的实值有理函数。
那么如果给定频谱
Φ
v
(
w
)
\Phi_v(w)
Φv(w), 如何求得传递函数
H
(
q
)
H(q)
H(q) 满足
v
(
t
)
=
H
(
q
)
e
(
t
)
v(t)=H(q)e(t)
v(t)=H(q)e(t), 其中
{
e
(
t
)
}
\{ e(t)\}
{e(t)} 为白噪声。
假设
Φ
v
(
w
)
>
0
\Phi_v(w)>0
Φv(w)>0 是
c
o
s
w
cosw
cosw 或
e
i
w
e^{iw}
eiw 的有理函数,那么可以构造一个monic有理函数
R
(
z
)
R(z)
R(z),其零极点均在单位圆内且满足
Φ
v
(
w
)
=
λ
∣
R
(
e
i
w
)
∣
2
\Phi_v(w)=\lambda|R(e^{iw})|^2
Φv(w)=λ∣R(eiw)∣2假设平稳过程
{
v
(
t
)
}
\{ v(t)\}
{v(t)} 具有有理频谱
Φ
v
(
w
)
\Phi_v(w)
Φv(w). 可以表示为
v
(
t
)
=
R
(
q
)
e
(
t
)
v(t)=R(q)e(t)
v(t)=R(q)e(t) 其中
{
e
(
t
)
}
\{ e(t)\}
{e(t)} 是方差为
λ
\lambda
λ 的白噪声,
R
(
q
)
R(q)
R(q) 为有理函数且满足
R
(
q
)
=
C
(
q
)
A
(
q
)
=
1
+
c
1
q
−
1
+
.
.
.
+
c
n
c
q
−
n
c
1
+
a
1
q
−
1
+
.
.
.
+
a
n
a
q
−
n
a
R(q)=\frac{C(q)}{A(q)}=\frac{1+c_1q^{-1}+...+c_{n_c}q^{-n_c}}{1+a_1q^{-1}+...+a_{n_a}q^{-n_a}}
R(q)=A(q)C(q)=1+a1q−1+...+anaq−na1+c1q−1+...+cncq−nc因此也就能用ARMA模型,AR模型或MA模型来描述这一过程。
Remark
以上结论均针对SISO过程,对于多变量系统,详见(Ljung,1999)