平稳性与自相关性的解析

1. 当 $\tau$ 越来越大时（即两个时间点相距较远），信号之间的相关性逐渐减弱，信号在时间 $t_1$ 和 $t_1+\tau$之间变得不相关。

2. 这意味着，随着 $\tau$ 越来越大，信号在 $t_1$ 和 $t_1+\tau$ 处的相关性越来越弱，最终两个时刻的信号变得不相关（uncorrelated）。当信号变得不相关时，两个时刻的信号值的乘积期望可以分解为两个独立期望的乘积。

3. 一个随机过程 $x(t)$ 如果满足以下条件，就被称为平稳随机过程（严格平稳）：均值不随时间变化；自相关函数仅依赖于时间差 $\tau$；方差不随时间变化：对于任意的 $t$，信号的方差 $\mathbb{V}(x(t))$ 是常数。

4. 在平稳过程中，随着 $\tau \to \infty$，信号会逐渐失去相关性，变得不相关（uncorrelated）。因此，当 $\tau$ 很大时，自相关函数会趋于 $\mathbb{E}[x{]}^2$，即信号的均值的平方。这个行为在图中表现为，当时间差 $\tau$ 越来越大时，自相关函数 $R_x(\tau )$ 最终趋于 $\mathbb{E}[x{]}^2$，这个值被称为直流功率（DC Power），而信号中波动的部分（AC Power）逐渐消失。

5. 平稳过程与自相关函数$R_x(t_1,t_2)$：

   • 首先，平稳随机过程具有以下两个重要特性：

     1. 均值不随时间变化：$\mathbb{E}[x(t)]=\mu$ 对所有 $t$ 都相同。
     2. 自相关函数只依赖时间差：即 $R_x(t_1,t_2)=\mathbb{E}[x(t_1)x(t_2)]$ 只依赖于 $t_2-t_1=\tau$，与具体的 $t_1$ 无关。

     当我们计算自相关函数 $R_x(\tau )$ 时，对于平稳过程 ，有：
     $$R_x(\tau )=\mathbb{E}[x(t_1)x(t_1+\tau )]$$
     其中 $\tau$ 是时间差。

1. Uncorrelated（不相关）：

图中的自相关函数 $R_x(\tau )=\mathbb{E}[x(t_1)x(t_1+\tau )]$ 描述的是随机过程在不同时间点之间的相关性。自相关函数衡量信号在两个时间点 $t_1$ 和 $t_1+\tau$ 之间的相似程度。

• 当 $\tau$ 很小时（即两个时间点非常接近），信号在两个时间点通常具有较高的相关性，即信号的自相关函数 $R_x(\tau )$ 值较大。
• 当 $\tau$ 越来越大时（即两个时间点相距较远），信号之间的相关性逐渐减弱，信号在时间 $t_1$ 和 $t_1+\tau$之间变得不相关。

图中描述的是当 $\tau \to \infty$ 时，自相关函数趋于不相关状态，即：

$$R_x(\infty )=\mathbb{E}[x(t_1)x(\infty )]=\mathbb{E}[x(t_1)]\mathbb{E}[x(\infty )]$$

这意味着，随着 $\tau$ 越来越大，信号在 $t_1$ 和 $t_1+\tau$ 处的相关性越来越弱，最终两个时刻的信号变得不相关（uncorrelated）。当信号变得不相关时，两个时刻的信号值的乘积期望可以分解为两个独立期望的乘积。

2. Stationary（平稳性）：

图中提到的“stationary”是指平稳随机过程。平稳过程的一个重要特性是自相关函数只依赖于时间差 $\tau$，而不依赖于具体的时间点 $t_1$。

对于平稳过程，期望值 $\mathbb{E}[x(t)]$ 是常数，不随时间变化。因此，当我们计算 $\mathbb{E}[x(t_1)]$ 和 $\mathbb{E}[x(\infty )]$ 时，由于过程的平稳性，这两个期望值是相同的，都是 $\mathbb{E}[x]$ 或 $⟨x⟩$。

在图中提到“stationary”（平稳）主要是因为平稳性是分析随机过程时一个非常重要的概念，尤其是在计算自相关函数时。自相关函数 $R_x(\tau )=\mathbb{E}[x(t_1)x(t_1+\tau )]$ 作为随机过程的重要统计特性，往往在平稳随机过程中有着更简化和对称的性质。

让我们详细讨论为什么在这个上下文中提到stationary（平稳过程）以及其意义：

2.1. 什么是平稳随机过程？

一个随机过程 $x(t)$ 如果满足以下条件，就被称为平稳随机过程（严格平稳）：

• 均值不随时间变化：对于任意的 $t$，$\mathbb{E}[x(t)]=\mu$ 是常数，不依赖于 $t$。
• 自相关函数仅依赖于时间差 $\tau$：自相关函数 $R_x(t_1,t_2)=\mathbb{E}[x(t_1)x(t_2)]$ 只依赖于时间差 $\tau =t_2-t_1$，而不依赖于具体的时间点 $t_1$ 和 $t_2$。
• 方差不随时间变化：对于任意的 $t$，信号的方差 $\mathbb{V}(x(t))$ 是常数。

在信号处理和随机过程的分析中，平稳性是一个重要假设，因为它允许我们用更简单的数学工具来分析过程的特性，比如频域分析和滤波等。

2.2. 为什么提到平稳性？

提到平稳性是为了说明，当处理自相关函数 $R_x(\tau )=\mathbb{E}[x(t_1)x(t_1+\tau )]$ 时，如果假设 $x(t)$ 是一个平稳随机过程，自相关函数就会具备一些有利的性质。这些性质包括：

• 简化分析：平稳过程的自相关函数只依赖于时间差 $\tau$，而不依赖于具体的时间点 $t_1$ 和 $t_2$。因此，分析自相关函数变得更加简单，因为我们只需要考虑 $\tau$。

• 长期行为：在平稳过程中，随着 $\tau \to \infty$，信号会逐渐失去相关性，变得不相关（uncorrelated）。因此，当 $\tau$ 很大时，自相关函数会趋于 $\mathbb{E}[x{]}^2$，即信号的均值的平方。这个行为在图中表现为，当时间差 $\tau$ 越来越大时，自相关函数 $R_x(\tau )$ 最终趋于 $\mathbb{E}[x{]}^2$，这个值被称为直流功率（DC Power），而信号中波动的部分（AC Power）逐渐消失。

图中使用平稳性假设来解释：

• 平稳过程的期望值不变：在平稳过程中，信号的期望 $\mathbb{E}[x(t)]$ 不会随着时间改变。因此，$\mathbb{E}[x(t_1)]=\mathbb{E}[x(\infty )]$ 这一性质允许我们将 $\mathbb{E}[x(t_1)x(t_1+\tau )]$ 分解为 $\mathbb{E}[x(t_1)]\mathbb{E}[x(t_1+\tau )]$，当 $\tau \to \infty$ 时，信号变得不相关。

• 自相关函数的长时间行为：平稳过程的自相关函数只依赖于时间差 $\tau$。当 $\tau \to \infty$ 时，自相关函数趋向 $\mathbb{E}[x{]}^2$，这意味着信号失去相关性，两个时间点的信号之间不再有关联。

2.3. 图中的具体说明

在图中，你可以看到：

• 当 $\tau =0$ 时，自相关函数 $R_x(0)$ 达到了最大值，表示信号在同一时刻的自相关性最强，等于信号的总功率。
• 随着 $\tau$ 增大，自相关函数开始衰减，表示不同时间点之间的相关性减弱。这就是自相关函数如何随着时间差的增大而衰减的表现。
• 当 $\tau \to \infty$ 时，自相关函数趋向 $\mathbb{E}[x{]}^2$，表示信号在非常远的时间点之间变得不相关，只剩下直流成分（DC Power）。

这一过程中，平稳性保证了自相关函数只依赖于时间差 $\tau$，使得分析和计算变得更加简单。

3. 为什么期望值分开写？

当 $\tau \to \infty$ 时，信号在两个不同时间点 $t_1$ 和 $t_1+\tau$ 处不相关，因此期望值可以分解为：

$$\mathbb{E}[x(t_1)x(t_1+\tau )]\to \mathbb{E}[x(t_1)]\mathbb{E}[x(t_1+\tau )]$$

这意味着，随着 $\tau \to \infty$，我们假设信号之间的相关性趋于零，信号在两个时间点的期望值是独立的。因此，期望值分开写是因为在不相关的情况下，两个时刻的信号变得独立。

对于平稳过程，两个时间点的期望值是相同的，即 $\mathbb{E}[x(t_1)]=\mathbb{E}[x(t_1+\tau )]=⟨x⟩$。因此：

$$R_x(\infty )=\mathbb{E}[x{]}^2=⟨x{⟩}^2$$

总结：

• Uncorrelated：当 $\tau \to \infty$ 时，信号在不同时间点变得不相关，期望值分解为两个独立的期望值乘积。
• Stationary：平稳过程的特性是期望值和自相关函数只依赖时间差 $\tau$，与具体时间无关。因此，期望值 $\mathbb{E}[x(t_1)]$ 和 $\mathbb{E}[x(\infty )]$ 是相同的。
• 期望值分开写：当信号不相关时，期望值分解为两个独立期望值的乘积，这说明随着时间的推移，信号之间的相关性逐渐消失。