功率谱密度（Power Spectral Density, PSD）

计算随机信号的自相关函数并对其进行傅里叶变换，可以获得信号的功率谱密度（Power Spectral Density, PSD）。PSD 可以帮助我们了解信号在不同频率上的“能量分布”或“强度”，从而揭示随机信号在频域中的频率特性。

1. 自相关函数与功率谱密度

自相关函数 $R_x(\tau )$ 是描述随机信号 $x(t)$ 在不同时间差 $\tau$ 之间的相关性。如果信号是平稳的，$R_x(\tau )$ 只依赖于时间差 $\tau$ 而不是具体的时间点。

功率谱密度（PSD）则描述信号在不同频率上的功率分布。它是自相关函数的傅里叶变换，可以揭示信号在不同频率上的“能量强度”，即信号在哪些频率上最强。

2. Wiener-Khinchin 定理

根据Wiener-Khinchin 定理，信号的功率谱密度（PSD） $S_x(f)$ 是其自相关函数 $R_x(\tau )$ 的傅里叶变换：

$$S_x(f)={\int }_{-\infty }^{\infty }{R}_x(\tau )e^{-j2\pi f\tau }d\tau$$

其中：

• $S_x(f)$ 是功率谱密度，它描述了信号在频率 $f$ 上的功率分布。
• $R_x(\tau )$ 是信号的自相关函数，描述了信号在不同时间差 $\tau$ 上的相关性。

3. 功率谱密度的物理意义

傅里叶变换将自相关函数从时间域转换到频域，功率谱密度 $S_x(f)$ 描述了信号在不同频率上的功率分布。因此，功率谱密度揭示了信号的频率组成以及每个频率上“信号能量”的大小。通过观察功率谱密度，我们可以知道：

• 哪些频率成分最强（例如，哪一部分频率的“能量”最大）。
• 信号在频率域中的分布情况：是集中在特定频率上（如正弦波信号），还是在广泛的频率范围内分布（如噪声信号）。

4. 步骤总结：从自相关函数到频率特性

1. 计算自相关函数 $R_x(\tau )$：通过随机过程的样本或模型，计算信号的自相关函数 $R_x(\tau )=\mathbb{E}[x(t)x(t+\tau )]$，它描述了信号在不同时间差 $\tau$ 上的相关性。

2. 对自相关函数进行傅里叶变换：对 $R_x(\tau )$ 进行傅里叶变换，得到功率谱密度 $S_x(f)$，它描述了信号在不同频率上的功率分布：

   $$S_x(f)={\int }_{-\infty }^{\infty }{R}_x(\tau )e^{-j2\pi f\tau }d\tau$$

3. 频域分析：通过分析 $S_x(f)$，我们可以看到信号在各个频率成分上的强度，判断哪些频率上信号最强，或信号是如何分布在频谱上的。

5. 实际例子：白噪声的自相关和功率谱密度

白噪声是一种重要的随机信号，它的功率在所有频率上是均匀分布的。

• 白噪声的自相关函数：白噪声的自相关函数是一个冲击函数 $R_x(\tau )=\delta (\tau )$，表示白噪声在不同时间点之间没有相关性（即它是完全不相关的）。

• 白噪声的功率谱密度：根据自相关函数的傅里叶变换，白噪声的功率谱密度是常数，即 $S_x(f)=\text{constant}$，这意味着白噪声在所有频率上都有相等的能量。因此，白噪声的频谱是平坦的，这也是为什么我们称其为“白”噪声的原因，因为它类似于白光在可见光谱中的平坦分布。

6. 应用场景

通过自相关函数和功率谱密度的分析，可以在以下场景中应用：

• 信号分析：判断信号的频率特性，识别信号中的主要频率分量，例如音频信号的频率成分分析。
• 噪声检测：通过功率谱密度可以识别随机信号中的噪声特性，从而进行噪声滤除或噪声建模。
• 通信系统设计：在无线通信中，功率谱密度用于分析和优化信号传输，设计滤波器或天线，以提升系统性能。

总结：

• 自相关函数描述了信号在时间域上的相关性，通过自相关函数可以分析信号的周期性、相关性和随机性。
• 功率谱密度是自相关函数的傅里叶变换，它描述了信号在频域上的能量分布，揭示了信号在哪些频率上最强。