白噪声的自相关函数的理解

1. 卷积 (Convolution) 与 互相关 (Cross-correlation)

首先，回顾卷积和互相关的定义。

卷积的定义：

对于两个连续时间信号 $x(t)$ 和 $h(t)$，卷积定义为：

$$(x\ast h)(t)={\int }_{-\infty }^{\infty }x(\tau )h(t-\tau )d\tau$$

对于离散时间信号 $x(n)$ 和 $h(n)$，卷积定义为：

$$(x\ast h)(n)=\sum _{k=-\infty }^{\infty }x(k)h(n-k)$$

卷积运算可以理解为一个信号通过另一个信号的“滤波”过程，通常用于分析信号与系统的关系。

互相关的定义：

互相关函数 $R_{xy}(t)$ 用于衡量两个信号 $x(t)$ 和 $y(t)$ 在不同时间滞后下的相似性。对于连续时间信号，互相关定义为：

$$R_{xy}(\tau )={\int }_{-\infty }^{\infty }x(t)y(t+\tau )dt$$

对于离散时间信号，互相关定义为：

$$R_{xy}(k)=\sum _{n=-\infty }^{\infty }x(n)y(n+k)$$

互相关反映的是两个信号在不同时间位移下的相似程度，通常用于信号检测和同步等任务。

---

2. 卷积与互相关的关系

卷积与互相关在形式上非常相似，差别主要体现在时间反转上：

• 在卷积运算中，信号 $h(t)$ 需要做时间反转，即 $h(t-\tau )$。
• 在互相关运算中，没有时间反转，信号 $y(t)$ 在时间上只是平移为 $y(t+\tau )$。

因此，卷积和互相关的主要区别在于：卷积涉及时间反转，而互相关则没有时间反转。

卷积与互相关的转换：

如果我们将信号 $h(t)$ 在时间上反转，那么卷积就会变成互相关。这意味着：

$$(x\ast h)(t)=R_{x\tilde{h}}(t)$$

这里 $\tilde{h}(t)=h(-t)$ 是信号 $h(t)$ 的时间反转。

在离散时间情况下，卷积与互相关的关系可以写成：

$$(x\ast h)(n)=R_{x\tilde{h}}(n)$$

3. 自相关 (Autocorrelation) 与 卷积的关系

自相关是互相关的特例，当两个信号相同，即 $x(t)=y(t)$ 时，互相关就变成了自相关：

$$R_{xx}(\tau )={\int }_{-\infty }^{\infty }x(t)x(t+\tau )dt$$

对于离散时间信号，自相关为：

$$R_{xx}(k)=\sum _{n=-\infty }^{\infty }x(n)x(n+k)$$

卷积与自相关的关系： 自相关可以看作是信号自身的卷积运算的一个特例，只不过在自相关中没有时间反转：

$$R_{xx}(k)=(x\ast x)(k)$$

但注意，这种等式成立的前提是信号没有时间反转。

在信号处理和系统辨识中，白噪声 (white noise) 是一个非常常见的工具，用于分析和估计系统的特性。白噪声具有一些特殊的统计特性，其中最重要的就是它的自相关函数。为了更好地理解这一点，让我们详细解释白噪声及其自相关函数的特性。

1. 白噪声的定义

白噪声是一种特殊的随机信号，它的特点是每个时刻的信号值是相互独立且服从相同分布的（即独立同分布，i.i.d.），并且其频谱在整个频率范围内是均匀分布的。这意味着白噪声的功率在所有频率上是相同的。

在离散时间情况下，白噪声 $w(n)$ 通常被定义为：

• 均值为零：$E[w(n)]=0$
• 方差为 ${\sigma }^2$：$E[w^2(n)]={\sigma }^2$
• 不同时间点的值相互独立：$E[w(n)w(m)]=0$ 当 $n\ne m$

2. 白噪声的自相关函数

自相关函数衡量一个信号在不同时间滞后下的相似性。对于白噪声来说，由于它是每个时刻的值相互独立的随机变量，所以只有在滞后为 0 时，信号与其自身具有完全相关性，而在其他滞后时间点，相关性为零。

白噪声的自相关函数 $R_{ww}(l)$ 定义为：

$$R_{ww}(l)=E[w(n)w(n+l)]$$

根据白噪声的性质，当 $l=0$ 时，自相关函数为白噪声的方差 ${\sigma }^2$，即：

$$R_{ww}(0)=E[w(n)w(n)]=E[w^2(n)]={\sigma }^2$$

当 $l\ne 0$ 时，由于白噪声在不同时间点 $n$ 和 $n+l$ 之间没有相关性（独立性假设），所以自相关函数为 0：

$$R_{ww}(l)=0\text{for}l\ne 0$$

因此，白噪声的自相关函数 $R_{ww}(l)$ 是一个单位冲激函数 $\delta (l)$ 的缩放形式：

$$R_{ww}(l)={\sigma }^2\delta (l)$$

这意味着，白噪声的自相关函数只有在滞后为 0 时是非零的，在所有其他滞后下都为 0，这与单位冲激函数 $\delta (l)$ 的特性类似。

3. 白噪声自相关的物理意义

白噪声的自相关函数反映了它的无记忆性和独立性：

• 在滞后 $l=0$ 时，信号与其自身完全相关，相关性等于其方差 ${\sigma }^2$。
• 在滞后 $l\ne 0$ 时，白噪声在不同时间点上没有相关性，因此自相关函数为 0。

这种特性使得白噪声在系统辨识中非常有用，因为它的自相关函数像一个单位冲激信号 $\delta (l)$，可以简化许多计算。通过将白噪声作为输入信号，系统的响应能够很容易地通过互相关函数来确定。

4. 白噪声自相关在系统辨识中的应用

在 LTI 系统中，如果我们使用白噪声作为输入信号 $x(n)$，它的自相关函数为 $R_{xx}(l)={\sigma }^2\delta (l)$。当我们计算输入 $x(n)$ 和输出 $y(n)$ 之间的互相关函数时，根据公式：

$$r_{yx}(l)=h(l)\ast r_{xx}(l)$$

由于 $r_{xx}(l)\approx \delta (l)$，互相关函数简化为：

$$r_{yx}(l)\approx h(l)\ast \delta (l)=h(l)$$

因此，输入白噪声时，通过计算输入和输出的互相关函数，我们可以直接得到系统的冲激响应 $h(l)$。这就是为什么白噪声在系统辨识中如此有用的原因——它的自相关函数简化了冲激响应的计算。

5. 总结

• 白噪声的自相关函数：白噪声的自相关函数在滞后为 0 时等于其方差 ${\sigma }^2$，而在滞后 $l\ne 0$ 时为 0。它的自相关函数表现为 $R_{ww}(l)={\sigma }^2\delta (l)$，类似于单位冲激信号。

• 白噪声在系统辨识中的作用：通过使用白噪声作为输入信号，可以简化系统辨识过程，因为白噪声的自相关函数类似于冲激信号，使得通过互相关函数来估计系统的冲激响应变得非常简单。

因此，白噪声因其自相关特性经常被用作系统辨识中的输入信号。