维纳—辛钦(Winner-Khitchine)定理的证明

带着地球去浪一浪

已于 2022-03-18 15:52:20 修改

阅读量6.4k

点赞数 10

分类专栏：概率论与随机过程文章标签：概率论

于 2022-03-17 11:51:31 首次发布

本文链接：https://blog.csdn.net/weixin_42428226/article/details/123537615

版权

概率论与随机过程专栏收录该内容

11 篇文章 8 订阅

订阅专栏

1. 维纳—辛钦(Winner-Khitchine)定理

宽平稳随机过程 $X(t)$ 的功率谱密度 $S_X(\omega)$ 是其自相关函数 $R_X(\tau)$ 的Fourier变换，

$S_X(\omega) = \int_{-\infty}^{\infty}R_X(\tau)e^{-j\omega\tau}d\tau$

2. 能量信号与功率信号

对于信号 $s(t)$ ，若其满足

$\int_{-\infty}^{\infty}|s(t)|^2dt < \infty$

则信号 $s(t)$ 被称为能量信号。

若其不满足上面能量信号的定义，但其满足

$P = \lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-T/2}^{T/2}|s(t)|^2dt < \infty$

则信号 $s(t)$ 被称为功率信号。

3. 确定信号的功率谱密度

假设信号 $s(t)$ 为功率信号，则可定义

$s_T(t) = \left\{\begin{matrix} s(t) & |t| \leqslant \frac{T}{2}\\ 0 & |t| > \frac{T}{2} \end{matrix}\right.$

因此，信号的功率为

$P =\lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-T/2}^{T/2}|s_T(t)|^2dt =\lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-\infty}^{\infty}|s_T(t)|^2dt$

根据Parseval定理可得

$P =\lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-\infty}^{\infty}|s_T(t)|^2dt = \lim_{T\rightarrow +\infty}\frac{1}{T}\frac{1}{2\pi}\int_{-\infty}^{\infty}|S_T(\omega)|^2d\omega$

整理可得

$P = \lim_{T\rightarrow +\infty}\frac{1}{T}\frac{1}{2\pi}\int_{-\infty}^{\infty}|S_T(\omega)|^2d\omega = \frac{1}{2\pi}\int_{-\infty}^{\infty}\lim_{T\rightarrow +\infty}\frac{1}{T}|S_T(\omega)|^2d\omega$

定义

$P(\omega) = \lim_{T\rightarrow +\infty}\frac{|S_T(\omega)|^2}{T}$

为功率信号 $s(t)$ 的功率谱密度。

4. 维纳—辛钦(Winner-Khitchine)定理的证明

假设 $x(t,e_i)$ 为随机过程 $X(t)$ 的一个样本函数，通常 $x(t,e_i)$ 不满足能量信号的要求，但满足功率信号的要求，因此可定义

$x_T(t,e_i) = \left\{\begin{matrix} x(t,e_i) & |t|\leqslant \frac{T}{2}\\ 0 & |t|> \frac{T}{2} \end{matrix}\right.$

该函数的Fourier变换为

$X_T(\omega, e_i) = \int_{-\infty}^{\infty}x_T(t,e_i)e^{-j\omega t}dt = \int_{-T/2}^{T/2}x(t,e_i)e^{-j\omega t}dt$

因此，样本函数 $x(t,e_i)$ 的功率谱密度为

$S_X(\omega, e_i) = \lim_{T\rightarrow +\infty}\frac{|X_T(\omega, e_i)|^2}{T}$

样本函数 $x(t,e_i)$ 的平均功率为

$\frac{1}{2\pi}\int_{-\infty}^{\infty}S_X(\omega, e_i)d\omega$

$x(t,e_i)$ 为随机过程 $X(t)$ 的一个样本函数，因此，其功率谱密度 $S(\omega, e_i)$ 也将随着样本的不同而不同。对于平稳随机过程而言，功率谱密度应该是样本函数的功率谱密度的统计平均

$S_X(\omega) = E[S_X(\omega, e_i)] = E\left [ \lim_{T\rightarrow +\infty}\frac{|X_T(\omega, e_i)|^2}{T}\right ]= \lim_{T\rightarrow +\infty}\frac{1}{T}E[|X_T(\omega, e_i)|^2]$

将Fourier变换 $X_T(\omega, e_i)$ 的表达式代入上式，可得

$S_X(\omega)\\ = \lim_{T\rightarrow +\infty}\frac{1}{T}E\left [ \int_{-T/2}^{T/2}x^*(t_1,e_i)e^{j\omega t_1}dt_1 \int_{-T/2}^{T/2}x(t_2,e_i)e^{-j\omega t_2}dt_2\right ]\\ =\lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-T/2}^{T/2}\int_{-T/2}^{T/2}E[x^*(t_1,e_i)x(t_2,e_i)]e^{-j\omega (t_2-t_1)}dt_1dt_2$

令 $\tau = t_2 - t_1$ ，将积分变量变换为 $\tau$ 和 $t_1$ ，则

$S_X(\omega)\\ =\lim_{T\rightarrow +\infty}\frac{1}{T}\int_{-T/2}^{T/2}\int_{-T/2}^{T/2}R_X(\tau)e^{-j\omega \tau}d\tau dt_1\\ = \lim_{T\rightarrow +\infty}\frac{1}{T}\left \{ \int_{0}^{T}d\tau \int_{-\frac{T}{2}}^{\frac{T}{2}-\tau} R_X(\tau)e^{-j\omega \tau}dt_1 + \int_{-T}^{0}d\tau \int_{-\frac{T}{2} - \tau}^{\frac{T}{2}} R_X(\tau)e^{-j\omega \tau}dt_1 \right \}\\ = \lim_{T\rightarrow +\infty}\frac{1}{T}\left \{ \int_{0}^{T}(T-\tau)R_X(\tau)e^{-j\omega \tau}d\tau+ \int_{-T}^{0}(T+\tau)R_X(\tau)e^{-j\omega \tau}d\tau \right \}\\ = \lim_{T\rightarrow +\infty}\left \{ \int_{0}^{T}(1-\frac{\tau}{T})R_X(\tau)e^{-j\omega \tau}d\tau+ \int_{-T}^{0}(1+\frac{\tau}{T})R_X(\tau)e^{-j\omega \tau}d\tau \right \}\\ = \lim_{T\rightarrow +\infty}\int_{-T}^{T}(1-\frac{|\tau |}{T})R_X(\tau)e^{-j\omega \tau}d\tau\\ = \int_{-\infty}^{\infty}R_X(\tau)e^{-j\omega \tau}d\tau\\$