互相关函数和自相关函数
信号
x
(
n
)
x( n)
x(n) 和
y
(
n
)
y(n)
y(n) 的互相关函数:
x
(
n
)
x( n)
x(n) 保持不动,将
y
(
n
)
y(n)
y(n) 右移
m
m
m个采样周期得到
y
(
n
−
m
)
y(n-m)
y(n−m) ,再将
x
(
n
)
x( n)
x(n) 与
y
(
n
−
m
)
y(n-m)
y(n−m) 相乘并求和,则得到
r
x
y
(
m
)
r_{xy}(m)
rxy(m)在
m
m
m时刻的值,反映了
x
(
n
)
x( n)
x(n) 与
y
(
n
−
m
)
y(n-m)
y(n−m)相两个波形的相似程度(附录:理解自相关)
r
x
y
(
m
)
=
∑
n
=
−
∞
∞
x
(
n
)
y
(
n
−
m
)
(1)
r_{xy}(m)=\sum^{\infty}_{n=-\infty}x(n)y(n-m)\tag{1}
rxy(m)=n=−∞∑∞x(n)y(n−m)(1)
与序列卷积运算相比,少了将
y
(
n
)
y(n)
y(n)翻转变成
y
(
−
n
)
y(-n)
y(−n),因此互相关函数也可以写成:
r
x
y
(
m
)
=
x
(
n
)
∗
y
(
−
n
)
∣
n
=
m
*:卷积运算
(2)
r_{xy}(m)=\left. x(n)*y(-n)\right|_{n=m} \color{blue}\quad\quad\text{*:卷积运算}\tag{2}
rxy(m)=x(n)∗y(−n)∣n=m*:卷积运算(2)
如果(1)中
x
(
n
)
=
y
(
n
)
x(n)=y(n)
x(n)=y(n),则变成了
x
(
n
)
x(n)
x(n)的自相关函数:
r
x
x
(
m
)
=
∑
n
=
−
∞
∞
x
(
n
)
x
(
n
−
m
)
(3)
r_{xx}(m)=\sum^{\infty}_{n=-\infty}x(n)x(n-m)\tag{3}
rxx(m)=n=−∞∑∞x(n)x(n−m)(3)
自相关函数表示了信号
x
(
n
)
x( n)
x(n)与其自身移位后的
x
(
n
−
m
)
x(n-m)
x(n−m)的相似程度,为表示简单,将自相关函数记为
r
x
(
m
)
\color{blue}r_{x}(m)
rx(m)
r
x
(
0
)
=
∑
n
=
−
∞
∞
x
2
(
n
)
.
=
Δ
E
x
r
x
(
0
)
表
x
(
n
)
能量
(4)
r_{x}(0)=\sum^{\infty}_{n=-\infty}x^2(n).^\Delta_=E_x\quad\text{$r_x(0)$表$x(n)$能量}\tag{4}
rx(0)=n=−∞∑∞x2(n).=ΔExrx(0)表x(n)能量(4)
当
E
x
<
∞
E_x < ∞
Ex<∞时,信号
x
(
n
)
x( n)
x(n)称为能量信号
当
E
x
=
∞
E_x = ∞
Ex=∞时,信号
x
(
n
)
x( n)
x(n)称为能量无限信号:主要研究其平均功率
信号
x
(
n
)
x( n)
x(n)的功率定义为:
P
x
=
lim
n
→
∞
1
2
N
+
1
∑
n
=
−
N
N
∣
x
(
n
)
∣
2
(5)
P_x=\lim_{n\rightarrow\infty}\frac1{2N+1}\sum^N_{n=-N}|x(n)|^2\tag{5}
Px=n→∞lim2N+11n=−N∑N∣x(n)∣2(5)
P
x
<
∞
P_x < ∞
Px<∞时,称
x
(
n
)
x( n)
x(n)为功率信号
当输入序列是有限长序列,或无限长序列的有限个序列值时,通常将互相关和自相关函数表示成有限和的形式。特别是当
x
(
n
)
x( n)
x(n)和
y
(
n
)
y( n)
y(n)是长度为
N
N
N 的因果序列时,互相关和自相关函数可以表示为:
r
x
y
(
m
)
=
{
∑
n
=
m
N
−
1
x
(
n
)
y
(
n
−
m
)
,
0
⩽
m
<
N
∑
n
=
0
N
−
∣
m
∣
−
1
x
(
n
)
y
(
n
−
m
)
,
−
N
<
m
<
0
0
,
m
为其他值
(6)
r_{x y}(m)=\left\{\begin{aligned}&{\sum_{n=m}^{N-1} x(n) y(n-m),} &{0 \leqslant m<N} \tag{6}\\ &{\sum_{n=0}^{N-|m|-1} x(n) y(n-m),} &{-N<m<0} \\ &{0,}&\text{$m$为其他值}\end{aligned} \right.
rxy(m)=⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧n=m∑N−1x(n)y(n−m),n=0∑N−∣m∣−1x(n)y(n−m),0,0⩽m<N−N<m<0m为其他值(6)
r
x
(
m
)
=
{
∑
n
=
m
N
−
1
x
(
n
)
x
(
n
−
m
)
,
0
⩽
m
<
N
∑
n
=
0
N
−
∣
m
∣
−
1
x
(
n
)
x
(
n
−
m
)
,
−
N
<
m
<
0
0
,
m
为其他值
(7)
r_{x }(m)=\left\{\begin{aligned}&{\sum_{n=m}^{N-1} x(n) x(n-m),} &{0 \leqslant m<N} \tag{7}\\ &{\sum_{n=0}^{N-|m|-1} x(n) x(n-m),} &{-N<m<0} \\ &{0,}&\text{$m$为其他值}\end{aligned} \right.
rx(m)=⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧n=m∑N−1x(n)x(n−m),n=0∑N−∣m∣−1x(n)x(n−m),0,0⩽m<N−N<m<0m为其他值(7)
如果
x
(
n
)
x( n)
x(n)和
y
(
n
)
y( n)
y(n)是复信号,其相关函数也是复信号,则(1)、(3)应为:
r
x
y
(
m
)
=
∑
n
=
−
∞
∞
x
(
n
)
y
∗
(
n
−
m
)
(8)
r_{xy}(m)=\sum^{\infty}_{n=-\infty}x(n)y^*(n-m)\tag{8}
rxy(m)=n=−∞∑∞x(n)y∗(n−m)(8)
r x x ( m ) = ∑ n = − ∞ ∞ x ( n ) x ∗ ( n − m ) (9) r_{xx}(m)=\sum^{\infty}_{n=-\infty}x(n)x^*(n-m)\tag{9} rxx(m)=n=−∞∑∞x(n)x∗(n−m)(9) ∗ 表 共 轭 复 数 \color{blue}\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad*表共轭复数 ∗表共轭复数
周期信号的相关性
设
x
(
n
)
x( n)
x(n)和
y
(
n
)
y( n)
y(n)是两个功率信号,其互相关函数定义为:
r
x
y
(
m
)
=
lim
N
→
∞
1
2
N
+
1
∑
n
=
−
N
N
x
(
n
)
y
(
n
−
m
)
(10)
r_{xy}(m)=\lim_{N\rightarrow\infty}\frac1{2N+1}\sum^N_{n=-N}x(n)y(n-m)\tag{10}
rxy(m)=N→∞lim2N+11n=−N∑Nx(n)y(n−m)(10)
当
x
(
n
)
=
y
(
n
)
x( n)=y( n)
x(n)=y(n),功率信号的自相关函数定义为:
r
x
(
m
)
=
lim
N
→
∞
1
2
N
+
1
∑
n
=
−
N
N
x
(
n
)
x
(
n
−
m
)
(11)
r_{x}(m)=\lim_{N\rightarrow\infty}\frac1{2N+1}\sum^N_{n=-N}x(n)x(n-m)\tag{11}
rx(m)=N→∞lim2N+11n=−N∑Nx(n)x(n−m)(11)
如果
x
(
n
)
x( n)
x(n)和
y
(
n
)
y( n)
y(n)都是周期为
N
N
N 的信号,则(10)、(11)中有限区间上的平均值就等于一个周期上的平均值:
r
x
y
(
m
)
=
1
N
∑
n
=
0
N
−
1
x
(
n
)
y
(
n
−
m
)
(12)
r_{xy}(m)=\frac1{N}\sum^{N-1}_{n=0}x(n)y(n-m)\tag{12}
rxy(m)=N1n=0∑N−1x(n)y(n−m)(12)
当
x
(
n
)
=
y
(
n
)
x( n)=y( n)
x(n)=y(n)时,功率信号的自相关函数定义为
r
x
(
m
)
=
1
N
∑
n
=
0
N
−
1
x
(
n
)
x
(
n
−
m
)
(13)
r_{x}(m)=\frac1{N}\sum^{N-1}_{n=0}x(n)x(n-m)\tag{13}
rx(m)=N1n=0∑N−1x(n)x(n−m)(13)
由周期信号的定义可得:
r
x
(
m
+
N
)
=
1
N
∑
n
=
0
N
−
1
x
(
n
)
y
(
n
−
m
−
N
)
=
1
N
∑
n
=
0
N
−
1
x
(
n
)
x
(
n
−
m
)
=
r
x
(
m
)
(14)
r_{x}(m+N)=\frac1{N}\sum^{N-1}_{n=0}x(n)y(n-m-N)=\frac1{N}\sum^{N-1}_{n=0}x(n)x(n-m)=r_{x}(m)\tag{14}
rx(m+N)=N1n=0∑N−1x(n)y(n−m−N)=N1n=0∑N−1x(n)x(n−m)=rx(m)(14)
周期为 N N N 的周期信号的自相关函数也是以 N N N 为周期的,因此,对一个未知周期信号,可以根据其自相关函数周期性质估计其周期
相关函数的性质
互相关函数性质
设两个信号
x
(
n
)
x( n)
x(n)和
y
(
n
)
y( n)
y(n) 均为能量信号,其能量分别为
r
x
(
0
)
=
∑
n
=
−
∞
∞
x
2
(
n
)
=
E
x
r
y
(
0
)
=
∑
n
=
−
∞
∞
y
2
(
n
)
=
E
y
(15)
r_{x}(0)=\sum^{\infty}_{n=-\infty}x^2(n)=E_x\tag{15}\\ r_{y}(0)=\sum^{\infty}_{n=-\infty}y^2(n)=E_y
rx(0)=n=−∞∑∞x2(n)=Exry(0)=n=−∞∑∞y2(n)=Ey(15)
性质 1:
r
x
y
(
m
)
r_{xy}(m)
rxy(m)不是偶函数,而且
r
x
y
(
m
)
≠
r
y
x
(
m
)
r_{xy}(m)\neq r_{yx}(m)
rxy(m)=ryx(m),但有:
r
x
y
(
m
)
=
r
y
x
(
−
m
)
r_{xy}(m)=r_{yx}(-m)
rxy(m)=ryx(−m)
性质 2:
r
x
y
(
m
)
r_{xy}(m)
rxy(m)满足:
∣
r
x
y
∣
≤
r
x
(
0
)
r
y
(
0
)
=
E
x
E
y
(16)
|r_{xy}|\leq\sqrt{r_x(0)r_y(0)}=\sqrt{E_xE_y}\tag{16}
∣rxy∣≤rx(0)ry(0)=ExEy(16)
性质 3: 将
y
(
n
)
y( n)
y(n)相对
x
(
n
)
x( n)
x(n)移至无穷远处,则二者无相关性
lim
m
→
∞
r
x
y
(
m
)
=
0
(17)
\lim_{m\rightarrow\infty}\ r_{xy}(m)=0\tag{17}
m→∞lim rxy(m)=0(17)因为一般能量信号都是有限非零时宽的,所以,当
m
→
∞
m →∞
m→∞时,
x
(
n
)
x( n)
x(n)和
y
(
n
−
m
)
y(n-m)
y(n−m) 的非零区不重叠
自相关函数性质
性质 1: 若
x
(
n
)
x( n)
x(n)是实信号,
r
x
(
m
)
r_x(m)
rx(m) 是实偶函数,即:
r
x
(
m
)
=
r
x
(
−
m
)
(18)
r_{x}(m)=r_{x}(-m)\tag{18}
rx(m)=rx(−m)(18)
性质 2: r x ( m ) r_{x}(m) rx(m)在 m = 0 m=0 m=0时取得最大值,即: r x ( 0 ) ≥ r x ( m ) r_x(0)\geq r_x(m) rx(0)≥rx(m)
性质 3: 对能量信号
x
(
n
)
x( n)
x(n) ,将
x
(
n
)
x( n)
x(n) 相对自身移至无穷远处,则二者不相关。即:
lim
m
→
∞
r
x
(
m
)
=
0
(19)
\lim_{m\rightarrow\infty}\ r_{x}(m)=0\tag{19}
m→∞lim rx(m)=0(19)
输入输出信号的相关函数
这里讨论时域离散线性时不变系统输出信号与输入信号的互相关函数,设系统输入信号
x
(
n
)
x( n)
x(n) 的自相关函数
r
x
(
m
)
r_{x}(m)
rx(m) 已知,系统单位脉冲响应为
h
(
n
)
h(n)
h(n),系统输出信号为:
y
(
n
)
=
h
(
n
)
∗
x
(
n
)
=
∑
k
=
−
∞
∞
h
(
n
)
x
(
n
−
k
)
(20)
y(n)=h(n)*x( n)=\sum^{\infty}_{k=-\infty}h(n)x(n-k)\tag{20}
y(n)=h(n)∗x(n)=k=−∞∑∞h(n)x(n−k)(20)
由(2)可知输出信号与输入信号的互相关函数:
r
y
x
(
m
)
=
y
(
m
)
∗
x
(
−
m
)
=
h
(
m
)
∗
x
(
m
)
∗
x
(
−
m
)
=
h
(
m
)
∗
[
x
(
m
)
∗
x
(
−
m
)
]
=
h
(
m
)
∗
r
x
(
m
)
(21)
\begin{aligned} r_{y x}(m) &=y(m) * x(-m)=h(m) * x(m) * x(-m) \tag{21}\\ &=h(m) *[x(m) * x(-m)] \\ &=h(m) * r_{x}(m) \end{aligned}
ryx(m)=y(m)∗x(−m)=h(m)∗x(m)∗x(−m)=h(m)∗[x(m)∗x(−m)]=h(m)∗rx(m)(21)输出信号与输入信号的互相关函数等于系统单位脉冲响应
h
(
n
)
h(n)
h(n)与输入信号自相关函数
r
x
(
m
)
r_x(m)
rx(m) 的卷积,
r
y
x
(
m
)
r_{yx}(m)
ryx(m)可看成线性时不变系统对输入序列
r
x
(
m
)
r_{x}(m)
rx(m) 的响应输出
令
x
(
n
)
=
y
(
n
)
x(n) = y(n)
x(n)=y(n),利用卷积的性质,可以得到系统输出信号的自相关函数
r
y
(
m
)
r_y(m)
ry(m)
r
y
(
m
)
=
y
(
m
)
∗
y
(
−
m
)
=
[
h
(
m
)
∗
x
(
m
)
]
∗
[
h
(
−
m
)
∗
x
(
−
m
)
]
=
[
h
(
m
)
∗
h
(
−
m
)
]
∗
[
x
(
m
)
∗
x
(
−
m
)
]
=
r
h
(
m
)
∗
r
x
(
m
)
(22)
\begin{aligned} r_{y}(m) &=y(m) * y(-m)=[h(m) * x(m)] *[h(-m) * x(-m)]\tag{22} \\ &=[h(m) * h(-m)] *[x(m) * x(-m)] \\ &=r_{h}(m) * r_{x}(m) \end{aligned}
ry(m)=y(m)∗y(−m)=[h(m)∗x(m)]∗[h(−m)∗x(−m)]=[h(m)∗h(−m)]∗[x(m)∗x(−m)]=rh(m)∗rx(m)(22)
令(22)中
m
=
0
m=0
m=0,可得到信号能量:
r
y
(
0
)
=
∑
n
=
−
∞
∞
r
h
(
n
)
r
x
(
n
)
(23)
r_y(0)=\sum^\infty_{n=-\infty}r_h(n)r_x(n)\tag{23}
ry(0)=n=−∞∑∞rh(n)rx(n)(23)
信号的能量谱密度和功率谱密度
表征物理现象的各种信号,可以分为确知信号和随机信号两大类。对于确知信号,可以用信号的傅里叶频谱描述,但对于类似噪声的随机信号,如语音信号中的浊音,其傅里叶变换不存在,只能通过统计平均的方法,用其功率谱描述。即从有限的信号采样中估计出信号的功率谱
功率谱估计(简称谱估计)分为经典谱估计和现代谱估计,经典谱估计又分为周期图法和自相关法
自相关法是先估计观测信号的自相关函数,再对自相关函数进行傅里叶变换得到功率谱
信号的能量谱
设
x
(
n
)
x( n)
x(n) 是实能量信号,对
x
(
n
)
x( n)
x(n) 的自相关函数进行傅里叶变换,得:
F
T
[
r
x
(
m
)
]
=
∑
m
=
−
∞
∞
r
x
(
m
)
e
−
j
ω
m
=
∑
m
=
−
∞
∞
[
∑
n
=
−
∞
∞
x
(
n
)
x
(
n
−
m
)
]
e
−
j
ω
m
=
∑
n
=
−
∞
∞
x
(
n
)
∑
m
=
−
∞
∞
x
(
n
−
m
)
e
−
j
ω
m
(24)
\mathrm{FT}\left[r_{x}(m)\right]=\sum_{m=-\infty}^{\infty} r_{x}(m) \mathrm{e}^{-\mathrm{j} \omega m}=\sum_{m=-\infty}^{\infty}\left[\sum_{n=-\infty}^{\infty} x(n) x(n-m)\right] \mathrm{e}^{-\mathrm{j} \omega m}=\sum_{n=-\infty}^{\infty} x(n) \sum_{m=-\infty}^{\infty} x(n-m) \mathrm{e}^{-\mathrm{j} \omega m}\\\tag{24}
FT[rx(m)]=m=−∞∑∞rx(m)e−jωm=m=−∞∑∞[n=−∞∑∞x(n)x(n−m)]e−jωm=n=−∞∑∞x(n)m=−∞∑∞x(n−m)e−jωm(24)
令
k
=
n
−
m
k=n-m
k=n−m,上式变为:
F
T
[
r
x
(
m
)
]
=
∑
n
=
−
∞
∞
x
(
n
)
e
−
j
ω
n
∑
k
=
−
∞
∞
x
(
k
)
e
j
ω
k
=
X
(
e
j
ω
)
X
∗
(
e
j
ω
)
=
∣
X
(
e
j
ω
)
∣
2
(25)
{\mathrm{FT}\left[r_{x}(m)\right]=\sum_{n=-\infty}^{\infty} x(n) \mathrm{e}^{-\mathrm{j} \omega n} \sum_{k=-\infty}^{\infty} x(k) \mathrm{e}^{\mathrm{j} \omega k}=X\left(\mathrm{e}^{\mathrm{j} \omega}\right)X^{*}\left(\mathrm{e}^{\mathrm{j} \omega}\right)=\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^{2}}\tag{25}
FT[rx(m)]=n=−∞∑∞x(n)e−jωnk=−∞∑∞x(k)ejωk=X(ejω)X∗(ejω)=∣∣X(ejω)∣∣2(25)
根据傅里叶变换的唯一性,有:
r
x
(
m
)
=
IFT
[
∣
X
(
e
j
ω
)
∣
2
]
=
1
2
π
∫
−
π
π
∣
X
(
e
j
ω
)
∣
2
e
j
ω
m
d
ω
r
x
(
0
)
=
1
2
π
∫
−
π
π
∣
X
(
e
j
ω
)
∣
2
d
ω
(26)
r_{x}(m)=\operatorname{IFT}[\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^2]=\frac{1}{2 \pi} \int_{-\pi}^{\pi}\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^{2} \mathrm{e}^{\mathrm{j} \omega m} \mathrm{d} \omega \tag{26}\\[8pt] {r_{x}(0)=\frac{1}{2 \pi} \int_{-\pi}^{\pi}\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^{2} \mathrm{d} \omega}
rx(m)=IFT[∣∣X(ejω)∣∣2]=2π1∫−ππ∣∣X(ejω)∣∣2ejωmdωrx(0)=2π1∫−ππ∣∣X(ejω)∣∣2dω(26)说明
x
(
n
)
x(n)
x(n) 的能量谱密度(简称为能量谱)为
∣
X
(
e
j
ω
)
∣
2
\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^{2}
∣∣X(ejω)∣∣2
将能量谱记作
G
x
(
ω
)
\color{blue}G_x(\omega)
Gx(ω),
x
(
n
)
x(n)
x(n) 的自相关函数与
x
(
n
)
x(n)
x(n) 的能量谱构成傅里叶变换对
G
x
(
ω
)
=
F
T
[
r
x
(
m
)
]
=
∣
X
(
e
j
ω
)
∣
2
r
x
(
m
)
=
IFT
[
G
x
(
ω
)
]
=
1
2
π
∫
−
π
π
G
x
(
ω
)
e
j
ω
m
d
ω
(27)
G_x(\omega)=\mathrm{FT}\left[r_{x}(m)\right]=\left|X\left(\mathrm{e}^{\mathrm{j} \omega}\right)\right|^{2}\tag{27}\\[8pt] r_{x}(m)=\operatorname{IFT}[G_x(\omega)]=\frac{1}{2 \pi} \int_{-\pi}^{\pi}G_x(\omega) \mathrm{e}^{\mathrm{j} \omega m} \mathrm{d} \omega
Gx(ω)=FT[rx(m)]=∣∣X(ejω)∣∣2rx(m)=IFT[Gx(ω)]=2π1∫−ππGx(ω)ejωmdω(27)由上可知,自相关函数仅保留了信号的幅频信息,而丢失了相位信息。因此,不能从
G
x
(
ω
)
G_x(\omega)
Gx(ω)或
r
x
(
m
)
r_x(m)
rx(m)回复原信号
x
(
n
)
x(n)
x(n),且
G
x
(
ω
)
G_x(\omega)
Gx(ω)非负
设
L
T
I
\mathrm{LTI}
LTI 系统的输入为
x
(
n
)
x(n)
x(n) ,输出为
y
(
n
)
y(n)
y(n),,由(27)及傅里叶变换的时域卷积定理可得到输出能量谱与输入能量谱的关系:
G
y
(
ω
)
=
F
T
[
r
y
(
m
)
]
=
∣
H
(
e
i
ω
)
∣
2
G
x
(
ω
)
(28)
G_y(\omega)=\mathrm{FT}\left[r_{y}(m)\right]=|H(e^{i\omega})|^2G_x(\omega)\tag{28}
Gy(ω)=FT[ry(m)]=∣H(eiω)∣2Gx(ω)(28)
对稳定系统, ∣ H ( e i ω ) ∣ 2 |H(e^{i\omega})|^2 ∣H(eiω)∣2存在,由此,从频域也证明了能量信号通过稳定系统后,其输出响应仍是能量信号
信号的功率谱
设
x
(
n
)
x(n)
x(n) 是平稳随机序列,其自相关函数为:
r
x
(
m
)
=
E
[
x
(
n
)
x
(
n
−
m
)
]
E
表统计平均
(29)
r_x(m)=E[x(n)x(n-m)]\color{blue}\qquad\text{$E$表统计平均}\tag{29}
rx(m)=E[x(n)x(n−m)]E表统计平均(29)
根据维纳-辛钦定理,当
x
(
n
)
x(n)
x(n) 的均值为零时,自相关函数
r
x
(
m
)
\color{blue}r_x(m)
rx(m)与功率谱密度
P
x
(
ω
)
\color{blue}P_x(\omega)
Px(ω)是一对傅里叶变换,即
P
x
(
ω
)
=
F
T
[
r
x
(
m
)
]
=
∑
m
=
−
∞
∞
r
x
(
m
)
e
−
j
ω
m
r
x
(
m
)
=
IFT
[
P
x
(
ω
)
]
=
1
2
π
∫
−
π
π
P
x
(
ω
)
e
j
ω
m
d
ω
(27)
P_x(\omega)=\mathrm{FT}\left[r_{x}(m)\right]=\sum^{\infty}_{m=-\infty}r_x(m)e^{-j\omega m}\tag{27}\\[8pt] r_{x}(m)=\operatorname{IFT}[P_x(\omega)]=\frac{1}{2 \pi} \int_{-\pi}^{\pi}P_x(\omega) \mathrm{e}^{\mathrm{j} \omega m} \mathrm{d} \omega
Px(ω)=FT[rx(m)]=m=−∞∑∞rx(m)e−jωmrx(m)=IFT[Px(ω)]=2π1∫−ππPx(ω)ejωmdω(27)维纳-辛钦定理揭示了从时间角度描述随机信号的统计规律和从频率角度描述随机信号的统计规律之间的关系
为什么将 P x ( ω ) P_x(\omega) Px(ω) 称为 x ( n x(n x(n) 的功率谱密度?
令
m
=
0
m=0
m=0,则:
r
x
(
0
)
=
1
2
π
∫
−
π
π
P
x
(
ω
)
d
ω
(29)
r_{x}(0)=\frac{1}{2 \pi} \int_{-\pi}^{\pi}P_x(\omega) \mathrm{d} \omega\tag{29}
rx(0)=2π1∫−ππPx(ω)dω(29)
由(5)、(11)可知,
r
x
(
0
r_x(0
rx(0)表示
x
(
n
)
x(n)
x(n) 的平均功率,(29)表明
P
x
(
ω
)
P_x(\omega)
Px(ω) 就是
x
(
n
x(n
x(n) 的功率谱密度,简称功率谱。工程上可以根据
P
x
(
ω
)
P_x(\omega)
Px(ω) 判断信号的有无及其频域信息。
x
(
n
)
x(n)
x(n) 是实信号时,
r
x
(
m
)
r_x(m)
rx(m)是实偶函数,故
P
x
(
ω
)
P_x(\omega)
Px(ω)也是实偶函数,即
P
x
(
−
ω
)
=
P
x
(
ω
)
P_x(-\omega)=P_x(\omega)
Px(−ω)=Px(ω)与能量谱一样,功率谱
P
x
(
ω
)
P_x(\omega)
Px(ω)也是非负的,且不包含相位信息
附录:理解自相关
案例 1
【
2
】
^{【2】}
【2】
一个20岁的人,把他从出生到20岁的各个阶段的照片组成一个照片信号
x
1
(
t
)
x_1(t)
x1(t),再将这些照片都复制一份构成另一复制信号
x
2
(
t
)
x_2(t)
x2(t).可以看到,两个信号是相同的,即
x
(
t
)
=
x
1
(
t
)
=
x
2
(
t
)
x(t)=x_1(t)=x_2(t)
x(t)=x1(t)=x2(t),两个照片信号的自相关函数:
R
(
τ
)
=
∫
−
∞
∞
x
1
(
t
)
x
2
(
t
−
τ
)
d
t
=
∫
−
∞
∞
x
(
t
)
x
(
t
−
τ
)
d
t
\color{green}R(\tau)=\int^\infty_{-\infty}x_1(t)x_2(t-\tau)dt=\int^\infty_{-\infty}x(t)x(t-\tau)dt
R(τ)=∫−∞∞x1(t)x2(t−τ)dt=∫−∞∞x(t)x(t−τ)dt
当时间延时
τ
=
0
\tau=0
τ=0时,两组照片中的所有照片实际上是与自己比较,此时的相关
R
(
0
)
R(0)
R(0)最大;如果时间延时
τ
≠
0
\tau\neq0
τ=0,相当于不同年龄时的照片进行比较,当然,不同年龄照片之间的相关性会减少,也就是说,随着一个人的长大,其各个年龄的照片与儿时的照片之间的相关性逐渐减少,甚至没有相关性了,这时,人们通常会说:“过了几年怎么认不出他了”。从这个案例可以理解“独立”一定不相关,而不相关不一定“独立”。