互、自相关函数,谱分析,k阶矩 《现代信号处理》

目录

一. 互相关函数

二. 自相关函数

2.1 自相关函数是一个偶函数

2.2 自相关函数在m=0时,取得最大值

2.3 极限性质

2.4 周期信号的自相关函数也是周期的,且与原信号周期相同

三. 互相关函数的性质

3.1 函数上界

3.2 极限相关

四. 谱分析

4.1 频谱

4.2 能量谱

4.3 功率谱

五. 随机信号的k阶矩


一. 互相关函数

信号y(n)延迟m个时间间隔后与x(n)的互相关函数定义如下:

r_{xy}(m)=\sum_{n=-\infty}^\infty x(n)y(n+m)

此定义可以理解为x(n)不动,y(n)左移m个时间单位后与x(n)对应相乘求和的结果。

调换x和y的位置,可得:

r_{yx}(m)=\sum_{n=-\infty}^\infty y(n)x(n+m)=\sum_{k=-\infty}^\infty x(k)y(k-m)=r_{xy}(-m)

理解其几何意义:

  • r_{yx}(m):y(n)不动,x(n)左移m个延迟单位与y(n)相乘求和的结果;
  • r_{xy}(-m):x(n)不动,y(n)右移m个延迟单位后与x(n)相乘求和,此时与r_{yx}(m)的几何意义是等效的;

关于延迟的图像理解如下:

若x(n)和y(n)是复信号,则相关函数定义如下:

r_{xy}(m)=\sum_{n=-\infty}^\infty x^*(n)y(n+m)

上式子中“*”表示取共轭的过程。

如果x(n)与y(n)是功率信号,那么元定义求出的结果趋于无限大,没有物理意义,此时相关函数修改为如下:

r_{xy}(m)=\lim_{N\to \infty}\frac{1}{2N+1}\sum_{n=-N}^N x(n)y(n+m)

二. 自相关函数

若y(n)=x(n),则互相关函数变成了自相关函数,如下:

r_{xx}(m)=\sum_{n=-\infty}^\infty x(n)x(n+m)

自相关函数反映了x(n)与自身左移m个时间单位后的信号x(n+m)的相似程度。 

若x(n)是功率信号,自相关函数定义为如下:

r_{xx}(m)=\lim_{N\to \infty}\frac{1}{2N+1}\sum_{n=-N}^N x(n)x(n+m)

2.1 自相关函数是一个偶函数

根据定义可得:

r_{xx}(-m)=\sum_{n=-\infty}^\infty x(n)x[n+(-m)]

令k=n-m,可得:

r_{xx}(-m)=\sum_{k=-\infty}^\infty x(k+m)x(k)=r_{xx}(m)

所以r_{xx}(m)是偶函数,即:

r_{xx}(-m)=r_{xx}(m)

2.2 自相关函数在m=0时,取得最大值

首先易得:

\sum_{n=-\infty}^\infty [x(n)\pm x(n+m)]^2\geq0

展开平方项,可得:

\sum_{n=-\infty}^\infty x^2(n)+\sum_{n=-\infty}^\infty x^2(n+m)\geq \pm2\sum_{n=-\infty}^\infty x(n)x(n+m)

化简左边形式,可得:

2\sum_{n=-\infty}^\infty x^2(n)\geq \pm2\sum_{n=-\infty}^\infty x(n)x(n+m)

所以可得:

r_{xx}(0)\geq \pm r_{xx}(m)

最终可得:

r_{xx}(0)\geq |r_{xx}(m)|

2.3 极限性质

若x(n)是能量信号,则有如下极限性质:

\lim_{|m|\to \infty}r_{xx}(m)=0

此极限可以理解成,能量有限信号随着时移量逐渐增加,其相关性就逐渐消失,可以从能量有限的角度来理解这个极限。感兴趣的小伙伴可以参考此本书,更加详细:

《信号数字处理的数学原理》 程乾生 石油工业出版社 1979年

2.4 周期信号的自相关函数也是周期的,且与原信号周期相同

假设x(n)的周期为2N+1,所以可得:

x(n)=x(2N+1+n)

由此可得:

\begin{align}r_{xx}(2N+1+m)&=\lim_{N\to \infty}\frac{1}{2N+1}\sum_{n=-\infty}^\infty x(n)x(n+m+2N+1)\\&=\lim_{N\to\infty}\frac{1}{2N+1}\sum_{n=-N}^N x(n)x(n+m)\\&=r_{xx}(m) \end{align}

三. 互相关函数的性质

r_{xy}(m)不是偶函数,但是满足如下关系:

r_{xy}(m)=r_{yx}(-m)

3.1 函数上界

r_{xy}(m)具有一个上界:

|r_{xy}(m)|\leq \sqrt{r_{xx}(0)r_{yy}(0)}

3.2 极限相关

若x(n)和y(n)是能量信号,那么有:

\lim_{|m|\to\infty}r_{xy}(m)=0

根据定义,r_{xy}(m)只包含了信号x(n)和y(n)的共有频率成分,所以只有当X(e^{j\omega})Y(e^{j\omega})都不为0时,P(e^{j\omega})才不为0。

四. 谱分析

4.1 频谱

假设x(n)为能量信号,则其傅氏Z变换称为x(n)的频谱,如下:

X(e^{j\omega})=\sum_{n=-\infty}^\infty x(n)e^{-j\omega n}

一般而言,上式为复函数,包含幅度谱和相位谱,如下:

4.2 能量谱

根据帕塞瓦尔定理,有:

根据自相关函数定义可得: 

 所以可得:

P_{xx}(e^{j\omega})=|X(e^{j\omega})|^2

此反映了信号能量E在频域的分布于,称之为信号的能量密度谱,简称能量谱。

4.3 功率谱

将功率信号x(n)进行截短,形成x_{2N}(n),如下:

x_{2N}(n)=\begin{cases}x(n)&|n|\leq N\\0&|n|>N \end{}

显然|X_{2N}(e^{j\omega})|x_{2N}(n)的能量谱,根据功率信号自相关函数,可得:

如果该极限可以求出来的话,根据维纳-辛钦定理,则称如下式子为功率密度谱:

S(e^{j\omega})=\lim_{N\to\infty}\frac{|X_{2N}(e^{j\omega})|^2}{2N+1}

功率密度谱也被简称为功率谱。

五. 随机信号的k阶矩

随机信号{x(t)}的k阶矩,定义为:

\mu(t_1,\cdots,t_k)=E\lbrace x(t_1),\cdots,x(t_k)\rbrace

由此,一阶矩与均值相关:

\mu(t)=E\lbrace x(t)\rbrace=\int_{-\infty}^\infty xf(x,t)dx

二阶矩与自相关函数相关:

R_x(t_1,t_2)=E\lbrace x(t_1)x^*(t_2)\rbrace

根据k阶矩是否与时间有关,可以把随机信号分成平稳随机信号和非平稳随机信号。 

猜你喜欢

转载自blog.csdn.net/forest_LL/article/details/124752320