【Derivation】维纳—辛钦公式证明
2016-09-05 23:01
1581 查看
Provement of Winner-Khintchine formula
Winner-Khintchine formula(维纳—辛钦公式 ):
维纳-辛钦定理证明
维纳-辛钦定理证明
维纳-辛钦定理证明
平稳随机信号的功率谱密度是由确定信号的能量谱密度及功率谱密度引申来的。
如果信号s(t)不满足∫∞−∞s(t)2dt<∞ ,但是满足
P=limT→+∞1Ts2(t)dt<∞
——称为 功率 信号。
对于功率信号,以下关系成立:
首先定义sT(t)={s(t) |t|≥T20 |t|≤T2
因此,信号的功率
p=limT→+∞1T∫T2−T2s2T(t)dt=limT→+∞1T12π∫T2−T2s2T(t)dt=limT→+∞1T12π∫T2−T2|ST(w)|2dw (Parseval Theorem)
其中,ST(w)=∫∞−∞sT(t)e−jwtdt
最后可得P=12π∫∞−∞limT→+∞|ST(w)|2Tdt
定义P(w)=limT→+∞|ST(w)|2T为功率信号%S(t)的功率谱密度。
对于平稳随机信号{x(t)},它的每一个样本x(k)(t),一般不满足能量信号的要求,但满足功率信号的要求,因此以下关系成立:X(k)T(w)=limT→+∞∫T2−T2xkT(t)ejwtdt
其中x(k)T(t)={x(k)(t) |t|≤T20 |t|>T2
样本x(k)(t)的功率谱密度为
P(k)X(w)=limT→+∞|ST(w)|2T
而12π∫P(k)Xdw=limT→∞∫T2−T2[s(k)(t)]2dt是s(k)(t)的平均功率.
由于s(k)(t)是[s(t)]的一个样本,因此P(k)X(w)也将随着不同的样本而变化。对于平稳随机信号来说,其最终定义的功率谱密度应该为PX(w)=E{P(k)X(w)}
而——大头来了
PX(w)=E{PkX}=E{limT→∞1T(w)2}=E{limT→∞∫T2−T2∫T2−T2x(k)(t2)e−jw(t1−t2)dt1dt2}=limT→∞∫T2−T2∫T2−T2RX(t1−t2)e−jw(t1−t2)dt1dt2
对于平稳随机信号
PX(w)=limT→∞∫T2−T2∫T2−T2s2T(t)dt1dt2
令τ=t1−t2,将上式的积分变量变换为τ和t2,有
PX(w)=limT→∞∫T−T∫T2−τ−T2−τRX(τ)e−jwτdτdt2 =limT→∞1T{∫T0∫T2−τ−T2−τRX(τ)e−jwτdτdt2+∫0−T∫T2+τ−T2−τRX(τ)e−jwτdτdt2} =limT→∞1T{∫T0(T−τ)RX(τ)e−jwτdτ+∫0−T(T+τ)RX(τ)e−jwτdτ} =limT→∞{∫T0(1−τT)e−jwτdτ+∫0−T(1+τT)e−jwτdτ =limT→∞{∫T−T(1−|τ|T)RX(τ)e−jwτdτ} =∫∞−∞RX(τ)e−jwτdτ
所以有
PX(w)=∫∞−∞RX(τ)e−jwτdτ
上式表明,平稳随机信号的功率谱密度及其自相关函数的傅里叶变换,而RX(τ)=12π∫∞−∞PX(w)Ejwτdw
平稳随机信号的功率谱密度及其自相关函数互为傅里叶变换对,这就是著名的Winner-Khintchine定理
Winner-Khintchine formula(维纳—辛钦公式 ):
|| **维纳-辛钦定理,又称维纳-辛钦-爱因斯坦定理或辛钦-柯尔莫哥洛夫定理。** || **该定理指出:宽平稳随机过程的功率谱密度是其自相关函数的傅立叶变换。
维纳-辛钦定理证明
维纳-辛钦定理证明
维纳-辛钦定理证明
平稳随机信号的功率谱密度是由确定信号的能量谱密度及功率谱密度引申来的。
如果信号s(t)不满足∫∞−∞s(t)2dt<∞ ,但是满足
P=limT→+∞1Ts2(t)dt<∞
——称为 功率 信号。
对于功率信号,以下关系成立:
首先定义sT(t)={s(t) |t|≥T20 |t|≤T2
因此,信号的功率
p=limT→+∞1T∫T2−T2s2T(t)dt=limT→+∞1T12π∫T2−T2s2T(t)dt=limT→+∞1T12π∫T2−T2|ST(w)|2dw (Parseval Theorem)
其中,ST(w)=∫∞−∞sT(t)e−jwtdt
最后可得P=12π∫∞−∞limT→+∞|ST(w)|2Tdt
定义P(w)=limT→+∞|ST(w)|2T为功率信号%S(t)的功率谱密度。
对于平稳随机信号{x(t)},它的每一个样本x(k)(t),一般不满足能量信号的要求,但满足功率信号的要求,因此以下关系成立:X(k)T(w)=limT→+∞∫T2−T2xkT(t)ejwtdt
其中x(k)T(t)={x(k)(t) |t|≤T20 |t|>T2
样本x(k)(t)的功率谱密度为
P(k)X(w)=limT→+∞|ST(w)|2T
而12π∫P(k)Xdw=limT→∞∫T2−T2[s(k)(t)]2dt是s(k)(t)的平均功率.
由于s(k)(t)是[s(t)]的一个样本,因此P(k)X(w)也将随着不同的样本而变化。对于平稳随机信号来说,其最终定义的功率谱密度应该为PX(w)=E{P(k)X(w)}
而——大头来了
PX(w)=E{PkX}=E{limT→∞1T(w)2}=E{limT→∞∫T2−T2∫T2−T2x(k)(t2)e−jw(t1−t2)dt1dt2}=limT→∞∫T2−T2∫T2−T2RX(t1−t2)e−jw(t1−t2)dt1dt2
对于平稳随机信号
PX(w)=limT→∞∫T2−T2∫T2−T2s2T(t)dt1dt2
令τ=t1−t2,将上式的积分变量变换为τ和t2,有
PX(w)=limT→∞∫T−T∫T2−τ−T2−τRX(τ)e−jwτdτdt2 =limT→∞1T{∫T0∫T2−τ−T2−τRX(τ)e−jwτdτdt2+∫0−T∫T2+τ−T2−τRX(τ)e−jwτdτdt2} =limT→∞1T{∫T0(T−τ)RX(τ)e−jwτdτ+∫0−T(T+τ)RX(τ)e−jwτdτ} =limT→∞{∫T0(1−τT)e−jwτdτ+∫0−T(1+τT)e−jwτdτ =limT→∞{∫T−T(1−|τ|T)RX(τ)e−jwτdτ} =∫∞−∞RX(τ)e−jwτdτ
所以有
PX(w)=∫∞−∞RX(τ)e−jwτdτ
上式表明,平稳随机信号的功率谱密度及其自相关函数的傅里叶变换,而RX(τ)=12π∫∞−∞PX(w)Ejwτdw
平稳随机信号的功率谱密度及其自相关函数互为傅里叶变换对,这就是著名的Winner-Khintchine定理
相关文章推荐
- 【Derivation】MarkDown Letex编码 之 维纳—辛钦公式证明 (Winner-Khintchine formula)
- 【Derivation】采样定理证明
- 【Derivation】正态分布特征函数证明-X~N(a,sigma^2)
- 【Derivation】MarkDown Letex编码 之 正态分布特征函数证明
- 机器证明介绍(1)
- Java 7.0证明:Java是海陆空全能的()
- 格子能卖出去,证明了Web 2.0盈利的可能性
- 如何证明C语言函数参数的转递是单值传递
- 15迷问题解空间的证明(15 puzzle)
- [原创]对《科学家别出心裁用数学计算证明不存在吸血鬼》的质疑!
- 经典谬论:用复数来证明1=2
- 零知识证明的几个例子
- Webmin-RPC 改造可行性证明
- 惨痛教训,事实证明ACER 4710无法使用双芯片的内置蓝牙
- 经典证明:质数无穷多与两个更强的命题
- “解答和题目一样长”:更多的一句话证明
- 3.2.1 线性同余法 证明:在形如X[n+1]=(aX[n]+c)%m的递推式中,如果a,m互素,则X[0]将总是出现在周期中。
- 一个难看的证明和一个漂亮的证明
- 经典证明:素数无穷多的拓扑学证明
- 证明,一个具有N个顶点的无向完全图的边数为N(N-1)/2