4.4 平稳过程与谱分析：波动的频域护照

4.4 平稳过程与谱分析：波动的频域护照

本节摘要：平稳过程是"统计性质不随时间漂移"的过程，其全部二阶结构装在自协方差函数里；谱分析把它搬到频域，自协方差与功率谱互为傅里叶对偶。本节给出两档平稳定义、二阶理论的适用范围、功率谱的读法与白噪声的身份辨析，并以一个含周期成分信号的完整识别流程收尾——这是时间序列分析与信号处理共用的地基。

信号处理的工程师看一张脑电图，第一件事不是读波形而是问频谱：alpha 节律在不在？工频干扰有多强？时间序列分析师看一组月度销量，先看周期与季节性。两拨人做的是同一件事：把时间轴上的波动翻译成频率轴上的成分。能让这场翻译合法成立的前提，叫平稳性。

平稳的两档定义

严平稳：过程的全部有限维分布在时间平移下不变——把整条统计"录像"平移任意段，看到的分布一模一样。这是很强的要求，检验基本靠理论而非数据。

宽平稳（协方差平稳）：只要求均值恒定、自协方差只依赖时间差——E[X(t)] 为常数，Cov(X(s), X(t)) 只与 t − s 有关。工程与统计实践中九成的"平稳"指这一档。

两档的关系要背准：高斯过程里两者等价（二阶矩决定全部分布，1.2 节的协方差矩阵逻辑）；非高斯过程宽平稳不蕴含严平稳。另有一个高频混点：布朗运动不平稳——Var(W(t)) = t 随时间增长，均值虽恒定方差却漂移；但布朗增量平稳。给过程差分、去趋势常常是把不平稳数据"拉回平稳"的第一手段，ADF 之类的平稳性检验是时间序列工作流的标准开场。

自协方差函数：平稳过程的身份证

宽平稳过程的自协方差函数 γ(k) = Cov(X(t), X(t+k)) 只依赖滞后 k。它是相关性随间隔衰减的完整档案：衰减越快记忆越短，出现震荡说明有周期成分，永远不衰减到零提示长记忆。三条明星曲线先认个脸：

白噪声：γ(0) 之外全为零——任何两个不同时刻毫无关联，最彻底的"无记忆"。指数衰减型：γ(k) ∝ φ 的 k 次方——一阶自回归过程的指纹，越远越淡、指数遗忘。周期型：γ(k) 随 k 呈余弦起伏——里面藏着频率确定的周期成分。

图：三种典型自协方差曲线及其谱

谱分析：傅里叶对偶与功率谱

维纳–辛钦定理是频域视角的宪法：宽平稳过程的自协方差函数 γ(k) 与功率谱密度 S(f) 是一对傅里叶变换。功率谱把总方差按频率摊开——S(f) 在某频率高，说明该频率的成分贡献了大量波动；全谱平坦就是白噪声（"白"这个名字直接借自光学：全频段等强即白光）。

读谱的三个动作可以直接抄作业：看峰（谱峰位置即主导周期，峰高即该周期波动占比）；看斜（低频翘尾提示趋势或长记忆，高频翘尾提示高频噪声主导）；看谷（陷谷点常是滤波或采样造成的）。工程里"50 赫兹工频干扰""轴承故障特征频率"这类诊断结论，全部来自对谱峰位置的机械读取。

频域视角还有一份理论分红：布朗运动的增量谱是 1/f² 型（谱密度与频率平方成反比）——这与 4.1 节特征展开里振幅随频率衰减的形状完全对应。1/f 噪声家族（谱密度正比于频率负一次幂附近）在电子器件、心跳节律、音乐信号里大量出现，它们介于白噪声（平坦）与布朗（平方衰减）之间，常被用来诊断"长程相关的强度"。看到 1/f 别当玄学，它是"方差在频率对数轴上呈直线"的简写。

⚠️ 白噪声辨析：高斯白噪声说"分布正态"，白噪声只说"不相关"——两者是交叉概念而非同义词。同理，白噪声不必然平稳（独立不同分布的序列可以不相关却不平稳）。这三个词在文献里常被混写，读论文时要看作者的定义清单。

全流程识别：一段含周期信号的体检

背景：某厂房震动监测记录（每分钟一采样，共 1440 点），怀疑存在设备故障导致的周期冲击与背景噪声。操作流程四步：

第一步，平稳性检查。画滑动均值与滑动方差：均值线平、方差线平，通过宽平稳的目测关；若方差随时间爬升，先做对数或差分变换。

第二步，读自相关。样本自相关在滞后 20 与 40 处出现尖峰——周期约 20 分钟的成分现形（40 是 20 的二次谐波，互相印证）。

第三步，读谱。功率谱在对应频率处一根尖峰，其余区域接近平坦：结论为"白噪声背景 + 单一周期成分"，而非宽带故障谱。

第四步，量化与建议。按谱峰面积估计周期成分占总方差约三成，对照维护手册中该频率对应的部件（如某叶轮的转频），安排针对性检修而非整机停机。

import numpy as np

rng = np.random.default_rng(77)
n = 1440
t = np.arange(n)

# 造一段"白噪声 + 周期 20 分钟 + 漂移"的合成震动记录
signal = rng.normal(0, 1.0, n) + 2.0*np.sin(2*np.pi*t/20.0) + 0.002*t

# 第一步的代理：比较前后半段均值与方差
print(f"前半 均值 {signal[:n//2].mean():.3f} 方差 {signal[:n//2].var():.3f}")
print(f"后半 均值 {signal[n//2:].mean():.3f} 方差 {signal[n//2:].var():.3f}")
# 漂移会让后半均值明显抬高——先去趋势（减去线性拟合）再做谱分析

detrended = signal - np.polyval(np.polyfit(t, signal, 1), t)

# 第二步：样本自相关在滞后 20、40 处尖峰
x = detrended - detrended.mean()
acov = np.correlate(x, x, mode="full")[n-1:] / n
acf = acov / acov[0]
print(f"滞后 20 的自相关 {acf[20]:.3f}，滞后 19 {acf[19]:.3f}，滞后 40 {acf[40]:.3f}")

# 第三步：功率谱找峰
freq = np.fft.rfftfreq(n)
psd = np.abs(np.fft.rfft(x))**2
peak = freq[1:][np.argmax(psd[1:])]
print(f"谱峰频率 {peak:.4f}，对应周期 {1/peak:.1f} 分钟")
# 典型输出：周期 20.0 分钟的峰被干净捞出；背景近似平坦——四步流程全程闭合
​

变式：若读谱发现低频大片翘尾且自相关迟迟不衰减，结论换成长记忆或单位根，处理路线从"滤周期"换成"差分建 ARIMA"——同一套体检，不同处方。频域视角的价值正在于此：它把"数据看起来乱"翻译成"能量在哪些频率"的可判定问题。

术语对照表：同一件事的两套行话

时间序列统计与信号处理各有一套词汇，读文献时按这张表换算：

这张表的实用价值在协作场景：数据科学家与硬件工程师对齐口径时，把"自协方差衰减快"翻译成"信号时间常数短"，讨论效率立刻上一个台阶。读两类文献的入门者建议把它贴在手边——术语差异造成的误解，比方法差异造成的更多。

本节要点回顾

• 严平稳看全部分布，宽平稳只看均值与协方差；高斯世界里两者等价。
• 自协方差函数是身份证：衰减速度、周期起伏、长尾不衰各有含义。
• 维纳–辛钦对偶：功率谱是自协方差的傅里叶变换，方差按频率摊开。
• 读谱三动作：看峰定周期、看斜定记忆、看谷查滤波。
• 白噪声三个易混点：白不等于高斯，高斯不必然白，白也不必然平稳。
• 布朗增量谱是 1/f² 型，连接 4.1 的构造与本节的频域语言。

频域的护照盖完章，回到时域办最后一件事：给不可微的路径重新发明微积分——伊藤积分与伊藤引理。