8.2随机信号通过LTI系统

8.2随机信号通过LTI系统

8.2 随机信号通过 LTI 系统

当一个随机信号通过一个线性时不变 (LTI) 系统时，系统的输出也是一个随机信号。理解输入输出信号之间的关系，包括均值、自相关函数、功率谱密度等，对于分析和设计信号处理系统至关重要。

8.2.1 LTI 系统的基本概念回顾

在深入研究随机信号通过 LTI 系统之前，我们先简要回顾 LTI 系统的基本概念：

• 线性性： 如果输入信号是多个信号的线性组合，那么输出信号也是对应输入的线性组合。

• 时不变性： 如果输入信号延迟一段时间，那么输出信号也会延迟相同的时间，系统的特性不随时间变化。

• 单位冲激响应： LTI 系统的特性完全由其单位冲激响应 h(t) (连续时间系统) 或 h[n] (离散时间系统) 决定。

• 卷积： LTI 系统的输出可以通过输入信号与单位冲激响应的卷积来计算。

8.2.2 随机信号通过 LTI 系统的输出

假设一个广义平稳 (WSS) 随机信号 X(t) 或 X[n] 通过一个 LTI 系统，其单位冲激响应为 h(t) 或 h[n]。

• 连续时间系统： 输出信号 Y(t) 可以表示为输入信号与单位冲激响应的卷积：

  Y(t) = X(t) * h(t) = \int_{-\infty}^{\infty} X(\tau) h(t-\tau) d\tau

• 离散时间系统： 输出信号 Y[n] 可以表示为输入信号与单位冲激响应的卷积：

  Y[n] = X[n] * h[n] = \sum_{k=-\infty}^{\infty} X[k] h[n-k]

8.2.3 输出信号的均值

• 连续时间系统： 输出信号的均值 E[Y(t)] 可以表示为：

  E[Y(t)] = E\left[\int_{-\infty}^{\infty} X(\tau) h(t-\tau) d\tau\right] = \int_{-\infty}^{\infty} E[X(\tau)] h(t-\tau) d\tau

  由于 X(t) 是 WSS 信号，所以 E[X(\tau)] = \mu_X，是一个常数。因此，

  E[Y(t)] = \mu_X \int_{-\infty}^{\infty} h(t-\tau) d\tau = \mu_X \int_{-\infty}^{\infty} h(\tau) d\tau = \mu_X H(0)

  其中 H(0) 是系统在频率为 0 时的频率响应，也就是单位冲激响应的傅里叶变换在 0 处的值。

• 离散时间系统： 输出信号的均值 E[Y[n]] 可以表示为：

  E[Y[n]] = E\left[\sum_{k=-\infty}^{\infty} X[k] h[n-k]\right] = \sum_{k=-\infty}^{\infty} E[X[k]] h[n-k]

  由于 X[n] 是 WSS 信号，所以 E[X[k]] = \mu_X，是一个常数。因此，

  E[Y[n]] = \mu_X \sum_{k=-\infty}^{\infty} h[n-k] = \mu_X \sum_{k=-\infty}^{\infty} h[k] = \mu_X H(0)

  其中 H(0) 是系统在频率为 0 时的频率响应，也就是单位冲激响应的离散时间傅里叶变换 (DTFT) 在 0 处的值。

总结： 输出信号的均值等于输入信号的均值乘以系统在直流 (0 频率) 时的增益。

8.2.4 输出信号的自相关函数

• 连续时间系统： 输出信号的自相关函数 R_Y(t_1, t_2) 定义为：

  R_Y(t_1, t_2) = E[Y(t_1)Y(t_2)] = E\left[\int_{-\infty}^{\infty} X(\tau_1) h(t_1-\tau_1) d\tau_1 \int_{-\infty}^{\infty} X(\tau_2) h(t_2-\tau_2) d\tau_2\right]

  交换积分和期望的顺序：

  R_Y(t_1, t_2) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} E[X(\tau_1)X(\tau_2)] h(t_1-\tau_1) h(t_2-\tau_2) d\tau_1 d\tau_2

  由于 X(t) 是 WSS 信号，所以 E[X(\tau_1)X(\tau_2)] = R_X(\tau_1 - \tau_2)。 令 \tau = t_1 - t_2，则

  R_Y(\tau) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} R_X(\tau_1 - \tau_2) h(t_1-\tau_1) h(t_2-\tau_2) d\tau_1 d\tau_2

  令 u = \tau_1 - \tau_2， 并且假设t_1 - \tau_1 = v, t_2 - \tau_2 = t_1 - \tau - \tau_2 = v - \tau , 则

  R_Y(\tau) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} R_X(u) h(v) h(v-\tau) du dv
  R_Y(\tau) = \int_{-\infty}^{\infty} R_X(u) \left[ \int_{-\infty}^{\infty} h(v) h(v-\tau) dv \right]du
  R_Y(\tau) = R_X(\tau) * h(\tau) * h(-\tau)

  即输出自相关函数是输入自相关函数与系统冲激响应以及冲激响应反转后的卷积。

• 离散时间系统： 输出信号的自相关函数 R_Y[n_1, n_2] 定义为：

  R_Y[n_1, n_2] = E[Y[n_1]Y[n_2]] = E\left[\sum_{k_1=-\infty}^{\infty} X[k_1] h[n_1-k_1] \sum_{k_2=-\infty}^{\infty} X[k_2] h[n_2-k_2]\right]

  交换求和和期望的顺序：

  R_Y[n_1, n_2] = \sum_{k_1=-\infty}^{\infty} \sum_{k_2=-\infty}^{\infty} E[X[k_1]X[k_2]] h[n_1-k_1] h[n_2-k_2]

  由于 X[n] 是 WSS 信号，所以 E[X[k_1]X[k_2]] = R_X[k_1 - k_2]。 令 m = n_1 - n_2，则

  R_Y[m] = \sum_{k_1=-\infty}^{\infty} \sum_{k_2=-\infty}^{\infty} R_X[k_1 - k_2] h[n_1-k_1] h[n_2-k_2]

  类似地，可以证明：

  R_Y[m] = R_X[m] * h[m] * h[-m]

总结： 输出信号的自相关函数是输入信号的自相关函数与系统的单位冲激响应及其反转形式的卷积。这意味着输出信号也是 WSS 的。

8.2.5 输出信号的功率谱密度 (PSD)

• 连续时间系统： 输出信号的功率谱密度 S_Y(f) 是输出信号自相关函数 R_Y(\tau) 的傅里叶变换：

  S_Y(f) = \mathcal{F}\{R_Y(\tau)\} = \mathcal{F}\{R_X(\tau) * h(\tau) * h(-\tau)\}

  根据傅里叶变换的卷积定理：

  S_Y(f) = S_X(f) H(f) H(-f) = S_X(f) |H(f)|^2

  其中 S_X(f) 是输入信号的功率谱密度，H(f) 是系统的频率响应。

• 离散时间系统： 输出信号的功率谱密度 S_Y(e^{j\omega}) 是输出信号自相关函数 R_Y[m] 的离散时间傅里叶变换 (DTFT)：

  S_Y(e^{j\omega}) = \text{DTFT}\{R_Y[m]\} = \text{DTFT}\{R_X[m] * h[m] * h[-m]\}

  根据 DTFT 的卷积定理：

  S_Y(e^{j\omega}) = S_X(e^{j\omega}) H(e^{j\omega}) H(e^{-j\omega}) = S_X(e^{j\omega}) |H(e^{j\omega})|^2

  其中 S_X(e^{j\omega}) 是输入信号的功率谱密度，H(e^{j\omega}) 是系统的频率响应。

总结： 输出信号的功率谱密度等于输入信号的功率谱密度乘以系统频率响应的幅度平方。 这表明 LTI 系统改变了信号的频率成分的幅度，但不引入新的频率成分。

8.2.6 互相关函数

输入信号和输出信号之间的互相关函数也很重要。

• 连续时间系统： 输入和输出的互相关函数 R_{XY}(\tau) 定义为：

  R_{XY}(\tau) = E[X(t)Y(t+\tau)] = E\left[X(t) \int_{-\infty}^{\infty} X(u)h(t+\tau - u)du\right]
  R_{XY}(\tau) = \int_{-\infty}^{\infty} E[X(t)X(u)]h(t+\tau - u)du = \int_{-\infty}^{\infty} R_X(t - u)h(t+\tau - u)du

  令 v = u - t, 则

  _{XY}(\tau) = \int_{-\infty}^{\infty} R_X(-v)h(\tau - v)dv = \int_{-\infty}^{\infty} R_X(v)h(\tau - v)dv
  R_{XY}(\tau) = R_X(\tau) * h(\tau)

• 离散时间系统： 输入和输出的互相关函数 R_{XY}[m] 定义为：

  R_{XY}[m] = E[X[n]Y[n+m]] = E\left[X[n] \sum_{k=-\infty}^{\infty} X[k]h[n+m - k]\right]
  R_{XY}[m] = \sum_{k=-\infty}^{\infty} E[X[n]X[k]]h[n+m - k] = \sum_{k=-\infty}^{\infty} R_X[n - k]h[n+m - k]

  令 l = k - n, 则

  _{XY}[m] = \sum_{l=-\infty}^{\infty} R_X[-l]h[m - l] = \sum_{l=-\infty}^{\infty} R_X[l]h[m - l]
  R_{XY}[m] = R_X[m] * h[m]

总结： 输入和输出的互相关函数等于输入自相关函数与系统冲激响应的卷积。

8.2.7 总结与应用

随机信号通过 LTI 系统后，输出信号的统计特性与输入信号的统计特性和系统的特性密切相关。

• 如果输入是 WSS，则输出也是 WSS。

• 输出的均值是输入的均值乘以系统在 DC 的增益。

• 输出的自相关函数是输入自相关函数与系统冲激响应及其反转的卷积。

• 输出的功率谱密度是输入功率谱密度乘以系统频率响应幅度平方。

应用：

• 噪声消除： 通过设计合适的滤波器 (LTI 系统)，可以衰减特定频率范围内的噪声，从而提高信号的信噪比。

• 信道均衡： 在通信系统中，信道会对信号产生失真。通过设计均衡器 (LTI 系统)，可以补偿信道的失真，恢复原始信号。

• 信号检测： 利用 LTI 系统对信号进行滤波，可以突出信号的特征，从而更容易检测到信号的存在。

流程图示例 (使用 Mermaid):

代码示例 (Python):

import numpy as np
import matplotlib.pyplot as plt
# 离散时间信号通过LTI系统示例
# 1. 定义输入信号 (WSS 噪声)
N = 1000
mean = 0
variance = 1
x = np.random.normal(mean, np.sqrt(variance), N)
# 2. 定义 LTI 系统 (简单的移动平均滤波器)
M = 5  # 滤波器长度
h = np.ones(M) / M
# 3. 计算输出信号 (卷积)
y = np.convolve(x, h, mode='same')  # 使用 'same' 模式保持长度不变
# 4. 计算统计特性
mean_x = np.mean(x)
mean_y = np.mean(y)
# 自相关函数 (估计)
def autocorr(signal):
    result = np.correlate(signal, signal, mode='full')
    return result[result.size//2:]
r_x = autocorr(x)
r_y = autocorr(y)
# 功率谱密度 (使用 Welch 方法估计)
from scipy.signal import welch
f_x, s_x = welch(x)
f_y, s_y = welch(y)
# 5. 绘图
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1)
plt.plot(x)
plt.title('Input Signal X[n]')
plt.subplot(2, 2, 2)
plt.plot(y)
plt.title('Output Signal Y[n]')
plt.subplot(2, 2, 3)
plt.plot(r_x)
plt.title('Autocorrelation of X[n]')
plt.subplot(2, 2, 4)
plt.plot(r_y)
plt.title('Autocorrelation of Y[n]')
plt.tight_layout()
plt.show()
plt.figure(figsize=(8, 6))
plt.plot(f_x, s_x, label='PSD of X[n]')
plt.plot(f_y, s_y, label='PSD of Y[n]')
plt.xlabel('Frequency')
plt.ylabel('PSD')
plt.title('Power Spectral Density')
plt.legend()
plt.grid(True)
plt.show()
print(f"Mean of Input: {mean_x}")
print(f"Mean of Output: {mean_y}")
​

总结

理解随机信号通过 LTI 系统的行为是信号处理领域的基础。 通过分析输入输出信号的均值、自相关函数和功率谱密度，我们可以设计和优化各种信号处理系统，以实现特定的目标，例如噪声消除、信道均衡和信号检测。 本文详细阐述了这些概念，并提供了代码示例以供参考。