通信工程 / 系统课时

功率谱密度

功率谱密度

随机信号通常不能用一次傅里叶变换稳定描述频率组成。功率谱密度把随机过程的平均功率分解到频率轴上,使我们能够判断功率集中在哪些频段,并进一步计算噪声功率和系统输出功率。

学习目标

  • 理解功率谱密度描述的是单位频宽内的平均功率分布
  • 掌握自相关函数与功率谱密度之间的维纳—辛钦关系
  • 能通过频带积分计算随机信号在指定频段内的平均功率

为什么随机信号需要功率谱密度

确定性有限能量信号可以直接通过傅里叶变换观察频谱,但平稳随机信号往往持续存在,总能量趋于无穷,因此更适合讨论平均功率而不是总能量。功率谱密度(Power Spectral Density,PSD)正是把平均功率按照频率进行分配的工具。

记随机过程为 X(t)X(t),其功率谱密度写作 SX(f)S_X(f)。在频率区间 [f1,f2][f_1,f_2] 内的平均功率为

P[f1,f2]=∫f1f2SX(f) dfP_{[f_1,f_2]}=\int_{f_1}^{f_2}S_X(f)\,df

因此,SX(f)S_X(f) 本身不是某个频率点的功率,而是单位频宽包含多少功率。如果信号量纲是伏特,在单位电阻归一化分析中常见的 PSD 单位可写成 V2/Hz\mathrm{V^2/Hz};直接描述功率时则可使用 W/Hz\mathrm{W/Hz}。

自相关如何变成频谱

对广义平稳随机过程,自相关函数 RX(τ)R_X(\tau) 描述相隔 τ\tau 时间的两个样本之间具有多强的统计相关性。维纳—辛钦定理指出,自相关函数与功率谱密度构成傅里叶变换对:

SX(f)=∫−∞∞RX(τ)e−j2πfτ dτS_X(f)=\int_{-\infty}^{\infty}R_X(\tau)e^{-j2\pi f\tau}\,d\tau

反过来,

RX(τ)=∫−∞∞SX(f)ej2πfτ dfR_X(\tau)=\int_{-\infty}^{\infty}S_X(f)e^{j2\pi f\tau}\,df

这条关系把两个观察角度连接起来:自相关从时间间隔观察随机信号的统计结构,功率谱密度则从频率观察同一结构的功率分布。特别地,令 τ=0\tau=0,就得到总平均功率

RX(0)=∫−∞∞SX(f) dfR_X(0)=\int_{-\infty}^{\infty}S_X(f)\,df

自相关函数与功率谱密度的对应关系

用积分读取频带功率

假设某随机信号的双边功率谱在 −1 kHz≤f≤1 kHz-1\,\mathrm{kHz}\leq f\leq1\,\mathrm{kHz} 内恒为 2 μW/Hz2\,\mu\mathrm{W/Hz},其他频率为零。频带总宽度为 2 kHz2\,\mathrm{kHz},因此平均功率为

P=2×10−6×2000=4×10−3 W=4 mWP=2\times10^{-6}\times2000=4\times10^{-3}\,\mathrm{W}=4\,\mathrm{mW}

这个计算体现了 PSD 最直接的用法:频谱曲线下面积就是对应频带的平均功率。若只关心一部分频率,就只在该频段积分,而不是把整个频谱全部相加。

PSD 经过系统会怎样变化

若平稳随机信号 X(t)X(t) 通过稳定的线性时不变系统,系统频率响应为 H(f)H(f),输出为 Y(t)Y(t),则输出功率谱密度满足

SY(f)=∣H(f)∣2SX(f)S_Y(f)=|H(f)|^2S_X(f)

这意味着系统对某个频率的幅度衰减为 ∣H(f)∣|H(f)| 时,该频率处的功率要乘以 ∣H(f)∣2|H(f)|^2。滤波器因此不仅改变波形,也会重新塑造随机信号或噪声的功率分布。

不要把功率谱与普通频谱混为一谈

普通傅里叶频谱更关注一个确定信号包含哪些频率分量;功率谱密度则关注随机或功率型信号的平均功率怎样分布在频率上。遇到持续噪声、随机过程和接收机噪声分析时,通常应优先想到 PSD、自相关和频带积分这三者之间的关系。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

功率谱密度

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通