现代信号处理 16 - 谱表示与PSWF表示

Posted Ciaran-byte

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了现代信号处理 16 - 谱表示与PSWF表示相关的知识,希望对你有一定的参考价值。

谱表示与长球面波函数PSWF

1. 问题引入

  这一部分会引入PSWF (Prolate Spherical Wave Function)的方法进行谱估计。我们这里会使用到特征函数这个重要概念

Prolate Spherical Wave Function \\textProlate Spherical Wave Function Prolate Spherical Wave Function

  首先,我们对随机信号的谱分析进行一下回顾。

  与确定信号相比,由于随机信号的傅里叶变换存在不收敛的问题,因此,我们没有办法把确定性信号的傅里叶分析方法使用在随机信号上。

  但是我们前面也介绍过,为了解决这个问题,我们可以使用两个思路

  第一个思路是使用功率谱密度的方法,但是相对于频谱,使用功率谱密度损失也会非常大。首先,功率谱密度是个二阶量,这样就意味着二阶量没有线性形式。其次, 这个变换是不保真的,损失了相位信息,变换是不可逆的。不过功率谱密度最终可以得到一个良好的性质

  第二个思路就是使用谱表示的方法。谱表示更加接近随机过程的表示方法,我们会在这里对谱表示进行一个适当的介绍,并且基于谱表示介绍基于PSWF的方法进行谱估计。

  谱表示(Spectral Representation)一般认为是瑞典学者Cramer首先研究的。

Spectral Representation \\textSpectral Representation Spectral Representation

2. 随机矢量去相关化与KL展开

  我们首先从一个随机矢量的去相关化问题开始介绍。

  假设我们有一个随机矢量Z,Z的各个维度都是随机变量

Z = ( z 1 , . . . , z n ) T ∈ R n z k r . v . E ( z i z j ) = r i j = 0 Z = (z_1,...,z_n)^T \\in R^n \\quad z_k \\quad r.v. \\quad \\\\ E(z_iz_j) = r_ij \\cancel = 0 Z=(z1,...,zn)TRnzkr.v.E(zizj)=rij= 0

  一般来说随机矢量都是有相关性的,也就是zk不但是随机变量,并且彼此之间是相关的。

  但是现在我们希望能够找到一个函数,一个从n维空间映射到n维空间的函数,使得随机矢量Z映射成为另外一个随机矢量,并且这个随机矢量的各个分量之间没有相关性

g : R n → R n Y = g ( Z ) → E ( Y i Y j ) = r i δ i j = r i i = j 0 i = j g:R^n \\rightarrow R^n \\\\ Y = g(Z) \\rightarrow E(Y_iY_j) = r_i \\delta_ij =\\begincases r_i & i =j \\\\ 0 & i \\cancel = j \\endcases g:RnRnY=g(Z)E(YiYj)=riδij=ri0i=ji= j

  我们做的这个映射叫做白化,也叫做正交化

Whitening Orthogonal \\textWhitening \\\\ \\textOrthogonal WhiteningOrthogonal

  这里我们把映射g简化为线性变换

g ( Z ) = A Z A ∈ R n ∗ n Y = A Z E ( Y i Y j ) = r i δ i j g(Z) = AZ \\quad A \\in R^n*n \\\\ Y = AZ \\\\ E(Y_iY_j) = r_i \\delta_ij g(Z)=AZARnnY=AZE(YiYj)=riδij

  这看起来像是个欠定问题,因为方程A中有n*n个未知数,而方程只有n*(n-1)/2个

  我们求一下Y的相关矩阵

Y = A Z ⇒ R Y = E ( Y Y T ) = E ( A Z Z T A ) = A E ( Z Z T ) A T = A R Z A T Y = AZ \\Rightarrow R_Y = E(YY^T)=E(AZZ^TA) = AE(ZZ^T)A^T =A R_Z A^T Y=AZRY=E(YYT)=E(AZZTA)=AE(ZZT)AT=ARZAT

  如果不相关,那么Y的相关矩阵应该是一个对角阵

R Y = A R Z A T = Λ Λ = d i a g ( i ) R_Y=A R_Z A^T = \\Lambda \\quad \\Lambda = diag \\quad\\quad(i) RY=ARZAT=ΛΛ=diag(i)

  由于RZ是一个可三角化的对称矩阵,可以做特征分解(谱分解),得到一个正交的特征矩阵

R Z = U Λ U T R_Z= U \\Lambda U^T RZ=UΛUT

  该式子可以化为

U T R Z U = Λ = d i a g ( λ 1 , . . . , λ n ) ( i i ) U^T R_Z U= \\Lambda = diag( \\lambda_1,...,\\lambda_n) \\quad\\quad(ii) UTRZU=Λ=diag(λ1,...,λn)(ii)

  对比(i)和(ii),我们可以求得这个线性变换A

A = U T U = ( u 1 , . . . , u n ) A = U^T \\\\ U = (u_1,...,u_n) A=UTU=(u1,...,un)

  基于这种方法,我们就得到了随机矢量的去相关化

Y = A Z ⇒ Y = U T Z ⇒ Z = U Y ⇒ Z = ∑ k = 1 n y k u k Y = AZ \\Rightarrow Y = U^T Z \\Rightarrow Z = UY \\Rightarrow Z = \\sum_k=1^ny_ku_k Y=AZY=UTZZ=UYZ=k=1nykuk

  我们发现,我们可以使用一组正交规范基去对Z进行展开。其中U是正交规范基

  y是个标量,也是个随机变量,y在随机变量空间中,同样也是正交的

  因此这里对Z的展开是一个正交展开,我们把这个展开叫做Karhumen-Loeve expansion

Karhumen-Loeve expansion  \\textKarhumen-Loeve expansion Karhumen-Loeve expansion 

3. 随机过程的KL展开与谱表示

3.1 泛函分析概述

  在了解了随机矢量的KL展开之后,我们现在希望把研究的问题从随机矢量扩展到随机过程上去

Z ( t ) = ∑ k = − ∞ + ∞ α k ϕ k ( t ) Z(t) = \\sum_k=-\\infty^+\\infty \\alpha_k \\phi_k(t) Z(t)=随机过程 4 -随机过程的频域分析2 - 谱表示

北斗系统C频段导航信号的波形设计_爱学术

现代信号处理 15 - 谱分析基础和周期图谱分析

gdb signal 转

Python科学计算——复杂信号FFT

现代信号处理与应用