2014年8月23日 星期六

[系統理論] 透過 Fourier transform of correlation function 求隨機過程的頻譜

這次要介紹對於一個 隨機過程而言,如何對其討論 Fourier transform ?

給定 廣義平穩 (Wide-sense stationary (WSS) )隨機過程 $X_t$,其 autocorrelation function  僅與任意給定兩時刻 $t_1, t_2$之差有關,故我們定義
\[
E[X_{t_1} X_{t_2}] :=R_X(t_1 - t_2)
\]現在令 $t_1 = t + \tau$ 且 $t_2 = t$ 我們可將上式 autocorrelation function, $R_X(t_1 - t_2)$ 用一單變數函數改寫,記做 $R_X( \tau)$ 且滿足下列定義
\[
R_X(\tau) :=E[X_{t + \tau}X_{t}]
\]

我們可對 $R_X(\tau)$ 取 Fourier transform 如下
\[
S_X(f) := \int_{-\infty}^{\infty}R_X(\tau)e^{-j 2 \pi f \tau}d\tau
\]且 Inverse Fourier transform
\[
R_X(\tau) = \int_{-\infty}^{\infty}S_X(f) e^{j 2 \pi f \tau} d f
\]
Comment:
上述 $S_X(f)$ 又稱為功率頻譜密度( power spectral density ),我們會在以下說明。


隨機過程的功率 以及 功率頻譜 (Power Spectral and Power in Process)
為了解釋上述的結果現在我們從能量觀點來觀察一個隨機過程:
對一個隨機過程 $X_t$ 其 total energy 定義為
\[
\int_{-\infty}^{\infty} X_t^2dt
\] 而我們亦可定義 平均功率 (average power) 為
\[
\lim_{T \rightarrow \infty} \frac{1}{2T} \int_{-T}^{T} X_t^2 dt
\]但由於上述 total energy 與 average power 為對隨機過程平方做積分,其積分結果仍為隨機變數。故我們需加上期望值確保其不再隨機。故我們定義 期望平均功率(expected average power)
\[
P_X := E\left[ \lim_{T \rightarrow \infty} \frac{1}{2T} \int_{-T}^{T} X_t^2 dt \right]
\]對於 WSS 隨機過程,我們改寫上式 (透過 Fubini's theorm可以對換 期望值 與 積分順序。)
\[\begin{array}{l}
{P_X} = \mathop {\lim }\limits_{T \to \infty } \frac{1}{{2T}}\int_{ - T}^T {E\left[ {X_t^2} \right]} dt\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = \mathop {\lim }\limits_{T \to \infty } \frac{1}{{2T}}\int_{ - T}^T {{R_X}\left( {t - t} \right)} dt = \mathop {\lim }\limits_{T \to \infty } \frac{1}{{2T}}\int_{ - T}^T {{R_X}\left( 0 \right)} dt\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = \mathop {\lim }\limits_{T \to \infty } \frac{1}{{2T}}{R_X}\left( 0 \right)\int_{ - T}^T 1 dt\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = {R_X}\left( 0 \right)
\end{array}
\]由之前我們定義的對 WSS隨機過程之 Fourier transform (事實上這邊我們用 Inverse Fourier transform),可知
\[\begin{array}{l}
{R_X}(\tau ) = \int_{-\infty} ^\infty  {{S_X}} (f){e^{j2\pi f\tau }}df\\
 \Rightarrow {R_X}\left( 0 \right) = \int_{-\infty} ^\infty  {{S_X}} (f)df
\end{array}\]且由於我們有 $E[X_t^2] = R_X(t-t) = R_X(0)$,故總結以上結果,我們有
\[
P_X := E[X_t^2] = R_X(0) = \int_{-\infty} ^\infty  {{S_X}} (f)df
\]

注意到 $S_X(f)$ 為頻率的函數,故我們稱其為 spectral,且又如同機率 $P(\cdot)$ 為機率密度 $f$ 的積分 e.g., $P(X \in B)  =  \int_B f(x)dx $,對於 expected average power 而言
\[
{P_X} = \int_{-\infty} ^\infty  {{S_X}} (f)df
\]亦可發現 $S_X(\cdot)$ 扮演類似 機率密度的角色,故我們稱之為 spectral density。

以下我們羅列幾個重要的已知結果:

========================
FACT 1: WSS 隨機過程的 autocorrelation function $R_X(t)$ 確實為 real even function ($R_X(t)$ 為實 偶函數)。
========================

Proof: 
由 $R_X(\tau)$ 之定義 $E[X_{t + \tau}X_t]$  可知其為 real function,故我們僅須證明其亦為 even function,也就是要證明 $R_X(\tau) = R_X(-\tau)$,故我們寫下
\[\begin{array}{l}
{R_X}\left( \tau  \right) = {R_X}\left( {\left( {t + \tau } \right) - t} \right)\\
\begin{array}{*{20}{c}}
{}&{}&{}
\end{array} = E\left[ {{X_{t + \tau }}{X_t}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}
\end{array} = E\left[ {{X_t}{X_{t + \tau }}} \right] = {R_X}\left( {t - \left( {t + \tau } \right)} \right) = {R_X}\left( { - \tau } \right)  \ \ \ \ \square
\end{array}\]

========================
FACT 2: 令WSS 隨機過程 $X_t$ 的 autocorrelation function $R_X(\tau)$ ,則對任意 $\tau$,
\[
|R_X(\tau)| \le R(0)
\]========================

Proof: 
我們要證明 $R(0)$ 確實為 $R_X(\tau)$ 的最大值。現在觀察
\[|{R_X}(\tau )| = |E[{X_{t + \tau }}{X_t}]|
\]由 Cauchy-Schwarz inequality $|E[XY]|^2 \le E[X^2]E[Y^2]$ 可知
\[\begin{array}{l}
|{R_X}(\tau )| = |E[{X_{t + \tau }}{X_t}]|\\
\begin{array}{*{20}{c}}
{}&{}&{}
\end{array} \le \sqrt {E[{X_{t + \tau }}^2]E[{X_t}^2]}
\end{array}\]且 $ {R_X}(0) = \underbrace {E[X_t^2]}_{ \ge 0} = \underbrace {E[{X_{t + \tau }}^2]}_{ \ge 0} \ge 0$ 我們可得
\[{R_X}(0) \ge \sqrt {{R_X}^2\left( 0 \right)}  = {R_X}\left( 0 \right) \ \ \ \ \square
\]


透過上述結果 (FACT 1 )我們可以證明 $S_X(f)$ 亦為 real and even function。

========================
FACT 2:
$S_X(f)$ 為 real even function
========================

Proof
利用 Euler formula: $e^{j \omega t} = \cos(\omega t) + j \sin (\omega t)$,我們可改寫 $S_X(f)$
\[\begin{array}{l}
{S_X}(f): = \int_{ - \infty }^\infty  {{R_X}} (\tau ){e^{ - j2\pi f\tau }}d\tau \\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \int_{ - \infty }^\infty  {{R_X}} (\tau )\cos \left( {2\pi f\tau } \right)d\tau  + j\int_{ - \infty }^\infty  {{R_X}} (\tau )\sin \left( {2\pi f\tau } \right)d\tau \ \ \ \ (*)
\end{array}
\]由 FACT 1 於 $R_X(\tau)$ 為 real 且 even。且 $\cos(2 \pi f \tau)$ 為 even function,$\sin( 2 \pi f \tau)$ 為 odd function,故我們可推知

${R_X}(\tau )\cos \left( {2\pi f\tau } \right)$ 為 even function

${R_X}(\tau )\sin \left( {2\pi f\tau } \right)$ 為 odd function

又注意到 $(*)$ 中 等號右方第二個積分式:
\[
\int_{ - \infty }^\infty  {{R_X}} (\tau )\sin \left( {2\pi f\tau } \right)d\tau
\] 其中的 integrand 為 real odd function,故積分值為 $0$,亦即 $(*)$ 式變為
\[
S_X(f) = \int_{ - \infty }^\infty  {{R_X}} (\tau )\cos \left( {2\pi f\tau } \right)d\tau
\]上式積分中的 integrand 為 real even function,故 $S_X(f)$ 亦為 real and even。 $\square$