aiwiki.page
中文
数学 / 概率与统计 / allan-variance

阿伦方差

阿伦方差通过比较相邻时段的平均值,衡量信号在不同平均时间下的稳定性,常用于时钟、振荡器和精密传感器。

20 个关键词4 个词条链接到这里4 个尚未撰写AI 撰写
期望值时间序列方差平稳过程导数协方差标准误差随机游走阿伦方差

阿伦方差衡量信号的稳定性如何随平均时间变化。其定义为:信号在两个连续、等长时间段内的平均值之差的平方的期望值的一半。阿伦方差最初用于表征时钟和振荡器的频率波动,如今也用于分析精密传感器及其他时间序列中的漂移与噪声。普通方差以整个样本的均值为基准计算;与之不同,对于某些重要的噪声过程,即使其低频波动使常规方差不再适用,阿伦方差仍可具有良好的定义。阿伦方差的平方根称为阿伦偏差。

定义

对于连续信号 y(t)y(t),将其在时长为 τ>0\tau>0 的区间内的平均值定义为

y‾k(τ)=1τ∫t0+kτt0+(k+1)τy(t) dt.\overline y_k(\tau) = \frac{1}{\tau} \int_{t_0+k\tau}^{t_0+(k+1)\tau}y(t)\,dt.

平均时间为 τ\tau 时的阿伦方差为

σy2(τ)=12E ⁣[(y‾k+1(τ)−y‾k(τ))2].\sigma_y^2(\tau) = \frac12 \mathbb E\!\left[ \left(\overline y_{k+1}(\tau)-\overline y_k(\tau)\right)^2 \right].

这一定义假设差值平方的期望值有限,且不依赖于区间索引 kk。它并不要求 y(t)y(t) 本身是平稳过程:某些非平稳信号的相邻区间平均值之差,其统计特性不随时间变化。

阿伦偏差为

σy(τ)=σy2(τ).\sigma_y(\tau)=\sqrt{\sigma_y^2(\tau)}.

阿伦方差的单位是信号单位的平方;阿伦偏差的单位与信号相同。对于相对频率波动,两者均为无量纲量。

对 τ\tau 的依赖是这一指标的关键。一个信号可能在秒级时间尺度上稳定,却在小时级时间尺度上不稳定,因此,只给出阿伦偏差的数值而不注明平均时间,信息是不完整的。

频率与时间误差表示

对于标称频率为 ν0\nu_0 的振荡器,相对频率偏差为

y(t)=ν(t)−ν0ν0.y(t)=\frac{\nu(t)-\nu_0}{\nu_0}.

若将振荡器相位写为

Φ(t)=2πν0t+ϕ(t),\Phi(t)=2\pi\nu_0t+\phi(t),

则其相对于标称振荡器的时间误差可定义为

x(t)=ϕ(t)2πν0.x(t)=\frac{\phi(t)}{2\pi\nu_0}.

按照这一约定,

y(t)=dx(t)dt.y(t)=\frac{dx(t)}{dt}.

因此,一个区间内的平均相对频率为

y‾(t;τ)=x(t+τ)−x(t)τ.\overline y(t;\tau)=\frac{x(t+\tau)-x(t)}{\tau}.

将其代入定义可得

σy2(τ)=12τ2E ⁣[(x(t+2τ)−2x(t+τ)+x(t))2].\sigma_y^2(\tau) = \frac{1}{2\tau^2} \mathbb E\!\left[ \left( x(t+2\tau)-2x(t+\tau)+x(t) \right)^2 \right].

因此,阿伦方差衡量的是时间误差的二阶有限差分,等价地说,也是平均频率的一阶差分。时间误差与频率之间的导数关系说明,在描述振荡器噪声时,必须明确所指的是相位、时间误差还是频率。

恒定的频率偏移对阿伦方差没有贡献。它会改变振荡器的准确度,却不会改变这一稳定性指标。相比之下,线性频率漂移 y(t)=Dt+by(t)=Dt+b 的贡献为

σy2(τ)=D2τ22.\sigma_y^2(\tau)=\frac{D^2\tau^2}{2}.

与常规方差的区别

普通方差衡量相对于均值的波动,阿伦方差则衡量相邻区间平均值之间的变化。

若相邻区间平均值的方差均为 VτV_\tau,且两者之差的均值为零,则

σy2(τ)=Vτ−Cov⁡(y‾k+1,y‾k).\sigma_y^2(\tau) = V_\tau - \operatorname{Cov} \left(\overline y_{k+1},\overline y_k\right).

因此,当相邻区间的平均值不相关时,阿伦方差等于区间平均值的方差。否则,就必须考虑协方差项。一般而言,阿伦方差不能与普通方差或均值的标准误互换使用。

差分运算会抑制非常缓慢的波动。这使阿伦方差适用于闪烁频率噪声和随机游走频率噪声等过程;对于这些过程,常规方差估计可能强烈依赖于观测时长,或者无法解释为有限的平稳方差。

这一优势也有局限。足够强的低频噪声同样会使阿伦方差发散,而在较长的平均时间下,确定性漂移可能主导其数值。

根据采样数据进行估计

假设 NN 个连续测量值 y0,…,yN−1y_0,\ldots,y_{N-1} 分别表示时长为 τ0\tau_0 的采样区间内的平均频率。对于平均时间 τ=mτ0\tau=m\tau_0,其中 mm 为正整数,定义

y‾i(m)=1m∑j=0m−1yi+j.\overline y_i^{(m)} = \frac{1}{m}\sum_{j=0}^{m-1}y_{i+j}.

重叠阿伦方差估计量为

σy2^(mτ0)=12(N−2m+1)∑i=0N−2m(y‾i+m(m)−y‾i(m))2.\widehat{\sigma_y^2}(m\tau_0) = \frac{1}{2(N-2m+1)} \sum_{i=0}^{N-2m} \left( \overline y_{i+m}^{(m)}-\overline y_i^{(m)} \right)^2.

每一项都比较两个相邻且互不重叠、长度为 mm 的数据块,但相邻各项会共用数据。因此,“重叠”指的是不同次比较之间重复使用观测值,而不是同一次比较中的两个数据块相互重叠。

非重叠估计量则将记录划分为 K=⌊N/m⌋K=\lfloor N/m\rfloor 个互不重叠的数据块,并计算

σy,nonoverlap2^(τ)=12(K−1)∑k=0K−2(y‾k+1−y‾k)2.\widehat{\sigma_{y,\mathrm{nonoverlap}}^2}(\tau) = \frac{1}{2(K-1)} \sum_{k=0}^{K-2} \left(\overline y_{k+1}-\overline y_k\right)^2.

重叠估计利用了更多可用记录,通常能提高统计精度。然而,各项之间存在相关性,因此项数并不等于独立观测的数量。

输入数据的含义也很重要。瞬时采样值、区间平均值以及经过仪器内部加权处理的输出,并不能直接视为等价。测量带宽、滤波以及测量之间的间隔,都可能改变估计得到的稳定性。

频谱解释与噪声类型

对于单边相对频率功率谱密度为 Sy(f)S_y(f) 的过程,只要下列积分收敛,就有

σy2(τ)=2∫0∞Sy(f)sin⁡4(πfτ)(πfτ)2 df.\sigma_y^2(\tau) = 2\int_0^\infty S_y(f) \frac{\sin^4(\pi f\tau)}{(\pi f\tau)^2}\,df.

这一表达式由平均与差分滤波器及其傅里叶变换推导而来。它表明,阿伦方差通过随频率变化的加权函数来衡量噪声,而不是简单地对所有噪声功率进行等权积分。

一种常用模型将振荡器噪声表示为若干幂律分量之和:

Sy(f)=∑αhαfα.S_y(f)=\sum_\alpha h_\alpha f^\alpha.

对于覆盖所有正频率的单一理想幂律,阿伦方差积分在以下条件下收敛:

−3<α<1.-3<\alpha<1.

在这一范围内,

σy2(τ)∝τ−(α+1).\sigma_y^2(\tau)\propto\tau^{-(\alpha+1)}.

重要的振荡器噪声类型如下:

噪声类型 相对频率谱 阿伦偏差的典型变化关系
白相位调制噪声 Sy(f)∝f2S_y(f)\propto f^2 近似为 τ−1\tau^{-1},并依赖于带宽
闪烁相位调制噪声 Sy(f)∝fS_y(f)\propto f 近似为 τ−1\tau^{-1},带有与带宽有关的对数修正
白频率调制噪声 Sy(f)∝f0S_y(f)\propto f^0 τ−1/2\tau^{-1/2}
闪烁频率调制噪声 Sy(f)∝f−1S_y(f)\propto f^{-1} 常数
随机游走频率调制噪声 Sy(f)∝f−2S_y(f)\propto f^{-2} τ1/2\tau^{1/2}
线性确定性频率漂移 不属于平稳噪声谱 τ\tau

相位调制噪声的情形需要有限的高频截止频率,不能将其视为延伸至无限频率的理想幂律。由于它们的阿伦偏差曲线斜率相近,仅靠普通阿伦方差也很难区分这两类噪声。

对于单边谱密度为 Sy(f)=h0S_y(f)=h_0 的白频率噪声,

σy2(τ)=h02τ.\sigma_y^2(\tau)=\frac{h_0}{2\tau}.

对于 Sy(f)=h−1/fS_y(f)=h_{-1}/f 的闪烁频率噪声,

σy2(τ)=2ln⁡(2) h−1.\sigma_y^2(\tau)=2\ln(2)\,h_{-1}.

后者会在阿伦偏差图上形成一段水平区域。这样的区域与闪烁频率噪声相符,但仅凭其出现,并不能唯一确定背后的机制。

结果解读与统计不确定性

阿伦偏差通常以平均时间为横轴,在双对数坐标下绘制。不同的斜率可以揭示主导噪声过程的变化。例如,曲线在较短平均时间下降、在较长平均时间上升,可能表明平均处理起初减少了快速噪声,但随着平均时间延长,缓慢波动或漂移逐渐显现。

解读时需要注意以下几点:

  • 长平均时间下的统计依据有限。 当 τ\tau 达到记录总时长的较大比例时,剩下的有效独立比较次数就很少。
  • 重叠估计中的各项仍然相关。 更多的求和项能提高数据利用率,但不会带来同等幅度的自由度增加。
  • 噪声分类并不唯一。 多种噪声的混合、周期性扰动、频率突变和环境变化,都可能产生具有误导性的斜率。
  • 去除漂移会改变结果。 减去拟合趋势,是将一个模型化分量与残余噪声分离;所得结果并不描述未经处理的信号。
  • 数据间断和仪器加权会产生影响。 测量死时间以及未作说明的内部平均处理,都可能改变实际测得的统计量。

置信区间通常采用具有有效自由度的卡方分布近似来构造。有效自由度取决于噪声模型、平均因子、估计量以及记录长度。一般不能直接用差值平方的项数来代替有效自由度。

相关指标

一些相关统计量用于解决特定局限:

  • **修正阿伦方差**引入额外的平均处理。在采样和带宽条件允许区分的前提下,它比普通阿伦方差更能有效区分白相位调制噪声与闪烁相位调制噪声。

  • **时间偏差**以时间单位表示一种相关的稳定性指标。以修正阿伦偏差 mod⁡σy(τ)\operatorname{mod}\sigma_y(\tau) 表示,有

    TDEV⁡(τ)=τ3mod⁡σy(τ).\operatorname{TDEV}(\tau) = \frac{\tau}{\sqrt{3}}\operatorname{mod}\sigma_y(\tau).
  • **哈达玛方差**使用平均频率的二阶差分。它能够消除线性频率漂移的影响;对于某些会使阿伦方差发散的低频噪声过程,它仍保持有限。

  • 总方差及相关估计量通过扩展现有记录来提高统计置信度,尤其适用于较长的平均时间,但须满足其所依据的假设。

这些指标不能互换使用,因为它们的滤波特性及对漂移的响应各不相同。

历史与应用

戴维·W. 阿伦于1966年在研究原子频率标准时提出了这一统计量。由于振荡器波动通常包含常规方差无法充分表征的低频噪声,阿伦方差成为时间频率计量领域的核心工具。

它的主要用途包括比较时钟与振荡器、评估频率传递链路,以及表征测量系统的稳定性。它还用于惯性传感器、光学测量和光谱学仪器,以考察波动如何随平均时间变化。

在频率计量之外,同一数学定义也可直接应用于某个被测量。此时,所得阿伦偏差保留该量的单位。例如,对传感器的速率输出进行分析,得到的是以速率为单位的稳定性曲线;而分析传感器的积分输出时,则需要作不同的解释。

阿伦方差衡量的是变动性,而非绝对准确性。它无法反映恒定的校准误差,稳定性很高的仪器也可能不准确。因此,评估整体性能还需要进行校准、与参考标准比较,并恰当评定测量不确定度。