{
  "id": "spectral-density",
  "title": "谱密度",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "谱密度描述信号的能量或平稳过程的方差如何在频率上分布。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "频谱密度"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/spectral-density/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/spectral-density/",
      "json": "https://aiwiki.page/en/spectral-density.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "谱密度从数学上描述某个量如何在频率上分布，这个量最常见的是信号能量、振幅的均方值或方差。在时间序列分析和信号处理中，谱密度通常指功率谱密度：它是一个非负函数，在某个频带上的积分表示该频带对总均方值的贡献。对于均值为零的平稳随机过程，在所有频率上的积分等于其方差。因此，谱密度将时域中观测到的波动与频域中呈现的振荡结构联系起来。\n\n谱密度与自协方差函数或自相关函数的傅里叶变换之间的关系是其核心。这一关系使谱方法可用于检测周期成分、表征噪声、分析线性系统，以及估计过程发生变化的尺度。即使不同的时间记录具有相近的总体变异程度，频谱也能区分其中缓慢变化的波动与快速变化的波动。不过，对频谱的解释仍取决于平稳性、采样、归一化方式，以及仅观测有限长度记录所带来的统计不确定性。\n\n更一般地说，谱分布未必具有通常意义上的密度函数：周期成分会产生离散谱线，其他过程则可能具有奇异谱测度。在空间统计学、统计物理学和算子理论中，“谱密度”也有相关用法，其中的谱变量可能是波数、能量或特征值，而非时间频率。"
    },
    {
      "heading": "频率约定、归一化与单位",
      "text": "谱密度的定义取决于所用的频率坐标和积分约定。对于连续时间过程，以单位时间内的周期数计量的频率 \\(f\\)，与以单位时间内的弧度数计量的角频率 \\(\\omega\\)，满足 \\(\\omega=2\\pi f\\)。对于自协方差函数 \\(C(\\tau)\\)，一种常用的傅里叶变换约定为\n\n\\[S_f(f)=\\int_{-\\infty}^{\\infty}C(\\tau)e^{-i2\\pi f\\tau}\\,d\\tau, \\qquad C(\\tau)=\\int_{-\\infty}^{\\infty}S_f(f)e^{i2\\pi f\\tau}\\,df.\\]\n\n在这一约定下，\\(C(0)=\\int S_f(f)\\,df\\)。对方差具有物理意义的贡献是密度曲线下的面积，而不是某个频率处的密度值。\n\n角频率有两种广泛使用的约定。一种定义为\n\n\\[S_\\omega(\\omega)=\\int_{-\\infty}^{\\infty}C(\\tau)e^{-i\\omega\\tau}\\,d\\tau, \\qquad C(\\tau)=\\frac{1}{2\\pi}\\int_{-\\infty}^{\\infty} S_\\omega(\\omega)e^{i\\omega\\tau}\\,d\\omega.\\]\n\n此时 \\(S_\\omega(\\omega)=S_f(\\omega/2\\pi)\\)，积分测度为 \\(d\\omega/(2\\pi)\\)。另一种约定则直接定义相对于 \\(d\\omega\\) 的密度，即 \\(p_\\omega(\\omega)=S_f(\\omega/2\\pi)/(2\\pi)\\)。这两种约定描述的是同一种方差分布，但密度的数值相差 \\(2\\pi\\) 倍。因此，谱的公式只有在明确了变换约定和积分约定后才是完整的。\n\n对于实值过程，双边谱是偶函数：\\(S_f(-f)=S_f(f)\\)。单边谱将所有连续谱功率都归入非负频率：\n\n\\[S_f^{(1)}(f)=2S_f(f),\\qquad f>0.\\]\n\n单边谱在正频率上的积分，等于双边谱在整个实轴上的积分。零频率以及采样数据中的奈奎斯特频率，如果带有离散质量或对应于未成对的变换频点，就需要单独处理。不加区分地将每个频点的值都乘以二，会导致归一化错误。\n\n如果信号以伏特为单位、时间以秒为单位，则其功率谱密度的单位为 \\(\\mathrm{V}^2/\\mathrm{Hz}\\)。这里的“功率”通常指均方幅度，而不是以瓦特计量的电功率。要换算为耗散的电功率，需要借助电路模型，例如除以电阻值。功率谱密度的平方根称为幅度谱密度，单位为 \\(\\mathrm{V}/\\sqrt{\\mathrm{Hz}}\\)。直接对幅度谱密度积分并不能得到均方根幅度；必须先将其平方，再积分。\n\n与概率密度函数不同，谱密度的积分不一定为一，而可以等于任意有限的方差。将中心化过程的谱除以其方差，可以得到归一化的谱分布，但这是额外施加的归一化，并非定义本身的一部分。"
    },
    {
      "heading": "平稳过程与谱表示",
      "text": "其概率论基础始于一个二阶平稳过程 \\(X(t)\\)。它的均值 \\(\\mu\\) 为常数，二阶矩有限，且协方差仅取决于时间差：\n\n\\[C(\\tau)= \\mathbb{E}\\!\\left[(X(t+\\tau)-\\mu)\\overline{(X(t)-\\mu)}\\right].\\]\n\n上横线表示复共轭。这里的期望值是对过程的各个实现取平均，而不是对观测到的时间记录取平均。这一区别很重要，因为仅有平稳性并不能保证时间平均收敛到相应的总体统计量。\n\n在满足通常意义下的傅里叶变换存在的条件时，维纳–辛钦定理将谱确定为该协方差的傅里叶变换。若 \\(C\\) 绝对可积，则公式\n\n\\[S(f)=\\int_{-\\infty}^{\\infty}C(\\tau)e^{-i2\\pi f\\tau}\\,d\\tau\\]\n\n给出一个连续、非负的谱密度。绝对可积是谱密度存在的充分条件，而非必要条件。非负性源于协方差的正定性：过程取值的任意有限线性组合都具有非负的方差。因此，协方差函数不能任意选取。\n\n更一般的表述需要用到测度论。对于均方连续的平稳过程，存在有限非负谱测度 \\(F\\)，使得\n\n\\[C(\\tau)=\\int_{\\mathbb R}e^{i2\\pi f\\tau}\\,dF(f).\\]\n\n当 \\(F\\) 关于勒贝格测度绝对连续时，通常意义下的谱密度才存在，此时 \\(dF(f)=S(f)\\,df\\)。谱测度也可能含有代表谱线的原子，或含有奇异连续分量。将所有谱都视为光滑函数，就会排除这些同样成立的情形。\n\n对于离散时间过程 \\(X_n\\)，频率具有周期性，因为 \\(e^{i(\\omega+2\\pi)n}=e^{i\\omega n}\\)。一种标准约定是\n\n\\[C[k]=\\frac{1}{2\\pi}\\int_{-\\pi}^{\\pi} s(\\omega)e^{i\\omega k}\\,d\\omega, \\qquad s(\\omega)=\\sum_{k=-\\infty}^{\\infty}C[k]e^{-i\\omega k},\\]\n\n其中级数须在适当意义下定义。因此，\\(C[0]=(2\\pi)^{-1}\\int_{-\\pi}^{\\pi}s(\\omega)\\,d\\omega\\)。长度为 \\(2\\pi\\) 的一个区间之外的频率不会提供额外信息。\n\n谱表示将中心化后的过程表达为以正交随机增量为积分元的复振荡积分：\n\n\\[X(t)-\\mu=\\int_{\\mathbb R}e^{i2\\pi ft}\\,dZ(f).\\]\n\n增量的模平方的期望值由相应的谱测度值决定。正交增量彼此不相关，但不一定具有统计独立性。然而，对于高斯过程，均值和协方差决定了所有有限维分布。因此，它的谱与均值共同给出了完整的二阶统计描述和分布描述；而非高斯过程则可能具有其谱无法反映的重要高阶结构。"
    },
    {
      "heading": "能量谱、功率谱与谱线",
      "text": "对于能量有限的确定性信号 \\(x(t)\\)，有\n\n\\[E=\\int_{-\\infty}^{\\infty}|x(t)|^2\\,dt<\\infty,\\]\n\n其傅里叶变换 \\(X(f)\\) 定义了能量谱密度\n\n\\[\\Psi_x(f)=|X(f)|^2.\\]\n\n由帕塞瓦尔恒等式可得 \\(E=\\int\\Psi_x(f)\\,df\\)。如果 \\(x\\) 以伏特为单位，则该密度的单位为 \\(\\mathrm{V}^2\\mathrm{s}^2\\)，等价于 \\(\\mathrm{V}^2\\mathrm{s}/\\mathrm{Hz}\\)，因为它对频率的积分给出的是电压平方的时间积分，而非均方电压。将这一量称为功率谱密度，会模糊有限能量与持续的平均功率之间的区别。\n\n持续存在的正弦信号在整个实数轴上的能量为无穷大，但其时间平均功率有限。它的普通傅里叶变换并非平方可积函数，因此，直接对该变换取模平方并不能有效地定义功率谱。可以改为考察有限时长的观测：\n\n\\[X_T(f)=\\int_{-T/2}^{T/2}x(t)e^{-i2\\pi ft}\\,dt,\\]\n\n并研究以 \\(T^{-1}|X_T(f)|^2\\) 为密度的测度。对于平稳随机过程，相应的期望量与谱测度有关。这一取极限的操作可能需要通过与测试函数相乘后积分，以弱收敛的意义来理解，而不能理解为普通函数的逐点收敛。\n\n例如，设\n\n\\[X(t)=A\\cos(2\\pi f_0t+\\Phi),\\]\n\n其中 \\(\\Phi\\) 在 \\([0,2\\pi)\\) 上服从均匀分布。该过程的均值为零，协方差为 \\(C(\\tau)=A^2\\cos(2\\pi f_0\\tau)/2\\)。其双边谱为\n\n\\[S(f)=\\frac{A^2}{4} \\left[\\delta(f-f_0)+\\delta(f+f_0)\\right],\\]\n\n其中 \\(\\delta\\) 为狄拉克δ分布。每条谱线的质量为 \\(A^2/4\\)，总方差为 \\(A^2/2\\)。谱线的系数表示积分所得的谱质量，而不是密度峰的有限高度。\n\n非零均值也会带来类似的区别。如果谱是由未中心化的自相关函数 \\(R(\\tau)=\\mathbb E[X(t+\\tau)\\overline{X(t)}]\\) 定义的，那么\n\n\\[R(\\tau)=C(\\tau)+|\\mu|^2.\\]\n\n因此，其谱测度在零频处还包含一个质量为 \\(|\\mu|^2\\) 的原子。协方差谱不包含这一常数分量，其积分等于方差；自相关谱则包含这一分量，其积分等于二阶矩。\n\n对于傅里叶级数系数为 \\(c_k\\)、基频为 \\(f_0\\) 的周期信号，其功率谱由位于 \\(kf_0\\)、质量为 \\(|c_k|^2\\) 的谱线组成。频谱幅值保留了各分量的强度，却丢失了它们的相对相位。因此，不同的波形可能具有相同的功率谱，正如不同的随机过程可能具有相同的协方差一样。"
    },
    {
      "heading": "典型频谱与随机模型",
      "text": "白噪声是频谱平坦的基准情形。对于零均值离散时间序列，若其协方差在 \\(k=0\\) 时为 \\(C[k]=\\sigma^2\\)，其余情况下均为零，则按上文的角频率约定，有 \\(s(\\omega)=\\sigma^2\\)。频率宽度相同的各个区间对方差的贡献相等。白噪声性质是一种二阶性质：它规定的是不相关，而非相互独立或服从高斯分布。方差有限的独立同分布变量经中心化后构成白噪声，但反之未必成立。\n\n理想的连续时间白噪声需要用广义随机过程来解释。它的协方差与狄拉克 δ 分布成正比，谱密度则在整个实数轴上保持恒定。对这一常数积分会得到无穷大的方差，因此它不能描述在每个时刻都具有有限方差的普通随机变量。物理噪声只有在有限频率范围内才近似为白噪声。不过，将这种理想化噪声通过频率响应平方可积的系统进行滤波，仍可得到定义良好且方差有限的输出。\n\n一种简单的有色噪声模型是一阶自回归模型：\n\n\\[X_n=aX_{n-1}+\\varepsilon_n,\\qquad |a|<1,\\]\n\n其中，新息为方差为 \\(\\sigma_\\varepsilon^2\\) 的白噪声。其平稳协方差和频谱为\n\n\\[C[k]=\\frac{\\sigma_\\varepsilon^2}{1-a^2}a^{|k|}, \\qquad s(\\omega)= \\frac{\\sigma_\\varepsilon^2}{1+a^2-2a\\cos\\omega}.\\]\n\n当 \\(a\\) 为正时，功率集中在零频附近，产生缓慢变化的序列。当 \\(a\\) 为负时，功率集中在 \\(\\pi\\) 附近，产生正负交替的行为。当 \\(a\\) 趋近平稳性取值区间的任一边界时，谱峰会变得越来越尖锐。\n\n与之对应的一种连续时间模型具有指数形式的协方差：\n\n\\[C(\\tau)=\\sigma_X^2e^{-|\\tau|/\\tau_c},\\]\n\n其中，\\(\\tau_c>0\\) 为相关时间。其频谱呈洛伦兹型：\n\n\\[S(f)=\\frac{2\\sigma_X^2\\tau_c} {1+(2\\pi f\\tau_c)^2}.\\]\n\n频谱的特征转折出现在 \\(1/(2\\pi\\tau_c)\\) 附近。相关时间短时，方差分布在较宽的频率范围内；相关时间长时，方差则集中在零频附近。协方差和频谱从互补的角度描述了同一种时间持续性。\n\n许多观测到的频谱在有限范围内近似遵循幂律，即 \\(S(f)\\propto |f|^{-\\alpha}\\)。闪烁噪声或粉红噪声通常指 \\(\\alpha=1\\) 附近的行为。不能直接将这类公式推广到所有频率：方差有限的平稳过程要求其频谱可积。特别是，当 \\(\\alpha\\geq1\\) 时，零频处的发散与有限方差不相容，除非引入截止频率或以其他方式改变其行为。\n\n普通的随机游走说明了形式化使用频谱的风险。它是非平稳的，因此，与 \\(1/|1-e^{-i\\omega}|^2\\) 成正比的表达式并不是通常意义下有限方差平稳过程的谱密度。相比之下，当 \\(0<\\alpha<1\\) 时，可积的低频奇点可以描述平稳的长程依赖。因此，“低频功率很大”既可能表明平稳过程的持续性，也可能表明非平稳性，具体取决于完整的模型。"
    },
    {
      "heading": "线性滤波、采样与混叠",
      "text": "对于冲激响应为 \\(h(t)\\) 的稳定线性时不变系统，输出由以下卷积给出：\n\n\\[Y(t)=\\int_{-\\infty}^{\\infty}h(u)X(t-u)\\,du.\\]\n\n若平稳输入的谱密度为 \\(S_X(f)\\)，且 \\(H(f)\\) 是 \\(h\\) 的傅里叶变换，则\n\n\\[S_Y(f)=|H(f)|^2S_X(f).\\]\n\n这一恒等式将滤波后协方差的计算转化为频域中的乘法运算。低通滤波器抑制快速波动，带通滤波器分离出特定频率范围内的成分，而共振响应则能使输出出现显著的谱峰，即使输入在相应位置并没有窄峰。\n\n输出方差为\n\n\\[\\operatorname{Var}(Y)= \\int_{-\\infty}^{\\infty}|H(f)|^2S_X(f)\\,df.\\]\n\n对于平坦的输入谱，由此可引出等效噪声带宽的概念：将频率响应幅值平方的积分除以指定的参考增益。噪声带宽不一定等于两个半功率点之间的频率间隔。在比较标称截止频率相近、响应形状却不同的滤波器时，这一区别十分重要。\n\n以间隔 \\(\\Delta\\) 采样可得 \\(X_n=X(n\\Delta)\\)，采样频率为 \\(f_s=1/\\Delta\\)。在适当的正则性条件下，以物理频率为单位表示的采样后频谱为\n\n\\[S_{\\mathrm{samp}}(f)= \\sum_{k\\in\\mathbb Z}S_X(f+kf_s), \\qquad -\\frac{f_s}{2}\\leq f<\\frac{f_s}{2}.\\]\n\n这些平移后的频谱副本之所以相加，是因为相差 \\(f_s\\) 整数倍的连续时间频率在采样后会产生完全相同的振荡。这种谱功率的折叠称为混叠。在基本频率区间上积分，仍可得到采样后过程的方差，但通常无法恢复功率在各个发生混叠的频率之间的原始分配。\n\n采样定理给出了对满足相应带限条件的信号进行精确重建的条件：采样频率须高于信号最高频率的两倍。实际随机噪声往往没有严格的频率上限，因此，在采样前使用模拟抗混叠滤波器十分重要。对于已经折叠到同一频带内、来源未知的频谱成分混合，采集数据后再进行滤波无法将其还原。\n\n从物理频率换算为每个采样间隔的角频率时，会引入另一个尺度因子。若 \\(s(\\omega)\\) 采用如下归一化约定：\n\n\\[C[k]=\\frac{1}{2\\pi}\\int_{-\\pi}^{\\pi} s(\\omega)e^{i\\omega k}\\,d\\omega,\\]\n\n则有 \\(S_{\\mathrm{samp}}(f)=\\Delta s(2\\pi f\\Delta)\\)。混淆这两种密度会造成采样率因子上的误差，即使绘出的频谱形状完全相同。\n\n在估计之前施加的操作也起着滤波器的作用。一阶差分的增益平方为 \\(|1-e^{-i\\omega}|^2=4\\sin^2(\\omega/2)\\)，会抑制低频成分。有限样本去趋势并不等同于简单的理想高通滤波，但同样会改变低频部分的估计。在均方意义下定义的微分运算，会使连续时间频谱乘以 \\((2\\pi f)^2\\)；因此，频谱必须在高频处衰减得足够快，才能使导数具有有限方差。"
    },
    {
      "heading": "周期图、窗函数与非参数估计",
      "text": "频谱通常是根据有限长度的观测记录推断出来的，而不是由已知的协方差计算得到的。对于采样间隔为 \\(\\Delta\\) 的观测值 \\(x_0,\\ldots,x_{N-1}\\)，以实际频率为单位的双边周期图为\n\n\\[I_N(f)=\\frac{\\Delta}{N} \\left|\\sum_{n=0}^{N-1}x_ne^{-i2\\pi fn\\Delta}\\right|^2.\\]\n\n离散傅里叶变换可在频率网格上高效求出该表达式的值，而快速傅里叶变换则降低了求取这些值的计算成本。然而，傅里叶计算本身并不能解决估计总体频谱这一统计问题。\n\n在时域中乘以有限长度的观测窗，在频域中就变成了卷积。因此，周期图的期望是真实频谱的平滑版本，其平滑核由观测窗决定。若正弦信号的频率落在变换的频率格点之间，其功率就会扩散到邻近的格点，往往还会扩散到更远的格点。这种频谱泄漏并不一定意味着存在多个物理振荡；它在一定程度上是将观测限制在有限时间区间内的结果。\n\n渐消加窗可以减弱记录端点处的突变。与矩形窗相比，汉恩窗、汉明窗等窗函数能够抑制旁瓣，但代价是主瓣变宽。对于渐消窗 \\(w_n\\)，一种常用的谱密度归一化方式为\n\n\\[I_w(f)= \\frac{\\Delta}{\\sum_{n=0}^{N-1}w_n^2} \\left|\\sum_{n=0}^{N-1}w_nx_ne^{-i2\\pi fn\\Delta}\\right|^2.\\]\n\n分母中的权重平方和用于校准均方功率。如果目的是估计相干正弦信号的幅度，则需要采用另一种归一化方式。混淆幅度校准与噪声密度校准，可能导致系统性的尺度误差。\n\n原始周期图通常不是单个频率处的相合估计量。在标准条件下，对于频率范围内部的正频率，周期图的值与真实谱密度之比近似服从均值为 1 的指数分布。增加记录长度可以改善频率定位，却不能消除这种相对变异性。因此，要获得稳定的非参数估计，就必须对相邻频率进行平滑，或对近似独立的谱估计进行平均。\n\nWelch 法将记录划分为若干可以相互重叠的片段，对每段进行渐消加窗，再将各段的周期图取平均。片段越短，可供平均的估计数量越多，但频率分辨率也越低。重叠片段之间存在相关性，因此其名义数量并不等于独立平均的有效次数。多窗谱估计则对同一记录使用多个正交的渐消窗，通常采用离散长椭球序列，再将所得的谱估计组合起来。\n\n补零可在更密的频率网格上求取有限长度记录的傅里叶变换，但它既不会产生新的观测值，也不能分离观测时长本身无法分辨的分量。如果平均后的估计具有有效自由度 \\(\\nu\\)，则可采用近似的不确定性模型 \\(\\nu\\widehat S/S\\sim\\chi_\\nu^2\\)。据此可以构造置信区间，但其适用性取决于对过程、渐消加窗、平均方式以及频谱局部平滑性的假设。"
    },
    {
      "heading": "参数模型与频域推断",
      "text": "参数谱估计用一个由有限个参数确定的函数族，替代原本不受限制的谱密度。对于自回归滑动平均模型，\n\n\\[A(B)X_n=B_0(B)\\varepsilon_n,\\]\n\n后移算子满足 \\(BX_n=X_{n-1}\\)。若新息方差为 \\(\\sigma_\\varepsilon^2\\)，则谱密度为\n\n\\[s(\\omega)=\\sigma_\\varepsilon^2 \\frac{|B_0(e^{-i\\omega})|^2} {|A(e^{-i\\omega})|^2}.\\]\n\n这里用 \\(B_0\\) 表示滑动平均多项式，以区别于后移算子。在通常的因果性约定下，要保证平稳性，自回归多项式的零点须位于单位圆之外。\n\n这种有理函数形式可以从系统动力学的角度得到直观解释。自回归多项式若有零点靠近单位圆，就可能在对应的相角处产生一个狭窄的谱峰。复共轭零点对描述实值序列中的阻尼振荡。滑动平均因子则可以产生谱谷或陷波。因此，少量参数就能刻画某些谱特征，而非参数估计若要刻画同样的特征，往往需要进行大量平滑并使用许多频率分箱。\n\n参数可以通过协方差方程、预测误差法或最大似然估计来估计。通过尤尔–沃克方程拟合自回归模型，可将模型系数与估计的自协方差直接联系起来。拟合后的模型既能提供谱估计，也能给出预测规则。参数谱表面上的平滑性，部分来自模型的约束，而不完全来自观测数据所包含的信息。\n\n惠特尔似然是高斯时间序列似然的一种频域近似。略去归一化因子和常数项后，其负对数似然具有如下形式：\n\n\\[L(\\theta)= \\sum_j\\left[ \\log s_\\theta(\\omega_j) +\\frac{I(\\omega_j)}{s_\\theta(\\omega_j)} \\right],\\]\n\n其中，\\(I\\) 和 \\(s_\\theta\\) 采用相互一致的定义约定。这种方法利用了长平稳序列中不同傅里叶频率处的傅里叶系数近似不相关这一性质。对于较短的序列、存在严重谱泄漏的情形，或零频附近具有显著谱特征的情形，这种近似可能不够准确。\n\n模型阶数决定了常见的偏差-方差权衡。参数过少可能使真实谱峰变平或合并；参数过多则可能拟合随机波动，产生虚假的窄带成分。信息准则、预测检验和残差分析分别从不同方面评估模型的适切性。若残差谱仍具有很强的结构性，就说明拟合模型尚未消除所有二阶时间依赖。\n\n仅凭谱峰不能断定存在外部周期性驱动。具有阻尼共振的随机系统，即使没有任何确定性的周期机制，也能产生谱峰。同样，拟合得到的谱峰很高，也不意味着它在统计上必然显著：其解释取决于背景谱、参数的不确定性，以及考察过多少个候选频率。贝叶斯谱方法通过模型或密度的后验分布来表达不确定性，但其分辨能力和结论也取决于所选择的先验分布和似然函数。"
    },
    {
      "heading": "互谱、空间谱与随时间变化的频率结构",
      "text": "对于两个联合平稳过程，互协方差定义为\n\n\\[C_{XY}(\\tau)= \\mathbb E[(X(t+\\tau)-\\mu_X)\\overline{(Y(t)-\\mu_Y)}].\\]\n\n其傅里叶变换就是互谱密度 \\(S_{XY}(f)\\)。与自谱不同，互谱可以是复数：其幅值描述两个过程随频率变化的共同变动，其相位则描述在上述时滞约定下，振荡分量之间的相对相位关系。交换两个过程的顺序，所得互谱为原互谱的共轭。\n\n对于向量过程，自谱和互谱组成谱密度矩阵。在每个频率处，该矩阵都是半正定厄米矩阵。特别地，\n\n\\[|S_{XY}(f)|^2\\leq S_{XX}(f)S_{YY}(f).\\]\n\n当分母为正时，幅值平方相干度为\n\n\\[\\gamma_{XY}^2(f)= \\frac{|S_{XY}(f)|^2}{S_{XX}(f)S_{YY}(f)},\\]\n\n其取值介于零和一之间。它衡量特定频率上的线性关联。第三个过程可能同时驱动这两组观测记录，因此，仅凭相干度本身无法确立因果关系，也无法确定影响的方向。\n\n对于纯延迟 \\(Y(t)=X(t-\\tau_0)\\)，传递函数为 \\(e^{-i2\\pi f\\tau_0}\\)。按照上述定义，\\(S_{YX}(f)=e^{-i2\\pi f\\tau_0}S_{XX}(f)\\)。因此，互谱相位在模 \\(2\\pi\\) 的意义下随频率线性变化。相位解缠可以使这一斜率显现出来，但要将其解释为唯一的延迟，就需要适当的系统模型。一般滤波器的相位响应可能随频率变化，并不对应某个单一的传播时间。\n\n空间平稳随机场使用波数向量，而非时间频率。对于定义在 \\(\\mathbb R^d\\) 上的场，一种约定是\n\n\\[C(\\mathbf r)=\\int_{\\mathbb R^d} S(\\mathbf k)e^{i\\mathbf k\\cdot\\mathbf r} \\frac{d^d\\mathbf k}{(2\\pi)^d}.\\]\n\n当场具有各向同性时，密度仅取决于 \\(|\\mathbf k|\\)。通过对球壳积分得到的径向谱，包含一个与 \\(k^{d-1}\\) 成正比的额外几何因子。因此，其数值曲线的形状与原本按单位波数空间体积定义的密度并不相同。在比较不同空间维度下的谱，或将其与湍流能谱比较时，这一区别十分重要。\n\n单一的全局平稳谱无法描述振荡发生的时间。短时傅里叶方法在移动窗口内估计频谱，而小波方法的时间分辨率则随尺度变化。这些方法都需要在时间定位与频率定位之间作出权衡。如果一个过程的振荡频率在整段记录中发生变化，那么即使其瞬时振荡的频率分布很窄，全局频谱仍可能很宽。时频表示可以弥补这一局限，但不同表示的定义和正性性质各不相同；并非所有时频表示都属于局部功率谱密度。"
    },
    {
      "heading": "历史发展与科学应用",
      "text": "谱分析源于调和分析，尤其是用正弦分量表示函数的方法。约瑟夫·傅里叶于1822年发表的热学研究，为傅里叶展开和傅里叶变换奠定了重要的数学基础。要将这些思想从确定性函数推广到不规则观测数据，就需要研究一种不同的对象：不再只是波形的变换，而是其二阶变动在频率上的分布。阿瑟·舒斯特于1898年在研究观测数据中的周期性时，引入了“周期图”一词。\n\n20世纪初，谱方法成为研究随机涨落的核心工具。诺伯特·维纳于1930年开展的广义调和分析研究，以及亚历山大·辛钦于1934年开展的平稳随机过程研究，确立了相关与谱之间的经典联系。哈拉尔德·克拉默发展了平稳过程的谱表示，而安德雷·柯尔莫哥洛夫和维纳则将平稳过程理论与预测和滤波联系起来。这些进展使谱成为概率论的一部分，而不再仅仅是寻找周期的计算技术。\n\n实用的谱估计方法随着电子仪器和数字计算的发展而不断进步。莫里斯·巴特利特提出了通过平均来降低周期图变异性的方法。约翰·图基及其合作者着重发展了平滑法和滞后窗方法。彼得·韦尔奇于1967年提出的方法结合了分段平均、加窗和高效傅里叶计算。戴维·汤姆森于1982年提出的多窗方法，则为利用多个相互正交的数据窗控制谱泄漏和估计不确定性提供了系统框架。这些方法分别在分辨率、统计稳定性和频谱污染之间作出不同的权衡。\n\n在电气测量中，谱密度用于量化元件和仪器引入的噪声。在经典热噪声适用范围内，理想电阻的开路电压噪声具有如下单边谱密度：\n\n\\[S_V^{(1)}(f)=4k_{\\mathrm B}TR,\\]\n\n其中，\\(k_{\\mathrm B}\\) 为玻尔兹曼常数，\\(T\\) 为绝对温度，\\(R\\) 为电阻。因此，在该模型的谱密度保持平坦的带宽 \\(B\\) 内，均方噪声电压为 \\(4k_{\\mathrm B}TRB\\)。这一表达式以经典低频热噪声条件为前提，不能原封不动地推广到任意高的频率。\n\n在机械与结构测试中，加速度谱用于描述振动环境和共振特性。对加速度谱密度在某一频带内积分，可得到该频带内的均方加速度；将加速度转换为位移涉及依赖于频率的积分运算，可能显著放大低频分量的贡献。在地球物理学和气候研究中，谱用于刻画不同时间尺度和空间尺度上的变动，但趋势、有限长度的记录以及红噪声背景，都使周期分量的识别变得更加复杂。\n\n在量子力学中，由于不同时刻的可观测量未必对易，噪声谱还需要作进一步区分。对称化与非对称化的相关函数定义了不同的谱，而正频率和负频率分量可能承载不同跃迁过程的信息。在算子理论中，“谱密度”也可能指算子谱测度的密度；态密度则计量单位区间内的模态数或能级数。这些用法与功率谱密度采用了共同的测度论语言，但描述的是不同的量，需要各自相应的归一化方式。"
    }
  ],
  "links": [
    "time-series",
    "fourier-transform",
    "probability-density-function",
    "stationary-process",
    "expected-value",
    "wiener-khinchin-theorem",
    "measure-theory",
    "lebesgue-measure",
    "statistical-independence",
    "gaussian-process",
    "variance",
    "fourier-series",
    "autoregressive-model",
    "power-law",
    "random-walk",
    "convolution",
    "aliasing",
    "sampling-theorem",
    "discrete-fourier-transform",
    "fast-fourier-transform",
    "consistent-estimator",
    "confidence-interval",
    "maximum-likelihood-estimation",
    "bias-variance-tradeoff",
    "matrix",
    "causation",
    "harmonic-analysis",
    "joseph-fourier",
    "norbert-wiener",
    "andrey-kolmogorov",
    "temperature",
    "quantum-mechanics"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}