{
  "id": "wiener-khinchin-theorem",
  "title": "维纳–辛钦定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "维纳–辛钦定理通过傅里叶变换将平稳过程的自相关与功率谱联系起来，其谱测度形式兼顾连续谱与谱线。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "维纳–辛钦–爱因斯坦定理",
    "自相关定理"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/wiener-khinchin-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/wiener-khinchin-theorem/",
      "json": "https://aiwiki.page/en/wiener-khinchin-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "维纳–辛钦定理确立了平稳随机过程的自相关与其功率谱密度之间的关系。在常见形式下，这两个量构成傅里叶变换对：自相关描述相隔一定时间的取值之间的关联，而功率谱则描述过程的均方幅度在各频率上的分布。该定理的一般形式使用非负谱测度，而不预先假定谱密度存在。它是调和分析、概率论和信号处理中的一项基础性结果。"
    },
    {
      "heading": "连续时间形式",
      "text": "设 \\(X(t)\\)（其中 \\(t\\in\\mathbb R\\)）是具有有限二阶矩的复值随机过程。假设它是宽平稳的，即均值为常数，且自相关仅取决于时间差。采用如下约定：\n\n\\[R_X(\\tau) = \\mathbb E\\!\\left[X(t+\\tau)\\overline{X(t)}\\right],\\]\n\n其中上横线表示复共轭，\\(\\mathbb E\\) 表示期望值。对于实值过程，可以省略共轭运算。\n\n若 \\(R_X\\) 绝对可积，则其功率谱密度为\n\n\\[S_X(f) = \\int_{-\\infty}^{\\infty} R_X(\\tau)e^{-i2\\pi f\\tau}\\,d\\tau.\\]\n\n在满足傅里叶反演的通常正则性条件时，逆关系为\n\n\\[R_X(\\tau) = \\int_{-\\infty}^{\\infty} S_X(f)e^{i2\\pi f\\tau}\\,df,\\]\n\n特别地，对于自相关绝对可积的均方连续平稳过程，这些公式在每个时滞处都成立。\n\n这里的 \\(f\\) 是以单位时间内的周期数表示的频率。若采用角频率 \\(\\omega=2\\pi f\\)，另一种常见约定为\n\n\\[\\Phi_X(\\omega) = \\int_{-\\infty}^{\\infty} R_X(\\tau)e^{-i\\omega\\tau}\\,d\\tau, \\qquad R_X(\\tau) = \\frac{1}{2\\pi} \\int_{-\\infty}^{\\infty} \\Phi_X(\\omega)e^{i\\omega\\tau}\\,d\\omega.\\]\n\n因此，\\(2\\pi\\) 因子的出现位置取决于频率变量及变换约定。"
    },
    {
      "heading": "一般的谱测度形式",
      "text": "绝对可积性是一个有用的充分条件，但并非平稳过程具有频谱的必要条件。例如，周期分量会产生无法用普通密度函数表示的谱线。\n\n对于自相关在零点连续的宽平稳过程，频率轴上存在唯一的有限非负测度 \\(\\mu_X\\)，使得\n\n\\[R_X(\\tau) = \\int_{\\mathbb R} e^{i2\\pi f\\tau}\\,\\mu_X(df).\\]\n\n测度 \\(\\mu_X\\) 称为谱测度。它的总质量为\n\n\\[\\mu_X(\\mathbb R) = R_X(0) = \\mathbb E|X(t)|^2.\\]\n\n这一形式与博赫纳定理密切相关；后者将连续正定函数刻画为有限非负测度的傅里叶变换。\n\n若 \\(\\mu_X\\) 关于勒贝格测度绝对连续，则它具有密度：\n\n\\[\\mu_X(df)=S_X(f)\\,df.\\]\n\n其他可能的成分包括表示谱线的点质量，以及奇异连续成分。一般的频谱可以同时包含这三类成分。因此，“频谱是自相关的傅里叶变换”这一表述，可能需要在测度论或分布理论的意义下理解。\n\n零点处的连续性是这一连续时间表示中的重要假设。仅有有限二阶矩和宽平稳性，并不能保证实频率轴上的通常谱定理所要求的全部正则性。"
    },
    {
      "heading": "自相关与自协方差",
      "text": "自相关不一定与自协方差相同。若恒定均值为 \\(m=\\mathbb E[X(t)]\\)，则\n\n\\[C_X(\\tau) = \\mathbb E\\!\\left[ (X(t+\\tau)-m)\\overline{(X(t)-m)} \\right],\\]\n\n并且\n\n\\[R_X(\\tau)=C_X(\\tau)+|m|^2.\\]\n\n相应地，它们的谱测度满足\n\n\\[\\mu_R=\\mu_C+|m|^2\\delta_0,\\]\n\n其中 \\(\\delta_0\\) 是位于零频率处的单位点质量。因此，非零均值会贡献一条零频谱线，也称直流谱线。\n\n自相关谱的总质量为 \\(\\mathbb E|X|^2\\)，而自协方差谱的总质量等于方差。有些文献使用中心化后的过程来定义“功率谱”，因此必须明确所采用的约定。\n\n这两个量都不应与归一化自相关混淆，后者是将自协方差除以其在零点的值。"
    },
    {
      "heading": "频谱为何非负",
      "text": "自相关是正定的。对于任意时刻 \\(t_1,\\ldots,t_n\\) 和复系数 \\(c_1,\\ldots,c_n\\)，有\n\n\\[\\sum_{j,k=1}^{n} c_j\\overline{c_k}R_X(t_j-t_k) = \\mathbb E\\left| \\sum_{j=1}^{n}c_jX(t_j) \\right|^2 \\geq 0.\\]\n\n这一性质比对称关系\n\n\\[R_X(-\\tau)=\\overline{R_X(\\tau)}.\\]\n\n更强。它是谱测度非负的数学原因。若谱密度存在，则它几乎处处非负。\n\n对于实值过程，自相关是实偶函数，功率谱关于零频率对称。对于复值过程，频谱仍为实值且非负，但不一定是偶函数。"
    },
    {
      "heading": "与有限时间傅里叶变换的联系",
      "text": "平稳过程在整个时间轴上的总能量通常并非有限。其普通傅里叶变换未必以可积函数的形式存在，因此一般不能简单地对无限时长的傅里叶变换取模平方来定义功率谱。\n\n为此，考虑有限时段的观测：\n\n\\[X_T(f) = \\int_{-T/2}^{T/2} X(t)e^{-i2\\pi ft}\\,dt.\\]\n\n归一化模平方的期望满足\n\n\\[\\frac{1}{T}\\mathbb E|X_T(f)|^2 = \\int_{-T}^{T} \\left(1-\\frac{|\\tau|}{T}\\right) R_X(\\tau)e^{-i2\\pi f\\tau}\\,d\\tau.\\]\n\n其中的三角形因子来自观测区间与其平移副本的重叠。若 \\(R_X\\) 绝对可积，则由控制收敛定理可得\n\n\\[S_X(f) = \\lim_{T\\to\\infty} \\frac{1}{T}\\mathbb E|X_T(f)|^2.\\]\n\n这一恒等式将自相关形式与频谱作为单位频率平均功率的解释联系起来。这里的期望运算至关重要：它并不意味着单个样本实现的傅里叶变换模平方会逐点收敛于谱密度。"
    },
    {
      "heading": "离散时间形式",
      "text": "对于宽平稳序列 \\(X_n\\)，定义\n\n\\[R_X[k] = \\mathbb E[X_{n+k}\\overline{X_n}].\\]\n\n若自相关序列绝对可和，则其谱密度为\n\n\\[S_X(\\omega) = \\sum_{k=-\\infty}^{\\infty} R_X[k]e^{-i\\omega k},\\]\n\n逆关系为\n\n\\[R_X[k] = \\frac{1}{2\\pi} \\int_{-\\pi}^{\\pi} S_X(\\omega)e^{i\\omega k}\\,d\\omega.\\]\n\n频谱关于角频率以 \\(2\\pi\\) 为周期，这反映了每个采样间隔内相差 \\(2\\pi\\) 弧度整数倍的频率无法区分。\n\n更一般地，每个正定自相关序列在频率圆周上都有一个有限非负谱测度。这是与赫格洛茨定理相关的离散时间对应形式。\n\n对于有限数据，离散傅里叶变换和快速傅里叶变换能够高效计算样本相关与傅里叶变换模平方之间的关系。在计算中应用这些恒等式时，必须区分循环相关与线性相关，并注意补零和归一化的处理。"
    },
    {
      "heading": "示例",
      "text": "指数衰减的自相关\n\n假设一个零均值过程具有如下自相关：\n\n\\[R_X(\\tau)=\\sigma^2e^{-a|\\tau|}, \\qquad a>0.\\]\n\n其功率谱密度为\n\n\\[S_X(f) = \\frac{2a\\sigma^2}{a^2+(2\\pi f)^2}.\\]\n\n这是洛伦兹型频谱。相关衰减越快，即 \\(a\\) 越大，频谱就越宽。其积分为 \\(\\sigma^2\\)，与自相关在零点的值所要求的一致。\n\n随机相位的正弦信号\n\n设\n\n\\[X(t)=A\\cos(2\\pi f_0t+\\Theta),\\]\n\n其中 \\(A\\) 为常数，\\(f_0>0\\)，且 \\(\\Theta\\) 在 \\([0,2\\pi)\\) 上均匀分布。则\n\n\\[R_X(\\tau)=\\frac{A^2}{2}\\cos(2\\pi f_0\\tau).\\]\n\n谱测度为\n\n\\[\\mu_X = \\frac{A^2}{4} \\left(\\delta_{f_0}+\\delta_{-f_0}\\right).\\]\n\n这两条谱线承载的总功率为 \\(A^2/2\\)。由于自相关不衰减，基于绝对可积性的普通傅里叶变换形式不足以处理这一情况，而谱测度形式可以直接应用。\n\n离散白噪声\n\n对于方差为 \\(\\sigma^2\\) 的零均值不相关序列，\n\n\\[R_X[k] = \\begin{cases} \\sigma^2,&k=0,\\\\ 0,&k\\ne0, \\end{cases}\\]\n\n因此\n\n\\[S_X(\\omega)=\\sigma^2.\\]\n\n可见，离散时间白噪声具有平坦的频谱。连续时间理想白噪声则需要用广义随机过程描述：若整个实频率轴上的谱密度为非零常数，总功率便会无限大，因而不可能描述普通的有限方差过程。"
    },
    {
      "heading": "应用与局限",
      "text": "该定理将分析时间序列的两种互补方法联系起来：一种是衡量不同时滞下的依赖关系，另一种是衡量各频率上的功率。它是通信、声学、振动分析及光谱学中谱估计的理论基础。\n\n对于通过适当稳定的线性时不变滤波器的平稳输入，若滤波器的频率响应为 \\(H(f)\\)，则输出谱满足\n\n\\[S_Y(f)=|H(f)|^2S_X(f).\\]\n\n将该定理与滤波器和输入之间的卷积关系相结合，即可得到这一结果。\n\n应用该定理时，需要注意以下几方面的区别：\n\n- 平稳与非平稳。 一般非平稳过程的相关函数分别依赖于两个时刻。仅用依赖时滞的自相关及其频谱，无法描述这一完整结构。\n- 系综平均与时间平均。 仅凭平稳性，不能将期望替换为单条观测记录上的平均值。这样的替换需要适当的遍历性假设。\n- 精确恒等式与统计估计。 有限观测窗会使频谱特征模糊。若不进行适当的平均或平滑，原始周期图通常不是连续谱密度的逐点一致估计量。\n- 二阶信息与完整概率规律。 自相关和功率谱描述的是二阶矩，而非过程的全部特征。不同过程可能具有相同的频谱。对于高斯过程，均值和协方差决定了全部有限维分布。\n- 功率信号与能量信号。 对于有限能量的确定性信号，一个相关的自相关恒等式给出能量谱 \\(|\\widehat{x}(f)|^2\\)。该结果使用积分形式的自相关，而非平稳过程的系综相关及其单位时间功率归一化。"
    },
    {
      "heading": "历史发展",
      "text": "该定理以诺伯特·维纳和亚历山大·辛钦的名字命名，后者的姓氏除拼作 Khinchin 外，也音译为 Khintchine。维纳于1930年提出了广义调和分析的处理方法，辛钦则于1934年给出了平稳过程形式。“维纳–辛钦–爱因斯坦定理”这一名称还肯定了阿尔伯特·爱因斯坦早期在联系涨落与频谱描述方面所做的工作。\n\n现代形式将这一结果置于正定函数与平稳过程谱表示的更广泛理论框架之中。"
    }
  ],
  "links": [
    "stationary-process",
    "autocorrelation",
    "fourier-transform",
    "harmonic-analysis",
    "stochastic-process",
    "expected-value",
    "lebesgue-measure",
    "covariance",
    "variance",
    "dominated-convergence-theorem",
    "discrete-fourier-transform",
    "fast-fourier-transform",
    "time-series",
    "spectroscopy",
    "convolution",
    "ergodicity",
    "gaussian-process",
    "norbert-wiener"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}