1 基本概念
功率谱密度是描述信号或随机过程在频率域内功率分布的一种量。与只看“时间上怎样变化”不同，功率谱密度关注的是“各个频率成分占多少功率”，因此常被用来观察一个对象的频域结构。对于具有重复特征的信号，它能显示主要频率位置；对于带噪数据，它则能反映噪声能量的分布方式。
1.1 定义与直观含义
从直观上看，功率谱密度可以理解为单位频率宽度内所包含的平均功率。若把信号拆分成许多不同频率的正弦分量，那么功率谱密度就像一张“频率功率地图”，指出哪些频段更强、哪些频段较弱。它并不直接给出瞬时波形，而是强调统计意义上的频域分布。
1.2 与频谱、能量谱的区别
频谱通常是对信号频率成分的总体描述，常见形式包括幅度谱和相位谱；能量谱则主要用于总能量有限的信号，表示能量随频率的分布。功率谱密度更适合描述持续时间较长、总能量趋于无穷但平均功率有限的信号。换言之，能量谱关注“总量”，功率谱密度关注“平均强度”。
1.3 适用对象
功率谱密度并非只用于一种信号类型，而是与信号是否可看作平稳、是否具有有限平均功率等条件密切相关。它在工程中常用于通信载波、噪声、振动和声学记录等数据。
1.3.1 确定性信号
对于确定性信号，若其在观测区间内具有稳定的周期结构或可近似看作长时间重复的模式，也可以讨论功率谱密度。此时它更多体现为一种频域分析工具，而不一定依赖随机性假设。
1.3.2 随机过程
随机过程是功率谱密度最典型的适用对象之一。由于单次观测会受到随机波动影响，谱密度通常表示统计平均后的频率功率分布，用以描述总体特征而非某一瞬间的具体样本。
1.3.3 平稳信号
平稳信号或平稳随机过程的统计特征不随时间平移而改变，因此其功率谱密度具有明确而稳定的意义。许多理论结果，尤其是自相关函数与频谱之间的关系，都以平稳性为前提。
1.4 物理意义
在物理层面，功率谱密度反映了系统输出在不同频率上的能量集中程度。例如，机械结构在某些固有频率附近会出现明显谱峰，表示这些频率更容易被激发；电子电路中的噪声谱则显示噪声主要分布在哪些频带。它因此成为判断振动、噪声和响应特性的重要依据。
2 数学表示
功率谱密度的数学形式依赖于信号是连续时间还是离散时间，也依赖于采用双边谱还是单边谱表示。尽管写法不同，其核心都指向频率域中的平均功率分布。
2.1 连续时间功率谱密度
对于连续时间信号或随机过程，功率谱密度通常定义为自相关函数的傅里叶变换，或等价地由有限时长傅里叶变换在极限意义下得到。若记信号为 \(x(t)\)，其功率谱密度常表示为 \(S_x(f)\)，描述频率 \(f\) 处的功率密度大小。
2.2 离散时间功率谱密度
离散时间信号中，功率谱密度写作 \(S_x(e^{j\omega})\) 或相关形式，频率变量常取数字角频率 \(\omega\)。它与连续时间情形在数学结构上相似，但频率轴具有周期性，常见于采样信号与数字滤波分析。
2.3 双边谱与单边谱
双边谱把正频率和负频率都纳入描述，适用于完整的傅里叶表示。单边谱则常用于实值信号，只保留非负频率部分，并在幅值上作相应折算，以便工程上更直观地读出频带功率。两者本质上描述的是同一对象，只是表示方式不同。
2.4 单位与量纲
功率谱密度的单位与信号本身的物理量纲有关，通常表现为“每单位频率的功率”。若信号单位是电压，则谱密度可能写成 \(V^2/Hz\)；若信号单位是加速度，则可能对应 \((m/s^2)^2/Hz\)。
2.4.1 物理单位
在实际测量中，功率谱密度的单位往往与“平方量”相关，即信号幅度的平方再除以频率单位。例如，电信号常见为 \(W/Hz\) 或 \(V^2/Hz\)，声学中也常见声压平方相关单位。
2.4.2 归一化表示
在数字信号处理中，谱密度有时会做归一化处理，使其与采样率或总能量无关，便于比较不同数据段的结果。归一化后的谱虽然数值形式改变，但依旧保留频率分布的相对关系。
3 理论基础
功率谱密度并不是孤立定义出来的概念，而是建立在傅里叶分析、随机过程理论和自相关分析之上的统一结果。它把时间域统计特征与频率域结构联系起来，形成一套可计算、可解释的理论体系。
3.1 傅里叶分析
傅里叶分析说明，复杂信号可以由不同频率的正弦和余弦分量叠加而成。功率谱密度正是从这一思想出发，只不过它关注的不是瞬时幅值，而是各频率分量的平均功率贡献。因此，傅里叶方法为谱密度提供了基本数学语言。
3.2 自相关函数与维纳-辛钦定理
自相关函数描述信号与其时间延迟版本之间的相似程度。维纳-辛钦定理指出，平稳随机过程的功率谱密度等于其自相关函数的傅里叶变换。这个结果非常重要，因为它把“时间相关性”与“频率分布”直接对应起来。
3.3 平稳随机过程理论
在平稳随机过程里，均值和协方差等统计量具有时间平移不变性，因而谱密度能够稳定定义。若过程不平稳，谱特征往往随时间变化，此时传统功率谱密度可能只能给出局部近似或平均描述。
3.4 解析性质
功率谱密度具有一系列可验证的数学性质，这些性质既帮助推导，也便于数值检验。它们构成了谱分析中最常用的基础规则。
3.4.1 非负性
功率谱密度在所有频率上都非负，这是由“功率”本身不能为负决定的。即使某些表示式看起来是复数变换结果，最终得到的谱密度仍应为实数且不小于零。
3.4.2 对称性
对于实值信号，其功率谱密度通常关于零频率呈对称分布。也就是说，正频率和负频率部分包含镜像关系，这也是单边谱能够成立的原因之一。
3.4.3 积分关系
功率谱密度对全部频率积分后，得到的是信号的总平均功率或与之对应的量。这使谱密度不仅是“形状描述”，也是一种可积累的物理量，便于与时域功率进行核对。
4 估计方法
实际应用中，功率谱密度往往不能直接从理论公式精确得到，而需要根据有限采样数据进行估计。不同估计方法在平滑程度、分辨率、偏差和计算成本方面各有特点。
4.1 周期图法
周期图法是最基础的谱估计方法之一，通常先对数据做傅里叶变换，再计算幅度平方并进行适当归一化。其优点是实现简单、直观，但方差较大，单次结果容易受样本波动影响。
4.2 窗函数法
窗函数法通过在时域数据上加窗，减轻截断造成的边缘效应。不同窗函数会在主瓣宽度和旁瓣抑制之间形成不同权衡，因此常用于控制谱泄漏，同时改善频谱观察效果。
4.3 Welch方法
Welch方法将长数据分段，对各段分别估计周期图，再进行平均。这样可以明显降低方差，使谱曲线更平滑。它是工程中非常常见的实用方法，尤其适合噪声背景较强的场景。
4.4 自回归模型法
自回归模型法把信号看作由当前值与若干历史值线性关联而成，并根据模型参数推导谱密度。该方法对窄带谱峰的刻画往往较敏感，适合处理短数据和希望获得较高分辨率的情形。
4.5 多窗谱估计法
多窗谱估计法使用多个彼此正交或近似正交的窗函数，对同一数据进行多次估计后综合结果。它能够较好平衡泄漏、偏差和方差，是较为精细的谱分析技术。
4.6 估计误差与偏差
任何有限样本估计都不可避免地带来误差。对于功率谱密度而言，误差来源包括样本不足、窗函数选择、模型假设不当以及随机波动等。
4.6.1 方差问题
方差反映了不同样本或重复实验之间估计结果的波动程度。若方差过大，谱图会显得锯齿状，难以判断真实结构，因此常通过分段平均或多窗方法加以降低。
4.6.2 分辨率问题
谱分辨率决定了相邻频率成分能否被区分开。若分辨率不足，近距离谱峰可能合并成一个宽峰，导致特征识别不够准确。提高分辨率通常意味着更长数据或更复杂算法。
4.6.3 泄漏效应
当信号并非整数周期截断时，频率能量会扩散到邻近频点，这就是谱泄漏。泄漏会掩盖弱小分量，也可能使主峰形状失真，因此在实际估计中需通过窗函数和合理采样策略减轻。
5 常见性质
功率谱密度不仅是计算结果，也体现了信号与系统的若干基本规律。理解这些性质，有助于将谱图与物理系统对应起来。
5.1 线性系统中的谱变换
当信号通过线性时不变系统后，其功率谱密度会受到系统频率响应的调制。简单地说，输入在某频率上越强，若系统在该频率处增益越高，则输出谱中的相应部分也会更明显。
5.2 白噪声与有色噪声
白噪声在理想情况下具有近似平坦的功率谱密度，即各频率上的功率分布大致均匀。有色噪声则在不同频段呈现不同强度，如低频更强或高频衰减更快，因此谱形往往更具结构性。
5.3 谱峰与特征频率
谱峰通常对应系统的固有振动、周期激励或显著调制成分。通过识别峰值位置，可以提取特征频率，并进一步推断设备状态、信号来源或结构特性。
5.4 带宽与频带能量
带宽描述功率主要集中在哪一段频率范围内。若某信号的能量几乎都落在有限频带，则可认为它是窄带信号；若分布较广，则可视为宽带信号。频带能量分析常用于滤波设计与信号分类。
5.5 谱平坦度
谱平坦度用于衡量功率谱是否均匀。谱越平坦，说明各频率成分越接近；谱越尖锐，则说明能量集中于少数频点。该指标常见于音频特征分析和噪声判别。
6 典型应用
功率谱密度在众多学科中都扮演着基础工具的角色，既可用于研究对象本身，也可作为后续建模、检测和诊断的输入特征。
6.1 通信系统分析
在通信中，功率谱密度用于观察信号占用的频带、评估带宽效率以及分析调制方式的频域特征。它还可帮助判断邻道干扰与滤波效果，是系统设计中的常用指标。
6.2 电子噪声分析
电子器件产生的热噪声、散粒噪声和其他随机扰动，常通过谱密度来描述。分析噪声谱有助于评估放大器、传感器和电源系统的性能极限。
6.3 机械振动监测
在机械设备中，振动信号的谱密度可揭示轴承、齿轮和转子系统的异常特征。若某些频率成分突然增强，往往意味着结构状态发生变化，因此它被广泛用于故障诊断。
6.4 声学与音频处理
声学研究中，功率谱密度可用于分析语言、音乐和环境噪声的频率组成。音频工程则常借助它进行均衡、降噪、回声抑制和音色分析。
6.5 生物医学信号分析
在生物医学领域，心电、脑电和肌电等信号都具有明显的频率结构。通过谱密度分析，可以提取节律特征、观察异常波段，并辅助识别生理状态变化。
6.6 地震与环境数据分析
地震波、海浪、风速和温度波动等环境数据，也常用谱密度观察周期性与随机性成分。它有助于区分背景波动和突发事件，并为长期趋势分析提供频域视角。
7 相关概念
功率谱密度与多个频域和统计概念密切相关。它们之间既有联系，也有明确区别，混淆这些概念会影响分析结论。
7.1 幅度谱与相位谱
幅度谱表示各频率分量的强弱，相位谱则描述这些分量在时间上的相对位置。功率谱密度只反映能量或功率大小，不直接包含相位信息，因此它适合看“强度分布”，不适合重建完整波形。
7.2 自功率谱与互功率谱
自功率谱描述单个信号自身的频率功率分布；互功率谱则用于两个信号之间的频域相关性分析。后者常用于研究耦合关系、相干性以及系统输入输出之间的联系。
7.3 互相关函数
互相关函数衡量两个信号在不同延迟下的相似程度。它与互功率谱之间也存在傅里叶变换关系，因此可以在时域相关和频域耦合之间相互转换。
7.4 频率响应函数
频率响应函数描述线性系统对不同频率输入的增益与相位变化。结合输入和输出的功率谱，可以分析系统在各频段的放大、衰减或共振特性。
7.5 传递函数
传递函数是系统理论中的核心表达，常用来刻画输入与输出之间的数学关系。它与功率谱密度一起使用时，能够从频域角度推断系统结构和动力学行为。
8 历史与发展
功率谱密度的形成经历了从经典傅里叶分析到随机过程理论，再到数字计算与现代算法的长期演变。它的发展与物理测量技术、统计方法和计算能力的提升密切相关。
8.1 早期频谱分析思想
早期频谱分析主要来自对周期现象和振动现象的研究。人们逐渐认识到，复杂现象可以拆解为不同频率成分，这一思想为后来的谱密度概念奠定了基础。
8.2 随机过程谱理论的发展
随着噪声与随机现象研究的深入，学者开始把频域方法推广到随机过程。自相关函数与谱密度之间的理论联系，使得统计分析和频率分析得以统一。
8.3 数字信号处理时代的谱估计
数字计算技术的发展使得离散傅里叶变换、快速傅里叶变换以及多种谱估计算法广泛可用。谱分析从手工推导和模拟仪器操作，逐步进入可批量处理和自动化分析阶段。
8.4 现代计算方法与应用拓展
近年来，随着计算资源提升和数据规模扩大，谱分析被进一步用于高分辨率成像、机器状态监测、神经信号识别和大规模数据挖掘。多窗方法、自适应估计以及与机器学习结合的特征提取，也使功率谱密度的应用范围持续扩展。