说实话我当年学《通信原理》的时候在“随机过程”这一节结结实实摔过一跤。教材翻到那一章满页都是分布函数、期望、自相关、功率谱公式一层叠一层不知道它们从哪来、要往哪去。后来在实验室做接收机设计天天跟热噪声、信道衰落打交道才真正把这一章吃透——原来通信系统里几乎所有问题最后都落到对随机过程的统计描述上。这篇文章想用一个从业者的视角把“随机过程”这条主线重新捋一遍不堆理论推导重点讲清楚每个概念到底是干什么用的、怎么串起来以及做题和实际仿真里最常见的坑。适合正在学通信原理的本科生、考研复习的同学也适合刚入行想补基础的信号处理工程师。这里的“2.1”基本就是教材里“随机过程”作为数学工具第一次登场的章节很多人学到这就会卡住。卡住的原因多半不是数学功底不够而是没搞明白为什么要在一门讲信号的课里引入随机过程所以第一步先把这个问题解决。1. 从“信号与系统”到“随机过程”这一步到底跨了什么1.1 通信系统里到底哪里“随机”信号与系统课程里我们处理的是确定性信号。给一个 (x(t))经过一个线性系统输出 (y(t)) 是唯一确定的实验做一百次结果都一样。这种思维在通信原理里会立刻失效因为通信系统里到处都是不可预测的东西。最典型的就是热噪声。接收机放大器里的电子热运动会叠加在信号上你开机测一次噪声波形再关机重启测一次两次波形完全不同。信道也一样无线信号经过多径传播反射体在移动、大气在扰动同一时刻不同地点、同一地点不同时刻的信道响应都不一样。更不用说信源本身——发送的比特流本来就是随机的不然就不需要通信了。所以通信原理从这一章开始讨论的对象不再是“一条确定的波形”而是一个“充满不确定性的波形族”。我们需要一个数学工具既能描述不确定性又能从中提取出稳定的统计规律这个工具就是随机过程。1.2 随机过程的定义把“随机变量”铺到时间轴上随机过程可以理解成“一族随时间推进的随机变量”。严格写出来是 (X(t, \omega))它有两个自变量一个是时间 (t)一个是样本空间里的结果 (\omega)。固定住 (\omega)比如做一次实验得到一条完整的时间函数 (x(t))这条函数叫样本函数也叫一次实现。你拿示波器看噪声看到的那条具体波形就是一条样本函数。固定住 (t)比如就看 (t1\text{s}) 这一刻此时 (X(1,\omega)) 变成了一个普通的随机变量它的取值随实验不同而不同这就是时刻截面。整个随机过程 (X(t))可以看成把无穷多个随机变量按时间顺序排列起来的“全家桶”。有个生活化类比一条河的日水位记录。你每天中午测一次水位得到一串数值这是一条样本函数但你要分析“明天中午水位是多少”它是一个随机变量说不准具体值只能说它服从某个分布。河流水位在时间上的变化规律就是一个随机过程。1.3 必须先分清的四个身份样本、集合、截面、状态我见过不少同学在随机过程这里翻车第一个原因就是四个术语混在一起导致后面看公式全都费劲。这里直接列一个对照表建议保存下来。概念含义随手记样本函数一次实验得到的一条时间波形 (x(t,\omega_i))示波器上的一条线样本集合所有可能样本函数的全体也叫总体无数条波形的集合时刻截面固定 (t) 后(X(t)) 作为一个随机变量某一时刻的所有可能取值状态随机过程在某个时刻可能取的具体值截面的某个取值这四者的差别决定了后面两种平均的区别集合平均是在某一固定时刻对所有样本函数取值做平均也就是对截面做统计平均时间平均是对同一条样本函数沿着时间轴做平均。这个区别在讲各态历经性时非常关键先记住这两句话就行。2. 随机过程用什么语言描述均值、方差与相关函数2.1 一维统计量均值、方差以及它们的通信含义随机过程在某个固定时刻是一个随机变量所以单看一个时刻可以用一维概率密度 (f_X(x,t)) 描述。由此得到两个最基本统计量[ m_X(t) E[X(t)] \int_{-\infty}^{\infty} x f_X(x,t), dx ][ \sigma_X^2(t) E\left[(X(t)-m_X(t))^2\right] ]工程上均值代表信号的直流分量方差代表交流功率。接收机出来一个带噪声的信号你要判断里面有没有直流偏置看的就是均值噪声的“强度”有多大看的就是方差。如果过程是非平稳的这两个量会随时间变化那后续很多简便运算就用不了所以才需要引入平稳性。举个例子巩固一下设 (X(t) A\cos(\omega_0 t \Theta))其中 (\Theta) 在 ([0, 2\pi)) 上均匀分布那么[ E[X(t)] \frac{A}{2\pi}\int_0^{2\pi} \cos(\omega_0 t\theta), d\theta 0 ]均值恒为零不随 (t) 变。很多人第一次算这个会怀疑余弦函数不是随时间摆动的吗均值怎么会是常数因为这里随机的是相位 (\Theta)在每个时刻都有无数个相位取值统计平均后把时间振荡抹平了。这个例子后面还会用到。2.2 自相关函数随机过程真正的“灵魂”均值、方差只描述了单时刻的统计特性但随机过程的核心价值在于描述不同时刻之间的关联。描述这种关联的量就是自相关函数[ R_X(t_1,t_2) E[X(t_1)X(t_2)] ]为什么说它是灵魂因为只要知道了自相关函数大概率就能拿到随机过程所有工程上关心的信息平均功率、功率谱密度、通过线性系统后的输出特性。先看一个特殊但非常重要的点当 (t_1t_2t) 时[ R_X(t,t) E[X^2(t)] ]这就是随机过程的总平均功率包含直流功率和交流功率。回到上面那个正弦随机相位例子[ R_X(t_1,t_2) E[A^2 \cos(\omega_0 t_1\Theta)\cos(\omega_0 t_2\Theta)] \frac{A^2}{2}\cos\omega_0(t_2-t_1) ]只和时间差有关这是一个非常重要的结果后面讲平稳性会用到。自相关函数另一个直观含义是“记忆长度”。相关性强的过程相邻时刻的取值相似波形变化缓慢相关性弱的过程两个时刻稍微拉开一点取值就完全不搭界波形剧烈抖动。比如语音信号短时间内相关性强而宽带噪声的相邻采样点几乎不相关。2.3 自相关函数的基本性质做题全靠它们自相关函数在宽平稳条件下只与时间差 (\tau) 有关写成 (R_X(\tau))。它有一组非常重要的性质做题时几乎每题都会用到。我把它们整理成一张表并标注工程含义。性质数学表达工程含义共轭对称(R_X(\tau)R_X(-\tau))功率谱是实偶函数原点最大(R_X(\tau)平均功率(R_X(0)E[X^2(t)])总平均功率极限趋向直流功率若过程不含周期分量(R_X(\infty)m_X^2)长延时后不再相关只留直流非负定性任意加权求和 (\sum_i\sum_j a_i a_j R(t_i-t_j)\ge 0)保证功率谱密度非负最后一条非负定性初看抽象它的意义就是保证 (R_X(\tau)) 的傅里叶变换不会是负数毕竟功率谱是物理量不能出现负值。做题时最常用的是前四条。比如题目给了 (R_X(\tau) \sigma^2 e^{-a|\tau|} m^2)直接能读出总功率 (R_X(0)\sigma^2m^2)直流功率 (m^2)交流功率 (\sigma^2)。看见 (\tau \to \infty) 的极限值就知道直流分量是多少省去重新算均值的时间。3. 平稳性与各态历经性让理论坍缩成可用的工具3.1 严平稳与宽平稳宽平稳才是通信常客截止到上一节所有统计量都还带着时间 (t)非常不方便。平稳性就是让这些量“变简单”的一个约束条件。严平稳要求任意有限维联合分布都不随时间起点平移而改变。这个条件太强工程上没法验证也没有必要。我们实际几乎都用宽平稳也叫广义平稳、弱平稳条件只有三条均值 (E[X(t)]) 为常数不随时间变自相关函数只与时间差 (\tau) 有关(R_X(t_1,t_2)R_X(\tau))均方值有限(E[X^2(t)] \infty)。第三条在真实物理过程基本都满足做题一般默认。前两条需要动手验证。还是用正弦随机相位过程 (X(t)A\cos(\omega_0t\Theta)) 来验证均值我们算过等于 0常数自相关算出来是 (\frac{A^2}{2}\cos\omega_0\tau)只与 (\tau) 有关。所以它是宽平稳过程。反过来如果我把相位 (\Theta) 固定为一个具体数值 (\theta_0)那么 (X(t)A\cos(\omega_0 t\theta_0)) 是一个确定的余弦函数均值 (A\cos(\omega_0t\theta_0)) 随 (t) 变化就不是平稳过程。这两句话可以当结论背下来随机相位可以带来平稳性固定相位不行。为什么通信里讨论平稳性这么重要因为只有在平稳假设下均值、自相关才是常数或单变量函数后面的功率谱密度、系统响应公式才能成立。这是整个随机过程理论的“地基”。3.2 各态历经性为什么测一段波形就能代表整个过程平稳性解决了统计量与时间无关的问题但还留着一个大麻烦理论公式用的是集合平均也就是在某一固定时刻对无穷多条样本函数求平均。现实里你不可能无限次重复开机、产生无穷多条噪声波形你手上通常只有一条观测数据。各态历经性解决的就是这个问题。它说在满足一定条件时可以用一条样本函数的时间平均去替代对所有样本函数的集合平均。定义如下[ \overline{X(t)} \lim_{T\to\infty}\frac{1}{2T}\int_{-T}^{T} X(t),dt ]如果这个时间平均等于集合平均 (E[X(t)])就说该过程在均值意义上具有各态历经性。类似地还有自相关意义上的各态历经性。工程上的态度通常是先假设过程是平稳遍历的然后拿一段数据去估计各种统计量。实际测噪声功率谱就是用有限长数据做平均估计之所以这个方法可行本质就是默认真实物理噪声满足各态历经性。严格证明遍历性非常复杂考试一般不会让你证但概念辨析要清楚。一个容易忽略的点平稳不一定遍历遍历通常要求平稳。别把两者混为一谈。比如 (X(t)Y)(Y) 是任意一个随机变量这个过程平稳但每条样本函数都是常数 (Y)一条样本的时间平均永远等于那个唯一的 (Y)不一定等于整个总体的均值 (E[Y])所以它不遍历。这种例子考试喜欢出。3.3 快速判断套路与三个易错点判断一个随机过程是不是平稳遍历我做题形成了固定流程先求均值 (E[X(t)])看是否为常数再算 (E[X(t)X(t\tau)])看结果是否只含 (\tau) 不含 (t)如果满足就得到了平稳性求时间平均 (\overline{X(t)})与 (E[X(t)]) 比较相等则在均值意义上遍历。三个易错点必须提醒第一随机相位和固定相位要区分清楚。题目里只要写了“相位在区间上均匀分布”基本就是为了让你验证平稳性如果没写分布默认它是固定常数那往往是非平稳的。第二不要把 (R_X(\tau)) 里的 (\tau) 和 (t) 搞混。非平稳过程的自相关还是两个变量的函数只有宽平稳前提下才能写成 (R_X(\tau))。第三时间平均和集合平均是两个不同维度的事。看到一个极限符号 (\lim_{T\to\infty}\frac{1}{2T}\int_{-T}^{T}) 就知道是在算时间平均看到 (E[\cdot]) 就知道是在算集合平均。做题时可以先看题目问的是哪个再决定用哪条路。4. 随机过程的频域身份功率谱密度与维纳-辛钦定理4.1 随机信号为什么不能直接用傅里叶变换学过信号与系统遇到一个新信号第一反应是拿傅里叶变换看看它的频域长相。但把傅里叶变换直接套在随机过程上会遇到两个问题。一是能量无限。平稳随机过程的样本函数通常在整个时间轴上持续存在不满足绝对可积条件传统傅里叶变换不存在。二是样本随机性。每条样本函数的频谱都不一样单看某一条没有代表意义。就好比你想从一堆人里总结一个理想化身高分布不能只量一个人的身高就下结论。所以换个思路不要看“能量”看“功率”。平稳随机过程虽然能量无限但平均功率是有限的。我们把注意力放在平均功率在频率轴上的分布上这就有了功率谱密度。4.2 维纳-辛钦定理自相关与功率谱的一对一关系功率谱密度的严格定义需要先对样本函数做截断再取傅里叶变换随后求模平方的平均值和极限。定义式子长这样[ P_X(f) \lim_{T\to\infty} \frac{E\left[|X_T(f)|^2\right]}{2T} ]其中 (X_T(f)) 是截断后的样本函数 (x_T(t)) 的傅里叶变换。这个定义说明了功率谱的物理来源但真拿它去算题太痛苦。幸运的是维纳-辛钦定理给出了一个极其优雅的计算方式对于宽平稳随机过程自相关函数和功率谱密度是一对傅里叶变换[ P_X(f) \int_{-\infty}^{\infty} R_X(\tau) e^{-j2\pi f\tau}, d\tau ][ R_X(\tau) \int_{-\infty}^{\infty} P_X(f) e^{j2\pi f\tau}, df ]一句话记忆平稳随机过程的自相关函数与功率谱密度互为傅里叶变换对。这和确定性信号的“能量谱密度等于幅度谱平方”在思路上是统一的——把信号的自相关信息做傅里叶变换得到频率域的能量或功率分布。这个定理的价值怎么强调都不过分。它把时域的统计描述和频域的物理功率联系起来。随机过程的“频域特性”就不再停留在抽象定义而是变成了一个可以直接计算的积分。后面讲白噪声、带限噪声、系统响应全靠这一座桥。4.3 白噪声、带限噪声与一次MATLAB实测把维纳-辛钦定理用起来最快的例子是白噪声。白噪声定义为功率谱密度在整个频率轴上平坦的随机过程[ P_X(f) \frac{N_0}{2},\quad -\infty f \infty ]这里 (N_0/2) 是双边功率谱密度工程上还常用单边谱 (N_0)做题时一定先看题目用的是单边还是双边不然积分结果差一倍。由维纳-辛钦定理白噪声的自相关函数是[ R_X(\tau) \frac{N_0}{2}\delta(\tau) ]这说明什么白噪声在任何两个不同时刻的取值都不相关哪怕时间间隔小到微秒级别。理想白噪声不存在因为它的平均功率 (R_X(0)E[X^2]) 发散。实际系统中我们说的白噪声都是在一个有限带宽内功率谱平坦的带限白噪声。只要带限宽度远大于系统带宽就可以近似当作白噪声处理。我在MATLAB里做过一次直观验证建议你也试一下。用randn生成一段高斯白噪声序列用pwelch估计功率谱再用一个低通滤波器处理后再估计一次fs 10000; t (0:fs-1)/fs; x randn(1, fs); % 原始噪声功率谱估计 [pxx, f] pwelch(x, hamming(1024), 512, 1024, fs); plot(f, 10*log10(pxx)); title(原始高斯白噪声功率谱); % 设计一个截止频率 500 Hz 的低通滤波器 [b, a] butter(6, 500/(fs/2)); y filter(b, a, x); % 滤波后噪声功率谱 [pyy, f2] pwelch(y, hamming(1024), 512, 1024, fs); figure; plot(f2, 10*log10(pyy)); title(低通滤波后噪声功率谱);原始噪声的功率谱在带宽内基本是一条平线滤波后会看到高频部分被削下去带限特征非常明显。这时候再去算滤波后信号的自相关会发现不再是 (\delta) 函数而出现一个有限宽度的相关峰噪声“变慢”了相邻采样点开始有相关性。这个过程能帮你把“白噪声”和“带限噪声”这两个概念从纸面落到波形上。5. 三个高频模型的底层理解高斯过程、窄带过程、线性系统5.1 高斯随机过程为什么通信噪声都爱假设高斯通信原理里噪声模型出现频率最高的就是高斯过程。所谓高斯随机过程是指随机过程的任意 (n) 个时刻的取值联合起来都服从 (n) 维高斯分布。高斯过程有三个性质让它在工程中近乎“统治级”地好用。第一完全描述只需要均值和协方差。普通随机过程需要无穷维分布高斯过程只需要一阶矩和二阶矩恰好和宽平稳的讨论接上了。第二高斯过程经过线性系统后仍然是高斯过程。线性变换不会破坏联合高斯性。这意味着我们分析接收机里经过放大器、滤波器之后的噪声可以放心沿用高斯假设。第三在高斯前提下不相关等价于独立。判断两个量“独立”通常很难但只要确认它们是联合高斯的算一下协方差为零就够用了。这个性质后面证明同相分量和正交分量独立时会直接用到。为什么实际热噪声近似高斯物理上的解释是中心极限定理热噪声是大量独立电子随机运动的宏观叠加每个电子贡献微小大量叠加后分布趋近高斯。这个解释不必背得那么玄只要理解“大量独立微小随机因素叠加的结果像高斯”就够了。高斯过程的一维概率密度形式也就是考试里经常出现的那个钟形曲线[ f(x) \frac{1}{\sqrt{2\pi}\sigma}\exp\left(-\frac{(x-m)^2}{2\sigma^2}\right) ]后面计算误码率时Q 函数本质上就是高斯分布的尾部概率可以说整个误码率分析都建立在这个模型之上。5.2 窄带随机过程的同相/正交分解与包络分布实际通信系统里信号经滤波后常常落在某个中心频率 (f_c) 附近很窄的频带内满足带宽远小于中心频率这就是窄带随机过程。窄带过程可以写成包络和相位的形式[ X(t) A(t)\cos\left(\omega_0 t \Phi(t)\right) ]更常用的是拆成两路正交分量[ X(t) X_c(t)\cos\omega_0 t - X_s(t)\sin\omega_0 t ]其中 (X_c(t)) 叫同相分量(X_s(t)) 叫正交分量。这个分解在接收机架构里随处可见数字通信里的 I/Q 解调就是在这个公式上建立的。如果 (X(t)) 是零均值平稳高斯窄带过程那么 (X_c(t)) 和 (X_s(t)) 也是平稳高斯过程均值都为零方差相等且都等于原过程的总功率的一半同一个时刻两个分量相互独立。这些结论可以当成结论直接用推导过程在教材里都有核心就是前面说过的“高斯不相关即独立”。更常用的结论是包络和相位的分布。零均值平稳高斯窄带过程的包络 (A(t)\sqrt{X_c^2X_s^2}) 服从瑞利分布[ f_A(a) \frac{a}{\sigma^2}\exp\left(-\frac{a^2}{2\sigma^2}\right),\quad a\ge 0 ]相位在 ([0,2\pi)) 上均匀分布。如果窄带过程里还叠加了一个确定的正弦信号比如接收信号包含强直射分量时包络服从莱斯分布概率密度表达式带第一类零阶贝塞尔函数形式复杂一些但对应场景非常明确。这两个分布在无线通信的信道建模里就是日常。多径衰落环境下接收信号没有直射分量时包络通常用瑞利分布有强直射分量时用莱斯分布。理解了窄带过程的分解相当于拿到了理解衰落信道的钥匙。我用一个表把两者的适用场景和核心特征放一起方便复习时对照。分布类型适用场景概率密度特征参数瑞利分布无直射分量的多径衰落从零开始先升后降长尾(\sigma^2) 为同相/正交分量方差莱斯分布有强直射分量叠加接近高斯但带偏置有 (K) 因子描述直射功率占比5.3 随机过程通过线性系统输出的均值、自相关和功率谱通信系统处理随机信号时关心的经常是“信号加噪声通过一个滤波器之后变成什么样”。这就涉及平稳随机过程经过线性时不变系统的分析。设输入 (X(t)) 是宽平稳随机过程系统冲激响应为 (h(t))传递函数为 (H(f))输出 (Y(t)X(t)\ast h(t))。在输入平稳的假设下输出也是宽平稳的并且有三个公式[ m_Y m_X \cdot H(0) ][ R_Y(\tau) R_X(\tau) \ast h(\tau) \ast h(-\tau) ][ P_Y(f) P_X(f) \cdot |H(f)|^2 ]第三个公式最好用也最重要输出的功率谱等于输入功率谱乘以系统幅频响应的平方。物理上很好理解滤波器对各频率分量的功率做加权相位变化不改变功率所以只有模平方进入功率谱。第一个公式也好解释(H(0)) 是直流增益均值经过线性系统就按直流增益缩放。第二个公式初看有点怪为什么时域是双重卷积因为 (R_Y(\tau)E[Y(t)Y(t\tau)])代入卷积表达式期望运算会作用在 (X) 和 (X) 的相关上最终把 (h) 和 (h) 的翻转做卷积。不深究推导的话记住结果即可。举个例子RC 低通滤波器时间常数 (RC)冲激响应 (h(t)\frac{1}{RC}e^{-t/(RC)}u(t))传递函数 (H(f)\frac{1}{1j2\pi fRC})。输入是功率谱密度为 (N_0/2) 的白噪声则输出功率谱[ P_Y(f) \frac{N_0}{2}\cdot\frac{1}{1(2\pi fRC)^2} ]输出总平均功率[ E[Y^2(t)] \int_{-\infty}^{\infty} P_Y(f), df \frac{N_0}{2}\cdot\frac{1}{2RC} \frac{N_0}{4RC} ]这类积分遇得多了会出现一个技巧当输入为白噪声时输出功率就是 (N_0/2) 乘上系统幅频响应平方在全频段的积分。实际系统带宽不是理想矩形但工程上为了快速估算会引入等效噪声带宽(B_N)定义是[ B_N \frac{\int_{-\infty}^{\infty}|H(f)|^2, df}{2|H(f)|_{\max}^2} ]用这个带宽可以直观地把非矩形系统近似成一个矩形带宽系统。比如上述 RC 低通(|H(f)|_{\max}^21)积分算出来等效噪声带宽 (B_N 1/(4RC))。以后遇到任意滤波器只要估算出等效噪声带宽再乘上输入白噪声功率谱密度就能快速得到输出噪声功率而不必每回都重新积分。5.4 实用速查做随机过程题目前先问自己四个问题这部分是我自己总结的做题经验谈不上严谨但很管用。拿到一道路随机过程相关的题先不要急着翻公式按顺序问自己四个问题。第一这个过程的均值是常数吗自相关只与时间差有关吗如果都不是基本可以排除平稳性假设很多公式就不能直接套。第二题目里给的自相关函数是 (R_X(\tau)) 还是 (R_X(t_1,t_2))后者意味着过程不一定平稳运算时要回到定义不能直接把 (\tau) 提出来。第三算功率谱时用的是双边谱还是单边谱如果题目说噪声功率谱密度为 (N_0)有的教材定义的是单边谱那积分区间要从 0 到无穷如果写 (N_0/2)积分区间是负无穷到正无穷。这种细节最容易丢分。第四如果要求系统输出噪声功率优先考虑 (P_Y(f)P_X(f)|H(f)|^2) 这条路而不是先去算 (R_Y(\tau))。频域往往更快除非题目明确要求自相关函数。另外还有一个排查技巧如果算出某个过程的平均功率和方差记得用 (E[X^2]m_X^2\sigma_X^2) 自检。这道等式可以帮你发现均值算错还是方差算错。我当年做“正弦信号加噪声”类题目经常靠这个关系检查。回头说说我个人的体会。我自己学这一节的顺序是先花时间把“样本函数、集合平均、时间平均”这三个词彻底分清再用维纳-辛钦定理把时域和频域串起来最后才接触高斯和窄带这些具体模型。后来帮同学答疑发现卡住的十有八九是没分清这几个基础概念公式反而背得比谁都熟。如果你现在正学到这给你一个实操性建议把本文里出现的几个关键公式尤其是 (R_X(\tau)) 与 (P_X(f)) 的傅里叶变换对以及 (P_Y(f)P_X(f)|H(f)|^2)自己在纸上完整推导一遍。推导时留意每一步用到了平稳性的哪一条假设比刷十道题都管用。这一章可能看一遍觉得乱第二遍开始顺第三遍会发现通信原理后面的内容处处都在回头用这一章的结论。 通信原理中的随机过程：平稳性、自相关与功率谱密度详解
说实话我当年学《通信原理》的时候在“随机过程”这一节结结实实摔过一跤。教材翻到那一章满页都是分布函数、期望、自相关、功率谱公式一层叠一层不知道它们从哪来、要往哪去。后来在实验室做接收机设计天天跟热噪声、信道衰落打交道才真正把这一章吃透——原来通信系统里几乎所有问题最后都落到对随机过程的统计描述上。这篇文章想用一个从业者的视角把“随机过程”这条主线重新捋一遍不堆理论推导重点讲清楚每个概念到底是干什么用的、怎么串起来以及做题和实际仿真里最常见的坑。适合正在学通信原理的本科生、考研复习的同学也适合刚入行想补基础的信号处理工程师。这里的“2.1”基本就是教材里“随机过程”作为数学工具第一次登场的章节很多人学到这就会卡住。卡住的原因多半不是数学功底不够而是没搞明白为什么要在一门讲信号的课里引入随机过程所以第一步先把这个问题解决。1. 从“信号与系统”到“随机过程”这一步到底跨了什么1.1 通信系统里到底哪里“随机”信号与系统课程里我们处理的是确定性信号。给一个 (x(t))经过一个线性系统输出 (y(t)) 是唯一确定的实验做一百次结果都一样。这种思维在通信原理里会立刻失效因为通信系统里到处都是不可预测的东西。最典型的就是热噪声。接收机放大器里的电子热运动会叠加在信号上你开机测一次噪声波形再关机重启测一次两次波形完全不同。信道也一样无线信号经过多径传播反射体在移动、大气在扰动同一时刻不同地点、同一地点不同时刻的信道响应都不一样。更不用说信源本身——发送的比特流本来就是随机的不然就不需要通信了。所以通信原理从这一章开始讨论的对象不再是“一条确定的波形”而是一个“充满不确定性的波形族”。我们需要一个数学工具既能描述不确定性又能从中提取出稳定的统计规律这个工具就是随机过程。1.2 随机过程的定义把“随机变量”铺到时间轴上随机过程可以理解成“一族随时间推进的随机变量”。严格写出来是 (X(t, \omega))它有两个自变量一个是时间 (t)一个是样本空间里的结果 (\omega)。固定住 (\omega)比如做一次实验得到一条完整的时间函数 (x(t))这条函数叫样本函数也叫一次实现。你拿示波器看噪声看到的那条具体波形就是一条样本函数。固定住 (t)比如就看 (t1\text{s}) 这一刻此时 (X(1,\omega)) 变成了一个普通的随机变量它的取值随实验不同而不同这就是时刻截面。整个随机过程 (X(t))可以看成把无穷多个随机变量按时间顺序排列起来的“全家桶”。有个生活化类比一条河的日水位记录。你每天中午测一次水位得到一串数值这是一条样本函数但你要分析“明天中午水位是多少”它是一个随机变量说不准具体值只能说它服从某个分布。河流水位在时间上的变化规律就是一个随机过程。1.3 必须先分清的四个身份样本、集合、截面、状态我见过不少同学在随机过程这里翻车第一个原因就是四个术语混在一起导致后面看公式全都费劲。这里直接列一个对照表建议保存下来。概念含义随手记样本函数一次实验得到的一条时间波形 (x(t,\omega_i))示波器上的一条线样本集合所有可能样本函数的全体也叫总体无数条波形的集合时刻截面固定 (t) 后(X(t)) 作为一个随机变量某一时刻的所有可能取值状态随机过程在某个时刻可能取的具体值截面的某个取值这四者的差别决定了后面两种平均的区别集合平均是在某一固定时刻对所有样本函数取值做平均也就是对截面做统计平均时间平均是对同一条样本函数沿着时间轴做平均。这个区别在讲各态历经性时非常关键先记住这两句话就行。2. 随机过程用什么语言描述均值、方差与相关函数2.1 一维统计量均值、方差以及它们的通信含义随机过程在某个固定时刻是一个随机变量所以单看一个时刻可以用一维概率密度 (f_X(x,t)) 描述。由此得到两个最基本统计量[ m_X(t) E[X(t)] \int_{-\infty}^{\infty} x f_X(x,t), dx ][ \sigma_X^2(t) E\left[(X(t)-m_X(t))^2\right] ]工程上均值代表信号的直流分量方差代表交流功率。接收机出来一个带噪声的信号你要判断里面有没有直流偏置看的就是均值噪声的“强度”有多大看的就是方差。如果过程是非平稳的这两个量会随时间变化那后续很多简便运算就用不了所以才需要引入平稳性。举个例子巩固一下设 (X(t) A\cos(\omega_0 t \Theta))其中 (\Theta) 在 ([0, 2\pi)) 上均匀分布那么[ E[X(t)] \frac{A}{2\pi}\int_0^{2\pi} \cos(\omega_0 t\theta), d\theta 0 ]均值恒为零不随 (t) 变。很多人第一次算这个会怀疑余弦函数不是随时间摆动的吗均值怎么会是常数因为这里随机的是相位 (\Theta)在每个时刻都有无数个相位取值统计平均后把时间振荡抹平了。这个例子后面还会用到。2.2 自相关函数随机过程真正的“灵魂”均值、方差只描述了单时刻的统计特性但随机过程的核心价值在于描述不同时刻之间的关联。描述这种关联的量就是自相关函数[ R_X(t_1,t_2) E[X(t_1)X(t_2)] ]为什么说它是灵魂因为只要知道了自相关函数大概率就能拿到随机过程所有工程上关心的信息平均功率、功率谱密度、通过线性系统后的输出特性。先看一个特殊但非常重要的点当 (t_1t_2t) 时[ R_X(t,t) E[X^2(t)] ]这就是随机过程的总平均功率包含直流功率和交流功率。回到上面那个正弦随机相位例子[ R_X(t_1,t_2) E[A^2 \cos(\omega_0 t_1\Theta)\cos(\omega_0 t_2\Theta)] \frac{A^2}{2}\cos\omega_0(t_2-t_1) ]只和时间差有关这是一个非常重要的结果后面讲平稳性会用到。自相关函数另一个直观含义是“记忆长度”。相关性强的过程相邻时刻的取值相似波形变化缓慢相关性弱的过程两个时刻稍微拉开一点取值就完全不搭界波形剧烈抖动。比如语音信号短时间内相关性强而宽带噪声的相邻采样点几乎不相关。2.3 自相关函数的基本性质做题全靠它们自相关函数在宽平稳条件下只与时间差 (\tau) 有关写成 (R_X(\tau))。它有一组非常重要的性质做题时几乎每题都会用到。我把它们整理成一张表并标注工程含义。性质数学表达工程含义共轭对称(R_X(\tau)R_X(-\tau))功率谱是实偶函数原点最大(R_X(\tau)平均功率(R_X(0)E[X^2(t)])总平均功率极限趋向直流功率若过程不含周期分量(R_X(\infty)m_X^2)长延时后不再相关只留直流非负定性任意加权求和 (\sum_i\sum_j a_i a_j R(t_i-t_j)\ge 0)保证功率谱密度非负最后一条非负定性初看抽象它的意义就是保证 (R_X(\tau)) 的傅里叶变换不会是负数毕竟功率谱是物理量不能出现负值。做题时最常用的是前四条。比如题目给了 (R_X(\tau) \sigma^2 e^{-a|\tau|} m^2)直接能读出总功率 (R_X(0)\sigma^2m^2)直流功率 (m^2)交流功率 (\sigma^2)。看见 (\tau \to \infty) 的极限值就知道直流分量是多少省去重新算均值的时间。3. 平稳性与各态历经性让理论坍缩成可用的工具3.1 严平稳与宽平稳宽平稳才是通信常客截止到上一节所有统计量都还带着时间 (t)非常不方便。平稳性就是让这些量“变简单”的一个约束条件。严平稳要求任意有限维联合分布都不随时间起点平移而改变。这个条件太强工程上没法验证也没有必要。我们实际几乎都用宽平稳也叫广义平稳、弱平稳条件只有三条均值 (E[X(t)]) 为常数不随时间变自相关函数只与时间差 (\tau) 有关(R_X(t_1,t_2)R_X(\tau))均方值有限(E[X^2(t)] \infty)。第三条在真实物理过程基本都满足做题一般默认。前两条需要动手验证。还是用正弦随机相位过程 (X(t)A\cos(\omega_0t\Theta)) 来验证均值我们算过等于 0常数自相关算出来是 (\frac{A^2}{2}\cos\omega_0\tau)只与 (\tau) 有关。所以它是宽平稳过程。反过来如果我把相位 (\Theta) 固定为一个具体数值 (\theta_0)那么 (X(t)A\cos(\omega_0 t\theta_0)) 是一个确定的余弦函数均值 (A\cos(\omega_0t\theta_0)) 随 (t) 变化就不是平稳过程。这两句话可以当结论背下来随机相位可以带来平稳性固定相位不行。为什么通信里讨论平稳性这么重要因为只有在平稳假设下均值、自相关才是常数或单变量函数后面的功率谱密度、系统响应公式才能成立。这是整个随机过程理论的“地基”。3.2 各态历经性为什么测一段波形就能代表整个过程平稳性解决了统计量与时间无关的问题但还留着一个大麻烦理论公式用的是集合平均也就是在某一固定时刻对无穷多条样本函数求平均。现实里你不可能无限次重复开机、产生无穷多条噪声波形你手上通常只有一条观测数据。各态历经性解决的就是这个问题。它说在满足一定条件时可以用一条样本函数的时间平均去替代对所有样本函数的集合平均。定义如下[ \overline{X(t)} \lim_{T\to\infty}\frac{1}{2T}\int_{-T}^{T} X(t),dt ]如果这个时间平均等于集合平均 (E[X(t)])就说该过程在均值意义上具有各态历经性。类似地还有自相关意义上的各态历经性。工程上的态度通常是先假设过程是平稳遍历的然后拿一段数据去估计各种统计量。实际测噪声功率谱就是用有限长数据做平均估计之所以这个方法可行本质就是默认真实物理噪声满足各态历经性。严格证明遍历性非常复杂考试一般不会让你证但概念辨析要清楚。一个容易忽略的点平稳不一定遍历遍历通常要求平稳。别把两者混为一谈。比如 (X(t)Y)(Y) 是任意一个随机变量这个过程平稳但每条样本函数都是常数 (Y)一条样本的时间平均永远等于那个唯一的 (Y)不一定等于整个总体的均值 (E[Y])所以它不遍历。这种例子考试喜欢出。3.3 快速判断套路与三个易错点判断一个随机过程是不是平稳遍历我做题形成了固定流程先求均值 (E[X(t)])看是否为常数再算 (E[X(t)X(t\tau)])看结果是否只含 (\tau) 不含 (t)如果满足就得到了平稳性求时间平均 (\overline{X(t)})与 (E[X(t)]) 比较相等则在均值意义上遍历。三个易错点必须提醒第一随机相位和固定相位要区分清楚。题目里只要写了“相位在区间上均匀分布”基本就是为了让你验证平稳性如果没写分布默认它是固定常数那往往是非平稳的。第二不要把 (R_X(\tau)) 里的 (\tau) 和 (t) 搞混。非平稳过程的自相关还是两个变量的函数只有宽平稳前提下才能写成 (R_X(\tau))。第三时间平均和集合平均是两个不同维度的事。看到一个极限符号 (\lim_{T\to\infty}\frac{1}{2T}\int_{-T}^{T}) 就知道是在算时间平均看到 (E[\cdot]) 就知道是在算集合平均。做题时可以先看题目问的是哪个再决定用哪条路。4. 随机过程的频域身份功率谱密度与维纳-辛钦定理4.1 随机信号为什么不能直接用傅里叶变换学过信号与系统遇到一个新信号第一反应是拿傅里叶变换看看它的频域长相。但把傅里叶变换直接套在随机过程上会遇到两个问题。一是能量无限。平稳随机过程的样本函数通常在整个时间轴上持续存在不满足绝对可积条件传统傅里叶变换不存在。二是样本随机性。每条样本函数的频谱都不一样单看某一条没有代表意义。就好比你想从一堆人里总结一个理想化身高分布不能只量一个人的身高就下结论。所以换个思路不要看“能量”看“功率”。平稳随机过程虽然能量无限但平均功率是有限的。我们把注意力放在平均功率在频率轴上的分布上这就有了功率谱密度。4.2 维纳-辛钦定理自相关与功率谱的一对一关系功率谱密度的严格定义需要先对样本函数做截断再取傅里叶变换随后求模平方的平均值和极限。定义式子长这样[ P_X(f) \lim_{T\to\infty} \frac{E\left[|X_T(f)|^2\right]}{2T} ]其中 (X_T(f)) 是截断后的样本函数 (x_T(t)) 的傅里叶变换。这个定义说明了功率谱的物理来源但真拿它去算题太痛苦。幸运的是维纳-辛钦定理给出了一个极其优雅的计算方式对于宽平稳随机过程自相关函数和功率谱密度是一对傅里叶变换[ P_X(f) \int_{-\infty}^{\infty} R_X(\tau) e^{-j2\pi f\tau}, d\tau ][ R_X(\tau) \int_{-\infty}^{\infty} P_X(f) e^{j2\pi f\tau}, df ]一句话记忆平稳随机过程的自相关函数与功率谱密度互为傅里叶变换对。这和确定性信号的“能量谱密度等于幅度谱平方”在思路上是统一的——把信号的自相关信息做傅里叶变换得到频率域的能量或功率分布。这个定理的价值怎么强调都不过分。它把时域的统计描述和频域的物理功率联系起来。随机过程的“频域特性”就不再停留在抽象定义而是变成了一个可以直接计算的积分。后面讲白噪声、带限噪声、系统响应全靠这一座桥。4.3 白噪声、带限噪声与一次MATLAB实测把维纳-辛钦定理用起来最快的例子是白噪声。白噪声定义为功率谱密度在整个频率轴上平坦的随机过程[ P_X(f) \frac{N_0}{2},\quad -\infty f \infty ]这里 (N_0/2) 是双边功率谱密度工程上还常用单边谱 (N_0)做题时一定先看题目用的是单边还是双边不然积分结果差一倍。由维纳-辛钦定理白噪声的自相关函数是[ R_X(\tau) \frac{N_0}{2}\delta(\tau) ]这说明什么白噪声在任何两个不同时刻的取值都不相关哪怕时间间隔小到微秒级别。理想白噪声不存在因为它的平均功率 (R_X(0)E[X^2]) 发散。实际系统中我们说的白噪声都是在一个有限带宽内功率谱平坦的带限白噪声。只要带限宽度远大于系统带宽就可以近似当作白噪声处理。我在MATLAB里做过一次直观验证建议你也试一下。用randn生成一段高斯白噪声序列用pwelch估计功率谱再用一个低通滤波器处理后再估计一次fs 10000; t (0:fs-1)/fs; x randn(1, fs); % 原始噪声功率谱估计 [pxx, f] pwelch(x, hamming(1024), 512, 1024, fs); plot(f, 10*log10(pxx)); title(原始高斯白噪声功率谱); % 设计一个截止频率 500 Hz 的低通滤波器 [b, a] butter(6, 500/(fs/2)); y filter(b, a, x); % 滤波后噪声功率谱 [pyy, f2] pwelch(y, hamming(1024), 512, 1024, fs); figure; plot(f2, 10*log10(pyy)); title(低通滤波后噪声功率谱);原始噪声的功率谱在带宽内基本是一条平线滤波后会看到高频部分被削下去带限特征非常明显。这时候再去算滤波后信号的自相关会发现不再是 (\delta) 函数而出现一个有限宽度的相关峰噪声“变慢”了相邻采样点开始有相关性。这个过程能帮你把“白噪声”和“带限噪声”这两个概念从纸面落到波形上。5. 三个高频模型的底层理解高斯过程、窄带过程、线性系统5.1 高斯随机过程为什么通信噪声都爱假设高斯通信原理里噪声模型出现频率最高的就是高斯过程。所谓高斯随机过程是指随机过程的任意 (n) 个时刻的取值联合起来都服从 (n) 维高斯分布。高斯过程有三个性质让它在工程中近乎“统治级”地好用。第一完全描述只需要均值和协方差。普通随机过程需要无穷维分布高斯过程只需要一阶矩和二阶矩恰好和宽平稳的讨论接上了。第二高斯过程经过线性系统后仍然是高斯过程。线性变换不会破坏联合高斯性。这意味着我们分析接收机里经过放大器、滤波器之后的噪声可以放心沿用高斯假设。第三在高斯前提下不相关等价于独立。判断两个量“独立”通常很难但只要确认它们是联合高斯的算一下协方差为零就够用了。这个性质后面证明同相分量和正交分量独立时会直接用到。为什么实际热噪声近似高斯物理上的解释是中心极限定理热噪声是大量独立电子随机运动的宏观叠加每个电子贡献微小大量叠加后分布趋近高斯。这个解释不必背得那么玄只要理解“大量独立微小随机因素叠加的结果像高斯”就够了。高斯过程的一维概率密度形式也就是考试里经常出现的那个钟形曲线[ f(x) \frac{1}{\sqrt{2\pi}\sigma}\exp\left(-\frac{(x-m)^2}{2\sigma^2}\right) ]后面计算误码率时Q 函数本质上就是高斯分布的尾部概率可以说整个误码率分析都建立在这个模型之上。5.2 窄带随机过程的同相/正交分解与包络分布实际通信系统里信号经滤波后常常落在某个中心频率 (f_c) 附近很窄的频带内满足带宽远小于中心频率这就是窄带随机过程。窄带过程可以写成包络和相位的形式[ X(t) A(t)\cos\left(\omega_0 t \Phi(t)\right) ]更常用的是拆成两路正交分量[ X(t) X_c(t)\cos\omega_0 t - X_s(t)\sin\omega_0 t ]其中 (X_c(t)) 叫同相分量(X_s(t)) 叫正交分量。这个分解在接收机架构里随处可见数字通信里的 I/Q 解调就是在这个公式上建立的。如果 (X(t)) 是零均值平稳高斯窄带过程那么 (X_c(t)) 和 (X_s(t)) 也是平稳高斯过程均值都为零方差相等且都等于原过程的总功率的一半同一个时刻两个分量相互独立。这些结论可以当成结论直接用推导过程在教材里都有核心就是前面说过的“高斯不相关即独立”。更常用的结论是包络和相位的分布。零均值平稳高斯窄带过程的包络 (A(t)\sqrt{X_c^2X_s^2}) 服从瑞利分布[ f_A(a) \frac{a}{\sigma^2}\exp\left(-\frac{a^2}{2\sigma^2}\right),\quad a\ge 0 ]相位在 ([0,2\pi)) 上均匀分布。如果窄带过程里还叠加了一个确定的正弦信号比如接收信号包含强直射分量时包络服从莱斯分布概率密度表达式带第一类零阶贝塞尔函数形式复杂一些但对应场景非常明确。这两个分布在无线通信的信道建模里就是日常。多径衰落环境下接收信号没有直射分量时包络通常用瑞利分布有强直射分量时用莱斯分布。理解了窄带过程的分解相当于拿到了理解衰落信道的钥匙。我用一个表把两者的适用场景和核心特征放一起方便复习时对照。分布类型适用场景概率密度特征参数瑞利分布无直射分量的多径衰落从零开始先升后降长尾(\sigma^2) 为同相/正交分量方差莱斯分布有强直射分量叠加接近高斯但带偏置有 (K) 因子描述直射功率占比5.3 随机过程通过线性系统输出的均值、自相关和功率谱通信系统处理随机信号时关心的经常是“信号加噪声通过一个滤波器之后变成什么样”。这就涉及平稳随机过程经过线性时不变系统的分析。设输入 (X(t)) 是宽平稳随机过程系统冲激响应为 (h(t))传递函数为 (H(f))输出 (Y(t)X(t)\ast h(t))。在输入平稳的假设下输出也是宽平稳的并且有三个公式[ m_Y m_X \cdot H(0) ][ R_Y(\tau) R_X(\tau) \ast h(\tau) \ast h(-\tau) ][ P_Y(f) P_X(f) \cdot |H(f)|^2 ]第三个公式最好用也最重要输出的功率谱等于输入功率谱乘以系统幅频响应的平方。物理上很好理解滤波器对各频率分量的功率做加权相位变化不改变功率所以只有模平方进入功率谱。第一个公式也好解释(H(0)) 是直流增益均值经过线性系统就按直流增益缩放。第二个公式初看有点怪为什么时域是双重卷积因为 (R_Y(\tau)E[Y(t)Y(t\tau)])代入卷积表达式期望运算会作用在 (X) 和 (X) 的相关上最终把 (h) 和 (h) 的翻转做卷积。不深究推导的话记住结果即可。举个例子RC 低通滤波器时间常数 (RC)冲激响应 (h(t)\frac{1}{RC}e^{-t/(RC)}u(t))传递函数 (H(f)\frac{1}{1j2\pi fRC})。输入是功率谱密度为 (N_0/2) 的白噪声则输出功率谱[ P_Y(f) \frac{N_0}{2}\cdot\frac{1}{1(2\pi fRC)^2} ]输出总平均功率[ E[Y^2(t)] \int_{-\infty}^{\infty} P_Y(f), df \frac{N_0}{2}\cdot\frac{1}{2RC} \frac{N_0}{4RC} ]这类积分遇得多了会出现一个技巧当输入为白噪声时输出功率就是 (N_0/2) 乘上系统幅频响应平方在全频段的积分。实际系统带宽不是理想矩形但工程上为了快速估算会引入等效噪声带宽(B_N)定义是[ B_N \frac{\int_{-\infty}^{\infty}|H(f)|^2, df}{2|H(f)|_{\max}^2} ]用这个带宽可以直观地把非矩形系统近似成一个矩形带宽系统。比如上述 RC 低通(|H(f)|_{\max}^21)积分算出来等效噪声带宽 (B_N 1/(4RC))。以后遇到任意滤波器只要估算出等效噪声带宽再乘上输入白噪声功率谱密度就能快速得到输出噪声功率而不必每回都重新积分。5.4 实用速查做随机过程题目前先问自己四个问题这部分是我自己总结的做题经验谈不上严谨但很管用。拿到一道路随机过程相关的题先不要急着翻公式按顺序问自己四个问题。第一这个过程的均值是常数吗自相关只与时间差有关吗如果都不是基本可以排除平稳性假设很多公式就不能直接套。第二题目里给的自相关函数是 (R_X(\tau)) 还是 (R_X(t_1,t_2))后者意味着过程不一定平稳运算时要回到定义不能直接把 (\tau) 提出来。第三算功率谱时用的是双边谱还是单边谱如果题目说噪声功率谱密度为 (N_0)有的教材定义的是单边谱那积分区间要从 0 到无穷如果写 (N_0/2)积分区间是负无穷到正无穷。这种细节最容易丢分。第四如果要求系统输出噪声功率优先考虑 (P_Y(f)P_X(f)|H(f)|^2) 这条路而不是先去算 (R_Y(\tau))。频域往往更快除非题目明确要求自相关函数。另外还有一个排查技巧如果算出某个过程的平均功率和方差记得用 (E[X^2]m_X^2\sigma_X^2) 自检。这道等式可以帮你发现均值算错还是方差算错。我当年做“正弦信号加噪声”类题目经常靠这个关系检查。回头说说我个人的体会。我自己学这一节的顺序是先花时间把“样本函数、集合平均、时间平均”这三个词彻底分清再用维纳-辛钦定理把时域和频域串起来最后才接触高斯和窄带这些具体模型。后来帮同学答疑发现卡住的十有八九是没分清这几个基础概念公式反而背得比谁都熟。如果你现在正学到这给你一个实操性建议把本文里出现的几个关键公式尤其是 (R_X(\tau)) 与 (P_X(f)) 的傅里叶变换对以及 (P_Y(f)P_X(f)|H(f)|^2)自己在纸上完整推导一遍。推导时留意每一步用到了平稳性的哪一条假设比刷十道题都管用。这一章可能看一遍觉得乱第二遍开始顺第三遍会发现通信原理后面的内容处处都在回头用这一章的结论。