随机过程基础：从统计特性到通信系统应用

1. 随机过程的基本概念

在通信系统中，我们经常需要处理各种随机信号，比如热噪声、信道干扰等。这些信号无法用确定性的数学函数来描述，因为它们具有不可预测的特性。随机过程就是用来描述这类信号的数学工具。

1.1 二维视角理解随机过程

随机过程ξ(t)可以理解为依赖于参数t（通常是时间）的一族随机变量的集合。想象你同时用100台示波器测量同一电子元件的热噪声，会得到100条不同的波形：

• 样本函数：每条具体的波形xi(t)称为一个样本函数
• 随机变量：在某个固定时刻t1，所有示波器显示的数值集合ξ(t1)就是一个随机变量

这种二维视角非常重要：

• 纵向看（固定时间）：它是一个随机变量
• 横向看（固定样本）：它是一个确定的时间函数

1.2 统计特性描述

由于随机过程的复杂性，我们需要用概率论的工具来描述它：

1.2.1 分布函数与概率密度

• 一维分布函数：F1(x1,t1)=P[ξ(t1)≤x1]
• 一维概率密度：f1(x1,t1)=∂F1(x1,t1)/∂x1
• 二维概率密度：f2(x1,x2;t1,t2)（通信中最关心）
• n维概率密度：fn(x1,...,xn;t1,...,tn)

二维概率密度特别重要，因为它揭示了信号在不同时刻的关联程度。

1.2.2 数字特征

工程实践中，我们主要关注四个核心数字特征：

1. 均值（数学期望）：

   code复制a(t) = E[ξ(t)] = ∫x f1(x,t)dx
   

   物理意义：信号的直流分量

2. 方差：

   code复制σ²(t) = E{[ξ(t)-a(t)]²}
   

   物理意义：信号的交流功率

3. 自相关函数：

   code复制R(t1,t2) = E[ξ(t1)ξ(t2)]
   

   这是最重要的指标，衡量两个时刻信号的相关性

4. 自协方差函数：

   code复制B(t1,t2) = E{[ξ(t1)-a(t1)][ξ(t2)-a(t2)]}
   

   去除了直流分量后的相关性

提示：自相关函数与自协方差函数的关系为R(t1,t2)=B(t1,t2)+a(t1)a(t2)，这体现了"总功率=交流功率+直流功率"的基本原理。

2. 平稳随机过程

实际工程中，我们希望随机过程的统计特性不要随时间变化，这就是平稳性的概念。

2.1 广义平稳(WSS)的两个条件

一个随机过程要称为广义平稳，必须同时满足：

1. 均值与时间无关：

   code复制E[ξ(t)] = a（常数）
   

2. 自相关函数只取决于时间间隔τ：

   code复制R(t,t+τ) = R(τ)
   

这使得数学处理从二维降到了一维，大大简化了分析过程。

2.2 各态历经性

这个概念对工程师特别实用：

• 统计平均：需要同时观测大量样本（不现实）
• 时间平均：只需长时间观测一个样本

各态历经性意味着：

code复制统计平均 = 时间平均

这使得我们通过单次长时间测量就能获得统计特性。

2.3 自相关函数的重要性质

对于平稳过程，自相关函数R(τ)具有以下关键性质：

1. R(0) = E[ξ²(t)]（总平均功率）
2. R(τ) = R(-τ)（偶函数）
3. |R(τ)| ≤ R(0)
4. 如果均值a=0，则R(τ)=B(τ)

3. 功率谱密度

3.1 维纳-辛钦定理

这是连接时域和频域的桥梁：

code复制Pξ(f) = ∫R(τ)e^(-j2πfτ)dτ
R(τ) = ∫Pξ(f)e^(j2πfτ)df

即功率谱密度和自相关函数是一对傅里叶变换对。

3.2 功率谱密度的性质

1. 非负性：Pξ(f) ≥ 0
2. 实偶函数（对于实随机过程）
3. 总功率：R(0) = ∫Pξ(f)df

4. 高斯随机过程

4.1 定义与性质

高斯过程是指任意n维分布都是高斯分布的随机过程。它有四个重要性质：

1. 完全由均值和自相关函数决定
2. 广义平稳等价于狭义平稳
3. 线性变换后仍保持高斯特性
4. 不相关等价于统计独立

4.2 一维概率密度

对于高斯随机变量：

code复制f(x) = 1/(√(2π)σ) * exp[-(x-a)²/(2σ²)]

其中a是均值，σ²是方差。

5. 高斯白噪声

5.1 白噪声特性

• "白"：功率谱密度在所有频率上均匀分布

  code复制Pξ(f) = N0/2, -∞ < f < ∞
  

• 自相关函数：

  code复制R(τ) = (N0/2)δ(τ)
  

5.2 高斯特性

指任意时刻的幅值服从高斯分布。

6. 窄带随机过程

6.1 表达式

可以表示为：

code复制ξ(t) = ξc(t)cos(2πf0t) - ξs(t)sin(2πf0t)

其中ξc(t)和ξs(t)分别是同相和正交分量。

6.2 包络与相位分布

• 瑞利分布：当正弦波不存在时
• 莱斯分布：当存在正弦波信号时

7. 典型例题解析

7.1 白噪声通过RC低通滤波器

解题步骤：

1. 求系统传输函数H(f)
2. 求输出功率谱密度Pη(f)和自相关函数
3. 求输出平均功率Pout
4. 求输出一维概率密度函数

关键点：

• 输出仍然是高斯过程
• 输出功率谱密度：Pη(f) = |H(f)|² * Pξ(f)
• 输出自相关函数可以通过傅里叶反变换得到

8. 学习建议

1. 重点掌握自相关函数和功率谱密度的关系
2. 理解平稳性和各态历经性的工程意义
3. 多做高斯过程通过线性系统的练习题
4. 注意区分不同噪声类型的特性

在实际工程中，我经常发现学生容易混淆的几个概念：

• 严格平稳和广义平稳的区别
• 各态历经性的适用条件
• 白噪声的理想化假设与实际噪声的差异

建议通过示波器实际观察随机信号，建立直观认识。测量时要注意：

1. 采样时间要足够长
2. 避免测量系统引入的额外噪声
3. 正确设置示波器的带宽限制