很多同学学通信原理前几章还兴致勃勃一到随机过程就卡壳了。这个反应太正常了。原因在于前面学的信号与系统、傅里叶变换处理的全是确定信号输入输出都“按剧本走”。可一旦进入真实通信系统你面对的是噪声、衰落、多径、干扰这些信号在每一时刻都是不确定的你根本无法写一个确定的数学表达式去描述它。这时候通信原理就抛出了一把新的钥匙——随机过程。它专门用来描述那些“每次测量都不一样、但整体有统计规律”的信号。这篇博文的内容就是围绕通信原理第2.1节“随机过程”展开的学习笔记与经验分享。我会从概念怎么理解、数学工具怎么用、仿真怎么落地三个层面把随机过程这条线彻底捋清楚。无论你是考研复习、期末突击还是刚开始接触无线通信、水声通信、IIC通信这类实际系统的信号建模这篇文章都能给你一套可以直接“抄作业”的理解路径和操作清单。下面进入正题。1. 为什么通信系统的设计绕不开随机过程1.1 确定信号只讲了一半的故事在“信号与系统”课程里我们习惯把一个信号写成 s(t)Acos(2πf0t)把它代入傅里叶变换求频谱、求带宽、求通过系统后的输出。这些操作的前提是信号是完全已知的过去、现在、未来任何一个时刻的取值都能精确预测。但通信系统里真正决定性能的往往是那些“不确定的部分”比如接收机前端的热噪声、无线信道里的多径衰落和散射干扰、多个用户之间相互干扰的随机数据流。这些信号你没办法预知下一刻取什么值只能知道它的统计规律。我经常跟学生打一个比方确定信号像一张照片拍下来是什么就是什么随机过程像一段录像每一帧都在变化但你可以统计出“画面平均亮度是多少”“相邻两帧之间的差异有多大”。通信系统设计真正要处理的恰恰是“录像”而不是“照片”。接收机要做的事情就是从一段混入大量随机噪声的录像里尽量还原出原始发送的那张“照片”。这就是为什么通信原理在讲完确知信号之后紧接着就要引入随机过程这个数学框架。1.2 从“随机变量”到“随机过程”把“随机”挂到时间轴上随机变量大家都很熟抛一枚硬币结果是一个随机变量 X可能取值正面或反面各自有概率。随机过程本质上就是“一个随时间变化的随机变量族”数学上写作 X(t,ω)其中 t 是时间ω 是样本空间里的一个结果。如果固定 tX(t,ω) 就退化为一个普通随机变量如果固定 ω就得到一条随时间的样本函数比如示波器上看到的一段噪声波形如果 t 和 ω 都变化就得到了一个随机过程。这个“先固定时间看分布、再固定样本看波形”的双重视角是理解随机过程的第一个关键点。通信系统里最常用的做法是前者我们在某个观测时刻 t 上把接收信号 r(t)s(t)n(t) 看成信号项加噪声项噪声 n(t) 在这个时刻服从某个概率分布然后计算误码率、信噪比。后者则多用于仿真你要用随机数生成器产生一整条噪声波形模拟接收机实际看到的信号。两个视角要切换自如做题和写代码才不会懵。1.3 通信里最常见的三类随机源把视野放宽其实通信系统里到处是随机过程我归纳成三类方便你记噪声类随机过程热噪声、散粒噪声、放大器内部噪声通常建模为平稳高斯白噪声或带限高斯噪声。信道类随机过程多径衰落信道中每条路径的幅度和相位随时间随机变化典型如瑞利衰落、莱斯衰落它们是窄带随机过程。信号类随机过程信源输出的数据比特本身就是随机的经过调制后形成的已调信号从统计角度看也是一个随机过程。这三类随机过程在接收机里是叠加或卷积的关系。你只有把它们的统计特性分别搞清楚才能继续讨论“最优接收”“匹配滤波”“分集合并”这些后续章节。如果这个基础没打牢后面学 OFDM、LDPC 码、MIMO 信道估计全都像空中楼阁。所以我建议学第2.1节时不要只背公式要始终问自己一个问题这个统计量对应到实际通信系统里到底是哪个物理量2. 怎么描述一个随机过程从概率密度到自相关函数2.1 全部统计信息与两个“够用”的指标描述一个随机过程最完整的方式是给出它的任意有限维概率密度函数族。也就是说对于任意 n 个时刻 t1,t2,...,tn你要知道随机变量 X(t1),X(t2),...,X(tn) 的联合概率密度 p(x1,x2,...,xn;t1,t2,...,tn)。这在理论上很完美但工程上几乎不可能实现——你不可能把任意时刻的联合分布都测出来计算量也随之爆炸。于是工程上退而求其次只关心两个最基本的统计量均值函数 m(t)E[X(t)] 和自相关函数 R(t1,t2)E[X(t1)X(t2)]。均值描述信号的直流分量自相关函数描述信号在两个不同时刻取值的关联程度。对于通信系统来说这两个量在很多场景下已经足够用了。比如计算接收信号功率时我们关心 E[X²(t)]它恰恰等于自相关函数在 t1t2 时刻的特殊取值。后面还会看到对于平稳随机过程均值决定直流功率自相关函数经过傅里叶变换就能得到功率谱密度于是频域分析也接上了。2.2 自相关函数到底在“自相关”什么自相关函数这个词听起来抽象其实道理很朴素。假设你在听一段广播音量忽大忽小你会自然地问昨天的音量变化模式和今天的像不像如果像说明这两天的音量序列是“相关”的或者说有一定规律可循如果完全不像那就是纯随机。自相关函数 R(τ)E[X(t)X(tτ)] 测的就是同一随机过程在间隔 τ 的两个时刻之间的相似程度。它有两个重要的性质工程上天天用到。第一R(0)E[X²(t)]即 τ0 时自相关函数等于随机过程的平均总功率这个结论在计算信噪比时直接使用。第二|R(τ)|≤R(0)也就是说随机信号和自己最像的时刻一定是零间隔的时候隔的时间越长相关性一般来说越弱。这个特性也符合直觉间隔足够大之后前后取值几乎互相独立相关性趋于零。如果一个随机过程的自相关函数只在 τ0 附近有值比如白噪声那就说明它“毫无记忆”任意两个时刻的取值互不相关。2.3 平稳与遍历工程上最实用的两个假设随机过程种类繁多为了能用一套固定的工具分析通信系统我们常对它加两个假设平稳性和遍历性。平稳性又分“严平稳”和“宽平稳”。严平稳要求任意有限维分布对时间平移不变条件太强工程上几乎只用宽平稳也叫广义平稳只需满足两个条件均值是常数自相关函数只与时间间隔 τ 有关即 R(t,tτ)R(τ)。换句话说系统在时间上“稳定”统计特性不随绝对时间变化。接收机预热后噪声的统计特性基本不随时间漂移所以宽平稳是很自然的假设。遍历性则解决了一个实际操作问题我们只有一条实测波形怎么用它的时间平均去估计整个随机过程的统计平均如果一个平稳随机过程满足遍历性那么时间平均等于统计平均。比如你测一段 1 秒长的噪声波形算它的平均功率就能代表整个噪声过程的平均功率。严格验证遍历性非常麻烦但工程上默认通信里的平稳随机过程都满足遍历性否则几乎所有测量和仿真都做不下去。记住这句话平稳给了我们理论框架遍历给了我们实际操作的可能。3. 随机过程的频域面孔功率谱密度与维纳-辛钦定理3.1 随机信号为什么不能直接用傅里叶变换学通信的人对频域有执念碰到信号就想着求频谱。但随机过程有一个尴尬的地方绝大多数样本函数不满足傅里叶变换的绝对可积条件也就是说∫|x(t)|dt 往往是无穷大。原因很简单噪声永不衰减一直持续下去能量无限大但功率是有限的。对这种“有功率、无能量”的信号傅里叶变换在传统意义下不收敛你没法直接用频谱来描述它。那怎么在频域处理它思路转换一下既然单个样本的能量无限就不研究能量谱改研究功率谱。把随机过程看成无数样本函数的集合求每个样本在一个有限观察窗口内的“平均功率”再让窗口趋于无穷大并取统计平均得到的谱就叫功率谱密度。功率谱密度描述的是“随机信号在每个频率上平均贡献了多少功率”单位是 W/Hz它刻画的是功率在频域上的分布而不是某个确定信号的频谱。3.2 功率谱密度与自相关函数是一对傅里叶变换这里要引入通信原理里最核心的定理之一维纳-辛钦定理。它说对于平稳随机过程功率谱密度 P_X(f) 与自相关函数 R(τ) 互为傅里叶变换对。写成公式就是 P_X(f)∫R(τ)e^{-j2πfτ}dτ。这个定理的漂亮之处在于它把时域的自相关特性和频域的功率分布统一了起来。为什么这对我们学通信特别重要因为它直接连接了“时域统计”和“频域设计”。发射端发射的信号占多大的带宽接收端噪声有多大功率滤波器带宽该设计多宽这些全部要回到功率谱密度这个量上来。比如在仿真时你很难直接测出随机过程的功率谱但可以先算实测样本的自相关函数再做 FFT就能得到功率谱估计。如果你用 MATLAB 那套 pwelch 函数看习惯了可以自己用 xcorr 加 fft 复现一遍能加深对维纳-辛钦定理的理解。3.3 白噪声与带限白噪声理论模型和仿真参数怎么切换理想白噪声是功率谱密度在所有频率上均匀分布的随机过程即 P(f)N0/2双边谱或 N0单边谱。工程上只要在系统工作带宽内噪声谱基本平坦就可以近似看成白噪声。白噪声这个叫法是从光学里借来的白光包含所有颜色白噪声包含所有频率。实际物理系统中不存在真正无限带宽的白噪声但数学上引入它可以把问题极大简化。实际仿真时我们通常用带限白噪声概念。也就是说在白噪声功率谱密度的定义域上只在采样频率 fs 的一半范围内奈奎斯特带宽近似平坦。用 randn 生成的离散噪声序列其功率谱在 [-fs/2, fs/2] 内近似为常数。你在生成噪声样本时就需要做一次功率刻度换算如果想让离散序列对应的双边功率谱密度为 N0/2那么序列的方差 σ²N0/2·fs。反过来你手头有一串方差已知的离散噪声用它模拟连续白噪声时等效 N02σ²/fs。这个换算关系非常重要很多仿真里的信噪比误差都来自这里后面我会在避坑部分再具体展开。4. 通信建模的基石高斯过程与AWGN信道4.1 高斯过程的“不变性”为什么噪声模型大多选高斯随机过程家族里高斯过程是绝对的主角。它有一个极其好用的性质高斯过程的任意有限维分布都是高斯分布而且高斯过程经过任何线性系统之后仍然是高斯过程。这意味着如果接收机前端是线性电路热噪声在进入系统前是高斯噪声经过混频、滤波、放大出来之后仍然是高斯噪声只是功率和带宽变了。这给分析带来极大便利。为什么物理噪声恰好是高斯的呢中心极限定理给出了解释。热噪声本质上是大量电子随机热运动的叠加每个电子对总电流的贡献是独立的随机变量当这样的独立随机变量数量足够多时它们的总和近似服从高斯分布。通信系统里放大器、混频器、电阻都会产生大量微观随机事件叠加起来自然就是高斯噪声。因此通信原理里最经典的信道模型就是加性高斯白噪声AWGN信道接收信号等于发射信号加上高斯白噪声即 r(t)s(t)n(t)。这个模型在卫星通信、深空通信等许多场景下都能很好地逼近真实信道。4.2 窄带高斯噪声的正交分量表示实际接收机里噪声经过带通滤波器后变成窄带高斯噪声。什么叫窄带就是噪声的带宽远小于中心频率。对于窄带高斯噪声可以把它表示成同相分量和正交分量的形式。设中心频率为 fc那么 n(t)n_c(t)cos(2πfct)-n_s(t)sin(2πfct)其中 n_c(t) 和 n_s(t) 都是低通型高斯过程。这个表示方法不是你做题时才用得上它对理解现代调制解调方式特别关键。比如 QPSK、QAM 系统接收机用的正交下变频结构本质上处理的正是这两个正交分量。对平稳窄带高斯过程来说n_c(t) 和 n_s(t) 是零均值、同方差的高斯过程并且在任意同一时刻互不相关换句话说是独立的。它们的功率和等于原窄带噪声 n(t) 的总功率。很多同学在这里容易算错就是把同相、正交分量的功率和原噪声功率之间的关系搞混正确的结论是如果原噪声均值为零那么 E[n_c²(t)]E[n_s²(t)]E[n²(t)]。4.3 从噪声功率到信噪比一个完整的计算例子这部分我直接给一个可以在考场上用的完整流程。假设接收机前端带通滤波器的中心频率 fc2.4GHz等效噪声带宽 B10MHz。输入端的噪声功率谱密度单边为 N010^{-19} W/Hz那么带通滤波后的噪声功率为 P_nN0·B10^{-19}×10^710^{-12}W。如果接收信号平均功率是 P_s10^{-8}W那么信噪比 SNR10log10(P_s/P_n)10log10(10^4)40dB。每一步的物理含义都要清楚N0 由前端器件噪声系数决定B 由接收滤波器的带宽决定而 P_s 来自发射功率、链路损耗和天线增益。系统设计的目标就是在给定 B 和 N0 的条件下保证接收端 SNR 达到解调门限。这整套思路从 AWGN 信道模型出发经功率谱密度和等效带宽最后落到误码率曲线正是通信原理后续章节的基础链条。做题时一定要熟练这个三步法先算噪声功率再求 SNR最后查 BER 曲线。5. 随机过程过线性系统输出统计量与系统带宽5.1 输出均值、自相关和功率谱怎么算通信系统不可能只有噪声没有处理噪声必须经过滤波器。所以你必须掌握随机过程经过线性时不变系统后的统计量怎么变化。设系统冲激响应为 h(t)传递函数为 H(f)输入平稳随机过程为 X(t)那么输出 Y(t)h(t)∗X(t)。结论很简洁输出均值m_Ym_X·H(0)H(0) 是直流增益。输出自相关R_Y(τ)R_X(τ)∗h(τ)∗h(-τ)。输出功率谱P_Y(f)|H(f)|²P_X(f)。前两个在学习通信原理的阶段用得不那么多但第三个公式是绝对的重点。它表示输出功率谱等于输入功率谱乘以系统的功率传递函数 |H(f)|²这也把频域里的“功率角度”和系统设计直接挂钩。比如你用低通滤波器去滤除带外噪声H(f) 在带外近似为 0输出噪声功率就会显著下降。通信接收机的最前端之所以往往放一个带通滤波器而不是直接放大信号就是为了先把带外噪声功率拒之门外避免后续放大器饱和。这个逻辑就是 P_Y(f)|H(f)|²P_X(f) 的直接应用。5.2 等效噪声带宽衡量系统对噪声的“吸收”能力理想滤波器没有过渡带带内增益恒定带外完全为 0很好算噪声功率。但实际滤波器做不到。为了统一比较工程上引入等效噪声带宽的概念。它的定义是一个理想矩形滤波器具有与实际滤波器相同的峰值增益和相同的输出噪声功率时这个矩形滤波器的宽度就是等效噪声带宽。计算公式并不复杂设实际滤波器在中心频率有最大增益 |H(f0)|²那么等效噪声带宽 B_eq(1/|H(f0)|²)∫0^∞|H(f)|²df。对理想带通滤波器B_eq 正好等于实际带宽对一阶 RC 低通滤波器B_eqπ/2 倍的 3dB 带宽大概 1.57 倍。这个差异提醒你用 3dB 带宽去估算噪声功率会偏小必须引入等效噪声带宽进行修正。我在实际项目里经常遇到这样的情况明明按 3dB 带宽算的 SNR 满足要求但实测误码率偏高原因就是用错了带宽定义。5.3 接收滤波器带宽怎么定一个实用判据既然噪声功率等于 N0·B那么接收端滤波器的带宽越大噪声功率越高SNR 越小带宽太小又会滤掉有效信号能量引起失真。于是在滤波器带宽设计上有一个经典折中问题常见的原则是让滤波器带宽尽量匹配信号带宽。理想情况下这对应“匹配滤波器”的概念第2.1节可以先有一个直观认识接收带宽和信号带宽同数量级即可没必要做得极宽。我给你们一个实际工程参考值对数字通信系统接收滤波器带宽通常取符号速率的 1.2 到 1.5 倍对直接序列扩频系统则要看扩频带宽。原因在于符号速率决定信号主瓣宽度留出零点几的多余带宽是为了兼顾滤波器过渡带和残余载波偏差。这个经验值不是死公式但它能帮你快速评估系统里噪声功率的量级避免在滤波器参数上调半天却发现是噪声功率算错了方向。6. 学习随机过程的高频问题与仿真避坑记录6.1 理解层面常见的四个困惑第一批问题来自数学概念本身。第一个高频问题是“随机过程跟随机变量有什么区别”。简单回答随机变量是固定时间点上的值它是“一张照片”随机过程是随时间变化的随机变量族它是“一段录像”。第二个高频问题是“什么时候用严平稳什么时候用宽平稳”。考试和工程里绝大多数用宽平稳因为验证条件少、够用。第三个高频问题是“自相关函数为什么在零时刻最大”。从最大化一致性角度任何信号和自身对齐时最相似所以这个结论很自然不需要死记。第四个高频问题是“功率谱密度为什么不是幅值谱密度的平方”幅值谱是确定信号的频谱函数随机信号的幅值谱通常不存在功率谱密度才是稳定存在的统计量二者完全不是一回事。如果你做题时经常在这四个地方卡住我的建议是不要继续刷题先停下来把第2.1节里随机过程、平稳性、遍历性、自相关、功率谱这几件事用自然语言完整地讲一遍给身边人听。能讲明白才算真懂讲不明白就回头看定义。6.2 MATLAB/Python仿真里几个客观存在的坑我见过很多人在随机过程仿真的参数折算上栽跟头而且栽的次数不少这里列举三个典型的。第一个坑是功率计算忘除以采样点数。比如你想生成均值为 0、方差为 σ² 的 N 点高斯白噪声序列直接用 randn(N,1) 再乘以 σ然后算 mean(x.²) 却发现它往往不等于 σ²。原因是 randn 生成的序列只在无穷长时均值、方差才精确收敛到理论上限有限 N 时统计估计值有偏差。解决办法是多生成一些点足够长后时间平均会趋近于真实方差。第二个坑是双边谱和单边谱混用。连续随机过程的双边功率谱密度在正负频率上都存在而工程上习惯用单边谱表示噪声功率集中到正频率一侧两者差了一倍。仿真离散序列时你要明确自己在算的是哪一侧的谱否则 N0/2 和 N0 很容易差出 3dB。我自己的习惯是始终用双边功率谱密度建模到计算信噪比时再统一换算能有效防止这类错误。第三个坑是用周期图直接求功率谱后直接在样本点上累加功率等效带宽理解错误。比如你用 fft 估计功率谱如果序列对应模拟带宽是 fs那么单边频率范围是从 0 到 fs/2噪声功率应在这段频率上积分。很多人图省事把 fft 全带宽都加起来得到的噪声功率直接翻倍。正确做法是按实际物理意义选择积分区间。另外我强烈推荐在仿真时把 pwelch 或 cpsd 的结果和理论值 N0 做一个对拍如果你生成的是带限白噪声谱的平均值应该非常接近 N0/2验证完再进系统仿真能省掉一整夜的排查时间。6.3 学习资料与学习顺序的实战建议不少同学问我通信原理随机过程这块除了教材还能看什么资料。如果你急需一本把概念讲浅讲透的书《深入浅出通信原理》这种类型的资源很合适它把随机过程、信道模型、调制解调用非常直观的语言串起来了适合搭框架。但要吃透这里面的数学还是得回到教材把例题和课后习题按“先统计量计算、再过系统、最后算信噪比”的顺序逐一刷掉。至于水声通信、IIC通信这些应用领域底子也是同一套随机过程的语言——水声信道有严重的多径和时变衰落本质上还是随机过程通过线性时变系统的问题IIC这类短距离有线通信虽然信道相对干净但串扰和抖动分析同样绕不开相关性和谱分析。我个人在学习时有两个体会想分享。第一个是“先建模、再计算”拿到任何随机信号先把它归类为平稳宽平稳还是非平稳、白噪声还是带限噪声、高斯还是非高斯然后再决定用哪套公式比你闷头套公式要高效得多。第二个是“把公式翻译成工程语言”比如功率谱密度就是“每赫兹平均功率”等效带宽就是“噪声看系统的有效宽度”信噪比就是“信号功率相对噪声功率高多少分贝”。这样翻译完之后很多公式就不再是符号游戏而是系统设计里的真实决策依据。把这些基础打牢再往后学最佳接收、信道容量、纠错编码时你会明显感觉到阻力小了很多。