下载文档原格式
第2章 随机过程与噪声在通信系统中，信源发送的信号具有一定的不可预测性，或者说随机性。
信号在传输过程中会不可避免地遇到各种噪声和干扰，这些噪声也是不可预测的或随机变化的。
电磁波的传播受大气层的变化、地面地形的影响，也使接收的信号随机变化。
因此，通信中的信号和噪声都具有一定的随机性，需要借助随机过程的数学方法来描述。
本章介绍随机过程的基本概念、数字特征及噪声的表示方法，重点分析通信系统中几种重要随机过程的统计特性，以及随机过程通过线性系统的情况，这些内容对后面章节中分析通信系统的性能很有用。
2.1随机过程描述 2.1.1 随机过程概念随机过程是一类随时间作随机变化的过程，它不能用确切的时间函数描述。
通信系统中的信号和噪声是具有随机性的，通常称为随机信号，它们均可看作随时间参数t 变化的随机过程。
随机过程是时间t 的实函数，但是在某一时刻上观察到的值却是一个随机变量。
也就是说，随机过程可以看成是对应不同随机试验结果的时间过程的集合。
例如：设有n 部性能完全相同的通信机，它们的工作条件相同，如果用n 台相同的记录仪同时记录通信机输出热噪声电压波形，结果将发现，尽管测试设备和测试条件都相同，但是纪录的是n 条随时间起伏且各不相同的波形，如图2-1所示。
这就是说，接收机输出的噪声电压随时间变化是不可预测的。
测试结果的每一个记录，即图2-1中的一个波形，都是一个确定的时间函数x i (t),它称之为样本函数或随机过程的一个实现。
全部样本函数构成的总体│x 1(t),x 2(t),…,x n (t)│就是一个随机过程，记作()t ξ。
简言之，随机过程是所有样本函数的集合。
显然，把对接收机输出噪声波形的观察可看作是进行一次随机试验，每次试验之后，()t ξ取图2-1所示的所有可能样本中的某一样本函数，至于是哪一个样本，在进行观测之前是无法预测的，这正是随机过程随机性的表现。
随机过程的这种不可预测性或随机性还可以从另一个角度来理解，在任一观测时刻t 1上，不同样本的取值{}n i t x i ,...,2,1),(1=是一个随机变量，记作)(1t ξ。
white noise数学定义
在数学中，白噪声是一种随机过程，通常被描述为具有恒定功
率谱密度的随机信号。
具体来说，白噪声是一种具有平坦频谱密度
的随机信号，这意味着它在所有频率上具有相等的能量。
从数学角度来看，白噪声的数学定义可以通过其自相关函数来
表达。
自相关函数描述了信号在不同时间点之间的相关性。
对于白
噪声，其自相关函数在非零时间延迟下接近零，这意味着白噪声在
不同时间点上是不相关的，即相互独立的。
数学上可以表示为R(τ) = σ^2 δ(τ)，其中R(τ)是自相关函数，σ^2是信号的功率，
δ(τ)是狄拉克δ函数。
另外，从概率论的角度来看，白噪声也可以被定义为一种具有
恒定方差且不相关的随机变量序列。
这意味着白噪声序列的各个分
量之间是相互独立的，并且具有相同的方差。
总的来说，白噪声是一种在各个频率上具有相等能量的随机信号，在数学上可以通过自相关函数或随机变量序列来进行定义。
这
种定义有助于我们在信号处理、通信系统和随机过程等领域中对白
噪声进行分析和应用。
高斯白噪声高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。
热噪声和散粒噪声是高斯白噪声。
所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。
这是考查一个信号的两个不同方面的问题。
时变信号，顾名思义，就是信号的幅度随时间变化的信号，幅度不随时间变化的信号，即幅度保持为常数的信号叫时不变信号。
高斯白噪声是指信号中包含从负无穷到正无穷之间的所有频率分量，且各频率分量在信号中的权值相同。
白光包含各个频率成分的光，白噪声这个名称是由此由此而来的。
它在任意时刻的幅度是随机的，但在整体上满足高斯分布函数。
时变信号的知识参考《信号与系统》，高斯白噪声参考《通信原理》类书籍Re:【请教】什么是高斯白噪声，有色噪声，另外wden 中的scal 是何意？（1）带通噪声。
带通噪声与白噪声相对又叫有色噪声，即在某个频带上信号的能量突然变大。
这种噪声的典型例子为交流电噪声，它的能量主要集中在50Hz左右。
对这种噪声的滤除可以先对语音信号进行加窗，然后再进行短时傅立叶变换并画出频谱图。
在频谱图上，我们可以看出该噪声的能量主要集中在哪个频带上，得到此频带的上下限。
根据此频带的上下限设计一个滤波器对语音信号进行滤波。
一般情况下，该方法可以比较有效的去除带通噪声。
（2）冲击噪声。
所谓冲击噪声就是语音信号中的能量在时域内突然变大。
这种噪声也很多，例如建筑工地上打桩机发出的打桩声，在语音信号中每隔一段时间就会出现一个能量峰值。
对于这种噪声的消除需要对语音信号进行加窗，再进行短时傅立叶变换画出频谱图。
在频谱图上对相应时间段上的语音信号的能量进行修改，即降低噪声的能量。
该降噪方法一般能取得较满意的效果。
（3）白色噪声。
所谓白色噪声就是在频域上不存在信号能量的突然变大的频带，在时域上也找不到信号能量突然变大的时间段，即它在频域和时域上的分布是一致的。
随机信号处理笔记之⽩噪声1 随机信号处理笔记：⽩噪声1 随机信号处理笔记：⽩噪声1.1 关于⽩噪声1.1.1 ⽩噪声的概念1.1.2 ⽩噪声的统计学定义1.1.3 ⽩噪声的⾃相关函数1.2 ⽩噪声通过LTI系统1.2.1 限带⽩噪声1.2.1.1 低通⽩噪声1.2.1.2 带通⽩噪声1.3 等效噪声带宽1.3.1 等效原则1.3.2 等效公式引⾔在⼏乎所有的电⼦通信中，都不可避免地会有噪声⼲扰正常的通信质量。
因此对噪声统计特性的研究就显得很重要。
在分析通信系统的抗噪声性能时，常⽤⾼斯⽩噪声作为通信信道的噪声模型。
常见的电⼦热噪声近似为⽩噪声。
本⽂就‘⽩噪声’统计特性及其通过线性时不变系统的输出特性做简要总结。
1.1 关于⽩噪声1.1.1 ⽩噪声的概念“⽩噪声”，Additive White Gaussian Noise(AWGN)，符合⾼斯分布。
“⽩”的概念来⾃于光学，和⽩光的“⽩”是同⼀个意思，指的是包含所有频率分量的噪声，且这所有的频率分量是等值的。
1.1.2 ⽩噪声的统计学定义如果⽩噪声的功率谱密度在所有频率上都是⼀个常数：其中，；，。
则称该噪声为⽩噪声。
⽩噪声的单边功率谱密度：其中，；，。
1.1.3 ⽩噪声的⾃相关函数根据维纳-⾟钦定理，平稳随机过程的功率谱密度函数和⾃相关函数是傅⾥叶变换对。
⽩噪声的⾃相关函数：对于所有的，都有，说明⽩噪声仅在时刻才是相关的，⽽在其他时刻（）的随机变量都是不相关的。
⽩噪声的平均功率：因此真正“⽩”的噪声是不存在的。
实际⼯程应⽤中，只要噪声的功率谱密度均匀分布的频率范围远⼤于通信系统的⼯作频带（3dB带宽），就可将其视作⽩噪声。
1.2 ⽩噪声通过LTI系统尽管⽩噪声是具有均匀功率谱的平稳随机过程，当它通过线性系统后，其输出端的噪声功率就不再均匀。
假设⽩噪声的功率谱密度，系统传函是，则LTI系统输出端的噪声功率谱密度函数为：由于LTI系统的传输函数，不是“⽩”的。
通信原理讨论课报告题目：高斯噪声和白噪声信号的表示及各自特点姓名：郭耀华 学号：120104030030 班级：通信工程一班一、高斯噪声（依噪声幅度分布特性判定）定义：高斯噪声是一种随机噪声，在任选瞬时中任取n 个，其值按n 个变数的高斯概率定律分布。
中心极限定理（李雅普诺夫定理）：大量N 个统计独立的、具有有限的数学期望和方差的随机变量之和∑==Ni ixZ 1的分布律在∞→N 的极限情况下趋于高斯分布律。
1、高斯分布律1）一维概率密度函数: 是由均值 μ 和均方差2σ唯一确定的函数.<1> 概率密度：222)(21)(σσπμ--=x ex p<2> 分布函数:⎰∞---=<=xx dxex X P x F 222)(21)()(σσπμ<3> 当 m=0 时22221)(σσπx ex p -=<4> 高斯变量X 的N 阶中心矩与N 阶原点矩 中心矩:⎰∞∞----=dxem x m x NN 222)()(21σσπμ原点矩:⎩⎨⎧==⎰∞∞--为偶数为奇数N N dx exNx Nn σσπμσ0212222、满足高斯分布的充分条件（1）客观背景：事实上，噪声函数的瞬时值可视为大量的相互独立的被加项之和,且任意一个被加项与其它被加项相比,在方差或功率上都相差无几。
（2）满足高斯分布的条件：当被加项的数目很大而每一个被加项与所有被加项的总贡献比很小时，这些随机变量之和的分布即趋于高斯分布。
（3）结果：此时，个别分量在很宽范围内的分布特性无关紧要3、高斯分布的特点与高斯噪声特性（1）高斯分布的特点：<1> 以 x=m 为轴，呈对称分布，x=m 时取最大值。
<2> ±∞→x 时逼近横轴 <3>σ±=x 处有拐点<4> σσ33+<<-m x m 域内的概率为99.7% σσ22+<<-m x m 域内的概率为95.4%σσ+<<-m x m 域内的概率为68.3%（2）高斯噪声特性<1> 高斯噪声的线性组合仍是高斯噪声。
随机信号分析目录CONTENTS白噪声的定义白噪声的时频域特性物理可实现的白噪声小结随机过程的分类⚫按分布函数或概率密度函数特性：正态过程、马尔可夫过程、独立增量过程等；⚫按功率谱特性：宽带过程、窄带过程；白噪声、色噪声等。
定义：若N(t)为一个具有零均值的平稳随机过程，其功率谱密度均匀的分布在整个频率区间，即其中，N0为一个正实常数，则称N(t)为白噪声过程或简称白噪声。
“白”字借用光学中的“白光”术语。
N 120S N ω()白噪声的功率谱ω0=ωS N N 2()10∈−∞+∞ω(,)结论：功率谱在整个频率轴上满足均匀分布。
有缘学习更多＋谓ｙｇｄ３０７６考证资料或关注桃报：奉献教育（店铺）根据维纳-辛钦定理，白噪声的自相关函数为00111()()222j N R N e d N ωττωδτπ+∞−∞==⎰0)(τN R 021N 结论：白噪声的自相关函数是一个δ函数，其面积等于功率谱密度。
白噪声的时频域特征白噪声的自相关系数为⎩≠⎨===⎧=τττττK R r K R N N N N N (0)(0)0 0()()() 1 0 结论：白噪声在任何两个相邻时刻的取值都是不相关的，白噪声过程随时间的起伏极快，过程的功率谱密度极宽。
有缘学习更多＋谓ｙｇｄ３０７６考证资料或关注桃报：奉献教育（店铺）物理可实现的白噪声实际上，白噪声是不存在的，因为在实际应用中，当研究随机过程通过某一系统时，只要过程的功率谱密度在一个比系统带宽大得多的频率范围内近似均匀分布，就可以把它作为白噪声来处理。
2(0)(0)N N R σδ==→∞白噪声的功率谱在整个频率轴上满足均匀分布。
白噪声的自相关函数是一个δ函数，其面积等于功率谱密度，在任何两个相邻时刻的取值都是不相关的。
理想白噪声不存在，但某些情况下随机过程可近似看作白噪声。
对于一个具有零均值的平稳随机过程，其功率谱密度均匀的分布在整个频率区间，则称其为白噪声。
高斯白噪声原理范文随机过程是一组随机变量的序列，它的值在不同时间上取决于随机事件的结果。
高斯白噪声可以被认为是一个无记忆性的随机过程，即每个随机变量的取值只与当前时间有关，与以前的取值无关。
在产生高斯白噪声时，通常采用一个随机数发生器。
这个发生器基于一种随机数生成算法，每次生成一个均匀分布的随机数。
然后，这些随机数通过一个滤波器，使其在所有频率上都得到均匀分布。
在滤波器中，高斯白噪声的频谱被设计成平坦的。
这意味着在所有的频率上，噪声的能量都是均匀分布的。
为了实现这种频谱特性，可以使用一个特殊的滤波器，称为横向噪声滤波器。
这个滤波器通过调整其传递函数，使得噪声在所有的频率上都得到衡量。
横向噪声滤波器可以通过许多方法来实现，其中一种常见的方法是使用数字滤波器。
通过选择适当的滤波器系数，可以使滤波器的频率响应变得平坦，从而实现高斯白噪声的特性。
在实际应用中，高斯白噪声可以用于模拟和数字信号处理中的各种应用。
例如，在电子通信中，噪声是不可避免的，特别是在无线通信中。
了解和模拟高斯白噪声的原理，可以帮助工程师更好地理解和处理通信系统中的噪声。
此外，高斯白噪声也被广泛应用于信号处理算法的性能分析和设计中。
通过将算法应用于高斯白噪声信号，可以评估其在真实噪声环境中的性能。
这种分析对于优化算法的性能和改进系统的可靠性非常重要。
总结起来，高斯白噪声是一种均匀分布在所有频率上的随机信号。
它的产生基于随机过程和概率论原理。
通过适当的滤波器，可以实现高斯白噪声的频谱特性。
了解高斯白噪声的原理，对于理解和处理噪声在通信系统和信号处理中的影响非常重要。
白噪声的自相关函数白噪声是一种未经处理的不受任何控制的噪音，它的概率密度函数是完全相同的，而且不依赖于时间和空间的变化。
白噪声的自相关函数（ACF）是统计学中在描述白噪声特性时所使用的重要参数，表明了一个系统的噪声和差异的变化情况。
自相关函数的定义是某一时刻的噪声与另一时刻的噪声之间的相关性。
首先，定义白噪声的自相关函数。
白噪声自相关函数指示了白噪声信号在两个不同时刻之间的相关性，它可以被表示为：ρ（τ）=E （X（t）X（t+τ）），其中，E表示期望值。
上式中X（t）与X（t+τ）是同一时刻及其延时τ后的噪声。
白噪声的自相关函数可以通过以下方程来计算：ρ（τ）=E（X （t）X（t+τ））=CX（0），其中CX（0）为任意时刻的噪声的均值。
由此可知，白噪声的自相关函数对延迟τ时刻的值是完全相同的，也就是说，不管两个时刻的延迟是多长，白噪声的自相关函数的值都是一样的。
白噪声的自相关函数也可以用来表示其他形式的信号噪声。
如果在某一时刻，信号有一定的非定型噪声，那么这一特性将体现在白噪声自相关函数中。
相反，如果信号是完全一致的，那么白噪声的自相关函数将为0，因为它不存在相关性。
另外，白噪声的自相关函数也可以用来大致推断一个系统的差异，只要比较不同时刻的噪声，就能够找到系统中实际发生的变化情况。
因此，白噪声的自相关函数在研究噪声特性方面显得尤为重要。
尽管白噪声的自相关函数是一种简单的函数，但它有着巨大的应用价值。
它可以帮助人们研究噪声和信号的关系，找出系统中可能存在的差异，从而有助于人们更好地掌握它，并从中获得有用的信息。
总之，白噪声的自相关函数可以帮助人们更好地理解噪声的变化，从而更好地控制和管理它们。
它可以应用于各种研究领域，如声学科学、电子学、信号处理和信息论等，有助于更好地掌握噪声及其差异变化情况，从而改善信息传输效率。
