企业官网建设流程全解析

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 (t=1\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。

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_1=t_2=t) 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。

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^2+m^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：

1. 均值 (E[X(t)]) 为常数，不随时间变；
2. 自相关函数只与时间差 (\tau) 有关：(R_X(t_1,t_2)=R_X(\tau))；
3. 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：

1. 先求均值 (E[X(t)])，看是否为常数；
2. 再算 (E[X(t)X(t+\tau)])，看结果是否只含 (\tau) 不含 (t)；
3. 如果满足，就得到了平稳性；
4. 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^2+X_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。

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}{1+j2\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}^2=1)，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。