随机信号习题解析_编程中的数学知识充电站

说到随机信号，很多理工科同学的第一反应可能是头疼。毕竟，确定性信号（比如正弦波、方波）是“听话”的，给个输入就知道输出是什么；但随机信号就像是个调皮的孩子，你没法预知它下一秒的具体数值，只能猜它的“脾气”和“习惯”。

别怕，今天咱们不背枯燥的定义，而是通过几个经典的习题场景，把随机信号处理的核心逻辑像剥洋葱一样层层揭开。我会用大白话配合严谨的数学推导，顺便给点编程实操的建议，保证让你不仅会做题，还能真正理解背后的物理意义。

第一关：从“不确定”到“可预测”——均值与方差

核心痛点：随机变量 $X$ 和随机过程 $X(t)$ 到底有啥区别？

很多初学者混淆这两个概念。简单来说，随机变量是某一时刻的“快照”，而随机过程是一组随时间变化的随机变量的集合。

经典例题：白噪声的统计特性

题目：设 $n(t)$ 是一个均值为0，功率谱密度为 $N_0/2$ 的高斯白噪声。求其自相关函数 $R_n(\tau)$，并解释其物理含义。

解析思路：这道题看似简单，却是随机信号处理的基石。我们不需要去推导复杂的积分，直接利用傅里叶变换的性质即可秒杀。

已知条件：
- 均值 $E[n(t)] = 0$
- 功率谱密度 (PSD) $S_n(f) = \frac{N_0}{2}$ （常数，这就是“白”的意思，像白光包含所有频率）
关键公式：维纳-辛钦定理（Wiener-Khinchin Theorem）告诉我们：自相关函数和功率谱密度是一对傅里叶变换对。 $$ R_n(\tau) = \mathcal{F}^{-1}[S_n(f)] = \int_{-\infty}^{\infty} S_n(f) e^{j2\pi f \tau} df $$
计算过程：由于 $S_n(f)$ 是常数 $\frac{N_0}{2}$，代入积分： $$ R_n(\tau) = \frac{N_0}{2} \int_{-\infty}^{\infty} e^{j2\pi f \tau} df $$

这里有一个数学上的“魔术”。我们知道狄拉克 $\delta$ 函数的傅里叶逆变换性质： $$ \int_{-\infty}^{\infty} e^{j2\pi f \tau} df = \delta(\tau) $$

所以： $$ R_n(\tau) = \frac{N_0}{2} \delta(\tau) $$

物理含义解读：这个结果非常反直觉但又极其重要。$\delta(\tau)$ 意味着只有当时间间隔 $\tau = 0$ 时，自相关函数才有值（无穷大），其他任何非零的时间间隔，自相关函数都是0。

翻译成人话：白噪声在任意两个不同的时刻是完全不相关的（对于高斯白噪声，不相关等价于独立）。上一秒的值对下一秒没有任何预测价值。它是最“混乱”的信号。

Python 实战验证

光说不练假把式。我们用 Python 生成一段高斯白噪声，看看它的自相关函数是不是真的像 $\delta$ 函数那样“尖”。

import numpy as np
import matplotlib.pyplot as plt

def simulate_white_noise():
    # 设置参数
    fs = 1000  # 采样率 1kHz
    duration = 1.0  # 时长 1秒
    t = np.arange(0, duration, 1/fs)
    
    # 生成高斯白噪声: 均值0, 标准差1 (对应功率谱密度相关)
    noise = np.random.normal(0, 1, len(t))
    
    # 计算自相关函数
    # np.correlate 计算的是互相关，我们需要归一化并处理滞后
    # 这里使用 numpy 的 correlate 模式 'full' 然后裁剪
    corr = np.correlate(noise, noise, mode='full')
    
    # 归一化处理，使其峰值为1
    corr = corr / corr[len(t)//2]
    
    # 只取正半轴用于绘图 (因为自相关是对称的)
    lags = np.arange(-len(t)+1, len(t))
    pos_lags = lags[lags >= 0]
    pos_corr = corr[len(t)-1:]
    
    # 绘图
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.plot(t[:100], noise[:100]) # 只画前100个点以免太乱
    plt.title('Time Domain: White Noise')
    plt.xlabel('Time (s)')
    plt.ylabel('Amplitude')
    
    plt.subplot(1, 2, 2)
    plt.stem(pos_lags / fs, pos_corr, use_line_collection=True)
    plt.title('Autocorrelation Function')
    plt.xlabel('Lag Time (s)')
    plt.ylabel('Correlation Coeff')
    plt.grid(True)
    
    plt.tight_layout()
    plt.show()

if __name__ == "__main__":
    simulate_white_noise()

代码说明：注意看右边的图，除了 $\tau=0$ 处有一个巨大的尖峰外，其他地方虽然因为有限样本长度会有微小的波动（这是估计误差，理论上是0），但整体趋势非常接近0。这直观地验证了 $R_n(\tau) = \frac{N_0}{2}\delta(\tau)$。

第二关：平稳性的陷阱——严平稳 vs 宽平稳

核心痛点：为什么题目说它是平稳的，我算出来均值却变了？

这是随机信号中最容易掉坑的地方。严平稳要求所有统计特性都不随时间平移改变，这太难满足了。工程中常用的是宽平稳（WSS, Wide-Sense Stationary）。

宽平稳的两个硬性指标：

均值 $E[X(t)]$ 是常数（不随时间 $t$ 变化）。
自相关函数 $R_X(t, t+\tau)$ 只依赖于时间差 $\tau$，而与具体的起始时间 $t$ 无关。

经典例题：调制信号的平稳性判断

题目：设随机过程 $Y(t) = X(t) \cos(2\pi f_c t + \Theta)$，其中 $X(t)$ 是宽平稳随机过程，$\Theta$ 是在 $[0, 2\pi]$ 上均匀分布的随机变量，且 $\Theta$ 与 $X(t)$ 相互独立。判断 $Y(t)$ 是否为宽平稳？

解析思路：这种题型在通信原理中太常见了（比如AM调制）。我们要按部就班地检查那两个指标。

第一步：检查均值

\[ E[Y(t)] = E[X(t) \cos(2\pi f_c t + \Theta)] \]

利用独立性，期望可以拆开： $$ E[Y(t)] = E[X(t)] \cdot E[\cos(2\pi f_c t + \Theta)] $$

先算后面那个余弦项的期望。因为 $\Theta \sim U[0, 2\pi]$，概率密度函数 $f_\theta(\theta) = \frac{1}{2\pi}$。 $$ E[\cos(2\pi f_c t + \Theta)] = \int_{0}^{2\pi} \cos(2\pi f_c t + \theta) \cdot \frac{1}{2\pi} d\theta $$ = \frac{1}{2\pi} [\sin(2\pi f_c t + \theta)]_{0}^{2\pi} = \frac{1}{2\pi} (\sin(...) - \sin(...)) = 0 $$

所以： $$ E[Y(t)] = E[X(t)] \cdot 0 = 0 $$ 均值是常数 0。✅ 第一个条件满足。

第二步：检查自相关函数

\[ R_Y(t, t+\tau) = E[Y(t) Y(t+\tau)] \]

\[ = E[ X(t)\cos(2\pi f_c t + \Theta) \cdot X(t+\tau)\cos(2\pi f_c (t+\tau) + \Theta) ] \]

再次利用 $X$ 和 $\Theta$ 的独立性，将 $X$ 部分和 $\Theta$ 部分分开： $$ = E[X(t)X(t+\tau)] \cdot E[\cos(2\pi f_c t + \Theta)\cos(2\pi f_c (t+\tau) + \Theta)] $$

前半部分就是 $X(t)$ 的自相关函数 $R_X(\tau)$（因为假设 $X$ 是宽平稳的，所以只依赖 $\tau$）。

后半部分利用积化和差公式 $\cos A \cos B = \frac{1}{2}[\cos(A-B) + \cos(A+B)]$：令 $A = 2\pi f_c t + \Theta$, $B = 2\pi f_c (t+\tau) + \Theta$ 则 $A-B = -2\pi f_c \tau$ $A+B = 4\pi f_c t + 2\pi f_c \tau + 2\Theta$

所以期望变为： $$ E[\dots] = \frac{1}{2} E[\cos(-2\pi f_c \tau)] + \frac{1}{2} E[\cos(4\pi f_c t + 2\pi f_c \tau + 2\Theta)] $$

第一项 $\cos(-2\pi f_c \tau)$ 是确定性函数，期望就是它自己。第二项中，$\Theta$ 在 $[0, 2\pi]$ 均匀分布，$2\Theta$ 在 $[0, 4\pi]$ 均匀分布。对一个完整周期或整数倍周期的余弦函数求积分，结果必为0。即： $$ E[\cos(C + 2\Theta)] = \int_{0}^{2\pi} \cos(C + 2\theta) \frac{1}{2\pi} d\theta = 0 $$

因此，后半部分简化为： $$ \frac{1}{2} \cos(2\pi f_c \tau) $$

最终得到： $$ R_Y(\tau) = \frac{1}{2} R_X(\tau) \cos(2\pi f_c \tau) $$

结论： $R_Y$ 只依赖于 $\tau$，与绝对时间 $t$ 无关。加上均值为常数，所以 $Y(t)$ 是宽平稳随机过程。✅

给小朋友的比喻：想象你在玩跷跷板（$X(t)$），它的重量分布是稳定的（宽平稳）。现在有人拿着一个固定的节奏在上下抖动整个跷跷板的支点（$\cos$ 项）。虽然看起来抖动很厉害，但如果那个抖动节奏是非常规律的（确定性信号），并且和跷跷板本身的重量变化没关系（独立），那么从长期统计来看，系统的“平均状态”和“内部关联模式”依然是稳定可控的。

第三关：线性系统对随机信号的影响

核心痛点：随机信号进了滤波器，输出还是随机的吗？谱密度怎么变？

这是考试和工程应用的重灾区。记住一个黄金法则：线性时不变系统（LTI）不会改变随机过程的平稳性。如果输入是宽平稳的，输出也是宽平稳的。

核心公式：输出功率谱密度

如果输入 $X(t)$ 的 PSD 是 $S_X(f)$，系统的频率响应是 $H(f)$，那么输出 $Y(t)$ 的 PSD $S_Y(f)$ 为： $$ S_Y(f) = |H(f)|^2 S_X(f) $$

这就好比：系统是个“筛子”，它不产生新的噪声能量，只是把输入信号中不同频率的成分按照 $|H(f)|^2$ 的比例进行放大或衰减。

经典例题：低通滤波后的噪声功率

题目：白噪声 $n(t)$ (PSD: $N_0/2$) 通过一个理想低通滤波器，截止频率为 $B$ Hz。求输出噪声的平均功率。

解析思路：平均功率等于自相关函数在 $\tau=0$ 处的值，也等于功率谱密度在整个频域上的积分。

确定输出的 PSD：理想低通滤波器的频率响应： $$ H(f) = \begin{cases} 1, & |f| \le B \\ 0, & |f| > B \end{cases} $$

所以输出 PSD： $$ S_Y(f) = |H(f)|^2 \cdot \frac{N_0}{2} = \begin{cases} \frac{N_0}{2}, & |f| \le B \\ 0, & |f| > B \end{cases} $$
计算总功率 $P_Y$： $$ P_Y = R_Y(0) = \int_{-\infty}^{\infty} S_Y(f) df $$ P_Y = \int_{-B}^{B} \frac{N_0}{2} df $$ P_Y = \frac{N_0}{2} \cdot [f]_{-B}^{B} = \frac{N_0}{2} \cdot (B - (-B)) = \frac{N_0}{2} \cdot 2B = N_0 B $$

答案：输出噪声功率为 $N_0 B$。

直观理解：白噪声在所有频率都有能量。但是你的低通滤波器像个水桶，只接住了 $-B$ 到 $B$ 这一段的水。这段带宽是 $2B$。每一赫兹的能量密度是 $N_0/2$。所以总能量 = 密度 × 带宽 = $(N_0/2) \times 2B = N_0 B$。非常简单！

第四关：实战中的“坑”——数字信号处理视角

核心痛点：理论是连续的，代码是离散的，怎么对应？

在实际工程中，我们处理的是离散序列。这时候要注意采样定理和混叠问题。

离散白噪声的自相关

如果连续白噪声被采样，且采样间隔为 $T_s$，得到的离散序列 $x[n]$ 的自相关函数 $r_x[k]$ 为： $$ r_x[k] = \sigma^2 \delta[k] $$ 其中 $\sigma^2$ 是离散噪声的方差。

注意：这里的 $\delta[k]$ 是离散单位脉冲，只有 $k=0$ 时为1，其余为0。这意味着离散白噪声在不同采样点之间也是完全不相关的。

MATLAB/Python 仿真小贴士

如果你在做作业或者项目，发现生成的“白噪声”自相关函数在 $\tau \neq 0$ 时有明显的非零值，通常有两个原因：

样本量不够大：统计估计有偏差。尝试增加 duration 或降低 fs（保持总点数足够多）。
数据预处理错误：确保你没有无意中给数据加了直流分量（均值不为0），或者没有正确地减去均值后再计算自相关。

修正后的 Python 代码片段（更严谨的计算方式）：

def calculate_acf_clean(signal):
    """
    计算去均值后的信号的自相关函数
    """
    # 1. 去均值
    signal_centered = signal - np.mean(signal)
    
    # 2. 计算互相关
    # mode='full' 返回所有滞后的相关系数
    acf_full = np.correlate(signal_centered, signal_centered, mode='full')
    
    # 3. 归一化
    # 除以最大滞后时的自相关值（即方差），使得 lag=0 时值为 1
    acf_normalized = acf_full / acf_full[len(signal_centered)-1]
    
    return acf_normalized

# 使用示例
noise = np.random.randn(10000) # 生成1万个点的标准正态分布噪声
acf = calculate_acf_clean(noise)

# 查看前10个lag的值
print("ACF values for first 10 lags:", acf[-1:9:-1]) 
# 理论上应该非常接近 [1, 0, 0, 0...]

总结与建议

学习随机信号，最难的不是公式，而是思维方式的转变。

确定性信号看“波形”，随机信号看“统计规律”。
不要试图去预测某一个具体的 $n(t)$ 是多少，要去关心它的能量分布在哪里（PSD），以及它自己和过去的关系有多紧密（自相关）。

给你的备考/学习建议：

死磕定义：把宽平稳的两个条件刻在脑子里。
熟记变换对：白噪声 $\leftrightarrow$ $\delta$ 函数；理想低通 $\leftrightarrow$ Sa 函数（Sinc）。
多用仿真：像上面那样，写几行代码跑一跑，看着波形和数据，你会瞬间理解那些抽象的积分是什么意思。

希望这篇解析能帮你理清思路。如果有具体的某道难题卡住了，欢迎随时拿出来，我们继续拆解！

正文

随机信号习题解析

第一关：从“不确定”到“可预测”——均值与方差

经典例题：白噪声的统计特性

Python 实战验证

第二关：平稳性的陷阱——严平稳 vs 宽平稳

宽平稳的两个硬性指标：

经典例题：调制信号的平稳性判断

第三关：线性系统对随机信号的影响

核心公式：输出功率谱密度

经典例题：低通滤波后的噪声功率

第四关：实战中的“坑”——数字信号处理视角

离散白噪声的自相关

MATLAB/Python 仿真小贴士

总结与建议

相关阅读

信号与系统学习攻略：经典习题深度解析，轻松掌握核心技巧

轻松掌握信号与系统核心题解，高效提升学习效率

轻松掌握信号与系统核心考点，习题全解攻略助力学业提升

轻松掌握信号与系统核心习题，全解攻略助你一臂之力

轻松掌握信号处理：实战习题解析与学习技巧

信号与系统必备习题解析，轻松掌握核心知识点

信号系统习题：轻松掌握交通信号灯操作技巧，安全出行必备指南

信号与系统第四版习题解析与实战技巧全攻略

学会会计基础，轻松解题秘籍大公开！涵盖必备习题，解析清晰易懂

信号与系统习题全面解析，轻松掌握核心知识点