确定信号与随机信号：通信系统建模的双基石

1. 这不是数学课，是通信工程师的信号解码手册

“数字通信第二章——确定与随机信号分析”，光看标题，很多人第一反应是翻教材、划重点、背公式。但我在某高校通信实验室带过三届本科生做课程设计，也帮某公司调试过实际无线模块，最深的体会是：这一章根本不是考你能不能推导出维纳-辛钦定理，而是看你能不能一眼看出示波器上那段抖动的基带波形，到底是系统噪声太大，还是时钟恢复出了偏差，又或者干脆是前端滤波器没选对——而所有这些判断的底层依据，全藏在“确定信号”和“随机信号”的区分逻辑里。

确定信号，说白了就是“可重复、可预测、可写成明确函数”的信号，比如方波、正弦载波、BPSK调制后的理想码元序列；而随机信号，本质是“不可完全预测、只能用统计规律描述”的信号，比如热噪声、信道衰落、多径干扰叠加后的接收信号。很多人卡在“为什么非得分开分析”，其实答案特别实在：确定信号决定系统能做什么，随机信号决定系统实际能做到什么。就像造一辆车，发动机参数（确定部分）告诉你理论最高时速，但路面坑洼、风阻、轮胎磨损（随机部分）才真正决定你跑高速时敢不敢踩到表显180。本章所有公式、图谱、功率谱密度定义，归根结底都是为了解决一个实操问题：在真实噪声环境下，如何让接收端从一堆杂乱无章的电压起伏中，稳稳地捞出那个本该是“1”或“0”的判决点？

适合谁读？如果你正在啃《数字通信》教材却总在第二章卡壳，说明你缺的不是计算能力，而是把公式和示波器波形、频谱仪读数、误码率测试结果联系起来的“手感”；如果你已工作，手头正调试一个低信噪比下的LoRa节点，发现误码率忽高忽低找不到原因，那这一章就是你的排查地图；如果你是自学转行者，别急着跳过——我见过太多人直接冲进MATLAB写QPSK仿真，结果一接真实天线就满屏乱码，回头补这一章，三天就定位出是本地振荡器相位噪声超标。它不炫技，但像扳手一样实在：拧得对，系统就稳；拧错了，后面所有算法优化都是空中楼阁。

2. 内容整体设计与思路拆解：为什么必须先分清“确定”与“随机”？

2.1 核心设计逻辑：从物理世界到数学模型的两次抽象

通信系统建模不是一步到位的，而是分两层抽象：第一层，把发射机输出的电压/电流波形，抽象成一个时间函数s(t)；第二层，把接收端实际测到的信号r(t)，抽象成s(t)叠加某种干扰n(t)。而“确定与随机信号分析”这章，恰恰卡在这两层抽象的交界处——它决定了你第一层抽象是否合理，更决定了第二层抽象能否落地。

确定信号分析，处理的是第一层抽象。它的核心任务是：给定一个明确的s(t)，我们能算出它在频域长什么样（傅里叶变换）、能量怎么分布（能量谱）、功率怎么分布（功率谱）、通过某个滤波器后会变成啥样（卷积定理）。比如一个矩形脉冲，时域很短，频域却铺得很开；一个升余弦滚降脉冲，时域拖尾长，但频域带宽严格受限。这些结论不是数学游戏，而是指导你选基带成形滤波器的铁律：想省带宽？选滚降系数小的；怕码间干扰？得保证时域波形满足奈奎斯特准则。我帮某物联网模块做认证时，客户坚持用最小滚降系数省带宽，结果在窄带信道里误码率飙升，最后加了一级预失真补偿才过关——根源就在没吃透确定信号的时频约束关系。

随机信号分析，则直面第二层抽象的残酷现实：n(t)根本不是一个固定函数，而是一族函数的集合，你只能知道它的均值、方差、自相关函数，或者更关键的——功率谱密度（PSD）。热噪声的PSD是平坦的“白噪声”，多径信道的PSD则呈“选择性衰落”状，有深有浅。这里最大的认知陷阱是：很多人以为“随机”=“完全不可知”，于是放弃建模，靠经验调参。但实际工程中，90%以上的随机干扰都有可建模的统计特性。比如Wi-Fi 6的OFDM系统，其信道冲击响应h(t)虽随机，但服从瑞利分布，其PSD形状由多径时延扩展（Delay Spread）决定；而接收机前端的放大器噪声，其PSD由器件噪声系数（NF）和等效输入噪声带宽直接给出。一旦你掌握了这些统计模型，就能反向设计：要支持100ns时延扩展的室内场景？你的循环前缀（CP）长度就得大于100ns；要达到-95dBm灵敏度？前端LNA的NF必须压到2dB以下。这些都不是拍脑袋，而是随机信号分析给出的硬约束。

所以本章的设计逻辑非常清晰：先用确定信号建立“理想世界”的坐标系（时域、频域、能量/功率），再用随机信号画出“真实世界”的边界线（噪声底、干扰带、衰落深度）。两者合起来，才构成一个完整的、可工程化的通信链路预算（Link Budget）框架。跳过任何一层，链路预算就是废纸。

2.2 方案选型背后的硬道理：为什么不用纯概率论，而用“各态历经”假设？

有人问：既然信号是随机的，为什么不直接上高等概率论，搞随机过程的严苛定义？答案很务实：工程上需要可测量、可复现、可验证的模型，而不是纯数学存在性证明。

教科书里常提“各态历经性”（Ergodicity），听起来很玄，其实就一句话：一个足够长的随机信号样本，其时间平均（比如测一段波形的均值、方差、自相关）等于该随机过程的集合平均（理论上所有可能样本的统计均值）。这个假设之所以被广泛采用，是因为它让“不可测的理论统计量”变成了“可测的实际波形参数”。

举个实操例子：测接收机噪声系数。标准方法是用噪声源（Noise Source）注入已知ENR（Excess Noise Ratio）的噪声，测输出噪声功率，再按Y因子法计算。这个方法成立的前提，就是接收机内部的热噪声是各态历经的——你测的这一秒波形，其统计特性就代表了它永远的统计特性。如果噪声是非各态历经的（比如受温度缓慢漂移影响），那Y因子法就失效，你得换更复杂的冷热源交替测量法。我在某射频实验室就遇到过类似问题：一款宽带接收机在低温箱里测试，噪声系数随温度变化明显，就是因为低温下某些半导体器件的1/f噪声机制改变，破坏了各态历经性，最后改用变温扫描+插值法才搞定。

另一个关键选型是“平稳性”（Stationarity）假设。它要求随机信号的统计特性（均值、方差、自相关函数）不随时间平移而改变。这在大多数通信场景下是合理的：一个连续工作的基站，其热噪声在几毫秒内肯定是平稳的；但如果是雷达脉冲信号，其回波强度随目标距离剧烈变化，就属于非平稳随机过程，这时就得用时频分析（如Wigner-Ville分布）替代传统PSD。某毫米波雷达项目里，团队初期用平稳PSD分析目标回波，结果杂波抑制效果很差，后来改用短时傅里叶变换（STFT）做时频图，才精准切出运动目标的微多普勒特征。这再次印证：选型不是照搬教科书，而是看你的信号在真实设备上“表现得像不像”平稳过程。

2.3 避开三大经典误区：这些坑我替你踩过了

提示：以下误区在课程设计和企业调试中出现频率极高，且极易被忽略。

误区一：“功率谱密度（PSD）就是频谱的平方”。
这是最危险的误解。确定信号的频谱|S(f)|²叫“能量谱密度”（ESD），单位是V²·s/Hz，只适用于能量有限的瞬态信号（如单个脉冲）。而随机信号的PSD，单位是V²/Hz，描述的是“单位带宽内的平均功率”。它们数学定义不同（ESD是|傅里叶变换|²，PSD是自相关函数的傅里叶变换），物理意义也不同（ESD是总能量分布，PSD是持续功率分布）。我曾见一位同事用示波器FFT功能直接测噪声波形，把FFT幅值平方当PSD用，结果算出的噪声功率比实测低10dB，导致整个接收机动态范围设计错误。正确做法是：用频谱仪测噪声功率，再除以分辨率带宽（RBW），这才是PSD；或用MATLAB的pwelch函数，它自动做了平均和归一化。

误区二：“自相关函数R(τ)衰减越快，信号越‘随机’”。
错。R(τ)衰减快，只说明信号在时间上“记忆性”短，比如白噪声的R(τ)是δ函数，确实最“无记忆”。但很多强随机性信号（如瑞利衰落信道）的R(τ)衰减很慢，因为多径时延相关时间长。判断“随机性强弱”，关键看R(τ)的形状和时延扩展（τ_max），而非衰减快慢。某5G小基站项目，初期认为信道R(τ)衰减慢=信道太“好”（相关性强），结果误判了多普勒频移补偿需求，导致高速移动下解调失败。后来重算时延扩展和多普勒扩展，才发现是典型的“高时延、低多普勒”城市微蜂窝场景，该加强时域均衡，而非频域跟踪。

误区三：“确定信号分析只用于发射端，随机信号只用于接收端”。
大错特错。确定信号分析同样用于接收端：匹配滤波器（Matched Filter）的设计，就是基于已知的确定信号模板s(t)，构造滤波器冲激响应h(t)=s(T-t)，以最大化输出信噪比。而随机信号分析也用于发射端：比如OFDM子载波的功率分配（Water-filling算法），就是根据信道PSD的深浅，动态调整各子载波功率，把能量“灌”到信道好的频点上。某Wi-Fi路由器固件开发中，团队最初用固定功率分配，结果在2.4GHz拥挤频段性能极差；引入基于实时信道PSD估计的自适应功率分配后，同频干扰下的吞吐量提升40%。这说明，确定与随机的界限，在真实系统里是流动的、相互嵌套的。

3. 核心细节解析与实操要点：从公式到示波器的翻译指南

3.1 确定信号的四大核心参数：时域、频域、能量、功率的闭环验证

确定信号分析的根基，是四个相互关联的核心参数：时域波形s(t)、频谱S(f)、能量谱密度ESD(f)、功率谱密度PSD(f)（对周期信号）。它们的关系不是单向推导，而是必须闭环验证的工程标尺。

第一步：时域波形s(t)——你的“源代码”
这不是随便画个方波就行。必须明确定义：幅度A、周期T（或码元周期T_b）、占空比、上升/下降时间、是否含直流分量。比如BPSK基带信号，s(t) = A·cos(2πf_c t)·d(t)，其中d(t)是±1的矩形脉冲序列。这里d(t)的成型方式（矩形、升余弦、根升余弦）直接决定s(t)的频谱主瓣宽度和旁瓣衰减速度。我调试某NB-IoT模块时，发现发射频谱泄漏超标，查到最后是基带FPGA里d(t)用了未滤波的矩形脉冲，高频分量太强；换成根升余弦成型（滚降系数α=0.35）后，频谱立刻干净。

第二步：频谱S(f)——用傅里叶变换“拍照”
S(f) = ∫s(t)e^(-j2πft)dt。关键实操点：

• 采样率必须满足奈奎斯特准则：若s(t)最高频率为f_max，采样率f_s > 2f_max。某学生做QPSK仿真，f_s只设为2.5×符号率，结果频谱混叠，误以为调制器有问题。
• 窗函数选择影响频谱泄露：分析非周期信号（如单个脉冲）用矩形窗即可；分析周期信号（如连续载波）用汉宁窗抑制旁瓣。用频谱仪测本振相位噪声时，若不加窗，近端噪声会被远端强载波旁瓣淹没。
• FFT点数决定频率分辨率：Δf = f_s / N。想分辨1kHz间隔的两个干扰源？N至少取f_s/1000。某EMC测试中，因FFT点数太少，把两个相邻的开关电源噪声峰误判为一个宽峰，整改方向全错。

第三步：能量谱密度ESD(f) = |S(f)|²——看“能量分布”
ESD(f)的积分等于信号总能量E = ∫|s(t)|²dt。实操验证：用示波器测一段s(t)的均方值（RMS），乘以时间长度，得E；再用MATLAB对S(f)求模平方并数值积分，两者应基本一致（误差<5%）。差异过大，说明FFT参数（窗、点数、零填充）设置不当，或s(t)截断引入了严重频谱泄露。

第四步：功率谱密度PSD(f)——看“功率分布”（周期/功率信号）
对周期信号，PSD(f) = (1/T)·|S_k|²·δ(f - k·f_0)，其中S_k是傅里叶级数系数。实操关键是：PSD的积分等于信号平均功率P = (1/T)∫|s(t)|²dt。用频谱仪测PSD时，读数需校准：若显示的是“dBm/Hz”，则P = 10^((dBm/Hz + 10·log₁₀(RBW))/10) mW。某射频功放测试，同事未校准RBW，把-80dBm/Hz读成-80dBm，导致功率估算偏差100倍，险些烧毁器件。

注意：ESD和PSD的单位易混淆。ESD单位是V²·Hz⁻¹·s（因|S(f)|²单位是V²·s²，除以Hz得V²·s²/Hz，但标准ESD定义已隐含s，故为V²·s/Hz）；PSD单位是V²/Hz。记住口诀：“能量谱带秒，功率谱不带秒”。

3.2 随机信号的三大统计工具：均值、方差、自相关函数的实测技巧

随机信号无法写出s(t)，但它的三个统计量是工程调试的“听诊器”。

均值μ = E[x(t)]——直流分量与偏置校准
实测：用示波器DC耦合，测长时间波形的平均电压。关键点：

• 时间尺度要远大于信号相关时间：测热噪声均值，需采集>1ms波形（热噪声相关时间约纳秒级）；测电源纹波均值，100ms足够。
• 均值不为零，未必是故障：BPSK信号经非线性器件后，均值可能非零（含谐波），但只要不影响判决门限，可接受。某蓝牙音频模块，输出均值偏移20mV，原以为是运放失调，后发现是DAC输出的偶次谐波叠加所致，加一级AC耦合电容即解决。

方差σ² = E[(x(t)-μ)²]——噪声强度与动态范围
方差即交流功率，是衡量噪声大小的核心。实测技巧：

• 示波器用AC耦合+测量RMS值，此值即σ（若μ=0）。
• 频谱仪测PSD，再积分得σ²：σ² = ∫PSD(f)df。某ADC选型，数据手册给SNR=70dB，对应σ²_noise = (V_fs/2)^2 / 10^(70/10)，但实测系统噪声大得多，查到最后是PCB布局导致电源噪声耦合进模拟地，σ²实测值比理论高20dB。

自相关函数R(τ) = E[x(t)x(t+τ)]——时域“记忆性”与信道建模
R(τ)是随机信号分析的皇冠，它直接决定PSD（维纳-辛钦定理：PSD(f)是R(τ)的傅里叶变换）。实测难点在于：你无法测无限长信号，只能用有限样本估计。

• MATLAB推荐用xcorr函数，指定'maxlag'参数：如xcorr(x, 1000, 'unbiased')，计算τ从-1000到+1000的R(τ)，'unbiased'选项自动除以有效样本数，避免端点偏差。
• 物理意义解读：R(0) = σ²（最大值）；R(τ)首次衰减到R(0)/e的时间，叫“相关时间τ_c”，它反比于信号带宽。热噪声τ_c极短（皮秒级），宽带信道τ_c约几十纳秒。某UWB定位系统，要求τ_c < 1ns以分辨厘米级距离，实测信道R(τ)显示τ_c≈5ns，不得不增加超宽带天线阵列来提升时域分辨率。

实操心得：测R(τ)时，务必先高通滤波去除低频漂移（如温漂、1/f噪声），否则R(τ)在大τ处不衰减，误判为长相关过程。我用0.1Hz高通滤波器处理某传感器数据，R(τ)才显现出真实的指数衰减特性。

3.3 功率谱密度（PSD）的两种获取路径：理论推导与仪器实测的对照表

PSD是连接确定与随机的桥梁，也是最容易出错的环节。以下是两种主流获取方式的详细对照：

实测关键技巧：

• RBW选择黄金法则：RBW ≤ 0.3 × 最小关心的频率间隔。想分辨20kHz间隔的两个干扰源？RBW ≤ 6kHz。
• VBW作用：平滑显示噪声起伏，VBW ≥ 3×RBW可保证真实PSD形状不被过度平滑。
• 检波器模式：测连续波用峰值（Peak），测噪声用RMS或平均（Average）。用峰值检波测噪声，读数比真实PSD高2-3dB。
• 校准不可省：某公司新购频谱仪未校准，测得接收机噪声底为-160dBm/Hz，远低于理论-174dBm/Hz，后经校准发现仪器本身有+12dB增益误差，修正后为-172dBm/Hz，符合预期。

4. 实操过程与核心环节实现：从MATLAB仿真到硬件联调的全流程

4.1 MATLAB仿真：构建可验证的确定+随机混合信号模型

仿真不是为了炫技，而是为了在烧板子前，把“确定”与“随机”的交互关系摸透。以下是一个典型BPSK系统仿真流程，每一步都对应真实硬件环节：

%% 1. 确定信号生成：基带成型 fs = 10e6; % 采样率 10MHz Tb = 1e-3; % 码元周期 1ms -> 符号率 1kSps alpha = 0.35; % 升余弦滚降系数 span = 10; % 成型滤波器跨度（码元数） spLen = span * fs * Tb; % 滤波器抽头数 rrcFilter = rcosdesign(alpha, span, spLen, 'sqrt'); % 根升余弦滤波器 data = randi([0 1], 1, 1000); % 1000比特数据 symbols = 2*data - 1; % BPSK映射 ±1 % 成型滤波（确定部分） txBaseband = upfirdn(symbols, rrcFilter, fs*Tb, 1); % 插值到采样率 %% 2. 随机信道建模：添加AWGN与多径 % AWGN（确定性噪声模型） EbN0_dB = 10; % 信噪比 EsN0_dB = EbN0_dB + 10*log10(log2(2)); % Es/N0 = Eb/N0 for BPSK N0 = 10^(-EsN0_dB/10); % 噪声功率谱密度 noise = sqrt(N0/2) * (randn(size(txBaseband)) + 1j*randn(size(txBaseband))); % 多径信道（随机过程模型） tau = [0 0.5 1.2]*1e-6; % 三径时延（秒） gain = [1 0.5 0.3]; % 各径增益（瑞利衰落） chan = rayleighchan(fs, 100); % 创建瑞利信道对象，多普勒频移100Hz chan.PathDelays = tau; chan.AvgPathGaindB = 10*log10(gain.^2); rxBaseband = filter(chan, txBaseband) + noise; % 混合确定+随机 %% 3. 接收端处理：匹配滤波与采样 % 匹配滤波（确定性最优接收） mfFilter = conj(fliplr(rrcFilter)); % 时间反转共轭 y = filter(mfFilter, 1, rxBaseband); % 采样判决（随机性体现：判决点选择） samples = y(1:fs*Tb:end); % 每Tb秒采样一次 decisions = sign(real(samples)); % 判决 ber = sum(decisions ~= symbols) / length(symbols); % 误码率

仿真关键点解析：

• rcosdesign生成的滤波器，其时域响应必须满足奈奎斯特第一准则：在t=n·Tb（n≠0）处为零。可用plot(abs(fftshift(fft(rrcFilter))))看频谱是否严格带限。
• AWGN的sqrt(N0/2)系数，源于复噪声的实部虚部各分一半功率。若只加实部噪声，功率减半，SNR虚高3dB。
• rayleighchan对象模拟的不仅是幅度衰落，还有相位旋转，这直接影响BPSK的相位判决。某仿真中忘记启用相位，误码率曲线完美贴合理论，一上硬件就崩盘。
• 采样点选择是随机性的集中体现：理想情况在眼图中心采样，但实际受定时误差（Timing Error）影响。可在samples前加y_delayed = y(1+delta:end)模拟采样偏移，观察BER恶化曲线，这就是“定时恢复”算法要解决的问题。

4.2 硬件联调：用示波器与频谱仪“看见”确定与随机

仿真再准，也不如示波器上真实的一帧波形有说服力。以下是某2.4GHz Wi-Fi模块的典型联调步骤：

步骤一：发射端验证（确定信号主导）

• 示波器探头接PA输出（经衰减器），DC耦合，触发设为包头。
• 看时域：检查包头波形是否过冲/振铃（反映PCB阻抗匹配）；看包尾是否平滑截止（反映关断控制）。某模块包尾拖尾严重，查出是MOSFET关断延迟大，加加速电容解决。
• 频谱仪接同一端口，RBW=100kHz，测发射频谱模板（Mask）。重点看：
  • 主瓣宽度是否符合802.11b/g的22MHz要求？
  • -20dB带宽外的频谱泄漏（Spurious Emission）是否< -30dBm？
  • 若泄漏超标，大概率是PA非线性或滤波器带外抑制度不够。

步骤二：接收端验证（随机信号主导）

• 示波器探头接LNA输出（AC耦合），关闭信号源，只测本底噪声。
• 看时域：应为均匀“毛刺”，无明显周期性干扰（如有，查电源或时钟耦合）。
• 频谱仪测PSD：RBW=10kHz，测得-102dBm，则PSD = -102 - 10·log₁₀(10000) = -142dBm/Hz。对比理论：-174 + NF + 10·log₁₀(BW)，若NF=3dB，BW=20MHz，则理论PSD = -174 + 3 + 73 = -98dBm/Hz？等等，单位错了！-174dBm/Hz是N₀，PSD = N₀ × BW？不！PSD是密度，单位是dBm/Hz，-174dBm/Hz + NF = -171dBm/Hz，这才是LNA输入端的PSD。实测-142dBm/Hz是输出端，折算回去NF = -142 - (-171) = 29dB？显然错！正确折算：输出PSD = 输入PSD + 增益G，所以G = -142 - (-171) = 29dB，NF = 3dB符合。这说明实测PSD必须和增益一起看，孤立看数值毫无意义。

步骤三：信道交互验证（确定+随机混合）

• 发一个已知PRBS序列（确定），用矢量信号分析仪（VSA）捕获接收信号。
• VSA可同时显示：
  • 时域眼图（确定性码间干扰ISI）
  • 频谱（确定性频谱泄漏 + 随机噪声底）
  • 星座图（随机性体现：点云扩散程度）
• 关键指标：EVM（Error Vector Magnitude）——它量化了“确定信号模板”与“实际接收点”的偏离，是确定与随机共同作用的结果。EVM > 10%？可能是：
  • 确定性：LO相位噪声大（星点沿圆弧扩散）
  • 随机性：热噪声大（星点均匀扩散）
  • 混合：IQ不平衡（星点呈椭圆扩散）

实操心得：VSA的EVM测量，必须先做“参考通道校准”（Reference Channel Calibration），用已知纯净信号校准其内部IQ解调器。某次未校准，测得EVM=25%，校准后降至8%，问题出在VSA自身而非被测设备。

4.3 关键参数计算全过程：以“接收机灵敏度”为例

接收机灵敏度（Sensitivity）是通信系统最核心指标之一，它完美融合了确定与随机分析：

定义：在指定误码率（BER）下，接收机能正确解调的最小输入信号功率。

计算公式：
Sensitivity (dBm) = -174 dBm/Hz + NF (dB) + 10·log₁₀(BW_Hz) + SNR_min (dB)

参数详解与计算实例（某LoRa接收机）：

• -174 dBm/Hz：室温（290K）下热噪声功率谱密度（确定性物理常数）
• NF = 6 dB：LNA+后续链路噪声系数（随机性建模的起点，需实测）
• BW = 125 kHz：LoRa信道带宽（确定性系统参数，由扩频因子SF和带宽BW决定）
• SNR_min = -10 dB：LoRa在SF=12时的理论最小解调信噪比（来自香农极限与编码增益的确定性计算）

计算过程：

1. 噪声功率 = -174 + 6 + 10·log₁₀(125000) = -174 + 6 + 50.97 ≈ -117.03 dBm
2. 灵敏度 = 噪声功率 + SNR_min = -117.03 + (-10) =-127.03 dBm

实测验证：

• 用信号源发-127dBm的LoRa信号，测BER。若BER < 1%，则达标；若BER > 10%，需排查：
  • 确定性：前端滤波器插损是否超设计？（实测插损比标称大3dB，则灵敏度恶化3dB）
  • 随机性：PCB地平面分割是否引入额外噪声耦合？（用频谱仪看基带噪声底是否抬高）
  • 混合：ADC采样时钟抖动（Jitter）是否过大？（时域抖动导致信噪比恶化，属确定性时钟+随机性抖动的混合效应）

某项目实测灵敏度为-124dBm，比计算值差3dB。逐项排查：滤波器插损正常，噪声底正常，最后发现是ADC时钟驱动电路布局不良，时钟边沿过缓，引入额外抖动，更换驱动芯片并优化走线后，灵敏度提升至-126.5dBm，接近理论值。

5. 常见问题与排查技巧实录：一线工程师的故障树笔记

5.1 典型问题速查表：症状、可能原因、验证方法、解决方案