复广义平稳随机过程的数学原理

复广义平稳随机过程的数学原理

复广义平稳（Complex Wide Sense Stationary, 复WSS）随机过程是现代信号处理与通信系统中的核心数学工具。与实数域的WSS过程相比，复WSS过程能够同时描述信号的幅度和相位信息，在无线通信、雷达信号处理和数字调制系统中发挥着不可替代的作用。本文将从数学定义出发，系统阐述复WSS过程的理论基础、关键性质及其在工程中的广泛应用。复WSS随机过程的研究始于20世纪中叶，随着无线通信技术的发展而日益重要。当我们需要处理带通信号的基带表示，或者分析包含同相和正交分量的调制信号时，复数域的随机过程理论提供了更为简洁和高效的数学框架。

复WSS随机过程的数学定义与基本概念

设 {X(t),t∈R}\{X(t), t \in \mathbb{R}\}{X(t),t∈R} 为一复随机过程，其中 $X(t)=X_R(t)+j{X}_I(t)$，$X_R(t)$ 和 $X_I(t)$ 分别为实部和虚部过程。该过程被称为广义平稳，当且仅当满足以下两个条件：

1. 均值平稳性：$E[X(t)]={\mu }_X$（常数），对所有 $t\in \mathbb{R}$ 成立
2. 协方差平稳性：自相关函数 $R_{XX}(t_1,t_2)=R_{XX}(t_1-t_2)=R_{XX}(\tau )$

对于复随机过程，自相关函数的定义为：
$$R_{XX}(\tau )=E[X(t+\tau )X^{\ast }(t)]$$

其中 $X^{\ast }(t)$ 表示 $X(t)$ 的复共轭。将 $X(t)$ 展开为实部和虚部，可得：
$$R_{XX}(\tau )=E[(X_R(t+\tau )+j{X}_I(t+\tau ))(X_R(t)-j{X}_I(t))]$$

展开后得到：
$$R_{XX}(\tau )=E[X_R(t+\tau )X_R(t)]+E[X_I(t+\tau )X_I(t)]+j(E[X_I(t+\tau )X_R(t)]-E[X_R(t+\tau )X_I(t)])$$

记 $R_{RR}(\tau )=E[X_R(t+\tau )X_R(t)]$，$R_{II}(\tau )=E[X_I(t+\tau )X_I(t)]$，$R_{RI}(\tau )=E[X_R(t+\tau )X_I(t)]$，$R_{IR}(\tau )=E[X_I(t+\tau )X_R(t)]$，则：
$$R_{XX}(\tau )=[R_{RR}(\tau )+R_{II}(\tau )]+j[R_{IR}(\tau )-R_{RI}(\tau )]$$

自相关函数的性质与功率谱密度

厄米特对称性的证明

复WSS过程的自相关函数具有厄米特对称性：$R_{XX}(\tau )=R_{XX}^{\ast }(-\tau )$。

证明：根据定义，
$$R_{XX}(\tau )=E[X(t+\tau )X^{\ast }(t)]$$

令 $s=t+\tau$，则 $t=s-\tau$，代入得：
$$R_{XX}(\tau )=E[X(s)X^{\ast }(s-\tau )]$$

对于 $R_{XX}(-\tau )$：
$$R_{XX}(-\tau )=E[X(t-\tau )X^{\ast }(t)]=E[X(s-\tau )X^{\ast }(s)]$$

取复共轭：
$$R_{XX}^{\ast }(-\tau )=E[X(s-\tau )X^{\ast }(s){]}^{\ast }=E[X^{\ast }(s-\tau )X(s)]=E[X(s)X^{\ast }(s-\tau )]=R_{XX}(\tau )$$

因此，$R_{XX}(\tau )=R_{XX}^{\ast }(-\tau )$。

功率谱密度与维纳-辛钦定理

根据维纳-辛钦定理，功率谱密度 $S_{XX}(f)$ 定义为自相关函数的傅里叶变换：
$$S_{XX}(f)={\int }_{-\infty }^{\infty }{R}_{XX}(\tau )e^{-j2\pi f\tau }d\tau$$

定理：对于复WSS过程，其功率谱密度 $S_{XX}(f)$ 是实值非负函数。

证明：利用厄米特对称性，
$$S_{XX}(f)={\int }_{-\infty }^{\infty }{R}_{XX}(\tau )e^{-j2\pi f\tau }d\tau$$

令 $u=-\tau$，则：
$$S_{XX}(f)={\int }_{-\infty }^{\infty }{R}_{XX}(-u)e^{j2\pi fu}du={\int }_{-\infty }^{\infty }{R}_{XX}^{\ast }(u)e^{j2\pi fu}du$$

取复共轭：
$$S_{XX}^{\ast }(f)={\int }_{-\infty }^{\infty }{R}_{XX}(u)e^{-j2\pi fu}du=S_{XX}(f)$$

因此 $S_{XX}(f)$ 为实函数。

为证明非负性，考虑任意有限能量信号 $h(t)$，定义：
$$Y={\int }_{-\infty }^{\infty }{h}^{\ast }(t)X(t)dt$$

则 $E[|Y{|}^2]\ge 0$。经过详细计算可得：
$$E[|Y{|}^2]={\int }_{-\infty }^{\infty }|H(f){|}^2{S}_{XX}(f)df\ge 0$$

由于 $|H(f){|}^2$ 可以是任意非负函数，故 $S_{XX}(f)\ge 0$。

帕塞瓦尔定理的应用

信号的总功率可通过时域或频域计算：
$$P=R_{XX}(0)=E[|X(t){|}^2]={\int }_{-\infty }^{\infty }{S}_{XX}(f)df$$

这一关系的证明基于傅里叶变换的逆变换：
$$R_{XX}(\tau )={\int }_{-\infty }^{\infty }{S}_{XX}(f)e^{j2\pi f\tau }df$$

令 $\tau =0$：
$$R_{XX}(0)={\int }_{-\infty }^{\infty }{S}_{XX}(f)df=P$$

复包络表示与解析信号

带通信号的复基带表示

设 $s(t)$ 为中心频率为 $f_c$ 的实带通信号，其频谱 $S(f)$ 满足：
$$S(f)=0,|f|\notin [f_c-W/2,f_c+W/2]\cup [-f_c-W/2,-f_c+W/2]$$

其中 $W$ 为信号带宽。定义复包络 $\tilde{s}(t)$ 使得：
s(t)=Re{s~(t)ej2πfct}s(t) = \text{Re}\{\tilde{s}(t)e^{j2\pi f_c t}\}s(t)=Re{s~(t)ej2πfc​t}

展开得：
$$s(t)=\frac{1}{2}[\tilde{s}(t)e^{j2\pi f_{c}t}+{\tilde{s}}^{\ast }(t)e^{-j2\pi f_{c}t}]$$

取傅里叶变换：
$$S(f)=\frac{1}{2}[\tilde{S}(f-f_c)+{\tilde{S}}^{\ast }(-(f+f_c))]$$

其中 $\tilde{S}(f)$ 是 $\tilde{s}(t)$ 的傅里叶变换。

希尔伯特变换与解析信号

对于实信号 $x(t)$，其希尔伯特变换定义为：
$$\hat{x}(t)=\frac{1}{\pi }\text{P.V.}{\int }_{-\infty }^{\infty }\frac{x(\tau )}{t-\tau }d\tau$$

其中 P.V. 表示柯西主值。在频域中：
$$\hat{X}(f)=-j\cdot \text{sgn}(f)\cdot X(f)$$

其中
$$\text{sgn}(f)=\{\begin{array}{ll}1,& f>0\\ 0,& f=0\\ -1,& f<0\end{array}$$

解析信号定义为：
$$x_a(t)=x(t)+j\hat{x}(t)$$

其频谱为：
$$X_a(f)=X(f)+j\hat{X}(f)=X(f)[1+\text{sgn}(f)]=\{\begin{array}{ll}2X(f),& f>0\\ X(f),& f=0\\ 0,& f<0\end{array}$$

复包络与解析信号的关系

对于带通信号 $s(t)$，其解析信号为：
$$s_a(t)=s(t)+j\hat{s}(t)$$

可以证明：
$$s_a(t)=\tilde{s}(t)e^{j2\pi f_{c}t}$$

因此，复包络可表示为：
$$\tilde{s}(t)=s_a(t)e^{-j2\pi f_{c}t}=[s(t)+j\hat{s}(t)]e^{-j2\pi f_{c}t}$$

圆对称复高斯过程

定义与概率密度函数

复随机变量 $Z=X+jY$ 服从圆对称复高斯分布，记作 $Z\sim \mathcal{C}\mathcal{N}(\mu ,{\sigma }^2)$，如果其概率密度函数为：
$$f_Z(z)=\frac{1}{\pi {\sigma }^2}\exp \left(-\frac{|z-\mu {|}^2}{{\sigma }^2}\right)$$

其中 $\mu ={\mu }_X+j{\mu }_Y$ 为复均值，${\sigma }^2=E[|Z-\mu {|}^2]$ 为方差。

圆对称性的数学刻画

随机变量 $Z$ 具有圆对称性，当且仅当对任意 $\theta \in [0,2\pi )$，$e^{j\theta }Z$ 与 $Z$ 具有相同的分布。这等价于以下条件：

1. $E[Z^2]=E[(X+jY{)}^2]=E[X^2-Y^2]+2jE[XY]=0$
2. $E[X^2]=E[Y^2]$ 且 $E[XY]=0$

证明圆对称性的充要条件：

必要性：若 $Z$ 圆对称，则 $e^{j\pi /2}Z=jZ$ 与 $Z$ 同分布。因此：
$$E[Z^2]=E[(jZ{)}^2]=E[j^2{Z}^2]=-E[Z^2]$$

故 $E[Z^2]=0$。

充分性：若 $E[Z^2]=0$，考虑特征函数：
$${\varphi }_Z(t_1,t_2)=E[\exp (j(t_{1}X+t_{2}Y))]$$

对于圆对称分布，该特征函数应满足：
$${\varphi }_Z(t_1,t_2)={\varphi }_Z(t_1\cos \theta -t_2\sin \theta ,t_1\sin \theta +t_2\cos \theta )$$

当 $Z\sim \mathcal{C}\mathcal{N}(0,{\sigma }^2)$ 时，可验证此条件成立。

二阶统计特性

对于零均值圆对称复高斯过程 {Z(t)}\{Z(t)\}{Z(t)}，其完全由自相关函数 $R_{ZZ}(\tau )=E[Z(t+\tau )Z^{\ast }(t)]$ 刻画。协方差矩阵为：
$${\mathbf{C}}_Z=E[\mathbf{z}{\mathbf{z}}^H]$$

其中 $\mathbf{z}=[Z(t_1),Z(t_2),\dots ,Z(t_n){]}^T$，${\mathbf{z}}^H$ 表示共轭转置。

伪协方差矩阵：
$${\mathbf{P}}_Z=E[\mathbf{z}{\mathbf{z}}^T]=0$$

这正是圆对称性的体现。

现代通信系统中的应用

OFDM系统的数学模型

在OFDM系统中，$N$ 个数据符号 {Xk}k=0N−1\{X_k\}_{k=0}^{N-1}{Xk​}k=0N−1​ 通过IDFT调制到正交子载波上：
$$x(n)=\frac{1}{\sqrt{N}}\sum _{k=0}^{N-1}{X}_k{e}^{j2\pi kn/N},n=0,1,\dots ,N-1$$

加入长度为 $L$ 的循环前缀后，发送信号为：
$$s(n)=\{\begin{array}{ll}x(n+N),& -L\le n<0\\ x(n),& 0\le n<N\end{array}$$

经过信道 $h(n)$ 和加性高斯白噪声 $w(n)$ 后，接收信号为：
$$r(n)=\sum _{l=0}^{L-1}h(l)s(n-l)+w(n)$$

去除循环前缀并进行DFT：
$$Y_k=\frac{1}{\sqrt{N}}\sum _{n=0}^{N-1}r(n)e^{-j2\pi kn/N}$$

可以证明，当循环前缀长度大于信道时延扩展时：
$$Y_k=H_k{X}_k+W_k$$

其中 $H_k={\sum }_{l=0}^{L-1}h(l)e^{-j2\pi kl/N}$ 是信道频率响应，$W_k$ 是频域噪声。

信道的WSS建模

在时变信道中，冲激响应 $h(t,\tau )$ 表示在时刻 $t$ 对时延为 $\tau$ 的路径增益。若信道满足广义平稳非相关散射（WSSUS）条件：

1. 不同时延的路径增益不相关：$E[h(t,{\tau }_1)h^{\ast }(t,{\tau }_2)]=0$，当 ${\tau }_1\ne {\tau }_2$
2. 自相关函数仅依赖于时间差：$E[h(t+\Delta t,\tau )h^{\ast }(t,\tau )]=R_h(\Delta t,\tau )$

定义多普勒功率谱密度：
$$S_h(\nu ,\tau )={\int }_{-\infty }^{\infty }{R}_h(\Delta t,\tau )e^{-j2\pi \nu \Delta t}d(\Delta t)$$

时延功率谱：
$$P_h(\tau )=R_h(0,\tau )=E[|h(t,\tau ){|}^2]$$

相干带宽定义为：
$$B_c=\frac{1}{2\pi {\tau }_{rms}}$$

其中 ${\tau }_{rms}=\sqrt{\int {\tau }^2{P}_h(\tau )d\tau /\int P_h(\tau )d\tau }$ 是均方根时延扩展。

维纳滤波与最优信号处理

维纳-霍夫方程的推导

设观测信号为：
$$y(t)=s(t)+n(t)$$

其中 $s(t)$ 是期望信号，$n(t)$ 是噪声。目标是设计滤波器 $h(t)$ 使得估计误差：
$$e(t)=s(t)-\hat{s}(t)=s(t)-{\int }_{-\infty }^{\infty }h(\tau )y(t-\tau )d\tau$$

的均方值最小。根据正交性原理，最优滤波器满足：
$$E[e(t)y^{\ast }(t-u)]=0,\forall u$$

展开得到维纳-霍夫方程：
$$R_{sy}(u)={\int }_{-\infty }^{\infty }h(\tau )R_{yy}(u-\tau )d\tau$$

在频域中：
$$S_{sy}(f)=H(f)S_{yy}(f)$$

因此，最优滤波器的频率响应为：
$$H_{opt}(f)=\frac{S_{sy}(f)}{S_{yy}(f)}$$

最小均方误差

将最优滤波器代入误差表达式，可得最小均方误差：
$$\text{MMSE}=E[|e(t){|}^2]=R_{ss}(0)-{\int }_{-\infty }^{\infty }{H}_{opt}(f)S_{ys}(f)df$$

利用 $S_{ys}(f)=S_{sy}^{\ast }(f)$ 和 $H_{opt}(f)=S_{sy}(f)/S_{yy}(f)$：
$$\text{MMSE}=R_{ss}(0)-{\int }_{-\infty }^{\infty }\frac{|S_{sy}(f){|}^2}{S_{yy}(f)}df$$

当信号与噪声不相关时，$S_{yy}(f)=S_{ss}(f)+S_{nn}(f)$，$S_{sy}(f)=S_{ss}(f)$，因此：
$$H_{opt}(f)=\frac{S_{ss}(f)}{S_{ss}(f)+S_{nn}(f)}$$

这就是著名的维纳滤波器表达式，它在信噪比高的频段接近1，在信噪比低的频段接近0，实现了最优的噪声抑制。