{
  "id": "additive-white-gaussian-noise-channel",
  "title": "加性白高斯噪声信道",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "加性白高斯噪声信道通过在发送信号上叠加与信号独立、功率谱平坦的高斯噪声来描述通信过程。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "AWGN信道",
    "加性高斯白噪声信道",
    "高斯白噪声信道"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/additive-white-gaussian-noise-channel/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/additive-white-gaussian-noise-channel/",
      "json": "https://aiwiki.page/en/additive-white-gaussian-noise-channel.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "加性白高斯噪声信道，通常简称为 AWGN信道，是一种通信信道的数学模型。在该模型中，接收信号等于发送信号与噪声之和，噪声与信号相互独立，具有高斯统计特性和平坦的功率谱。它是信息论和数字通信中的基本模型，用于分析可靠传输、接收机性能和纠错码。尽管该模型忽略了许多物理损伤因素，但由于便于数学分析，它成为比较更复杂信道的重要参照。"
    },
    {
      "heading": "模型的含义",
      "text": "名称中的三个限定词分别描述了不同的假设：\n\n- **加性：**噪声以相加的方式作用于信号，而不是与信号相乘或改变其时序。\n- **白：**噪声在模型所涵盖的频率范围内具有恒定的功率谱密度。等价地，理想连续时间白噪声的自相关函数与狄拉克δ函数成正比。\n- **高斯：**任意有限个噪声坐标的联合分布均为正态分布。\n\n模型还假定噪声与发送信号在统计上相互独立。这一假设至关重要：如果某种扰动的强度取决于信号，那么即使它看起来呈高斯分布，也不一定构成AWGN信道。\n\n白性和高斯性是两种不同的性质。白噪声不一定是高斯噪声，高斯噪声也不一定是白噪声。不过，对于联合高斯噪声，不相关的坐标之间也相互独立。因此，在正交信号空间中表示白高斯噪声时，得到的各个高斯噪声分量相互独立。"
    },
    {
      "heading": "离散时间形式",
      "text": "实值离散时间信道可写为\n\n\\[Y_k=X_k+Z_k,\\]\n\n其中，\\(X_k\\) 为发送符号，\\(Y_k\\) 为接收符号，噪声变量满足\n\n\\[Z_k\\overset{\\mathrm{iid}}{\\sim}\\mathcal N(0,\\sigma^2).\\]\n\n这里，“iid”表示独立同分布，\\(\\sigma^2\\) 为噪声的方差。噪声变量序列与整个发送序列相互独立。\n\n对于单次信道使用，条件概率密度为\n\n\\[p(y\\mid x) = \\frac{1}{\\sqrt{2\\pi\\sigma^2}} \\exp\\left[-\\frac{(y-x)^2}{2\\sigma^2}\\right].\\]\n\n独立性使信道具有无记忆性：\n\n\\[p(y_1,\\ldots,y_n\\mid x_1,\\ldots,x_n) = \\prod_{k=1}^{n}p(y_k\\mid x_k).\\]\n\n因此，在给定当前发送符号的条件下，当前输出不依赖于先前的输入或输出。这并不要求输入符号本身相互独立：编码通常会在符号之间引入依赖关系。\n\n输入约束\n\n要使容量有限，就必须对输入施加约束。通常采用平均功率约束：\n\n\\[\\frac{1}{n}\\sum_{k=1}^{n}\\mathbb E[X_k^2]\\leq P,\\]\n\n其中，\\(\\mathbb E\\) 表示期望值。如果没有功率或幅度约束，AWGN信道的容量将没有上界，因为在噪声尺度固定的情况下，可以将可区分信号电平之间的间距任意增大。\n\n采用峰值幅度约束，或将输入限制在有限信号星座中，会形成不同的容量问题。熟知的高斯输入容量公式并不能直接用于这些约束条件。\n\n复值形式\n\n对于正交调制，通常使用复数表示信道：\n\n\\[Y_k=X_k+Z_k,\\qquad Z_k\\sim\\mathcal{CN}(0,N).\\]\n\n按照通常的圆对称约定，\n\n\\[\\mathbb E[|Z_k|^2]=N,\\]\n\n其实部和虚部是相互独立的高斯变量，方差均为 \\(N/2\\)。因此，一次复数信道使用包含两个实数维度。噪声和容量公式中许多看似相差两倍的情况，都可以由这一区别解释。"
    },
    {
      "heading": "连续时间噪声与带宽",
      "text": "理想的连续时间模型为\n\n\\[y(t)=x(t)+n(t),\\]\n\n噪声的双边功率谱密度为\n\n\\[S_n(f)=\\frac{N_0}{2}.\\]\n\n其形式上的自相关函数为\n\n\\[R_n(\\tau)=\\frac{N_0}{2}\\delta(\\tau).\\]\n\n在无限频率范围内完全为白的噪声，其总功率将是无穷大。因此，在数学上，理想白噪声被视为广义随机过程，而不是各时刻取值的方差均有限的普通随机函数。\n\n实际接收机的带宽有限。如果白噪声通过频率响应为 \\(H(f)\\) 的滤波器，则输出噪声功率为\n\n\\[P_n=\\frac{N_0}{2} \\int_{-\\infty}^{\\infty}|H(f)|^2\\,df.\\]\n\n滤波后的噪声仍具有高斯性，但通常在时间上存在相关性，且不再在整个频率轴上具有白性。不过，将其适当地投影到一组标准正交波形上，可以得到相互独立的高斯噪声坐标。这就建立了连续时间模型与离散时间信道之间的联系。\n\n对于带宽为 \\(B\\) 赫兹、采用常规双边噪声谱密度 \\(N_0/2\\) 的实值信道，带内噪声功率为 \\(N_0B\\)。涉及 \\(N_0\\)、带宽或样本方差的表述，必须说明使用的是实信号还是复信号，以及单边谱密度还是双边谱密度。"
    },
    {
      "heading": "物理依据",
      "text": "该模型的一个主要物理依据是热噪声，它源于电气系统中的热涨落。在适当的频率范围和正常工作条件下，热噪声可以近似为频谱接近平坦的高斯噪声。\n\n中心极限定理也为高斯模型提供了依据：许多足够小、相互依赖较弱的扰动之和可以近似服从高斯分布。但这一论证并不能说明噪声具有白性；白性是关于时间相关性或频谱形状的另一项性质。\n\nAWGN信道通常不考虑传播损耗、失真以及接收机的具体细节。已知的恒定信道增益可以纳入信号归一化处理，从而得到噪声方差经过缩放的等效模型。时变衰减、多径传播、脉冲干扰和非线性失真则需要额外建模。"
    },
    {
      "heading": "信道容量",
      "text": "信道容量是在给定输入约束下，能够实现可靠通信的速率的上确界。对于平均输入功率为 \\(P\\) 的实值离散时间AWGN信道，\n\n\\[C=\\frac{1}{2}\\log_2\\left(1+\\frac{P}{\\sigma^2}\\right)\\]\n\n单位为比特/次实数信道使用。\n\n在这一归一化约定下，比值 \\(P/\\sigma^2\\) 就是信噪比。从信息论意义上说，采用均值为零、方差为 \\(P\\) 的高斯输入可以达到容量。\n\n这一结果可通过最大化互信息得到：\n\n\\[I(X;Y)=h(Y)-h(Y\\mid X)=h(Y)-h(Z),\\]\n\n其中，\\(h\\) 表示微分熵。噪声的熵是固定的，而在方差给定时，高斯分布的微分熵最大。高斯输入使输出也服从高斯分布，从而达到这一最大值。\n\n对于满足 \\(\\mathbb E[|X|^2]\\leq P\\) 和 \\(\\mathbb E[|Z|^2]=N\\) 的圆对称复值AWGN信道，\n\n\\[C=\\log_2\\left(1+\\frac{P}{N}\\right)\\]\n\n单位为比特/次复数信道使用。\n\n带限容量\n\n相应的连续时间结果即香农–哈特利定理：\n\n\\[C=B\\log_2\\left(1+\\frac{P}{N_0B}\\right)\\]\n\n单位为比特/秒，其中带宽为 \\(B\\)，平均接收信号功率为 \\(P\\)，带内噪声功率为 \\(N_0B\\)。\n\n这是一个渐近极限。对于低于容量的速率，使用足够长且设计适当的码，可以使错误概率任意小。该定理并不意味着有限长度的码字能够实现零错误，也不指定具体的调制方式、编码方案、时延或译码复杂度。\n\n如果只有 \\(M\\) 个不同的输入符号可用，那么互信息就不可能超过每符号 \\(\\log_2M\\) 比特。因此，有限星座无法在所有信噪比下都达到不受星座限制的高斯输入容量。\n\n频谱效率与能量效率\n\n设信息速率为 \\(R\\)，频谱效率为 \\(\\eta=R/B\\)，每个信息比特的能量为 \\(E_b=P/R\\)。在容量边界上，\n\n\\[\\frac{E_b}{N_0} = \\frac{2^\\eta-1}{\\eta}.\\]\n\n当频谱效率趋于零时，\n\n\\[\\lim_{\\eta\\to0}\\frac{E_b}{N_0}=\\ln 2,\\]\n\n约为 \\(-1.59\\) dB。这是标准功率受限AWGN模型中，实现可靠通信所需的每比特能量与噪声谱密度之比的渐近最小值。并非每一种带宽有限、码长有限的实现都能达到这一门限。"
    },
    {
      "heading": "检测与错误概率",
      "text": "当各候选信号向量等概率出现时，最大似然检测会选择与接收向量的欧氏距离最近的向量：\n\n\\[\\hat{\\mathbf x} = \\operatorname*{arg\\,min}_{\\mathbf x} \\|\\mathbf y-\\mathbf x\\|^2.\\]\n\n这一规则可以直接由高斯似然函数推导得出。如果各候选信号的先验概率不相等，最小错误概率检测器还会考虑这些先验概率。\n\n在白高斯噪声中检测已知波形时，匹配滤波器或等效的相关器可以提取相关的信号坐标。选用合适的正交信号坐标后，检测问题就可以化为有限维的向量加噪声模型。\n\n对于理想同步条件下采用相干检测、未经编码的二进制相移键控，\n\n\\[P_b=Q\\left(\\sqrt{\\frac{2E_b}{N_0}}\\right),\\]\n\n其中，\\(P_b\\) 为比特错误概率，且\n\n\\[Q(a)=\\frac{1}{\\sqrt{2\\pi}} \\int_a^\\infty e^{-u^2/2}\\,du.\\]\n\n这一表达式依赖于上述假设，并不是适用于所有二进制通信系统的错误概率公式。\n\nAWGN似然函数也可为译码提供软信息。如果 \\(X\\in\\{-A,+A\\}\\) 的两个取值具有相等的先验概率，则\n\n\\[\\log\\frac{p(Y=y\\mid X=+A)} {p(Y=y\\mid X=-A)} = \\frac{2Ay}{\\sigma^2}.\\]\n\n与二元硬判决不同，这一似然比保留了接收符号置信程度的信息。"
    },
    {
      "heading": "仿真与基准测试",
      "text": "离散时间AWGN仿真通过向发送序列添加相互独立的高斯样本来实现。如果实值样本的平均信号功率为 \\(P_s\\)，目标线性信噪比为 \\(\\gamma\\)，则所需的噪声方差为\n\n\\[\\sigma^2=\\frac{P_s}{\\gamma}.\\]\n\n对于复数样本，如果总噪声功率为 \\(N\\)，则两个正交分量的方差都必须为 \\(N/2\\)。可以使用伪随机数生成器生成相互独立的标准正态样本，再按所需比例缩放。\n\n造成比较结果不准确的常见原因包括混淆以下概念：\n\n- 样本信噪比与 \\(E_b/N_0\\)；\n- 信息比特能量与编码比特能量；\n- 实分量方差与复噪声总功率；\n- 符号速率采样与波形过采样；\n- 带宽与接收滤波器的等效噪声带宽。\n\nAWGN测试可以单独考察调制、编码和检测的影响。它们被广泛用作可重复的基准测试，但其结果描述的是假定信道条件下的性能，而不是所有实际部署条件下的性能。"
    },
    {
      "heading": "历史作用与局限性",
      "text": "香农于1948年发表的通信理论研究建立了信道容量的理论框架，并确立了高斯信道的核心地位。此后的编码与调制研究一直将AWGN信道作为参考模型，用于研究实际系统与理论极限之间的差距。\n\n该模型的主要局限性直接来自其假设。仅凭这一模型，无法表示时变多径衰落、频率选择性失真、同步误差、削波、量化或具有非高斯统计特性的干扰。对于存在相关性的高斯噪声，需要采用有色噪声模型；将这类噪声变换到白噪声坐标系时，也可能同时改变信号及其约束。\n\n因此，AWGN性能是一种基准，而不是针对任意物理信道的普遍保证或界限。它是否有用，取决于相互独立的加性高斯噪声能否充分描述接收机处的主要扰动。"
    }
  ],
  "links": [
    "information-theory",
    "error-correcting-code",
    "normal-distribution",
    "variance",
    "expected-value",
    "complex-number",
    "central-limit-theorem",
    "channel-capacity",
    "signal-to-noise-ratio",
    "mutual-information",
    "differential-entropy",
    "shannon-hartley-theorem",
    "pseudorandom-number-generator"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}