{
  "id": "additive-white-gaussian-noise",
  "title": "加性高斯白噪声",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "加性高斯白噪声是一种数学噪声模型，兼具加性干扰、平坦功率谱和联合高斯统计特性。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "加性白高斯噪声",
    "AWGN"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/additive-white-gaussian-noise/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/additive-white-gaussian-noise/",
      "json": "https://aiwiki.page/en/additive-white-gaussian-noise.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "**加性高斯白噪声（AWGN）**是一种随机扰动模型，其中噪声以相加的方式叠加到信号上，单位带宽内的功率恒定，并服从高斯统计规律。它广泛应用于通信、信号处理和统计估计。其三个定义性特征描述了噪声的不同方面：加性说明噪声如何进入系统，白说明其频谱结构，高斯说明其概率规律。对于许多物理扰动，尤其是有限频率范围内的热噪声，这一模型提供了一种便于数学处理的近似。"
    },
    {
      "heading": "定义与假设",
      "text": "离散时间加性噪声模型可写为\n\n\\[Y_k=X_k+N_k,\\]\n\n其中，\\(X_k\\) 是输入信号，\\(Y_k\\) 是观测输出，\\(N_k\\) 是噪声。在标准的实值 AWGN 模型中，\n\n\\[N_k\\overset{\\mathrm{iid}}{\\sim}\\mathcal N(0,\\sigma^2),\\]\n\n这表示噪声样本独立同分布，服从均值为零、方差为 \\(\\sigma^2\\) 的正态分布。模型还假设噪声过程与输入信号相互独立。\n\n名称中的三个术语各有不同含义：\n\n- **加性：**噪声与信号相加，而不是与信号相乘或改变其时间尺度。仅有加性并不意味着噪声与信号独立；在通常的 AWGN 信道中，独立性是一项额外假设。\n- **白：**噪声具有恒定的功率谱密度。对于零均值离散时间过程，这对应于不同时刻样本之间的自协方差为零。\n- **高斯：**任意有限组噪声样本都服从多元正态分布，而不仅仅是各个时刻的边缘分布为高斯分布。\n\n最后这一点区别很重要。仅凭一维边缘分布为高斯分布，并不能确定一个过程是高斯过程。不过，对于联合高斯样本，协方差为零意味着具有统计独立性。因此，离散时间高斯白噪声由相互独立的高斯样本组成。\n\n采用零均值的约定，可以将随机波动与恒定偏移区分开来，后者可纳入模型的确定性部分。"
    },
    {
      "heading": "离散时间的数学描述",
      "text": "对于实值零均值 AWGN，\n\n\\[\\mathbb E[N_k]=0, \\qquad \\mathbb E[N_kN_\\ell]=\\sigma^2\\delta_{k\\ell},\\]\n\n其中，\\(\\mathbb E\\) 表示期望值；当 \\(k=\\ell\\) 时，\\(\\delta_{k\\ell}\\) 为一，否则为零。\n\n对于由 \\(m\\) 个样本组成的向量，\n\n\\[\\mathbf N=(N_1,\\ldots,N_m)^{\\mathsf T},\\]\n\n其分布为\n\n\\[\\mathbf N\\sim\\mathcal N(\\mathbf 0,\\sigma^2 I_m),\\]\n\n其中，\\(I_m\\) 是单位矩阵。它的协方差矩阵为对角矩阵，其概率密度函数为\n\n\\[p_{\\mathbf N}(\\mathbf n) = \\frac{1}{(2\\pi\\sigma^2)^{m/2}} \\exp\\!\\left( -\\frac{\\|\\mathbf n\\|^2}{2\\sigma^2} \\right).\\]\n\n这一密度仅取决于到原点的距离。因此，正交坐标变换不会改变该分布。在信号处理中，这意味着白高斯噪声在彼此正交、能量为一的坐标方向上的投影，是方差相等且相互独立的高斯系数。\n\n当角频率以弧度每样本为单位，并采用以下约定时，离散时间谱密度为常数：\n\n\\[S_N(e^{j\\omega})=\\sigma^2, \\qquad -\\pi\\leq\\omega<\\pi,\\]\n\n所采用的约定为\n\n\\[R_N[\\ell] = \\frac{1}{2\\pi} \\int_{-\\pi}^{\\pi} S_N(e^{j\\omega})e^{j\\omega\\ell}\\,d\\omega.\\]\n\n白噪声的“白”指的是理论频谱。有限长度噪声记录的实测频谱通常会有起伏，并非完全平坦。"
    },
    {
      "heading": "连续时间白噪声",
      "text": "通信理论通常将实值连续时间 AWGN 形式化地写为\n\n\\[Y(t)=X(t)+N(t),\\]\n\n其双边噪声谱密度为\n\n\\[S_N(f)=\\frac{N_0}{2}, \\qquad -\\infty<f<\\infty.\\]\n\n对应的自相关函数为\n\n\\[R_N(\\tau)=\\frac{N_0}{2}\\delta(\\tau),\\]\n\n其中，\\(\\delta\\) 为狄拉克 δ 函数。频谱描述与自相关描述通过傅里叶变换相互联系。\n\n无限带宽与广义过程\n\n如果一个非零频谱在所有频率上都完全平坦，其积分功率便为无穷大：\n\n\\[\\int_{-\\infty}^{\\infty}S_N(f)\\,df=\\infty.\\]\n\n因此，理想的连续时间白噪声不能视为逐点定义且方差有限的普通随机过程，而应借助分布理论中的思想，将其理解为广义随机过程。\n\n它作用于实值平方可积测试函数 \\(\\phi\\) 的结果有良好定义：\n\n\\[N[\\phi]=\\int_{-\\infty}^{\\infty}N(t)\\phi(t)\\,dt,\\]\n\n并且满足\n\n\\[\\mathbb E[N[\\phi]]=0, \\qquad \\operatorname{Cov}(N[\\phi],N[\\psi]) = \\frac{N_0}{2} \\int_{-\\infty}^{\\infty}\\phi(t)\\psi(t)\\,dt.\\]\n\n因此，尽管理想噪声的瞬时值不具有有限方差，经过滤波或积分后的噪声却具有有限方差。特别地，噪声在实值标准正交函数上的投影，是方差为 \\(N_0/2\\) 且相互独立的高斯系数。\n\n高斯白噪声在形式上也可描述为维纳过程的导数。这是一种广义导数：维纳过程的样本路径并不存在通常意义下的时间导数。\n\n带宽限制与滤波\n\n实际接收机的带宽是有限的。如果理想白噪声通过频率响应为 \\(H(f)\\) 的线性时不变滤波器，其输出频谱为\n\n\\[S_{\\mathrm{out}}(f) = \\frac{N_0}{2}|H(f)|^2,\\]\n\n当下式中的积分有限时，其方差为\n\n\\[\\sigma_{\\mathrm{out}}^2 = \\frac{N_0}{2} \\int_{-\\infty}^{\\infty}|H(f)|^2\\,df.\\]\n\n滤波会保留高斯性，但通常会破坏白噪声特性。\n\n对于在 \\(|f|\\leq B\\) 范围内以单位增益通过信号的理想实值低通滤波器，\n\n\\[\\sigma_{\\mathrm{out}}^2=N_0B.\\]\n\n其输出自相关函数为\n\n\\[R_{\\mathrm{out}}(\\tau) = N_0B\\,\\operatorname{sinc}(2B\\tau),\\]\n\n其中，\\(\\operatorname{sinc}(u)=\\sin(\\pi u)/(\\pi u)\\)。因此，间隔为 \\(1/(2B)\\) 的样本互不相关，并且由于它们服从联合高斯分布，也相互独立。任意间隔下的样本则未必相互独立。"
    },
    {
      "heading": "复基带表示",
      "text": "数字通信常用复数基带坐标来表示信号。一种常见的噪声模型为\n\n\\[N_k=N_{I,k}+jN_{Q,k},\\]\n\n其中，同相分量和正交分量相互独立，并满足\n\n\\[N_{I,k},N_{Q,k} \\sim\\mathcal N\\!\\left(0,\\frac{\\sigma_c^2}{2}\\right).\\]\n\n于是有\n\n\\[\\mathbb E[|N_k|^2]=\\sigma_c^2,\\]\n\n该噪声记作\n\n\\[N_k\\sim\\mathcal{CN}(0,\\sigma_c^2).\\]\n\n其密度为\n\n\\[p_N(n) = \\frac{1}{\\pi\\sigma_c^2} \\exp\\!\\left(-\\frac{|n|^2}{\\sigma_c^2}\\right).\\]\n\n这一分布具有圆对称性：乘以模为一的复数不会改变其分布。\n\n使用噪声方差时，需要注意所采用的约定。在上述约定下，每个实分量的方差是总复方差的一半。同样，对于实值噪声，单边谱密度与双边谱密度相差两倍。涉及 \\(N_0\\) 的方程，只有在明确相应带宽和坐标约定后才有意义。"
    },
    {
      "heading": "物理解释",
      "text": "AWGN 的一个重要物理依据是热噪声，它由电气系统中的热涨落产生。在适当的工作频率范围内，其频谱可近似平坦，而幅度统计特性则近似服从高斯分布。\n\n高斯近似的依据通常是中心极限定理：许多微小且相互依赖足够弱的贡献叠加后，可以形成近似正态的扰动。这一论证针对的是幅度统计特性，并不能证明噪声具有白噪声特性。时间相关性取决于噪声的物理来源，以及噪声所通过的系统。\n\n因此，这一模型是在特定时间尺度、带宽和工作条件下的近似。扰动可以近似为高斯噪声却不是白噪声，也可以近似为白噪声却不是高斯噪声。"
    },
    {
      "heading": "检测与估计",
      "text": "AWGN 使许多推断问题便于解析处理。设\n\n\\[\\mathbf Y=\\mathbf s(\\theta)+\\mathbf N, \\qquad \\mathbf N\\sim\\mathcal N(\\mathbf 0,\\sigma^2I),\\]\n\n其中，\\(\\theta\\) 是未知参数，\\(\\sigma^2\\) 为固定值。条件密度满足以下比例关系：\n\n\\[p(\\mathbf y\\mid\\theta) \\propto \\exp\\!\\left( -\\frac{\\|\\mathbf y-\\mathbf s(\\theta)\\|^2}{2\\sigma^2} \\right).\\]\n\n因此，最大似然估计等价于最小化欧氏距离的平方：\n\n\\[\\widehat{\\theta}_{\\mathrm{ML}} = \\operatorname*{arg\\,min}_{\\theta} \\|\\mathbf y-\\mathbf s(\\theta)\\|^2.\\]\n\n这为在误差相互独立、服从高斯分布且方差相等的条件下使用最小二乘法提供了概率依据。\n\n对于等概率发送的信号向量，最优的最小错误概率检测同样会选择与接收向量欧氏距离最近的候选向量。如果先验概率不相等，判决规则还需纳入先验概率。\n\n如果高斯噪声具有已知的正定协方差矩阵 \\(C\\)，则相应的二次型距离变为\n\n\\[(\\mathbf y-\\mathbf s)^{\\mathsf T} C^{-1} (\\mathbf y-\\mathbf s).\\]\n\n除非 \\(C\\) 与单位矩阵成比例，否则这类噪声不是白噪声。适当的线性变换可以将其白化，但信号模型也必须进行同样的变换。"
    },
    {
      "heading": "AWGN 信道与容量",
      "text": "AWGN 信道是信息论中的基本模型。对于实值离散时间信道\n\n\\[Y=X+N, \\qquad N\\sim\\mathcal N(0,\\sigma^2),\\]\n\n若噪声与输入独立，且平均输入功率满足约束\n\n\\[\\mathbb E[X^2]\\leq P,\\]\n\n则其信道容量为\n\n\\[C=\\frac{1}{2} \\log_2\\!\\left(1+\\frac{P}{\\sigma^2}\\right)\\]\n\n比特每次实值信道使用。在这些假设下，均值为零、方差为 \\(P\\) 的高斯输入可达到最大的互信息。\n\n对于带宽为 \\(B\\) 赫兹、总平均信号功率为 \\(P\\)、噪声功率为 \\(N_0B\\) 的实值带限 AWGN 信道，相应公式为\n\n\\[C = B\\log_2\\!\\left(1+\\frac{P}{N_0B}\\right)\\]\n\n比特每秒。这就是香农—哈特利公式，与克劳德·香农建立的数学通信理论密切相关。\n\n信号功率与噪声功率之比称为信噪比。容量描述的是可靠通信的渐近极限，而非某种特定调制或编码的吞吐量。有限码块长度、受限的信号星座、时延约束以及不完备的信道知识，都可能降低可实现的传输速率。"
    },
    {
      "heading": "仿真与局限性",
      "text": "生成相互独立的标准正态样本 \\(Z_k\\)，并令\n\n\\[N_k=\\sigma Z_k.\\]\n\n即可仿真实值离散时间 AWGN 序列。\n\n对于总方差为 \\(\\sigma_c^2\\) 的圆对称复噪声，\n\n\\[N_k = \\sqrt{\\frac{\\sigma_c^2}{2}} \\left(Z_{1,k}+jZ_{2,k}\\right),\\]\n\n其中，两个实值序列是相互独立的标准正态序列。此类仿真广泛用于通过蒙特卡洛方法评估估计误差和通信性能。\n\n采样仿真的带宽是有限的。必须依据采样和滤波约定，将样本方差与目标连续时间谱密度联系起来；方差和谱密度不能混为一谈。\n\n与 AWGN 存在显著差异的情况包括：\n\n- **有色噪声：**频谱功率随频率变化，样本之间存在相关性。\n- **脉冲噪声：**偶尔出现幅度很大的扰动，高斯分布的尾部可能严重低估其发生概率。\n- **信号相关噪声：**扰动的强度或分布随信号变化。\n- **乘性扰动：**表现为随机的增益或相位变化，而非纯粹的加性误差。\n- **非平稳噪声：**统计特性随时间变化。\n- **结构化干扰：**非期望信号可能具有周期性、调制特征或依赖关系，而这些特征无法由相互独立的高斯样本刻画。\n\nAWGN 可以与其他信道效应共存。例如，模型\n\n\\[\\mathbf Y=H\\mathbf X+\\mathbf N\\]\n\n可以在保留 AWGN 扰动的同时，包含具有非平凡作用的线性信道 \\(H\\)。仅凭噪声假设，并不能推断整个系统无失真或无记忆。"
    }
  ],
  "links": [
    "variance",
    "normal-distribution",
    "multivariate-normal-distribution",
    "statistical-independence",
    "expected-value",
    "identity-matrix",
    "covariance-matrix",
    "probability-density-function",
    "fourier-transform",
    "stochastic-process",
    "wiener-process",
    "complex-number",
    "central-limit-theorem",
    "maximum-likelihood-estimation",
    "least-squares",
    "information-theory",
    "channel-capacity",
    "mutual-information",
    "claude-shannon",
    "signal-to-noise-ratio",
    "monte-carlo-method"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}