1 定义与基本概念
1.1 白噪声的定义
白噪声是指在一定频率范围内，功率谱密度近似保持平坦的随机信号。其名称借用了“白光”的类比：白光在可见光范围内包含多种波长成分，白噪声则强调在频域中各频率成分的能量分布尽可能均匀。 在严格意义上，理想白噪声是数学模型，并不对应现实中可完全实现的物理信号。实际中，人们常把频谱较宽、各频段能量差异不显著的噪声近似称为白噪声。
1.2 理想白噪声与实际白噪声
理想白噪声假定在无限频带内具有恒定的功率谱密度，且通常具有无限带宽和无穷总功率，这使其更适合作为理论分析工具，而非真实可生成的物理对象。 实际白噪声则受限于设备、介质和采样条件，通常只在有限频段内近似平坦。工程上使用的“白噪声”多为经过滤波或数字生成的宽带随机信号，其特性接近理想情形，但不会完全满足所有数学定义。
1.3 白噪声与随机过程
白噪声通常被视为随机过程的一种特殊情形。它的每个时刻取值都可看作随机变量，而整个序列则构成一个时间上无显著相关性的过程。 在概率论和统计建模中，白噪声常用来描述不可预测、瞬时波动较强的扰动项。若某一过程的各时刻样本彼此独立，且分布稳定，也可从更强的意义上将其视作白噪声模型。
1.4 白噪声与功率谱密度
功率谱密度是描述信号能量在频率上的分布方式的重要指标。对白噪声而言，其核心特征就是在所考察的频带内功率谱密度近似不随频率变化。 这一性质意味着白噪声在低频和高频上都具有相近的能量占比，因此在频域分析中常被用作“均匀背景”来检验系统对不同频率成分的响应差异。
2 数学性质
2.1 均值与方差
白噪声的均值通常设为零，以便将随机波动与确定性偏移区分开来。若均值不为零，则常可通过去均值处理转化为零均值形式。 方差则反映噪声强度，方差越大，信号波动越剧烈。在许多模型中，白噪声被简化为“零均值、固定方差”的随机项，以便推导系统性质和统计结论。
2.2 自相关函数
白噪声最重要的数学特征之一是其自相关函数在零延迟以外接近于零。换言之，不同时刻的噪声值通常不呈现线性相关。 理想白噪声的自相关函数可被表述为冲激型结构：只有在零时刻相关性集中，其余时刻相关度消失。这一特性解释了它在时间域上“无记忆”的近似行为。
2.3 频域特征
从频域看，白噪声覆盖较宽频带，并在该频带内保持近似均匀的谱分布。也正因如此，它常被用于测试滤波器、放大器及其他线性系统的频率响应。 当白噪声通过不同系统时，输出频谱会随系统传递函数发生改变，因此白噪声既是噪声源，也是分析系统特性的便利输入。
2.4 采样与离散白噪声
在数字系统中，白噪声通常以离散序列形式表示。由于采样频率和量化精度有限，离散白噪声只是在统计意义上近似满足连续理论中的白噪声性质。 离散表示使其能够直接用于计算机模拟、数字滤波和时间序列分析，也便于通过样本检验判断其是否近似符合白噪声假设。
2.4.1 离散时间模型
离散时间白噪声通常写成一列随机变量序列，各时刻之间没有可观测相关性。该模型在信号处理与统计建模中十分常见，尤其适用于描述采样后系统中的随机扰动。 在实际运算中，这类模型常被设置为均值固定、方差恒定，并在序列长度足够时表现出较稳定的统计特征。
2.4.2 独立同分布假设
很多离散白噪声模型进一步假定各样本独立同分布。独立性保证不同时间点的值互不影响，同分布则意味着它们共享相同的概率分布。 这一假设便于理论推导，但在真实数据中并非总能完全满足。若样本存在轻微相关性或分布漂移，则只能称为近似白噪声。
2.4.3 有限样本中的白噪声检验
在有限长度的数据中，白噪声通常不能凭直观判断，而需借助统计检验。常见方法包括检查样本自相关、偏自相关及其显著性。 由于样本规模和随机波动会影响判断结果，检验结论通常带有概率意义，只能说明数据是否“足以支持”白噪声假设，而非绝对证明。
3 物理与工程中的白噪声
3.1 热噪声中的白噪声近似
热噪声是由导体内部粒子热运动引起的随机电压或电流波动。在一定频率范围内，它常可近似视为白噪声。 这一近似在低频到中频的工程分析中非常常见，因为热噪声的功率谱在许多条件下较为平坦，适合作为电子系统中的基础噪声模型。
3.2 电子器件中的噪声源
电子器件中的噪声来源多样，包括电阻热扰动、器件内部散粒效应以及电路耦合引入的随机波动等。 白噪声模型常用于描述这些噪声源的总体影响，尤其在放大器、传感器和测量电路中，用来评估信噪比和系统稳定性。
3.3 通信系统中的噪声模型
在通信理论中，白噪声是最基础的信道噪声模型之一。它简化了对接收端干扰的描述，使分析误码率、容量和滤波性能成为可能。 当噪声被近似为加性白噪声时，系统设计者能够更清晰地研究调制方式、编码策略和接收算法对抗随机扰动的能力。
3.4 信号处理中的噪声分析
信号处理常将白噪声作为背景干扰或测试输入，用于观察系统对随机成分的响应。 通过对白噪声的处理结果，可以判断滤波算法的频率选择性、降噪效果以及对有效信号的保真程度。
3.4.1 滤波器响应
白噪声输入到滤波器后，输出的频谱会被滤波器的频率响应重新塑形。 因此，白噪声可用于测定滤波器对不同频率的放大或抑制能力，是系统辨识中的常用测试信号。
3.4.2 频谱估计
由于白噪声的谱分布相对平坦，它常被用来检验频谱估计算法的偏差、分辨率和稳定性。 在实验环境中，若某处理链条对理想平坦谱产生明显起伏，则通常说明存在窗函数效应、采样限制或估计误差。
3.4.3 噪声抑制与降噪
白噪声是降噪算法最常面对的典型对象之一。无论是时域平滑、频域阈值处理还是自适应滤波，都常以白噪声作为基准测试。 在实际应用中，降噪不仅要减少噪声能量，也要避免过度处理导致原始信号失真，这使白噪声分析具有很强的工程参考价值。
4 统计学与概率论应用
4.1 白噪声作为误差项
在统计模型中，白噪声常被用作误差项的理想化表示。它代表那些无法由解释变量说明、且在时间上不具有系统性结构的随机偏差。 这种设定有助于将模型中的规律部分与随机扰动部分分离，从而简化参数估计和推断过程。
4.2 回归模型中的残差分析
回归分析完成后，残差通常需要检查是否近似服从白噪声。若残差仍含有明显相关结构，说明模型可能遗漏了重要信息。 因此，残差白噪声特征常被视为模型拟合充分与否的重要标志之一。
4.3 时间序列中的白噪声
在时间序列分析中，白噪声既可以是独立的基础序列，也可以是建模后“应当被消除”的剩余部分。 如果序列本身接近白噪声，则意味着历史值对未来值的预测能力较弱，序列中可提取的线性结构较少。
4.4 假设检验与模型诊断
对白噪声性质的判断往往依赖假设检验。研究者会通过样本统计量，检验数据是否满足“无自相关、随机波动”的特征。 这类诊断不仅用于时间序列，也广泛服务于回归、控制系统和实验数据分析。
4.4.1 Ljung-Box 检验
Ljung-Box 检验是一种常用于检测序列整体自相关性的统计方法。它通过考察多个滞后阶的相关系数，判断序列是否偏离白噪声假设。 若检验结果不显著，通常可认为样本在所考察的滞后范围内没有明显相关结构。
4.4.2 自相关检验
自相关检验直接关注序列不同时间点之间的相关程度。若多阶自相关均接近零，则数据更接近白噪声。 这类检验形式简单，在探索性分析中使用广泛，但也容易受到样本长度和异常值的影响。
4.4.3 残差白噪声判定
残差是否呈白噪声，是评估模型合理性的常用标准。若残差带有趋势、周期或聚集性波动，则说明模型还有改进空间。 在实际工作中，往往结合图形诊断、相关系数和显著性检验共同判断，而不依赖单一指标。
5 计算机与算法应用
5.1 随机数生成与伪随机序列
计算机通常不能直接生成真正连续意义上的白噪声，而是通过随机数生成器产生伪随机序列，再将其视为白噪声近似。 如果生成算法足够均匀且通过统计测试，这些序列便可在多数工程和仿真场景中替代理想白噪声。
5.2 蒙特卡洛模拟中的噪声
蒙特卡洛方法依赖大量随机样本来近似复杂系统的统计性质。白噪声或近似白噪声序列常被用于驱动这些模拟过程。 它们帮助研究者评估不确定性、估计积分、检验算法鲁棒性，并在复杂模型中传播随机扰动。
5.3 机器学习中的噪声注入
在机器学习中，向输入、权重或中间表示中加入噪声，是一种常见的训练策略。白噪声因其分布简单、易于控制而被广泛采用。 这种做法有时可提升模型对扰动的适应能力，减少对局部细节的过拟合。
5.4 数据增强与正则化
在图像、语音和文本相关任务中，噪声注入可视为一种数据增强手段。白噪声能够模拟真实环境中的随机干扰，使模型见到更丰富的样本变化。 从正则化角度看，适量噪声有助于抑制模型过度依赖少数特征，但若强度过高，则可能损害训练效果。
6 声学与日常使用
6.1 白噪声机与助眠应用
在日常生活中，“白噪声”常指用于掩蔽环境杂音的背景声设备或音频内容。白噪声机能够播放连续、稳定的宽带声音，常被用于睡眠辅助。 这类声音并不一定是严格意义上的理想白噪声，但在听感上具有相似的均匀背景效果，因此被广泛接受。
6.2 掩蔽环境噪声的原理
白噪声能够通过提高背景声的连续性，降低突发性声音的显著程度，从而让环境中的杂音不那么容易被察觉。 其作用机制并非“消除噪声”，而是通过声音覆盖效应减少人耳对零散声源的注意。
6.3 集中注意力与放松场景
在办公、学习或冥想场景中，部分人会使用白噪声来营造较稳定的听觉环境。 对于容易被外界声音打断注意力的人而言，这种背景声有时能提升专注感；但实际效果因人而异，并不具有普遍一致性。
6.4 争议与误解
白噪声在大众传播中经常被泛化使用，导致“所有背景声都叫白噪声”的情况较常见。实际上，很多所谓白噪声内容只是更宽泛的环境声或人工噪声。 此外，长期高音量使用背景声也可能带来听觉疲劳，因此应结合具体场景谨慎选择。
6.4.1 “白噪声”与“环境音”的区别
白噪声强调频谱特征，而环境音则强调声音来源，如雨声、风声、海浪声等。 两者在心理感受上可能相近，但在物理性质上并不相同，不能简单等同。
6.4.2 音量控制与使用建议
用于助眠或专注的背景声通常应控制在较低音量，避免盖过必要的环境提示音，也减少耳朵负担。 较合适的做法是将其作为柔和背景，而非强刺激音源。
7 相关概念
7.1 粉红噪声
粉红噪声的功率谱密度随频率升高而下降，通常表现为低频较强、高频较弱。 与白噪声相比，粉红噪声在听觉上更柔和，因此常见于声学测试和环境音设计。
7.2 棕噪声
棕噪声又称红噪声，其低频成分更为突出，整体听感较沉闷。 它在频谱上比粉红噪声更偏向低频，在某些放松类音频中较受欢迎。
7.3 蓝噪声
蓝噪声的高频成分相对更强，功率谱密度随频率升高而增加。 在图像采样、抖动处理和某些视觉算法中，蓝噪声具有特殊用途。
7.4 高斯白噪声
高斯白噪声是指样本幅值服从高斯分布、且具有白噪声频域特征的随机过程。 这是工程和统计中最常见的白噪声模型之一，因为它兼具数学可处理性和较强的应用代表性。
7.4.1 高斯分布与白噪声
高斯分布描述的是样本幅值的概率特征，而白噪声描述的是频谱和相关结构特征。 二者属于不同维度的性质，因此一个过程可以既是高斯的，又是白的。
7.4.2 白噪声与高斯噪声的关系
“白噪声”并不必然意味着“高斯分布”，而“高斯噪声”也不必然意味着“频谱平坦”。 只有同时满足幅值分布和频域特征时，才可称为高斯白噪声。
8 历史与发展
8.1 概念起源
白噪声概念最初来源于对随机波动和频谱分布的研究。随着物理学与数学对随机现象理解的深入，研究者逐渐用“白”来类比其频率上的均匀性。 这一术语后来被广泛吸收进电子工程、统计学和通信理论中。
8.2 经典理论的发展
在经典理论中，白噪声成为描述随机扰动的基础工具。相关研究推动了线性系统分析、随机过程理论和谱分析方法的发展。 随着数学工具的成熟，白噪声不再只是经验性概念，而成为可严密定义和推演的理论对象。
8.3 现代应用扩展
进入数字时代后，白噪声的应用从模拟电路扩展到计算机仿真、图像处理、机器学习和声学产品设计。 它既用于解释现实中的随机干扰，也被用作算法测试基准和数据处理中的标准输入。
8.4 术语传播与大众化
随着音频应用和助眠产品的普及，“白噪声”一词逐渐进入大众语言。 在日常语境里，它常被泛指任何有助于屏蔽杂音的连续背景声，这种用法虽然不够严格，却反映了该术语从专业领域向生活场景扩散的过程。