好的，我们来用中文解释一下平稳随机过程。

核心思想： 一个随机过程被称为平稳随机过程，是指它的统计特性（或概率特性）不随时间原点（起始点）的变化而变化。换句话说，无论你从什么时刻开始观察这个随机过程，它的“整体行为模式”或“统计规律”看起来都是一样的。

理解关键点

1. “统计特性不变”： 这通常指的是随机过程的关键统计量，如：

   • 均值（期望值）： 所有时刻的均值都相同（是一个常数）。
   • 方差： 所有时刻的方差都相同（是一个常数）。
   • 自相关函数： 两个不同时刻 t1 和 t2 的取值之间的相关性，只依赖于这两个时刻之间的时间差 τ = t2 - t1，而不依赖于t1或t2的绝对位置。即 Rₓₓ(t1, t2) = Rₓₓ(τ)。

2. “不随时间原点变化”： 这是平稳性的本质。想象你记录了一段随机信号（比如一段噪声），然后你在任意时间点开始播放这段录音，听起来（在统计意义上）感觉都一样，没有明显的起点或终点的特征变化，那么这个信号就可以看作是来自一个平稳过程。

两种常见的平稳性定义

1. 严格平稳（强平稳）：

   • 要求最严格。
   • 定义：随机过程 X(t) 的任意有限维概率分布函数都不随时间平移（即改变时间原点）而改变。
   • 含义：任意选取 n 个时刻 t1, t2, ..., tn 和任意时间平移量 τ，随机变量组 [X(t1), X(t2), ..., X(tn)] 的联合概率分布与 [X(t1+τ), X(t2+τ), ..., X(tn+τ)] 的联合概率分布完全相同。
   • 这确保了所有可能的统计特性（包括高阶矩）都保持不变。验证非常困难，实际应用中较少直接使用。

2. 广义平稳（弱平稳、协方差平稳）：

   • 要求相对宽松，是工程和信号处理领域最常用的平稳性概念。
   • 定义：随机过程 X(t) 满足：
     • 均值恒定： E[X(t)] = μ (对所有 t 都是一个常数 μ)。
     • 方差有限且恒定： Var[X(t)] = σ² (对所有 t 都是一个有限常数 σ²)。
     • 自相关函数仅依赖于时间差： E[X(t)X(t+τ)] = Rₓₓ(τ) (自相关函数 Rₓₓ 只与时间间隔 τ 有关，而与具体的 t 无关)。
   • 含义：它只要求一阶矩（均值）和二阶矩（方差、自相关）满足平稳性条件。这意味着过程的“平均强度”（方差）和“内部相关性结构”（自相关）在时间上是稳定的。高阶统计特性（如偏度、峰度）可能变化，但不要求。

重要说明

• 广义平稳是严格平稳的子集： 如果一个过程是严格平稳的，那么它一定是广义平稳的（只要其二阶矩存在）。但反过来不一定成立。
• 核心是时间差 τ： 平稳性的关键体现就是相关性的计算只关心两个点相隔多久（τ），而不关心它们在时间轴上的绝对位置。
• 实际意义： 平稳性假设极大地简化了随机过程的分析和处理。在信号处理、通信、控制系统、金融时间序列分析（有时需要对数据进行平稳化处理）等领域应用极其广泛。许多经典的理论（如谱分析、滤波）都是建立在平稳性假设之上的。
• 非平稳过程： 统计特性随时间变化的随机过程。例如，语音信号（能量、频率成分随时间变化）、股票价格（波动率变化）通常是非平稳的。

简单总结

平稳随机过程就像一个“统计特性恒定”的信号发生器。无论你什么时候打开它，它产生的信号：

1. 平均电平（均值）保持不变。
2. 信号波动的剧烈程度（方差）保持不变。
3. 信号中不同时间点取值的相关性，只取决于这两个点相隔的时间长短（τ），而不管具体是哪两个点。

这种时间上的“不变性”是分析和处理这类随机信号的重要基础。