自协方差 是用来衡量一个随机过程在不同时间点上的相关性的统计量。简单来说，就是看一个时间序列在不同时刻的取值之间是否存在某种关联。
对于一个随机过程 X(t)，其自协方差函数 γ(τ) 定义为：
γ(τ) = Cov[X(t), X(t+τ)] = E[(X(t) - μ)(X(t+τ) - μ)]τ 是时间滞后，表示两个时间点之间的间隔。
E 是数学期望。
μ 是随机过程的均值。
自协方差的正负号反映了两个时间点上随机变量的相关性。
正相关表示两个时间点上的值倾向于同时增大或减小；
负相关表示两个时间点上的值倾向于相反的变化；
自协方差为0表示两个时间点上的值不相关。
自协方差函数的周期性可以反映随机过程的周期性特征。
平稳性：如果一个随机过程是平稳的，那么它的自协方差函数只与时间间隔τ有关，而与起始时间t无关。
接下来看高斯噪音，因为信号没有办法使用一个表达式写出来，就使用统计规律。
哟西
高斯噪声，也称为正态噪声，是一种在许多自然现象和工程系统中普遍存在的随机噪声。它以数学家卡尔·弗里德里希·高斯命名，其概率密度函数符合正态分布。简单来说，高斯噪声就像是在信号中加入了一层随机的“杂质”，这些杂质的分布符合钟形曲线。
正态分布：高斯噪声的幅值分布符合正态分布，即大部分噪声值集中在均值附近，而极大值和极小值出现的概率较小。
统计是推断-样本分布碎碎念
白噪声：高斯噪声通常是白噪声，即其功率谱密度在整个频谱范围内是常数。
加性噪声：高斯噪声通常是加性噪声，即叠加在原始信号上。
可以使用维纳滤波：一种最小均方误差的滤波器，常用于去除加性高斯白噪声。
上面出现了白噪音，继续说什么是白噪音：
一种功率谱密度为常数的随机信号或随机过程。简单来说，就是一种在各个频段上的功率都相同的噪声。由于白光是由各种频率（颜色）的单色光混合而成，因而这种噪声的平坦功率谱性质被称之为“白色”，所以被称为白噪声。
功率谱密度均匀： 白噪声在整个频谱范围内具有相同的功率。
随机性： 白噪声的取值是随机的，且各个取值之间相互独立。
均值为零： 白噪声的平均值为零。
功率谱密度出现了！
周期图法： 对信号分段，计算每一段的傅里叶变换的平方，然后平均。
好说
一个理想电阻器的热噪声接近白噪声，也就是功率谱密度在整个频谱范围内几乎是不间断的（然而在极高频时并不如此）。 当限定为有限带宽时，热噪声近似高斯分布。
没有开方
这个很重要，记住
这个也好哇
分贝相对于1 毫瓦
是一个泊松过程
是由电子或光子等离散粒子流的统计涨落引起的。想象一下，水龙头滴水，水滴并不是连续流出的，而是一个个分立的。这种离散性就导致了流量的波动，在电子学中，这种波动就表现为噪声。
电子的离散性： 电流是由电子组成的，电子的流动并不是连续的，而是一个个离散的事件。当电子通过一个元件时，由于电子数量的随机波动，就会产生电流的波动，即散粒噪声。总有速度快的！
光子的量子化： 光也是由光子组成的，光电器件在接收光信号时，由于光子到达的随机性，也会产生散粒噪声。爱因斯坦就因为这个
有一个转折频率，前后是不同的噪音早主导
三个噪音的对比
在算总的噪音时，使用的是RSS。即Root Sum of Squares，先把各成分平方后再求和，最后平方根。
在没有入射辐射的情况下，输出中依然有个一个随机变化的微小信号，这就是固有噪音。
噪声等效功率（Noise Equivalent Power，NEP）是一个用于表征探测器灵敏度的重要参数。它表示在给定带宽下，能够产生信噪比为1的等效输入噪声功率。换句话说，NEP越小，探测器对微弱信号的响应能力越强。
NEP = √(AΔf / D²)A：探测器的面积
Δf：噪声带宽
D：探测器的响应度（单位：A/W）
上面这个值越小越强，但是不符合直觉，我们取个倒数，探测率就好了D.
