瑞利衰落、莱斯衰落与Jakes信道模型详解及Python仿真

简介：瑞利、莱斯与Jakes模型是无线通信多径衰落研究中的经典内容，这份docx文档围绕三者展开数学推导与MATLAB仿真，适合通信工程专业学生、移动通信研究人员以及需要理解信道模型的工程师使用。文档从多径传播的物理背景入手，说明反射、绕射和散射如何造成信号幅度起伏，再逐步推导瑞利散布的概率密度函数，并针对莱斯散射修正直达路径影响，结合Jakes模型分析多普勒频谱漂移，最终给出完整的MATLAB子函数与主程序代码，可复现包络概率密度曲线并与理论结果对比。资源为单个docx文件，大小约659KB，包含公式推导、仿真程序及结果说明，结构紧凑便于查阅。已有257人浏览学习，对想系统梳理瑞利、莱斯和Jakes推导过程并动手仿真验证的读者来说，是一份理论结合实践的实用参考。

1. 瑞利、莱斯与Jakes：为什么同一套信道模型要分成三种程序来推

拿到「瑞利、莱斯、Jakes推导进程程序」这类笔记时，别被三个名字劝退。你在地铁里打电话信号忽强忽弱，那是瑞利衰落；走到车窗边有了视线，那是莱斯衰落；而Jakes则是把前两者的随机过程变成确定式正弦叠加，让同一段信道能在不同仿真里精确复现。三个模型不是并列的三选一，而是一条推导链：瑞利打底，莱斯加直射，Jakes负责变成能写进代码的波形。这篇笔记按这条链讲理论推导、可运行代码、参数设定和踩坑点，适合正在做信道建模、误码率仿真或系统级链路测试的从业者。无论是课程设计还是刚接手衰落信道仿真的新人，照着抄一遍比刷十篇科普都管用。

2. 瑞利衰落推导：从多径叠加到双高斯变量的最小程序

2.1 物理场景与数学推导：中心极限定理怎么把多径砸成高斯

城市密集区基站到手机之间没有视距，发射的单频正弦经过建筑、车辆、行人反射，接收端拿到几十上百条不同时延、幅度、相位的副本。把第i条路径记为复振幅a_i·e^(jφ_i)，叠加后复包络为：

h = Σ a_i·e^(jφ_i) = Σ a_i cosφ_i + j·Σ a_i sinφ_i

做瑞利公式解析时最核心的假设有三条：a_i与φ_i统计独立，φ_i在[0,2π)上近似均匀，路径数N足够大。于是实部r_c和虚部r_s分别是大量独立随机变量之和，中心极限定理保证它们渐近高斯。又因为cos与sin的对称性，两个分量的均值都是0，方差各等于总散射功率的一半。幅度R=|h|的PDF是：

p(R) = (R/σ²)·exp(-R²/(2σ²))

注意σ²的写法在不同教材里有分歧：有人把2σ²定义为总功率，有人把σ²定义为实部方差。我建议在程序里统一约定E[|h|²]=1，此时实部方差等于虚部方差等于1/2，σ²=1/2。后面无论接噪声还是做功率归一化，都不会因为「这个σ到底是哪个σ」浪费一晚上。

2.2 最小Python实现：两个高斯变量合成瑞利信道

import numpy as np def rayleigh_channel(n_samples, seed=42): """ 生成瑞利衰落复信道系数序列 :param n_samples: 样本数 :param seed: 随机种子，保证可复现 :return: 复信道系数，E[|h|^2]=1 """ rng = np.random.default_rng(seed) sigma = 1.0 / np.sqrt(2) # 保证总功率归一化 h = (rng.normal(0, sigma, n_samples) + 1j * rng.normal(0, sigma, n_samples)) return h h_ray = rayleigh_channel(100_000) print(f"平均功率: {np.mean(np.abs(h_ray)**2):.4f}")

这段代码的核心是：从实部虚部两个独立高斯变量出发构造复信道，而不是直接去抽样瑞利分布。因为复基带信道的幅度和相位必须同时携带，后面接调制信号时直接乘法就能完成衰落叠加。sigma取1/√2是为了让实部和虚部各占一半功率，合成后E[|h|²]=σ²+σ²=1，这样在任何SNR配置下信道功率都不是变量。random.default_rng是NumPy 1.17之后推荐的写法，比旧的np.random.seed更干净，也支持局部随机源，避免多个函数共用全局种子互相干扰。

样本数我习惯起步就是10万个。如果只画PDF看趋势，1万个勉强够；但要验证二阶统计量或算误码率，样本太少会让曲线毛刺很多，前后对不上就开始怀疑模型错了。

2.3 参数怎么定：σ、采样点数与速度的换算关系

瑞利仿真里最容易被问的三个参数：σ、样本数N、采样间隔Ts。它们直接决定仿真结果和理论曲线贴不贴。

最大多普勒频移f_m = v·f_c/c。比如2.4GHz频段、车速60km/h，v=16.7m/s，f_m约133Hz，Ts取0.5ms就够，10万样本仿真50秒，覆盖几十个相干时间。这里单位换算是新手最容易翻车的地方：60km/h要先除以3.6变成m/s再代入，别把千米每小时直接带进公式，否则f_m会偏大1000倍，时间相关性曲线和理论贝塞尔函数永远对不上。

3. 莱斯衰落推导：K因子决定LOS强度，代码里就是一个加法

3.1 LOS分量的数学表达与K因子定义

瑞利假设没有直射径，但现实里大量场景恰好相反：室外宏站能看到基站塔，室内能看到AP，车对车能看到对向车的发射源。只要有明显直射分量，复包络的均值就不为零。设直射分量幅度为A，复包络写成：

h = A + r_c + j·r_s

r_c和r_s仍是均值为0的高斯变量，幅度R=|h|的PDF变成：

p(R) = (R/σ²)·exp(-(R²+A²)/(2σ²))·I₀(AR/σ²)

I₀是第一类零阶修正贝塞尔函数。A=0时这个分布退化为瑞利。工程上极少直接用A和σ描述莱斯信道，统一用K因子：

K = A²/(2σ²)

K是直射功率与散射功率的比值，通常取dB。K→0是纯瑞利，K→∞是纯高斯信道（只有直射分量）。这个比值直接决定信道的「起伏深度」，也是所有参数里对系统性能影响最大的一个。

3.2 Python实现：在瑞利基础上叠加直射分量

import numpy as np def rician_channel(n_samples, k_db=6.0, seed=42): """ 莱斯衰落复信道系数，按K因子归一化 :param n_samples: 样本数 :param k_db: K因子，单位dB :param seed: 随机种子 :return: 复信道系数，E[|h|^2]=1 """ rng = np.random.default_rng(seed) K = 10 ** (k_db / 10.0) A = np.sqrt(K / (K + 1)) # 直射分量幅度 sigma = np.sqrt(1.0 / (2 * (K + 1))) h = (A + rng.normal(0, sigma, n_samples) + 1j * rng.normal(0, sigma, n_samples)) return h h_ric = rician_channel(100_000, k_db=6.0) print(f"平均功率: {np.mean(np.abs(h_ric)**2):.4f}")

思路是在保持总功率归一化的前提下，把功率按K因子拆成直射和散射两份。A²=K/(K+1)是直射占比，2σ²=1/(K+1)是散射占比，两者之和恒为1。这样比较不同K因子下的误码率时，信道功率不是变量，性能差异只来自衰落深度的变化。K=6dB时A约0.72，散射功率约0.2，信号明显是LOS主导，但仍有波动。

3.3 参数怎么定：K因子典型值与直射相位问题

K因子没有固定值，取决于频段、场景、天线高度和距离。工程里常见取值：

做系统性能趋势仿真时，K从-5dB到20dB每隔3~5dB扫一遍就够。做标准一致性测试时要查3GPP TR 38.901里的表格按场景取。

注意：只把A加上去还不够。如果终端在运动，直射分量本身带多普勒频移，A要写成A·exp(j·2π·f_LOS·t)。否则你得到的是静态莱斯信道，包络分布对，但频谱展宽和相位连续性全错，接OFDM或均衡器时会相当违和。

4. Jakes模型推导：用有限个正弦振荡器近似多普勒谱

4.1 为什么需要Jakes：确定性仿真与统计仿真的取舍

第二章和第三章的直接法，每个时刻重新扔一次随机数，统计特性干净，但有两个硬伤：一是信道样本是离散孤立的，时间相关性靠随机数硬凑，不天然连续；二是两次运行之间无法复现同一条衰落曲线，做交叉对比时说不清差异来自代码改动还是随机性。物理上，多径反射体是连续运动的结构，信道应当是一条连续复波形。

Jakes在1974年提出另一种思路：把无数散射径按到达角量化成有限个振荡器，每个振荡器带各自的多普勒频移，信道变成有限个正弦的叠加。这条路线的核心价值是确定性和可复现性——同一组参数在同一台机器上跑出的波形完全一致，可以直接替换demo程序里的信道模块，做硬件在环或离线测试都能对齐。代价是统计上没有真正的随机过程干净，短时段内可能看出周期性。这个「确定性vs随机性」的取舍，决定了Jakes到今天依然活跃。

4.2 多普勒功率谱推导与振荡器参数计算

移动台以速度v朝一个方向运动，到达角为α的散射径会产生多普勒频移：

f_n = f_m·cos(α_n)

f_m是最大多普勒频移。当到达角在[0,2π)均匀分布时，多普勒功率谱密度是经典的U形谱：

S(f) = 1/(π·f_m·√(1-(f/f_m)²))，|f| ≤ f_m

Jakes的做法是用N个离散频率去抽样这个U形谱。把到达角离散成α_n=2πn/N，对应频率f_n=f_m·cos(2πn/N)，每个振荡器取相同幅度，再叠加足够多个，包络统计逼近瑞利。

这里有个细节容易被抄错：直接取α_n=2πn/N会让正负频率成对出现，振荡器之间存在相关。经典Jakes改进做法是只取部分到达角并补一个独立的f=f_m分量。不同教材写法不一，我在下面的实现里直接用随机到达角版本，统计更稳，代码也更短。

4.3 Python实现：经典Jakes与改进Jakes的差异

import numpy as np def jakes_channel(n_samples, fs, f_m, m_osc=32, seed=7): """ 改进Jakes确定性信道仿真（随机到达角+随机相位） :param n_samples: 样本数 :param fs: 采样率，单位Hz :param f_m: 最大多普勒频移，单位Hz :param m_osc: 振荡器数量 :param seed: 随机种子 :return: 复信道系数序列 """ rng = np.random.default_rng(seed) t = np.arange(n_samples) / fs alpha = rng.uniform(0, 2*np.pi, m_osc) # 到达角随机 theta = rng.uniform(0, 2*np.pi, m_osc) # 初始相位随机 f = f_m * np.cos(alpha) g = np.zeros(n_samples, dtype=complex) for f_n, th in zip(f, theta): g += np.exp(1j * (2*np.pi*f_n*t + th)) g /= np.sqrt(m_osc) # 功率归一化 return g g_jakes = jakes_channel(5000, fs=1000, f_m=100, m_osc=32) print(f"平均功率: {np.mean(np.abs(g_jakes)**2):.4f}")

改进Jakes和经典Jakes的区别主要在随机化：到达角不再固定为离散值2πn/N，而是每次运行独立随机抽取，初始相位也独立随机。这样短时段的周期性明显削弱，不同运行之间统计更一致，同时保留seed复现能力。振荡器数量m_osc建议至少16，实际取32到64足够；太少时包络的瑞利分布不明显，太多时计算量线性增长，但对统计的改善边际递减。

Jakes法和第二章的直接高斯法相比，优势是产出一条连续复波形，自带正确的多普勒频移和时间相关性；缺点是参数化比高斯法复杂。如果只做静态误码率仿真，高斯法够用；做移动性测试、越区切换、多普勒频移的链路测试时，Jakes或滤波成型法更合适。

滤波成型法是Jakes的等价替代：把白噪声变换到频域，乘以多普勒谱的平方根作为滤波器，再IFFT回时域。一段可用的核心实现如下：

def doppler_filter_channel(n_samples, fs, f_m, seed=1): rng = np.random.default_rng(seed) n_fft = 2 ** int(np.ceil(np.log2(n_samples))) freq = np.fft.fftfreq(n_fft, 1/fs) resp = np.zeros(n_fft, dtype=float) mask = np.abs(freq) < f_m resp[mask] = 1.0 / np.sqrt(1.0 - (freq[mask] / f_m) ** 2) resp /= np.sqrt(np.mean(resp ** 2)) # 对滤波器增益做归一化 noise = rng.standard_normal(n_fft) + 1j * rng.standard_normal(n_fft) shaped = np.fft.ifft(np.fft.fft(noise) * resp) h = shaped[:n_samples] return h / np.sqrt(np.mean(np.abs(h) ** 2))

这段代码的滤波器是按U形谱的形状设计的，常数系数最后用归一化步骤消掉，所以不需要手动算π·f_m的开方。滤波法比Jakes的统计特性更接近理想理论值，代价是需要FFT长度够大、频域增益在两端的√(1-(f/f_m)²)趋近0处容易放大数值误差。两种选一种即可，Jakes适合短序列快速复现，滤波法适合长序列和严格的统计验证。

5. 瑞利、莱斯、Jakes仿真的五个常见坑：从功率归一化到非平稳性

5.1 坑一：实部虚部不独立，包络不是瑞利

现象：用Jakes法只取4个振荡器，画出的幅度直方图明显偏瘦，峰值处有周期波纹，和瑞利PDF差很远。

原因：中心极限定理要足够多个独立变量叠加才成立，振荡器太少时有限正弦项的包络分布和理想瑞利有明显偏差。

解决：把m_osc加到16以上，并改用随机到达角版本。验证时用K-S检验而不是肉眼看直方图，低于0.05的p值直接判不通过。

5.2 坑二：自相关函数对不上零阶贝塞尔函数

现象：算出的时间自相关曲线衰减太快，或者出现周期性跌落，和理论的J₀(2πf_mτ)对不上。

原因：采样率不满足奈奎斯特条件，或者用了经典Jakes的固定到达角版本，短序列里周期性残留明显。

解决：采样率至少取最大多普勒频移的10倍，计算自相关时用足够长的序列（覆盖100个以上相干时间）再做平均。序列太短时自相关估计方差大，曲线混乱是正常的。

5.3 坑三：功率归一化不统一，不同K因子之间没法比

现象：在K=0dB和K=10dB下测误码率，发现性能差异巨大，但说不清是信道本身差异还是功率没归一化造成的。

原因：A和σ设定时只盯着公式，没有验证E[|h|²]=1。有的写法里实部虚部方差都设成1，总功率直接偏大两倍，SNR设定虚高3dB。

解决：在仿真函数入口统一约定E[|h|²]=1，写完先打印mean(abs(h)**2)，接近1再往下接调制和噪声。这个习惯能省掉大量无意义的排查时间。

5.4 坑四：样本数不够，直方图和理论PDF对不上就怀疑模型

现象：模型明明写对了，直方图在峰值处塌陷或尾巴缺口明显，怎么看都不像瑞利或莱斯。

原因：样本只有1000个，大数定律还没生效，统计波动被误认为代码错误。

解决：画PDF验证时起步10⁵个样本，并且hist的density参数一定设为True。换三个不同seed各跑一遍取平均，如果三条曲线基本重合，说明样本量够了；如果相差大，增加样本而不是改代码。

5.5 坑五：换了机器或换了NumPy版本，同一份脚本结果对不上

现象：同一份Jakes脚本，在同事机器上跑出来的波形和自己机器完全不同。

原因：np.random.seed在NumPy 2.0之后语义有变化，或者代码里用了系统默认随机源，不同平台的生成器实现不同。

解决：统一用np.random.default_rng(seed)创建局部的Generator对象，把seed、NumPy版本、Python版本写进仿真配置文件。确定性仿真追求的可复现性，光靠固定seed不够，生成器类型也要锁死。

6. 把信道仿真结果和三件套验证对齐：PDF、自相关与LCR

仿真代码写完，第一件事不是接调制链路，而是做三个静态验证。半小时的验证能省掉后面几天排查误码率异常的时间。

第一是幅度分布的K-S检验。用scipy的kstest直接对比仿真幅度和理论瑞利CDF，p值大于0.05算过：

from scipy import stats sigma = 1.0 / np.sqrt(2) ks_stat, p_val = stats.kstest(np.abs(h_ray), 'rayleigh', args=(0, sigma)) print(f"K-S stat={ks_stat:.4f}, p={p_val:.4f}")

第二是时间自相关验证。对Jakes或滤波法生成的信道，算lag为τ的自相关，和J₀(2πf_mτ)对比。两者偏差超过10%时优先检查采样率和振荡器数量，而不是信道本身。第三是电平通过率和平均衰落时长。瑞利的理论值分别为N_R=√(2π)·f_m·ρ·exp(-ρ²)和AFD=(exp(ρ²)-1)/(√(2π)·f_m·ρ)，ρ是阈值相对均方根的比值。LCR需要统计单位时间内信号包络向下穿越阈值的次数，样本量不足时误差很大，至少统计10⁴次穿越再对比。

我这几年的一个习惯是：新建信道仿真工程时，先把这三个验证脚本写好挂在测试目录里，任何参数改动都重新跑一遍三件套。信道建模最大的坑不是公式复杂，而是改了一个数字后你不知道哪里悄悄退化。先把三件套跑绿，再去做误码率、波束管理或者系统级性能，后面就算出了怪问题，也能快速把怀疑范围缩到信道之外。希望这套流程对你也有用。

本文还有配套的精品资源，点击获取