有几种不同的方法可以查看噪声：

• 噪声过程的概率密度函数 (PDF)，例如。有时写作。这告诉您变量取特定值的频率。$x(t)$$p_x(x)$$x(t)$

  可以采用的可能值的（标准化）直方图。PDF 是标准化的，因为必须和之间取某个值，因此积分 $x(t)$$x(t)$$-\infty$$+\infty$

  $$\int_{-\infty}^{+\infty} p_x(x) dx = 1.$$

  例如，下图显示了正态（又名高斯）随机变量和均匀随机变量的 PDF（蓝色）和直方图（黑色）。

• 另一种看待噪声的方法是的值和的值之间是否存在关系（其中）。如果没有关系，则称噪声为“白色”。如果存在关系，则称噪声为“有色”。$x(t_1)$$x(t_2)$$t_1 \not= t_2$

  通常说明这一点的方式是使用信号的自相关（自协方差）。

  下面是两个正态分布噪声的自相关图。在第一个图中，噪声是白色的。在第二个图中，后续样本之间存在高度相关性。

scilab代码贝洛

// 15426

X_gauss = rand(1,1000,'normal');

X_uniform = rand(1,1000,'uniform');


figure(1)
clf
subplot(211)
histplot(100,X_gauss)
vals = [-3:0.1:3];
plot(vals,exp(-vals.^2/2)/sqrt(2*%pi))
subplot(212)
histplot(100,X_uniform)
plot([0 1], [1 1])

figure(2)

X_white = X_gauss;
X_colored = filter(ones(1,50),10,X_white);

figure(2)
clf
subplot(211)
plot(xcorr(X_white))
mtlb_axis([970 1030 -1000 1000])
subplot(212)
plot(xcorr(X_colored))
mtlb_axis([970 1030 -1000 1000])

我熟悉的方式是：

1- 多次发送射频图像。说 100 次。2-在图像的情况下通过“减法”进行比较，例如..在接收到的图像/和传输的图像之间进行比较。3-减法会给你嘈杂的图像。4- 为每个接收到的图像绘制噪声图像的直方图统计信息。然后，您将能够根据实验结果对噪声进行粗略建模。

最熟悉的是，Guassian，甚至是 Uniform。

如果不是这些熟悉的人。运行回归代码将此模型表示为方程。通过这种方式，您可以取它的倒数来补偿噪声。