嘿，这个问题问得特别关键——其实莱斯分布里的零阶贝塞尔函数可不是随便凑出来的，它背后既有数学推导的必然性，也有很直观的物理意义，咱们一步步捋清楚：

首先得明确莱斯分布的本质：它描述的是一个带直流分量的正态变量和另一个零均值正态变量的模的分布。举个常见的例子，无线通信里的接收信号：直射路径的信号是个恒定分量（对应参数$\nu$），加上多径散射带来的高斯噪声（对应$\sigma$），最后接收信号的幅度就服从莱斯分布。

从数学推导看它的由来 #

咱们从联合概率密度开始推：假设两个独立的随机变量

• $X = \nu + \sigma U$，其中$U$是标准正态分布$\mathcal{N}(0,1)$
• $Y = \sigma V$，其中$V$也是标准正态分布$\mathcal{N}(0,1)$

它们的联合PDF是：
$$f_{X,Y}(x,y) = \frac{1}{2\pi\sigma^2} \exp\left( -\frac{(x-\nu)^2 + y^2}{2\sigma2} \right)$$

因为我们要的是幅度$R = \sqrt{X^2 + Y^2}$的分布，转成极坐标（$x=r\cos\theta$，$y=r\sin\theta$）会更方便，这时候雅可比行列式是$r$，所以极坐标下的联合PDF变成：
$$f_{R,\Theta}(r,\theta) = \frac{r}{2\pi\sigma^2} \exp\left( -\frac{(r\cos\theta - \nu)^2 + (r\sin\theta)^2}{2\sigma2} \right)$$

接下来展开指数里的项：
$$(r\cos\theta - \nu)^2 + r^2\sin2\theta = r^2 - 2r\nu\cos\theta + \nu^2$$

代入后拆分指数：
$$f_{R,\Theta}(r,\theta) = \frac{r}{2\pi\sigma^2} \exp\left( -\frac{r^2 + \nu^2}{2\sigma2} \right) \cdot \exp\left( \frac{r\nu\cos\theta}{\sigma^2} \right)$$

现在要得到$R$的边缘PDF，就得对相位$\theta$从$0$到$2\pi$积分：
$$f_R(r) = \int_0^{2\pi} f_{R,\Theta}(r,\theta) d\theta$$

把常数项提出来，就剩下：
$$f_R(r) = \frac{r}{\sigma^2} \exp\left( -\frac{r^2 + \nu^2}{2\sigma2} \right) \cdot \frac{1}{2\pi} \int_0^{2\pi} \exp\left( \frac{r\nu\cos\theta}{\sigma^2} \right) d\theta$$

而这里的积分$\frac{1}{2\pi} \int_0^{2\pi} \exp(k\cos\theta) d\theta$，正好就是零阶第一类修正贝塞尔函数$I_0(k)$的定义！这就是它出现在莱斯分布PDF里的直接数学原因。

从直观意义理解它的作用 #

说白了，贝塞尔函数在这里是在帮我们“平均”所有可能的相位$\theta$带来的影响：

• 当$\nu=0$时，莱斯分布退化为瑞利分布，这时候$I_0(0)=1$，完全符合瑞利分布的形式——因为此时两个正态变量都是零均值，所有相位的贡献平均下来就是1。
• 当$\nu$远大于$\sigma$时（信号远强于噪声），$I_0(k)$可以用渐近近似$I_0(k) \approx \frac{e^k}{\sqrt{2\pi k}}$，代入后莱斯分布会近似成均值为$\nu$的正态分布，这也符合我们的直觉：强信号下，噪声的影响可以忽略，幅度分布趋近于信号本身的幅度。
• 在无线通信的场景里，贝塞尔函数其实体现了多径分量（不同相位的散射信号）和直射信号叠加后的统计平均效果，把所有可能的相位组合都考虑进去了。

备注：内容来源于stack exchange，提问作者Snowball