你是无线通信方向的院士，正在写一篇IEEE顶级学术论文。下面想请你用IEEE TSP的风格润色一下下...

下面给出一版更贴近 IEEE TSP 论文写法、逻辑更“深”、更强调 i.n.i.d. → Lindeberg CLT → 特征函数/累积量展开 → 解析近似 的中文润色稿（保留你原有符号与结构，但把“为什么能这么做/条件是什么/结论如何得到”写得更学术）：

我们进一步简化内积 $\mathbf a^{\mathsf H}\mathbf v$。利用随机向量 $\mathbf v$ 的厄米对称性以及 DFT 列向量的共轭对称性质（对 $r=1,\dots,N$，有 $\mathbf f_{N-r}=\mathbf f_r^*$，从而 $a[N-r]=a^*[r]$），可将原本复值的内积等价地规约为一组共轭成对项之和，最终写成仅由复随机项实部构成的实值和：

其中 $s_r$ 表示 $\mathbf v$ 的第 $r$ 个分量，$N_d=\lfloor N/2\rfloor$ 为对称规约后的独立频点数。由此可见，$\mathbf a^{\mathsf H}\mathbf v$ 本质上是由一组相互独立的加权随机变量的线性组合所构成；然而由于权系数 $|a[r]|$ 随 $r$ 变化，各加和项呈现独立但非同分布（i.n.i.d.）结构。这一点排除了直接套用 i.i.d. 情形下的经典 CLT，而需要在 Lindeberg（或 Lyapunov）条件下建立其渐近高斯性，并据此对特征函数进行可控的近似。

具体而言，在 i.n.i.d. 情形下若满足 Lindeberg 条件

其中 $\mu_4=\mathbb E\{|s_r|^4\}$ 为四阶矩（假设有限），则加权和中任一单项对总方差的贡献渐近可忽略，从而可由 Lindeberg–Feller 中心极限定理推出 $\mathbf a^{\mathsf H}\mathbf v$ 的归一化和在分布意义下收敛到高斯变量。等价地，在特征函数层面，可对 $\mathbb E[\exp(j\mathbf a^{\mathsf H}\mathbf v)]$ 进行以累积量（cumulant）为核心的展开，并在四阶截断后证明高阶项在上述条件下渐近消失，从而得到高斯型指数闭式近似：

该结果表明，在 Lindeberg 条件保证的“无主导项”加权机制下，$\mathbf a^{\mathsf H}\mathbf v$ 的特征函数可由其二阶统计量主导，进而为后续期望项的解析化推导提供了可操作的闭式近似基础。

如果你愿意，我也可以再给你一个更“硬核”的版本：把 $\mathbf a^{\mathsf H}\mathbf v$ 写成 $\sum X_r$ 后，明确写出 $\log \mathbb E[e^{j\sum X_r}]=\sum \log \mathbb E[e^{jX_r}]$，并把二阶/四阶累积量项与 $\mu_4$ 的阶数量级联系起来（例如 $o(1)$ 的收敛速度），这样会更像 TSP 的证明风格。

下面给出把“QAM/PSK 为亚高斯星座 $\Rightarrow \mu_4$ 有界（你给定 $\mu_4<2$）”以及“把求和期望写成乘积并用 Lindeberg/累积量展开得到解析近似”的内容完整融入前述推导后的中文版本（偏 IEEE TSP 叙事与证明口吻，符号尽量沿用你原文）。

我们进一步简化内积 $\mathbf a^{\mathsf H}\mathbf v$。利用随机向量 $\mathbf v$ 的厄米对称结构以及 DFT 列向量的共轭对称性质（$\mathbf f_{N-r}=\mathbf f_r^*$，从而 $a[N-r]=a^*[r]$），可将复值内积规约为由共轭成对项组成的实值和：

其中 $s_r$ 为 $\mathbf v$ 的第 $r$ 个分量，$N_d=\lfloor N/2\rfloor$，并定义

由于 $\{s_r\}$ 相互独立，故 $\{X_r\}$ 亦相互独立；但权系数 $|a[r]|$ 随 $r$ 变化，使得 $\{X_r\}$ 呈现**独立但非同分布（i.n.i.d.）**结构，因此需要在 Lindeberg（或 Lyapunov）框架下刻画其渐近高斯性并构造可控的特征函数近似。

1) 亚高斯星座下的四阶矩有界性

在本文的调制假设下，$s_r$ 取自 PSK 或（能量归一化的）QAM 星座。此类有限字母表（bounded-alphabet）信号天然满足亚高斯性质，从而其高阶矩一致有界。特别地，设

并利用星座关于原点与 I/Q 对称性（PSK 显然成立；对称 QAM 亦满足 $\mathbb E\{s_r^2\}=0$），则四阶矩满足统一上界

其中不等式常数与你的星座归一化约定一致（这里直接采用你给定的 $\mu_4<2$）。该界将用于控制特征函数展开中的四阶余项，保证“二阶项主导”的高斯近似在 i.n.i.d. 加权求和下仍然成立。

2) Lindeberg 条件与“无主导项”加权机制

考虑加权和 $\sum_{r=1}^{N_d}X_r$，在 i.n.i.d. 情形下我们采用 Lindeberg 条件（等价地也可用 Lyapunov 条件）：

该条件刻画了“单个频点的能量权重不支配总体”的渐近机制，是保证中心极限定理适用、并使高阶累积量项整体可忽略的关键。

3) 求和期望的解析化：从乘积到累积量展开

由独立性可将目标期望写成特征函数的乘积形式：

进一步取对数得到

下面分别给出二阶主项与四阶余项的可控界。

(i) 二阶主项（方差项）：由于 $X_r$ 为实值且零均值（由 $\mathbb E\{s_r\}=0$ 得 $\mathbb E\{X_r\}=0$），并利用 $\mathbb E\{s_r^2\}=0$ 与 $\mathbb E\{|s_r|^2\}=1$，有

因此 $\mathrm{Var}(X_r)=2|a[r]|^2$。

(ii) 四阶余项（由亚高斯四阶矩控制）：对 $\mathbb E[e^{jX_r}]$ 在 $X_r=0$ 处作泰勒/累积量展开并截断到四阶，可写成

其中余项 $R_r$ 可由四阶矩界进行控制，典型地满足 $|R_r|\le c\,\mathbb E\{|X_r|^4\}$（常数 $c$ 与截断形式有关但与 $r$ 无关）。又由

结合 $\mu_4<2$ 得到一致的四阶控制，从而

在 Lindeberg “无主导项”条件 \eqref{eq:lindeberg_cn} 下，$\sum |a[r]|^4$ 相对 $(\sum |a[r]|^2)^2$ 渐近可忽略（等价于 Lyapunov 条件的一种表达），因此总体余项 $\sum R_r$ 在渐近意义下收敛为 $o(1)$，保证高斯主项的有效性。

将 \eqref{eq:cumulant_cn}–\eqref{eq:var_cn} 代回 \eqref{eq:logsum_cn}，得到

指数化即得所需的闭式近似：

该推导清晰表明：在 PSK/QAM 亚高斯星座保证的四阶矩一致有界（$\mu_4<2$）以及 Lindeberg “无主导项”加权条件下，$\mathbf a^{\mathsf H}\mathbf v$ 的特征函数由二阶统计量主导，因而可用高斯型指数项给出可操作的解析近似，为后续期望项的闭式化计算奠定基础。

如果你接下来要把它写成“Lemma + Proof”的 TSP 形式，我也可以把上面 $\sum R_r=o(1)$ 的关键一步用更标准的 Lyapunov 条件写成：

并直接由 $\mu_4<2$ 推到成立（只需把 $\mathbb E X_r^2=2|a[r]|^2$、$\mathbb E|X_r|^4\le 16\mu_4|a[r]|^4$ 代入即可），这样整体更“证明化”。

下面按 TSP 常用写法把该段落改成 Proposition + Proof(附录)。我分别给出：** 中文文本版本**（便于你直接替换正文/附录措辞）和 英文 LaTeX 代码版本（可直接粘到论文里编译）。

中文文本版本

正文（Proposition）

latex
\begin{proposition}\label{prop:charfun_approx}
\begin{equation}\label{eq:charfun_approx_new}
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
\approx \exp\!\big(-\sum_{r=1}^{N_d}|a[r]|^2\big).
\end{equation}
\end{proposition}

正文紧随其后可加一句（不放进 proposition 环境里）：

latex
命题~\ref{prop:charfun_approx} 的证明见附录。

附录（Proof，不分 section，单段推导）

latex
\begin{proof}[命题~\ref{prop:charfun_approx} 的证明]
利用 $\mathbf v$ 的厄米对称结构以及 DFT 列向量的共轭性质 $\mathbf f_{N-r}=\mathbf f_r^*$（从而 $a[N-r]=a^*[r]$），可将内积规约为实值和
$$
\mathbf a^{\mathsf H}\mathbf v
=\sum_{r=1}^{N_d}\big(a[r]^*s_r+a[r]s_r^*\big)
=2\sum_{r=1}^{N_d}\Re\{a[r]^*s_r\}
\triangleq \sum_{r=1}^{N_d}X_r,
$$
其中 $X_r\triangleq 2\Re\{a[r]^*s_r\}\in\mathbb R$，$s_r$ 为 $\mathbf v$ 的第 $r$ 个分量，$N_d=\lfloor N/2\rfloor$。由于 $\{s_r\}$ 相互独立，$\{X_r\}$ 亦相互独立，但一般为 i.n.i.d.。因此特征函数可因子分解为
$$
\mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\mathbb E\!\left[e^{j\sum_{r=1}^{N_d}X_r}\right]
=\prod_{r=1}^{N_d}\mathbb E\!\left[e^{jX_r}\right],
\qquad
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\sum_{r=1}^{N_d}\log \mathbb E\!\left[e^{jX_r}\right].
$$
在 PSK/QAM 调制下，$s_r$ 为亚高斯（有限字母表）星座点；在能量归一化且星座 I/Q 对称的常用设置下有 $\mathbb E\{s_r\}=0$、$\mathbb E\{|s_r|^2\}=1$、$\mathbb E\{s_r^2\}=0$，并且四阶矩一致有界
$\mu_4\triangleq \mathbb E\{|s_r|^4\}<2$。
由此可得
$$
\mathbb E\{X_r^2\}
=\mathbb E\{a[r]^{*2}s_r^2+a[r]^2s_r^{*2}+2|a[r]|^2|s_r|^2\}
=2|a[r]|^2.
$$
另一方面，对每一项 $\log\mathbb E[e^{jX_r}]$ 进行四阶截断的累积量（或等价的泰勒）展开，可写成
$$
\log \mathbb E[e^{jX_r}]
=-\frac{\mathbb E\{X_r^2\}}{2}+R_r,
$$
其中余项满足 $|R_r|\le C\,\mathbb E\{|X_r|^4\}$（常数 $C$ 与截断形式有关但与 $r$ 无关）。注意到
$|X_r|=|a[r]^*s_r+a[r]s_r^*|\le 2|a[r]||s_r|$，
从而
$$
\mathbb E\{|X_r|^4\}\le 16|a[r]|^4\,\mu_4 \le 32|a[r]|^4,
\qquad
\sum_{r=1}^{N_d}|R_r|
\le 32C\sum_{r=1}^{N_d}|a[r]|^4.
$$
在 i.n.i.d. 的 Lindeberg“无主导项”条件
$\max_r \frac{|a[r]|^2}{\sum_{k=1}^{N_d}|a[k]|^2}\to 0$
下，有
$\sum_{r=1}^{N_d}|a[r]|^4=o\!\left(\left(\sum_{r=1}^{N_d}|a[r]|^2\right)^2\right)$，
从而 $\sum_{r=1}^{N_d}R_r=o(1)$（在相应的渐近尺度下）。代入并合并主项可得
$$
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=
-\frac{1}{2}\sum_{r=1}^{N_d}\mathbb E\{X_r^2\}+o(1)
=
-\sum_{r=1}^{N_d}|a[r]|^2+o(1),
$$
两边取指数即得到
$$
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
\approx \exp\!\big(-\sum_{r=1}^{N_d}|a[r]|^2\big),
$$
从而命题得证。
\end{proof}

英文 LaTeX 代码版本（TSP 风格）

Main text (Proposition only contains the equation)

latex
\begin{proposition}\label{prop:charfun_approx}
\begin{equation}\label{eq:charfun_approx_new}
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
\approx \exp\!\big(-\sum_{r=1}^{N_d}|a[r]|^2\big).
\end{equation}
\end{proposition}

Right after it in the main text (outside the proposition):

latex
The proof of Proposition~\ref{prop:charfun_approx} is provided in the Appendix.

Appendix (single-flow proof, no sections)

latex
\begin{proof}[Proof of Proposition~\ref{prop:charfun_approx}]
Exploiting the Hermitian symmetry of $\mathbf v$ and the conjugate pairing of DFT columns $\mathbf f_{N-r}=\mathbf f_r^*$ (hence $a[N-r]=a^*[r]$), the inner product can be reduced to a real-valued sum
$$
\mathbf a^{\mathsf H}\mathbf v
=\sum_{r=1}^{N_d}\big(a[r]^*s_r+a[r]s_r^*\big)
=2\sum_{r=1}^{N_d}\Re\{a[r]^*s_r\}
\triangleq \sum_{r=1}^{N_d}X_r,
$$
where $X_r\triangleq 2\Re\{a[r]^*s_r\}\in\mathbb R$, $s_r$ is the $r$th entry of $\mathbf v$, and $N_d=\lfloor N/2\rfloor$. Since $\{s_r\}$ are independent, so are $\{X_r\}$, albeit generally i.n.i.d. Hence the characteristic function factorizes as
$$
\mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\mathbb E\!\left[e^{j\sum_{r=1}^{N_d}X_r}\right]
=\prod_{r=1}^{N_d}\mathbb E\!\left[e^{jX_r}\right],
\qquad
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\sum_{r=1}^{N_d}\log \mathbb E\!\left[e^{jX_r}\right].
$$
Under PSK/QAM signaling, $\{s_r\}$ are sub-Gaussian constellation symbols; with the standard energy normalization and I/Q symmetry one has $\mathbb E\{s_r\}=0$, $\mathbb E\{|s_r|^2\}=1$, $\mathbb E\{s_r^2\}=0$, and a uniform fourth-moment bound $\mu_4\triangleq \mathbb E\{|s_r|^4\}<2$. Consequently,
$$
\mathbb E\{X_r^2\}
=\mathbb E\{a[r]^{*2}s_r^2+a[r]^2s_r^{*2}+2|a[r]|^2|s_r|^2\}
=2|a[r]|^2.
$$
Moreover, a fourth-order cumulant (equivalently, Taylor) truncation yields
$$
\log \mathbb E[e^{jX_r}]
=-\frac{\mathbb E\{X_r^2\}}{2}+R_r,
$$
where the remainder satisfies $|R_r|\le C\,\mathbb E\{|X_r|^4\}$ for some absolute constant $C$. Using
$|X_r|=|a[r]^*s_r+a[r]s_r^*|\le 2|a[r]||s_r|$,
we obtain
$$
\mathbb E\{|X_r|^4\}\le 16|a[r]|^4\,\mu_4 \le 32|a[r]|^4,
\qquad
\sum_{r=1}^{N_d}|R_r|
\le 32C\sum_{r=1}^{N_d}|a[r]|^4.
$$
Under the i.n.i.d. Lindeberg ``no-dominant-term'' condition
$\max_r \frac{|a[r]|^2}{\sum_{k=1}^{N_d}|a[k]|^2}\to 0$,
it holds that
$\sum_{r=1}^{N_d}|a[r]|^4=o\!\left(\left(\sum_{r=1}^{N_d}|a[r]|^2\right)^2\right)$,
which implies $\sum_{r=1}^{N_d}R_r=o(1)$ at the relevant asymptotic scale. Therefore,
$$
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=
-\frac{1}{2}\sum_{r=1}^{N_d}\mathbb E\{X_r^2\}+o(1)
=
-\sum_{r=1}^{N_d}|a[r]|^2+o(1).
$$
Exponentiating both sides gives
$$
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
\approx \exp\!\big(-\sum_{r=1}^{N_d}|a[r]|^2\big),
$$
which concludes the proof.
\end{proof}

如果你希望把“$\approx$”替换为更严格的 asymptotic equivalence（例如写成 $= \exp(-\sum|a[r]|^2)\,(1+o(1))$ 或者在指数里写 $+o(1)$），我也可以按你全文的渐近参数（$N$、SNR、过采样率等）把小 $o(\cdot)$ 的量纲写得更精确、更像 TSP 的证明口径。

latex
\begin{proposition}\label{prop:charfun_approx_new}
Consider the inner product $\mathbf a^{\mathsf H}\mathbf v$ formed by an i.n.i.d.\ sum after Hermitian-symmetry reduction, where $N_d=\lfloor N/2\rfloor$ denotes the number of distinct frequency bins and $\{a[r]\}_{r=1}^{N_d}$ are the associated (generally nonuniform) weighting coefficients. Assume $\{s_r\}_{r=1}^{N_d}$ are independent sub-Gaussian constellation symbols generated by PSK/QAM modulation with $\mathbb{E}\{|s_r|^4\}=\mu_4<2$, and the Lindeberg no-dominant-term condition holds, i.e.,
$\max_r \frac{|a[r]|^2}{\sum_{k=1}^{N_d}|a[k]|^2}\to 0$.
Then the characteristic function of $\mathbf a^{\mathsf H}\mathbf v$ admits the Gaussian-form approximation
\begin{equation}\label{eq:charfun_approx_new}
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
\approx \exp\!\big(-\sum_{r=1}^{N_d}|a[r]|^2\big).
\end{equation}
\end{proposition}

对于呈 独立非同分布（i.n.i.d.） 结构的内积项 $\mathbf a^{\mathsf H}\mathbf v$，当其中的随机发射符号满足假设 1 与假设 2 时，其特征函数可在渐近意义下由二阶统计量主导，从而可用高斯型特征函数进行精确且可控的近似：

For the i.n.i.d.-structured inner product $\mathbf a^{\mathsf H}\mathbf v$, when the underlying random transmit symbols satisfy Assumptions 1 and 2, its characteristic function is asymptotically dominated by the second-order statistics and can therefore be accurately approximated by a Gaussian-form characteristic function:

latex
For the i.n.i.d.-structured inner product $\mathbf a^{\mathsf H}\mathbf v$, when the underlying random transmit symbols satisfy Assumptions~1 and~2, its characteristic function is asymptotically dominated by the second-order statistics and can therefore be accurately approximated by a Gaussian-form characteristic function:

latex
Recall that $\mathbf a^{\mathsf H}\mathbf v$ can be written as an i.n.i.d.\ sum
$$
\mathbf a^{\mathsf H}\mathbf v=\sum_{r=1}^{N_d} z_r,\qquad 
z_r \triangleq a^*[r]\,s_r+a[r]\,s_r^* \in \mathbb R,
$$
where $\{s_r\}$ are independent. Hence, by independence,
\begin{equation}\label{eq:charfun_factor}
\mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\prod_{r=1}^{N_d}\mathbb E\!\left[e^{j z_r}\right],
\qquad
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=\sum_{r=1}^{N_d}\log \mathbb E\!\left[e^{j z_r}\right].
\end{equation}
Under the unit-power and rotational-symmetry assumptions (i.e., $\mathbb E\{|s_r|^2\}=1$ and $\mathbb E\{s_r^2\}=0$), we have
\begin{equation}\label{eq:zr_second_moment}
\mathbb E\{z_r^2\}
=\mathbb E\!\left\{a[r]^{*2}s_r^2+a[r]^2 s_r^{*2}+2|a[r]|^2|s_r|^2\right\}
=2|a[r]|^2 .
\end{equation}
Moreover, for sub-Gaussian PSK/QAM symbols with $\mu_4\triangleq \mathbb E\{|s_r|^4\}<2$, a second-order expansion of $\log \mathbb E[e^{j z_r}]$ yields
\begin{equation}\label{eq:taylor_truncation_refined}
\log \mathbb E\!\left[e^{j z_r}\right]
=-\frac{1}{2}\mathbb E\{z_r^2\}+R_r,
\qquad
|R_r|\le C\,\mathbb E\{|z_r|^4\},
\end{equation}
for some absolute constant $C>0$ (e.g., via a cumulant/Taylor remainder bound). Using
$|z_r|=|a^*[r]s_r+a[r]s_r^*|\le 2|a[r]||s_r|$,
we obtain
\begin{equation}\label{eq:zr_fourth_moment_bound_refined}
\mathbb E\{|z_r|^4\}\le 16|a[r]|^4 \mu_4 \le 32|a[r]|^4,
\qquad
\sum_{r=1}^{N_d}|R_r|
\le 32C\sum_{r=1}^{N_d}|a[r]|^4.
\end{equation}
Invoking the i.n.i.d.\ Lindeberg no-dominant-term condition
\begin{equation}\label{eq:lindeberg_condition_refined}
\max_{r}\frac{|a[r]|^2}{\sum_{k=1}^{N_d}|a[k]|^2}\to 0,
\end{equation}
implies $\sum_{r=1}^{N_d}|a[r]|^4=o\!\left(\left(\sum_{r=1}^{N_d}|a[r]|^2\right)^2\right)$, and thus $\sum_{r=1}^{N_d}R_r=o(1)$ at the corresponding asymptotic scale. Substituting \eqref{eq:zr_second_moment}--\eqref{eq:taylor_truncation_refined} into \eqref{eq:charfun_factor} gives
\begin{equation}\label{eq:log_charfun_final_refined}
\log \mathbb E\!\left[e^{j\mathbf a^{\mathsf H}\mathbf v}\right]
=
-\frac{1}{2}\sum_{r=1}^{N_d}\mathbb E\{z_r^2\}+o(1)
=
-\sum_{r=1}^{N_d}|a[r]|^2+o(1).
\end{equation}
Exponentiating \eqref{eq:log_charfun_final_refined} yields
\begin{equation}\label{eq:charfun_approx_final}
\mathbb{E}\!\left[\exp\!\big(j\mathbf a^{\mathsf H}\mathbf v\big)\right]
=
\exp\!\Big(-\sum_{r=1}^{N_d}|a[r]|^2+o(1)\Big)
\approx \exp\!\Big(-\sum_{r=1}^{N_d}|a[r]|^2\Big),
\end{equation}
which is the desired Gaussian-form approximation.