3. 基于信噪比的丢包阈值判定与验证

为什么用 SNR 而不是 RSSI 做阈值

RSSI 只反映接收到的总功率，噪声底抬升时 RSSI 可能仍然“正常”，但解调质量已经恶化。SNR（信噪比）直接刻画信号与噪声的相对关系，更适合作为丢包风险的判据。本例用浮标端记录的每包 SNR 与对应确认结果，构建一个可验证的三级阈值划分。

先明确数据口径：每个数据包记录 snr_db（浮标接收下行信号的信噪比估计，单位 dB）与 ack（1 表示收到确认，0 表示该包在重传窗口内未获确认，记为丢包）。阈值判定只使用 snr_db，ack 仅用于验证，避免“用结果反推阈值”的循环论证。

阈值划分与验证指标

设定两个阈值 T_low 与 T_high，把 SNR 划分为三个风险等级：

• 高风险：snr_db < T_low，预测为丢包；
• 中风险：T_low ≤ snr_db < T_high，预测为不确定（可触发降速或重传策略）；
• 低风险：snr_db ≥ T_high，预测为正常。

验证时把“高风险”视为正类预测，与真实 ack=0 比较，计算准确率与召回率。召回率在这里尤其关键：漏掉真正会丢包的包，代价远高于误报。

用历史记录验证阈值

下面用一段可运行的 Python 脚本完成阈值扫描与指标计算。数据为教学示例：模拟 2000 个包的 SNR 与 ack，其中真实丢包概率随 SNR 降低而升高，便于观察阈值移动对召回率与准确率的影响。

import numpy as np

rng = np.random.default_rng(42)
n = 2000
# 示例 SNR：主体分布在 4~14 dB，低 SNR 尾部更稀疏
snr = np.clip(rng.normal(9.0, 2.5, n), 0, 20)
# 真实丢包概率：SNR 越低越容易丢，用 logistic 形式构造示例标签
p_loss = 1 / (1 + np.exp((snr - 6.5) / 1.2))
ack = (rng.random(n) > p_loss).astype(int)   # 1=确认, 0=丢包

def evaluate(t_low):
    pred_loss = snr < t_low          # 高风险判为丢包
    tp = np.sum((pred_loss == 1) & (ack == 0))
    fp = np.sum((pred_loss == 1) & (ack == 1))
    fn = np.sum((pred_loss == 0) & (ack == 0))
    tn = np.sum((pred_loss == 0) & (ack == 1))
    recall = tp / (tp + fn) if (tp + fn) else 0.0
    precision = tp / (tp + fp) if (tp + fp) else 0.0
    acc = (tp + tn) / len(ack)
    return recall, precision, acc

print("T_low  召回率  精确率  准确率")
for t in np.arange(3.0, 9.5, 0.5):
    r, p, a = evaluate(t)
    print(f"{t:4.1f}  {r:6.3f}  {p:6.3f}  {a:6.3f}")

运行后得到一张阈值—指标表。判读要点：随着 T_low 升高，召回率上升（更多包被判为高风险），但精确率下降（误报增多）。选择阈值时先设定召回率下限（例如 ≥0.85），再在该约束下取准确率最高的 T_low。示例数据下通常落在 6.0~7.0 dB 区间，具体以实际运行输出为准。

可直接套用的阈值验证记录表

把这张表随阈值一起归档，下次复评时可直接对比指标变化，判断阈值是否需要调整。