📚 课程目录第4章模拟信号的信噪比计算

4. 模拟信号的信噪比计算：连续时间信号的SNR计算、基于功率谱密度的SNR估计

好，咱们进入第四章。前面几章我们把信噪比的基本概念和离散域的计算方法捋了一遍。这一章，咱们回到模拟世界，聊聊连续时间信号的信噪比怎么算。

你可能会问：“现在不都是数字系统吗？为啥还要学模拟信号的SNR？” 嗯，这个问题我当年也问过师傅。后来在实际项目中吃过亏才明白——任何数字信号处理系统的前端，都是模拟的。ADC采样之前、DAC重建之后，全是模拟信号。你连模拟域的SNR都算不清楚，数字域的信噪比优化就是空中楼阁。

连续时间信号的信噪比，定义逻辑和离散域一样，但计算方式有区别。核心公式还是那个：

SNR = 10 log₁₀(P_signal / P_noise) (dB)

其中 P_signal 是信号平均功率，P_noise 是噪声平均功率。

关键区别在于：连续时间信号的功率是积分量，不是求和量。

对于实信号 x(t)，其平均功率定义为：

P = lim(T→∞) (1/T) ∫_{-T/2}^{T/2} x²(t) dt

如果信号是周期性的，这个极限可以简化为一个周期内的平均：

P = (1/T₀) ∫_{0}^{T₀} x²(t) dt

我在做射频接收机项目时，经常需要计算一个正弦波加窄带噪声的SNR。正弦波功率很简单——A²/2，但噪声功率就得小心了，得看带宽。

实际工程中，我们碰到的模拟信号类型就那么几种。我把常用的功率计算公式整理了一下：

信号类型	时域表达式	平均功率	备注
正弦波	A·sin(ω₀t + φ)	A²/2	与频率、相位无关
方波（±V）	V·square(ω₀t)	V²	占空比50%
三角波（±V）	V·tri(ω₀t)	V²/3	对称三角波
高斯白噪声	n(t) ~ N(0, σ²)	σ²	功率等于方差
带限白噪声	带宽 B Hz	N₀·B	N₀为单边功率谱密度

实战小技巧： 我习惯在仿真前先用这些公式手算一遍理论值。比如一个1Vpp的正弦波，理论功率就是0.5²/2 = 0.125W（假设1Ω负载）。如果仿真结果偏差超过0.1dB，我就知道代码或者设置有问题。

这是本章的重头戏。为什么需要功率谱密度（PSD）来估计SNR？

原因很简单：实际信号和噪声往往是混在一起的，你没法直接分开测。比如你测一个放大器的输出，信号和噪声叠加在一起，万用表读出来的是总功率。这时候，PSD就是你的“分光镜”——它能告诉你不同频率上，信号和噪声各占多少。

对于平稳随机过程 x(t)，其功率谱密度 Sₓₓ(f) 定义为自相关函数的傅里叶变换：

Sₓₓ(f) = ∫_{-∞}^{∞} Rₓₓ(τ) · e^{-j2πfτ} dτ

其中 Rₓₓ(τ) = E[x(t)·x(t+τ)] 是自相关函数。

PSD的物理意义很直观：它表示单位带宽内的信号功率。单位是 W/Hz 或者 dBm/Hz。

有了PSD，信号总功率就是：

P_total = ∫_{-∞}^{∞} Sₓₓ(f) df

对于实信号，我们通常只看正频率部分：

P_total = ∫_{0}^{∞} 2·Sₓₓ(f) df

假设我们有一个信号 s(t) 被加性噪声 n(t) 污染：

x(t) = s(t) + n(t)

如果信号和噪声不相关（绝大多数情况成立），那么：

Sₓₓ(f) = Sₛₛ(f) + Sₙₙ(f)

也就是说，总功率谱密度等于信号PSD加上噪声PSD。这个性质太有用了。

具体怎么估计SNR？我常用的步骤是这样的：

注意： 这个方法假设噪声在信号频带内外的PSD是相同的（即噪声是白色的）。如果噪声是有色的，你需要用信号频带内的噪声PSD来估计，不能直接用带外的值。

我记得有一次调试一个10MHz的通信接收机，输出信号总感觉不对。用频谱仪看，信号频率10MHz处有个明显的尖峰，但底噪看起来也还行。我按上面的步骤算了一下：

等等，这里有个坑。信号频带内的总功率 -20 dBm 已经包含了噪声。所以：

看起来SNR很高对吧？但实际解调效果很差。后来我发现，噪声不是白色的——在10MHz附近有个相位噪声的裙边，把信号附近的噪声抬高了20dB。这就是为什么我强调要确认噪声的频谱特性。

下面这张图把本章的核心逻辑串起来了：

做了这么多年信号处理，我总结了几条关于模拟SNR计算的教训：

带宽一定要对：噪声功率和带宽成正比。你算SNR时用的带宽，必须和实际系统带宽一致。我曾经见过有人用1Hz带宽算出来80dB的SNR，实际系统带宽1MHz，真实SNR只有20dB。
注意阻抗匹配：功率计算离不开阻抗。射频系统通常是50Ω，但基带可能是高阻。功率单位dBm是相对于1mW的，计算时别忘了换算。
窗函数的影响：用FFT估计PSD时，窗函数会改变频谱泄漏特性。我习惯用汉宁窗，它在主瓣宽度和旁瓣抑制之间平衡得比较好。
平均次数要够：Welch法估计PSD时，分段越多，估计方差越小，但频率分辨率会下降。一般50%重叠、8~16段平均是个不错的起点。

我的个人习惯： 在做系统级仿真时，我会同时用时域法和频域法算一遍SNR。如果两者偏差超过0.5dB，我就知道某个环节出问题了——要么是信号模型不对，要么是PSD估计参数没设好。这种交叉验证的习惯，帮我避免过好几次低级错误。

好了，这一章的内容就到这儿。连续时间信号的SNR计算，说白了就是两件事：算清楚信号功率，算清楚噪声功率。时域法适合理论分析，频域法适合实测数据。两种方法都掌握了，你就能应对绝大多数模拟信号的信噪比评估场景。