📚 课程目录第4章信号与噪声基础

4. 信号与噪声基础

在传感器数据融合与滤波算法实战中，无论是卡尔曼滤波的状态估计，还是IMU姿态解算的预处理，本质上都是在与“信号”和“噪声”打交道。如果无法准确区分有用信号与噪声的频域特征，后续的滤波设计就会失去理论依据。本章作为整个课程的理论基石，将系统梳理时域与频域分析的基本视角，深入剖析白噪声与有色噪声的本质区别，明确信噪比（SNR）的工程含义，并重点讲解采样定理对嵌入式系统设计的硬性约束，最后厘清低通滤波与高通滤波在传感器信号调理中的典型应用场景。这些概念将直接决定你在STM32平台上编写滤波算法时的参数选择与结构设计。

4.1 时域与频域：观察信号的两种互补视角

核心原理：时域分析以时间为横轴，描述信号幅值随时间的变化规律，直观但信息密度低；频域分析以频率为横轴，将信号分解为不同频率分量的叠加，揭示信号的频谱结构。对于传感器信号处理，频域视角尤为重要——噪声和有用信号往往在频带上存在可分离的差异。例如，IMU加速度计输出的重力加速度分量集中在0Hz附近的直流区，而人体运动产生的加速度通常在0.1~10Hz频带，振动噪声则可能分布在100Hz以上。

傅里叶变换是连接两个域的桥梁：

X(f) = ∫ x(t)·e^(-j2πft) dt   （连续时间傅里叶变换）
X[k] = Σ x[n]·e^(-j2πkn/N)    （离散傅里叶变换，DFT）

在STM32嵌入式平台上，我们通常使用FFT（快速傅里叶变换）算法将ADC采样得到的时域序列转换为频谱。一个典型的应用场景是：通过分析IMU静止时的频谱，可以识别出50Hz工频干扰、机械振动等噪声源，从而为滤波器设计提供频率依据。

对比维度	时域分析	频域分析
横轴	时间 t（秒）	频率 f（Hz）
纵轴	幅值（V、g、°/s）	幅值谱/功率谱（dB）
优势	直观、便于观察瞬态变化	清晰展示频率成分、便于滤波设计
劣势	难以区分叠加的多个频率分量	丢失时间信息（需STFT弥补）
典型应用	波形触发、峰值检测	噪声源识别、滤波器截止频率选择

实战经验：在调试IMU数据时，建议先用STM32的DSP库对静止状态下的采样数据做256点FFT，观察频谱中是否存在明显的尖峰。如果发现50Hz附近有突出分量，说明存在工频干扰，应在硬件上增加RC低通滤波或在软件中设计陷波器。

4.2 白噪声与有色噪声：噪声的频谱指纹

核心原理：白噪声（White Noise）是一种理想化的噪声模型，其功率谱密度（PSD）在整个频率范围内保持恒定，即各频率分量具有相等的功率。实际传感器中的热噪声、散粒噪声近似为白噪声。白噪声在时域上表现为幅值随机、无记忆性，其自相关函数为δ函数——任意两个不同时刻的噪声值互不相关。

有色噪声（Colored Noise）则指功率谱密度随频率变化的噪声。常见类型包括：

粉红噪声（1/f噪声）：功率与频率成反比，低频成分占主导。IMU的零偏不稳定性（Bias Instability）就表现为这种特性，是MEMS陀螺仪的主要误差源之一。
布朗噪声（1/f²噪声）：随机游走（Random Walk）过程，角速率随机游走（ARW）即属此类，其功率随频率的平方反比衰减。
红噪声：低频能量集中，常见于环境温度缓慢漂移引起的传感器输出变化。

判断方法：在工程实践中，可以通过Allan方差分析来区分IMU噪声类型。Allan方差曲线中，斜率为-1/2的段对应白噪声（角度随机游走），斜率为0的段对应零偏不稳定性，斜率为+1/2的段对应速率随机游走。这是IMU选型和滤波参数设计的重要依据。

  案例拆解：某四旋翼无人机使用BMI088 IMU，静止测试时陀螺仪Z轴输出在±0.5°/s范围内波动。通过Allan方差分析发现：积分时间τ<0.1s时曲线斜率为-1/2（白噪声主导），τ在1~10s时曲线平坦（零偏不稳定性约0.8°/h），τ>50s时曲线上翘（速率随机游走）。据此确定：互补滤波的截止频率应设在0.5Hz左右，以抑制高频白噪声；卡尔曼滤波的过程噪声协方差Q应根据Allan方差曲线在τ=1s处的值来初始化。

常见误区：很多初学者将IMU的所有噪声都当作白噪声处理，导致卡尔曼滤波的Q矩阵设置过小，滤波器过度信任测量值，最终姿态估计结果出现明显抖动。正确做法是：将零偏不稳定性建模为一阶马尔可夫过程（有色噪声），在状态向量中增加零偏估计项。

4.3 信噪比（SNR）：量化信号质量的黄金指标

核心原理：信噪比定义为有用信号功率与噪声功率之比，通常用分贝（dB）表示：SNR(dB) = 10·log₁₀(P_signal / P_noise)。在传感器数据融合中，SNR直接决定了滤波算法的性能上限——当SNR过低时，任何滤波算法都无法有效提取信号。

工程测量方法：

采集一段静止状态下的传感器输出，计算其方差作为噪声功率P_noise。
施加已知幅值的激励信号（如转台以10°/s匀速旋转），测量输出幅值，计算信号功率P_signal。
代入公式计算SNR。对于IMU，通常关注带宽内的SNR，例如100Hz带宽下的SNR。

SNR范围	信号质量	滤波策略建议
> 60 dB	优秀	简单低通滤波即可，卡尔曼滤波Q可设小
40 ~ 60 dB	良好	互补滤波或卡尔曼滤波，需适当增大Q
20 ~ 40 dB	较差	需多级滤波，考虑自适应滤波算法
< 20 dB	极差	信号淹没，需硬件前端调理或更换传感器

经验提醒：在计算SNR时，务必明确带宽范围。同一传感器在1Hz带宽和100Hz带宽下的SNR可能相差20dB。数据手册中给出的SNR通常是在特定带宽下测得的，直接对比不同传感器的SNR时需注意带宽一致性。

4.4 采样定理：数字信号处理的基石

核心原理：奈奎斯特-香农采样定理指出：要从采样后的离散信号中无失真地恢复原始连续信号，采样频率f_s必须大于信号最高频率分量f_max的两倍，即f_s > 2·f_max。当f_s ≤ 2·f_max时，高频分量会折叠到低频区域，产生混叠（Aliasing）现象，且混叠一旦发生就无法通过数字滤波消除。

工程约束与操作流程：

确定信号带宽：根据应用场景确定有用信号的最高频率。例如，人体姿态识别中运动信号通常不超过10Hz，而振动监测可能需要分析到1kHz。
选择采样频率：工程上通常取f_s = 5~10倍f_max，而非理论上的2倍，以留出设计余量。STM32的ADC采样率可配置，IMU的SPI/I2C读取速率也需匹配。
抗混叠滤波：在ADC采样前必须加硬件低通滤波器（RC或运放有源滤波），截止频率设为f_s/2以下。例如，若f_s=1kHz，抗混叠滤波器截止频率应设在400~500Hz。
数字滤波配合：采样后可在数字域进一步滤波，但数字滤波无法消除已发生的混叠。

  实战案例：某惯性导航系统使用MPU6050，配置陀螺仪带宽为256Hz（内部DLPF开启），SPI读取速率为1kHz。此时f_max=256Hz，f_s=1kHz > 2×256Hz=512Hz，满足采样定理。但若将SPI读取速率降至500Hz，则256Hz的信号分量会混叠到244Hz（500-256=244Hz），产生虚假的低频信号，导致姿态解算出现周期性漂移。解决方案：将陀螺仪DLPF带宽降至98Hz，或提高读取速率至1kHz以上。

风险提示：STM32的ADC采样若使用定时器触发，需注意触发频率的准确性。使用内部RC振荡器时，实际采样率可能偏差±2%，在要求严格的场合应使用外部晶振或校准RC频率。

4.5 低通滤波与高通滤波：频域整形的基本工具

核心原理：低通滤波器（LPF）允许低于截止频率f_c的信号通过，衰减高于f_c的频率分量；高通滤波器（HPF）则相反，允许高于f_c的信号通过，衰减低频分量。在传感器信号处理中，两者各有典型应用：

低通滤波：用于去除高频噪声。IMU加速度计输出中的高频振动噪声、ADC采样引入的量化噪声，都可通过低通滤波抑制。一阶RC低通的传递函数为H(s)=1/(1+sRC)，截止频率f_c=1/(2πRC)。
高通滤波：用于去除直流偏置和缓慢漂移。例如，压电式力传感器输出中混有温度漂移引起的直流分量，通过高通滤波可将其去除，保留动态力信号。

数字滤波器实现：在STM32平台上，常用一阶IIR滤波器实现低通/高通功能：

// 一阶低通滤波（IIR）
float lowpass(float input, float alpha, float *prev_output) {
    *prev_output = alpha * input + (1 - alpha) * (*prev_output);
    return *prev_output;
}
// alpha = 2π·f_c·T / (2π·f_c·T + 1)，T为采样周期

// 一阶高通滤波
float highpass(float input, float alpha, float *prev_input, float *prev_output) {
    *prev_output = alpha * (*prev_output + input - *prev_input);
    *prev_input = input;
    return *prev_output;
}

截止频率选择原则：低通滤波的截止频率应高于有用信号的最高频率，低于噪声的最低频率。对于IMU姿态解算，若运动信号带宽为10Hz，噪声从50Hz开始，则f_c可设在20~30Hz。高通滤波的截止频率应低于有用信号的最低频率，例如去除0.1Hz以下的直流漂移时，f_c设为0.05Hz。

滤波器类型	典型应用场景	截止频率选择	注意事项
低通滤波	IMU加速度计去振	运动带宽的1.5~3倍	过低的f_c会引入相位延迟
低通滤波	ADC抗混叠	f_s/2以下	必须为硬件滤波器
高通滤波	去除直流漂移	低于信号最低频率	会衰减低频有用信号
带通滤波	特定频段信号提取	f_L ~ f_H	由LPF+HPF级联实现

经验总结：在卡尔曼滤波设计中，低通滤波的截止频率可作为过程噪声Q的调节参考。若低通截止频率较高（如50Hz），说明系统允许较宽的频带，Q可适当增大；若截止频率较低（如5Hz），则Q应减小，滤波器更依赖模型预测。

本章所建立的信号与噪声分析框架，为后续章节中卡尔曼滤波的噪声协方差矩阵设计、IMU预处理流程以及STM32上的实时滤波实现奠定了理论基础。理解时域与频域的互补关系，掌握白噪声与有色噪声的建模方法，明确采样定理对系统设计的硬约束，熟练运用低通与高通滤波器进行频域整形，是每一位从事传感器数据融合开发的工程师必须具备的核心素养。在实际项目中，建议始终从频域视角审视信号链路，用SNR量化信号质量，以采样定理指导硬件设计，最终通过合理的滤波策略实现鲁棒的姿态与位置估计。