1. 噪声基础：噪声的定义、分类与信噪比概念

各位同学好，我是你们这门课的主讲。在信号处理这行摸爬滚打十几年，我见过太多被噪声折磨得焦头烂额的工程师。说实话，噪声这东西，你躲不开它，只能学会跟它共处。今天咱们就从最基础的东西聊起——到底什么是噪声？它有哪些常见的面孔？以及那个绕不开的指标：信噪比。

从工程角度讲，噪声就是任何干扰我们提取有用信息的无用信号。我个人的理解更直白：噪声就是你不想要的那部分信号。

你想想看，一个麦克风录了一段语音，里面除了人声，还有空调的嗡嗡声、电脑风扇的呼呼声、窗外汽车的引擎声。这些声音对你来说就是噪声。但在另一个场景下，比如你正在监测空调设备的运行状态，那个嗡嗡声反而成了你要分析的有用信号。

核心要点：噪声是相对的，取决于你的应用场景。同一个信号，在这个系统里是噪声，换一个系统可能就是宝贝。

从数学上看，噪声通常被建模为一个随机过程。它不像正弦波那样有确定的数学表达式，而是用统计特性来描述——均值、方差、功率谱密度这些。嗯，这里要注意，随机不代表无规律，不同类型的噪声有完全不同的统计特征。

我在项目中遇到过各种各样的噪声，但归根结底，大部分都可以归到下面这三类里。搞懂它们，你就掌握了噪声分析的半壁江山。

白噪声是理论分析中最常用的模型。它的功率谱密度在整个频率范围内是常数，说白了就是所有频率上的能量都一样多。为什么叫「白」？因为它像白光一样，包含了所有频率成分。

白噪声的时域波形看起来毛刺刺的，没有任何规律。它的自相关函数是一个冲激函数——这意味着任意两个不同时刻的采样值之间完全不相关。

实用技巧：我建议你在做算法仿真时，先用白噪声做测试。因为它数学性质简单，能帮你快速验证滤波器的基本性能。MATLAB里用 randn() 生成的就是近似白噪声。

粉红噪声的功率谱密度与频率成反比，每倍频程下降3 dB。低频成分的能量比高频多，听起来更「暖」、更「沉」。自然界中很多现象都是粉红噪声——瀑布声、雨声、甚至人类的心跳节律。

为什么叫「粉红」？因为它介于白噪声和红噪声之间。红噪声（也叫布朗噪声）的功率谱密度与频率的平方成反比，每倍频程下降6 dB，听起来更低沉。

我记得有一次做音频降噪项目，客户抱怨说算法处理后声音「太假」。后来一查，问题出在测试信号上——我们一直用白噪声做调试，但实际环境噪声是粉红噪声。换了测试信号后，参数一调就对了。

脉冲噪声的特点是持续时间短、幅度大。比如开关电源的尖峰、静电放电、雷击干扰。这种噪声在时域上看起来像一个个突起的「刺」，能量集中在很窄的时间窗口内。

脉冲噪声最让人头疼的地方在于：它虽然持续时间短，但幅度可能比有用信号大几个数量级。普通的线性滤波器对它的抑制效果很差，需要专门的去脉冲算法。

避坑指南：我曾经在一个工业控制项目中吃过亏。传感器信号里偶尔出现脉冲噪声，我用了一个低通滤波器去处理，结果脉冲虽然被展宽了，但幅度衰减有限，反而污染了更大范围的数据。后来改用中值滤波，才把问题解决。

下面这张图展示了三种噪声的时域波形和频谱特征对比：

搞清楚了噪声的类型，下一个问题就是：怎么量化噪声对信号的影响程度？这就是信噪比（Signal-to-Noise Ratio, SNR）登场的时候了。

信噪比的定义很简单：有用信号的功率与噪声功率的比值。通常用分贝（dB）表示：

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

其中 P_signal 是有用信号的平均功率，P_noise 是噪声的平均功率。

举个例子：如果信号功率是 1 W，噪声功率是 0.01 W，那么 SNR = 10 * log10(100) = 20 dB。20 dB 意味着信号比噪声强 100 倍。

经验之谈：我个人的习惯是，在项目初期先定一个 SNR 目标。比如语音通信系统，通常要求 SNR 在 15 dB 以上才能保证可懂度。低于 10 dB 的话，人耳听起来就很吃力了。

实际工程中，SNR 的测量没那么简单。因为你很难把信号和噪声完全分开。常用的方法有：

下面这个表格总结了不同 SNR 值对应的实际感受：

注意：SNR 是功率比，不是幅度比。如果你用幅度来计算，公式要变成 20 * log10(A_signal / A_noise)。很多初学者在这里栽过跟头，我当年也犯过这个错。

好了，这一章的内容就到这里。噪声的定义、三种常见类型、以及信噪比这个核心指标，都是后面所有滤波算法的基础。你把这些概念吃透了，后面学滤波器设计就会轻松很多。