3. 抖动分离方法：双狄拉克法、统计分析、直方图与浴盆曲线法

说真的，做信号完整性这些年，最让我头疼的不是测不准，而是测出来之后不知道怎么拆。抖动测量只是第一步，分离才是硬骨头。你拿到一个TIE直方图，看着像钟形，但尾巴有点歪，这到底是随机抖动占主导，还是确定性抖动藏得深？不拆开，后续的眼图分析、系统评估全是糊涂账。

这一章我带你过四种主流分离方法。我个人的习惯是先用直方图看个大概，再用双狄拉克做定量，最后用浴盆曲线验证疲劳。别嫌啰嗦，每个方法都有自己的脾气。

3.1 为什么一定要分离RJ和DJ？

总抖动（Tj）是RJ与DJ的混合体，但系统对两者的容忍度完全不同：

• RJ 是高斯过程，方差会随观测时间增长而发散，影响低BER下的裕量。
• DJ 是有限抖频的确定性成分，常由串扰、反射或电源噪声引起，可以通过设计消除。

如果你不分离，直接用Tj去签收眼图裕量，要么过度悲观，要么漏掉隐患。我以前吃过这个亏——有一款高速接口，眼图闭合度看着还行，但出厂后偶尔出现随机误码，最后查出来是RJ分量被低估了。

3.2 双狄拉克法（Dual-Dirac Method）

双狄拉克法是最经典的分离模型。它假设DJ只有两个离散值（±DJ_p-p/2），概率密度函数是两个狄拉克脉冲与高斯RJ的卷积。说白了，就是看你抖动分布的双峰间距，再扣掉RJ的贡献。

公式很简单：

Tj = DJ + 2×α×RJ     （α由目标BER决定，如BER=1e-12时α≈7.03）

实际应用时，你只需要测量Tj在几个不同BER下的值，做一条拟合直线：纵轴是Tj，横轴是α，斜率是2×RJ，截距是DJ。嗯，这里要注意：

3.3 直方图法：从TIE直方图里“扒”出RJ和DJ

直方图法更直观。你收集足够的过零时间偏差（TIE），画出直方图，然后：

1. 对直方图做高斯拟合，提取RJ（σ）。
2. 测量直方图的左右边缘位置（-3σ到+3σ之外的偏差），差值即DJ_p-p。
3. 边缘位置的定义：一般取概率密度<1e-6的阈值点。

为什么直方图法实用？因为它不需要假设DJ的双峰性，只要采样点够多，直方图形态会自然暴露DJ的“驼峰”或“斜坡”。我在测一个DDR4信号时，直方图出现了三个小峰，一查是数据模式相关噪声，用直方图法一把就拆出来了。

3.4 浴盆曲线法：从眼图“洗”出抖动分量

浴盆曲线（BathTub Curve）是眼图左右开度的“对数横坐标”版本。采集大量UI，记录每个水平位置的误码率，画出左右两条“浴盆”曲线。它的分离逻辑很简单：

• 曲线线性段斜率 → 与RJ（σ）成反比。
• 曲线底部水平宽度 → 反映DJ（两段曲线的闭合点之间的UI宽度）。

实际操作中我习惯这样做：

1. 在BERT上扫眼图左、右浴盆曲线（比如BER从1e-3扫到1e-12）。
2. 对左右曲线分别做最小二乘拟合，得到两条直线。
3. 两条直线的水平偏移量 = DJ_p-p，直线斜率倒数 = RJ_rms。

3.5 统计分析法（Q因子法与拟合）

统计分析法的核心是Q因子。定义Q = μ/σ（其中μ是眼图中眼高中心处的信号差值），但抖动分离时用的是“时序Q”：

Q_ber = √(2) × erfc⁻¹(2×BER)

将BS（Bathtub曲线）不同BER对应的UI宽度变换成Q-UI图，可以得到一条直线：

• 斜率 → RJ的贡献。
• 截距 → DJ的贡献。

这种方法依赖曲线拟合，但不受DJ分布形状限制。我曾在项目里同时用双狄拉克和Q因子对比，结果相差不到5%，说明DJ确实是近似双峰的。

3.6 四类方法对比

3.7 四类方法的逻辑关系