1. 噪声是信号处理的“底色”——为什么把噪声单独拿出来讲傅里叶变换与频谱分析这个系列前面几讲我一直在和确定性信号打交道正弦波、矩形脉冲、调幅信号、扫频信号。这些信号有个共同点——波形能写出确定的数学表达式频谱图算出来就摆在那里换台电脑、换个时间跑结果一模一样复现性极强。新手跟着做很容易建立“频谱分析不过如此”的错觉。但到了噪声这里这套经验突然全都不好使了。噪声是随机的你没法用一个确定的函数描述它能描述的只有统计规律均值多少、方差多少、功率谱密度长什么样。于是第一次做噪声仿真的人十有八九会被吓一跳同一段代码跑两遍频谱图居然长得不一样明明只是生成了一串高斯随机数FFT出来的幅度谱却歪歪扭扭像极了“有信号的样子”。我见过不少工程师拿着这种图来问我信誓旦旦地说“这里有个干扰谱峰”结果我让他把随机种子改一下再跑峰的位置立刻变了——那就是统计波动不是真实信号。噪声不是垃圾至少不应把它当成一种可有可无的“脏东西”。恰恰相反噪声是任何真实系统里决定性能边界的那个角色接收机能探测多弱的信号由底噪决定音频播放器能还原多大动态范围由本底噪声决定雷达能不能在杂波里发现微弱目标由噪声下限和信噪比共同决定。不看懂噪声的频谱特征你前面学的傅里叶变换、滤波、采样定理在实际工程里就是用不起来的空中楼阁。这一讲我会把噪声信号的频谱特征一次讲透先从理论上梳理白噪声、有色噪声、量化噪声的频谱模型再用MATLAB/Octave跑一套完整的噪声仿真闭环接着聊聊窗函数和频谱泄漏这些绕不开的坎然后是经典误区和排查实录最后落到几个工程应用场景。你可以把这讲看成系列的分水岭之前是可复现的确定性频谱之后是必须用统计眼光去看的随机频谱。2. 傅里叶变换视角下的噪声模型——从白噪声到有色噪声2.1 白噪声功率谱密度平坦的理想模型“白噪声”这个叫法借用了光学里的“白光”概念——白光由所有可见光频率叠加而成看起来均匀。对应到信号处理白噪声的定义是功率谱密度在整个频率轴上为常数单边谱密度常记为N0。这意味着无论你把观察窗放在哪个频段单位带宽内的噪声功率都是一样的。这个性质用傅里叶变换的语言来说就是白噪声的自相关函数是一个冲激函数因为只有完全不相干的时间序列才可能拥有平坦到极致的频谱。但必须说清楚白噪声只是一个理想化模型。如果功率谱密度真的是常数那么总功率积分下去就是无穷大这显然不可能存在于现实物理系统中。任何一个电阻、放大器、ADC都有固有的带宽限制。所以工程上说的“白噪声”其实是指“在关心的频带内功率谱密度近似平坦的噪声”。举个例子电阻热噪声在从直流到几十GHz范围内都非常平坦对音频系统、低速测量来说它已经完全够格叫白噪声了。有一个超级常见的混淆点必须在这里敲黑板白噪声描述的是频谱特征不是幅度分布。频谱平坦不等于幅度必须是高斯分布。白噪声可以是高斯分布的也可以是均匀分布的甚至可以是两个电平随机跳变的伯努利分布。高斯分布之所以在工程中最常见、最被偏爱是因为中心极限定理在背后撑腰大量独立随机源的叠加无论每个源是什么分布总和都会趋近高斯分布。电阻内部电子热运动的宏观效果、放大器无数载流子随机涨落的叠加全都满足这个条件所以你看到的白噪声基本都是高斯白噪声。2.2 1/f噪声与布朗噪声频率轴上不再平坦现实世界的噪声很少只有白噪声这一层。把频谱往低频方向拉你会发现一条缓慢上升的倾斜线这就是1/f噪声也叫闪烁噪声其功率谱密度大致正比于1/f^αα通常在0.8到1.2之间。频率越低噪声功率越大。这东西在半导体器件、晶体振荡器、光电探测器里普遍存在是所有低频测量工程师的头号公敌。你要测一个直流微弱信号前面放大器的1/f噪声往往会比白噪声低噪还要大几个量级测出来的“漂移”很多时候根本不是信号本身的漂移就是器件噪声在低谷处发威。比1/f噪声更斜的是布朗噪声功率谱密度与1/f^2成正比对应于时域里的随机游走。典型场景是白噪声通过一个积分器输出就是布朗噪声陀螺仪的零偏漂移、气象数据里的随机慢变也多是这种形态。在频谱图上它是一条每倍频程下降6dB的斜线和白噪声的平线形成了鲜明的对比。把这三条线画在一张图上你会看到很多真实系统的本底噪声就是它们的合成低频端1/f噪声主导高频端白噪声主导两条谱线有个转折点。理解了这一点你在做噪声仿真时就不会只生成一个randn完事而是会思考“我这个系统低频下有没有漂移”“ADC之前有没有积分环节”这直接决定你的仿真模型该怎么搭。2.3 量化噪声被低估的“栅栏”ADC采样把模拟信号从连续刻度映射到离散电平这个过程中丢失的信息就是量化误差。如果输入信号足够“活跃”、量化步长足够小可以把量化误差近似看成均匀分布的随机量方差等于Δ²/12Δ是最小量化间隔。在奈奎斯特带宽内量化噪声的功率谱看起来是平坦的这也是ADC数据手册上经常引用“6.02N1.76dB”这个动态范围公式的理论基础。但这里有个漂亮的坑量化噪声其实并不是天然平坦的。当输入信号是周期性信号或者接近直流的信号时量化误差会呈现明显的周期结构反映到频谱上就是离散的杂散谱线而不是一层平底噪。拿一个单频正弦直接进低位数ADC你会看到频谱上除了那根信号线周围还冒出一串和信号线性相关的毛刺。这些毛刺在雷达、通信系统里是要命的因为它们无法通过简单滤波去掉。工业上抑制它的手段是注入扰动脉冲——一个幅度很小、频谱很宽的随机信号先把量化误差“抖散”让它重新变成平坦的底噪。这个细节虽然超出了标题的“仿真”范围但做仿真时如果你不把量化器建得足够真实后面分析ADC输出频谱就会得出完全错误的结论。3. 噪声仿真的实操闭环——以MATLAB/Octave为例3.1 生成指定功率的高斯白噪声仿真噪声的第一步是生成时间序列。MATLAB里直接调randn就行但这里面门道比看起来多得多。第一点你必须理解randn生成的是均值为0、方差为1的高斯序列。注意这个“方差为1”只是理论值具体某一次运行产生的序列实际方差未必严格等于1它自己也是个随机量。所以当我要求生成“功率为P瓦特”的噪声时不能想当然地乘一个sqrt(P)就完事必须忘掉“仿真结果一定精确”这个念头而是要用统计的眼光看它大量样本平均下来功率会收敛到P。更重要的是要保证结果可复现尤其当你要和同事对仿真结果的时候一定要先固定随机种子fs 10000; % 采样率10kHz N fs * 10; % 10秒数据 rng(42); % 固定随机种子保证结果可复现 x sqrt(0.5) * randn(1, N); % 目标功率0.5W参考阻抗归一化这里把电压信号当成功率信号的前提是参考阻抗为1Ω功率等于电压有效值的平方。如果你后面接了一个滤波器信号经过滤波后功率一定会变化需要重新计算不能还拿着输入端的功率去解释输出端的频谱。我习惯的做法是先算一次实际功率再决定要不要做功率归一化补偿。你在新环境里跑仿真时一定养成先检查var(x)再往下走的习惯不然功率对不上后面所有信噪比计算全是错的。3.2 功率谱密度估计周期图与Welch方法拿到噪声序列之后核心工作就是估计它的功率谱密度。最直接的做法是整段数据做FFT取幅度平方再归一化得到所谓“周期图”。但直接给的周期图有个致命伤它作为功率谱的估计器方差太大了。理论上对于白噪声序列周期图在每一个频率点的取值是一个自由度为2的卡方分布随机变量它的标准差和均值是同一个量级。这也就是说你看到的那根“尖峰”和旁边那些“谷底”完全可能就是同一个噪声过程的不同随机表现根本不代表频谱真的有结构。要让频谱估计稳定下来标准做法是用Welch方法把序列切成长度为L的若干段每段加窗分段做FFT然后把所有段的功率谱求平均。平均会显著压低方差。Welch方法在MATLAB里就是pwelch函数一句话即可[pxx, f] pwelch(x, hann(4096), 2048, 4096, fs); plot(f, 10*log10(pxx), b);这段代码里4096是每段长度也是FFT点数2048是相邻段之间的重叠采样数重叠率50%fs是采样率用于把横轴标成Hz。段数越多平均效果越好但段数太多会导致每一段太短频率分辨率下降。分辨率由每段时长决定Δf fs / L。如果每段取4096点、采样率10kHz那分辨率大约是2.44Hz这就是你能分辨的最小频率间隔想分辨再细就得加大L但那样平均段数就少了谱线会重新抖起来。3.3 置信区间噪声频谱分析的“误差棒”噪声频谱分析不只需要一张谱图你还需要知道这个估计值有多可靠。Welch平均之后每个频点的功率谱估计近似服从自由度为2M的卡方分布其中M是参与平均的独立段数。置信区间宽度和自由度成反比M越大区间越窄。实际做仿真时我通常直接看两条曲线把估计的功率谱画出来同时画理论白噪声谱一条平线和置信区间上下界。判断一个系统是不是“纯白噪声”不是看曲线平不平整而是看它是否全部落在置信区间内。曲线有点小弯曲没事弯出置信区间才有统计学意义。这种做法写论文、写测试报告时特别有用因为评审不会信你“平坦”的主观判断但会认合理统计学约定俗成的95%置信区间标注。4. 频谱泄漏、窗函数与频率分辨率——噪声频谱分析里绕不开的三件套4.1 为什么频谱泄漏在噪声面前更明显确定性信号做FFT如果分析时长不是信号周期的整数倍能量会从真实频率“漏”到旁边频点上去这叫频谱泄漏。这在单根低频率正弦波上看得清楚但在噪声分析里很多人根本想不到泄漏这回事因为他们以为“反正噪声是全频段的漏就漏吧”。这个想法是错的。噪声频谱分析里的泄漏主要体现在强窄带干扰和直流分量附近如果被测信号里有一个较大的工频干扰比如50Hz你直接把整段数据拿去做FFT不加窗那50Hz这根线的泄漏可以盖住旁边几十个频点的真实底噪。你本来想测量信号本底噪声结果测出来的全是泄漏拖尾。加窗尤其是旁瓣低的窗能把泄漏压低到本底以下这时候干净的底噪才现出真身。4.2 窗函数怎么选窗函数的核心是主瓣宽度与旁瓣抑制的权衡。矩形窗其实等于没加窗主瓣最窄、频率分辨率最好但旁瓣最高泄漏最严重。汉宁窗、汉明窗是折中旁瓣比矩形窗低很多主瓣宽度翻倍。布莱克曼-哈里斯窗旁瓣衰减更猛但主瓣更宽。在噪声仿真里我默认首选汉宁窗原因很务实它在频率分辨率和泄漏抑制之间平衡最好pwelch内部也用汉宁窗作为默认大家用同一个窗结果才有可比性。只有当你知道被测信号里有强单频干扰、且关心的底噪刚好就在它附近时才会考虑用旁瓣更低的窗代价是原本能分辨的两个很近的谱峰可能要黏在一起分辨不出来了。4.3 分辨率与稳定性的权衡结合前面说的Welch原理你会发现噪声频谱分析里有一个无法绕过的不可能三角想要频率分辨率高就得多取样本、用长段做FFT但长段意味着分段的段数少了方差变大想压低估计方差就需要更多段取平均但段数多了每段就短了分辨率下降。实际操作中我的经验是先定分辨率需求再通过总数据长度反推可用段数。比如要分辨2Hz以内的细节采样率10kHz下每段至少5000点取8192点的一段如果有10秒数据那能拼出大约120段平均效果很好。如果手里只有0.5秒数据那每段只能取一点根本没有平均冗余这时硬上的Welch结果和周期图没什么区别不如直接放弃鉴定细微特征的打算承认只能看到大致的频谱形态。该认怂的时候要认怂强行在图里标一堆“谱峰”只会误导别人。5. 噪声频谱分析的经典误区与排查实录5.1 测出来的噪声功率和理论对不上先查时间序列长度我见过的最常见的翻车现场生成了一段白噪声FFT后取尖峰幅度说“底噪不白”。其实问题出在功率谱估计的方差上——直接用周期图估计时单个频点的功率波动能达到好几个dB看起来根本不平。排查思路其实简单把整段数据换多个随机种子各跑一遍如果谱线形状每次都剧烈变化说明方差占了主导不是信号有问题。解决方法也简单上Welch平均把段数拉到足够大曲线自然会平下去。在文档里顺手把置信区间画出来以后再有谁说“你这谱怎么不平”直接让他看区间含义。5.2 采样率定错了白噪声看上去像是有色噪声采样率直接影响奈奎斯特带宽。白噪声的总功率是固定的但采样率一旦变化它在[0, fs/2]这个频带内的功率谱密度高度就会跟着变。同一段模拟白噪声用100kHz采样测到的每Hz功率密度一定低于用10kHz采样测到的——因为总功率在更宽的频带里被摊薄了。错误做法是拿不同采样率下的PSD高度直接比较然后得出“系统噪声变了”的错误结论。我在音频设备测试里踩过这个坑改采样率后噪声曲线高度掉了大约10dB一度以为是硬件坏了后来查代码才发现就是采样率参数传错了。噪声仿真里一定要统一采样率设置如果必须比较不同采样率下的噪声水平建议换算成功率谱密度单位dBm/Hz再比不要直接比功率值。5.3 直流分量没去掉低频段出现虚假上翘噪声仿真的时间序列如果均值不为零——哪怕只偏了零点几伏——FFT后会在零频附近出现一个很高的大山这个山的泄漏尾巴足以让低频段的真实噪声特征完全被掩盖。尤其做1/f噪声分析时你会发现低频曲线“异常上翘”翘得比理论还猛十有八九就是这个原因。解决方式简单粗暴做FFT之前先把序列的均值减掉也就是x x - mean(x)。但要注意这只对平稳噪声有效如果序列本身含有趋势项或慢漂移一个简单的去均值是不够的需要先做趋势去除或高通滤波。我一般在处理真实采集数据时会先观察时域波形是否有整体漂移再决定去均值还是一阶差分而不是上来就一刀切。5.4 随机信号FFT的“假峰值”别把波动当信号随机信号做FFT每一个频点都是一个随机变量幅度大的频点会随机冒出几个来。这是统计规律决定的必然现象不是“发现新信号”的惊喜。判断一个谱峰是否是真实信号标准做法是看它是否超过本底噪声3个标准差、或者是否在多次独立实验里稳定出现在同一频率。我在一次雷达信号仿真里就吃过这个亏仿真数据里只有噪声我用周期图看发现10kHz附近有个“亮眼”的谱峰兴奋了半小时。后来换随机种子一跑峰消失了。那根本就是在大量随机频点里自然冒尖的噪声真实信号如果存在它会在每个随机种子下都稳定出现。你在仿真中如果看到孤零零的谱峰第一反应应该是换种子重跑。这也是为什么我在前面反复强调固定随机种子它不只是为了复现结果更是为了让你能够做这种“稳定性检验”。6. 噪声频谱特征的工程应用场景一段6.1 接收机底噪测量接收机的灵敏度本质是由底噪决定的这个底噪的频谱特征决定了整个系统的信噪比预算。仿真时通常的做法是在接收链路前加入带限高斯白噪声观察经过各级放大、滤波、混频后的输出频谱。如果仿真结果里底噪平坦说明链路设计合理如果某一段出现异常鼓起就要去看是不是本振泄漏、镜像抑制不良或者是某级放大器出现了自激。这类仿真的难点不是加噪声而是噪声经过非线性器件之后频谱会发生“换位”两个噪声在混频器里叠加会产生互调项把不同频段的噪声搅到一起。这没法靠直觉判断只能靠频谱仿真一格格看。我在做过一个射频仿真的经验是先把理想无噪声链路跑通记录每级增益再加噪声分别对比各级输出端PSD定位抬升最明显的节点。仿真模型越接近实际情况这种逐级排查的意义就越大。6.2 音频系统本底噪声音频系统的动态范围、失真指标都受本底噪声制约。仿真里最典型的任务是给一个DAC输出加量化噪声和模拟噪声评估输出信噪比是否达标。这里的核心是噪声功率谱密度和听感的对应关系白噪声是“嘶嘶”声1/f噪声是“隆隆”的低频轰鸣脉冲噪声则表现为“咔嗒”声。做一个心理声学端到端仿真时不能只盯着总功率看还要看频谱形状符不符合人耳敏感度曲线。我对音频感兴趣的地方在于量化噪声在静音场景下的表现特别能说明问题。播放一段极低电平的信号时如果量化器位数不足你会听到“随音量变化而变化的嘶嘶声”并且频谱上出现跳跃的谱线。仿真中复现这个现象最有效的办法是把低位数ADC和不同幅度输入的正弦波配对画出多个幅度下的输出频谱你会发现底噪不固定而是随着信号幅度呈现有规律的起伏。这正是我之前说的量化噪声非平坦性在工程里的直观表现。6.3 用噪声频谱做故障诊断噪声的频谱特征不只是用来做性能评估的它本身就是一个探针。设备状态变化噪声频谱也会跟着变。电机轴承磨损振动噪声的高频成分会出现调制边带齿轮箱点蚀啮合频率附近会出现边频簇焊接电源工作异常输出纹波噪声的谐波比例会改变。这些都可以通过频谱分析捕捉。在实际项目里我做过一个泵类设备的振动噪声诊断核心仿真思路是用加速度传感器采集振动信号提取噪声频谱观察特定频段能量随时间的变化。这里最关键的一步不是FFT本身而是怎么处理非平稳段设备启停过程信号不平稳直接整段FFT会产生产生很多伪特征。标准做法是分段短时傅里叶变换STFT用时间-频率平面去追踪噪声特征的变化轨迹。频谱分析方法从稳态走向时变恰恰是噪声分析这个主题的进一步延伸。7. 最后分享一点个人的仿真习惯我做了很多年信号处理仿真最大的体会是仿真噪声比仿真确定性信号要多一层敬畏心。确定性信号的结果对就是对、错就是错可以验算噪声仿真的结果是一种估计它的意义必须在统计框架里解读一个孤零零的谱峰、一次普通的抖动本身不说明任何问题。所以我养成了几个习惯写在这里供你参考。第一所有涉及随机数的仿真第一行永远是固定随机种子。这不只是可复现性的问题更是为了给自己留一个“对照组”一旦发现异常谱峰立刻换种子重跑曲线变脸还是不变脸是判断信号真伪最快的手段。第二画频谱图永远不要只看一条线。至少把Welch估计的谱线、置信区间上下界、理论谱线三条画在同一张图上。对比着看很多问题会在你看图的第一眼就暴露出来而不是等到写报告时被人质疑。第三噪声仿真和硬件测试尽量结合。仿真永远只是逼近真实器件的噪声里藏着温度漂移、电源耦合、接触不良等模型里没有的东西。先用仿真理解理想机理再用实测数据反推模型缺陷这个循环才能真正提升你的信号处理水平。单单靠在电脑里改改randn的参数你是学不会处理真实噪声的。