{
  "id": "signal-to-noise-ratio",
  "title": "信噪比",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "信噪比比较有用信号功率与噪声功率，量化测量、通信和信息恢复中的一项关键限制。",
  "category": "technology",
  "subcategory": "engineering",
  "type": "concept",
  "aliases": [
    "信号噪声比",
    "信号与噪声比",
    "SNR",
    "S/N"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/signal-to-noise-ratio/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/signal-to-noise-ratio/",
      "json": "https://aiwiki.page/en/signal-to-noise-ratio.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "信噪比是在规定条件下，有用信号的功率与伴随噪声的功率之比。它是电信、信号处理和实验测量中的一项基本指标，有助于判断能否可靠地检测、估计、传输或重现信息。信噪比是无量纲的比值，通常用对数形式的分贝表示。\n\n要使信噪比具有明确意义，就必须界定有用信号、无用波动、测量带宽，以及系统中进行比较的位置。因此，无线电接收机、图像探测器和化学光谱仪报告的数值即使表面上相似，描述的也可能是不同的物理量。信噪比越高，通常越容易恢复信息，但仅凭这一指标，并不能判定结果是否准确、保真，或不受系统误差影响。\n\n信噪比这一概念将噪声的物理产生机制与统计推断和工程设计联系起来。热运动、光子和电荷到达的离散性、电子放大以及数值量化，都会带来不同的限制。这些限制的影响不仅取决于噪声总功率，还取决于噪声在频率、时间和空间上的分布，以及提取信号时采用的处理方法。"
    },
    {
      "heading": "定义、约定与数学解释",
      "text": "通常，信噪比按功率定义为\n\n\\[\\mathrm{SNR}=\\frac{P_s}{P_n},\\]\n\n其中，\\(P_s\\) 为所需信号的功率，\\(P_n\\) 为噪声功率。其对数形式为\n\n\\[\\mathrm{SNR}_{\\mathrm{dB}} =10\\log_{10}\\left(\\frac{P_s}{P_n}\\right).\\]\n\n因此，0 dB 表示信号功率与噪声功率相等，10 dB 表示功率比为 10，30 dB 则表示功率比为 1,000。负值也有明确的物理意义：在 −10 dB 时，噪声功率是信号功率的十倍。如果已知信号的结构，或有足够的观测数据，这样的信号仍有可能被恢复。\n\n对于在相同电阻两端测得的电压，功率与电压的均方值成正比，因此有\n\n\\[\\mathrm{SNR}_{\\mathrm{dB}} =20\\log_{10}\\left( \\frac{V_{s,\\mathrm{rms}}}{V_{n,\\mathrm{rms}}} \\right).\\]\n\n这里的系数为 20，是因为需要通过振幅的平方来换算功率比，并不是对分贝的另一种定义。如果阻抗不同，仅凭电压比就无法确定功率比。处理声压、光场振幅和数字采样值时，也需要同样谨慎。\n\n一种常见模型将测量值表示为\n\n\\[x(t)=s(t)+n(t),\\]\n\n其中，\\(s(t)\\) 为所需波形，\\(n(t)\\) 为加性噪声。对于平稳过程，可以用信号和噪声各自的均方值来定义其功率。如果两者均为零均值且互不相关，则它们的功率可以相加：\n\n\\[P_x=P_s+P_n.\\]\n\n相关性会引入交叉项，因此这一等式并非普遍成立。此外，只有当一个量的均值为零时，其均方值才等于方差。恒定电压的方差为零，但其电功率不为零，这说明必须考虑信号的物理意义。\n\n在成像、光谱学及其他测量领域，“SNR”常指平均信号幅度与噪声标准差之比：\n\n\\[\\mathrm{SNR}_{A}=\\frac{\\mu_s}{\\sigma_n}.\\]\n\n这种基于幅度的量，在数值上并不等同于功率比。当相应功率分别与 \\(\\mu_s^2\\) 和 \\(\\sigma_n^2\\) 成正比时，功率比为 \\(\\mathrm{SNR}_{A}^{\\,2}\\)。因此，阅读已发表的数值时，需要留意其声明采用的约定。\n\n信号和噪声的划分也取决于具体任务。某个周期性分量在振动测量中可能是所需信号，在另一项实验中却可能是无用的伪影。这种区分取决于实际用途，而不是波形的固有属性。同样，系统性的校准偏移可能几乎不产生随机噪声，却会使测量结果失准；仅凭信噪比无法发现这类问题。"
    },
    {
      "heading": "噪声机制、频谱与测量带宽",
      "text": "噪声功率取决于产生涨落的物理机制，以及测量所涵盖的频率范围。热噪声又称约翰逊–奈奎斯特噪声，源于载流子的热运动。约翰·B. 约翰逊于1928年报告了实验测量结果，哈里·奈奎斯特则在同年提出了相应的理论解释。在经典条件下，匹配信号源的可用噪声功率为\n\n\\[P_n=kTB,\\]\n\n其中，\\(k\\) 为玻尔兹曼常数，\\(T\\) 为绝对温度，\\(B\\) 为带宽。当光子能量远小于热能，即 \\(hf\\ll kT\\) 时，这一近似成立。\n\n对于阻值为 \\(R\\) 的理想电阻器，在带宽 \\(B\\) 内，开路噪声电压的均方值为 \\(4kTRB\\)。在290 K时，可用热噪声的功率谱密度约为−174 dBm/Hz。在1 MHz带宽内对这一谱密度积分，得到的噪声功率约为−114 dBm，尚未计入接收机自身引入的噪声。这里，dBm表示相对于1毫瓦的功率；它与以分贝表示的信噪比不同，表示的是绝对功率电平。\n\n散粒噪声源于电荷和光在传输或探测过程中的离散性。对于理想的不相关电流 \\(I\\)，常用的单边电流噪声谱密度为 \\(2qI\\)，其中 \\(q\\) 为元电荷。在光学探测中，彼此独立的光子到达事件通常服从泊松统计。如果探测计数的均值为 \\(N\\)，则标准差为 \\(\\sqrt{N}\\)。因此，对于仅包含信号的计数，按幅度定义的信噪比为 \\(\\sqrt{N}\\)，而不是 \\(N\\)。由于这种依赖关系，在受光子数限制的测量中，进一步提高信噪比所需的代价会越来越大。\n\n其他噪声机制具有不同的频谱。闪烁噪声的功率谱密度近似正比于 \\(1/f^\\alpha\\)，其中 \\(\\alpha\\) 在有限的频率范围内通常接近1。这类噪声在低频电子电路和精密测量中尤为重要。脉冲噪声包含偶发的大幅扰动，平均功率可能无法充分描述其特征。环境耦合干扰、振动和电源线干扰可能引入狭窄的频谱峰，而非平滑的噪声背景。\n\n频谱与总噪声之间的一般关系可通过功率谱密度来表述。对于频率响应为 \\(H(f)\\) 的滤波器，统一采用双边谱约定时，\n\n\\[P_{n,\\mathrm{out}} =\\int_{-\\infty}^{\\infty} S_n(f)|H(f)|^2\\,df.\\]\n\n因此，重要的不只是滤波器的标称截止频率，还有其频率响应的形状。等效噪声带宽是指：在指定参考增益下，与实际滤波器通过相同白噪声功率的理想矩形滤波器所具有的带宽。缩窄带宽可以降低白噪声功率，但也可能滤除信号成分、使脉冲失真或延长响应时间。只有在这些代价不妨碍测量要求时，缩窄带宽才是改善信噪比的可行手段。"
    },
    {
      "heading": "接收机噪声、级联系统与灵敏度",
      "text": "接收机在放大输入端已有的信号和噪声的同时，也会引入噪声。接收机造成的信噪比劣化用噪声因子来描述：\n\n\\[F=\\frac{\\mathrm{SNR}_{\\mathrm{in}}} {\\mathrm{SNR}_{\\mathrm{out}}}.\\]\n\n噪声系数是噪声因子的对数表示，即 \\(10\\log_{10}F\\)。理想无噪声放大器的噪声因子为 \\(F=1\\)，即噪声系数为 0 dB。实际放大器虽然能大幅提高信号幅度，却可能降低信噪比，因为其内部器件会产生额外的涨落。因此，增益与信噪比改善是两种不同的特性。\n\n常规噪声因子指标采用一个参考信号源温度，通常为 290 K。另一种描述方式是等效输入噪声温度：\n\n\\[T_e=(F-1)T_0,\\]\n\n其中，\\(T_0\\) 为参考温度。噪声温度在射电天文学、卫星链路和低噪声接收系统中特别有用，因为这些系统中的天线所接收的背景噪声，可能与室温终端负载的噪声大不相同。天线噪声、放大器前端的损耗以及接收机自身引入的噪声，共同决定了系统的灵敏度。\n\n哈拉尔德·T.·弗里斯于 1944 年发表了标准的级联关系式。对于线性功率增益为 \\(G_i\\)、噪声因子为 \\(F_i\\) 的各级，有\n\n\\[F_{\\mathrm{total}} = F_1+\\frac{F_2-1}{G_1} +\\frac{F_3-1}{G_1G_2} +\\cdots.\\]\n\n这个方程说明了前几级为何尤为重要：输入端具有足够的低噪声增益，就能降低后续各级折算到输入端的噪声贡献。式中的增益和噪声因子均为线性量，而非分贝值。\n\n第一级放大器之前的损耗尤其有害。在常规匹配条件下，处于参考温度的无源衰减器，其噪声因子等于其线性功率损耗。因此，接收机之前若有 3 dB 的损耗，仅这一项就会带来约 3 dB 的噪声系数。在其他物理温度下，衰减器的热辐射会发生变化，因此必须据此计算其噪声贡献。采用低温技术的接收机利用降温来减少热噪声，但冷却并不能消除天空背景、量子涨落，也不能消除所有器件噪声机制。\n\n接收机灵敏度通常通过综合考虑热噪声、带宽、噪声系数以及特定任务所需的信噪比来估算。在接近 290 K 时，可采用以下简化表达式：\n\n\\[P_{\\min,\\mathrm{dBm}} \\approx -174+10\\log_{10}(B_{\\mathrm{Hz}}) +\\mathrm{NF}_{\\mathrm{dB}} +\\mathrm{SNR}_{\\mathrm{required,dB}}.\\]\n\n当带宽为 1 MHz、噪声系数为 5 dB、所需信噪比为 10 dB 时，计算结果约为 −99 dBm。这一结果以特定条件为前提，并非适用于所有情况的接收机额定指标。即使所需信号高于这一基于热噪声计算的门限，强邻道信号、振荡器噪声、过载和非线性失真仍可能影响接收。"
    },
    {
      "heading": "测量程序与报告惯例",
      "text": "测量信噪比首先要明确参考面，即比较信号与噪声时所取的物理位置或数值处理位置。输入端信噪比、放大器输出端信噪比、解调器信噪比以及重建图像信噪比通常各不相同。工作温度、带宽、端接条件、平均时间、信号电平和处理设置都可能影响结果。若不说明这些条件，仅给出一个分贝数值，往往不足以进行比较。\n\n如果能够分别观测信号和噪声，就可以直接测量各自的功率。在信号开启与关闭的测量方法中，信号开启时测得的功率包含两者的贡献：\n\n\\[P_{\\mathrm{on}}=P_s+P_n.\\]\n\n如果移除信号后噪声保持不变，则有\n\n\\[\\mathrm{SNR} =\\frac{P_{\\mathrm{on}}-P_{\\mathrm{off}}} {P_{\\mathrm{off}}}.\\]\n\n直接对分贝读数做减法或除法，并不能完成上述功率相减；必须先将读数换算为线性单位。如果切换信号源会改变系统噪声，这种方法也会失效，例如存在与信号相关的散粒噪声、自动增益控制或信号源发热时，就可能出现这种情况。\n\n对于正弦电信号测试，可以通过频谱分析或离散傅里叶变换，将单音信号与周围的噪声分离。分析时必须确定哪些频点属于所需的单音信号，哪些包含谐波或杂散信号，以及哪些用于估计噪声。如果采样记录所包含的单音信号周期数不是整数，频谱泄漏就会使单音信号的能量扩散到相邻频点。窗函数可以减轻泄漏，但也会改变有效噪声带宽和幅度校准。\n\n频谱显示中的噪声底本身并不等于总噪声功率。对于近似白噪声，减小分析仪的分辨率带宽，会降低每个频点内的功率。在固定的总带宽内，积分噪声功率并不会仅仅因为显示的频点更多、更窄而下降。检波器模式、对数平均和窗函数归一化也可能改变显示的噪声底，因此比较时需要采用等效的设置。\n\n有限的数据会带来统计不确定性。噪声功率的估计值会有波动，尤其是在记录较短或独立平均次数较少的情况下。对频谱取平均可以减小估计值的波动，但未必会降低被测系统中的实际噪声。样本之间存在相关性时，所提供的独立观测数量会少于样本总数所暗示的数量，因此信噪比测量与统计学及实验设计直接相关。\n\n一些相近的指标回答的是不同的问题。信号与噪声加失真比不仅计入噪声，也计入失真。动态范围描述上下限之间的可用范围，其上限通常是最大可用信号，下限则是噪声底或失真底。峰值信噪比将重建误差与指定的信号峰值进行比较。这些指标各有用途，但用其中一个替代另一个，可能会掩盖测试条件或性能限制方面的差异。"
    },
    {
      "heading": "检测、估计与处理增益",
      "text": "信噪比会影响检测，但检测性能还取决于对信号和噪声的了解程度。检测器通常需要在检出真实信号的概率与不存在信号时误报信号的概率之间进行权衡。即使两个系统的输入信噪比相同，如果一个系统已知信号的到达时间和波形，而另一个必须搜索许多可能的频率、时延或空间位置，两者的检测表现也可能不同。搜索范围越大，噪声被误认为信号的机会就越多。\n\n对于加性白噪声中的已知确定性波形，匹配滤波器能在所有线性滤波器中，使选定采样时刻的输出信噪比达到最大。其冲激响应与该波形经过时间反转和复共轭后的形式成正比。这种滤波器将符合预期信号模式的各部分贡献叠加起来，同时使不相关的波动在统计意义上相互抵消。这是雷达、通信和脉冲检测中的一项核心技术。\n\n采用实信号的约定，并将双边白噪声功率谱密度记为 \\(N_0/2\\) 时，能量为 \\(E_s\\) 的信号经匹配滤波后的最大输出信噪比为\n\n\\[\\mathrm{SNR}_{\\mathrm{out}}=\\frac{2E_s}{N_0}.\\]\n\n不同的实基带或复基带约定可能会将因子 2 归入不同的定义，因此必须保持符号约定一致。对于有色噪声，最优线性检测器既要考虑信号波形，也要考虑噪声频谱；噪声较强的频率所获权重较低。\n\n重复观测可提供另一种形式的处理增益。假设\n\n\\[x_i=a+n_i,\\]\n\n其中噪声样本相互独立、均值为零，且方差为 \\(\\sigma^2\\)。对 \\(N\\) 次观测取平均后，噪声方差为 \\(\\sigma^2/N\\)。其功率信噪比提高到原来的 \\(N\\) 倍，即提高 \\(10\\log_{10}N\\) dB，而其幅度与噪声标准差之比则提高到原来的 \\(\\sqrt{N}\\) 倍。因此，对 100 次独立观测取平均，可使功率信噪比提高 20 dB。相关漂移或持续存在的偏移不会按这一规律减小。\n\n在雷达中，峰值功率相同时，较长的编码脉冲或扫频脉冲能够比短脉冲携带更多能量。匹配滤波在时间上压缩接收波形，从而在积累大量信号能量的同时，保持精细的距离分辨能力。最终效果取决于脉冲能量、带宽、波形旁瓣以及目标的行为；脉冲压缩并不会凭空产生信息或能量。\n\n对于估计问题，仅有总信噪比还远远不够。时延估计的不确定度在很大程度上取决于信号带宽，而频率估计的精度则取决于观测时长和波形结构。费希尔信息和克拉美–罗下界在给定的统计模型下，对这些关系作出了形式化描述。窄带单频信号与宽带脉冲即使具有相同的功率信噪比，也可能达到截然不同的定时精度。因此，信噪比是统计推断的重要依据，但不足以完整描述推断性能。"
    },
    {
      "heading": "通信容量、调制与干扰",
      "text": "在通信系统中，信噪比将信道的物理质量与信息传输速率联系起来。克劳德·香农在1948年的研究中确立，理想带限加性高斯白噪声信道的容量为\n\n\\[C=B\\log_2(1+\\mathrm{SNR}),\\]\n\n其中，\\(C\\) 为容量，单位是比特每秒；\\(B\\) 为带宽，单位是赫兹；SNR 为以线性数值表示的接收信号功率与噪声功率之比。这一香农–哈特利定理描述的是在特定信道与功率假设下的渐近极限，并不代表某个具体调制解调器能够保证达到的吞吐量。\n\n该方程表明，提高信号功率带来的收益会逐渐递减。在带宽固定为1 MHz、信噪比为10（即10 dB）时，容量约为3.46 Mbit/s。将信噪比提高到100（即20 dB），容量约增至6.66 Mbit/s，而不是增至原来的十倍。由于编码局限，以及同步、导频、成帧、重传和其他开销，实际系统能够达到的净传输速率更低。\n\n数字通信经常使用每信息比特能量与噪声功率谱密度之比：\n\n\\[\\frac{E_b}{N_0} = \\mathrm{SNR}\\frac{B}{R_b},\\]\n\n其中，\\(R_b\\) 为信息比特率，按照这里采用的约定，噪声功率为 \\(N_0B\\)。这一指标将能量效率与带宽使用情况区分开来。若频谱效率为 \\(\\eta=R_b/B\\)，则理想容量边界给出\n\n\\[\\frac{E_b}{N_0}\\geq\\frac{2^\\eta-1}{\\eta}.\\]\n\n当 \\(\\eta\\) 趋近于零时，其极限值趋近于 \\(\\ln 2\\)，约为−1.59 dB。达到这一极限需要频谱效率不断降低，并满足理想化的编码假设；它并不是无线电设备通用的工作门限。\n\n所需的信噪比还取决于调制方式和差错控制编码。高阶星座图中，每个符号能够传输更多比特，但在给定平均功率下，各候选符号之间的距离也更近，因此要达到相同的未编码误码率，通常需要更高的信噪比。对于加性高斯白噪声中的相干二进制相移键控，\n\n\\[P_b=Q\\left(\\sqrt{\\frac{2E_b}{N_0}}\\right),\\]\n\n其中，\\(Q\\) 为标准正态分布的上尾概率函数。纠错码通过添加具有特定结构的冗余，改变接收信噪比与恢复后的比特出错概率之间的关系。\n\n对于非期望的发射信号，还需要进一步区分。信号与干扰加噪声比，简称SINR，将干扰功率也计入分母。即使总功率相同，具有特定结构的干扰也可能表现出与高斯噪声不同的特性。无线链路还会经历衰落，因此瞬时信噪比随时间和位置变化；仅看平均信噪比，可能会忽略相当高的通信中断概率。自适应调制、编码和空间处理会根据这些变化作出调整，而不是将信道视为一个固定不变的比值。"
    },
    {
      "heading": "数字转换、音频与数值表示",
      "text": "模数转换器将连续输入映射到离散输出电平时，会引入有限分辨率误差。对于步长为 \\(\\Delta\\) 的理想均匀量化器，一种广泛使用的模型将误差视为在 \\(-\\Delta/2\\) 与 \\(+\\Delta/2\\) 之间均匀分布。其均方值为\n\n\\[\\sigma_q^2=\\frac{\\Delta^2}{12}.\\]\n\n当信号跨越许多量化电平，且量化误差近似表现为不相关噪声时，这一模型很有用。但它并非对所有输入都精确成立：恒定值或幅度较小的周期波形可能产生确定性的误差模式，而非白噪声频谱。\n\n对于输入为满量程正弦波的理想 \\(N\\) 位转换器，所得信号与量化噪声之比近似为\n\n\\[\\mathrm{SQNR}_{\\mathrm{dB}} =6.02N+1.76.\\]\n\n常见的“每增加一位，信噪比约提高 6 dB”这一关系，源于每增加一位，量化步长便减半。该表达式以理想转换器、指定的满量程正弦输入，以及在相关的整个奈奎斯特频带内积分为前提。它并不意味着所有 \\(N\\) 位录音或测量结果都具有这一信噪比。当量化噪声底保持不变时，减小信号幅度会降低信号与量化噪声之比。\n\n实际转换器还存在热噪声、失真、参考源噪声和时钟相关误差。有效位数通常由信噪失真比按下式推算：\n\n\\[\\mathrm{ENOB} =\\frac{\\mathrm{SINAD}_{\\mathrm{dB}}-1.76}{6.02}.\\]\n\n由于这一指标包含失真，因此它不同于仅根据随机噪声推算出的位数。输入频率也会产生影响。在一个简化模型中，均方根采样时间抖动 \\(\\sigma_t\\) 将频率为 \\(f_{\\mathrm{in}}\\) 的正弦信号的信噪比近似限制为\n\n\\[\\mathrm{SNR}_{\\mathrm{jitter,dB}} =-20\\log_{10}(2\\pi f_{\\mathrm{in}}\\sigma_t).\\]\n\n因此，相同的时钟抖动在输入频率较高时造成的影响更严重。\n\n过采样将近似为白噪声的量化噪声分散到比有用信号频带更宽的频率范围内，随后可通过数字低通滤波去除带外噪声。在理想白噪声模型下，保持信号带宽不变而将采样率提高一倍，可使带内量化信噪比提高约 3 dB。噪声整形将量化噪声重新分配到有用频带以外的频率，从而在适当条件下实现更大的带内改善。\n\n在录音中，信噪比只是保真度的一个方面，而不是完整的感知质量评分。即使积分得到的随机噪声功率很低，交流哼声、咔嗒声、谐波失真、削波和频率响应误差仍可能令人不悦。频率计权对可听频谱中不同部分赋予不同的权重，从而改变所报告的信噪比。抖动处理有意加入少量噪声，以减少与信号相关的量化伪影；它可以改善低电平下的线性度，但同时会增加测得的噪声功率。"
    },
    {
      "heading": "光学探测、成像与科学仪器",
      "text": "许多光学和成像仪器测量的是离散的探测事件，而非连续的电波形。对于相互独立的光电子计数，一种实用的幅度信噪比模型为\n\n\\[\\mathrm{SNR}_{A} = \\frac{N_s} {\\sqrt{N_s+N_b+N_d+\\sigma_r^2}},\\]\n\n其中，\\(N_s\\) 为平均信号计数，\\(N_b\\) 为背景计数，\\(N_d\\) 为暗电流计数，\\(\\sigma_r^2\\) 为读出噪声方差，单位为电子数的平方。该表达式假设各项贡献相互独立，且未涵盖所有校准或重建误差。减去平均背景可以消除背景偏置，却无法消除探测过程中产生的散粒噪声。\n\n当信号的散粒噪声占主导时，信噪比随 \\(\\sqrt{N_s}\\) 成比例变化。当读出噪声在单次曝光中占主导时，信噪比近似为 \\(N_s/\\sigma_r\\)。这些不同情形解释了为什么曝光时间、光通量和重复读出会产生不同的影响。合并多次短曝光会反复引入读出噪声；单次长曝光虽然可以避免这一代价，却可能遇到饱和、运动、暗电流或瞬态干扰等问题。\n\n光电二极管将探测到的光转换为电荷或电流；光电倍增管则通过内部倍增，使微弱事件更易于测量。倍增可以降低后续电子读出噪声的相对影响，但增益的随机性也可能引入额外噪声。因此，输出幅度增大并不意味着折算到输入端的信噪比也会按相同比例提高。探测器的量子效率，即入射光子中产生有效探测事件的比例，往往与后续增益同样重要。\n\n在成像中，仅凭信噪比无法判断物体能否与周围环境区分开来。对比噪声比将强度差与明确定义的噪声尺度进行比较。空间分辨率也很重要：对相邻像素取平均可以降低随机噪声，却可能抹去细小结构。一幅平滑的图像，其信噪比数值可能更高，但保留的精细细节反而更少。非线性重建会进一步增加比较的复杂性，因为它可能使噪声随空间位置变化，并在不同位置之间产生相关性。\n\n在磁共振成像中，接收线圈灵敏度、体素体积、采集带宽、脉冲序列和测量时间都会影响信噪比。合并接收通道会改变噪声分布，而幅度重建会在低信号水平下引入正偏差。因此，从图像中看似空白的区域估计出的噪声，并不总能代表组织中的噪声。在光谱学中，所报告的峰高与基线噪声之比同样取决于光谱分辨率、谱线宽度、基线处理和积分时间。\n\n这些物理极限还涉及量子力学。光学测量噪声既可能包含光子计数的涨落，也可能包含与测量相关的扰动。压缩光态可以减小所选光场正交分量的涨落，同时增大其共轭正交分量的涨落。这类技术并未消除量子不确定性，而是以适合特定测量的方式重新分配不确定性。"
    },
    {
      "heading": "提高信噪比及认识其局限",
      "text": "提高信噪比的方法包括增强有用信号、减少不需要的波动，或利用信号与噪声在结构上的差异。这些策略作用于不同环节。增大收集孔径、提高光学效率或改善耦合，都可以增加探测到的信号能量。屏蔽、差分测量、温度稳定控制和低噪声电子电路则可以减少特定干扰。这些措施的效果取决于占主导地位的机制：电磁屏蔽无法消除光子散粒噪声，冷却探测器也无法消除背景光。\n\n当信号可以被移到噪声较低的频段时，频率选择性方法尤其有效。锁相放大器将输入信号与已知调制频率的参考信号进行比较，再通过低通滤波保留相干分量。这既能抑制宽带噪声和无关频率成分，也能避开一部分低频漂移。改善程度取决于积分时间和等效噪声带宽。与参考信号同步的干扰则可能在同样的处理后仍被保留下来。\n\n当多个传感器观测相关信号时，空间处理可以改善信号与噪声的分离效果。天线阵列可以对齐来自目标方向的信号相位，使信号相干叠加，而部分接收机噪声则非相干叠加。在各阵元接收到的信号相同、各接收机噪声相互独立且功率相等的理想假设下，合并 \\(N\\) 个阵元可将功率信噪比提高至原来的 \\(N\\) 倍。实际增益取决于阵列几何结构、互耦、校准和噪声相关性。对于相关干扰，仅靠简单平均并不足够。\n\n滤波和去噪总是建立在一定假设之上。线性时不变系统中的滤波器无法仅凭“信号”和“噪声”的标签来区分两者，而是根据频率对两者施加作用。抑制含噪频率成分的方法，也会抑制占据这些频率的有用信号。统计估计方法和机器学习系统可以利用更丰富的模式，但其输出取决于模型假设或训练数据。视觉上更干净的重建结果，可能抹去真实特征，也可能引入看似合理、却没有观测依据的特征。\n\n信噪比的改善还受到动态范围和非线性行为的制约。提高发射功率或增加探测器曝光量，可以改善受噪声限制的测量，但这种改善只能持续到放大环节饱和、探测器达到满阱容量，或其他系统限制开始占主导地位为止。强带外输入即使本可被理想线性滤波器滤除，也可能使接收机进入非线性工作状态。在这些条件下，根据小信号噪声测量计算出的信噪比，就不再能可靠地预测性能。\n\n从根本上说，对完整观测结果进行确定性处理，无法创造关于未知信号的新信息。不过，处理仍可通过丢弃无关分量或合并冗余观测，得到更适合特定任务的统计量。因此，判断信噪比改善是否有效，应结合具体任务：估计不确定性是否降低、固定虚警率下的检测性能是否提高、通信错误是否减少，或图像细节是否得到更可靠的保留。即使报告的某一个信噪比数值有所提高，不同任务对同一组处理结果的优劣排序也可能不同。"
    }
  ],
  "links": [
    "telecommunications",
    "signal-processing",
    "decibel",
    "variance",
    "temperature",
    "resistor",
    "antenna",
    "cryogenics",
    "fourier-transform",
    "statistics",
    "radar",
    "fisher-information",
    "cramer-rao-bound",
    "shannon-hartley-theorem",
    "modulation",
    "error-correcting-code",
    "sound-recording",
    "photodiode",
    "photomultiplier-tube",
    "magnetic-resonance-imaging",
    "spectroscopy",
    "quantum-mechanics",
    "sensor",
    "linear-time-invariant-system",
    "machine-learning",
    "training-data"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}