1 噪声的基本概念
噪声（Noise）是指在信息传输、测量与控制过程中，对目标信号产生干扰或引入不确定性的随机或非期望成分。与“有用信号”相比，噪声通常不携带（或携带的信息含量远低于）所关心的物理量，但它会通过叠加、调制或系统误差的方式，降低观测质量、估计精度或决策可靠性。
1.1 定义：噪声与有用信号的区分
在工程实践中，“噪声”并非物质本身的属性，而是一种对信号来源与用途的分类：凡是与目标任务无关、或无法被期望地建模与消除的波动，都可被视作噪声。某些成分在不同任务下可能角色互换，例如某个频段的扰动在通信系统中可能是噪声，在频谱诊断或振动分析中却可能成为有价值的指标。
1.2 随机性与不期望性
噪声常以随机性为特征，即其幅度、相位或到达时间难以完全预测。另一方面，“不期望性”强调噪声在目标任务中并不被需要，它不是系统设计者期望得到的输出形式。随机性与不期望性并不总是同时成立：有些偏差来自可预期的误差源，但若未被正确标定或建模，也会在统计意义上表现为“噪声化”的效果。
1.3 噪声的常见表现形式
在不同学科里，噪声有不同直观形态：声学领域表现为不想听的杂音；电学与通信领域表现为电压或电流的随机波动；光学与成像中体现为像素亮度的起伏、暗电流与散射引起的颗粒感。无论形态如何，噪声都可通过其强度、频率分布、统计分布与时间相关性等指标进行刻画。
2 噪声的分类
噪声分类的目的在于：选择合适的数学模型与分析方法，并据此采取对应的抑制策略。常见分类依据包括物理来源、时间相关性、统计特性以及产生机制。
2.1 按物理领域划分
2.1.1 声学噪声
声学噪声指声波传输或声音测量中的非期望声学成分。它可能来自环境（交通、风噪、室内混响），也可能来自设备运行（风机、机械摩擦、共振）。
2.1.2 电学噪声
电学噪声包括由电阻、电路器件与信号链路引入的随机波动。例如热相关噪声、散粒相关噪声以及由器件非理想性导致的额外扰动等。
2.1.3 光学与成像噪声
在成像系统中，噪声可体现在光子到达的随机性、传感器暗电流、读出电路噪声、镜头散射与环境光干扰等方面。成像噪声不仅影响细节保真，还会改变对比度与可探测性。
2.2 按时间相关性划分
2.2.1 白噪声
白噪声指功率谱在某种频率意义下近似均匀的噪声。其常被用作数学上的理想模型，代表不同频率分量缺乏明显相关结构，从而简化推导。
2.2.2 粉噪声
粉噪声通常指功率随频率按某种幂律下降（常见形式为与频率的倒数关系相关）。这类噪声在低频更“显眼”，因此对漂移、缓慢变化与积分型系统的影响往往更强。
2.2.3 有色噪声与相关噪声
当噪声的频谱不再平坦或其统计量显示时间相关性，即可称为有色噪声。工程上大量噪声属于这一类，例如由机械结构产生的共振影响、由环境扰动引入的慢变起伏等。
2.3 按统计特性划分
2.3.1 高斯噪声
高斯噪声以正态分布为典型统计模型。若系统中多个独立小扰动叠加，高斯近似往往成立。高斯假设在估计与检测理论中具有良好解析性质，因此被广泛用于建模与分析。
2.3 非高斯噪声
非高斯噪声指无法用高斯分布充分描述的统计行为。它可能呈现尖峰、重尾或偏态等特征，从而使某些基于高斯假设的推断方法失配。
2.4 按来源与机制划分
2.4.1 热噪声
热噪声与热涨落相关，常出现在电阻或电子器件中。由于其与温度和等效电阻等参数关系紧密，因此可用于评估电路的噪声底限。
2.4.2 散粒噪声
散粒噪声与电荷载流子的离散性有关，常见于包含电流由离散事件触发的场景。它在某些器件与偏置条件下表现更明显。
2.4.3 闪烁噪声
闪烁噪声通常与光在传播或传感中的随机振幅起伏相关，常见于大气等介质引起的随机效应。它会直接削弱成像的稳定性并引入统计波动。
2.4.4 环境与装置引入噪声
除“物理机制噪声”外，环境干扰与装置非理想也是噪声的重要来源。例如电磁干扰、振动传递、仪器漂移、未匹配的阻抗与传感器耦合不理想等，都会在系统输出中留下随机化或扰动效应。
3 噪声的数学表征
对噪声的数学描述通常包括概率模型、幅度度量、频域谱与时域相关结构。选择何种表征取决于任务是估计、检测、滤波还是控制。
3.1 概率分布与噪声模型
3.1.1 概率密度与累积分布
噪声幅度可视作随机变量，其概率密度函数刻画不同取值的出现可能性。累积分布函数则用于描述取值不超过某阈值的概率，常用于计算检测概率、误差函数与置信界。
3.1.2 期望、方差与更高阶矩
期望衡量偏移趋势，方差刻画波动强度。更高阶矩（如偏度与峰度）反映分布的形状差异，例如重尾导致极端值更频繁出现，从而影响鲁棒性设计。
3.2 幅度度量
3.2.1 均方值与有效值
均方值（均方意义下的能量度量）是工程中常用的噪声强度表征；有效值用于与正弦量等效的幅度比较，便于与信号电平进行直接对照。
3.2.2 峰值与动态范围
峰值表示最大幅度的量级，常对安全裕量、模数转换器饱和风险与瞬态失真评估更重要。动态范围综合考虑可测最小量与可承受最大量，噪声地板会决定下限。
3.3 频域表征
3.3.1 功率谱密度（PSD）
功率谱密度给出噪声在不同频率成分上的“功率分配”。在许多系统里，带内噪声与PSD在对应频段的积分密切相关，因此PSD是设计滤波器与估算噪声带宽的关键工具。
3.3.2 频谱密度与带宽概念
频谱密度用于刻画频率维度的能量分布，带宽概念则把“哪些频率被系统允许”与“这些频率上噪声有多大”联系起来。滤波器越窄，通常越能降低积分意义下的噪声功率，但同时可能影响时域响应与延迟。
3.4 时域相关性
3.4.1 自相关函数
自相关函数描述噪声在不同时间滞后下的相似程度。若自相关衰减快，说明噪声接近独立扰动；若衰减慢，则意味着存在更强的时间结构，需在滤波器设计中考虑。
3.4.2 互相关与系统响应
互相关用于描述噪声与输入或输出之间的相关关系，进而评估系统响应如何把扰动传递到观测量。对线性时不变系统而言，互相关往往可以与脉冲响应建立联系，用于分析噪声放大效应。
4 噪声强度与指标
噪声强度及其对系统的相对影响常用若干指标表征，既包括与信号相关的比值，也包括与器件性能相关的综合参数。
4.1 信噪比（SNR）
信噪比衡量信号功率与噪声功率的相对大小。提高SNR通常意味着改善探测能力、降低误码率或提升估计精度；但SNR并不直接反映噪声统计形状，因此在非高斯场景下需要结合更全面指标。
4.2 噪声系数（Noise Figure）
噪声系数用于描述某个放大或接收环节相对于理想噪声水平的劣化程度。它常用于接收机级性能评估，并能与增益、带宽等因素共同指导系统级设计。
4.3 等效噪声带宽
等效噪声带宽把滤波网络的频域影响折算为“等效带宽”，用于估算输出噪声功率。它体现滤波器形状与滚降特性：同样标称带宽的滤波器，其等效噪声带宽可能不同。
4.4 动态范围与噪声地板
噪声地板是系统能够分辨的最小信号水平附近的噪声强度。动态范围体现从噪声地板到最大可用输出之间的可用范围，噪声地板越低，通常越能发挥高增益或高分辨率测量的优势。
4.5 分贝（dB）与常用换算
分贝是一种对功率比、幅度比进行对数表示的度量，适于跨量级比较，也便于串联系统的增益累加与噪声传播计算。
4.5.1 声级（dB SPL）简述
声级常用dB SPL表示，其基准压力与人耳感知相关。声级越高并不只意味着“更响”，也与频率成分与听觉敏感性有关。
4.5.2 电噪声的对数表示
在电学与通信中，噪声电压、电流与功率的比值可用dB表示。将线性噪声功率换算到对数尺度后，可更直观比较不同增益条件下的SNR与噪声贡献。
5 噪声来源与产生机理
噪声的产生机理决定了其统计形式与频谱形态，因此理解来源是建模与抑制的前提。
5.1 热起伏与耗散相关效应
热涨落来自热平衡状态下粒子的随机运动及耗散过程。对于电阻或导体，热噪声往往表现为与温度相关的宽带功率成分，因此在低频与高频都有一定影响。
5.2 电荷输运与散粒机理
当电流由离散载流子通过势垒或结结构进行输运时，电荷到达的“离散事件”会导致噪声偏离连续理想模型。散粒噪声的强度与电流与器件工作点有关。
5.3 传感器与电子学的非理想
传感器与读出电路的非理想包括噪声系数、偏置漂移、增益不稳定、量化误差以及非线性引起的失配等。这类噪声往往与系统标定与工作条件密切相关。
5.4 机械振动与环境耦合
机械结构的振动、声学耦合与支撑方式会把外界扰动注入测量链路。环境振动常呈现时域相关或特定频段集中的特性，从而构成有色噪声成分。
5.5 测量链路中的传播与放大
即便噪声在测量链路某一点很小，经过前端放大与滤波后也可能被“带入”输出。链路的增益、带宽、阻抗匹配与滤波器形状共同决定噪声的传播效率与最终输出水平。
6 噪声分析方法
噪声分析强调“测得准、建得对、估得稳”。常见方法包括实验测量、频谱观测、时频分析与统计参数估计。
6.1 实验测量与校准
6.1.1 基线测量与零点漂移
基线测量用于获取系统在无输入或等效输入条件下的输出噪声。零点漂移会把长期缓慢变化误判为随机噪声，因此常需要在实验中监测并进行补偿或剔除。
6.1.2 重复性与统计估计
通过重复采样获得样本集，进而估计方差、分布形状与置信区间。良好的统计估计依赖足够样本数与合理的假设检验，避免把偶然波动当成稳定特征。
6.2 光谱分析与滤波观测
6.2.1 FFT与窗函数
快速傅里叶变换常用于把离散时域数据转换到频域。窗函数用于减轻有限长度截断带来的谱泄漏，其选择会影响频谱估计的偏差与方差。
6.2.2 频带功率估计
在选定频带内估计功率，可用于计算等效噪声带宽、对比不同滤波策略或验证噪声是否在目标频段集中。频带选择需要结合系统频率响应与观测目的。
6.3 时频方法
6.3.1 短时傅里叶变换（STFT）
STFT通过滑动窗口获得随时间变化的频谱，从而观察非平稳噪声或噪声强度随状态变化的情况。它在时间分辨率与频率分辨率之间存在权衡。
6.3.2 小波分析
小波分析以多尺度分解表征信号结构，适用于同时关注瞬态与低频背景的场景。它常被用于对含有突变或多尺度纹理的噪声进行分析与处理。
6.4 参数估计与模型选择
6.4.1 最大似然与贝叶斯思路（概述）
最大似然方法通过选择使观测数据最可能的参数来完成估计；贝叶斯思路则引入先验信息并计算后验分布，能够在数据不足或模型不确定时提供更稳健的表达方式。
6.4.2 过拟合风险与验证
噪声模型往往用于下游任务，因此模型选择必须避免“拟合噪声本身”。常用验证手段包括交叉验证、留出测试集或基于预测误差的比较，以确认模型的泛化能力。
7 降噪与抑噪技术
降噪与抑噪的目标不是简单地“把所有波动去掉”，而是尽可能保留与任务相关的成分，同时抑制不利的扰动。方法可按是否利用模型、是否进入频域/变换域以及工程层面采取措施来划分。
7.1 模型驱动的降噪
7.1.1 卡尔曼滤波（概述）
卡尔曼滤波适用于线性动态系统并利用状态空间模型描述信号随时间演化。其核心思想是根据预测与观测的不确定度进行加权融合，从而在统计意义上获得较优估计。
7.1.2 最小均方误差（MSE）思路
最小均方误差强调使估计误差的平方期望最小。在多种噪声模型与线性条件下，MSE准则能够导出相应的最优滤波形式，便于工程实现与性能评估。
7.2 频域滤波
7.2.1 低通/高通/带通滤波
低通滤波保留低频成分，适用于高频噪声主导的情况；高通滤波用于抑制低频漂移并保留快速变化；带通滤波则在特定频段内提取目标信息。选择滤波器需考虑信号带宽与噪声分布。
7.2.2 陷波与带阻设计概念
陷波（带阻）用于压制特定频率或狭窄频段的干扰，例如工频相关或窄带窜扰。设计时需兼顾抑制深度、通带波动与对相邻频段信号的影响。
7.3 时域滤波
7.3.1 移动平均与中值滤波
移动平均通过对局部样本求平均来平滑噪声，适合相对平稳、低频目标的场景。中值滤波对孤立的尖峰干扰更敏感，常用于去除“离群点”式噪声而尽量保留边缘或突变。
7.3.2 自适应滤波（概述）
自适应滤波根据观测数据动态调整滤波器参数，以适应噪声统计随时间变化的情况。其性能依赖于参考信号或可用的误差指标，并需要避免算法不稳定与计算开销过大。
7.4 变换域与稀疏方法
7.4.1 小波阈值去噪
小波分解把信号映射到不同尺度的系数上。阈值去噪通常将幅度较小、被认为更可能属于噪声的系数置零或缩小，从而实现对背景扰动的抑制，同时保留大尺度结构。
7.4.2 压缩感知与稀疏先验（概述）
当信号在某个变换域中表现为稀疏结构，压缩感知类方法可以利用稀疏先验在较少观测下恢复目标，同时降低噪声的影响。该方向在工程上常与测量设计、重建算法共同考虑。
7.5 物理与工程层面的抑噪
7.5.1 屏蔽、接地与隔离
通过屏蔽层、电气接地与信号隔离减少外部电磁干扰与地回路效应。工程经验表明，“先把噪声不让它进来”常比在算法层面苦苦追赶更有效。
7.5.2 降振与环境控制
对机械振动进行隔离、减振与结构优化，可降低振动耦合噪声。对于对环境敏感的系统，温度、湿度与光照条件的稳定化也能减小缓慢漂移与随机波动。
7.5.3 电子低噪声设计（LNA等概念）
前端低噪声设计强调器件选择、偏置工作点优化、噪声系数与阻抗匹配等因素。例如低噪声放大器（LNA）通常用于尽可能降低信号链路的初始噪声引入，从而提升整体系统SNR。
8 噪声对系统性能的影响
噪声影响往往不是局限在“读数变花”，而会贯穿误差传播、误码、成像质量与控制系统的动态行为。
8.1 测量误差与不确定度传播
测量链路中的噪声会通过传递函数或估计器传播到最终量的误差。通过线性化或蒙特卡洛等方法可评估输出不确定度，为实验设计与置信区间提供依据。
8.2 通信与编码中的误码关系
在通信系统中，噪声会造成判决错误并引入误码。编码与交织在一定条件下能增强纠错能力，但其效果也受信噪比、信道模型与突发错误特性的影响。
8.3 成像系统的分辨率与对比度
噪声会降低局部对比度并掩盖细节，导致可分辨能力下降。即便空间分辨率（如成像光学的成像能力）不变，噪声仍可能使得低对比目标无法可靠检测。
8.4 控制系统中的稳定性与鲁棒性（概述）
控制环节中噪声会通过测量通道影响反馈误差，从而引起控制器输出抖动或导致性能下降。在高增益或高频反馈较强的系统中，噪声更容易被放大，因此需要在带宽设计与滤波策略上权衡。
8.5 极限理论与性能下界（概念性介绍）
在估计理论中，存在由噪声与观测条件共同决定的性能下界。理解这些极限可帮助判断“性能提升空间来自哪里”，例如通过增加观测时长、改善前端SNR或更换更匹配的模型假设。
9 常见“噪声现象”与类比（科普向）
在科普语境中，“噪声现象”常用于帮助直觉理解随机扰动。类比并不等同于严格建模，但能提供理解框架。
9.1 宇宙射线与“噪声”般的事件
在探测器中，宇宙射线可能产生偶发的能量沉积事件，统计上呈现随机到达的特征。对某些目标探测而言，这些事件相当于不期望的背景，从而需要背景扣除或事件筛选。
9.2 海浪与风中的随机起伏类比
海浪与风的扰动会造成随机起伏。把目标信号看作“某个规律的变化”，把随机起伏看作噪声，就能直观理解为什么仅靠单次观测难以可靠提取规律，需要通过统计平均或滤波增强稳定性。
9.3 “噪声里找信号”的直觉（概念）
“噪声里找信号”强调：信号往往以统计意义可分离的特征出现，例如特定的频段、相关结构或形状约束。噪声可以把单次观测淹没，但在多次数据或结构信息存在时，仍可能恢复与识别目标。
10 噪声在科研与工程中的应用
噪声不仅是需要抑制的对象，也常被用作评估工具、设计约束或探测信号的参考背景。
10.1 传感器标定与质量评估
标定常需要测量系统的噪声底限、噪声随增益与带宽变化的规律，并结合重复实验估计不确定度。由此可评估传感器是否满足目标精度与稳定性要求。
10.2 生物医学信号中的去噪与特征提取（概述）
生物医学信号（如脑电、心电、肌电）常叠加工频干扰、运动伪迹与测量噪声。去噪与特征提取需要兼顾保真与可解释性，例如避免把真实生理事件“滤掉”。
10.3 地球物理观测与信号检出（概述）
地球物理数据常面临环境背景噪声与仪器噪声。通过频段分析、相关检测与多台站联合策略，可以提高目标事件的检出概率，同时降低误报风险。
10.4 音频与语音处理（概述）
音频场景中噪声可能来自环境回声、机械噪声或混合语音。语音处理常利用频谱特征、时间上下文与声学先验进行去噪与增强，以提高可懂度与识别性能。
11 相关术语与延伸阅读
掌握噪声相关概念，通常需要与信号处理、统计估计与实验规范建立联系。
11.1 信号处理基本概念
包括滤波、谱分析、变换域表示与时域/频域的基本关系。理解这些概念有助于将噪声建模转化为可操作的算法步骤。
11.2 统计估计与检测理论关联词
如最大似然估计、贝叶斯推断、假设检验与检测概率等。它们用于把噪声模型与任务目标（估计或判决）连接起来。
11.3 噪声测量标准与实验规范（概述）
实验规范强调仪器校准、采样率与动态范围选择、环境控制与数据处理流程一致性，以避免把系统性偏差误当成随机噪声。
11.4 常见名词：SNR、PSD、MSE、SNR增益等
SNR用于评估信号与噪声的相对幅度，PSD用于刻画频域噪声分布，MSE用于评价估计误差的平方期望，SNR增益常用于描述某种处理方法带来的相对改善幅度。