有用的噪声

在信号处理过程中，噪声通常被认为是无用的，甚至我们会想出很多方法来滤除信号中的噪声，提高信号的信噪比，比如带限滤波器、周期信号取平均等。然而噪声真的一无是处吗？下面通过一个例子，向你展示噪声不为人知的另一面！
1. ADC采样量化过程
我们所处的世界是连续的，而计算机却只能处理离散信号。为此，需要对连续信号进行离散化处理，这个过程靠模数转换器(Analogy-to-Digital Converter, ADC)来实现。
ADC最重要的参数包括：1）采样率$f_s$，决定了ADC离散样点的时间精度，采样率越高，离散信号越逼近于原始连续信号；2）量化bit位数$N$和参考电压$V_{ref}$，决定了ADC量化的电压精度，量化误差$\Delta V$服从均匀分布 $U(-\frac{V_{ref}}{2^{N-1}},\frac{V_{ref}}{2^{N-1}})$。本文仅考虑电压量化精度。

图1. ADC量化误差示意图(虚斜线为模拟电压，阶梯实线为量化电压，两者相减为量化误差，量化误差呈现锯齿状)

下面首先通过一个仿真案例(仿真代码见附录1)，直观了解量化的影响。利用高采样率的离散样点来模拟连续信号，每隔$\Delta$个样点从高采样率的离散样点中取值以模拟采样过程，将采样得到的样点进行2/4/8bit的量化。从下图可以看出，量化bit数越小，量化阶梯现象越严重，可表征的电压精细度越差。

图2. 不同量化位数对比

2. 噪声赋能量化过程
若要用ADC采集一个幅度很小的信号，甚至小于ADC的一个量化单位，则量化后无法获取任何有效信息。如下图所示(代码见附录2)，信号幅度为0.03V，小于ADC 的LSB=0.0625V，此时量化后的所有采样点均为0。

图3. 信号幅度小于LSB的情况示意图

现在在上图中的采样信号中加入RMS=0.03V的高斯噪声，再进行量化处理，并将量化后的信号进行低通滤波，得到下图所示结果。现在噪声提高了信号的幅度，超过了ADC的量化单元，是的量化后保留了部分有效信号的信息，再经过后续的滤波器消除噪声影响，可以部分恢复有效信号。

图4. 叠加噪声后量化的处理结果

综上所述，不能思维定式地认为噪声都是无用的，换个角度看，噪声也是宝!!

---

【附录1】：图2代码

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']  # 使用微软雅黑字体
plt.rcParams['axes.unicode_minus'] = False  # 处理负号显示异常

if __name__ == '__main__':
    f0 = 100
    fs = 100000
    delta = 10
    v_ref = 4
    bits = np.array([2, 4, 8])
    N = int(fs / 10)
    t = np.arange(0, N, 1) / fs
    sig = np.sin(2 * np.pi * f0 * t)     # 用高采样率模拟连续信号

    plt.figure()
    plt.plot(t, sig, 'b', linewidth=3)
    for i in range(len(bits)):
        lsb = v_ref / (2 ** bits[i])
        sampled_sig = sig[0::delta]  # 原始采样信号
        sampled_sig = (np.round(sampled_sig / lsb)) * lsb
        plt.plot(t[0::delta], sampled_sig, '.')
    plt.legend(['连续信号', 'ADC bit=2', 'ADC bit=4', 'ADC bit=8'])
    plt.show()

【附录2】：图3代码

if __name__ == '__main__':
    f0 = 100
    fs = 100000
    delta = 10
    v_ref = 4
    bits = 6
    N = int(fs / 10)
    t = np.arange(0, N, 1) / fs
    sig = 0.01 * np.sin(2 * np.pi * f0 * t)     # 用高采样率模拟连续信号

    plt.figure()
    lsb = v_ref / (2 ** bits)
    sampled_sig = sig[0::delta]  # 原始采样信号
    quantitative_sig = (np.round(sampled_sig / lsb)) * lsb
    plt.plot(t[0::delta], sampled_sig, 'b')
    plt.plot(t[0::delta], quantitative_sig, 'r.')
    plt.legend(['采样信号', '量化信号'])
    plt.show()

【附录3】：图4代码

import numpy as np
import matplotlib.pyplot as plt
import scipy.signal as signal
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']  # 使用微软雅黑字体
plt.rcParams['axes.unicode_minus'] = False  # 处理负号显示异常

if __name__ == '__main__':
    f0 = 100
    fs = 100000
    delta = 10
    v_ref = 4
    bits = 6
    N = int(fs / 10)
    t = np.arange(0, N, 1) / fs
    sig = 0.03 * np.sin(2 * np.pi * f0 * t)     # 用高采样率模拟连续信号
    lsb = v_ref / (2 ** bits)
    sampled_sig = sig[0::delta]  # 原始采样信号
    noise = np.random.normal(loc=0, scale=0.03, size=len(sampled_sig))
    sampled_sig = sig[0::delta] + noise
    quantitative_sig = (np.round(sampled_sig / lsb)) * lsb

    # 第信号进行滤波
    cutoff = f0 * 3
    nyquist_freq = fs / delta / 2
    normal_cutoff = cutoff / nyquist_freq
    b, a = signal.bessel(5, normal_cutoff, btype='low', analog=False)
    filtered_data = signal.lfilter(b, a, quantitative_sig)

    plt.figure()
    plt.plot(t[0::delta], sampled_sig, 'b')
    plt.plot(t[0::delta], quantitative_sig, 'g.')
    plt.plot(t[0::delta], filtered_data, 'k.')
    plt.plot(t[0::delta], sig[0::delta], 'r')
    plt.legend(['采样信号', '量化信号', '滤波信号', '理想信号'])
    plt.show()