2. 信号与噪声基础：分贝(dB)概念、信号功率计算、噪声类型、信噪比(SNR)

做噪声门限设计，说白了就是跟信号和噪声打交道。你得先搞清楚它们各自长什么样，才能谈怎么把噪声压下去。这一节，我把最基础的概念掰开揉碎了讲给你听。

2.1 分贝(dB)概念：为什么音频世界离不开它？

你想想看，人耳能听到的声音范围，从最微弱的呼吸声到震耳欲聋的摇滚乐，功率差了上亿倍。如果直接用线性数值去描述，那数字会大到离谱，小到可怜。所以，我们用了分贝这个对数单位。

分贝的定义很简单：dB = 10 * log10(P1 / P2)。P1是你要测量的功率，P2是参考功率。在音频里，我们经常用dBFS（满量程分贝），参考值是数字系统能表示的最大信号。

我个人习惯，在代码里处理信号时，全程用dB值做比较。比如设置门限阈值，我直接写 -40 dB，而不是去算那个0.0001的线性值。为什么？因为dB值更符合人耳的听觉特性，也更容易调试。

2.2 信号功率计算：别被公式吓到

计算一段音频信号的功率，其实就两步：先求平方，再求平均。对于离散的数字信号，公式是：

P = (1/N) * Σ x[n]²

其中x[n]是采样点，N是总采样数。嗯，这里要注意，如果你用的是16位整型信号，取值范围是-32768到32767。直接平方再平均，得到的数值会很大。我建议先把信号归一化到-1到1之间，再算功率。

举个例子，你有一段1秒钟的音频，采样率44100 Hz，想算它的平均功率：

import numpy as np

# 假设 signal 是归一化后的浮点数组
power = np.mean(signal ** 2)
power_dB = 10 * np.log10(power + 1e-12)  # 加个小常数防止log(0)
print(f"平均功率: {power_dB:.2f} dBFS")

我曾经在调试一个降噪算法时，发现门限怎么调都不对。后来一查，原来是功率计算时忘了加那个 1e-12，导致静音段算出来是负无穷，程序直接崩了。这种小坑，踩过一次就记住了。

2.3 噪声类型：白噪声、粉红噪声、环境噪声

噪声不是铁板一块。不同类型的噪声，频谱特性天差地别。你设计的门限，必须针对特定的噪声类型来调整。

2.3.1 白噪声

白噪声的功率谱密度是平的，也就是说，每个频率上的能量都一样。听起来像老式电视机没信号时的沙沙声。在时域上，它的瞬时值完全随机，服从高斯分布或均匀分布。

白噪声是理论分析的好工具，但现实世界里很少见。我一般用它来做算法的基准测试，比如测试门限检测的响应速度。

2.3.2 粉红噪声

粉红噪声的功率谱密度每倍频程下降3 dB。说白了，低频能量多，高频能量少。听起来比白噪声更「暖」，像下雨声或瀑布声。

为什么粉红噪声很重要？因为很多自然界的噪声，比如风声、水流声，甚至音乐信号，都更接近粉红噪声的频谱分布。如果你用白噪声的参数去处理粉红噪声，门限很容易误触发。

2.3.3 环境噪声

环境噪声是最复杂的。它可能是空调的嗡嗡声（低频）、键盘的敲击声（中高频）、或者马路上的车流声（宽频）。没有固定的频谱模板。

2.4 信噪比(SNR)：衡量信号质量的标尺

信噪比，就是信号功率与噪声功率的比值，单位也是dB。公式很简单：

SNR (dB) = 10 * log10(P_signal / P_noise)

SNR越高，信号越干净。比如SNR = 20 dB，意味着信号功率是噪声功率的100倍。SNR = 0 dB，信号和噪声一样强，听起来已经很难受了。

在噪声门限设计里，SNR是决定门限值的关键参数。我一般会先估算当前环境的SNR，然后根据这个值来设置门限的偏移量。

你想想看，如果环境噪声很大，你还把门限设得很低，那门限就会一直开着，等于没起作用。反过来，如果环境很安静，门限设高了，会把弱信号也切掉。所以，SNR是门限设计的「指南针」。

2.5 知识体系总览

下面这张图，把这一节的核心逻辑串起来了。你可以把它当作一个思维导图来理解。

这一节的内容，说白了就是给你一把尺子（dB）、一个计算器（功率）、一张地图（噪声类型）和一个指南针（SNR）。有了这些，你才能开始真正设计噪声门限。下一节，我们会把这些工具用起来，看看门限到底怎么设才合理。

---

公众号:蓝海资料掘金营，微信deep3321