C/C++编程计算信噪比SNR：原理、公式与代码实现

SNR的概念与计量单位

在电子信号处理中，“信号”指待处理的原始数据，“噪声”则是设备引入的非随机、非同步于原信号的额外干扰。信噪比的核心目标是量化这种干扰的影响程度，数值越高代表信号纯净度越好。

SNR的计算涉及两种常用公式：

• 功率比公式：$10\lg(P_s/P_n)$，其中 $P_s$ 和 $P_n$ 分别为信号与噪声的有效功率。
• 电压幅值比公式：$20\lg(V_s/V_n)$，适用于无法直接测量功率但可获取电压有效值 $V_s$ 和 $V_n$ 的场景。

在音频放大器等领域，理想的系统是仅放大信号而不增加新噪声，因此高信噪比是核心评价指标。一般而言，SNR不应低于70dB；对于高保真音响设备，要求通常在110dB以上。

应用场景：Taprint触控系统的信号过滤

在人机交互设备如智能手表或触摸屏中，用户日常动作（如走路、拿取物品、握拳）会产生背景振动，这些被采集为“噪声”。为了准确识别特定的输入指令（如手指敲击屏幕），系统需要区分目标信号与环境噪声。

上述图片展示了五种常见用户活动的振动波形：抓手、握拳、拿起物体、轻轻敲击以及走路时的敲击。经过数据处理分析可知，finger tap（手指敲击）产生的振动信号在能量分布上具有显著特征。通过预处理步骤（例如使用20Hz的Butterworth高通滤波器去除低频干扰后），手指敲击的信号信噪比会明显高于其他连续动作。

操作策略：设定一个默认信噪比阈值（如20dB）。当实时检测到的信号SNR超过该阈值时，系统判定当前为用户有意敲击行为，从而触发后续指令；否则视为环境噪声予以忽略。

C/C++环境下的SNR计算方法

在实际开发中，我们可以通过编程方式模拟信号生成与加噪过程，进而验证SNR计算的准确性。以下代码展示了如何在一个类C环境（如MATLAB脚本或兼容C语法的测试框架）中完成从信号生成到SNR验证的全过程。

第1步：生成基准信号

首先创建一个已知的正弦波作为理想信号。这确保了我们在后续步骤中拥有一个明确的参考基准。

clear all;
clc;
% 生成采样频率足够高的正弦信号
X = sqrt(2)*sin(0:pi/1000000:6*pi);                

第2步：引入已知噪声

使用内置函数向干净信号中添加指定信噪比的白噪声。此处设置目标SNR为14dB，并让算法自动预估信号功率以调整噪声幅度。

% 加入信噪比为14db的噪声
Y = awgn(X, 14, 'measured');                       

第3步：手动计算验证

根据功率定义，分别计算总信号功率与噪声分量（$Y-X$）的功率，最后代入对数公式得出实际SNR。这一步用于理解底层数学逻辑。

sigPower = sum(abs(X).^2) / length(X);             % 求出信号功率
noisePower = sum(abs(Y - X).^2) / length(Y - X);   % 求出噪声功率
SNR_10 = 10*log10(sigPower/noisePower)              % 由定义求出信噪比

第4步：调用专用函数

直接使用库函数进行比对，确保计算结果的可靠性。函数 snr(a, b) 接受原始信号和噪声信号作为参数。

b = snr(X, Y-X)                                    % a是原始信号，b是噪声信号

预期输出结果：

SNR_10 =
	14.0033

b =
	14.0033

计算结果显示手动推导值与库函数返回值高度一致（约14.0033dB），证实了基于功率比率计算SNR的正确性。该方法可直接迁移至嵌入式C语言项目中，通过对ADC采集数据的平方累加求均值，即可实现对实时信噪比的监控。

以上就是C/C++编程计算信噪比SNR的详细方法与代码示例，更多关于信号处理与C语言资料的关注请关注本站其它相关文章！