Matlab下如何基于给定测量轨迹估计随机高斯噪声幅值

算力阿峰

2026-8-28

随机高斯噪声叠加轨迹的噪声幅值估算方法

针对实际测量得到的轨迹（或一维时序信号），在确认叠加噪声为零均值随机高斯噪声的前提下，可通过适配场景的方法准确估算噪声幅值，以下为平滑前后的两组轨迹参考示例：
平滑前轨迹示例
平滑后轨迹示例

常用估算方法

一阶差分法（无需提前平滑，适合采样率足够高、相邻采样点间真实信号波动远小于噪声幅度的场景）
高斯白噪声相邻采样点的值不存在相关性，而真实轨迹在高采样率下相邻点的差值远小于噪声波动，因此对原始轨迹计算相邻点的一阶差分序列，将该序列的样本标准差除以√2，即可得到高斯噪声的标准差（即高斯噪声的核心幅值表征参数），对应计算代码如下：
```
import numpy as np
# raw_signal为输入的原始带噪一维轨迹数组
noise_amplitude_std = np.std(np.diff(raw_signal), ddof=1) / np.sqrt(2)
```
平滑残差法（适配已有平滑后基准轨迹的场景，即当前提供了平滑前后两组数据的情况）
直接逐点计算原始带噪轨迹与平滑后轨迹的差值，得到的残差序列就是分离出的噪声分量，直接计算残差序列的样本标准差即可得到噪声幅值，计算逻辑如下：
```
# raw_signal为原始带噪轨迹，smoothed_signal为平滑后的基准轨迹
noise_component = raw_signal - smoothed_signal
noise_amplitude_std = np.std(noise_component, ddof=1)
```
注意：使用该方法需确认平滑操作完全滤除了随机噪声，同时没有出现过平滑导致真实信号的细节被抹除，否则残差中会混入信号分量，导致噪声幅值估计结果偏大。
功率谱估计法（适合信号与噪声频带区分明显的场景）
对原始轨迹做功率谱密度分析，高斯白噪声的功率谱在全频段为恒定值，提取信号有效带宽外的平坦功率谱区段，换算得到噪声功率后开方，即可得到噪声的幅值参数。