用MATLAB生成blocks、bumps和doppler标准测试信号

MATLAB生成blocks、bumps和doppler标准测试信号

做信号处理、小波分析或者压缩感知的朋友，一定绕不开这几类经典测试信号：blocks、bumps、doppler。它们最早由Donoho和Johnstone在1994年前后提出，用来评估小波去噪、稀疏表示、阈值收缩等算法的性能，这几十年来几乎成了这个领域的“标准benchmark”。不管你是刚入门的学生，还是需要快速验证算法效果的研究者，手头有一套能一键生成这三类信号的MATLAB代码，绝对能省下大量时间。

这篇文章我会先把这三类信号各自的特点和用途讲清楚，再给出一套完整的MATLAB实现，从数学表达式到代码逐行解读，最后配合去噪对比实验，演示怎么用这套信号做标准测试。过程中会用我实际调试中踩过的坑和积累的小技巧，帮助你把代码改到自己项目里直接能用。

1. 内容整体设计与思路拆解

1.1 为什么偏偏是这三类信号

刚接触这个领域时，我也不理解为什么大家都默认用blocks、bumps、doppler，而不是随手造几个正弦波叠加或者白噪声。实际用下来才发现，这三类信号在设计上非常“刁钻”，各自针对算法性能的不同侧面。

blocks是分段常数信号，在少量位置发生突变，其余位置完全平坦。它的特点是：小波域表示非常稀疏，大部分小波系数接近零，只有跨越跳变点的少数系数很大。这正好用来检验算法对“边缘”和“跳变”的保持能力——如果去噪后跳变被磨平了，说明阈值处理过度；如果跳变附近出现振荡，说明噪声没有被有效抑制。

bumps信号由多个不对称的高斯型峰叠加而成，峰的宽度、高度各不相同，叠加后形成一个形态复杂的连续曲线。相比blocks，bumps没有尖锐的跳变，但峰的陡峭程度差异很大，有些峰很窄、有些很宽。它考察的是算法对“局部结构”和“峰值”的恢复能力，特别是在峰值密集区域，算法很容易把两个相邻峰混淆成一个。

doppler信号是一个频率随时间变化的调频信号，起始频率很高、振动密集，后段频率越来越低、振动稀疏。它的麻烦在于，高频段在固定采样率下只有很少几个采样点，信号“振”得很快，在视觉上几乎连成一片。这用来考验算法对“时频局部化”能力，也就是能否在保留高频细节的同时，抑制高频段的噪声。

把这三类放在一起，几乎覆盖了非平稳信号的主要难点：突变边缘、幅值陡变、频率漂移。所以算法在它们上面的表现，可以比较全面地反映实际应用中的鲁棒性。许多论文里展示去噪效果对比图，用的也是这组信号，就是因为标准统一、结论可信。

1.2 这套方案的选型考量

生成这几类信号的实现方法有很多，MATLAB File Exchange上有现成脚本，Wavelab工具箱里也有完整实现。但我建议自己动手写一套函数，原因主要有三个。

第一，现成脚本往往包含大量无关代码。很多工具箱为了通用性，加入了信号增强、边界延拓、多分辨率分析等功能，传到自己项目里既占空间，又容易和已有变量名冲突。自己写一个精简版，只保留核心逻辑，后期维护和调试都轻松。

第二，自己写可以自由调整参数。标准版blocks只有11个跳变点、bumps只有11个峰，但某些实验需要更多突变、更密集的峰，或者更宽的频带。自己实现后，改一个数组就能搞定，不用去翻工具箱内部代码。

第三，生成函数本身就是理解信号结构的捷径。blocks为什么是分段常数？因为它的数学定义就是常数乘以指示函数。bumps为什么看起来高低不平？因为每个峰都是四次有理函数，分母趋近零时峰陡峭上升。这些细节靠“看别人代码”是很难消化的，自己写一遍才能刻进脑子里。

我在下文的实现中，将n（采样点数）作为函数唯一输入参数，输出长度为n的列向量。这样无论做512点还是4096点实验，都是调用一次函数的事，实验对比不同采样率时非常方便。另外，信号都做了一定程度的归一化处理，幅值范围大致在[-6, 6]之间，这个区间在实际实验里比较好用——既不会让信号淹没在噪声里，也不会因为幅值过大导致数值溢出。

2. 核心细节解析与实操要点

2.1 blocks信号的数学原理与代码实现

blocks信号的数学定义是一个加权指示函数之和。首先在[0,1]区间上取一组跳变位置pos_j，每个位置对应一个高度h_j，那么blocks信号在任意点t处的值，等于所有满足t大于等于pos_j的项的高度之和。这里的关键是“指示函数”的思想：位置在跳变点之前，该项为0；位置在跳变点之后，该项为1，再乘以高度。这个过程用MATLAB的sign函数可以非常简洁地实现。

其中pos_j的经典取值如下：

下面给出完整函数代码：

function y = blocks(n) % BLOCKS 生成Donoho-Johnstone blocks标准测试信号 % 输入n为采样点数，输出y为n行1列的列向量 t = (0:n-1)' / n; % 跳变点位置和对应高度 pos = [0.10 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81]'; hgt = [4 -5 3 -4 5 -4.2 2.1 4.3 -3.1 2.1 -4.2]'; y = zeros(n, 1); for j = 1:length(pos) y = y + hgt(j) * (1 + sign(t - pos(j))) / 2; end end

这里最关键的一行是(1 + sign(t - pos(j))) / 2。当t小于pos(j)时，sign返回-1，这一整项为0；当t大于pos(j)时，sign返回1，这一整项为1。在t恰好等于pos(j)时，sign返回0，该项是0.5倍高度，形成一个“半台阶”。实际离散采样中，这种情况极少发生，可以忽略。

运行y = blocks(1024); plot(y);就能看到典型的阶梯状信号。从0.10位置开始抬升，到0.13突然下坠，再到0.15回升，整条曲线由若干个不同高度的平台拼接而成。值得注意的是，最后一个跳变点0.81之后，信号一直保持一个非零的直流分量，这是正常现象，不代表信号有偏置问题。

2.2 bumps信号的数学原理与代码实现

bumps信号是多个四次有理函数的叠加。每个峰的形状由三个参数决定：位置pos_j、高度hgt_j、宽度wth_j。第j个峰的表达式是hgt_j / (1 + ((t - pos_j)/wth_j)^4)。之所以用四次而不是二次，是因为四次函数在远离中心时衰减更快，峰的“尾巴”更窄，彼此之间的重叠比高斯函数少，更容易看到独立的峰形。

经典参数如下：

这里要注意峰宽度的取值：0.005和0.010在数值上相差一倍，但实际信号形态差异很大。宽度越小，峰越尖锐，对采样率的要求也越高。如果在n=256时生成bumps信号，最窄的峰可能只占两三个采样点，就会产生明显的走样。我建议做实验时n至少取1024，才能看到平滑完整的峰形。

function y = bumps(n) % BUMPS 生成Donoho-Johnstone bumps标准测试信号 t = (0:n-1)' / n; pos = [0.10 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81]'; hgt = [4 5 3 4 5 4.2 2.1 4.3 3.1 5.1 4.2]'; wth = [0.005 0.005 0.006 0.010 0.010 0.030 0.010 0.010 0.005 0.008 0.005]'; y = zeros(n, 1); for j = 1:length(pos) y = y + hgt(j) ./ (1 + ((t - pos(j)) / wth(j)).^4); end end

这里用了./和.^而不是/和^，是因为t是列向量，要对每个元素做运算。pos数组和t做减法时会自动广播维度，MATLAB R2016b及以后版本都支持这个特性，老版本需要改用bsxfun(@minus, t, pos(j))。

运行y = bumps(1024); plot(y);可以看到约11个高矮不同、宽窄不一的峰，几个宽的峰在0.40附近叠成一个较大的隆起，窄峰则在各自位置画出尖锐的顶点。这个信号不像blocks那样有明显的跳变，但局部梯度的变化非常剧烈，对小波系数来说，相当于在高频子带里布满了能量。

2.3 doppler信号的数学原理与代码实现

doppler信号的定义是：在t从0到1范围内，取sqrt(t .* (1 - t)) .* sin(2 * pi * 1.05 ./ (t + 0.05))。这个式子看着简单，但里面有几个关键设计，不注意很容易在实现时出错。

首先是前面的sqrt(t .* (1 - t))，它是一个在0到1之间呈拱形的包络，在两端趋近于0。没有这个包络的话，doppler信号在高频段会保持恒定的振幅，视觉效果和图谱特征都会变差。有了它，信号在t靠近0时振幅被压得很低，噪声掩盖信号的效果就会更明显——这正是我们想要测试的困难场景。

其次是分母上的t + 0.05。当t趋近0时，分母趋近0.05，频率参数2 * pi * 1.05 / 0.05约为131.9，对应的角频率并不算极度夸张；但如果直接除以t，在t=0处会出现无穷大频率，MATLAB会给出NaN或Inf警告，整个信号就没法用了。加一个很小的偏移量0.05，本质上是一种“截断”策略，让最高频率可控。

标准定义中频率调制系数alpha通常取1.05，这是Donoho论文里的经验值。如果你需要更高频的测试信号，可以把这个系数调大；如果希望低频段更平缓，可以减小它。但改的时候要注意观察图形，不要调到信号在视觉上完全糊成一片。

function y = doppler(n) % DOPPLER 生成Donoho-Johnstone doppler标准测试信号 t = (0:n-1)' / n; alpha = 1.05; % 频率调制系数，经典取值 y = sqrt(t .* (1 - t)) .* sin(2 * pi * alpha ./ (t + 0.05)); end

运行y = doppler(1024); plot(y);可以看到，前半段信号振得非常密，几乎是一团黑线，后半段逐渐稀疏，能看出清晰的起伏。如果n取4096，前半段的高频细节会更丰富，但整体形态与1024点版本一致。

2.4 统一封装：一键生成三类信号

实际做实验时，经常需要同时生成多类信号做对比。我习惯把它们封装成一个函数，用字符串指定类型：

function [y, t] = genSignal(type, n) % GENSIGNAL 统一生成blocks、bumps、doppler标准测试信号 % type: 'blocks'、'bumps' 或 'doppler' % n: 采样点数 t = (0:n-1)' / n; switch lower(type) case 'blocks' y = blocks(n); case 'bumps' y = bumps(n); case 'doppler' y = doppler(n); otherwise error('未知信号类型：%s', type); end end

我还习惯另加一个addNoise函数，把高斯白噪声按指定信噪比叠加到信号上，这部分在下一节详细展开。这样从信号生成到加噪再到去噪实验，全程只需两三个函数调用，代码非常清爽。

3. 实操过程与核心环节实现

3.1 加噪信号生成：SNR怎么算、噪声怎么加

标准测试流程是先把干净信号加上高斯白噪声，形成含噪观测，再运行待测试的去噪算法。这里最关键的步骤是控制信噪比（SNR），因为不同论文里SNR的定义方式可能不同，有的用dB，有的直接用噪声标准差，如果没对齐，对比实验就不公平。

我习惯用dB作为统一单位，计算公式是SNR_dB = 10 * log10(var(signal) / var(noise))。给定目标SNR_dB，可以反推出噪声标准差：

function noisy = addNoise(y, snr_db, seed) % ADDNOISE 给信号叠加高斯白噪声，返回带噪信号 % snr_db: 目标信噪比，单位dB if nargin >= 3 rng(seed); % 固定随机种子，让实验可复现 end noise = randn(size(y)); noise = noise / std(noise); % 归一化到单位标准差 signal_power = var(y); noise_power = signal_power / (10^(snr_db / 10)); noisy = y + sqrt(noise_power) * noise; end

这里先对噪声做了一次归一化，确保std(noise)严格等于1，然后乘以目标标准差。这样写的优点是，无论randn生成多少数据，噪声的实际功率都能精确匹配目标SNR。如果不做这步归一化，直接用randn乘系数，由于有限样本的方差波动，实际SNR可能偏差0.2~0.5dB，在小样本实验里会影响结论。

我在实验里通常生成三组数据：每组先生成干净信号，再用addNoise(clean, 5, 1)、addNoise(clean, 10, 2)分别得到低信噪比和高信噪比的含噪信号。固定随机种子保证了每次运行结果完全一致，这一点在写论文投稿时特别重要——审稿人可以复现你的实验，数据一致性问题会少很多。

3.2 小波去噪实验：从“能跑”到“跑得对”

有了标准测试信号，最经典的验证方式就是做小波去噪对比。MATLAB的Wavelet Toolbox提供了一整套函数，我要演示的是基于Donoho-Johnstone阈值的软阈值去噪流程，这也是该领域最基础的指标性方法。

去噪过程分三步：小波分解、阈值处理、小波重构。

% 以blocks信号为例，SNR=10dB n = 1024; [clean, t] = genSignal('blocks', n); noisy = addNoise(clean, 10, 42); % 第1步：小波分解，使用db4小波，分解层数5 wname = 'db4'; level = 5; [C, L] = wavedec(noisy, level, wname); % 第2步：对每一层细节系数做软阈值处理 sigma = median(abs(C(L(1)+1:L(2)))) / 0.6745; % 噪声标准差估计 thr = sigma * sqrt(2 * log(n)); % 通用阈值 % 提取各层细节系数 for k = 1:level idx = L(k)+1 : L(k+1); % 第k层细节系数的索引范围 C(idx) = wthresh(C(idx), 's', thr); % 软阈值 end % 第3步：重构 denoised = waverec(C, L, wname); % 计算去噪后的SNR snr_out = 10 * log10(var(clean) / mean((denoised - clean).^2)); fprintf('输入SNR: %.2f dB, 去噪后SNR: %.2f dB\n', 10, snr_out);

这段代码里有两个细节值得展开说。

第一个是噪声标准差估计。Donoho和Johnstone提出来的做法是取第一层细节系数（即最高频子带）的绝对中位差，再除以0.6745。0.6745是标准正态分布的第75百分位数，这样得到的估计不受信号本身结构的影响，对含有尖锐跳变的blocks信号非常稳健。如果你改用std直接估计，跳变处的系数会被当成噪声，导致阈值偏大，把真实信号细节也一起滤掉。

第二个是软阈值与硬阈值的区别。wthresh(x, 's', thr)返回的是sign(x) * max(abs(x) - thr, 0)，也就是把所有系数朝零方向收缩；wthresh(x, 'h', thr)则是保留绝对值大于阈值的原值，其余置零。硬阈值重构出来的信号在跳变附近容易产生小幅振荡，软阈值更光滑，但也会让峰的幅值整体缩小。做实验时两种都跑一下，对比效果有助于理解各自特点。

同样流程可以用在bumps和doppler上。你会发现一个有意思的现象：blocks信号去噪后，跳变处的对比度保持得最好；bumps信号去噪后，窄峰幅值可能被压低，宽峰恢复得比较准；doppler信号去噪后，高频段细节要么保留较好但背景仍有噪声，要么背景干净但高频细节丢失。不同算法在这三类信号上的最优参数往往不一样，这正是它们作为“标准测试信号”的价值——用一套固定参数跑三类信号，谁的表现更均衡，谁就更适合实际应用。

3.3 从对比结果里能读出什么

做完去噪实验不要只看输出SNR数字，我强烈建议把干净信号、含噪信号、去噪信号画在同一张图上对比：

figure; subplot(3,1,1); plot(t, clean); title('Clean'); subplot(3,1,2); plot(t, noisy); title('Noisy'); subplot(3,1,3); plot(t, denoised); title('Denoised');

观察的重点有三个位置：blocks的跳变点、bumps的窄峰处、doppler的高频段。跳变点旁边如果出现成对的尖峰，说明阈值偏低、噪声泄漏；窄峰幅值如果明显变矮，说明软阈值收缩过度；doppler高频段如果出现周期性波纹，说明重构时系数截断得太狠。这三类问题分别对应“欠去噪”“过去噪”和“伪影”，是任何去噪算法都会面临的三个基本矛盾。

4. 常见问题与排查技巧实录

4.1 信号形状不对：先检查这四处

我在给学生和同事调试代码时，发现生成信号环节的问题主要集中在四个地方。

第一，采样点n取得太小。blocks信号在n=64时还能看出大台阶，但bumps信号最窄的峰只有0.005宽度，在64个点上根本显示不出来，看起来就像几个离散点。doppler信号如果n小于256，高频段会完全糊成一条线。建议n至少取1024，做精细对比时用4096。

第二，sign函数误用导致台阶位置偏移。blocks里如果写成sign(t - pos(j))而漏掉了除以2，那么跳变前是-hgt/2而不是0，信号整体会有一个偏移。运行后如果发现信号最低点不是0，多半就是这个原因。

第三，doppler的t + 0.05这一项被人为抽掉。有些教程为了“数学严谨”直接除以t，结果在t=0处产生NaN，整个信号全是NaN。如果看见plot出来一片空白，先查这一句。

第四，bumps函数里忘记用./和.^。如果写成1 + ((t - pos(j)) / wth(j))^4，MATLAB会尝试做矩阵除法，报错维度不一致，或者给出一个完全错误的结果。这属于点运算和矩阵运算的混淆，初学者尤其容易犯。

4.2 去噪效果差：别急着调参数

去噪实验效果不理想时，先不要堆参数。我发现很多人第一步就去改阈值倍数，结果调了半天也不知道哪个方向是对的。建议按下面顺序排查：

先确认噪声功率是否正确匹配。打印10*log10(var(noise))，看是否接近10*log10(signal_power) - snr_db。如果偏差超过0.1dB，检查addNoise函数里的归一化步骤有没有生效。

再确认分解层数是否合理。层数太少，高频噪声滤不干净；层数太多，低频逼近系数也被当成噪声处理，信号会被整体削平。对n=1024的信号，db4小波分解5层基本够用；n=4096可以到7层。这个经验值适用于大部分光滑信号。

最后检查阈值是否对每一层都用了同一个值。Donoho-Johnstone的通用阈值sigma * sqrt(2 * log(n))是一个全局阈值，对每一层细节系数都做相同收缩。但在实际信号中，不同层的噪声能量可能不同，同一层内部不同位置的系数也有差异。如果发现某一层噪声残留很重，可以换用层内独立估计的阈值。

4.3 从“能跑”到“跑得对”的几条经验

第一，固定随机种子是实验可复现的生命线。别觉得rng(42)这种写法是小题大做，一旦论文被要求补充实验、或者审稿人要复现你的结果，同样的随机种子会省掉无数解释和纠纷。我在封装addNoise函数时特地设置了第三个可选参数seed，默认不指定时用系统时间，指定时固定结果，兼顾灵活与可复现。

第二，信号长度尽量取2的幂。小波分解对长度为2的幂的信号最友好，wavedec和waverec在边界处理上会更干净。n=1024、2048、4096都是常用值。如果你的实验要求任意长度，wavedec也能处理，但边界延拓方式可能影响首尾效果，需要额外留意。

第三，保存数据时顺便保存参数。别只存一个y.mat，至少要在文件名里带上信号类型、采样点数、信噪比和随机种子。我见过太多次实验数据堆在一起，事后完全想不起某个文件对应哪组参数，最后只能重新跑实验。用genSignal配合命名规则，比如blocks_n1024_snr10_seed42.mat，既清晰又不会出错。

5. 测试信号在更多场景里的扩展用法

如果你觉得只做去噪实验不够过瘾，这三类信号还能用在很多其他场景。我把这几年用到的几个扩展方向列在这里，供你参考。

压缩感知方向：blocks在DCT基或小波基下是稀疏的，bumps在过完备字典下也有稀疏表示，doppler则在时频域具有稀疏结构。用它们作为稀疏性先验的测试信号，可以验证不同测量矩阵、不同重构算法在有限采样率下的表现。我做过一组实验：在1024点信号中只取256个随机观测值，再用OMP和BP算法重构，对比重构误差和算法耗时，效果非常直观。

深度学习方向：现在很多论文用合成信号训练去噪网络。你可以写一个循环，用genSignal批量生成2000组不同参数、不同SNR的blocks/bumps/doppler信号，合成训练集和测试集，再丢给一个小型卷积网络训练。相比用真实采集的信号，合成数据的好处是标签完全已知，损失函数可以直接用输出与干净信号之间的MSE，训练曲线特别干净。

算法评估方向：除了信噪比，还可以计算结构相似性指标（SSIM）、峰值信噪比（PSNR），以及边缘保持指数（EPI）。不同指标反映的侧重点不同，比如SSIM更接近人眼感知，PSNR对噪声幅值敏感，EPI则直接衡量跳变位置的保持程度。用三类信号分别算这些指标，可以画出一张雷达图或者柱状图，直观比较不同算法的综合性能。

我自己实际体会最深的一点是：标准测试信号最大的价值不在于“标准”，而在于它制造困难的方式是已知的、可控的。你知道blocks有几个跳变点、bumps每个峰在什么位置、doppler的频率变化规律，所以你能够精确地定位算法在哪里失败、为什么会失败。这种“可解释的失败”比单纯追求指标数值更能推动算法改进。

最后分享一个我在项目里一直用的小技巧：把这几个函数和去噪脚本放在同一个文件夹，起名signal_benchmark/，然后在主脚本里用addpath('signal_benchmark')引入。以后无论是写新论文还是复现师兄的旧代码，都不需要到处找工具包，一套小工具就够用了。如果你在实际使用中遇到什么奇怪的报错或者效果问题，欢迎回来交流，我大概率遇到过类似的坑。