做信号处理的这些年，我越来越觉得“标准测试信号”是个好东西。平时写个去噪算法、做个压缩感知实验，总不能老拿一段白噪声或者自己现场录的语音来验证效果，既没法复现，也没法和别人的结果对比。后来我接触到Donoho和Johnstone在经典论文里常用的那组标准测试信号：blocks、bumps和doppler，一下子觉得实验规范多了。这三个名字在MATLAB领域几乎成了小波去噪、稀疏表示、压缩感知这些方向的“通用语言”，你只要说“用blocks信号加噪，再用XX算法去噪”，同行立刻就知道你在测什么。
这篇文章我就把这几个信号的来龙去脉、MATLAB实现代码、参数怎么调、有哪些坑，一次性讲清楚。不绕弯子，直接上干货，保证你照着敲完代码就能跑出结果。
1. 三个标准测试信号的数学本质与设计初衷
1.1 为什么偏偏是blocks、bumps和doppler
很多刚接触的人会问：测试信号那么多，为什么几十年来大家反复用这三个？先说结论：因为它们各自代表了信号处理里最典型、最难处理的局部特征，用来检验算法非常“刁钻”。
blocks是分段常数信号，中间有一堆突变的“跳跃点”。这种信号考验的是算法对边缘、跳变的保持能力——你一平滑，台阶就糊了；你不敢平滑，噪声又去不掉，就这么烦人。bumps则是几个形状尖锐、幅度差异很大的脉冲峰，峰和峰之间还有宽窄变化，专门用来检验算法对瞬态成分和局部奇异的捕捉能力。doppler更狠，它是一个频率随时间剧烈变化的调频信号，而且幅度还跟着时间轴起伏，专门考验算法在时频分析上的分辨率，尤其是对高频段局部细节的还原。
Donoho那批人设计这些信号的时候，目的非常明确：一个信号里既要有多尺度结构，又要有局部突变，还要有全局趋势，这样算法好不好，一测就露馅。这也是为什么这些信号能一直火到现在，而不是被随机噪声或者正弦波取代。
1.2 数学定义逐项拆解
三个信号在MATLAB里的标准实现都有明确公式，先看数学定义再写代码，不容易出边界错误。
blocks信号是若干个不同高度、不同位置的单位阶跃函数的加权叠加。它的定义可以写成如下形式：
$$ f(t) = \sum_{j=1}^{m} h_j \cdot \mathbb{I}(t \ge p_j) $$
其中$$\mathbb{I}(\cdot)$$是指示函数，$$p_j$$是跳变位置，$$h_j$$是对应的跳变幅度。原始论文里给了一组固定参数：位置$$p$$为 [0.10, 0.13, 0.15, 0.23, 0.25, 0.40, 0.44, 0.65, 0.76, 0.78, 0.81]，对应的高度$$h$$为 [4, -5, 3, -4, 5, -4.2, 2.1, 4.3, -3.1, 2.1, -4.2]。这些参数不是随便拍的，负高度意味着向下跳，高度绝对值大小决定了信号动态范围，这样合出来的信号既有大幅跳变又有小幅波动。
bumps信号的定义相对复杂一点，它是一组以位置$$p_j$$为中心、宽度$$w_j$$为尺度的有理函数峰叠加：
$$ f(t) = \sum_{j=1}^{m} \frac{h_j}{\left( 1 + \left|\frac{t - p_j}{w_j}\right| \right)^4} $$
这里$$h_j$$是峰高，$$w_j$$是峰宽。注意分母是四次方而不是平方，这样衰减更快，峰的形状更尖。位置参数和blocks基本一样，但峰的个数、高度、宽度都有微调，具体参数后面代码里直接给。
doppler信号则是一个典型的调幅调频信号：
$$ f(t) = \sqrt{t(1-t)} \cdot \sin\left( \frac{2\pi \cdot 1.05}{t + 0.05} \right) $$
其中$$t$$从 $$1/n$$ 取到 1。根号项是一个平滑的幅度包络，在两端趋于零；正弦项的瞬时频率随$$t$$增大而升高，越靠近右端频率越高，而且因为分母里加了0.05，避免在$$t=0$$处产生奇异。这个信号做小波分析的时候，高频段的系数会非常密，能有效考察时频局部化能力。
1.3 三个信号的典型应用场景
这三个信号在学术论文里出场频率极高。我列几个最常见的场景供你参考，实际用的时候可以直接对号入座。
第一类是信号去噪与恢复对比。这是最经典的应用，往三个干净信号上叠加不同强度的高斯白噪声，然后跑各种去噪算法（小波阈值、全变分、字典学习等），用信噪比提升、均方误差这些指标来横向对比。因为信号本身就是公开标准，谁都能复现，结论才有说服力。
第二类是压缩感知与稀疏重建。blocks和bumps信号在某个小波基或字典下通常是稀疏的，用来验证压缩感知重构算法非常合适。doppler则因为频率变化剧烈，更考验基函数的适配程度。
第三类是时频分析与特征提取教学。我在高校做技术分享的时候经常用这三个信号当课堂案例，因为它们特征清晰、可视化效果好，学生一眼就能看出不同算法对局部特征的保留差异。
2. MATLAB代码实现与逐行拆解
2.1 手把手生成blocks信号代码
我直接贴出一份可靠的实现，这段代码与文献中常用的Wavelab工具包逻辑一致，但去掉了多余依赖，适合复制到自己的脚本里。
function x = sig_blocks(n) % n: 信号长度，建议取 2 的幂，如 1024、2048 if nargin < 1 n = 1024; end pos = [0.10 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81]; hgt = [4.0 -5.0 3.0 -4.0 5.0 -4.2 2.1 4.3 -3.1 2.1 -4.2]; t = (1:n) / n; x = zeros(1, n); for j = 1:length(pos) x = x + hgt(j) * ( t >= pos(j) ); end end这里有个关键设计：(t >= pos(j))返回逻辑数组，在位置参数之后为1，之前为0。因为MATLAB里逻辑数组能直接参与数值运算，所以累加过程非常干净。要注意的是我把时间轴设成了从 $$1/n$$ 到 1，而不是从0开始，这样能避免在t=0处产生不必要的边界台阶。
有的版本会把t定义为(0:n-1)/n，即从0取到(n-1)/n。两种写法画出来的图形状略有不同：从0开始时，信号在起点附近正好落在某个跳变沿上；从1/n开始时，起点附近通常是0值平台。我个人建议使用从1/n开始的版本，因为和doppler信号的实现保持一致，三套信号的时间轴完全对齐，后续叠加加噪会更方便。
2.2 bumps信号的MATLAB实现
bumps信号的参数比blocks多一组峰宽，代码结构也更丰富。
function x = sig_bumps(n) % n: 信号长度，建议取 2 的幂 if nargin < 1 n = 1024; end pos = [0.10 0.13 0.15 0.23 0.25 0.40 0.44 0.65 0.76 0.78 0.81]; hgt = [4.0 5.0 3.0 4.0 5.0 4.2 2.1 4.3 3.1 5.1 4.2]; wth = [0.005 0.005 0.006 0.01 0.01 0.03 0.01 0.01 0.005 0.008 0.005]; t = (1:n) / n; x = zeros(1, n); for j = 1:length(pos) x = x + hgt(j) ./ (1 + abs((t - pos(j)) / wth(j))).^4; end endbumps信号的不同之处在于每个峰的高度全部为正，但峰宽参数差异很大。最窄的峰宽是0.005，在1024个采样点上大约只占5个点左右，非常尖锐；最宽的峰宽是0.03，能在图上占30个点左右，看起来就平缓很多。这种多尺度特性，正好可以用来检验算法对“不同宽度瞬态”的敏感程度。
实现的时候注意点运算符：./和.^都不能漏。因为t是向量，wth(j)是标量，分子分母都是数组，必须用点除。我第一次写这段代码时把./写成了/，MATLAB直接报矩阵维度不匹配，排查了半天才发现是符号问题。
2.3 doppler信号代码与频率特性分析
doppler信号的代码是三段里最简洁的，但它的信号特性却最复杂。
function x = sig_doppler(n) % n: 信号长度，建议取 2 的幂 if nargin < 1 n = 1024; end t = (1:n) / n; x = sqrt(t .* (1 - t)) .* sin(2 * pi * 1.05 ./ (t + 0.05)); end这段代码看起来短，但有两处细节值得说。第一，t .* (1 - t)是点乘，得到的是逐元素的乘积，不是矩阵乘法，少了点运算符结果就完全不对。第二，sin函数内部是2 * pi * 1.05 ./ (t + 0.05)，其中./把标量除以整个向量，得到瞬时角频率的积分效果。
从频域角度看，doppler信号的瞬时频率可以近似写作：
$$ f_{\text{inst}}(t) \approx \frac{1.05}{(t + 0.05)^2} $$
也就是说在t接近0的时候频率极高，在t接近1的时候频率较低，整个信号呈现出“从高频啁啾到低频”的扫频特性。再加上根号项在两端压低了幅度，信号起点和终点附近能量都很弱，形成了典型的“两端尖中间鼓”的时频分布形态。
2.4 封装一个万能生成函数
实际做实验的时候，我通常不会一个个调用上面的单信号函数，而是封装成一个总入口，想生成哪个就生成哪个，顺便把默认参数也管起来。
function [x, t] = gen_test_signal(sigName, n) % 按名称生成标准测试信号 % sigName: 'blocks' / 'bumps' / 'doppler' % n: 采样点数，默认1024 % x: 信号值 % t: 对应的时间轴 if nargin < 2 n = 1024; end t = (1:n) / n; switch lower(sigName) case 'blocks' x = sig_blocks(n); case 'bumps' x = sig_bumps(n); case 'doppler' x = sig_doppler(n); otherwise error('未知信号名：%s', sigName); end end封装之后，以后跑对比实验就非常省事。比如我要比较三种信号在同样噪声水平下的去噪效果，直接循环调用这个函数就行，不用每个地方都写一遍t的定义。这也是我个人的一个习惯：把试验中常用的小工具尽量都包成函数，既能减少重复代码，也能避免因为某次复制粘贴漏改参数而导致结果对不上。
3. 信号可视化与噪声注入的实操细节
3.1 画图脚本：一张图看出信号结构
生成信号之后，第一步永远是画图观察。如果图形形态不对劲，后面的实验基本没有意义。我提供一个标准画图脚本，你可以直接拿来用。
n = 1024; t = (1:n) / n; x_blocks = sig_blocks(n); x_bumps = sig_bumps(n); x_doppler = sig_doppler(n); figure('Color', 'w', 'Position', [100 100 1200 700]); subplot(3, 1, 1); plot(t, x_blocks, 'LineWidth', 1.2); title('Blocks 信号'); xlim([0 1]); ylim([-6 6]); grid on; subplot(3, 1, 2); plot(t, x_bumps, 'LineWidth', 1.2); title('Bumps 信号'); xlim([0 1]); ylim([0 7]); grid on; subplot(3, 1, 3); plot(t, x_doppler, 'LineWidth', 1.2); title('Doppler 信号'); xlim([0 1]); grid on;画图时有两个直观检查点。第一个是blocks信号，如果画出来台阶边缘是斜的而不是垂直突变，说明采样点太少，比如n只有64时台阶看起来就有点“拖泥带水”；第二个是bumps信号，如果峰的最高点不在0.25附近，而是跑到别处去了，说明pos参数或wth参数敲错了。
另外建议把ylim固定下来，特别是blocks信号。因为它的动态范围从-5到5，如果不固定纵轴，每次画图的范围可能不同，视觉效果上会造成信号形态“好像变了”的错觉。
3.2 加噪声：信噪比到底怎么算才规范
标准测试信号的一大用途就是加噪实验。加噪的办法本身很简单，就是给干净信号叠加上高斯白噪声，但信噪比的定义需要严谨。
信噪比通常用dB表示，定义式是：
$$ \text{SNR}{\text{dB}} = 10 \log{10} \left( \frac{P_{\text{signal}}}{P_{\text{noise}}} \right) $$
其中$$P_{\text{signal}}$$是信号的平均功率，一般用均方值$$\frac{1}{n}\sum x_i^2$$来估计；$$P_{\text{noise}}}$$是噪声的平均功率，即噪声方差$$\sigma^2$$。所以给定目标SNR后，噪声标准差的计算公式是：
$$ \sigma = \sqrt{\frac{P_{\text{signal}}}{10^{\text{SNR}/10}}} $$
MATLAB里面可以这样写：
function noisy = add_awgn_noise(x, snr) % 按指定SNR(dB)添加高斯白噪声 P_signal = mean(x.^2); sigma = sqrt(P_signal / (10^(snr / 10))); noise = sigma * randn(size(x)); noisy = x + noise; end这里有几个细节必须注意。第一，randn每次生成不同的噪声，如果要做可复现实验，运行前要设随机种子，比如rng(2024)，否则每次结果都不一样，论文里的数据也会对不上。第二，我的实现是按照噪声方差等于要加的标准差平方来生成的，没有额外缩放，所以SNR计算公式严格成立，不要在这上面再乘任何系数。第三，实际算信噪比的时候，有人的习惯是用snr(x, noise)函数，但要注意这个函数对噪声功率的计算方式是“估计噪声方差”，和我这里直接根据定义生成的逻辑在结果上非常接近，但不会完全一致，写实验报告时说明清楚就好。
3.3 把生成结果保存成文件
有些场景下，比如要在Python里接着处理，需要把MATLAB生成的信号导出成.mat或CSV文件。我最常使用的是.mat格式，命令很简单：
n = 2048; x_blocks = sig_blocks(n); x_bumps = sig_bumps(n); x_doppler = sig_doppler(n); save('test_signals_2048.mat', 'x_blocks', 'x_bumps', 'x_doppler');如果要在其他语言里读取，我更推荐CSV格式，一行代码搞定：
s = [gen_test_signal('blocks', 2048); ... gen_test_signal('bumps', 2048); ... gen_test_signal('doppler', 2048)]; writematrix(s, 'test_signals_2048.csv');导出的时候要注意：决定保存之前，先想清楚后续处理需要哪个版本的信号。如果是要对比不同算法的去噪效果，最好从同一份干净信号出发“一次性”生成所有加噪版本，再分别处理，这样才公平。如果你每跑一个算法就重新生成一次干净信号，虽然理论上一样，但因为随机种子的关系，结果反而容易产生无谓的细微差异。
4. 常见问题与排查技巧实录
4.1 生成的blocks信号为什么和其他论文的图对不上
这是被问得最多的一个问题。明明照着网上代码敲的，为什么画出来的blocks信号和论文里的台阶位置不太一样？
原因多半在于时间轴的定义。不同版本的代码有的把t定义成(0:n-1)/n，有的定义成(1:n)/n，这会导致台阶在零点附近的位置不同。文献里Wavelab工具箱用的是(1:n)/n，所以你在复现论文时最好用这个定义。如果你发现自己的信号整体向右或向左偏移了一个采样点，那多半是时间轴差了一个1/n。
还有一个常见原因是对参数pos和hgt抄错。网上流传的版本很多，有些是早期人翻录时把-4.2抄成了-4.1，把0.40抄成了0.4（数值上等价但倍数没对齐）。我建议以本文或Wavelab官方源码中的参数为准。
4.2 信号的边界效应怎么处理
做小波去噪时，经常有人发现信号两端会出现“飞边”或“振荡”，比如doppler信号在t接近1的位置波形发生明显畸变。这不是信号生成的问题，而是后续算法处理时的边界效应。
信号在有限长度上截断，就相当于乘了一个矩形窗，频率域里会产生旁瓣泄漏。要减轻这种效应，有三种常见做法：
- 对小波分解时扩展模式改为“对称延拓”，MATLAB里用
dwtmode('sym')。 - 对信号两端做余弦渐变衰减或反射延拓，然后再处理。
- 用周期化延拓方式重构后裁剪掉延拓区域。
我个人经验是，如果你只是比较算法相对优劣，保持所有算法用同一种边界处理方式即可；但如果要追求绝对高的重建精度，那最好把信号长度取得足够长，并把边界区域排除在评价指标之外。
4.3 加噪后信号信噪比不对，怎么排查
很多新手会发现自己加完噪声之后，用snr函数算出来的实际信噪比和预设值差了好几个dB，于是开始怀疑是不是代码写错了。
我排查这类问题一般按顺序检查三件事。第一，randn生成的是标准正态分布，均值为0、方差为1，先确认自己生成的噪声数组满足这个统计特性，样本量太小时均值和方差会有随机波动，这个正常。第二，检查信号功率的估计方式，用mean(x.^2)还是sum(x.^2)/n结果基本一样，但如果信号包含直流分量，比如blocks信号的平均值不为0，有人会先减均值再算功率，这样得到的噪声方差会偏大或偏小。第三，检查计算信噪比的公式里是否用了10还是20。功率比要用10，如果误用20，算出来的值会翻倍，这是最容易犯的错。
4.4 多算法对比时的公平性问题
最后再说一个做实验时容易忽略的公平性问题。如果你拿这三个信号对比三种算法，那么务必保证：所有算法读入的是同一份加噪数据，而不是每轮重新生成。否则随机噪声的不同会让比较结果产生额外波动，搞得算法的好坏根本说不清。
好的做法是，先一次性生成所有测试信号并加好噪声，存成MAT文件，然后所有算法都从这个文件里读数据。我在自己的实验里还会额外保存一个seed_info.txt，记录当时用到的随机种子和信噪比参数，这样一个月之后回头查数据，还能准确复现当时的实验条件。
5. 一个实用小技巧：把三信号做成实时函数
可能有人觉得上面封装的gen_test_signal已经够用了，我这边再分享一个更灵活的做法。实际做算法调试时，我有时会希望直接改参数看效果，比如把bumps信号的峰宽整体调大，看算法对平滑峰是否更加敏感。所以我平时会把参数表定义成可选项。
function x = sig_bumps(n, scaleWidth) if nargin < 2 scaleWidth = 1; end wth = [0.005 0.005 0.006 0.01 0.01 0.03 0.01 0.01 0.005 0.008 0.005] * scaleWidth; % ...（其余不变） end有了这个参数，调峰宽就是个乘法的事。同理，doppler信号的频率参数也可以做成输入项。这种小改动对写论文或做演示很有用，因为审稿人或听众如果质疑“你的算法只在固定频率范围上有效”，你可以直接现场调参数，再跑一遍结果，说服力比讲一堆理论要强得多。
我个人在实际使用中还有一个体会：不要把这三个信号神化。它们虽然经典，但都是有特定偏好的测试集，比如blocks信号对边缘检测算法的挑战大，对纯频谱类算法就相对宽松。做实验时最好把它们和随机信号、真实信号配合使用，综合作出判断。毕竟标准测试信号的核心价值在于“可复现、可比对”，而不是指望一套信号覆盖天下所有问题。
最后，如果你刚开始接触这一块，我的建议很简单：先把本文的代码原样跑一遍，画出图，加个噪声，再试着用小波阈值去噪看看效果，这一套流程走下来，你对这三个信号的脾气基本就摸透了。
