匹配滤波原理详解：从SNR最大化推导到Python仿真验证

匹配滤波是通信原理里最容易被低估的一个结论：它用一条线性滤波器，就能在加性白噪声背景下让输出信噪比（SNR）达到最大。很多教材直接给出匹配滤波器的冲激响应 (h(t)=s(T-t))，然后用柯西-施瓦茨不等式证明一次，读者当时觉得懂了，事后却说不清“积分里到底发生了什么”。本文围绕这个疑问展开，从接收信号模型出发，逐步推导 SNR 最大化的原理，并解释匹配滤波为什么等效为相关积分，最后用 Python 仿真验证不同滤波器在相同输入 SNR 下的表现。如果你是正在复习通信原理、准备复试，或者做接收机物理层开发时被“匹配滤波为什么是最佳”问住的人，这篇文章适合按顺序读一遍。

1. 匹配滤波要解决的问题：接收机怎么从噪声里捞信号

1.1 接收信号模型：先明确“噪声”长什么样

在通信接收机里，接收端拿到的信号通常可以写成：

[ r(t)=s(t)+n(t) ]

其中 (s(t)) 是发送端发出的确知信号，(n(t)) 是噪声。通信原理中最基本、也最适合做数学分析的噪声模型是加性白高斯噪声（AWGN），它的特点是：

• 与信号相加，不影响信号本身的结构；
• 瞬时值服从高斯分布；
• 在很宽的频带内功率谱密度平坦，双边功率谱密度记为 (N_0/2)。

这里的“白”不是指颜色，而是指不同频率分量互不相关，频谱上像白色光一样平坦。正因为白噪声在所有频率上都有能量，接收机不能只靠“带通选频”把噪声彻底滤掉。匹配滤波要解决的核心问题就是：在信号 (s(t)) 被白噪声污染后，如何设计一个线性滤波器，使得在某一个判决时刻输出信噪比最大。

这里还要区分一个场景：WiFi、蓝牙、IIC、SPI 这些概念都叫“通信”，但 IIC、SPI 属于数字接口协议，处理的是逻辑电平和总线时序；匹配滤波处理的是波形和噪声，属于物理层接收机设计。两者解决的问题不同，学习时不要混在一起。

1.2 为什么不能靠放大或普通低通滤波提升 SNR

一个很自然的想法是：接收信号太弱，放大一下不就行了吗？

用增益 (G) 放大 (r(t))，信号变成 (G s(t))，噪声变成 (G n(t))。信号功率变成 (G^2 P_s)，噪声功率变成 (G^2 \sigma^2)。两者同时放大，输出 SNR 仍然是 (P_s/\sigma^2)，没有变化。放大器解决的是信号绝对幅度太小的问题，不能解决噪声相对信号太强的问题。

普通低通滤波器能不能改善？可以，但改善有限。低通滤波器会把带外噪声压掉一部分，但如果滤波器带宽过大，噪声仍然很多；如果带宽过小，虽然噪声变少了，信号的边缘和频谱分量也被削掉，信号能量损失。SNR 并不一定变好。关键问题是：对任意一段波形，我们应该按什么原则去选择滤波器？匹配滤波给出的答案非常明确：让滤波器的频率响应与信号的频谱共轭匹配。

1.3 匹配滤波器的本质：线性滤波加采样判决

匹配滤波器并不是一个“智能模块”，它就是一个线性时不变滤波器，冲激响应记为 (h(t))，频率响应记为 (H(f))。接收信号经过它之后得到：

[ y(t)=r(t)*h(t)=s_0(t)+n_0(t) ]

其中 (s_0(t)=s(t)*h(t)) 是信号经过滤波后的输出，(n_0(t)=n(t)*h(t)) 是噪声经过滤波后的输出。

在判决时刻 (t_0)，我们取出 (y(t_0))，用它来做符号判决。因此，匹配滤波器设计的核心目标是：

[ \text{最大化}\quad \text{SNR}_o=\frac{|s_0(t_0)|^2}{E\left[|n_0(t_0)|^2\right]} ]

这里分子是判决时刻的信号瞬时功率，分母是判决时刻的噪声平均功率。为什么不使用一段时间内的平均信号功率？因为在数字通信里，我们真正关心的是采样时刻那一个点的可靠性。采样点信号越强、噪声越弱，误码率越低。

2. 从输出信噪比公式到柯西-施瓦茨不等式：证明 SNR 最大

2.1 输出信号与输出噪声的频域表达

为了推导最大 SNR，把输出信号放到频域来看。信号 (s(t)) 的傅里叶变换是 (S(f))，滤波器频率响应是 (H(f))，那么在判决时刻 (t_0)，输出信号为：

[ s_0(t_0)=\int_{-\infty}^{\infty} S(f)H(f)e^{j2\pi f t_0},df ]

这个式子来自傅里叶反变换：输出信号的频谱是 (S(f)H(f))，在 (t_0) 时刻的时域值就是频谱乘上旋转因子 (e^{j2\pi f t_0}) 后的积分。

输出噪声的平均功率可以写成：

[ E\left[|n_0(t_0)|^2\right]=\frac{N_0}{2}\int_{-\infty}^{\infty}|H(f)|^2,df ]

这个式子的物理含义是：白噪声功率谱密度 (N_0/2) 乘上滤波器幅频响应的平方，再在整个频带上积分。噪声经过线性滤波器后，相当于每个频率分量都被 (H(f)) 加权，然后功率累加。

2.2 输出 SNR 的表达式

把分子和分母放在一起，得到：

[ \text{SNR}o=\frac{\left|\int{-\infty}^{\infty} S(f)H(f)e^{j2\pi f t_0},df\right|^2}{\frac{N_0}{2}\int_{-\infty}^{\infty}|H(f)|^2,df} ]

现在，问题变成：在所有可能的 (H(f)) 中，选哪一个能让这个比值最大？

分子是信号频谱和滤波器频率响应乘积的积分，分母是滤波器能量的积分。直觉上，如果滤波器只在信号很强的频率上放大信号，在信号很弱的频率上压低噪声，SNR 就会变大。但数学上需要严格约束。

2.3 用柯西-施瓦茨不等式导出最大值

柯西-施瓦茨不等式有两个函数 (A(f))、(B(f))，它说：

[ \left|\int A(f)B(f),df\right|^2 \le \int |A(f)|^2,df \int |B(f)|^2,df ]

等号成立的充分必要条件是 (A(f)) 与 (B(f)) 共轭成比例。

把分子里的积分看作两个函数的乘积：

[ A(f)=S(f)e^{j2\pi f t_0},\qquad B(f)=H(f) ]

那么：

[ \left|\int_{-\infty}^{\infty} S(f)H(f)e^{j2\pi f t_0},df\right|^2 \le \int_{-\infty}^{\infty}|S(f)|^2,df \int_{-\infty}^{\infty}|H(f)|^2,df ]

其中：

[ \int_{-\infty}^{\infty}|S(f)|^2,df=E_s ]

是信号 (s(t)) 的总能量。于是：

[ \text{SNR}o \le \frac{E_s \int{-\infty}^{\infty}|H(f)|^2,df}{\frac{N_0}{2}\int_{-\infty}^{\infty}|H(f)|^2,df}

\frac{2E_s}{N_0} ]

这个结果非常简洁：任意线性滤波器，无论怎么设计，输出 SNR 都不可能超过 (2E_s/N_0)。这个上限只取决于信号能量 (E_s) 和噪声功率谱密度 (N_0)，与信号具体波形无关。

2.4 等号成立条件：滤波器与信号共轭匹配

等号成立要求：

[ H(f)=k\left[S(f)e^{j2\pi f t_0}\right]^=kS^(f)e^{-j2\pi f t_0} ]

这里 (k) 是任意常数，影响输出幅度但不影响 SNR。通常取判决时刻为符号结束时刻 (T)，于是：

[ H(f)=kS^*(f)e^{-j2\pi fT} ]

对应的时域冲激响应为：

[ h(t)=k,s(T-t) ]

如果 (s(t)) 是实信号，不需要共轭，就是：

[ h(t)=k,s(T-t) ]

这就是匹配滤波器公式的由来。“匹配”指滤波器的频谱与信号频谱共轭匹配：幅度上，信号强的频率滤波器放大得多；相位上，滤波器补偿信号相位，使所有频率分量在 (T) 时刻同相叠加。

注意：比例常数 (k) 不会改变 SNR，但在工程实现中会影响输出幅度，通常需要结合 ADC 满量程和后续量化来调整，不能随意选择。

3. 积分里到底发生了什么：匹配滤波、相关与积分器

3.1 从频域看：共轭匹配让信号分量相干叠加

匹配滤波的频率响应 (H(f)=kS^*(f)e^{-j2\pi fT}) 做了一件事：把信号频谱 (S(f)) 的每个频率分量乘上一个与它共轭的复权值。

可以这样理解：

• (S(f)) 表示第 (f) 个频率分量的幅度和相位；
• (S^*(f)) 的相位是 (-S(f)) 的相位，乘上去之后该频率分量的相位被“掰直”了；
• 再乘上 (e^{-j2\pi fT})，相当于把所有频率分量的相位对齐到 (t=T) 这个时间点。

于是，在 (t=T) 时刻，信号的所有频率分量从不同相位被校正到同一方向，相干叠加成峰值。输出信号瞬时值等于信号能量：

[ s_0(T)=\int_{-\infty}^{\infty}|S(f)|^2,df=E_s ]

噪声不同。白噪声每个频率分量的相位是随机的，滤波器虽然也给它加权，但无法让所有随机相位对齐。噪声功率只会按滤波器的能量累加，不会出现“相干叠加”的效果。

所以匹配滤波的本质可以概括为：信号分量相干叠加，噪声分量非相干叠加。

3.2 从时域看：卷积变成相关

把 (h(t)=s(T-t)) 代回卷积表达式，在 (t=T) 时刻：

[ y(T)=\int_{-\infty}^{\infty}r(\tau)h(T-\tau),d\tau =\int_{-\infty}^{\infty}r(\tau)s(\tau),d\tau ]

如果信号只在 ([0,T]) 内存在，则：

[ y(T)=\int_0^T r(\tau)s(\tau),d\tau ]

这正是接收信号 (r(t)) 与本地参考信号 (s(t)) 的内积，也就是相关运算。匹配滤波器在采样时刻的输出，等价于把接收信号和发送波形做一次相关积分。

因此，匹配滤波器和相关接收机在采样时刻完全等价：

• 匹配滤波器：用 FIR 滤波器或卷积实现；
• 相关接收机：用乘法器加积分器实现；
• 数字实现：用本地参考信号与接收采样序列做相关累加。

3.3 采样时刻为什么是 (T)：能量集中点

为什么选择 (T)，而不是 (0) 或者 (T/2)？

因为信号 (s(t)) 从 0 开始，在 (T) 时刻结束。如果把信号看成一整段波形，那么只有到 (T) 时刻，完整波形才全部进入滤波器；在此之前，部分信号还没有被积分，输出 SNR 达不到最大。

如果采样时刻早于 (T)，相当于积分区间只覆盖了部分信号能量，输出 SNR 下降。如果采样时刻晚于 (T)，信号已经结束，滤波器后续会进入纯噪声区间，虽然信号分量还在，但失去了最佳定时起点。实际系统中，这个 (T) 对应符号周期或脉冲结束时刻，定时同步的作用就是找到这个最佳采样点。

3.4 直观理解：积分为什么能提高 SNR

用一个最简单的矩形脉冲来感受。

设发送脉冲为：

[ s(t)=A,\quad 0\le t\le T ]

匹配滤波器就是一个持续 (T) 秒的积分器：

[ y(T)=\int_0^T r(t),dt ]

对信号部分：

[ \int_0^T A,dt=AT ]

信号幅度随积分时间线性增长。对零均值白噪声，积分结果的方差为：

[ E\left[\left(\int_0^T n(t),dt\right)^2\right]=\frac{N_0}{2}T ]

噪声标准差正比于 (\sqrt{T})。于是输出 SNR 变成：

[ \text{SNR}_o=\frac{A^2T^2}{N_0T/2}=\frac{2A^2T}{N_0} ]

而输入信号的瞬时 SNR 大约是 (A^2/(N_0B))。积分过程让信号幅度按时间积累，噪声幅度只按时间的平方根随机游走，这就是处理增益的来源。

换到离散域更好理解：把 (N) 个采样点相加，信号幅度变为原来的 (N) 倍，噪声幅度标准差变为原来的 (\sqrt{N}) 倍，所以 SNR 提高为原来的 (N) 倍。

“积分”不是把信号平均掉，而是把信号的特征能量提取出来。匹配滤波的积分区间和参考波形，决定了它能提取多少信号能量，同时压制多少噪声。

3.5 匹配滤波器、相关器与积分器的区别

关键区别在于：相关器和匹配滤波器都要求知道发送波形 (s(t))，而普通积分器没有任何波形信息，它只是默认信号是恒定的。如果发送的是升余弦脉冲、扩频码或线性调频信号，普通积分器会损失大量性能，匹配滤波器却能完整利用波形结构。

4. 用 Python 仿真验证：不同滤波器下的输出 SNR 对比

4.1 仿真参数与信号模型

为了把“匹配滤波 SNR 最大”这句话变成可观察的结果，我们用离散基带模型做一次蒙特卡洛仿真。

仿真参数：

• 脉冲长度 (N=128) 个采样点；
• 发送波形使用升余弦脉冲：

[ s[n]=0.5\left(1-\cos\frac{2\pi n}{N-1}\right),\quad n=0,1,\dots,N-1 ]

• 噪声为加性高斯白噪声，方差 (\sigma^2=1)；
• 输入样本 SNR 约为 0 dB（信号峰值幅度为 1，噪声方差为 1）；
• 蒙特卡洛次数设为 20000，用来估计噪声通过滤波器后的平均功率。

这个仿真脚本计算三种情况：

1. 直接采样：不对信号做滤波，直接取原始波形峰值点；
2. 矩形平均滤波器：长度为 (N)，系数全为 (1/N)；
3. 匹配滤波器：冲激响应为发送波形的翻转。

4.2 仿真代码

import numpy as np def filter_output_snr(s, h, trials=20000, noise_var=1.0, seed=0): """ 计算给定滤波器 h 在峰值采样点的输出 SNR。 s: 发送信号序列 h: 滤波器冲激响应 trials: 蒙特卡洛次数 noise_var: 噪声方差 """ rng = np.random.default_rng(seed) # 信号单独通过滤波器，找到峰值采样点 y_signal = np.convolve(s, h) peak_idx = np.argmax(np.abs(y_signal)) signal_power = y_signal[peak_idx] ** 2 # 噪声通过滤波器，统计峰值采样点的噪声平均功率 noise_power_sum = 0.0 for _ in range(trials): noise = rng.normal(0.0, np.sqrt(noise_var), size=len(s)) y_noise = np.convolve(noise, h) noise_power_sum += y_noise[peak_idx] ** 2 noise_power = noise_power_sum / trials return signal_power / noise_power, signal_power, noise_power # 发送波形：升余弦脉冲 N = 128 n = np.arange(N) s = 0.5 * (1 - np.cos(2 * np.pi * n / (N - 1))) # 匹配滤波器：发送信号时间翻转 h_mf = s[::-1].copy() # 矩形平均滤波器 h_box = np.ones(N) / N # 直接采样：相当于冲激响应为 [1] h_imp = np.array([1.0]) noise_var = 1.0 snr_mf = filter_output_snr(s, h_mf, noise_var=noise_var) snr_box = filter_output_snr(s, h_box, noise_var=noise_var) snr_imp = filter_output_snr(s, h_imp, noise_var=noise_var) print(f"直接采样 SNR = {snr_imp[0]:.2f}") print(f"矩形平均滤波 SNR = {snr_box[0]:.2f}") print(f"匹配滤波 SNR = {snr_mf[0]:.2f}") print(f"信号能量 Es = {np.sum(s ** 2):.2f}")

代码中有几个关键点需要说明：

• np.convolve(s, h)获得的是信号通过滤波器的完整输出，用argmax找峰值位置，而不是机械地固定某个下标；
• 噪声通过同一个滤波器后，只统计峰值位置那一个点的功率，这和匹配滤波“采样判决”的工作方式一致；
• 直接采样可以看成 (h=[1]) 的恒等滤波器，它不改变噪声方差，也不对信号做积累。

4.3 预期结果分析

在噪声方差为 1、升余弦脉冲长度为 128 的仿真条件下，结果大致如下：

这里的“约”是蒙特卡洛估计值会随随机种子有轻微波动。如果 trials 足够大，结果会稳定在理论值附近。

匹配滤波输出 SNR 的理论值是：

[ \frac{E_s}{\sigma^2}=\frac{\sum_{n=0}^{N-1}s^2[n]}{\sigma^2} ]

对于长度为 128 的升余弦脉冲，信号能量大约在 48 附近。这比直接采样的 SNR 高约 17 dB，比矩形平均滤波器高约 1.8 dB。

为什么矩形平均滤波器也有效果？因为它本质上是一个低通滤波器，压掉了一部分噪声，也保留了大部分信号低频能量。但平均滤波器没有利用升余弦脉冲的形状信息，它会削掉脉冲的峰值。匹配滤波器则把整个波形考虑进去，在采样点让所有信号分量同相叠加。

如果把这个仿真中的发送信号换成矩形脉冲，会发现匹配滤波器系数和矩形平均滤波器完全一样：因为矩形脉冲的时间翻转还是矩形脉冲。这个例子能帮助理解，匹配滤波不是某种固定结构，它是和发送波形绑定的。

4.4 从仿真结果能得出什么结论

• 匹配滤波输出 SNR 高于任何其他线性滤波器，这由柯西-施瓦茨不等式保证；
• 滤波器的“针对性”很重要：充分利用波形结构的滤波器，比通用低通滤波器更优；
• 直接采样几乎总是最差，因为它完全没有利用相邻采样点之间的相关信息；
• 输出 SNR 最终受限于信号能量，而不是信号幅度。两个波形如果能量相同，匹配滤波可以达到一样的最大输出 SNR。

5. 工程实现中的常见问题与排错思路

5.1 采样率不是符号速率的整数倍

现象：在仿真或实机中，匹配滤波输出峰值点不在整数采样点上，峰值幅度偏低，SNR 小于理论值。

原因：匹配滤波的最佳采样时刻是符号结束时刻 (T)。如果采样时钟与符号时钟不同步，采样点会偏离 (T)，信号分量没有完全对齐。

检查方式：打印匹配滤波输出序列，观察峰值附近是否有明显的能量扩散；用内插后的波形重新搜索峰值，确认偏移量。

处理建议：实际接收机中不能只靠匹配滤波完成全部工作，还需要定时同步。常见做法是过采样若干倍，比如每个符号采样 4 到 8 个点，再用 Gardner 算法或早迟门算法估计最佳采样时刻。学习阶段可以先手动调整peak_idx，观察不同采样偏移对 SNR 的影响。

5.2 载波频偏导致匹配滤波失配

现象：接收信号存在残余载波频偏时，匹配滤波输出峰值下降，星座图旋转，误码率变差。

原因：匹配滤波假设接收信号与本地参考信号之间没有频率偏移。频偏会让信号在相关积分过程中产生相位旋转，部分时间分量正负相消。

检查方式：在仿真中给信号乘上 (e^{j2\pi \Delta f n})，分别观察零频偏和 100 Hz 频偏下的匹配滤波输出峰值。

处理建议：在匹配滤波之前完成粗频偏估计和补偿，或者在匹配滤波之后使用差分检测。对于突发通信，可以利用前导码做频偏估计；对于连续通信，可以用 Costas 环或频域估计。

5.3 滤波器长度截断引起的损失

现象：理论上匹配滤波器冲激响应应该覆盖完整信号，但工程中为了控制 FIR 滤波器阶数，只取主瓣附近的一段，结果 SNR 下降。

原因：截断相当于对匹配滤波器的理想冲激响应加了一个矩形窗，频谱被展宽，损失了部分信号能量，同时可能引入带外噪声。

检查方式：用完整长度和不完整长度分别做仿真，比较输出 SNR；观察滤波器幅频响应是否明显偏离信号频谱形状。

处理建议：保留信号主要能量区间，一般取包含信号 99% 能量的时间范围；必要时对滤波器系数加窗，比如汉明窗或凯塞窗，用来权衡主瓣宽度和旁瓣抑制。注意：加窗改变的是实现近似程度，理想情况下还是应该用完整参考信号。

5.4 量化噪声和有限字长效应

现象：浮点仿真中匹配滤波输出 SNR 很理想，但换成定点实现后 SNR 明显下降。

原因：ADC 量化会引入量化噪声，滤波器系数量化和乘累加运算的有限字长也会损失精度。高 SNR 场景下，量化噪声可能主导接收机性能。

检查方式：分别用 float32 和定点 Q 格式仿真，观察 SNR 差异；检查滤波器系数是否出现大量接近零的小数点值。

处理建议：合理设计 AGC，使输入信号幅度接近 ADC 满量程但不过载；滤波器归一化到整数范围；对乘累加结果保留足够位宽，防止溢出。工程上建议先做定点仿真，再上 FPGA 或 DSP。

5.5 信道存在多径时，匹配滤波不再是唯一最优

现象：在平坦衰落信道下匹配滤波工作正常，但在多径信道下误码率较高，单纯匹配滤波无法满足性能要求。

原因：匹配滤波的最优性建立在 AWGN 信道假设上。多径信道会让每个符号扩展到多个时刻，产生码间串扰。此时接收信号变成多个延迟副本的叠加，只匹配单个发送波形不够。

检查方式：用信道冲激响应卷积发送信号，再经过匹配滤波器，观察输出眼图是否闭合。

处理建议：实际系统通常采用“匹配滤波 + 均衡”的组合。例如在 WCDMA/LTE 接收机中，接收端往往先做匹配滤波或 Rake 接收，再做信道均衡。匹配滤波的结论没有错，只是应用前提要扩展。

5.6 常见问题速查表

6. 最佳实践与扩展方向

6.1 接收机匹配滤波器设计检查清单

在实现一个使用匹配滤波的接收链路时，建议按这个顺序检查：

1. 确认信号模型：符号速率、脉冲成形、过采样率、载波频率；
2. 确认噪声模型：是白噪声还是色噪声？是否包含窄带干扰？
3. 构造参考信号：用与发射端一致的脉冲成形波形，而不是随便截一段接收信号；
4. 生成滤波器系数：(h[n]=s^*[N-1-n])，实信号可以省略共轭；
5. 确认增益：根据 ADC 满量程和滤波器能量调整比例常数 (k)；
6. 定位采样点：与定时同步模块配合，保证采样点落在峰值位置；
7. 验证理论 SNR：用 (2E_s/N_0) 或离散域的 (E_s/\sigma^2) 做上限参考；
8. 完成蒙特卡洛仿真：统计星座图、误码率、EVM，而不只是看波形是否相似；
9. 处理非理想因素：频偏、多径、量化、载波泄漏；
10. 做完整链路验证：匹配滤波输出后面接解调、解码时才判断最终性能。

6.2 匹配滤波与相邻概念的关系

相关接收机可以视为匹配滤波的时域等价实现。在二进制最佳接收中，如果两个发送信号等能量，匹配滤波输出再送入判决器，等价于最大似然检测。也就是说，匹配滤波本身不是完整的“接收机”，它只是接收机中的前端处理，最佳判决还要结合噪声分布和信号先验概率。

另一个常见概念是根升余弦滤波。在数字通信系统中，发射端通常用根升余弦脉冲成形，接收端也用根升余弦匹配滤波，两者级联后构成升余弦滤波器。这样做的目的是：匹配滤波保证采样点 SNR 最大，同时通过根升余弦的频谱约束，使相邻符号在采样时刻不产生码间串扰。

理解这一点后，学习路径可以继续向前推进：

• 从匹配滤波到相关接收机；
• 从相关接收机到最大似然序列检测（MLSE）；
• 从匹配滤波到 Rake 接收机和信道均衡；
• 从单载波匹配滤波到 OFDM 的频域均衡。

每一个方向都会用到匹配滤波“让信号相干叠加、让噪声非相干叠加”这个底层直觉。

6.3 学习建议：动手改一个参数，胜过重读三遍书

对刚开始接触匹配滤波的读者，最有效的练习不是抄写公式，而是把公式还原成仿真程序，然后反复改参数：

• 把升余弦脉冲换成矩形脉冲，观察匹配滤波器系数变成什么；
• 把噪声方差调大调小，观察输出 SNR 与理论值是否仍然一致；
• 把判决采样点故意偏移几个采样点，观察 SNR 损失；
• 把参考波形换成错误波形，例如用矩形波匹配升余弦脉冲，观察性能恶化。

你会直观看到：匹配滤波的输出 SNR 达到最大，并不是“滤波”这个动作本身有魔法，而是因为积分区间内的参考波形完整刻画了信号结构。所谓“积分里发生了这件事”，本质上就是所有信号分量在采样时刻被压到同相，而噪声分量始终无法被压成同相。

在通信原理中，这个结论是整个最佳接收理论的起点。理解了匹配滤波为什么让 SNR 最大，后面的相干解调、相关接收、误码率分析都会变得顺理成章。