SNDR 分析与 BER 估算

前言

最近在用 Infiniium 分析 PAM4 波形时，我一直没有完全想明白 SNDR 到底是怎么计算的。软件除了给出最终的 SNDR，还能显示 SNDR Input、Pulse Corrected、Error 和 Linear Fit Pulse Response 四条中间波形。乍看之下，好像就是用已知码型拟合一个脉冲响应，再用拟合波形与原始波形做差，但仔细看会发现事情没有这么简单：SNDR Input 并不是直接输入示波器的原始波形，而且它的眼图有时甚至比原始统计眼图张开得更好。

把整个计算过程捋顺以后，我发现 SNDR 的核心并不是简单计算一个“信号功率除以噪声功率”，而是先将测得的波形拆成三个部分：可以由线性系统解释的有效响应、不能由线性系统解释的失真，以及随机噪声。最后再根据这三部分计算信号质量。

SNDR 到底想测什么

SNDR 是 Signal to Noise and Distortion Ratio，即信号与噪声及失真之比。Infiniium 文档给出的计算式为：

SNDR=10log⁡10(Pmax⁡2σe2+σn2)\mathrm{SNDR}=10\log_{10}\left(\frac{P_{\max}^2}{\sigma_e^2+\sigma_n^2}\right)

其中：

  • Pmax⁡P_{\max} 来自线性拟合脉冲响应，代表有效线性信号的幅度或能量指标，具体算法取决于所选择的标准；
  • σe\sigma_e 是线性拟合误差波形 e(k)e(k) 的标准差，代表不能被最佳线性模型解释的失真；
  • σn\sigma_n 是从 PAM 电平稳定区域测得的随机噪声。

这里最重要的是，SNDR 没有把所有误差混在一起计算，而是将随机噪声和线性拟合失真分开测量。理解这一点，后面的码型平均、脉冲拟合以及 Error 波形就都能串起来了。

第一步：利用长连码测量随机噪声

以 IEEE PRBS13Q 的测量方式为例，算法会在码型中寻找至少六个连续相同的 PAM4 符号，例如：

000000,111111,222222,333333000000,\quad111111,\quad222222,\quad333333

这里的 0、1、2、3 表示 PAM4 的四个电平，不是二进制比特。算法在这些长连码的第 3 个 UI 中心取样。之所以选择中间位置，是为了尽量远离长连码两端的跳变，减小前后符号和 ISI 对平台电压的影响。

对于某个电平，例如 Level 1，算法会找到码型中多次满足条件的位置，收集这些位置的电压：

v1,1,v1,2,…,v1,Nv_{1,1},v_{1,2},\ldots,v_{1,N}

然后计算这些采样值围绕平均电平的标准差：

σn,1=1N−1∑i=1N(v1,i−vˉ1)2\sigma_{n,1}=\sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(v_{1,i}-\bar v_1)^2}

四个电平分别得到 σn,0\sigma_{n,0}、σn,1\sigma_{n,1}、σn,2\sigma_{n,2} 和 σn,3\sigma_{n,3}，再按照所选标准规定的方式合并，得到最终的 σn\sigma_n。

需要注意，这里的平均与后面生成 SNDR Input 时的“码型平均”不是同一回事。这里是在多个稳定平台位置上统计电压离散程度，目的是估计随机噪声；码型平均则是把多个完整码型周期对齐后逐点平均，目的是提取确定性的波形响应。

第二步：原始波形为什么要同步和码型平均

如果直接用拟合波形减去未经处理的原始波形，理论上似乎也能得到误差，但这个误差会同时包含失真、随机噪声、随机抖动、采样时刻偏差和触发漂移。尤其在信号边沿处，极小的时间偏移都会产生很大的电压差：

y(t+Δt)−y(t)≈dy(t)dtΔty(t+\Delta t)-y(t)\approx\frac{dy(t)}{dt}\Delta t

如果两条完全相同的波形只错开了一点时间，边沿处依然会出现很大的 Error。因此，在逐点相减之前，必须先让实测波形与已知码型处于同一个时间和码型坐标中。

这个过程可以分成三个层次。

首先是时钟恢复。示波器通过 CDR 或软件 PLL 从波形跳变中恢复符号时钟，确定每个 UI 的边界和相位参考。对于 PAM4，恢复的是符号时钟而不是比特时钟。例如 106.25 Gb/s PAM4 的符号率为 53.125 GBd，CDR 应按照 53.125 GBd 的 UI 工作。

其次是码型同步。仅仅知道 UI 边界还不够，算法还要知道当前 UI 对应 PRBS 序列中的哪个符号。软件会对判决后的 PAM4 符号与指定码型进行相关匹配，找到码型起点。时钟同步解决的是“每个 UI 在哪里”，码型同步解决的是“这个 UI 是码型中的第几个符号”。

最后是重采样与码型平均。软件按照 Points Per UI 将每个 UI 插值到统一的采样网格，再将多个完整码型周期循环对齐。假设设置 Number of Averages = M，则同一码型位置上的采样值被逐点平均：

ySNDR(k)=1M∑m=1Mym(k)y_{\mathrm{SNDR}}(k)=\frac{1}{M}\sum_{m=1}^{M}y_m(k)

这条平均后的波形就是 SNDR Input。

SNDR Input 到底消除了什么

码型平均会抑制与码型不同步的随机成分。对于独立随机噪声，理想情况下平均后的标准差约为：

σavg≈σM\sigma_{\mathrm{avg}}\approx\frac{\sigma}{\sqrt M}

因此，热噪声、随机电压噪声和部分非同步干扰会明显减小。CDR 能够跟踪的低频相位漂移，也会在时钟对齐和重采样过程中得到补偿。

但是，不能简单说 SNDR Input 已经“剔除了所有噪声和 jitter”。码型平均仍会保留与码型同步、每次重复都会出现的成分，例如：

  • 线性带宽限制和线性 ISI；
  • 数据相关抖动；
  • 电平压缩和 PAM4 电平不等间隔；
  • 上升沿与下降沿不对称；
  • 与码型相关的非线性失真；
  • 与码型同步的周期性串扰或干扰。

所以更准确地说，SNDR Input 是从原始采样中提取出的确定性代表波形。随机噪声并没有被 SNDR 忽略，而是被码型平均从拟合波形中压低，再通过前面单独测得的 σn\sigma_n 加回 SNDR 分母。如果直接使用未经平均的原始波形计算 Error，随机噪声已经包含在误差中，最后再加一次 σn2\sigma_n^2，就可能造成重复计算。

为什么 SNDR Input 与原始波形看起来码型不一致

SNDR Input 来源于原始采样，但它并不是原始波形在相同横轴上的简单副本。原始波形按照示波器的采集时间排列，而 SNDR Input 按照恢复时钟和识别出的码型位置重新组织。软件可能将内部定义的码型起点放到横轴零点，因此两条波形很可能只是发生了循环移位：

ySNDR(k)=yraw(k+k0)y_{\mathrm{SNDR}}(k)=y_{\mathrm{raw}}(k+k_0)

除此之外，Linear Fit Pulse Delay、每 UI 采样点数、显示区间和独立的 Function Scaling 都会让两条波形看起来不一样。因此，不能只按照屏幕上的相同横坐标肉眼比较。更可靠的方法是分别在 UI 中心判决出 0、1、2、3 符号，再对两个序列做循环互相关。

在正确配置下，两条序列应该能够通过固定延迟或循环移位对应起来。如果无论怎样移位都无法匹配，就要检查：

  • 实际输入是否真的是所选的 PRBS13Q；
  • 自己生成的 PRBS13 到 PAM4 的 bit-to-symbol 映射是否符合标准；
  • PAM4 极性和 Gray 映射是否一致；
  • CDR 使用的是波特率还是误用了比特率；
  • 自动码型检测是否因为严重闭眼而识别错误；
  • 软件中设置的码型长度是否正确。

尤其需要注意，“用 PRBS13 驱动 PAM4”不一定等于标准规定的 PRBS13Q。如果是自己生成两路 PRBS13 再组合成 PAM4，码型顺序和映射规则可能与仪器内置标准不同。

为什么原始眼闭合，但 SNDR Input 的眼却可能张开

如果一个周期波形逐采样点完全重复，那么码型平均前后确实应该完全相同：

y1(k)=y2(k)=⋯=yM(k)y_1(k)=y_2(k)=\cdots=y_M(k)

此时：

ySNDR(k)=y1(k)y_{\mathrm{SNDR}}(k)=y_1(k)

因此，确定性 ISI 导致的眼闭合不会被码型平均消除。对于同一个码型位置，如果前后符号造成的电压偏移每个周期都完全重复，这些轨迹在 SNDR Input 中依然存在。

但“数字码型周期重复”不代表“每次采到的模拟波形完全相同”。实际波形可以表示为：

ym(k)=ydet(k)+nm(k)+jm(k)y_m(k)=y_{\mathrm{det}}(k)+n_m(k)+j_m(k)

其中 ydety_{\mathrm{det}} 是确定性响应，nmn_m 和 jmj_m 分别代表每次不同的随机噪声和随机抖动。原始统计眼图叠加了大量采集结果，所以会看到轨迹变粗、边沿横向扩散以及电平上下扩散；SNDR Input 则是在时钟和码型对齐后得到的平均代表波形，所以眼图可能明显变干净、变张开。

这说明原始眼图的闭合至少有一部分来自随机噪声、随机抖动或时钟漂移，而不全是确定性 ISI。可以将 Number of Averages 依次设置为 1、2、4、8、16 进行验证：如果固定的多轨迹结构不变，只是轨迹逐渐变细，说明确定性 ISI 被保留；如果眼图随平均次数明显张开，说明随机成分占比较大。

还要保证比较的是相同条件下的眼图，包括 CDR、PLL 带宽、UI 速率、均衡、滤波、显示比例、持续时间以及每 UI 采样点数。SNDR Function 波形有独立的自动缩放，仅凭视觉效果也可能产生误判。

第三步：根据 SNDR Input 拟合线性脉冲响应

得到 SNDR Input 后，算法利用已知 PAM4 符号序列 a(k)a(k) 构造卷积矩阵 AA，再通过最小二乘求一个脉冲响应 p(k)p(k)：

pfit=arg⁡min⁡p∥ySNDR−Ap∥2p_{\mathrm{fit}}=\arg\min_p\left\|y_{\mathrm{SNDR}}-Ap\right\|^2

得到的 p(k)p(k) 就是 Linear Fit Pulse Response。它不是直接测得的物理通道冲激响应，而是在所设置的 Linear Fit Pulse Length 范围内，最能够解释 SNDR Input 的等效线性脉冲响应。

如果测量没有做严格去嵌，它可能同时包含：

  • 发射机输出带宽；
  • 封装和电气通道响应；
  • 调制器或光电链路的线性响应；
  • 示波器和测试夹具响应；
  • 其他能够由线性时不变模型解释的效应。

因此，把它直接叫作“通道脉冲响应”并不严谨。更准确的说法是当前测量参考面上看到的等效线性脉冲响应。

Linear Fit Pulse Length 也会影响拟合结果。如果脉冲长度太短，长尾 ISI 无法被 p(k)p(k) 表示，本应属于线性响应的部分也会泄漏到 Error 中；如果长度足够，线性带宽限制、反射和长尾 ISI 会被拟合脉冲响应吸收。

第四步：Pulse Corrected 理想线性重构波形

将已知码型与拟合脉冲响应卷积：

yfit(k)=a(k)∗pfit(k)y_{\mathrm{fit}}(k)=a(k)*p_{\mathrm{fit}}(k)

得到的就是 Pulse Corrected。

这个名字很容易让人以为它是经过脉冲校正或均衡后的张眼波形，但其实不是。它表示的是：如果当前测得的系统能够完全由刚才拟合出的线性系统描述，这个码型理论上应该产生什么波形。因此它更接近“线性拟合重构波形”。如果拟合出的脉冲响应本身包含线性 ISI，那么 Pulse Corrected 也会包含对应的 ISI，并不是理想方波。

第五步：Error 与失真项计算

将 SNDR Input 与 Pulse Corrected 做差：

e(k)=ySNDR(k)−yfit(k)e(k)=y_{\mathrm{SNDR}}(k)-y_{\mathrm{fit}}(k)

得到的 e(k)e(k) 就是 Error 波形。然后对 Error 计算去除均值后的标准差或 AC RMS：

σe=1N∑k=1N[e(k)−eˉ]2\sigma_e=\sqrt{\frac{1}{N}\sum_{k=1}^{N}\left[e(k)-\bar e\right]^2}

所以 Error 和 σe\sigma_e 不是同一个东西：Error 是一整条误差波形，σe\sigma_e 是这条波形的一个统计量。

σe\sigma_e 主要反映不能被最佳线性脉冲响应解释的成分，包括非线性、电平压缩、PAM4 电平不等间隔、上下边沿不对称、非线性码型相关失真，以及由于脉冲长度有限、系统时变或拟合不充分造成的残差。它不等于“全部链路失真”，因为可以由线性脉冲响应解释的 ISI 已经被划入有效线性响应中。

BER 估算

用一次实际测量理解电平间距和标准差

这里我拿到了一组单波 106.25G 的 PAM4 波形数据，均衡前

均衡前 SNDR 分析

均衡后

均衡后 SNDR 分析

这就是一个比较好的例子，原眼图闭合了，但 SNDR input 和 Pulse Corrected 的眼图略微睁开。这是因为原始眼图随机噪声或抖动，经过时钟同步与码型平均，在一定程度上被分离过滤了出去。当系统随机噪声和随机抖动较大时，可以利用 SNDR Input 减弱非码型相关随机因素的影响，再通过它与 Pulse Corrected 的对比，将链路问题大致分解为可由线性脉冲响应解释的确定性线性响应，以及无法由线性模型解释的确定性失真，从而判断眼图无法张开主要是由随机因素、线性 ISI，还是非线性失真造成的。

其中四个 PAM4 电平为：

L0=−7.7978 mVL_0=-7.7978\ \mathrm{mV}

L1=−2.8156 mVL_1=-2.8156\ \mathrm{mV}

L2=2.8392 mVL_2=2.8392\ \mathrm{mV}

L3=7.6639 mVL_3=7.6639\ \mathrm{mV}

三个相邻电平间距分别为：

ΔV01=4.9822 mV\Delta V_{01}=4.9822\ \mathrm{mV}

ΔV12=5.6548 mV\Delta V_{12}=5.6548\ \mathrm{mV}

ΔV23=4.8247 mV\Delta V_{23}=4.8247\ \mathrm{mV}

如果判决门限位于相邻电平中点，则最差的电平到门限距离为：

dmin⁡=4.82472=2.4124 mVd_{\min}=\frac{4.8247}{2}=2.4124\ \mathrm{mV}

测得：

σn=0.886 mV,σe=0.277673 mV\sigma_n=0.886\ \mathrm{mV},\qquad \sigma_e=0.277673\ \mathrm{mV}

按照 SNDR 分母的平方和合并：

σtotal=σn2+σe2≈0.9285 mV\sigma_{\mathrm{total}}=\sqrt{\sigma_n^2+\sigma_e^2}\approx0.9285\ \mathrm{mV}

最差门限裕量约为：

Qmin⁡=2.41240.9285≈2.60Q_{\min}=\frac{2.4124}{0.9285}\approx2.60

如果暂时将所有误差都看成零均值高斯噪声，2.60σ2.60\sigma 对应的单侧越界概率约为 0.47%。PAM4 的最外侧电平只有一个相邻门限，中间电平则有两个相邻门限，计算时不能混为一谈。

进一步分别考虑三个实际眼高，在四个电平等概率、门限位于中点、噪声标准差相同的假设下，可以粗略估算：

SER≈12[Q(ΔV012σ)+Q(ΔV122σ)+Q(ΔV232σ)]\mathrm{SER}\approx\frac{1}{2}\left[Q\left(\frac{\Delta V_{01}}{2\sigma}\right)+Q\left(\frac{\Delta V_{12}}{2\sigma}\right)+Q\left(\frac{\Delta V_{23}}{2\sigma}\right)\right]

代入数据，SER 约为 0.5%。不过，这个结果只能用来判断数量级，因为 σe\sigma_e 是整条 Error 波形的 AC RMS，并不一定等于最佳采样时刻的高斯电压噪声。Error 在跳变边沿处可能很大，而真实接收机只在 UI 中心附近做判决。

PAM4 BER 公式中的 SNR 与 分析得到的 SNDR

回顾光电链路训练中从 SNR 推导 BER 的证明，理想等间距 PAM4 的四个电平可以写成：

−3a,−a,+a,+3a-3a,\quad-a,\quad+a,\quad+3a

相邻电平间距为 d=2ad=2a，平均符号功率为：

Ps=9a2+a2+a2+9a24=5a2P_s=\frac{9a^2+a^2+a^2+9a^2}{4}=5a^2

如果判决点高斯噪声标准差为 σ\sigma，传统 PAM4 AWGN 模型中的 SNR 为：

SNR=Psσ2=5d24σ2\mathrm{SNR}=\frac{P_s}{\sigma^2}=\frac{5d^2}{4\sigma^2}

Gray 编码 PAM4 在相邻误判占主导时，其 BER 近似为：

BERPAM4≈34Q(d2σ),Q(x)=12erfc⁡(x2)\mathrm{BER}_{\mathrm{PAM4}}\approx\frac{3}{4}Q\left(\frac{d}{2\sigma}\right),\quad Q(x)=\frac{1}{2}\operatorname{erfc}(\frac{x}{\sqrt{2}})

也可以写成：

BERPAM4≈38erfc⁡(SNR10)\mathrm{BER}_{\mathrm{PAM4}}\approx\frac{3}{8}\operatorname{erfc}\left(\sqrt{\frac{\mathrm{SNR}}{10}}\right)

这里的 SNR 与 SNDR 测量得到的 SNDR 不是同一个定义。传统公式的分子是 PAM4 四个电平的平均功率 5a25a^2，而 SNDR 的分子是由线性拟合脉冲响应计算的 Pmax⁡2P_{\max}^2：

SNDR=10log⁡10Pmax⁡2σe2+σn2\mathrm{SNDR}=10\log_{10}\frac{P_{\max}^2}{\sigma_e^2+\sigma_n^2}

不同标准对 Pmax⁡P_{\max} 的计算方式还可能不同，例如取脉冲响应最大值、平方和形式或双脉冲拟合的有效值。因此，不能把示波器显示的 SNDR dB 数值直接代入传统 PAM4 BER 公式。即使两者都叫“信号与噪声之比”，分子的物理定义也不一样。

如果强行将 σn2+σe2\sqrt{\sigma_n^2+\sigma_e^2} 当作判决点高斯噪声，可以结合实际电平间距构造一个等效 SNR，再估算 BER，但这已经加入了高斯分布、等间距和最佳采样点等额外假设，不能视为标准 SNDR 到 BER 的严格换算。

BER 能否由 SER 得到

PAM4 每个符号携带 2 bit。采用 Gray 映射且误码率较低时，错误主要发生在相邻电平之间，相邻符号只相差 1 bit。因此一次符号错误通常只造成一个 bit 错误，于是：

BER≈SER2\mathrm{BER}\approx\frac{\mathrm{SER}}{2}

如果前面粗略估算的 SER 约为 0.5%，则 BER 大约为 0.25%。但这只是相邻误判占主导时的近似。如果存在跨越两个甚至三个电平的错误，或者 PAM4 没有使用 Gray 映射，就必须知道完整的符号转移概率和 bit 映射，不能再简单除以 2。

从统计眼图估算 BER

如果示波器能够在统计眼图上直接绘制 BER 等高线，那么用它判断 BER 数量级通常比用 SNDR 反推更直接。

统计眼图描述的是电压与时间的联合概率分布：

p(V,t)p(V,t)

在给定采样时刻和判决门限下，误码率来自错误判决区域内的概率积分。它能够反映三个眼的实际高度、电平不对称、不同电平的噪声宽度、时间与幅度的联合分布，以及最佳采样相位和门限。这些信息是一个 SNDR 单值无法完整保留的。

但需要区分 BER 等高线是直接统计还是模型外推。如果只采集了 NN 个符号，直接统计能够分辨的最低概率大约只有：

Pmin⁡∼1NP_{\min}\sim\frac{1}{N}

例如只捕获 10610^6 个符号，却显示 10−1210^{-12} BER 等高线，那么 10−1210^{-12} 不可能来自真实观察到的误码，而是软件根据随机噪声、随机抖动、确定性抖动和尾部分布模型外推得到的。外推越远，结果越依赖模型是否正确，也越容易漏掉低频漂移、突发噪声和长记忆码型效应。

因此，如果目的只是判断 BER 大致处于 10−310^{-3}、10−610^{-6} 还是 10−910^{-9} 数量级，正确配置下的 BER 等高线通常比 SNDR 换算更合适；如果要证明极低 BER，则仍然需要足够长时间的 BERT 实测。

还要确认示波器显示的究竟是 BER contour、SER contour、单眼越界概率还是普通 density contour。PAM4 有三个判决门限，有些软件会合成完整 BER，有些只显示某一只眼的概率，不能只看张得最好的一只眼。

总结

SNDR 完整流程

现在可以将 SNDR 的计算过程完整概括为：

  1. 在至少六个连续相同的 PAM4 符号中，选取稳定平台的第 3 个 UI 中心，统计各电平的随机电压离散程度，得到 σn\sigma_n；
  2. 对原始波形进行时钟恢复、码型识别、重采样、周期对齐和码型平均，抑制非码型相关的随机噪声与部分抖动，得到 SNDR Input；
  3. 用已知码型对 SNDR Input 做最小二乘脉冲拟合，得到当前测量参考面上的等效线性脉冲响应 p(k)p(k)；
  4. 将码型与 p(k)p(k) 卷积，得到线性拟合重构波形 Pulse Corrected；
  5. 用 SNDR Input 减去 Pulse Corrected，得到 Error 波形 e(k)e(k)，再对它计算 AC RMS，得到 σe\sigma_e；
  6. 根据所选标准从拟合脉冲响应计算 Pmax⁡P_{\max}，最后代入 SNDR 公式。

用公式表示就是：

原始波形→CDR、码型对齐、重采样和平均ySNDR(k)\text{原始波形}\xrightarrow{\text{CDR、码型对齐、重采样和平均}}y_{\mathrm{SNDR}}(k)

pfit=arg⁡min⁡p∥ySNDR−Ap∥2p_{\mathrm{fit}}=\arg\min_p\left\|y_{\mathrm{SNDR}}-Ap\right\|^2

Pulse Corrected=Apfit\text{Pulse Corrected}=Ap_{\mathrm{fit}}

e(k)=ySNDR(k)−Apfite(k)=y_{\mathrm{SNDR}}(k)-Ap_{\mathrm{fit}}

SNDR=10log⁡10(Pmax⁡2σe2+σn2)\mathrm{SNDR}=10\log_{10}\left(\frac{P_{\max}^2}{\sigma_e^2+\sigma_n^2}\right)

SNDR 分析实际上是在问：测得的波形中，有多少可以由一个最佳线性系统解释，又有多少属于随机噪声和线性模型无法解释的失真。它更适合评价发射端波形质量和线性可恢复性；至于接收机最终会产生多少 BER，还与采样相位、判决门限、均衡、CDR、误差分布尾部以及码型映射有关。统计眼图和 BER 等高线更接近这个问题，而真正的低 BER 结论最终仍应交给长时间误码测试。

SNDR Input：提取可重复的确定性波形

原始波形可以近似表示为：

ym(k)=ydet(k)+nm(k)+jm(k)y_m(k)=y_{\mathrm{det}}(k)+n_m(k)+j_m(k)

经过时钟恢复、码型对齐和多周期平均后：

ySNDR(k)=1M∑m=1Mym(k)≈ydet(k)y_{\mathrm{SNDR}}(k) = \frac{1}{M}\sum_{m=1}^{M}y_m(k) \approx y_{\mathrm{det}}(k)

其中：

  • 非码型相关的随机电压噪声被平均压低；
  • 部分随机抖动和 CDR 能跟踪的时钟漂移被减弱；
  • 线性 ISI、反射、带宽限制等确定性线性响应被保留；
  • 非线性、电平压缩、上下边沿不对称、数据相关抖动等确定性失真也被保留。

所以，观察 SNDR Input 的眼图，可以近似回答：

如果先减弱随机噪声和随机抖动，这条链路本身可重复的确定性响应会把眼图变成什么样？

Pulse Corrected：最佳线性系统能够解释的部分

Pulse Corrected 是：

yPC(k)=a(k)∗pfit(k)y_{\mathrm{PC}}(k) = a(k)*p_{\mathrm{fit}}(k)

它表示已知码型通过最佳拟合线性系统后产生的波形，主要包含：

  • 带宽限制；
  • 线性 ISI；
  • 反射和长尾；
  • 频率相关损耗；
  • 其他能被等效线性脉冲响应描述的效应。

它不是“修复后的波形”，也不是均衡后的结果，仍然可能闭眼。观察 Pulse Corrected 的眼图，可以回答：

假如链路完全是线性的，仅仅由当前拟合出的脉冲响应决定，眼图会闭合到什么程度？

两者一起看，可以进一步分辨问题来源

由于：

SNDR Input=Pulse Corrected+Error\text{SNDR Input} = \text{Pulse Corrected} + \text{Error}

其中 Error：

e(k)=ySNDR(k)−yPC(k)e(k) = y_{\mathrm{SNDR}}(k)-y_{\mathrm{PC}}(k)

就是无法由最佳线性模型解释的剩余确定性成分，以及平均后仍残留的噪声、抖动与拟合误差。

因此可以按照下面的逻辑判断。

现象 更可能的原因
原始眼闭合，SNDR Input 张开 随机噪声、随机抖动或同步漂移占主导
SNDR Input 与 Pulse Corrected 都闭合，且两者接近 线性 ISI、带宽限制、反射或长尾占主导
Pulse Corrected 张开，但 SNDR Input 闭合 非线性、数据相关失真、电平压缩或边沿不对称占主导
两者都闭合，但 SNDR Input 比 Pulse Corrected更差 线性 ISI 与确定性非线性共同作用
SNDR Input 与 Pulse Corrected 接近且都张开 确定性链路质量较好，原始性能主要受随机项限制

总结起来，如果原始眼图闭合，而 SNDR Input 明显张开，说明闭眼主要来自随机噪声、非同步干扰或时钟波动。传统均衡器对随机电压噪声作用有限，但 CDR 仍可能补偿带宽内的抖动。

如果 SNDR Input 仍然闭合，说明存在明显的确定性问题。若 SNDR Input 与 Pulse Corrected 接近，问题主要属于线性 ISI、反射或带宽限制，FFE/CTLE/DFE 具有较大的开眼潜力；若 Pulse Corrected 明显优于 SNDR Input，则问题主要来自非线性或其他线性模型无法解释的失真，普通线性均衡的改善能力有限。