數學工具箱 Math Identities

See also：notation（權威符號與單位）、glossary（中英術語直覺）、convolution_derivation（LTV 卷積用到本頁工具）、white_noise_to_phase_noise（Parseval/積分器響應的應用場）

ISF 理論看起來很「電路」，但骨架其實是幾條標準的數學工具反覆組合。這頁把它們集中起來， 給每條一個簡短證明或出處，並標明站內哪一頁用到它。讀推導卡住時回來查， 比硬背公式有用。

怎麼用這頁：每一節先給「一句話它在說什麼」，再給「為什麼成立」（證明或出處）， 最後給「站內用在哪」。所有量都帶單位——做 dimension check（因次檢查）永遠是抓錯最快的方法。

---

1. 傅立葉級數與 Parseval（ISF 的諧波分解）

一句話：任何 $2\pi$ 週期的實函數可以拆成 DC 加一串諧波；它的「總能量」等於各諧波能量之和。 這就是把 ISF $\Gamma(\omega_0\tau)$ 拆成 $c_0,c_1,c_2,\dots$ 的數學依據。

ISF 是無因次、$2\pi$ 週期的函數，寫成餘弦級數（[P1] Eq.(12), p.183）：

$$\Gamma(\omega_0\tau)=\frac{c_0}{2}+\sum_{n=1}^{\infty}c_n\cos(n\omega_0\tau+\theta_n)$$

把自變數記成 $x=\omega_0\tau$。Parseval 關係（[P1] Eq.(20), p.185）：

$$\sum_{n=0}^{\infty}c_n^2=\frac{1}{\pi}\int_0^{2\pi}|\Gamma(x)|^2\,dx=2\,\Gamma_{rms}^2$$

為什麼成立（簡短證明）：把級數平方後對 $0$ 到 $2\pi$ 積分。不同諧波的餘弦互相正交，

$$\int_0^{2\pi}\cos(mx+\theta_m)\cos(nx+\theta_n)\,dx=\pi\,\delta_{mn}\quad(m,n\ge1),$$

所以交叉項全部消掉，只剩各自的平方項：每個 $c_n\cos(\cdot)$ 項貢獻 $c_n^2\cdot\pi$，DC 項 $\left(\frac{c_0}{2}\right)^2$ 貢獻 $\left(\frac{c_0}{2}\right)^2\cdot 2\pi=\frac{c_0^2}{2}\pi$。 兩邊除以 $\pi$ 得 $\sum_{n=1}^{\infty}c_n^2+\frac{c_0^2}{2}$。Hajimiri–Lee 把 DC 項記成 $\frac{c_0^2}{2}$（注意 $n=0$ 那一項在求和裡只算半個），整理後恰是上式的形式。

rms 的定義一致性檢查：$\Gamma_{rms}^2=\frac{1}{2\pi}\int_0^{2\pi}|\Gamma(x)|^2\,dx$ （rms 就是「均方根」，先平方、取平均、再開根）。把它代進 Parseval 右邊： $\frac{1}{\pi}\int=2\cdot\frac{1}{2\pi}\int=2\Gamma_{rms}^2$ ✓。

數值手感：理想 LC 的 $\Gamma(\theta)=-\sin\theta$，只有 $c_1=1$（其餘為 0）。 $\Gamma_{rms}^2=\frac{1}{2\pi}\int_0^{2\pi}\sin^2\theta\,d\theta=\frac12$，所以 $\Gamma_{rms}=1/\sqrt2\approx0.707$； Parseval 右邊 $2\times\frac12=1=c_1^2$ ✓。

站內用到：fourier_series_of_isf（把 ISF 分諧波、 解釋 $n\omega_0$ 附近 noise 如何下轉）、rms_isf、 lab_05（數值驗證 $\sum c_n^2=2\Gamma_{rms}^2$）。

---

2. 卷積與 LTI／LTV 的差別（為什麼振盪器是「時變」）

一句話：LTI（線性非時變）系統的脈衝響應只看「相隔多久」$t-\tau$；LTV（線性時變）系統 還要看「在什麼時刻踢」$\tau$。振盪器對 noise 是 LTV，這是 ISF 理論的核心。

LTI 的疊加是標準卷積：

$$y(t)=\int_{-\infty}^{\infty}h(t-\tau)\,x(\tau)\,d\tau .$$

• 核心特徵：$h$ 只依賴差值 $t-\tau$（time-invariant）。輸入延遲，輸出原樣延遲。

振盪器的 excess-phase 脈衝響應卻是（[P1] Eq.(10), p.182）：

$$h_\phi(t,\tau)=\frac{\Gamma(\omega_0\tau)}{q_{max}}\,u(t-\tau).$$

它同時依賴 $\tau$（透過 $\Gamma(\omega_0\tau)$——踢在波形哪個相位）與 $t-\tau$ （透過 step $u(t-\tau)$——踢完之後永久保留）。把所有過去 noise 疊起來（[P1] Eq.(11), p.182）：

$$\phi(t)=\int_{-\infty}^{\infty}h_\phi(t,\tau)\,i_n(\tau)\,d\tau=\frac{1}{q_{max}}\int_{-\infty}^{t}\Gamma(\omega_0\tau)\,i_n(\tau)\,d\tau .$$

為什麼是 LTV 而非 LTI：因為 $\Gamma(\omega_0\tau)$ 是注入絕對時刻的週期函數。同一顆 impulse， 在波峰踢（$\Gamma\approx0$）幾乎不改相位，在 zero crossing 踢（$|\Gamma|$ 最大）改最多。 這正是 [P1] Sec. III 的主張 C1：「振盪器對 noise 是 linear time-variant，不是 LTI。」

單位檢查：$h_\phi$ 的單位是 $1/\text{C}$（$\Gamma$ 無因次、$q_{max}$ 是 C、$u$ 無因次）， $\int h_\phi\, i_n\, d\tau$ 的單位 $=(1/\text{C})\cdot\text{A}\cdot\text{s}=(1/\text{C})\cdot\text{C}=$ 無因次 $=$ rad ✓。

站內用到：impulse_to_phase_shift、 convolution_derivation、 lab_04（lti_vs_ltv_impulse_response.png： LTI 的階高固定、LTV 的階高隨注入相位變）。

---

3. 積分器的頻率響應 $1/(j\omega)$（為什麼白噪 → 1/f² 相位雜訊）

一句話：相位是 noise 電流「積分」出來的（Eq.(11) 的上限是 $t$）；積分器在頻域是 $1/(j\omega)$，功率上是 $1/\omega^2$。這就是 $-20$ dB/dec 斜率的來源。

理想積分器 $y(t)=\int_{-\infty}^{t}x(\tau)\,d\tau$，對單頻 $x(t)=e^{j\omega t}$：

$$\int^{t}e^{j\omega\tau}\,d\tau=\frac{1}{j\omega}e^{j\omega t}\;\Rightarrow\;H(j\omega)=\frac{1}{j\omega}.$$

• 幅度：$|H(j\omega)|=1/\omega$。功率（PSD 乘子）：$|H|^2=1/\omega^2$。
• dB 斜率：$10\log_{10}(1/\omega^2)=-20\log_{10}\omega$，每十倍頻 $-20$ dB——就是 phase noise 的 $1/f^2$ 區斜率。

接到 ISF：把 $\Gamma$ 的 rms 當成等效增益，noise 電流 PSD $S_i$ 經「乘 $\Gamma_{rms}/q_{max}$ 再積分」得到 phase PSD：

$$S_\phi(\Delta\omega)=\frac{\Gamma_{rms}^2}{q_{max}^2}\cdot\frac{S_i}{\Delta\omega^2}.$$

• 單位檢查（用 $\text{C}=\text{A}\cdot\text{s}$）：

$$\frac{1}{\text{C}^2}\cdot\frac{\text{A}^2/\text{Hz}}{(\text{rad/s})^2}=\frac{\text{A}^2/\text{Hz}}{\text{C}^2\cdot\text{s}^{-2}}=\frac{\text{A}^2/\text{Hz}}{\text{A}^2}=\frac{1}{\text{Hz}}=\text{rad}^2/\text{Hz}\ \checkmark$$

factor-of-2 註記：用上式（時域乾淨推導）得 $\mathcal{L}=\frac12 S_\phi$，對應分母 $2\Delta\omega^2$； 而 [P1] Eq.(21), p.185 寫成 $4\Delta\omega^2$。差的 2 倍是 SSB 記帳慣例，是文獻著名小爭議， 不影響 $\Gamma_{rms}^2/q_{max}^2$ scaling 與 $-20$ dB/dec 斜率。詳見 white_noise_to_phase_noise。

站內用到：white_noise_to_phase_noise、 lab_06。

---

4. 隨機過程的 PSD 與 Wiener–Khinchin 定理

一句話：一個平穩隨機過程的「功率譜密度」（PSD）是它「自相關函數」的傅立葉轉換。 這條把時域的 noise（自相關）與頻域的 noise（PSD）連起來，是所有 phase noise 計算的地基。

對平穩隨機過程 $x(t)$，自相關 $R_x(\tau)=\langle x(t)\,x(t+\tau)\rangle$。 Wiener–Khinchin 定理：

$$S_x(\omega)=\int_{-\infty}^{\infty}R_x(\tau)\,e^{-j\omega\tau}\,d\tau .$$

• 白噪特例：$R_x(\tau)=\frac{N_0}{2}\delta(\tau)$（不同時刻完全不相關）$\Rightarrow S_x(\omega)=\frac{N_0}{2}$ （與頻率無關，「白」就是這個意思）。本站用單邊 PSD $S_i=\overline{i_n^2}/\Delta f$（A²/Hz）。
• variance（總功率）：

$$\sigma_x^2=R_x(0)=\frac{1}{2\pi}\int_{-\infty}^{\infty}S_x(\omega)\,d\omega=\int_0^{\infty}S_x^{(1\text{-side})}(f)\,df .$$

這就是 phase variance 公式 $\sigma_\phi^2=\int_{f_1}^{f_2}S_\phi(f)\,df$ 的出處：phase variance 是 phase PSD 對頻率的積分（[P1] 使用慣例；標準隨機程序結果）。

單位檢查：$S_\phi$ 是 rad²/Hz，$\int S_\phi\, df$ 的單位 $=\text{rad}^2/\text{Hz}\cdot\text{Hz}=\text{rad}^2$ ✓。

外部出處：Wiener–Khinchin 是標準隨機程序定理（不在下載的 5 篇 PDF 內，屬通用教科書內容， 例如 Papoulis；[P1] 直接使用其結論）。

站內用到：psd_phase_noise_jitter、 stochastic_processes_recap、 lab_06（用 Welch 法估 PSD）、 lab_08（積分 PSD 得 jitter）。

---

5. $10\log_{10}$ / dB 與 dBc/Hz 換算

一句話：dB 是「功率比的對數刻度」；dBc/Hz 是「相對 carrier 功率、每 Hz 頻寬」的相位雜訊單位。 記住「$\times10$ 功率 $=+10$ dB、$\times2$ 功率 $\approx+3$ dB」就夠用。

定義（功率比）：

$$X_{\text{dB}}=10\log_{10}\!\left(\frac{P}{P_{ref}}\right).$$

• 電壓/幅度比：因為功率 $\propto$ 幅度$^2$，所以 $X_{\text{dB}}=20\log_{10}(V/V_{ref})$ （多了一個 2）。
• 反向換算：$P/P_{ref}=10^{X_{\text{dB}}/10}$。
• SSB phase noise $\mathcal{L}(\Delta f)$ 的單位是 dBc/Hz：「c」= relative to carrier， 「/Hz」= 每單位頻寬。它與 phase PSD 的關係（小角近似，見第 6 節）：

$$\mathcal{L}(\Delta f)\approx\frac12 S_\phi(\Delta f)\quad\Longrightarrow\quad \mathcal{L}_{\text{dBc/Hz}}=10\log_{10}\!\left(\tfrac12 S_\phi\right),\;\; S_\phi=2\cdot10^{\mathcal{L}_{\text{dBc/Hz}}/10}\ \text{rad}^2/\text{Hz}.$$

數值手感（canonical 例 C）：$\mathcal{L}=-100$ dBc/Hz $\Rightarrow 10^{-100/10}=10^{-10}$， $S_\phi=2\times10^{-10}$ rad²/Hz。功率好 10 倍（$-110$ dBc/Hz）= 幅度（rms）好 $\sqrt{10}\approx3.16$ 倍。

常用換算表：

功率比	dB	電壓比	直覺
$\times2$	$+3.01$ dB	$\times\sqrt2$	加一倍功率
$\times10$	$+10$ dB	$\times\sqrt{10}\approx3.16$	一個數量級
$\times100$	$+20$ dB	$\times10$	兩個數量級
$\times\tfrac12$	$-3.01$ dB	$\times1/\sqrt2$	砍半

站內用到：psd_phase_noise_jitter、 numerical_feeling（Example 3 全套換算）、 white_noise_to_phase_noise。

---

6. Small-angle PM 近似（$\mathcal{L}\approx\frac12 S_\phi$ 的由來）

一句話：相位抖動很小時，相位調變的單邊帶功率約等於相位 PSD 的一半。這是把「相位 PSD」 換成「資料表上的 dBc/Hz」的橋。

考慮被相位調變的 carrier：$v(t)=A\cos\!\big(\omega_0 t+\phi(t)\big)$。當 $|\phi(t)|\ll1$ rad （small-angle，小角），用三角展開並近似 $\cos\phi\approx1$、$\sin\phi\approx\phi$：

$$v(t)=A\big[\cos\omega_0 t\cos\phi-\sin\omega_0 t\sin\phi\big]\approx A\cos\omega_0 t-A\,\phi(t)\sin\omega_0 t .$$

• 第一項是純 carrier；第二項 $-A\,\phi(t)\sin\omega_0 t$ 是「相位 sideband」——把基頻的 $\phi(t)$ 搬到 carrier 兩側。
• 對單一 offset 頻率 $\Delta f$ 的相位分量，sideband 功率正比於 $\phi$ 的功率；換算到單邊帶 （SSB，single-sideband）相對 carrier 的密度，得

$$\mathcal{L}(\Delta f)\approx\frac12 S_\phi(\Delta f).$$

那個 $\frac12$ 來自「總相位功率平分到上、下兩個 sideband」的記帳。

適用條件（重要）：只在 $\sigma_\phi\ll1$ rad 成立。若積分頻寬太寬使 $\sigma_\phi$ 接近或超過 1 rad， 這個近似失效（carrier 會被「散掉」），要用更完整的處理。canonical 例 C 的 $\sigma_\phi=14.07$ mrad $\ll1$，安全。

站內用到：psd_phase_noise_jitter、 numerical_feeling、Eq.(16) of the spec（$\mathcal{L}\approx\frac12 S_\phi$）。

---

7. 三角恆等式（推導 Eq.(15)–(18) 時的工作馬）

一句話：把「ISF 的某條諧波」乘上「注入單音」並對時間積分時，會用到積化和差， 把乘積拆成慢項（生存）與快項（積分後消失）。

注入單音 $i(t)=I_0\cos(\Delta\omega\,t)$ 靠近 DC 時，phase response（[P1] Eq.(13), p.183 的 $c_0$ 項） 要算 $\int^{t}I_0\cos(\Delta\omega\,\tau)\,d\tau=\dfrac{I_0\sin(\Delta\omega\,t)}{\Delta\omega}$， 直接得 [P1] Eq.(15), p.183：

$$\phi(t)\approx\frac{I_0\,c_0\sin(\Delta\omega\,t)}{2q_{max}\,\Delta\omega}.$$

當單音靠近 $n\omega_0$ 時要用積化和差：

$$\cos(n\omega_0\tau+\theta_n)\cos\big((n\omega_0+\Delta\omega)\tau\big) =\frac12\cos\big((2n\omega_0+\Delta\omega)\tau+\theta_n\big)+\frac12\cos\big(\Delta\omega\,\tau-\theta_n\big).$$

• 第一項頻率 $\approx2n\omega_0$（快），積分後幅度 $\propto1/(2n\omega_0)$，極小、忽略。
• 第二項頻率 $\Delta\omega$（慢、近 DC），積分後幅度 $\propto1/\Delta\omega$，生存。

只留慢項並積分，得 [P1] Eq.(16)/(17), p.183：

$$\phi(t)\approx\frac{I_0\,c_n\sin(\Delta\omega\,t)}{2q_{max}\,\Delta\omega}.$$

那個 $\frac12$ 就是積化和差掉出來的。物理意義：ISF 第 $n$ 條諧波像個 mixer（混頻器）， 把 $n\omega_0$ 附近的 noise「下轉」到 carrier 附近的低頻相位調變——這是 phase noise 的頻率搬移圖像。

常用恆等式速查：

恆等式	用途
$\cos A\cos B=\tfrac12[\cos(A-B)+\cos(A+B)]$	分離慢/快項（Eq.16/17）
$\sin^2\theta=\tfrac12(1-\cos2\theta)$	算 $\Gamma_{rms}$（$-\sin$ 的 rms=$1/\sqrt2$）
$\int^{t}\cos(\omega\tau)d\tau=\sin(\omega t)/\omega$	積分器 $1/\omega$（Eq.15）

站內用到：fourier_series_of_isf、 convolution_derivation、第 1 節 Parseval 的正交性。

---

8. Random walk variance（累積 jitter 的 $\sqrt{\Delta t}$ 律）

一句話：開環振盪器沒有絕對時間參考，每個週期的相位誤差像「醉漢走路」一樣獨立累加； 誤差的變異數線性成長，所以標準差按 $\sqrt{\Delta t}$ 成長。

設每個週期注入一個獨立、零均值、變異數 $\sigma_1^2$ 的相位誤差 $\delta_k$（白噪在一週期內積分的結果）。 經過 $M$ 個週期後總相位誤差 $\Phi_M=\sum_{k=1}^{M}\delta_k$。因為各 $\delta_k$ 獨立， 變異數可加（互相關項期望值為 0）：

$$\mathrm{Var}(\Phi_M)=\sum_{k=1}^{M}\mathrm{Var}(\delta_k)=M\,\sigma_1^2 .$$

• 量測區間 $\Delta t=M\cdot T$，所以 $M=\Delta t/T$，$\mathrm{Var}(\Phi_M)=\dfrac{\sigma_1^2}{T}\,\Delta t\propto\Delta t$。
• 換成時間 jitter（$\sigma_t=\sigma_\phi/(2\pi f_0)$）並開根號：

$$\sigma_{\Delta t}=\kappa\,\sqrt{\Delta t}\qquad([P2]\ \text{Eq.}(10),\ \text{p.793}).$$

$\kappa$ 是每個元件的比例常數，單位 $\sqrt{\text{s}}$；它由同一個 $\Gamma_{rms}^2/q_{max}^2$ 比值決定 （[P2] Eq.(12), p.793：$\kappa=\frac{\Gamma_{rms}}{q_{max}}\sqrt{\tfrac12\tfrac{\overline{i_n^2}}{\Delta f}}$，已核實）。

關鍵直覺：variance（功率）線性增長，標準差（rms）開根號增長。這是 random walk（隨機漫步）的 招牌；只要相位誤差獨立累加且無恢復力就會出現（對比：有 PLL 鎖定就有恢復力，jitter 會被壓住， 不再無上界成長）。對應主張 C6。

數值手感：若相隔 1000 個週期（5 GHz 下 $\Delta t=200$ ns），$\sigma_{\Delta t}$ 是相隔 10 個週期 （$\Delta t=2$ ns）的 $\sqrt{1000/10}=\sqrt{100}=10$ 倍——區間長 100 倍，jitter 只大 10 倍。

站內用到：lab_03 （ring_oscillator_timing_noise_accumulation.png：$\sigma_{\Delta t}=\sigma\sqrt{\Delta N}$ 隨機漫步）、 psd_phase_noise_jitter、 serdes_clocking_connection。

---

9. 大相位調變：Bessel 邊帶與小角近似的失效邊界

一句話：第 6 節的 small-angle PM（$\mathcal{L}\approx\frac12 S_\phi$）只是「大相位調變」在 $\beta\ll1$ 時的第一階近似；完整解是一條無窮 Bessel 邊帶梯，載波與每條邊帶的幅度分別是 $J_0(\beta)$、$J_n(\beta)$。這節把梯子搭出來，並量化小角近似何時開始不準。

9.1 Jacobi–Anger 展開（外部文獻，非本站 5 篇 PDF）

對任意實數 $\beta$（調變指數）與角度 $\Omega t$，Jacobi–Anger 展開（標準特殊函數恆等式， 例如 Abramowitz & Stegun 9.1.42；外部文獻，非本站 5 篇 PDF）：

$$e^{j\beta\sin\Omega t}=\sum_{n=-\infty}^{\infty}J_n(\beta)\,e^{jn\Omega t}$$

其中 $J_n(\beta)$ 是第一類 $n$ 階 Bessel 函數。為什麼成立（一句話出處）：$e^{j\beta\sin\Omega t}$ 對 $\Omega t$ 是 $2\pi$ 週期函數，把它做傅立葉級數展開，其係數的積分定義 $\frac{1}{2\pi}\int_{-\pi}^{\pi}e^{j(\beta\sin x-nx)}dx$ 剛好就是 $J_n(\beta)$ 的積分表示式 （Bessel 函數的標準定義之一）；這裡不重新推導積分表示式本身，只引用其結論。

性質（後面會用到）：$J_{-n}(\beta)=(-1)^n J_n(\beta)$（偶 $n$ 對稱、奇 $n$ 反對稱）， 以及 Bessel 函數的 Parseval-like 恆等式：

$$\sum_{n=-\infty}^{\infty}J_n(\beta)^2=1\qquad(\forall\beta)$$

這條之後可以核對「邊帶梯總功率守恆」——完全類比第 1 節 ISF 傅立葉係數的 Parseval 關係。

9.2 單音 PM 的邊帶梯

考慮被單一音頻 $\Omega$ 做相位調變的 carrier（把第 6 節的 $\phi(t)=\phi_p\sin\Omega t$ 記成 $\phi(t)=\beta\sin\Omega t$，$\beta$ 就是調變指數，也就是 peak phase deviation，單位 rad）：

$$V(t)=\cos\!\big(\omega_0 t+\beta\sin\Omega t\big)$$

把它寫成 $\mathrm{Re}\{e^{j\omega_0 t}\,e^{j\beta\sin\Omega t}\}$，代入 Jacobi–Anger：

$$V(t)=\mathrm{Re}\left\{e^{j\omega_0 t}\sum_{n=-\infty}^{\infty}J_n(\beta)e^{jn\Omega t}\right\} =\sum_{n=-\infty}^{\infty}J_n(\beta)\cos\big((\omega_0+n\Omega)t\big)$$

這就是完整的 Bessel 邊帶梯：

• 載波（$n=0$）：幅度 $J_0(\beta)$，落在 $\omega_0$。
• 第 $n$ 條邊帶（$n=\pm1,\pm2,\dots$）：幅度 $J_n(\beta)$，落在 $\omega_0+n\Omega$。
• 因為 $J_{-n}=(-1)^nJ_n$，上下邊帶幅度大小相等（$|J_{-n}|=|J_n|$），只差正負號（相位）。

單位檢查：$\beta=\phi_p$ 是 peak phase，來自 $\int\phi(t)$ 的積分結果，單位 rad；$\Omega t$、 $\omega_0 t$ 都是無因次相位角（rad），$J_n(\beta)$ 本身無因次（幅度比），代入 $\cos(\cdot)$ 前無單位 問題；$V(t)$ 與原本 $\cos(\omega_0t+\phi(t))$ 同單位（正規化幅度）✓。

9.3 小 $\beta$ 極限：還原第 6 節的小角近似

Bessel 函數的小引數展開（外部文獻標準結果）：

$$J_0(\beta)\approx1-\frac{\beta^2}{4},\qquad J_1(\beta)\approx\frac{\beta}{2}\qquad(\beta\ll1)$$

代回邊帶梯：載波幅度 $J_0(\beta)\approx1-\beta^2/4\approx1$（一階近似下幾乎不衰減）， 第一邊帶幅度 $J_1(\beta)\approx\beta/2$。單邊帶相對功率：

$$\mathcal{L}(\Delta f)\approx J_1(\beta)^2\approx\left(\frac{\beta}{2}\right)^2$$

這正是第 6 節 small-angle PM 的結果 $\mathcal{L}\approx\left(\frac{\phi_p}{2}\right)^2=\frac12 S_\phi$ （$\beta=\phi_p$ 是 peak phase，$S_\phi=\phi_p^2/2$ 是其功率）——Bessel 邊帶梯在 $\beta\ll1$ 時 自動收斂到 small-angle PM 公式，兩者是同一件事的一階與完整版本。更高階邊帶 $J_2(\beta)\approx\beta^2/4,\,J_3(\beta)\approx\beta^3/48,\dots$ 在 $\beta\ll1$ 時迅速趨零 （$J_n(\beta)\sim(\beta/2)^n/n!$），這就是小角近似「只留一階邊帶」合理的原因。

9.4 失效邊界：小角近似何時偏差 1 dB？

小角近似把 $J_1(\beta)$ 換成一階項 $\beta/2$；隨 $\beta$ 增大，這個近似會偏離真實值。 定義誤差（比較兩者的幅度比，換成 dB）：

$$\text{err}_{\text{dB}}(\beta)=20\log_{10}\!\left(\frac{J_1(\beta)}{\beta/2}\right)$$

（$\beta\to0$ 時 $\text{err}_{\text{dB}}\to0$；$\beta$ 增大後 $J_1$ 成長變慢，比值 $<1$， $\text{err}_{\text{dB}}<0$，即小角近似高估了邊帶。）數值求解 $\text{err}_{\text{dB}}(\beta)=-1$ dB （用 scipy.optimize.brentq 對 scipy.special.jv 求根，見下方 Python 區塊）：

$$\beta_{1\text{dB}}\approx0.950\ \text{rad}\quad(\approx54.5^\circ)$$

白話：只要 peak phase deviation $\beta\lesssim0.95$ rad，小角近似 $\mathcal{L}\approx(\beta/2)^2$ 的誤差在 1 dB 以內；超過這個範圍（例如寬頻 FM、大 index PM、或積分頻寬太寬使 $\sigma_\phi$ 逼近 1 rad），必須用完整的 Bessel 邊帶梯，不能再用 small-angle 公式。這與第 6 節「只在 $\sigma_\phi\ll1$ rad 成立」的定性說法互相呼應，這裡給出了定量邊界。

9.5 載波抑制零點與 Carson 頻寬（外部文獻，非本站 5 篇 PDF）

載波抑制：當 $\beta$ 增加到 $J_0(\beta)=0$ 的第一個根，載波完全消失，功率全部轉移到邊帶—— 這是調頻/調相系統的經典現象：

$$J_0(\beta)=0\ \text{的第一個根：}\ \beta=2.405\quad(\text{數值解，見下方 Python 區塊}：J_0(2.405)\approx-9\times10^{-5}\approx0)$$

Carson 頻寬法則（外部文獻，工程經驗法則，非本站 5 篇 PDF）：實務上邊帶梯是無窮多條，但 $J_n(\beta)$ 在 $n>\beta+1$ 後迅速衰減至可忽略，於是定義有效頻寬（$f_m=\Omega/2\pi$）：

$$BW_{\text{Carson}}\approx2(\beta+1)f_m$$

$\beta=2.405$ 時 $BW\approx6.81\,f_m$；小角 $\beta=0.1$ 時 $BW\approx2.2\,f_m$（幾乎只剩一對邊帶， 與「small-angle PM 只有 $\pm1$ 邊帶」的圖像一致）。

9.6 Python 核對：三個 $\beta$ 的完整邊帶梯

import numpy as np
from scipy.special import jv, jn_zeros
from scipy.optimize import brentq

for beta in [0.1, 1.0, 2.405]:
    print(f"beta={beta}")
    for n in range(5):
        print(f"  J_{n}({beta}) = {jv(n, beta):.6f}")
    # -> beta=0.1: J0=0.997502, J1=0.049938, J2=0.001249, J3=0.000021, J4≈0
    # -> beta=1.0: J0=0.765198, J1=0.440051, J2=0.114903, J3=0.019563, J4=0.002477
    # -> beta=2.405: J0=-0.000091(≈0), J1=0.519110, J2=0.431783, J3=0.199032, J4=0.064763

# 載波零點（classic 2.405）
z0 = jn_zeros(0, 1)[0]
print(f"first zero of J0: {z0:.6f}")
# -> first zero of J0: 2.404826

# 小角近似 vs 精確值
for beta in [0.1, 0.3, 0.5, 1.0]:
    J0, J1 = jv(0, beta), jv(1, beta)
    print(f"beta={beta}: J0={J0:.6f} vs 1-b^2/4={1-beta**2/4:.6f} | "
          f"J1={J1:.6f} vs b/2={beta/2:.6f}")
    # -> beta=0.1: J0=0.997502 vs 0.997500 | J1=0.049938 vs 0.050000
    # -> beta=1.0: J0=0.765198 vs 0.750000 | J1=0.440051 vs 0.500000

# 1 dB 失效邊界：20log10(J1(beta)/(beta/2)) = -1 dB
f = lambda b: 20*np.log10(jv(1, b)/(b/2)) - (-1.0)
beta_1dB = brentq(f, 0.5, 1.5)
print(f"beta_1dB = {beta_1dB:.4f}")
# -> beta_1dB = 0.9505

# Parseval 檢查：sum J_n^2 = 1
for beta in [0.1, 1.0, 2.405]:
    s = sum(jv(n, beta)**2 for n in range(-50, 51))
    print(f"beta={beta}: sum J_n^2 = {s:.8f}")
    # -> 所有 beta 都得 1.00000000

站內用到：第 6 節 small-angle PM（本節是其完整版）、 white_noise_to_phase_noise（單音 sideband Eq.(16)–(18) 的小角前提）、psd_phase_noise_jitter （$\sigma_\phi\ll1$ rad 的適用邊界，現在有了定量數字 $\approx0.95$ rad）。

---

速查總表

工具	核心式	站內主要用途
傅立葉/Parseval	$\sum c_n^2=2\Gamma_{rms}^2$	ISF 諧波分解、$\Gamma_{rms}$
LTV 卷積	$\phi=\frac{1}{q_{max}}\int^{t}\Gamma\,i_n\,d\tau$	相位疊加、LTV vs LTI
積分器 $1/(j\omega)$	$\vert H\vert ^2=1/\omega^2$	白噪 → $1/f^2$（$-20$ dB/dec）
Wiener–Khinchin	$S_x=\mathcal{F}\{R_x\}$	PSD ↔ 自相關、variance
dB / dBc/Hz	$X_{\text{dB}}=10\log_{10}(P/P_{ref})$	單位換算
small-angle PM	$\mathcal{L}\approx\frac12 S_\phi$	dBc/Hz ↔ phase PSD
積化和差	$\cos A\cos B=\tfrac12[\cdots]$	Eq.(15)–(18) 混頻
random walk	$\sigma_{\Delta t}=\kappa\sqrt{\Delta t}$	累積 jitter
Bessel 邊帶梯	$J_n(\beta)$，小角 $J_1\approx\beta/2$，失效於 $\beta\gtrsim0.95$	大角 PM、載波抑制 $\beta=2.405$

延伸閱讀

• 符號與單位總表：notation
• 隨機程序複習：stochastic_processes_recap
• 數值口算練習：numerical_feeling
• 公式索引（每條 → 推導頁 → 來源）：equation_index
• 完整文獻清單：references