正弦波信号に白色雑音・ピンクノイズ・量子化ノイズを付加してSNR・ENOB・ノイズフロアをリアルタイム計算。時間域と周波数域の両方で可視化できる無料ツール。
$SNR = 10\log_{10}\!\left(\dfrac{P_s}{P_n}\right)$
$ENOB = \dfrac{SNR - 1.76}{6.02}$
量子化ノイズ：$P_n \approx \dfrac{\Delta^2}{12}$
信号対雑音比（SNR）は、信号電力と雑音電力の比をデシベル（dB）で表したものです。これが分析の基本となります。
$$SNR = 10 \log_{10}\left(\frac{P_s}{P_n}\right)$$$P_s$: 信号の平均電力、$P_n$: 雑音の平均電力。例えばSNRが60dBなら、信号電力は雑音電力の100万倍です。
有効ビット数（ENOB）は、実際のADC（アナログ-デジタル変換器）の性能を、理想的な量子化雑音のみを考慮したビット数に換算した指標です。
$$ENOB = \frac{SNR - 1.76}{6.02}$$ここで、1.76 dBは正弦波入力時の理論値、6.02は「1ビット増えるごとにSNRが約6dB向上する」という関係から来ています。ENOBが高いほど、高精度な変換が可能です。
量子化ノイズの電力は、量子化ステップ幅（分解能）Δによって理論的に決まります。これはADCに固有のノイズ源です。
$$P_{n,quant}\approx \frac{\Delta^2}{12}, \quad \Delta = \frac{2A}{2^N}$$$A$: ADCの入力フルスケール振幅、$N$: 量子化ビット数。Δは最小の分解能を表し、これが小さい（ビット数Nが大きい）ほど量子化ノイズは小さくなります。
オーディオ機器・通信機器の設計：高音質や高品質な通信を実現するため、回路やシステムのノイズ特性を評価します。例えば、オーディオアンプの設計では、ヒューマノイド（人間の聴覚特性に近いピンクノイズ）を用いてSNRを測定し、聴感上の性能を予測します。
センサ・計測システムの評価：温度センサや振動センサなど、微弱な信号を扱う計測システムでは、SNRが測定精度を直接左右します。センサ出力のENOBを評価することで、システム全体として期待できる分解能を見積もることができます。
ADC/DACの性能検証：データ変換器のカタログスペックを実測で確認する際、SNRとENOBは最も重要な性能指標の一つです。特定の周波数や振幅の信号に対する性能を評価し、データシートの値と比較します。
医用画像・科学計測の信号処理：MRIや天文観測など、極めて微弱な信号をノイズから抽出する必要がある分野では、信号の周波数特性とノイズの特性を詳細に分析し、最適なフィルタを設計する基礎データとしてSNR分析が用いられます。
このツールを使い始める時、いくつか気をつけないと実務での評価を誤るポイントがあるよ。まず、「SNRが高いから必ず良い回路」とは限らないってこと。例えば、特定の周波数だけに大きなノイズ（トーン・ノイズ）がある場合、全体の平均電力では目立たなくてSNRは高く出るけど、その周波数の音は完全に聞こえちゃうんだ。ツールの周波数スペクトル表示をよく見て、ノイズが均一に分布しているか確認する癖をつけよう。
次に、入力信号の振幅設定。ツールで「信号振幅」を最大の1.0に近づけると、SNRは良く見えるよね。でも実ADCでは、信号がフルスケールを超えるとクリップ（歪み）が発生して、とんでもないノイズ源になる。実務では、目標SNRを達成するためにも、信号レベルを適切なヘッドルーム（例えばフルスケールの-3dB）で運用する設計が重要だ。
最後に、計算されるENOBは「その条件下での」値だという点。ツールではきれいな正弦波を使っているけど、実際の入力信号はもっと複雑。周波数や温度が変わればノイズ特性も変わる。データシートに「ENOB = 14 bits @ 1kHz」とあれば、それは1kHz入力時の値で、100kHzではもっと低くなるのが普通。一つの条件で判断せず、どう変わるかを観察することが、本当の性能理解につながるんだ。
このツールで扱っている信号とノイズの概念は、CAEの枠を超えて、様々な先端技術の根幹にあるんだ。例えば無線通信では、受信した微弱な電波から如何にノイズの中から信号を取り出すかが生命線。ここで学んだSNRは、ビット誤り率（BER）に直接影響する超重要パラメータになる。変調方式（QPSK, 16QAMなど）によって要求されるSNRが決まってくるんだ。
もう一つは画像センシングの世界。カメラのイメージセンサー（CMOSやCCD）では、光を電荷に変える過程で「ショットノイズ」や「暗電流ノイズ」が発生する。これらは全て、画素ごとの信号（光の強さ）に対するノイズとして評価され、画像のSNR（S/N比）として表される。低照度で写真がざらつくのは、このSNRが悪化しているからなんだ。
さらに機械学習の前処理でも重要だ。例えば、音声認識AIに学習させる前に音声データをクリーンアップする「音声強調」。ここでは、ノイズの周波数特性（ホワイトかピンクか）を推定して除去するアルゴリズムが使われる。ツールでノイズの種類によるスペクトルの違いを体感しておくことは、こうしたデジタル信号処理アルゴリズムを理解する第一歩になるよ。
ツールで遊んで感覚が掴めてきたら、次はもう一歩理論を深めてみよう。おすすめのステップはまず「フーリエ変換」の数学的基礎を学ぶこと。ツールの右側にある周波数スペクトルは、フーリエ変換で計算されている。なぜ時間波形を周波数成分に分解できるのか、その仕組み（$$X(f) = \int_{-\infty}^{\infty} x(t) e^{-j 2\pi f t} dt$$ のような積分で表される）を知ると、スペクトルの見方が全く変わる。ノイズフロアが平坦か、傾斜しているかが、なぜあんなに重要なのかが腹落ちするはずだ。
次に挑戦したいのは、ノイズの統計的性質。白色雑音が「全周波数でパワーが一様」と言うけど、これは確率過程として「自己相関関数がデルタ関数」で表される無相関なノイズ、という意味だ。平均や分散、確率密度関数（多くの場合、正規分布）でノイズを記述する考え方を身につけると、シミュレーション結果の信頼性評価にも役立つ。
最後のステップは、実際の計測系のモデリングに挑戦することだ。ツールでは単一のノイズ源を加えているが、実システムでは熱雑音、ショットノイズ、1/fノイズなどが複数混在する。それぞれの発生メカニズムと電力がどう足し合わさるか（多くの場合、電力は加算される：$$P_{n,total} = P_{n1} + P_{n2} + ...$$）、システム全体のSNRをどう見積もるかを考えてみよう。これができれば、あなたは立派な信号完整性（SI）や性能見積もりのエキスパートへの道を歩み始めているよ。