FFT之后那些事情2——如何得到正确的振幅

FFT之后那些事情2

n年前发过一篇文章，FFT之后那些事情，介绍了fft之后幅值要怎么处理的问题，这里对这个问题进行进一步详细介绍，实现一个完全正确的频谱，尤其是0频率和Nyquist频率分量（最后一个频率）要如何正确的处理，否则你做出来的频谱，总会和正确的频谱有一点点差距

首先一个完整的频谱（工程上使用的频谱）代码是这样的：

本文只讨论幅值谱的处理方式

下面就以这个频谱分析的函数，介绍为何要做那么多特殊处理

def spectrum_analysis(waveform, sampling_rate, fftsize=None):
    '''
    频谱分析

    :param waveform: 输入波形数据，可以是一维数组或列表  
    :param sampling_rate: 采样率  
    :param fftsize: FFT变换的窗口大小，默认为None，表示使用波形的长度  
    :return: 频谱分析结果，包含频率、振幅和相位三个部分  
    :rtype: 
    '''
    if fftsize is None:  
        fftsize = len(waveform)  # 如果没有指定fftsize或者fftsize为None，则使用波形的长度  
  
    # 如果fftsize大于波形长度，对波形进行补零  
    if fftsize > len(waveform):  
        waveform = np.pad(waveform, (0, fftsize - len(waveform)))  
    # 如果fftsize小于波形长度，截取波形  
    elif fftsize < len(waveform):  
        waveform = waveform[:fftsize]  
  
    # 对波形执行FFT变换  
    fft_values = np.fft.rfft(waveform)  
      
    # 获取FFT结果的频率值  
    freq = np.fft.rfftfreq(fftsize, 1.0 / sampling_rate)  
      
    # 计算频谱的振幅  
    amplitudes = np.abs(fft_values) / fftsize  # 先不进行乘以2的操作  
      
    # 对非直流分量和非Nyquist分量的振幅乘以2  
    # 直流分量是第一个元素，如果fftsize是偶数，Nyquist分量是最后一个元素  
    if fftsize % 2 == 0:  # 偶数个点  
        amplitudes[1:-1] *= 2  # 忽略直流分量和Nyquist分量  
    else:  # 奇数个点，没有Nyquist分量  
        amplitudes[1:] *= 2  # 只忽略直流分量  
        
    return freq,amplitudes

这里有两个地方说明：
1、fftsize这个参数，既然已经有波形了，为何还要设置一个fftsize？
2、幅值的特殊处理，为什么要取模乘以2再除以长度，以及对于直流分量(freq[0])和Nyquist频率分量为何要单独处理

fftsize有何用？波形长度难道不行吗

所有fft函数都可以指定一个fftsize参数，如NumPy的FFT模块中，np.fft.rfft 函数的 n 参数允许你指定FFT变换的点数。这个参数对于控制FFT的计算精度和性能是有用的，你可以设置比原来波形短，也可以设置比原来波形长，也可以和波形长度一样，它主要有如下作用：

1. 裁剪或补零输入：

当FFT长度小于输入波形长度时，裁剪输入可以减少FFT需要处理的数据量，从而提高计算速度。但这样做可能会丢失波形中的一些信息。
当FFT长度大于输入波形长度时，通过补零来增加数据点的数量。这样做通常不会增加频谱分辨率（因为实际的信号信息没有增加），但可以使频谱看起来更加平滑，并可能有助于在图形化展示时更清楚地识别出峰值。

2. 控制频率分辨率：

FFT将信号从时域转换到频域，结果是一系列表示不同频率分量的复数。这些复数的模表示该频率分量的幅度，而幅角表示相位。
FFT的长度（即点数n）决定了频率分量的数量。更长的FFT会产生更多的频率分量，从而提供更精细的频率分辨率。但要注意，增加FFT长度并不一定会增加频谱的精度或信息量，它只是将现有的频谱信息分布到更多的点上。

3. 性能优化：

许多FFT库（如FFTW、KissFFT等）都针对特定长度的FFT进行了优化，特别是当长度为2的幂时。在这些情况下，FFT算法可以利用分治策略（如Cooley-Tukey FFT算法）更高效地计算变换。

4. 避免频谱泄漏：

如果信号包含周期性成分（如正弦波），且FFT的长度恰好是该周期的整数倍，则FFT结果将在该频率处产生一个尖锐的峰值，而其他频率处的值将接近零。这有助于更准确地识别和测量信号中的周期性成分。
如果FFT长度不是信号周期的整数倍，则会导致频谱泄漏，即信号的能量会泄漏到其他频率上，使得频谱分析变得困难。选择合适的FFT长度（特别是与信号周期相匹配的长度）可以减少这种泄漏。

因此，上面的频谱分析函数提供了fftsize，可以根据需求来传入fftsize

幅值为什么要取模乘以2再除以长度，以及对于直流分量(freq[0])和Nyquist频率分量为何要单独处理

计算频谱的振幅时，使用rfft值取模、乘以二再除以fftsize的做法是基于FFT（快速傅里叶变换）的性质和信号处理的需要。

FFT返回的是复数数组，每个复数表示对应频率分量的幅度和相位。在计算频谱振幅时，通常只关心幅度信息，因此需要对每个复数取模（即计算复数的绝对值），这样得到的就是该频率分量的振幅。

为何要乘以2

对于实数信号的FFT分析，由于信号的对称性（实数信号的FFT结果是共轭对称的），我们通常只需要考虑正频率部分（对于np.fft.rfft来说，它只返回正频率部分的结果）。为了补偿由于只考虑正频率部分而丢失的能量，我们要将振幅乘以2（除了直流分量和Nyquist频率分量，它们不是成对出现的）。这样做是为了保证总能量在时域和频域之间保持一致。

直流分量(freq[0])和Nyquist频率分量为何要单独处理

在FFT（快速傅里叶变换）分析中，对于实数信号的频谱，通常只考虑正频率部分，因为实数信号的FFT结果是共轭对称的。然而，在振幅的计算中，需要特别注意两个特殊的频率分量：直流分量（DC分量，对应于频率为0的分量）和Nyquist分量（如果采样点数为偶数，则存在；对应于采样频率的一半）。为啥要特别注意呢，因为这两个不是对称的，就是因为不是对称，因此需要特殊处理

如果不进行特殊处理，直接将除了直流分量以外的所有振幅乘以2，那么直流分量和Nyquist分量的振幅将会被错误地加倍，从而导致频谱分析的结果不准确。

直流分量

直流分量是信号中的平均值或常数部分，在FFT结果中对应于频率为0的点。由于直流分量不是成对出现的（没有对应的负频率分量），因此在计算振幅时不需要将其振幅乘以2。

Nyquist频率分量

当采样点数为偶数时，FFT结果中会包含一个Nyquist分量，其频率为采样频率的一半。和直流分量一样，Nyquist分量也是独特的，没有对应的负频率分量。因此，在计算振幅时，同样不应该将其振幅乘以2。

Nyquist分量，也被称为Nyquist频率成分，是在进行数字信号处理时，特别是进行离散傅里叶变换（DFT）或快速傅里叶变换（FFT）时遇到的一个特殊频率成分。Nyquist分量是以美国电信工程师Harry Nyquist的名字命名的，他首先提出了采样定理，该定理说明了为了无失真地还原一个模拟信号，采样频率必须至少是信号中最高频率成分的两倍。这个两倍的频率就被称为Nyquist频率，说白了就是信号中接近或等于采样频率一半的成分。

在FFT分析中，如果采样点数为偶数，Nyquist分量会出现在FFT结果的最后一个点，其对应的频率正好是采样频率的一半，也就是Nyquist频率。这个分量代表了信号中接近或等于Nyquist频率的成分。由于FFT的周期性，Nyquist分量没有对应的负频率分量，因此在处理FFT结果时需要对它进行特殊处理。如果不正确处理，可能会导致频谱分析中的误差。