◆ ◆ I just wondered how things were put together ◆ ◆
▼▼▼
信号与系统、数字信号处理和随机信号处理是电子信息类专业的专业基础课，作为信号处理系列课程，它们均从数学的角度来分析信号，但又有各自的侧重点。其中，信号与系统主讲连续信号分析，数字信号处理侧重离散分析，而随机信号处理则是分析不确定信号，如噪声和抖动。虽然侧重点各异，但它们最最重要的一点就是引入了从频域分析信号的概念，打破了大家原有的认知。此外，这一系列课程乍看都是讲电路的，但在实际学习过程中发现，几乎没有任何实际的电路，可谓是非常抽象的，但却是我们不得不掌握的分析工具。相比于信号系统，数字信号处理与实践结合更为紧密，因为算机系统只能处理离散信号。接下来我们一起看看数字信号处理中那些对IC设计者非常实用的理论内容。
模拟角频率与数字角频率
通过对现实世界的模拟信号进行抽样、量化得到数字信号，数字角频率Ω和模拟角频率ω有如下关系:
其中，Tsam代表抽样周期。模拟信号采样后的频谱是以采样频率fsam为周期进行周期延拓。该频率对应的数字角频率为：
这是一个非常有意思的结论，因为2π正是一个圆周。也就是说，离散信号的频谱从模拟角频率的角度来看时，是以fsam为周期，从数字角频率来看时，是以2π为周期的。
在文献中，有些是用模拟角频率来描述离散信号的频谱，有些是用数字角频率来描述，它们本质上并没有区别。采用模拟角频率更符合人们直观的认识，数字角频率则是数学运算的产物。比如，一个信号的最高频率为1MHz，可以用2MHz的时钟去采样，得到的离散信号的基带信号频率范为-1~1MHz(看DC附近的一个周期)，如果换算成数字角频率，该基带信号的频率范围是-π~π，很显然，大家对用-1~1MHz来描述信号频率更能接受。
DFT(离散傅里叶变化)
针对不同的信号有不同的傅里叶分析方法，如下图所示，分别为连续时间信号傅里叶变换、连续时间傅里叶级数、离散时间傅里叶变换、离散时间傅里叶级数。这些包含了所有信号的分析方法，那为什么还要引入DFT呢？
仔细观察可以发现，前三种信号的时域和频域至少有一个是连续的，对于计算机来讲，只能处理离散的信号，包括它的输入和输出。因此，只有离散周期信号适合于计算机处理。那么对于一个非周期离散信号的频谱可以用计算机计算得到吗？
我们可将一个有限长信号进行周期化，然后计算其频谱，可以发现，周期化之后的信号频谱可以看作是该信号周期化之前频谱的采样，因此，近似得到了非周期信号的频谱。
这就是DFT的求解思路，它可以用来计算一般离散信号的频谱。
时域周期化对应频域离散化(频域抽样定理)时域离散化对应频域周期化(时域抽样定理)
DFT计算模拟信号的频谱
现实生活中的大部分信号都是非周期的模拟信号，我们如何用计算机来得到它们的频谱呢？
可以采用如下图所示的步骤，首先对模拟信号离散化，然后对得到的离散信号进行周期化，进而通过DFT计算频谱。
在做DFT后，得到离散的频谱。做N点的DFT就意味着在连续谱里采样N个点，一般N取2的幂次，以方便DFT的快速算法FFT进行计算。
对模拟信号做DFT的步骤：
将模拟信号离散化。首先要对非带限信号进行抗混叠滤波，可以采用模拟低通滤波器。采样离散化，对应频谱周期化。-- 模拟LPF的主要类型有：巴特沃斯型，切比雪夫Ⅰ型，切比雪夫Ⅱ型，椭 圆型，它们的主要区别在于通带波动、阻带波动和过渡带的下降速率不同，其中椭圆形的过渡带下降最快，但它的极点靠近虚轴，容易不稳定。-- 抗混叠滤波会丢失一部分信息，称为截断误差，但这个要比混叠误差小。
将离散的时域信号进行周期化。-- 这里要保证时域信号为有限长序列，否则在时域周期化的过程中会出现时域混叠。-- 如果信号为无限长序列，则需要在时域进行加窗截断，使其成为有限长序列。-- 常见的窗函数类型有矩形窗、汉宁窗、海明窗、凯塞窗、布莱克曼窗等，它们的区别在于主瓣宽度和旁瓣衰减不同，时域加窗会导致频谱泄露，后面会详细介绍。
接下来就可以对该有限长序列进行DFT了，DFT主要需要考虑DFT的点数，为防止时域混叠，频域抽样定理给出：N≥L。其中，N为DFT点数，L为序列长度。
频谱泄露
从DFT分析连续非周期信号的过程中我们可以看到，我们希望处理的信号是时域有限，频域有限的信号，这样就省去了抗混叠滤波和时域加窗的步骤，但这样的信号存在吗？
时域有限的信号，频谱无限时域无限的信号，频谱有限
答案是不存在。现实存在的信号要不是时域有限、频带无限，要不是时域无限、频带有限。
对于时间有限信号，在做DFT之前需要加窗截断。时域加窗之后的信号频谱和原信号频谱会一模一样吗？
直觉告诉我们，会不一样的，毕竟加窗之后信号会丢失一部分信息。从下图可以看出，当给信号加一个矩形窗之后，信号的频谱变“胖“了一些，这个也是可以预料到的，因为信号成为时域有限信号之后，会产生高频分量。
给信号时域加窗相当于原信号和窗函数在时域乘积，对应于频域卷积。矩形窗函数的频谱为sinc函数，如下图所示，它包含了高频分量。
从下图可以清楚地看出，任何一个频谱和sinc函数做卷积，都会发生一定程度的展宽，因为只有和无限冲击δ函数做卷积才是它本身，不发生任何的展宽。
接下来再看一个无限长余弦信号的频谱，它和sinc函数卷积之后得到的频谱如下，可以发现原本的一个δ函数被展宽，展宽后的主瓣宽度和矩形窗函数带宽一样，此外还有一些高频旁瓣，这称为频谱泄露现象。
因为任何信号都可以表示为δ函数的加权求和，所以该信号的频谱泄露现象具有代表性，可以用来定义频谱分辨率。同时，N越大，频谱泄露现象减弱，N增加，意味着观察时间增长。所以改善频谱泄露的一个方法就是加大窗函数长度N。
如果大家用过频谱仪测试，或者用Simulink做过频谱分析的话，就可以观察到这一现象。任何的一个单音信号，在频谱图上并不是显示为一条直线，而是有一定的宽度，频谱泄露可以解释这一现象。
频谱分辨率
频谱泄露现象产生了频谱分辨率的概念，如果没有频谱泄露，分辨率为无限大。为解释这一现象，先举个栗子。如下图所示，对于两个余弦信号，加矩形窗截断导致频谱泄露，单边扩展的宽度为2π/N，为区分两个信号，需要满足：
N同时也决定了观察时间长度：
如果仿真一个1Hz的信号，那应该至少观察一个周期才能看到它的全貌，也就是1s，直观解释了上述结论。
窗函数
从下表可以看出，不同窗函数的区别主要在于主瓣宽度和旁瓣衰耗的不同，显然我们希望窗函数的主瓣宽度窄，同时旁瓣衰耗大，但这两者之间同样存在矛盾。那么该怎么选择合适窗函数的类型呢？
根据频谱分辨率的需求，选择主瓣宽带最窄的矩形窗有利于提高频谱分辨率，那么旁瓣衰耗又有什么作用呢？
想象一种情况，如果想看到一个系统输出信号对supr的抑制，而supr极有可能淹没于信号泄露的频谱中，因此我们并不能得到准确的supr抑制性能，因此需要旁瓣衰耗更大的窗函数。
其实当我们仿真或者测量一定时间得到的数据，相当于给一个无限长的信号加了一个矩形窗，如果需要旁瓣衰耗大，可以对有限长序列进行进一步的整形，因此产生了其它的窗函数。
栅栏效应
通过DFT得到的频谱为一些离散的点，这些离散的点就位于信号真实频谱的轮廓上，这就像隔着栅栏在看一个信号一样。显然我们希望离散的点越密越好，由于离散的点的数目等于做DFT的点数N，所以可以采取增加N的方式来改善栅栏现象。但是一般来讲，对于一个长度为L的序列，应该是做L点的DFT刚刚好，这就意味着DFT的点数N应该被有限长序列的长度N，或者说是时域窗函数的宽度所限制。那么DFT的点数还能任意增大吗？答案是可以的，我们可以给有限长的序列后面补零，从而将N点的序列加长为L点，进而做L点的DFT。其实给序列后面补零，并没有改变信号本身的频谱，如下图的实线所示，但是补零可以有更多的点位于轮廓上，方便我们观察。
前面提到，频谱泄露可以通过增加序列长度来改善，那么现在给大家一个思考的问题，序列补零能改善频谱泄露问题吗？欢迎大家在下方评论区留言，期待大家的答案。
Simulink中的频谱仪使用
对于稍微复杂点儿的电路，比如PLL、ADC、CDR等，我们往往需要进行系统行为级建模。Simulink作为一个可视化程度高，工具箱庞大的仿真环境，深受模拟IC工程师的青睐。
采用频谱仪观测信号是对信号分析的一种有效的手段，Simulink的频谱仪设置稍复杂，它的应用几乎运用了前面所提到的所有知识。因此，我们来实践一下。
首先看一下下图图1，设置里面的Type可以选择功率或幅度。RBW代表频谱分辨率，也可以设置窗函数长度来间接确定频谱分辨率，如下图图2。这两者之间是可以互换的，前面也给出过它们两种之间的关系。同时，系统还会自动计算出需要采样的点数，在Sample/update处显示。如下图图1，当窗口长度为1024，自然需要采样1024个点。如下图图2，当采样频率BW为360MHz，频谱分辨率设为360M/512时，采用矩形窗函数时，计算得到N为512，和系统自动计算得到的是完全相同的。
一般我们设置RBW而不是窗函数长度，因为这样很快可以计算得到仿真时长，因为它们之间是简单的倒数关系。这里应该为1.42us，当仿真时间设为小于1.42us时，频谱仪没有输出结果。
当然我们还可以改变窗函数类型，当窗函数类型设为其它时，实现同样的频谱分辨率需要增加采样点数。
此外，如果信号为一个非基带信号，应该先将其下变频到基带，这样可以极大减小采样频率，因而在实现同等频率分辨率的时候可以减小仿真时间。如下图所示，先将信号进行正交下变频(抑制镜像信号)，然后进行抗混叠滤波，接着进行离散化，然后就可以送到频谱仪了。时域加窗则是通过频谱仪来完成的。
-END-
如果您觉得有用，请帮忙转发给
更多的朋友
1352
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
