【20211229】【信号处理】傅里叶变换 FFT 的点数 N 如何选取？

一、FFT 点数 N 选择不合理有什么影响？

1. N 过小

        栅栏效应，即频域频率分辨率不够，无法区分出某些频率成分。详见：【20211217】【信号处理】从 Matlab 仿真角度理解栅栏效应

2. N 过大

（1）增加了额外的计算量；

（2）频谱不对。

二、如何选取 FFT 点数 N？

        取决于要求的频率分辨率 F。

        频率分辨率 F 的定义：能够用 FFT 算法分析得到的最靠近的两个信号频率的频率间隔。

        FFT 点数和频率分辨率的关系：N ≥ fs / F，其中 fs 为采样频率，由于 FFT 一般要求 N 是 2 的整数幂，所以要把 N 扩大到最接近的 2 的整数幂。

        N 越大，F 越高，但 N 并不是越大越好。

三、举个栗子

%% FFT 点数 N选取
clear; clc; close all; warning off;
 
%% 参数设置
fs = 100;  % 采样频率（满足奈奎斯特采样定理：要大于信号最大频率的两倍！！！）
L = 10;  % 时间长度
t = 0 : 1/fs : L;  % 时间坐标

%% 生成信号
f1 = 6;  % 信号1频率
f2 = 5;  % 信号2频率
s1 = 10 * sin(2 * pi * f1 * t);
s2 = 10 * sin(2 * pi * f2 * t);
s = s1 + s2;  % 合成信号


%% FFT
numfft0 = 256;  % FFT点数
s0_fft = fft(s, numfft0);  
p0 = pow2db(abs(s0_fft(1:numfft0/2)) .^ 2);  % 功率（只取正频部分）
f0 = (0 : numfft0/2-1) / numfft0 * fs;  % 频率（只取正频部分）

numfft1 = 512;  % FFT点数
s1_fft = fft(s, numfft1);  
p1 = pow2db(abs(s1_fft(1:numfft1/2)) .^ 2);  % 功率（只取正频部分）
f1 = (0 : numfft1/2-1) / numfft1 * fs;  % 频率（只取正频部分）

numfft2 = 1024;  % FFT点数
s2_fft = fft(s, numfft2);  
p2 = pow2db(abs(s2_fft(1:numfft2/2)) .^ 2);  % 功率（只取正频部分）
f2 = (0 : numfft2/2-1) / numfft2 * fs;  % 频率（只取正频部分）

numfft3 = 2048;  % FFT点数
s3_fft = fft(s, numfft3);  
p3 = pow2db(abs(s3_fft(1:numfft3/2)) .^ 2);  % 功率（只取正频部分）
f3 = (0 : numfft3/2-1) / numfft3 * fs;  % 频率（只取正频部分）

%% 作图
figure(1);
subplot(2, 2, 1);
plot(f0, p0, 'linewidth', 1.5); axis('tight'); title([num2str(numfft0), '点傅里叶变换']);
subplot(2, 2, 2);
plot(f1, p1, 'linewidth', 1.5); axis('tight'); title([num2str(numfft1), '点傅里叶变换']);
subplot(2, 2, 3);
plot(f2, p2, 'linewidth', 1.5); axis('tight'); title([num2str(numfft2), '点傅里叶变换']);
subplot(2, 2, 4);
plot(f3, p3, 'linewidth', 1.5); axis('tight'); title([num2str(numfft3), '点傅里叶变换']);

        从运行结果可以看出，当N=256时刚刚能区分出两种频率成分，可能 N 再减小一些就无法分辨这两种频率成分了，即 N 再减小就可能发生栅栏效应；当 N=1024 和 N=2048 时，频谱发生畸变，也就是说 N 并不是越大越好。

        （参考：【数字信号处理】Matlab做fft时点数N怎么选取）

        （参考：如何决定要使用多少点来做fft）