数字信号处理基础知识【2】频率

FiveMay

已于 2024-06-04 18:46:07 修改

阅读量1k

点赞数 9

文章标签：信号处理算法人工智能

于 2024-06-04 18:00:14 首次发布

本文链接：https://blog.csdn.net/weixin_45884541/article/details/139448242

版权

说明：该系列主要用于备忘记录，参考文章均已标明原链接出处。

1.数字信号中的4种频率（Cr：数字信号处理中的归一化频率_信号归一化-CSDN博客）

4种频率及其数量关系简述

实际物理频率表示AD采集物理信号的频率，fs为采样频率，由奈奎斯特采样定理可以知道，fs必须≥信号最高频率的2倍才不会发生信号混叠，因此fs能采样到的信号最高频率为fs/2。

角频率是物理频率的2*pi倍，这个也称模拟频率。

归一化频率是将物理频率按fs归一化之后的结果，最高的信号频率为fs/2对应归一化频率0.5，这也就是为什么在matlab的fdtool工具中归一化频率为什么最大只到0.5的原因。

圆周频率是归一化频率的2*pi倍，这个也称数字频率。

具体对应（三角函数与单位圆建立起的联系）

小球在圆周上做匀速率的圆周运动时，它在两个坐标轴上的投影就分别是 sin(cos)，

①模拟角频率 Ω 单位 rad/s

假设小球完整转一圈所花费的时间为 T，转动的角度为 2π，则我们可以定义模拟角频率 Ω = 2π/T，单位是 rad / s 来描述小球的转动速率的快慢。当 t = 2π 时，y = sin(Ω2π)，这时候可以看出 Ω 的物理含义：在 2π 的时间内，小球所完成的圈数。*

②频率 $f$ 单位 Hz

小球在二维平面上的圆周运动投影到一维的坐标轴 x(y) 轴上看，则是左右（上下）振动。和 Ω 类似，我们也可以定义一个物理量来描述这种振动的快慢：

小球完成一次完整的圆周运动所花费的时间为 T，也就是完成一次振动花费了 T 时间，我们定义

频率 f = 1 / T，单位是 Hz 来描述振动的快慢。由前面 Ω 的定义式可知，Ω = 2π * f，有 y = sin(2π * f * t)。

当 t = 1s 时，y = sin(2π * f)，这时候可以看出 f 的物理意义：在 1s 的时间内，小球所完成的振动次数。

③数字角频率 $\omega$ 单位 rad

计算机的世界是离散的，所以当连续信号经过采样、量化得到离散信号后：

$y=sin(\Omega t)=sin(\Omega *nT_s)=sin(\Omega T_s*n)=sin(\omega *n)$

从数学上我们就可以得到：数字角频率 w = Ω*Ts = Ω / Fs，单位是 rad

可以看到，w 是用采样频率 Fs 对 Ω 进行归一化得到的，所以 w 准确地应该叫做归一化数字角频率。

连接模拟和数字的桥梁就是采样频率 Fs，由计算过程可以知道，w 相同的两个信号，它们的 Ω 不一定相同。因为丢失了 Fs 信息，所以单独讨论 w 是没有意义的。

虽然单独讨论 w 是没有意义的，但是这不代表 w 没有物理意义，当小球的振动频率为 f 时，每秒在圆周上转过的角度为 Ω = 2π * f，而采样频率为 Fs 就是说每秒钟对小球进行 Fs 次采样（拍照），显然有 Fs 个样值（照片）。这些样值（照片）是均匀分布的，所以每两个样值点之间的弧度为 2π * f / Fs = w，这也就是 w 的物理含义：相邻两个样值点之间的弧度数。

四种频率之间的关系

这几个频率之间是线性关系，可以得到下面的对应关系：

Item	Mid	Max
n	(N-1)/2	N
Ω	Ωs/2	Ωs
f	Fs/2	Fs
w	π	2*π

由频谱的搬移过程可以知道，w 从 π 到 2π 是负频率搬移的结果，所以通常分析的时候 w 的范围为 [-π, π)，如下

Item	Min	Max
Ω	-Ωs/2	Ωs/2
f	-Fs/2	Fs/2
w	-π	π

有关FFT频率与实际物理频率的分析

做n个点的FFT，表示在时域上对原来的信号取了n个点来做频谱分析，n点FFT变换的结果仍为n个点。

换句话说，就是将2pi数字频率w分成n份，而整个数字频率w的范围覆盖了从0-2pi*fs的模拟频率范围。这里的fs是采样频率。而我们通常只关心0-pi中的频谱，因为根据奈科斯特定律，只有f=fs/2范围内的信号才是被采样到的有效信号。那么，在w的范围内，得到的频谱肯定是关于n/2对称的。

举例说，如果做了16个点的FFT分析，你原来的模拟信号的最高频率f=32kHz，采样频率是64kHz，n的范围是0,1,2...15。这时，64kHz的模拟频率被分成了16分，每一份是4kHz，这个叫频率分辨率。那么在横坐标中，n=1时对应的f是4kHz, n=2对应的是8kHz, n=15时对应的是60kHz，你的频谱是关于n=8对称的。你只需要关心n=0到7以内的频谱就足够了，因为，原来信号的最高模拟频率是32kHz。

这里可以有两个结论。

第一，必须知道原来信号的采样频率fs是多少，才可以知道每个n对应的实际频率是多少，第k个点的实际频率的计算为f(k)=k*(fs/n)

第二，你64kHz做了16个点FFT之后，因为频率分辨率是4kHz，如果原来的信号在5kHz或者63kHz有分量，你在频谱上是看不见的，这就表示你越想频谱画得逼真，就必须取越多的点数来做FFT，n就越大，你在时域上就必须取更长的信号样本来做分析。但是无论如何，由于离散采样的原理，你不可能完全准确地画出原来连续时间信号的真实频谱，只能无限接近（就是n无限大的时候），这个就叫做频率泄露。在采样频率fs不变得情况下，频率泄漏可以通过取更多的点来改善，也可以通过做FFT前加窗来改善，这就是另外一个话题了。

离散信号傅里叶变换的周期性讨论

要分析这个，我们先从Laplace变换与Z变换之间的关系谈起。

z平面与s平面的关系图

图中的关系有以下几点：

s平面的虚轴映射到z平面的单位圆上
s平面的负半轴映射到z平面的单位圆内
s平面的正半轴映射到z平面的单位圆外

Laplace变换是用于连续信号的变换，相对应的z变换是应用到z平面的变换。因此从另一个角度，上面谈到的

角频率（模拟频率）对应的是s平面，圆周频率对应的是z平面（也是称为圆周频率的原因）。

现在我们来看一下s平面虚轴上模拟频率的变换将会导致z平面单位圆上如何变化：

当模拟频率在s平面的虚轴上从0变到fs 时，数字频率在z平面单位圆上从0变到2 pi。
当模拟频率在s平面的虚轴上从2fs变到4fs时，数字频率在z平面单位圆上仍然从0变到2 pi。
。。。。。。z平面如此循环重复

我们知道离散信号的傅里叶变换对应到单位圆上的z变换，因此上面的结论就验证了为什么离散信号的傅里叶变换是周期性：根本原因所是单位圆上的周期性。

考虑到我们实际应用中可选择一个周期，这也能够解释：因为实际信号的频率总是在fs/2以下，这就对应到z平面单位圆上的0~pi，在一个周期范围内就可以进行信号分析了。

2.数字信号分析在matlab中的实现

（Qian's Blog – 数字信号处理和相关matlab函数总结 (qian-gu.github.io)）

从《信号与系统》中我们可以知道：

周期信号（连续）傅立叶级数（CFS）

首先，由高数知识可以知道：只要满足 Dirichlet 条件，周期信号就可以进行傅立叶级数分解，可以得到幅度频谱和相位频谱。

时域信号是周期的、连续的，频域信号是离散的。

非周期信号（连续）傅立叶变换（CFT)

周期信号的周期无限增大，就可以将周期信号转化为非周期信号，从而得到非周期信号的傅立叶变换。得到的频率域的结果为连续信号，计算结果为时域信号的频谱密度函数，简称频谱函数。

周期信号（连续）傅立叶变换（CFT)

对于周期信号，因为它不满足绝对可积的条件，所以从非周期信号无法直接推广。但是借助 奇异函数（如冲激函数）的概念，可以使许多不满足绝对可积的信号（如周期信号）存在傅立叶变换。

周期信号的傅立叶变换结果由一些冲激函数组成，冲激函数的强度是对应的傅立叶级数的 2pi 倍，频谱是离散的。

这样，周期信号和非周期信号的傅立叶分析得到了统一。

接下来，就要进入《数字信号处理》部分了：

离散时间信号傅立叶变换（DTFT)

时域连续信号经过采样，得到离散时间信号，对于离散时间信号，可以从 z 变换中引出 DTFT 的定义。DTFT 是一种特殊的傅立叶变换（FT），它满足所有的傅立叶变换的性质。变换结果依旧是连续信号。

离散傅立叶变换（DFT）

虽然 DTFT 解决了信号在时域的连续问题，但是变换结果仍然是连续信号，也就是说在频域仍然是连续的，这样计算机仍然是无法处理的。所以，就引出了离散傅立叶级数（DFS) 和离散傅立叶变换（DFT）。

时域信号的周期性对应着频域的离散化，而且时域信号的离散化对应着频域的周期性。由这两点，可以知道周期的离散信号具有离散的、周期的频谱，也就是离散傅立叶级数（DFS）。

把时域和频域的数据长度都限定在主周期，那么就得到了标准的离散傅立叶变换（DFT）。

经过分析，可以知道，DFT 是 z 变换的取样，也是 DTFT 的取样结果。

DFT 因为是离散的，长度有限，所以很适合计算机计算，而且人们发明了高效地计算 DFT 的方法 —— FFT 。

知乎上还有一篇专栏的文章，得到了非常多人的赞同，可以进一步参考。

傅里叶分析之掐死教程（完整版）更新于 2014.06.06

3.Matlab中实现

basic

分析各种变化，可以得到以下的关系：

N 点的 DFT（FFT），其结果对应的

数字角频率 w 为 [0, 2pi)

模拟角频率 Ω 为 [0, Ωs)

模拟频率 f 为 [0, fs)

所以对于 N 点 FFT 的结果，对应的横坐标频率的范围为 [0, fs)。

matlab 提供了函数 fft 和 fftshift 直接完成变换。

adv

我们在对一个信号进行采样分析时，首先需要确定两个参数：参数有采样频率 Fs，采样点数 N，这两个因素决定了之后可以得到的时频域效果。

假设我们的采样频率为 Fs （采样周期为 T = 1/Fs），一共采了 N 个点，那么相当于对信号进行了截断，截断长度为 L = N * T 秒。这 3 个参数就决定了我们的最终结果。

在信号处理中存在下面的 3 个问题：

频谱混叠。如果信号不是带限的，那么为了减小频谱混叠的影响，我们应该尽可能提高采样频率 Fs，而且 Fs 越大，时频域分辨率也越高。
频率分辨率和栅栏效应。因为 DFT 是 DTFT 的等间隔采样，那么 N 越大，采样点数越多，栅栏就越小。为了提高频率分辨率 f0 = Fs/N，我们应该尽可能增大 N，而且为了提高计算效率，N 等于 2 的 M 次方）。
截断效应和频谱泄漏。如果信号是无限长的，那么必须把它截断到长度 L = N*T = N/Fs。截断会带来吉布斯效应，并且引入窗函数的频谱，造成频谱泄漏。应该使得 L 包含信号的绝大部分。

下面举例说明非周期信号和周期信号的分析：

非周期信号

假设我们要分析 tau = 1 的矩形窗函数，我们知道它的频谱，且取第一零点 1/tau = 1 为最高频，假设 8 倍采样，即 Fs = 8 Hz，假设频谱分辨率小于 0.1 Hz 即达到需求，则可以得到 N = 128，此时验证 L = 16 满足条件。由 tau 和 Fs 得到采样点包含 8 个 1 和 120 个 0，所以：

Fs = 8;
N = 128;
x = [ones(1, 8), zeros(1, 120)];
X = abs(fftshift(fft(x)));
f = [0:N-1]*Fs/N - Fs/2;
plot(f, X); grid on;
xlabel('f / Hz'); ylabel('Amplitude Response');
title('tau = 1 rectangle window');

结果如下图：

周期信号：假设信号为 x = 1 + 1/2cos(2pi15t) + 2sin(2pi40t)，包含一个直流分量和 f1 = 15, f2 = 40 Hz 的分量，fm = f2 = 40 Hz，若 8 倍采样，有 Fs = fm*8，若 fdelta < 0.1 hz，有 N = 4096，所以：

f1 = 15;
f2 = 40;
Fs = f2*8;
w1 = 2*pi*f1/Fs;
w2 = 2*pi*f2/Fs;
n = 0 : N -1;
x = 1 + 1/2*cos(w1*n) + 2*sin(w2*n);
X = abs(fftshift(fft(x)));
f = [0:N-1]*Fs/N - Fs/2;
plot(f, X); grid on
xlabel('f / Hz'); ylabel('Amplitude Response');
title('x = 1 + 1/2*cos(w1*n) + 2*sin(w2*n)');

结果如下：

综上，我们就有分析一个信号的通用步骤：

首先确定 Fs：信号的频率信息对于我们是未知的，我们最多只知道信号的带宽，根据信号带宽，我们就可以确定一个采样率 Fs，比如 8 倍采样
确定了 Fs，实际上的 w 就已经确定了，只是我们是不知道它的具体值（因为不知道 fm）
下一步应该确定 N：由公式 1 和公式 2 可以推出 N = Fs/fm*k。当 Fs 最小为奈奎斯特采样速率，k = 1 时，N 取到最小值 2，这种情况下虽然没有混叠，但是 fdelta 太大了，不利于观察频谱，应该由 fdelta = Fs/N 决定 N 的最小值

====================================== 补充一下 FFT 补零 ========================================

验证程序：假设一个 sin 信号，f = 125， 8 倍采样有 Fs = 1000，

N = 8，结果如图：
N = 8，补零到 64 点，结果如图：
N = 64，结果如图：

直接给结论（上面的图也证明了这些结论）：

在时域的采样序列后面添加后缀 0 ，等效在频域内插。频域内插只能从已有的样点推算，因为采样点数不够丢失的原始信号的信息无法通过内插来补偿。
时域补零实际上改变了采样序列的，所以频域结果和原始信号不同，
补零无法提高频率分辨率，内插出的新分量不是真正物理意义上的频率，是 “ 假频 ”，真正的频率分辨率并没有提高。频率分辨率只能由提高采样点数来提高。

4.能量归一化（Cr：FFT能量归一化_傅里叶变化归一化-CSDN博客）

将时域信号转换为频域信号时，涉及到幅度和能量的变化，目前大部分开源库在正变换和反变换时会忽略常数，因此当我们想将频域和时域信号归一化到统一尺度时（方便设置阈值），需要做归一化操作。

1）能量（功率）归一化有什么用？
答：添加功率归一化因子，目的在于使得不同调制方式（或者说对于所有映射方式）都能够取得相同的平均功率。

实际上，归一化是为了方便系统性能的比较，所以就要分清比较的模块是什么。比如，信道编码的增益问题，无论有无信道编码，比特能量是一样的，所以比较要以 Eb/No 为基准，而不是以进入信道前的符号能量 Es/No 为基准。再比如，在比较空时码系统和单天线系统中，还是以进入时空码编码前信号能量为基准，那么发送时的总能量一致，即时空码系统中各天线发射功率总和应和单天线系统发射功率相同。一般而言，归一化都在发射端处理。

2）归一化方式
① 单个频点幅度