📈 24-信号处理 · 01 DFT 与 FFT 与频谱分析¶
关键词:DFT、FFT、蝶形、频谱、Parseval 时域信号怎么看出"频率成分"?本章从 4 点 DFT 手算开始,一路到 FFT 蝶形与频谱泄漏。
本节要解决的问题¶
| # | 问题 | 对应内容 |
|---|---|---|
| 1 | DFT 的公式到底是什么? | §1 核心概念 |
| 2 | 4 点 DFT 怎么逐项手算? | §2 手算 ✍️ |
| 3 | FFT 是怎么把 O(N²) 变成 O(NlogN) 的? | §3 蝶形分解 |
| 4 | 为什么会有频谱泄漏? | §4 代码实战 |
故事引入¶
一段 1 秒的语音里藏着 100Hz 的嗡嗡声和 3000Hz 的说话声——耳朵能分辨,数字怎么分辨?DFT 把时间序列拆成不同频率正弦的加权和,每个 $X[k]$ 就是这个频率的"含金量"。
为什么要做 DFT?因为同一段信号在时域和频域看到的东西完全不同。下图把一段心电信号同时画成时间波形(上)和频谱(下):时域里纠缠在一起的基线漂移(BW)、肌电伪迹(EMG)与 50Hz 工频干扰(PLI),在频域里各自落在不同的频率位置——这正是"变频域做分析"最直观的动机。

怎么读:上半部分时域波形看似一团乱麻;下半部分频谱把噪声成分按频率分开:低频的基线漂移、中频的肌电、50Hz 处的尖峰工频干扰,一目了然。DFT 的价值就是把"混在一起"的信号拆成"分得开"的频率成分。
📚 图源:Jia Y et al. (2024) Preprocessing and Denoising Techniques for ECG and MCG, Bioengineering 11(11):1109(开放获取,CC-BY 4.0)图 3。
核心概念:DFT 定义¶
N 点离散傅里叶变换(DFT):
$$X[k]=\sum_{n=0}^{N-1}x[n]\,e^{-j\frac{2\pi}{N}kn},\quad k=0,1,\dots,N-1$$
记旋转因子 $W_N=e^{-j2\pi/N}$,则 $X[k]=\sum_n x[n]W_N^{kn}$。
- $k$ 对应数字频率 $\omega_k=2\pi k/N$(Hz 表示:$f_k=k\cdot f_s/N$)
- 反变换 IDTFT/IDFT 只差归一化 $1/N$ 和共轭
- Parseval 定理:$$\sum_{n=0}^{N-1}|x[n]|^2=\frac{1}{N}\sum_{k=0}^{N-1}|X[k]|^2$$ 时域能量 = 频域能量(按 1/N)。
✍️ 手算 4 点 DFT:x=[1,2,3,4]¶
设定:$N=4$,$W_4=e^{-j2\pi/4}=-j$。
k=0(直流分量):$X[0]=1+2+3+4=\mathbf{10}$
k=1:
$$X[1]=1+2(-j)+3(-j)^2+4(-j)^3=1-2j-3+4j=\mathbf{-2+2j}$$
k=2:$X[2]=1+2(-1)+3(1)+4(-1)=\mathbf{-2}$
k=3:$X[3]=1+2j-3-4j=\mathbf{-2-2j}$($=X[1]^*$,共轭对称)
结果:$X=[10,\ -2+2j,\ -2,\ -2-2j]$
Parseval 校验:$\sum|X|^2=|10|^2+|{-2+2j}|^2+|{-2}|^2+|{-2-2j}|^2=100+8+4+8=120$,而 $N\sum x^2=4(1+4+9+16)=120$ ✓
手算收获:
- 实序列 DFT 的共轭对称性:$X[N-k]=X[k]^*$——所以频谱只需画一半(k=0..N/2)
- 直流 $X[0]$ = 求和;$k=N/2$(Nyquist 频点)对实数输入必为实数
- Parseval 是万能验算工具:手算完一个 DFT,先核对能量守恒
- 直接 DFT 每点 $O(N)$、共 $O(N^2)$:100 万点就是 $10^{12}$ 次乘——必须 FFT
# ---- §2.1 验证:numpy 复算 4 点 DFT ----
import numpy as np
x = np.array([1.0, 2.0, 3.0, 4.0])
X = np.fft.fft(x)
print('DFT =', np.round(X, 4).tolist())
assert np.allclose(X, [10+0j, -2+2j, -2+0j, -2-2j])
powX = np.abs(X)**2
assert abs(np.sum(powX) - 4 * np.sum(x**2)) < 1e-9 # Parseval
print('Parseval: Σ|X|² =', sum(powX), '= N·Σx² =', 4*np.sum(x**2))
print('\n✓ 与手算一致')
DFT = [(10+0j), (-2+2j), (-2+0j), (-2-2j)] Parseval: Σ|X|² = 120.0 = N·Σx² = 120.0 ✓ 与手算一致
深入原理:FFT 蝶形分解¶
FFT 核心 = 分治:把 N 点 DFT 按奇偶下标拆成两个 N/2 点 DFT。
N=4 时:偶数下标 $x_e=[1,3]$,奇数下标 $x_o=[2,4]$。
两个 2 点 DFT(蝶形):
$$E[0]=1+3=4,\quad E[1]=1-3=-2;\qquad O[0]=2+4=6,\quad O[1]=2-4=-2$$
合成(旋转因子 $W_4^k$):
$$X[0]=E[0]+W^0O[0]=4+6=\mathbf{10}$$
$$X[1]=E[1]+W^1O[1]=-2+(-j)(-2)=\mathbf{-2+2j}$$
$$X[2]=E[0]-W^0O[0]=4-6=\mathbf{-2}$$
$$X[3]=E[1]-W^1O[1]=-2-(-j)(-2)=\mathbf{-2-2j}$$
与直接 DFT 完全一致!
复杂度:每级 N/2 个蝶形、共 $\log_2 N$ 级 → $O(N\log_2N)$。N=1024 时直接法 $10^6$ vs FFT $10^4$,快 100 倍。
# ---- §3.1 验证:numpy 复算 FFT 蝶形分解 ----
import numpy as np
x = np.array([1.0, 2.0, 3.0, 4.0])
xe, xo = x[0::2], x[1::2]
E = np.fft.fft(xe); O = np.fft.fft(xo)
W = np.exp(-2j*np.pi/4*np.arange(2))
Xf = np.concatenate([E + W*O, E - W*O])
print('蝶形分解 =', np.round(Xf, 4).tolist())
assert np.allclose(Xf, np.fft.fft(x))
print('\n✓ 与直接 DFT 一致')
蝶形分解 = [(10+0j), (-2+2j), (-2+0j), (-2-2j)] ✓ 与直接 DFT 一致
代码实战:频谱与泄漏¶
一段 8Hz 正弦以 fs=64 采样 256 点:频率分辨率 $\Delta f=f_s/N=64/256=0.25$ Hz。若频率是分辨率整数倍(如 8Hz),峰值干净;若不是(如 8.3Hz),能量泄漏到相邻频点——这就是频谱泄漏,工程上用加窗缓解。
# ---- 频谱分析:整数倍 vs 非整数倍频率 ----
import numpy as np
fs, N = 64, 256
n = np.arange(N)
x1 = np.cos(2*np.pi*8/fs*n) # 8Hz,整数倍分辨率 (8/0.25=32)
x2 = np.cos(2*np.pi*8.3/fs*n) # 8.3Hz,非整数倍
def peak_energy(x):
X = np.abs(np.fft.fft(x))**2
k = np.argmax(X)
return k, X[k], X[k]/X.sum()
print('8Hz : 峰值 bin =', peak_energy(x1)[0], ',峰值占比 = %.4f' % peak_energy(x1)[2])
print('8.3Hz : 峰值 bin =', peak_energy(x2)[0], ',峰值占比 = %.4f' % peak_energy(x2)[2])
assert peak_energy(x1)[0] == 32 # 整数倍: 峰值精确落 bin 32
assert peak_energy(x2)[0] != 32 # 非整数倍: 泄漏到相邻 bin
assert peak_energy(x1)[2] > peak_energy(x2)[2] # 泄漏使能量分散
print('✓ 整数倍频率峰值精确落 bin,非整数倍发生泄漏')
8Hz : 峰值 bin = 32 ,峰值占比 = 0.5000 8.3Hz : 峰值 bin = 33 ,峰值占比 = 0.4382 ✓ 整数倍频率峰值精确落 bin,非整数倍发生泄漏
面试考点¶
Q1:DFT 和 DTFT 的区别?
DTFT 是连续频率 $\omega\in[-\pi,\pi)$ 的变换;DFT 只取 N 个等间隔频点,等价于 DTFT 的抽样。
Q2:FFT 为什么快?
奇偶分解 + 旋转因子周期性/对称性,$O(N^2)\to O(N\log N)$;N 必须为 2 的幂(radix-2)。
Q3:频率分辨率由什么决定?
$\Delta f=f_s/N$:采样率固定时,帧越长分辨率越高(§03 STFT 权衡)。
Q4:为什么频谱只画一半?
实序列 DFT 共轭对称 $X[N-k]=X[k]^*$,后一半无新信息;画 $k=0..N/2$ 即可。
小结与下一章预告¶
- DFT 把时域变频域;$X=[10,-2+2j,-2,-2-2j]$ 手算 + Parseval 验算
- FFT 蝶形把 $O(N^2)$ 降到 $O(N\log N)$,手算分解与直接 DFT 一致
- 下一章:时域到频域的前提是采样——采样率不够会发生混叠
✅ 自测清单¶
- 能手算小 N 的 DFT(含共轭对称与 Parseval 验算)
- 能画出 4 点 FFT 蝶形图并说明复杂度
- 知道频谱泄漏的原因与加窗缓解
- 能说出 DFT/DTFT/FFT 三者关系