通信工程 / 系统课时
用傅里叶变换解释频谱分量
用傅里叶变换解释频谱分量
给定一段混合波形,单看时域曲线往往难以判断它含有哪些频率。这里用两个已知正弦分量拆解幅度与相位,说明傅里叶级数和傅里叶变换的联系,并用一次 FFT 计算核对频谱读数。
学习目标
- 从双正弦信号读出单边幅度谱和相位谱。
- 区分周期信号的傅里叶级数与一般信号的傅里叶变换。
- 用可运行的 Python 示例验证谱线位置、幅度与相位。
从叠加波形识别分量
设信号为 。第一项频率为 50 Hz、幅度为 1.5、初相位为 +60°;第二项分别为 120 Hz、0.5 和 −45°。时域图中两项叠加后不容易逐一辨认,转为频域后便可分别观察。

幅度谱回答“各频率有多强”,相位谱回答“各分量在选定时间原点上处于周期的什么位置”。只保存幅度而舍弃相位,通常无法准确还原叠加波形。对于实信号,正负频率成共轭对称;上图使用的单边幅度谱把正频率的成对贡献合并显示。
傅里叶级数和变换如何衔接
严格周期信号可写成傅里叶级数 ,其中 为基频, 是携带幅度与相位的复系数。此例 50 Hz 与 120 Hz 的共同基频为 10 Hz,分别是第 5 和第 12 次谐波。
按照双边复指数表示,正频率系数为 、,负频率系数为它们的共轭。双边系数模长是 0.75 和 0.25;换成不含直流及奈奎斯特频点的单边正弦幅度才分别为 1.5 和 0.5,不能混用这两种刻度。
对满足适当条件的一般非周期信号,采用连续时间傅里叶变换 。例如宽度为 10 ms 的矩形脉冲,其连续频谱呈 sinc 形,主瓣两侧的首个零点位于 ±100 Hz,而不是只有有限几根谱线。理想的无限时长周期正弦则在傅里叶变换意义下对应冲激谱线。
用 FFT 核对两条谱线
实际数字采样只能截取有限时长的数据。下面使用 Python 3 和 NumPy,对 1000 Hz 采样率下的 1000 个样本做实数 FFT;观察时间为 1 s,频点间距为 1 Hz,50 Hz 和 120 Hz 恰好落在频点上。
import numpy as np
fs, n = 1000, 1000
t = np.arange(n) / fs
x = (1.5 * np.cos(2 * np.pi * 50 * t + np.pi / 3)
+ 0.5 * np.cos(2 * np.pi * 120 * t - np.pi / 4))
spectrum = np.fft.rfft(x)
freq = np.fft.rfftfreq(n, d=1 / fs)
for f in (50, 120):
k = np.argmin(np.abs(freq - f))
# 非直流、非奈奎斯特频点的双边幅值需合并成单边幅值。
amplitude = 2 * np.abs(spectrum[k]) / n
phase = np.degrees(np.angle(spectrum[k]))
print(f"{f} Hz: A={amplitude:.2f}, phase={phase:.1f} deg")预期输出:
50 Hz: A=1.50, phase=60.0 deg
120 Hz: A=0.50, phase=-45.0 deg读谱时要检查的边界
- 直流与奈奎斯特点:上例的幅度乘 2 规则仅适用于 0 Hz 与采样率一半之间的频点;0 Hz 和偶数点 FFT 的奈奎斯特点不能乘 2。本例最高可观察频率为 500 Hz。
- 时间原点:信号若整体延迟 5 ms,50 Hz 分量的相位减少 90°,由 +60° 变为 −30°,幅度仍是 1.5。不能仅凭相位不同就判断频率成分变了。
- 观测长度:有限采样窗可能让能量分散到相邻频点。宽谱峰不必然意味着存在多个真实正弦分量,应进一步检查采样时长与窗函数。
在通信链路里,频谱常用于检查调制信号占用的频带、滤波前后的能量变化;若要验证时域波形是否准确重建,还必须同时保留相位信息。