信号处理 / 系统课时

识别频谱泄漏与栅栏效应

识别频谱泄漏与栅栏效应

FFT 图上出现“旁边很多频点都有能量”或“峰值不在真实频率上”时,原因不一定相同。本篇把频谱泄漏和栅栏效应拆开观察,并用同一段采样数据验证二者如何同时出现,以及该用窗函数、延长记录还是补零处理。

学习目标

  • 判断非整周期截断为什么会产生频谱泄漏
  • 区分频谱泄漏与 FFT 频率栅栏效应的表现和成因
  • 根据问题选择窗函数、增加采样时长或补零,而不是误读 FFT 峰值

先从有限采样窗口理解泄漏

FFT 实际处理的不是无限长正弦,而是长度为 N 的有限记录。对一段数据直接做 FFT,相当于先乘上一个矩形窗;从频域角度看,单一频率的理想谱线会与矩形窗的频谱卷积。

如果记录中恰好包含整数个周期,片段首尾衔接时没有突变,能量可以高度集中在对应频点。若只截到非整数周期,首尾拼接会形成跳变,频域中就出现从主峰向两侧扩散的旁瓣,这就是频谱泄漏。泄漏不是信号突然多出了很多真实频率,而是有限截断造成的频谱展开。

栅栏效应不是泄漏

N 点 FFT 只在离散频率 f_k = k·f_s/N 上给出结果,相邻频点间隔为 Δf = f_s/N。真实正弦频率若落在两个频点之间,FFT 只能在这些“栅栏”位置取样,于是最高的那个频点可能偏离真实频率,这就是栅栏效应。

泄漏描述的是能量向邻近频率展开;栅栏效应描述的是我们只能在离散频率格点上观察连续频谱。两者可以同时存在:非整周期正弦先形成泄漏包络,FFT 再用离散频点对这个包络取样。

频谱泄漏与栅栏效应的区别

用程序把两种现象分开

下面固定采样率 1000 Hz、记录长度 128,因此原始 FFT 的频点间隔为 7.8125 Hz。125 Hz 正好落在第 16 个频点,而 130 Hz 位于两个频点之间。

python
import numpy as np

fs = 1000.0
n = 128
t = np.arange(n) / fs

def spectrum_stats(f0):
    x = np.sin(2 * np.pi * f0 * t)
    spectrum = np.abs(np.fft.rfft(x))
    freqs = np.fft.rfftfreq(n, d=1 / fs)
    k = int(np.argmax(spectrum))

    # 仅作为本例的“能量是否集中在单个 bin”指标,不是通用泄漏定义。
    outside_peak = 1 - spectrum[k] ** 2 / np.sum(spectrum ** 2)
    return freqs[k], outside_peak, x

for f0 in (125.0, 130.0):
    peak, outside, _ = spectrum_stats(f0)
    print(f"tone={f0:6.1f} Hz, peak={peak:8.4f} Hz, outside_peak={outside:.3f}")

# 对同一段 130 Hz 数据补零,只让频率采样网格更密。
_, _, x130 = spectrum_stats(130.0)
nfft = 1024
padded = np.abs(np.fft.rfft(x130, n=nfft))
freqs_padded = np.fft.rfftfreq(nfft, d=1 / fs)
k = int(np.argmax(padded))
print(f"zero padded peak={freqs_padded[k]:.4f} Hz")

预期输出

text
tone= 125.0 Hz, peak=125.0000 Hz, outside_peak=0.000
tone= 130.0 Hz, peak=132.8125 Hz, outside_peak=0.370
zero padded peak=129.8828 Hz

125 Hz 与 FFT 频点对齐,所以能量集中;130 Hz 既发生非整周期截断,也落在频点之间,因此出现明显泄漏,并且原始最大频点停在 132.8125 Hz。补零后峰值更接近 130 Hz,说明栅栏更密了,但原始 128 个样本没有增加,真正分辨两个相近频率的能力并没有因此提升。

该用窗函数、延长记录还是补零

现象 主要原因 更合适的处理
主峰两侧出现明显旁瓣 有限窗口截断,尤其是非整周期 使用 Hann、Blackman 等窗抑制旁瓣,并接受主瓣变宽的代价
峰值只能落在离散频点上 FFT 频率栅栏过疏 增加有效记录长度 N 以减小 Δf;补零只能让显示网格更密
已知单音频率仍希望能量集中 采样窗口与信号周期不同步 采用相干采样,让窗口内包含整数个周期

窗函数主要缓解泄漏,却不会消除离散频率网格;延长真实采样记录同时减小频点间隔并提高分辨近邻频率的能力;补零更适合频谱插值、峰值显示和后续估计。看到“峰变宽”先判断是否是窗函数与泄漏,看到“峰位置偏一点”则先检查 Δf 和栅栏效应,二者不能混为同一个问题。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

识别频谱泄漏与栅栏效应

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通