想象你是一名演唱会录音师，音响里一直有一阵神秘的“嗡嗡”声。把音轨曲线放大来看（这就是时域视角），你看到一条上下乱抖的波形，隐约觉得有规律，却说不清它有多快、何时重来。可当你调出频谱分析仪（频域视角），神奇的事情发生了：整段录音像被摊成了一排清晰的“音符清单”，58Hz 处立着一根刺眼的高柱——那是舞台电源的电流声，它在时域里躲过了你的眼睛，在频域里无所遁形。如果说时域是“一秒一秒把歌听完”，那频域就是“摊开五线谱一眼看到全部”。这篇文章会带你认识三件改变时序分析视角的乐手工具：FFT（高效记谱器）、小波变换（带时间轴的卡拉OK谱）、谱密度估计（各声部的能量统计表）。学完你就能指着频谱图，像老工程师那样笃定地说：“问题就藏在这个频段里。”

岗位关联

频域特征能直接解锁周期检测、信号降噪、故障诊断和预测特征工程等实战能力，是时序预测与信号处理方向 AI 从业者的必备视角。掌握它，你的特征库会多出一整个维度。

目录
  1. 可视化演示
  2. 时域与频域：听歌与看谱
  3. 傅里叶变换：给混音记谱
  4. 快速傅里叶 FFT：高效记谱师
  5. 小波变换：带时间轴的乐谱
  6. 谱密度估计：各声部的能量表
  7. 三者对比选型：按需挑工具
  8. 频域特征应用：修音与预测
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

交互展示FFT频率分解、小波时频分析和功率谱密度估计三种频域分析方法，直观呈现时域信号到频域的变换过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

FFT分解：时域→频域 快速傅里叶变换将时域信号分解为正弦波叠加 频谱图显示各频率成分的幅值大小 X(k) = Σ x(n)·e^(-j2πkn/N) FFT 将计算复杂度从 O(N²) 降至 O(NlogN)

时域与频域：听歌与看谱

连着听完一整首歌，你记住的是“先舒缓、后高潮”的流动感——这就是时域视角。可如果你想搞清楚“这首歌为什么这么燃”，光靠听很慢：你得反复倒带，分辨鼓点、贝斯、主唱各做了什么。更聪明的办法是看谱子：五线谱摊开，哪个乐器、什么音高、何时换和弦，一目了然。谱子没有丢掉任何信息，只是换了一种记账方式。

时序数据也像一首歌。传感器每 10 毫秒记一个数，排成一列就是时域信号：横轴是时间，纵轴是数值。它能清楚展示趋势和突变，却很难直接回答“它是否每隔 12 小时循环一次”。频域则把同一段信号重新写成“不同频率正弦波的组合”，横轴变成频率，于是任何周期规律都会变成一根清晰的尖峰。

理解频域的基础语言是正弦波。任何足够平滑的信号都可以看作若干正弦波的叠加——就像任意混合音色都能分解成多个纯音。若某个频率成分很强，频谱图上对应位置就竖起高峰。这就是周期检测的原理：时域里数半天波峰，频域里一行尖峰直接点明周期。一个正弦波自带三个参数，正好对应乐谱上“多响、多高、从哪开始”：

听歌（时域）给你感性的流动感，看谱（频域）给你理性的清单。工程师真正宝贵的时间，往往花在“翻开谱子”的那一下。

x(t)=Asin⁡(2πft+ϕ)\displaystyle x(t) = A \sin(2\pi f t + \phi)
公式想说的是：任意时刻 t 的信号值，由响度 A、音高 f 和起手位置 φ 三个旋钮决定。
  1. 时刻自变量 t表示现在进行到第几秒，是唯一的输入。
    tt
  2. 振幅 A决定这个音符多响亮，对应波形上下摆动的幅度。
    AA
  3. 频率 f每秒振动多少次，决定音高，单位是赫兹（Hz）。
    ff
  4. 初相位 φ决定 0 时刻从哪个位置开始起振。
    ϕ\phi
  5. 瞬时值 x(t)三个旋钮组合起来，得到每一时刻的取值。
    x(t)=Asin⁡(2πft+ϕ)x(t) = A \sin(2\pi f t + \phi)

傅里叶变换：给混音记谱

傅里叶变换像一位“听音记谱师”。他把一段合奏反复与各种纯音对比：那支 2Hz 的摇铃你贡献了多少？那支 440Hz 的小提琴又唱了多少？比完一整圈，输出一张“音符 × 强度”的清单，这就是频谱。时域里纠缠在一起的所有声音，在谱面上各归其位。

技术上说，傅里叶变换把时域函数 $x(t)$ 变成频域函数 $X(f)$。$X(f)$ 在某个频率处的值越大，说明信号里这个频率的成分越强。它是一个数学变换，而不是某个具体算法，是所有频域方法的源头。对离散采样数据，后续会把连续积分改写成对采样点的求和，那就是离散傅里叶变换（DFT）。

连续版本的公式长这样：

记谱师把混音还原成乐谱，我们则用频谱把一堆看似杂乱的时间点还原成“几个周期加一团噪声”。从这之后，任何周期信号在你眼里都不再是一条波浪线，而是一排标明音高的柱子。

X(f)=∫−∞∞x(t) e−j2πft dt\displaystyle X(f) = \int_{-\infty}^{\infty} x(t)\, e^{-j 2\pi f t}\, dt
直观理解：拿一个以频率 f 旋转的“探针”去和信号逐点比对，能对上的越多，$X(f)$ 就越大。
  1. 时域信号 x(t)原始录音，随时间变化的波形。
    x(t)x(t)
  2. 旋转探针 e^{-j2πft}以频率 f 匀速旋转的复指数，像一根带刻度的音叉。
    e−j2πfte^{-j 2\pi f t}
  3. 乘法匹配把探针与信号逐点相乘，同频处贡献被放大、不同频处被抵消。
    x(t) e−j2πftx(t)\, e^{-j 2\pi f t}
  4. 积分累加把整个时间轴上的匹配值全部加总。
    ∫−∞∞(⋅)dt\int_{-\infty}^{\infty} \left( \cdot \right) dt
  5. 频域结果 X(f)信号在频率 f 上的成分强度，复数，模长即幅值。
    X(f)X(f)

快速傅里叶 FFT：高效记谱师

如果记谱师一根音符一根音符地听写，一首三分钟的曲子要听三天——这就是直接按定义计算 DFT 的感受。FFT 是那位聪明的记谱师：他把音轨对半剪开，分别听写，再巧妙合并。两个半段里有大量重复计算被他识破并省掉，于是效率从“逐音符听写”跃升到“扫一眼谱架”。

FFT 不是一个新变换，而是 DFT 的快速实现，算出的结果一模一样，只是把计算量从 $O(N^2)$ 降到 $O(N \log_2 N)$。当 N=1024 时省下约百倍计算；现代传感器动辄几百万采样点，没有 FFT 就没有实时频谱分析。离散版本的公式如下：

FFT 的参数也很关键：采样率 fs 决定最高可分辨频率（奈奎斯特频率 fs/2）；观测时长 T 决定频率分辨率 Δf=1/T。所以“采集多久”比“采多密”更能决定你能不能分辨两个紧挨着的峰。这位高效记谱师，把频谱分析从实验室搬进了手机 App。

Xk=∑n=0N−1xn e−j2πkn/N\displaystyle X_k = \sum_{n=0}^{N-1} x_n\, e^{-j 2\pi k n / N}
它把连续积分换成对 N 个采样点的加权求和，得到第 k 根“频谱柱”的高度。
  1. 采样点 x_n第 n 个时刻记录到的数值，是离散化的信号。
    xnx_n
  2. 采样总数 N一共采集了多少个点。
    NN
  3. 谱线序号 k第 k 个频率桶，k 从 0 数到 N-1。
    kk
  4. 旋转因子以 $k n / N$ 为角速度的复指数探针。
    e−j2πkn/Ne^{-j 2\pi k n / N}
  5. 累加求和把 N 个采样点的贡献逐个相加，得到第 k 根谱线。
    ∑n=0N−1\sum_{n=0}^{N-1}

小波变换：带时间轴的乐谱

FFT 的乐谱只告诉你“有哪些音符、多响”，却不告诉你“第几秒在响”。演唱会第 3 分钟突然炸响的鼓点，记谱师只会把它和所有鼓声混在一起。小波变换则像卡拉OK的滚动字幕：不仅标出音符，还在每个音符旁标注“2 分 30 秒出现、持续 0.4 秒”。它给频率加上时间坐标，专门对付非平稳信号。

实现上，小波变换用一个可伸缩、可平移的“小波探针”$\psi(t)$ 去扫描信号：探针压扁（尺度 a 小）时短促灵敏，能抓住高频细节；探针拉长（尺度 a 大）时宽厚沉稳，能看清低频概貌。不同尺度与位置的匹配强度构成一张“时间-频率”二维图。这就是多分辨率分析：高处以细窗看细节，低处用宽窗看概貌，因此特别擅长突变检测，比如脑电棘波、轴承撞击和语音分段。

小波像卡拉OK字幕，让你能指着某一行说：不是整首歌都有毛刺，而是 2 分 30 秒那一下鼓点出了问题。选哪类小波基（如 Haar、Morlet）要看信号形态——这就像选简体谱还是五线谱，顺手最重要。

W(a,b)=1∣a∣∫−∞∞x(t) ψ ⁣(t−ba)dt\displaystyle W(a,b) = \frac{1}{\sqrt{\lvert a \rvert}} \int_{-\infty}^{\infty} x(t)\, \psi\!\left(\frac{t-b}{a}\right) dt
它回答的是：在时刻 b 附近，信号里有没有形状像“被伸缩成尺度 a 的小波”的成分。
  1. 小波母函数 ψ(t)一个短促的“音叉探针”，能量集中在很短的区间里。
    ψ(t)\psi(t)
  2. 尺度参数 a探针伸缩的倍数，a 小对应高频细节，a 大对应低频概貌。
    aa
  3. 平移参数 b探针滑到时刻 b 处开始扫描。
    bb
  4. 归一化系数保证探针在不同尺度下能量一致，结果可公平比较。
    1∣a∣\frac{1}{\sqrt{\lvert a \rvert}}
  5. 小波系数 W(a,b)时刻 b、尺度 a 处的匹配强度，值越大说明该时刻越像这个频段的小波。
    W(a,b)=1∣a∣∫−∞∞x(t) ψ ⁣(t−ba)dtW(a,b) = \frac{1}{\sqrt{\lvert a \rvert}} \int_{-\infty}^{\infty} x(t)\, \psi\!\left(\frac{t-b}{a}\right) dt

谱密度估计：各声部的能量表

前面的工具告诉你“有哪些音符”，但现场调音师更常问：“低音区到底占了多少能量？”谱密度估计相当于给每个音区装一只积分音量表：把 20-200Hz 低音区的所有响度累加，得出“低频贡献 30%”，再如法炮制中频和高频。一张能量分布表，回答的是“力量集中在哪儿”。

功率谱密度（PSD）描述信号功率在频率轴上的分布。最朴素的做法是周期图：对信号做 FFT，取模平方，再除以采样点数 N，得到每个频率上的平均功率。但单次周期图方差很大，像只用一只话筒测音量，读数抖得厉害。工程上常用 Welch 法改进：把信号切成多段、分别求周期图、再取平均，用段数换方差、用窗函数压制频谱泄漏。

有了能量表，我们就能说：“这台机器的噪声集中在 500Hz 到 2kHz，请加一块专治这个频段的吸音棉。”量化让处理目标变得具体，也让“严重程度”可以比较、监控和预警。

P(f)=1N∣∑n=0N−1xn e−j2πfn/N∣2\displaystyle P(f) = \frac{1}{N} \left\lvert \sum_{n=0}^{N-1} x_n\, e^{-j 2\pi f n / N} \right\rvert^2
周期图 = FFT 结果取模平方再平均，读出的是每个频率上的“功率”而非振幅。
  1. 内层求和与 DFT 相同的记谱运算，先算出该频率的复数成分。
    ∑n=0N−1xn e−j2πfn/N\sum_{n=0}^{N-1} x_n\, e^{-j 2\pi f n / N}
  2. 模平方把复数变成实数功率，负频率与正频率能量在此合并。
    ∣⋅∣2\lvert \cdot \rvert^2
  3. 除以 N 平均把总功率摊到每个采样点上，得到平均功率。
    1N\frac{1}{N}
  4. 组合成周期图完整写法，谱峰对应主导周期，曲线下方面积对应频段总能量。
    P(f)=1N∣∑n=0N−1xn e−j2πfn/N∣2P(f) = \frac{1}{N} \left\lvert \sum_{n=0}^{N-1} x_n\, e^{-j 2\pi f n / N} \right\rvert^2

三者对比选型：按需挑工具

三种工具对应三本不同的谱：FFT 是“和弦总览谱”，不管时间，只问整体有哪些成分；小波是“卡拉OK滚动谱”，时间和频率双坐标；谱密度是“能量分布统计表”，统计各频段合计贡献。搞混它们，就会犯“拿总览谱找鼓点时刻”的错误。

选型记住三条原则：① 信号平稳、只关心整体周期，选 FFT，最简洁高效；② 信号非平稳或有突变、需要定位时刻，选小波；③ 任务需要量化频段能量、横向比较强度，选谱密度。三者不是竞争关系，常见流水线是：先 FFT 找主导周期，再小波定位异常时刻，最后谱密度量化严重程度。

| 工具 | 视角 | 擅长 | 局限 |

|---|---|---|---|

| FFT | 全局频谱 | 平稳信号、整体周期 | 丢失时间定位 |

| 小波变换 | 时频二维 | 非平稳、突变定位 | 参数多、解释成本高 |

| 谱密度估计 | 能量分布 | 频段能量量化 | 丢失相位信息 |

无论选哪本谱，都要记住时域与频域的总能量是同一个数——它们只是两种记账方式。这就是 Parseval 定理：

成熟的算法工程师像熟练的调音师，台面上摆着三本谱，按需翻开，甚至组合使用。选工具不是比谁高级，而是比谁更贴合眼下的问题。

∫−∞∞∣x(t)∣2 dt=∫−∞∞∣X(f)∣2 df\displaystyle \int_{-\infty}^{\infty} \lvert x(t) \rvert^2\, dt = \int_{-\infty}^{\infty} \lvert X(f) \rvert^2\, df
左边是时域总能量，右边是频域总能量，两边永远相等。
  1. 时域能量把每一时刻瞬时值的平方在整段时间上累加。
    ∫−∞∞∣x(t)∣2 dt\int_{-\infty}^{\infty} \lvert x(t) \rvert^2\, dt
  2. 频域能量把每个频率成分强度的平方在整个频带上累加。
    ∫−∞∞∣X(f)∣2 df\int_{-\infty}^{\infty} \lvert X(f) \rvert^2\, df
  3. 能量守恒两种记账方式算出来的总能量一致，此消彼长但总量不变。
    ∫−∞∞∣x(t)∣2 dt=∫−∞∞∣X(f)∣2 df\int_{-\infty}^{\infty} \lvert x(t) \rvert^2\, dt = \int_{-\infty}^{\infty} \lvert X(f) \rvert^2\, df

频域特征应用：修音与预测

记谱的最终目的是修音：把频谱里那根 58Hz 噪声柱削掉，再合成回去，嗡嗡声消失而歌声无损——这就是降噪。同样，在预测任务里，频域把“看不清的周期”变成“可量化的特征”，让模型少走弯路。频域特征工程有三件套：① 频域峰值，即幅值最大的几个频率及其幅值；② 频带能量，把特定频段（如脑电 α 波的 8-13Hz）的谱密度积分；③ 谱熵，能量分布越均匀熵越大，衡量信号的紊乱程度。这些特征可以像普通表格列一样喂给模型，对带周期或振动结构的数据尤其有效。

量化某个频段强弱的核心算式是频带能量：

落到工业现场：轴承磨损会在转频两侧长出“边带峰”，用 FFT 捕捉边带频率、用小波定位冲击时刻、用频带能量跟踪劣化趋势，就能提前两周预警故障。就像修音师精准剪掉噪音频段，数据科学家精准提取规律频带——频域视角让“对症下药”四个字终于有了坐标。

Eband=∫f1f2S(f) df\displaystyle E_{\text{band}} = \int_{f_1}^{f_2} S(f)\, df
它把谱密度曲线在 $f_1$ 到 $f_2$ 之间围出的面积算出来，作为该频段的特征值。
  1. 谱密度 S(f)每个频率处的能量密度，曲线越高代表该频段越有“劲”。
    S(f)S(f)
  2. 频段边界 f1、f2你要统计哪一段音区，比如 α 波的 8-13Hz。
    f1, f2f_1,\ f_2
  3. 积分求和把区间内每一小段的能量密度累加，得到面积。
    ∫f1f2S(f) df\int_{f_1}^{f_2} S(f)\, df
  4. 频带能量 E_band该频段的总能量，可直接作为特征输入模型或做门限判断。
    Eband=∫f1f2S(f) dfE_{\text{band}} = \int_{f_1}^{f_2} S(f)\, df

AI 应用场景

工业设备故障诊断

阶段：特征工程

解决的问题：传统做法靠老师傅“听音辨故障”，主观且难以规模化；时域波形对早期轴承磨损很不敏感。利用 FFT/小波从振动加速度计提取频谱特征：正常轴承的谱峰集中在转频及其整数倍，磨损后会出现边带峰和宽带抬升，这些频带能量直接作为特征送入分类模型，实现客观、可复现的预警。

具体案例：某风电场齿轮箱振动信号，采样率 2560Hz，每 10 秒一段。先用 FFT 找到啮合频率 780Hz 附近的主峰，再用小波定位冲击出现的时刻，最后用 500Hz-1kHz 频带能量的变化趋势做预警，提前两周发现齿面点蚀。

脑电信号睡眠分期

阶段：信号预处理与特征提取

解决的问题：脑电是非平稳信号，不同睡眠阶段有特征节律（α 波 8-13Hz、δ 波 0.5-4Hz），对整段做 FFT 会抹掉节律切换的时刻。用小波将信号分解到多个尺度，再提取各尺度的能量占比作为特征，能保留“何时出现什么节律”的关键信息。

具体案例：32 通道脑电数据，先带通滤波再做小波分解，取 δ/θ/α/β 四个频带的能量占比与谱熵送入随机森林，睡眠分期的准确率从纯时域特征的 78% 提升到 89%。

电力负荷预测的特征工程

阶段：特征工程与预测

解决的问题：纯时域的滑动平均特征无法显式告诉模型“存在 24 小时周期”，模型只能硬学。用谱密度估计找到日周期（1/24h≈0.0417Hz）和周周期的谱峰，据此构造小时点、星期几、频带能量等频域辅助特征，喂给 LSTM 或 Prophet 能显著改善长周期预测。

具体案例：某园区 15 分钟粒度的负荷数据，谱密度曲线上 24 小时峰的幅值比 12 小时峰高约 40%，据此设计周期特征并挑选滞后阶数，预测 MAPE 从 8.6% 降到 5.1%。

Python 演示

python44 行
# -*- coding: utf-8 -*-"""Frequency domain analysis demo: extract dominant frequencies via FFT."""import numpy as np  def generate_signal(n=1024, fs=100.0):    # 合成信号: 2Hz / 5Hz / 11Hz 三个正弦分量, 再加一点噪声    t = np.arange(n) / fs    x = (0.9 * np.sin(2 * np.pi * 2.0 * t)         + 0.6 * np.sin(2 * np.pi * 5.0 * t)         + 0.35 * np.sin(2 * np.pi * 11.0 * t)         + 0.05 * np.random.randn(n))    return t, x  def fft_spectrum(x, fs):    # 实信号专用 FFT, 只算正半轴, 省一半计算量    n = len(x)    spec = np.fft.rfft(x)                  # 离散傅里叶变换    freqs = np.fft.rfftfreq(n, 1.0 / fs)   # 每条谱线对应的频率    amps = 2.0 * np.abs(spec) / n          # 复数模长转幅值, 单边乘 2    return freqs, amps  def top_frequencies(freqs, amps, k=3):    # 按幅值降序取前 k 个主频    idx = np.argsort(amps)[::-1][:k]    return [(freqs[i], amps[i]) for i in idx]  def main():    fs = 100.0    t, x = generate_signal(n=1024, fs=fs)    freqs, amps = fft_spectrum(x, fs)    print("N = %d, fs = %.1f Hz" % (len(x), fs))    for f, a in top_frequencies(freqs, amps):        print("dominant freq = %.2f Hz, amplitude = %.3f" % (f, a))    # 谱密度估计思想: 各频段能量求和再平均, 先去掉直流分量    energy = np.sum(amps[1:] ** 2) / len(amps[1:])    print("mean band energy = %.4f" % energy)  if __name__ == "__main__":    main()
目的：合成三个频率叠加的信号，用 FFT 找出主频并估算频段平均能量，演示“时域混音”到“频域清单”的完整流程。
  1. spec = np.fft.rfft(x)一次 FFT 把全部频率成分算出来，rfft 只算正半轴更省。
  2. freqs = np.fft.rfftfreq(n, 1.0 / fs)生成每条谱线对应的频率坐标，方便后续按 Hz 解读。
  3. amps = 2.0 * np.abs(spec) / n复数的模是幅值，乘 2 还原单边幅值，直流分量除外。
  4. idx = np.argsort(amps)[::-1][:k]幅值降序排列，取出前 k 个主频，对应“最强音符清单”。
  5. energy = np.sum(amps[1:] ** 2) / len(amps[1:])去掉直流后求频段平均功率，是谱密度估计的雏形。

常见误区

误区频谱图上哪根尖峰最高，那个频率对应的周期就最长，所以峰高代表周期大。

正解频率和周期是倒数关系 T=1/f。峰高只代表这个频率成分的幅值（能量）强，和周期长短毫无关系。2Hz 的峰即使很矮，周期仍是 0.5 秒；11Hz 的峰再高，周期也只有约 0.09 秒。就像乐谱里“最响的那个音”绝不等于“最低沉的那个音”。

为何常见：直觉上“越高越大”容易和“越大越长”混淆，把幅值强度与周期长度两把尺子叠在了一起。

误区小波能看到频率随时间变化，说明它比 FFT 强大，所有信号都应该优先用小波。

正解工具没有高下，只有匹配。对平稳信号，FFT 结果简洁、计算快、解释直观；小波虽然能时频定位，但多了尺度参数，结果更复杂，调参成本也更高。好比卡拉OK字幕虽炫，但你只想确认整首歌有没有 50Hz 电流声，一张频谱图就够了。

为何常见：小波是“后来者”且功能更丰富，初学者容易默认“新 = 好”，忽略了代价与场景。

误区把采样率提高一倍，频谱就能把两个很接近的峰分开了，所以分辨率由采样率决定。

正解频率分辨率由观测时长决定：Δf=1/T。提高采样率只扩大最高可测频率（奈奎斯特 fs/2），并不改变谱线间距。要让相隔 0.1Hz 的两个峰分开，必须把信号多录 10 秒，而不是把每秒点数翻倍。放大镜倍数再高，也看不到你根本没有拍到的内容。

为何常见：采样率和分辨率都带“高”字，方向容易混淆；而且提高采样率确实会让谱线看起来更密，产生“分辨率提高了”的错觉。

误区某个频率上谱密度值很高，那这个频率的正弦振幅一定很大。

正解谱密度是频率处的功率密度，它正比于振幅的平方，还依赖分辨率带宽和窗函数；两个频率靠得很近时，谱密度还会把能量“抹开”。想报“振幅多大”应读 FFT 幅值谱，想报“能量集中在哪”才读谱密度。好比音量表上的分贝数不能直接当作琴键按下去的力度。

为何常见：FFT 幅值谱和谱密度都画成“频率-数值”曲线，形状相似，初学者容易直接把两条曲线画等号。

面试题

Q1. FFT 频谱图中，某根尖峰对应的横轴坐标代表什么？

单选题 · easy

  • A.该成分的频率大小← 正确答案
  • B.该成分的幅值大小
  • C.该成分出现的时间
  • D.采样点的序号

答案：A。频谱图的横轴是频率，纵轴才是幅值。尖峰出现在哪个横轴位置，就说明信号里含有哪个频率的成分，好比乐谱上音符所在的位置决定音高。B 是纵轴含义，C 是时域概念，D 与频率无关，均不对。

Q2. 某机器的振动每 0.25 秒重复一次，对应的基频是多少？

单选题 · easy

  • A.0.25 赫兹
  • B.4.00 赫兹← 正确答案
  • C.2.50 赫兹
  • D.25.0 赫兹

答案：B。频率是周期的倒数，f=1/T=1/0.25=4Hz。周期越长频率越低，周期 0.25 秒属于较快振动，对应 4Hz。记不住倒数关系时，可以想“一秒振几下”：0.25 秒一下，一秒正好四下。

Q3. FFT 把 DFT 的计算复杂度从多少降到了多少？

单选题 · mid

  • A.从 O(N) 降到 O(log N)
  • B.从 O(N^2) 降到 O(N log N)← 正确答案
  • C.从 O(N log N) 降到 O(N^2)
  • D.从 O(N^2) 降到 O(N)

答案：B。直接按定义算 DFT 要对 N 个频率各做 N 次运算，复杂度 O(N^2)；FFT 用分治策略复用中间结果，降到 O(N log N)。D 的 O(N) 不可能，因为输出本身就有 N 根谱线。N 越大，FFT 省下的计算越可观。

Q4. 相比 FFT，小波变换的主要特点包括哪些？

多选题 · mid

  • A.可定位频率出现的时间← 正确答案
  • B.适合分析非平稳信号← 正确答案
  • C.只能分析平稳周期信号
  • D.同时有尺度与平移双参数← 正确答案

答案：ABD。小波的尺度 a 对应频率、平移 b 对应时间，天然给出“时间-频率”二维定位，适合非平稳信号，所以 A、B、D 正确。C 说反了：只能处理平稳信号是 FFT 的局限，而非小波的特点。

Q5. 以 100Hz 采样率采集信号，理论上能分辨的最高频率是多少？

单选题 · easy

  • A.25 赫兹
  • B.50 赫兹← 正确答案
  • C.100 赫兹
  • D.200 赫兹

答案：B。奈奎斯特频率等于采样率的一半，100Hz 采样最多忠实还原 50Hz 以内的成分，超出部分会发生混叠，伪装成低频信号。想测更高频率，只能提高采样率，这是“采多密决定能看多高”的经典结论。

Q6. 谱密度估计回答的核心问题是什么？

单选题 · mid

  • A.信号整体均值是多少
  • B.能量在各频段如何分布← 正确答案
  • C.信号随时间如何变化
  • D.采样误差有多大

答案：B。谱密度把总功率按频率摊开，回答“能量集中在哪个频段”，曲线下的面积就是频段能量。A 是均值统计，C 是时域关心的事，D 与采样误差无关。好比给乐队各声部分别装音量表，问的是“低频占几成”。

Q7. 想让频谱区分两个距离很近的频率成分，正确的做法包括？

多选题 · hard

  • A.延长观测信号的时长← 正确答案
  • B.提高采样率但时长不变
  • C.只对结果做平滑处理
  • D.对原始数据末尾补零

答案：A。频率分辨率由观测时长决定，Δf=1/T，所以 A 正确。B 中时长不变只提高采样率，分辨率不变；C 中平滑反而可能把两个峰糊成一个；D 中补零只是插值出更密的谱线，并不会产生真实分辨能力。三者都治标不治本。

Q8. 振动信号中出现一次短暂冲击，想同时定位冲击发生的时刻与频带，应选择？

单选题 · hard

  • A.对全段信号直接做 FFT
  • B.用小波变换做时频定位← 正确答案
  • C.只计算信号的均值和方差
  • D.用谱密度估计总能量

答案：B。冲击是典型的非平稳事件，FFT 会把冲击能量摊到全时段，丢失“何时发生”；小波变换同时保留时间与频率信息，最适合定位短暂冲击。A 无时间信息，C 是标量统计，D 只能看能量谱不能定时刻，均不满足题意。

Q9. 改进周期图方差偏大的常用手段有哪些？

多选题 · mid

  • A.对信号分段求平均← 正确答案
  • B.加窗函数抑制泄漏← 正确答案
  • C.直接放大频谱幅值
  • D.折衷段长与段数平衡← 正确答案

答案：ABD。Welch 法把信号切成多段求周期图再平均，方差随段数下降，但同时分辨率变差，所以要在段长与段数间权衡，A、D 正确；加窗能压制频谱泄漏的旁瓣，B 正确。C 放大幅值只改变刻度，不改方差，属于错误手段。

Q10. 关于频率分辨率 Δf=1/T 与采样点数 N、采样率 fs 的关系，下列说法正确的是？

多选题 · extreme

  • A.采样率不变时加长观测时长← 正确答案
  • B.时长不变时增加采样点数← 正确答案
  • C.补零能把真实谱峰一分为二
  • D.频率分辨率等于采样率除点数← 正确答案

答案：ABD。A 中 fs 不变、时长 T 增加，Δf=1/T 变小，分辨率提高。B 中时长不变、增加 N 意味着 fs 提高，而 Δf=fs/N=1/T 不变，真实分辨率不变，说法正确。C 中补零只做插值平滑，不能把单一真实谱峰分开，错误。D 中 fs/N=1/T=Δf 正是分辨率的表达式，正确。此题考察对“分辨率由时长决定”这一本质的理解。