FFT快速傅里叶变换原理解析零基础入门教程

频域分析原理

先聊一个大家都熟悉的场景：卡拉OK的音频频谱显示。那不断跳动的柱状图，横轴是频率，纵轴是功率，能实时反映声音的“成分”。这背后，核心算法就是FFT（快速傅里叶变换）。

举个小例子，比如在VR单片机项目中用FFT分析语音信号，视频里就能直观看到频谱实时跳动的效果。

FFT本质上是DFT（离散傅里叶变换）的“加速版”。1965年，Cooley和Tukey将其正式推向应用，此后各种优化技巧都围绕着同一个目标：减少乘法运算量。DFT的计算复杂度是O(N²)，而FFT降到了O(N log₂N)。这意味着什么？随着采样点数N的增大，FFT的计算优势会越来越显著。

那么DFT到底是如何工作的？可以简单理解成一个“频率探测器”。

假设我们有一段用fs采样得到的N点数字序列A，里面隐藏了一个频率为fa的正弦波，但我们不知道它的幅度和相位。该怎么办？

方法就是利用“信号相关”。我们构造两个频率也为fa、幅度为1的标准信号：一个正弦波B，一个余弦波C。然后用B和C分别与原始序列A做乘法，再将结果进行滤波（通常就是求平均）。

有趣的地方来了：如果A里只包含fa这个频率的信号，相乘滤波后，结果不为零，我们能由此计算出幅度和相位。而如果A里还有其他频率的成分，经过同样的处理，输出结果正好是零——相当于被完美滤除了。

用公式来表达就是：

A信号序列为： x[n]

B信号序列为: cos(2π·fa·n·ts)

C信号序列为: sin(2π·fa·n·ts)

那么两个输出经过滤波（求平均）后的结果是：

I = (1/N) * Σ(x[n] * cos(2π·fa·n·ts))

Q = (1/N) * Σ(x[n] * sin(2π·fa·n·ts))

通过(I, Q)这对值，就可以反推出信号的幅度和相位：

幅度 = 2 * sqrt(I² + Q²)

相位 = arctan(Q / I)

这里有一个关键前提：当N点序列计算结束时，正弦和余弦信号的相位必须是2π的整数倍。这样滤波器才能把其他频率分量“彻底清零”，避免出现频谱泄露。

为了保证这一点，fa必须满足：fa * N * ts 是整数。换句话说，fa = k * (fs / N)，其中k是整数。这就是为什么进行N点DFT时，只有频率正好是fs/N的整数倍，才能完美地“锁定”这个信号，不产生泄露。

程序验证

光说理论有点抽象，直接上代码来验证。下面是用MATLAB实现的一个简单FFT仿真：

% FFT计算示例
fa   = 200.1953125e6;     % 信号频率，不产生频谱混叠
A0   = 1;                 % 信号幅度
fs   = 1e9;               % 采样率
Nfft = 1024;              % FFT点数
wa   = 2*pi*fa;
ts   = 1/fs;
t    = 0:ts:ts*(Nfft-1);   % 构造时间序列
Vn   = 1e-3*randn(1,Nfft); % 添加小噪声
y    = A0*sin(wa*t)+Vn;    % 合成信号
X    = fft(y, Nfft);       % 计算FFT
Amp  = 2*abs(X)/Nfft;      % 计算幅度
Amp_log = 20*log10(Amp);   % 转换为dB
f    = linspace(0, fs/2, Nfft/2+1)*1e-6;
plot(f, Amp_log(1:Nfft/2+1), '-r', 'LineWidth', 1);
grid on;
ylim([-100,10]);
ylabel('Amp/dBFS');
xlabel('freq/MHz');
title(sprintf('FFT, fs=%0.2fM Hz, fa=%0.8fM Hz', fs*1e-6,fa*1e-6));

仿真结果非常直观：

设置fa=200.1953125MHz，结果频谱上只有一个干净的尖峰：

一切正常，信号能量完美集中在这个频点。

但如果把fa改成正好的200.0000000MHz，情况就发生了变化：

可以看到，能量不再集中在单一频点，而是“摊”开了——这就是典型的频谱泄露现象。想想看，如果fa刚好是fs/N的整数倍，问题就不存在了。这里200MHz不是fs/N（fs/N = 1e9/1024，计算得约976562.5Hz）的整数倍，泄露自然就出现了。

小程序实现

专门用来处理这个问题的小程序，可以帮你计算：给定一个信号频率，找出最接近它、且能保证不出现频谱泄露的那个“安全”频率。举个例子，输入200MHz，它返回的就是最接近的、没有泄露问题的频率点：

还能算出一个FFT Bin（频率“小格子”）的精确带宽：

更贴心的是，这个小程序还会告诉你当前信号落在了哪一奈奎斯特区域：

可以看到，这个fa信号处于第二奈奎斯特区域。了解这一点，有助于判断信号是否发生混叠，以及在后级处理中如何正确“折叠”频谱。这样的工具，对从事数字信号处理的人来说，能省下不少精力。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：FFT快速傅里叶变换原理解析零基础入门教程要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题