Python实现频谱分析：傅里叶变换实战指南

初学者常因傅里叶变换的数学公式而望而却步。但若将其视为"声波解析器"，问题将变得直观。想象一段复杂音频信号如同色彩混合的画作，傅里叶变换就像分光镜，能分离出不同频率成分。这对信号处理工程师和数据科学家而言，是提取关键信息的重要工具。

本文将通过Python实践，逐步展示如何完成频谱分析。从信号生成到频域转换，涵盖常见问题解决方案。适合信号处理入门者和希望实践理论的开发者。

1. 环境配置与基础概念

开始编码前需搭建开发环境并理解核心概念。推荐使用Anaconda管理依赖，创建独立虚拟环境避免版本冲突。

# 创建虚拟环境命令
conda create -n signal_analysis python=3.9
conda activate signal_analysis

安装必要库后验证环境：

import numpy as np
import matplotlib.pyplot as plt
print(f"NumPy版本: {np.__version__}")
# 无报错表示配置成功

关键概念解析：

1. 时间域与频率域：时间域展示振幅变化，频率域显示组成成分及强度
2. 采样率与奈奎斯特准则：采样率需至少为最高频率的两倍，避免混叠失真
3. 离散傅里叶变换（DFT）：数字信号处理的基础算法，FFT是优化版本

提示：采样率不足会导致信号失真，类似低帧率摄像机拍摄旋转物体时出现的异常运动现象

2. 信号生成与可视化

创建包含多频率成分的合成信号进行测试。设置采样率100Hz，持续时间2秒，包含5Hz主信号、20Hz干扰信号和随机噪声。

import numpy as np
import matplotlib.pyplot as plt

# 参数配置
sample_rate = 100  # 采样频率
signal_length = 2  # 持续时间
time_axis = np.linspace(0, signal_length, int(sample_rate * signal_length), endpoint=False)

# 生成信号组件
freq1 = 5
amp1 = 1.0
signal_part1 = amp1 * np.sin(2 * np.pi * freq1 * time_axis)

freq2 = 20
amp2 = 0.3
signal_part2 = amp2 * np.sin(2 * np.pi * freq2 * time_axis)

# 添加噪声
noise = 0.1 * np.random.randn(len(time_axis))

# 合成信号
final_signal = signal_part1 + signal_part2 + noise

# 绘制时域波形
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(time_axis, final_signal, 'b-', linewidth=0.8, alpha=0.7)
plt.title('合成信号时域显示')
plt.xlabel('时间 [s]')
plt.ylabel('振幅')

# 频域分析待续...