3.1 信号变换与多速率信号处理
3.1 信号变换与多速率信号处理
本节摘要：本节建立两个贯穿全书信号处理的工具直觉：傅里叶变换把"信号是什么频率组成"这个问题变成可计算的矩阵运算；多速率处理（抽取与内插）让数字系统可以在不同采样率之间自如换挡。RTL-SDR 从 2.048 MSPS 原始数据到 48 kHz 音频的旅程，就是一条典型的多速率流水线。
为什么先讲"变换"
拿到一串 I/Q 样本，最自然的追问是"这里面有什么"。时域看是杂乱的波形，人眼无法直接读出频率成分；傅里叶变换把这串样本投影到一族正弦基上，输出"每个频率占多少能量"的列表。换个说法：时域与频域是同一份数据的两张脸，变换就是转脸的动作。1965 年 Cooley 与 Tukey 的快速算法把计算量从平方量级降到对数量级——对百万点序列，这意味着从"小时"到"毫秒"的差距，频谱分析因此才从实验室特权变成人人可用的工具。
在你的实验里，FFT 是使用频率最高的操作，没有之一：看频谱用它，调增益用它，校频偏用它，识别调制还用它。第 4 章的 FM 解调虽然不靠 FFT，但判断"信号是否在中心、带宽是否合适"全靠它开路。
DFT 的直觉：一组相关运算
离散傅里叶变换（DFT）对每个候选频率 k 做一件事：把 N 个样本分别乘上一个频率为 k 的复指数，再求和。信号里恰好含有该频率成分时，乘积的同相部分互相累加，和很大；不含时，正负相消，和接近零。所以 DFT 输出的第 k 个点的模，就是"样本序列与第 k 个频率的相关程度"。这段描述对应到代码就是几行向量运算：
import numpy as np N = 1024 n = np.arange(N) x = 0.7 * np.exp(1j * 2 * np.pi * 50 * n / N) # 一个频率位于第 50 个 bin 的复正弦 k = np.arange(N) # 手工 DFT：矩阵形式，与 numpy.fft 结果一致（误差在浮点范围内） manual = np.abs(x @ np.exp(-1j * 2 * np.pi * np.outer(n, k) / N)) builtin = np.abs(np.fft.fft(x)) print("手工与库函数最大差异：", np.abs(manual - builtin).max()) # 约 1e-9 量级
跑一遍这个对照实验，"FFT 是黑盒"的感觉会消失大半：它没有任何魔法，只是把上面的矩阵乘法用巧妙的分治结构省算力。频谱的频率刻度也由此确定：第 k 个 bin 对应频率为采样率乘 k 再除以 N，第 3.3 节画频谱图时坐标轴就是这么来的。
频率分辨率同样由这条公式给出：分辨率等于采样率除以 FFT 点数。想分辨相距 5 kHz 的两个信号，在 2.048 MSPS 下至少需要 410 点；实践中取 1024 到 8192 点是常见区间——点数越多分辨率越高，但时间响应越慢，瀑布图的更新越迟钝。
抽取：把采样率降下来
RTL-SDR 以 2.048 MSPS 吐样本，但 FM 解调后只剩 48 kHz 的音频——中间发生了什么？答案是逐级抽取（decimation）：保留需要的频带、丢弃带外成分、每 M 个样本取一个。顺序至关重要：先低通滤波再丢样本，滤波器挡住了带外能量，丢样本才不会引入混叠；反过来先丢后滤，带外噪声会折叠进带内，无法挽回。
噪声账也要算：每级抽取让总噪声功率按带宽比例缩小，而信号功率不变，于是信噪比提升。从 2.048 MHz 抽取到 48 kHz，带宽缩小约 42 倍，理论上信噪比改善约 16 dB——这就是为什么解调前总是先降到信号本来的带宽：带宽越窄，进来的噪声越少。第 6 章的滤波实战会把这个账算得更细。
图：抽取与内插的多速率流水线结构
内插：把采样率升上去
内插（interpolation）是抽取的镜像操作：在样本之间补零把速率抬上去，再用低通滤波把补零造成的镜像压掉、把阶梯状的波形抹平滑。声卡重采样、发射波形成形都靠它。工程上抽取与内插常组合成"有理数速率变换"：先 L 倍内插再 M 倍抽取，即可实现 L 比 M 的任意速率比——把 48 kHz 音频重采到 44.1 kHz，用的就是 147 比 160 的组合。
一个完整的小实验
把抽取的概念落到代码：对第 2 章采集的样本做"滤波加抽取"，观察噪声底变化。
import numpy as np import matplotlib.pyplot as plt from scipy.signal import firwin, lfilter raw = np.fromfile("strong_signal.iq", dtype=np.uint8).astype(np.float32) - 127.5 iq = (raw[0::2] + 1j * raw[1::2]) / 128.0 # 2.048 MSPS 复数样本 # 设计 96 阶低通 FIR，通带 200 kHz，用于抽取前的抗混叠 taps = firwin(96, 200e3 / (2.048e6 / 2)) filtered = lfilter(taps, 1.0, iq) decimated = filtered[::8] # 8 倍抽取，降到 256 kSPS def psd_db(x, fs): spec = np.abs(np.fft.fftshift(np.fft.fft(x[:65536]))) ** 2 f = np.fft.fftshift(np.fft.fftfreq(65536, 1 / fs)) return f, 10 * np.log10(spec / 65536) f1, p1 = psd_db(iq, 2.048e6) f2, p2 = psd_db(decimated, 256e3) plt.plot(f1/1e6, p1, alpha=0.6, label="2.048 MSPS 原始") plt.plot(f2/1e6, p2, label="抽取后 256 kSPS") plt.xlabel("频率 MHz"); plt.ylabel("功率谱密度 dB"); plt.legend(); plt.show()
对比两条曲线：抽取后的噪声底整体抬高约 9 dB（10 乘 log10 的 8 倍带宽比），但每赫兹的总噪声积分反而下降——单位带宽的信噪比变好了。看懂这张图，你就看懂了"窄带接收灵敏度更高"的全部数学。
常见问题
问题：抽取比是不是越大越好？
不是。抽取降低数据速率与算力负担，但抽取太狠会把信号本身的边带也切掉——比如对 200 kHz 的 FM 信号做 16 倍抽取（只剩 128 kHz 视野）就会削掉边带导致失真。原则：抽取后的带宽仍是目标信号带宽的 1.2 倍以上。
问题：DFT 与 FFT 是什么关系？
DFT 是数学定义，FFT 是计算 DFT 的高效算法，结果完全一致。就像"从北京到上海"是需求、高铁是实现——你总用 FFT，但理解 DFT 的定义才能理解频率刻度、泄漏这些现象从哪来。
问题：多速率处理在真实系统里用在哪？
无处不在：手机音频链路 48 kHz 与 44.1 kHz 的换算、SDR 从 2.048 MSPS 到 48 kHz 音频的全程、数字电视从 30 MSPS 到信道解码的逐级降速。第 5 章流图里的 Rational Resampler 块就是它的标准件形态。
本节要点回顾
- 傅里叶变换是相关运算：FFT 只是省算力的实现，频率刻度等于采样率除以点数。
- 分辨率公式：采样率除以 FFT 点数，点数与时间响应是一对取舍。
- 抽取顺序铁律：先低通后丢样本；内插反之，先补零后滤波。
- 带宽与灵敏度挂钩：带宽缩 8 倍，单位带宽信噪比提升约 9 dB。
下一节把采样定理本身讲透：采样率到底怎么选，欠采样时频谱如何折叠成你意想不到的样子。