✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎

往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥内容介绍

在信号处理领域，频域分析是解读信号频率特性的核心手段，其中PSD（功率谱密度，Power

Spectral

Density）与FFT（快速傅里叶变换，Fast

Fourier

Transform）幅度谱是最常用的两个工具。

直接通过FFT得到的幅度谱存在诸多局限性，无法直接反映信号的真实功率分布，因此需要对其进行调整；而PSD作为信号功率在频率域上的分布描述，与调整后的FFT幅度谱密切相关，二者既存在本质区别，又可通过特定方法相互转换，广泛应用于语音识别、雷达信号处理、生物医学信号分析等多个领域。

一、核心概念辨析

/>

二、FFT幅度谱的调整方法（核心步骤）

对原始FFT幅度谱的调整，本质是克服其能量泄露、幅度失真、单位不匹配等问题，核心调整步骤如下，各步骤需依次执行以保证精度：

2.1

加窗处理（抑制能量泄露）

由于FFT仅能处理有限长度的信号样本，当信号周期不是采样频率的整数倍时，会出现能量泄露——信号能量扩散到相邻频率点，导致幅度谱失真。

加窗处理通过将时域信号乘以一个窗函数，降低信号边界处的突变，从而有效抑制能量泄露。

常用窗函数及特性对比：

• 矩形窗：最简单的窗函数，直接截取信号，主瓣窄、分辨率高，但旁瓣高，能量泄露较明显；

• 汉宁窗/海明窗：均为余弦窗，能有效降低旁瓣、减少能量泄露，其中汉宁窗幅度校正系数为2，海明窗校正系数约为1.86；

• 布莱克曼窗/凯泽窗：布莱克曼窗旁瓣更低，但主瓣更宽、分辨率下降；凯泽窗参数可调，可在分辨率与能量泄露之间灵活权衡。

2.2

幅度校正（恢复真实幅度）

加窗操作会对信号幅度产生衰减，导致调整后的幅度谱无法反映信号真实幅值，因此需根据所选用的窗函数，乘以对应的幅度校正系数，恢复信号的真实幅度特性。

例如，汉宁窗需乘以2，海明窗需乘以约1.86，矩形窗无需额外校正（校正系数为1）。

2.3

单边谱调整（剔除镜像频率）

对于实数时域信号，FFT变换后会产生对称的正负频率分量（镜像频谱），其中负频率分量无实际物理意义，仅为数学计算产物。

因此需保留正频率分量（0到奈奎斯特频率，即采样频率fs的1/2），并对非零频、非奈奎斯特频率的正频率分量乘以2，补偿镜像分量的幅度，得到单边调整后的幅度谱——这也是工程实践中最常用的幅度谱形式。

2.4

可选调整：平均处理（降低噪声干扰）

对于随机信号或含噪声的信号，可通过分段FFT、多次平均的方式（类似Welch法），对多个调整后的幅度谱进行平均，降低噪声方差，使幅度谱更平滑、频率分量更清晰，为后续PSD转换提供更稳定的基础。

三、调整后的FFT幅度谱与PSD的关联（转换关系）

调整后的FFT幅度谱与PSD本质是“幅度”与“功率密度”的关联，二者可通过能量归一化实现相互转换，核心公式基于帕塞瓦尔定理（信号总能量在时域和频域相等）推导得出，具体关系如下：

/>

四、关键注意事项

• 调整顺序不可颠倒：必须先加窗抑制能量泄露，再进行幅度校正，最后调整单边谱，否则会导致幅度失真、PSD估计偏差；

• 窗函数选择：需权衡分辨率与能量泄露——高分辨率场景选矩形窗，低泄露场景选汉宁窗、凯泽窗，避免盲目选择；

• 归一化一致性：PSD转换时，需确保样本数N、采样频率fs、窗函数修正系数Swindow的取值与调整后的幅度谱一致，否则会出现单位错误或数值偏差；

• 适用信号类型：PSD仅适用于广义平稳随机过程，非平稳信号无明确PSD，需使用时变谱密度分析；调整后的幅度谱可适用于平稳、非平稳多种信号类型；

• 频率轴解读：二者的频率轴均为0到fs/2（单边谱），频率分辨率为$$\Delta

  =

  fs/N$$，分辨率越高，越能区分相邻频率分量。

五、总结

调整后的FFT幅度谱是原始幅度谱的优化版本，核心解决了能量泄露、幅度失真等问题，直观反映各频率分量的真实幅度；PSD是基于调整后幅度谱，通过能量归一化得到的功率分布描述，核心体现单位频率内的功率贡献。

二者相辅相成：调整后的FFT幅度谱是PSD的基础，PSD是幅度谱的“功率化延伸”，共同构成了频域分析的核心工具。

实际应用中，需根据分析目标选择：关注“幅度、频率分量”选调整后的FFT幅度谱，关注“功率、噪声分布”选PSD；若需兼顾二者，可通过核心转换公式实现相互推导，满足不同场景的分析需求。

随着信号处理技术的发展，基于二者的优化方法（如自适应谱估计、深度学习谱估计），正朝着更高精度、更强鲁棒性的方向发展，进一步拓展其应用范围。

⛳️

运行结果

金守华,曾志平,陈秀方,等.秦沈客运专线板式无砟轨道不平顺功率谱分析[J].铁道科学与工程学报,

2008,

5(6):5.DOI:10.3969/j.issn.1672-7029.2008.06.005.

[2]

庞聪.基于SURF算法与功率谱密度图回归分析的地震波特征提取方法[C]//2023年中国地球科学联合学术年会论文集——专题九

地震波传播与成像、专题十

地震面波、背景噪声及尾波干涉地下结构成像及介质变化监测.2023.

[3]

任勇,米德伶,魏彪,等.^(252)Cf裂变中子信号功率谱密度分析系统[J].核动力工程,

2010(2):140-144.

📣

部分理论引用网络文献，若有侵权联系博主删除

👇

关注我领取海量matlab电子书和数学建模资料

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈

各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、

风电场布局、时隙分配优化、

天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、

动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、

订单拆分调度问题、

公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈

机器学习和深度学习时序、回归、分类、聚类和降维

2.1

bp时序、回归预测和分类

2.2

ENS声神经网络时序、回归预测和分类

2.3

SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4

CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5

ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6

GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7

ELMAN递归神经网络时序、回归\预测和分类

2.8

LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9

RBF径向基神经网络时序、回归预测和分类

2.10

DBN深度置信网络时序、回归预测和分类

2.11

XGBOOST集成学习时序、回归预测预测和分类

2.19

Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈

路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、

双层车辆路径规划（2E-VRP）、

油电混合车辆路径规划、

无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈

通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈

信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈

人群疏散

雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈

车间调度

零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题

DPFSP、阻塞流水车间调度问题BFSP

👇