频谱分析入门：从 DFT 到 FFT
这是一篇关于「混合信号 / DSP 测试」中频谱分析基础的入门博客。
我会把离散傅里叶变换（DFT）和快速傅里叶变换（FFT）背后的原理一步一步讲清楚，
并且用 Python 把每一个结论都亲手验证一遍 ------不背公式，跑代码看结果。
读完之后，你应该能回答：频谱到底是什么、它是怎么算出来的、为什么实信号的频谱是对称的、
什么是相干采样、什么是混叠、以及 SNR/THD/SINAD/SFDR 这些指标分别在量什么。
0. 为什么测试工程师离不开频谱分析
我们身边最典型的混合信号器件就是 ADC（模数转换器） 和 DAC（数模转换器）。
- 在测试中，模拟激励信号通常由**任意波形发生器（AWG）**产生，而 AWG 内部就是一个 DAC：先用数学方法算出一串数字样本，再把它们转成模拟电压。
- 被测的模拟信号则由数字化仪 / 采样器测量，它内部是一个 ADC：把模拟波形采样成一串数字。
也就是说，激励信号是「用数学算出来的」，测量信号是「用数学处理的」，整个流程都建立在数字信号处理（DSP） 之上------所以这类测试方法常被称为 DSP-based testing（基于 DSP 的测试）。
在 ATE（自动测试设备）领域，可以说99% 的信号分析就是频谱分析。而把一段时域波形变成频谱，最核心、最常用的工具就是 DFT，以及它的「涡轮加速版」FFT。
小提醒：在 IC 设计领域，"DFT" 有时指 Design For Test（可测试性设计）。本文里 DFT 始终指 Discrete Fourier Transform（离散傅里叶变换），别搞混了。
下面我们从「一个实数正弦信号」开始，一步步搭出 DFT。
1. 实信号 = 一对共轭旋转矢量
测试里我们处理的信号都是实数。一个正弦信号通常写成：
x ( t ) = A cos ( ω t + φ ) x(t) = A\cos(\omega t + \varphi) x(t)=Acos(ωt+φ)
它是实数。但有一个非常关键的恒等式（欧拉公式）能把它拆成两个复数之和：
A cos ( ω t + φ ) = A 2 e + j ( ω t + φ ) + A 2 e − j ( ω t + φ ) (1) A\cos(\omega t + \varphi) = \frac{A}{2}e^{+j(\omega t+\varphi)} + \frac{A}{2}e^{-j(\omega t+\varphi)} \tag{1} Acos(ωt+φ)=2Ae+j(ωt+φ)+2Ae−j(ωt+φ)(1)
这个式子的几何意义是：一个实数余弦信号 = 一对旋转矢量的和。
- 一个矢量以角速度 + ω +\omega +ω 向正方向旋转；
- 另一个以 − ω -\omega −ω 向负方向旋转。
- 当 ω = 2 π f \omega = 2\pi f ω=2πf 时，这对矢量对应的频率分别是 + f +f +f 和 − f -f −f。
- 这两个矢量用复数 A 2 e + j ( ω t + φ ) \frac{A}{2}e^{+j(\omega t+\varphi)} 2Ae+j(ωt+φ) 和 A 2 e − j ( ω t + φ ) \frac{A}{2}e^{-j(\omega t+\varphi)} 2Ae−j(ωt+φ) 表示，它们永远互为共轭。
两个共轭复数相加，虚部正好抵消，结果回到实数------这正是实信号能写成式 (1) 的原因。
结论：实信号的频谱一定是「复共轭对称」的------正频率分量和负频率分量的实部相等、虚部大小相等但符号相反。这是后面所有内容的基石。
我们用 Python 直接看一眼：左边是时域 3 周期余弦，右边是它的双边频谱，能量恰好分布在 + 3 +3 +3 和 − 3 -3 −3 两个 bin 上，且高度相等（各为 A / 2 = 0.5 A/2 = 0.5 A/2=0.5）。
2. 频谱分析的本质：相关运算（correlation）
「频谱」回答的问题是：测试信号里各个频率成分各占多少？
换个说法，频率分析等价于把信号和各个「标准频率成分」做相关运算------信号里含某个频率越多，它和那个频率的参考波形相关性就越强。
2.1 一个观测周期里能装下多少个频率？
我们把一段观测窗口叫做 UTP（Unit Test Period，单位测试周期） 。假设 UTP 里有 N N N 个采样点，那么：
- 它能容纳的正弦波周期数，从 1 个周期一直到 ( N / 2 − 1 ) (N/2-1) (N/2−1) 个周期；
- 如果把正频率和负频率都算上，范围是 − ( N / 2 − 1 ) -(N/2-1) −(N/2−1) 到 ( N / 2 − 1 ) (N/2-1) (N/2−1)，再加上 0 周期（DC 直流 ）和位于 N / 2 N/2 N/2 的奈奎斯特分量，总数恰好是 N N N；
- 这中间大多数分量其实都是「一对余弦 + 正弦」波形（而 DC 和奈奎斯特这两根是纯实数的特例）。
「总数恰好 N N N」不是巧合：我们有 N N N 个采样点（ N N N 个已知实数），频域里就对应 N N N 个独立的实数自由度，所以最多能解出 N N N 个独立的频率系数------不多也不少。
2.2 一个 bin 是怎么算出来的（以 bin #3 为例）
假设我们要求出第 3 个 bin（3 周期成分）的频谱，做法是：
- bin #0（DC） ：把信号所有样本直接求和再求平均，得到的均值就是直流分量，对应 bin #0。
- bin #3 实部 ：取「3 周期余弦」参考波，逐点乘以测试信号，再求平均 ------这个平均值就是 bin #3 的实部。
- bin #3 虚部 ：取「3 周期正弦」参考波，逐点相乘再求平均（取负号）------这就是 bin #3 的虚部。
一句话记住：用余弦相关得到实部，用正弦相关得到虚部。
下图复现了这个过程：(a) 是测试信号，(b) 是 3 周期的参考余弦/正弦，©/(d) 是逐点相乘后的波形，红色虚线是它们的平均值------这两个平均值就构成了 bin #3 的复数频谱。
把这件事对所有 bin 各做一遍，就得到了完整频谱。因为是实信号，结果必然呈现第 1 节说的共轭对称形状。
3. 写出 DFT 的定义式
把上面的「相关运算」用一个公式概括，就是 DFT 的定义：
X k = 1 N ∑ i = 0 N − 1 x i cos ( 2 π i k N ) − j sin ( 2 π i k N ) (2) X_k = \frac{1}{N}\sum_{i=0}^{N-1} x_i \left\\cos\\!\\left(\\frac{2\\pi i k}{N}\\right) - j\\sin\\!\\left(\\frac{2\\pi i k}{N}\\right)\\right \tag{2} Xk=N1i=0∑N−1xicos(N2πik)−jsin(N2πik)(2)
其中：
- k = − N / 2 到 ( N / 2 − 1 ) k = -N/2 \ \text{到}\ (N/2-1) k=−N/2 到 (N/2−1)，是频率 bin 的编号；
- { x i } \{x_i\} {xi} 是时域里采样得到的离散数据序列， N N N 是它的长度；
- X k X_k Xk 是「余弦/正弦参考波乘上数据后求得的均值」， { X k } \{X_k\} {Xk} 这个序列就代表了信号的频谱。
注意式 (2) 里那个 1 N \frac{1}{N} N1 ------它就是「求平均」这一步。（提醒：很多库如 NumPy 的 fft 不带 1 / N 1/N 1/N，需要自己除，详见下面验证。）
3.1 自己手写一个 DFT
DFT 的定义如此简单，你完全可以自己写一个。下面是按式 (2) 直白翻译出来的 Python 版本（逻辑等价于经典的双重 for 循环实现）：
python
import numpy as np
def my_dft(x):
N = len(x)
X = np.zeros(N, dtype=complex)
p = 2.0 * np.pi / N
for k in range(N): # 遍历每个频率 bin
re = 0.0
im = 0.0
for i in range(N): # 对每个样本做相关求和
q = i * k * p
re += x[i] * np.cos(q) # 余弦相关 -> 实部
im -= x[i] * np.sin(q) # 正弦相关 -> 虚部（注意负号）
X[k] = (re + 1j * im) / N # 除以 N = 求平均
return X编程小技巧：理论上 k k k 从 − N / 2 -N/2 −N/2 到 N / 2 − 1 N/2-1 N/2−1，但程序里让 k k k 从 0 0 0 到 N − 1 N-1 N−1 更省事。
因为 − π -\pi −π 到 + π +\pi +π 区间的正弦波形，和 0 0 0 到 2 π 2\pi 2π 的完全等价。
代价是：频谱的左右两半被对调了 ------下标 N / 2 N/2 N/2 到 N − 1 N-1 N−1 这一段，实际对应的是「负频率」部分。
3.2 验证：手写 DFT == NumPy FFT，且满足共轭对称、Parseval 能量守恒
python
N, M, A, phi = 64, 3, 1.0, 0.4
i = np.arange(N)
x = A * np.cos(2*np.pi*M*i/N + phi) # 相干的 3 周期余弦
X_mine = my_dft(x)
X_np = np.fft.fft(x) / N # NumPy 不带 1/N，需手动除
print(np.max(np.abs(X_mine - X_np))) # 两者是否一致实际跑出来的结果（节选）：
1) my_dft vs numpy.fft (max abs diff): 3.5e-15 # 和 NumPy 完全一致
2) 共轭对称 X[k]==conj(X[N-k]) 最大误差: 3.7e-15
bin#3 real=0.4605 imag=+0.1947
bin#N-3 real=0.4605 imag=-0.1947 # 实部相等、虚部反号 -> 印证第1节
3) bin0 用求平均得到的 DC == X[0].real
bin3 用 cos 相关得到的实部 == X[3].real
bin3 用 sin 相关得到的虚部 == X[3].imag # 印证第2节
4) 还原出的幅度 = 1.0 (真值 A=1.0)，相位 = 0.4 (真值 phi=0.4)
5) mean(x^2)=0.5 sum|X|^2=0.5 # Parseval：时域能量 == 频域能量四件事一次性被证实：
- 手写 DFT 和成熟库结果完全一致（误差是浮点级 10 − 15 10^{-15} 10−15）；
- 实信号频谱确实共轭对称；
- bin 的实部/虚部确实就是余弦/正弦相关的平均值；
- 时域总能量 = 频域总能量（Parseval 定理）。
3.3 只算左半边就够了：幅度与相位
既然 X k X_k Xk 和 X N − k X_{N-k} XN−k 互为共轭，右半边完全是冗余的 ，可以由左半边推出来。所以做频谱分析时，只保留 bin #0 到 bin # ( N / 2 − 1 ) (N/2-1) (N/2−1) 这左半边就足够了。
在「半边模式」里，人们通常不看实部/虚部，而是看更直观的幅度 和相位：
∣ X k ∣ half = 2 R e 2 + I m 2 , ϕ k = atan2 ( I m , R e ) |X_k|_{\text{half}} = 2\sqrt{\mathrm{Re}^2 + \mathrm{Im}^2}, \qquad \phi_k = \operatorname{atan2}(\mathrm{Im}, \mathrm{Re}) ∣Xk∣half=2Re2+Im2 ,ϕk=atan2(Im,Re)
注意那个 系数 2 ：因为我们把右半边（负频率）的能量丢掉了，需要把幅度翻倍，才能让单边谱的总功率和双边谱保持一致。这也正是频谱分析仪上常见的显示方式。
上面验证里 还原出的幅度 = 1.0、相位 = 0.4 正好等于我们设定的 A A A 和 φ \varphi φ，说明这套「幅度翻倍 + atan2 求相位」是对的。
3.4 小结：DFT 能告诉你什么
DFT 就是 3.1 那段简单的数据处理，但它能给出测试信号的全部信息：
- 含有哪些频率成分；
- 每个成分的幅度 和相位；
- 进而看出信号中的失真、噪声、杂散（spurious）。
对要和混合信号打交道的应用工程师来说，DFT/FFT 是必须吃透的工具：知道它在算什么、怎么算、有哪些限制。
4. 从 DFT 到 FFT：同样的结果，快几百倍
DFT 的过程很简单，但你注意到 3.1 的代码里是双重循环 ------外层 N N N 个 bin，内层 N N N 个样本，总运算量正比于 N 2 N^2 N2。数据量一大，处理时间就「爆炸」。
FFT（Fast Fourier Transform，快速傅里叶变换） 就是为解决这个问题诞生的：它把数据点数限制为 2 n 2^n 2n （2 的整数次幂），利用对称性把重复计算合并，得到一个极快、极高效的 DFT 算法。运算量从 O ( N 2 ) O(N^2) O(N2) 降到 O ( N log N ) O(N\log N) O(NlogN)。
FFT 算出来的结果和 DFT 完全一样，只是快得多。 我们用 4096 点验证：
python
import time
N = 4096 # = 2^12
x = np.random.randn(N)
def naive_dft(x): # O(N^2) 矩阵实现
n = np.arange(len(x)); k = n.reshape(-1, 1)
return np.exp(-2j*np.pi*k*n/len(x)) @ x
Xd = naive_dft(x) # 朴素 DFT
Xf = np.fft.fft(x) # FFT
print(np.max(np.abs(Xd - Xf))) # 结果是否一致实测输出：
1) FFT vs DFT max diff: 2.3e-10 # 结果一致（浮点误差级别）
naive DFT time: 0.5723s | FFT time: 0.003041s | speedup ~188x同样 4096 点，朴素 DFT 用了约 0.57 秒，FFT 只用 0.003 秒，快了约 188 倍------而且点数越多，差距越夸张。这就是为什么实际测试里几乎总是用 FFT。
一个实用区别：FFT 类算法都要求输入是 2 n 2^n 2n 点 。如果由于某种原因你没法凑齐 2 n 2^n 2n 个点，那就只能退回到通用 DFT（任意点数都行，但慢），或者只算少数几个你关心的 bin（比如基波和 2、3 次谐波），来避免漫长的全谱计算。
5. 看懂一张频谱图：关键量与坐标
要读懂频谱，先认识几个关键量：
| 符号 | 含义 |
|---|---|
| F s F_s Fs | 采样 / 数字化频率（sampling frequency） |
| N N N | 总采样点数 |
| F t F_t Ft | 测试信号频率 |
| M M M | UTP 内正弦波的周期数（cycles） |
| UTP | 单位测试周期，也就是观测时长 |
| F r e s l n F_{resln} Fresln | 频率分辨率，即bin 间距 |
5.1 时域和频域的对应关系
- 时域：一段 UTP 里采了 N N N 个点，其中恰好包含 M M M 个完整周期的正弦波；
- 频域：频谱共有 N / 2 N/2 N/2 个 bin ，下标从 0 开始；
- bin #0 = DC（直流）；
- bin 间距（频率分辨率）= UTP 的倒数 ，即 F r e s l n = 1 / UTP = F s / N F_{resln} = 1/\text{UTP} = F_s/N Fresln=1/UTP=Fs/N；
- 最后一个 bin 是 bin # ( N / 2 − 1 ) (N/2-1) (N/2−1)；
- 信号谱线就落在 bin # M M M 上。
请把这几个量的关系刻进脑子里： F t , F s , M , N , UTP , F r e s l n F_t,\ F_s,\ M,\ N,\ \text{UTP},\ F_{resln} Ft, Fs, M, N, UTP, Fresln。它们之间满足
F t = M ⋅ F r e s l n = M ⋅ F s N . F_t = M\cdot F_{resln} = M\cdot\frac{F_s}{N}. Ft=M⋅Fresln=M⋅NFs.
6. 相干采样（Coherent Sampling）：DSP 测试的铁律
时域图里，「 N N N 个点中恰好装下整数个 M M M 周期」这件事，可以写成一个极其重要的条件：
F t F s = M N (相干条件) \frac{F_t}{F_s} = \frac{M}{N} \tag{相干条件} FsFt=NM(相干条件)
这叫 相干条件（coherent condition） ，在 DSP-based 测试里至关重要。其中：
- M M M 和 N N N 都是整数；
- 而且 M M M 和 N N N 没有公约数（互质，mutually prime）。
为什么要互质？因为如果 M M M 和 N N N 有公约数，那实际被采到的不同相位点就会重复，等效采样点变少，浪费了分辨率。互质能保证 N N N 个采样点落在正弦波一个周期内 N N N 个互不相同的相位上。
满足相干条件 时，信号能量会干净地落在单一 bin（bin #M） 上；不满足时，能量会「泄漏（leakage）」到周围一大片 bin，把弱小的谐波/杂散淹没掉。
我们用 1024 点验证。相干情形取 M = 29 M=29 M=29（ gcd ( 29 , 1024 ) = 1 \gcd(29,1024)=1 gcd(29,1024)=1，互质）；非相干情形故意取 29.5 个周期：
python
N = 1024; i = np.arange(N)
xc = np.cos(2*np.pi*29.0*i/N) # 相干：29 个完整周期
xn = np.cos(2*np.pi*29.5*i/N) # 非相干：29.5 个周期输出：
2) gcd(M=29, N=1024) = 1 # ==1 即互质/相干
coherent : peak at bin 29 | bins above -60dB = 1 # 能量集中在 1 个 bin
noncoherent (29.5 cyc): bins above -60dB = 513 # 泄漏到 500 多个 bin!左图（相干）是一根干净的谱线；右图（非相干）能量糊成一片，这就是频谱泄漏：
后续还有专门讨论：相干条件、加窗（windowing）、欠采样（under-sampling）等。加窗正是用来「抢救」非相干情况的手段，本文不展开。
7. 奈奎斯特定理与混叠（Aliasing）
频谱分析有一条物理底线------奈奎斯特（Nyquist）定理：
测试信号频率 F t F_t Ft 必须限制在 F s / 2 F_s/2 Fs/2 以内。
如果 F t > F s / 2 F_t > F_s/2 Ft>Fs/2，信号频谱就会混叠（aliased） ，「折叠」回到基带（ 0 ∼ F s / 2 0 \sim F_s/2 0∼Fs/2）里，于是你丢失了真实的频率信息 。这种 F t > F s / 2 F_t > F_s/2 Ft>Fs/2 的情形被称为欠采样（under-sampling）------它在混合信号测试里其实是一种重要而有趣的方法（有专门文章讨论），但前提是你要知道它在发生。
验证： F s = 1000 Hz F_s = 1000\,\text{Hz} Fs=1000Hz（奈奎斯特 = 500 Hz），故意送一个 700 Hz 的音调进去：
python
Fs, N = 1000.0, 1000
n = np.arange(N)
xs = np.cos(2*np.pi*700*n/Fs) # 700Hz 超过 500Hz 奈奎斯特
f = np.fft.rfftfreq(N, 1/Fs)
print(f[np.argmax(np.abs(np.fft.rfft(xs)))]) # 它出现在哪里？输出：
3) Nyquist=500Hz, true Ft=700Hz -> appears (aliased) at 300Hz # 折叠到 300Hz700 Hz 的信号冒充 成了 300 Hz（ ∣ 700 − 1000 ∣ = 300 |700-1000|=300 ∣700−1000∣=300）。如果事先不知道，你会误以为被测件有一个 300 Hz 的成分------这就是混叠的陷阱。下图左边是正常的 300 Hz，右边是 700 Hz 折叠后的「假 300 Hz」，频谱图上看起来一模一样：
8. 频谱里的术语：基波、谐波、杂散、SFDR
看一张典型频谱图，要能叫出各部分的名字：
- 基波（fundamental） ：最突出的那根谱线，就是测试信号本身，位于 bin # M M M。
- 谐波（harmonics） ：如果被测件线性度不完美，会在 M M M 的整数倍 位置出现失真------bin # 2 M 2M 2M 是二次谐波，bin # 3 M 3M 3M 是三次谐波，以此类推。
- 杂散（spurious / spurs）：那些既不是基波、也不落在谐波位置的、比较显眼的噪声谱线。
- 其余的谱线基本上就是噪声。
SFDR（Spurious Free Dynamic Range，无杂散动态范围） 是频谱分析里的关键指标之一：
SFDR = 基波电平 到 最大杂散电平 之间的幅度差。
这个「最大杂散」可能包含也可能不包含谐波失真 ，取决于器件规格定义。如果被测件是 ADC，SFDR 有时会以满量程电平 而非基波电平作参考------单位会写成 [dBFS]（相对满量程）或 [dBc]（相对载波/基波）来表明定义。
9. 功率与四大指标：SINAD、THD、SNR、SFDR
频谱图通常以 dB 显示。计算这类「比值型」指标时，本质上是在算功率比。
如果某根 bin 的幅度（电压维度）记为 V ( bin# ) V(\text{bin\#}) V(bin#)，那么：
- 信号功率 = V ( M ) 2 = V(M)^2 =V(M)2（基波那根）
- 谐波功率 = V ( 2 M ) 2 + V ( 3 M ) 2 + ... = V(2M)^2 + V(3M)^2 + \dots =V(2M)2+V(3M)2+...（各次谐波之和）
- 噪声功率 = = = 除 DC 和基波外其余所有 bin 的 V 2 V^2 V2 之和
提示：dB 是功率比的对数，对电压而言 dB = 20 log 10 ( ⋅ ) \text{dB} = 20\log_{10}(\cdot) dB=20log10(⋅)，对功率而言 dB = 10 log 10 ( ⋅ ) \text{dB} = 10\log_{10}(\cdot) dB=10log10(⋅)。
四个核心指标的定义（都是功率比）：
| 指标 | 全称 | 定义 | 单位 |
|---|---|---|---|
| SINAD (SND) | Signal to Noise And Distortion | 信号功率 ÷ 除基波外的全部噪声功率（含谐波） | dB |
| THD | Total Harmonic Distortion | 总谐波功率 ÷ 信号功率 | dB（音频里也用 %） |
| SNR | Signal to Noise Ratio | 信号功率 ÷ 不含谐波的噪声功率 | dB |
| SFDR | Spurious Free Dynamic Range | 基波 到 最大杂散 的幅度差（见第 8 节） | dB |
⚠️ 特别注意 SNR 和 SINAD 的区别：
- "SNR" 这个词经常被当作 SINAD 的同义词，很容易混淆。
- 一般约定：当 SINAD 和 SNR 同时给出 时，SNR 不包含谐波；
- 如果规格里只给了 SNR、没给 SINAD，那这个 SNR 多半就等同于 SINAD（即包含谐波）。
- 用之前一定先确认它的定义。
我们造一个带 2、3 次谐波和少量噪声的信号来验证这几个指标：
python
N, M = 4096, 50
i = np.arange(N)
sig = (np.cos(2*np.pi*M*i/N)
+ 0.01 *np.cos(2*np.pi*2*M*i/N) # 二次谐波，相对基波 -40 dB
+ 0.005*np.cos(2*np.pi*3*M*i/N)) # 三次谐波
sig += 0.0003*np.random.default_rng(0).standard_normal(N) # 少量噪声
X = np.fft.rfft(sig)/N; m = np.abs(X); m[1:] *= 2; p = m**2
fund = p[M]
harm = p[2*M] + p[3*M] + p[4*M] + p[5*M]
total = np.sum(p[1:]) - fund # 除 DC、基波外的全部
noise = total - harm # 再去掉谐波
print(10*np.log10(harm/fund), 10*np.log10(fund/total),
10*np.log10(fund/noise))输出：
6) THD=-39.0 dB SINAD=39.0 dB SNR=67.5 dB SFDR=40.0 dB
(2nd harmonic 0.01 -> 20log10(0.01)= -40 dBc check)注意几点能互相印证的地方：
- 二次谐波幅度设为 0.01，理论上是 20 log 10 ( 0.01 ) = − 40 dBc 20\log_{10}(0.01)=-40\,\text{dBc} 20log10(0.01)=−40dBc，而测出的 SFDR ≈ 40 dB（最大杂散正是这根二次谐波）------吻合；
- THD ≈ -39 dB：总谐波功率略大于单根二次谐波（还叠加了三次），合理；
- SINAD（39 dB）远小于 SNR（67.5 dB）：因为 SINAD 把谐波也算进「坏成分」，而 SNR 不算谐波------完美体现了第 9 节强调的定义差异。
10. 计算 SNR 时的三个坑
SNR 看着简单，实际算的时候有几个必须注意的点。
10.1 定义：到底等不等于 SINAD？
如第 9 节所说，先问自己：这个 SNR 含不含谐波？查规格、对定义，别想当然。
10.2 计算噪声的带宽（over-sampling 的妙用）
通常计算 SNR 会把整个奈奎斯特带宽 都算进去，也就是 bin 1 到 bin ( N / 2 − 1 ) (N/2-1) (N/2−1)。但实际关心的带宽可能远小于奈奎斯特带宽。
举个例子：音频 DVD 的采样率是 48 kHz，对应奈奎斯特带宽 24 kHz。如果我们用一个采样率 768 kHz 的数字化仪去测一个音频 DVD 的 DAC，那么噪声会分布在 DC 到 384 kHz 这么宽的范围里。但我们真正关心的频带只有 24 kHz。
于是我们可以只统计 24 kHz 以内的噪声功率 ，而不是 384 kHz 全带宽------这样算出的 SNR 会好上好几 dB 。这就是 过采样（over-sampling）。
原理：量化噪声的总功率是固定的，点数越多、带宽越宽，这些噪声就被「摊」得越薄，单位带宽里的噪声底就越低。 当你只在感兴趣的窄带里收集噪声时，自然就少算了大量带外噪声，从而获得更大的动态范围、看见更小的信号。代价是：点数变多 → 数据上传和处理时间变长。
理想 n n n 位 ADC 的量化噪声 SNR 有个著名公式：
SNRdB = 6.02 n + 1.76 \text{SNRdB} = 6.02\,n + 1.76 SNRdB=6.02n+1.76
这个值只取决于位数 n n n，和采样率无关（在 (a) 48 ksps 常规采样 和 (b) 768 ksps 过采样 下，基于量化噪声的总 SNR 是一样的）。先验证这个公式：
python
def adc_snr(nbits, N=2**14, M=127):
i = np.arange(N); full = 2**(nbits-1) - 1
sig = full * np.cos(2*np.pi*M*i/N) # 满量程、相干
q = np.round(sig) # 理想均匀量化
X = np.fft.rfft(q)/N; m = np.abs(X); m[1:] *= 2; p = m**2
return 10*np.log10(p[M] / (np.sum(p) - p[0] - p[M]))
for nb in (8, 12, 16):
print(nb, adc_snr(nb), 6.02*nb + 1.76)输出：
4) 8-bit: measured SNR=49.95 dB | theory 6.02n+1.76=49.92 dB
4) 12-bit: measured SNR=74.03 dB | theory 6.02n+1.76=74.00 dB
4) 16-bit: measured SNR=98.05 dB | theory 6.02n+1.76=98.08 dB实测和理论公式几乎完全重合。再验证过采样能在固定关心带宽内提升 SNR------同一个信号，把采样点数变成 4 倍，噪声只统计到原来的带宽：
5) full-band SNR N=4096 : 74.09 dB
same band, oversampled N=16384, noise counted only up to old band: 80.16 dB提升了约 6 dB ------这正好等于 4 倍过采样的理论增益 10 log 10 ( 4 ) ≈ 6.02 dB 10\log_{10}(4)\approx6.02\,\text{dB} 10log10(4)≈6.02dB。下图能直观看到：点数翻 4 倍后，噪声底整体下移：
10.3 加权滤波器（Weighting Filter）
这是一种行业惯例，尤其在音频领域：在算 SNR 前对频谱施加一个特定的加权曲线，常见的有：
- A-weighting：常用于普通音频器件；
- C-message 和 psophometric（嗜音计权）：常用于电信音频器件，比如电话 PCM CODEC。
加权一般能让 SNR 数值「好看」约 2~3 dB 。反过来说，如果规格要求加权而你忘了加，测出来的结果就会白白损失 2~3 dB。加权的本质是模拟人耳/电话系统对不同频率噪声的敏感度------对人耳不敏感的频段的噪声「打个折」再统计。
11. 关于「平均（Averaging）」的重要原则
平均通常是获得稳定、可靠结果的好习惯------但对 SNR/噪声测量是个例外。
- SNR 是一种噪声测量，而噪声是随机现象。 如果你对噪声测量做平均，平均次数越多，随机噪声被抵消得越多，SNR 就越「好看」------但这是虚假的改善 。所以不要对噪声 / SNR 测量做平均。
- 相反，THD 和 SFDR 可以做平均 。因为失真（谐波）和杂散不是随机现象 ，它们的位置和大小是确定的；做平均只是去掉了叠加在上面的随机噪声波动，让结果更可重复，而不会人为抬高指标。
记忆口诀：随机的（噪声/SNR）别平均，确定的（THD/SFDR）可以平均。
12. 频谱显示的几种常见标度
实际显示频谱时，常见有这么几种纵轴标度，理解它们能帮你看懂任何一张频谱图：
- 线性电压谱（VOLT） ：每根谱线直接显示该成分的电压值，纵轴是伏特。适合直观看各分量的绝对幅度。
- dB 谱（自动参考） ：纵轴是 dB。常见做法是自动找出（DC 以外）最大的那根谱线，把它设为 0 dB 参考，其余谱线相对它表示------这样基波永远在 0 dB，方便读各成分相对基波低多少 dBc。
- dB 谱（指定参考电平） ：当器件有一个明确的 0 dB 参考时，可以手动指定参考值。
- 例：在 50 Ω 负载上，0 dBm 对应的电压约为 0.3162 V 。把它设为参考，频谱就以 dBm 显示。（推导： 0 dBm = 1 mW 0\,\text{dBm}=1\,\text{mW} 0dBm=1mW， V r m s = P ⋅ R = 0.001 × 50 ≈ 0.2236 V V_{rms}=\sqrt{P\cdot R}=\sqrt{0.001\times50}\approx0.2236\,\text{V} Vrms=P⋅R =0.001×50 ≈0.2236V，对应峰值 ≈ 0.3162 V \approx0.3162\,\text{V} ≈0.3162V。）
- 相对满量程（dBFS） ：测 ADC 时常用。例如一个 8 位线性 ADC，理论满量程大小为 255 / 2 = 127.5 255/2 = 127.5 255/2=127.5，把这个值设为参考，频谱就显示相对满量程的幅度。当输入是满量程信号时，基波正好落在 0 dB。
无论哪种标度，背后的频谱数据都是同一份------只是参考点和纵轴单位的选择不同。
13. 术语速查表
| 缩写 | 全称 | 中文 |
|---|---|---|
| DFT | Discrete Fourier Transform | 离散傅里叶变换 |
| FFT | Fast Fourier Transform | 快速傅里叶变换 |
| IFFT | Inverse Fast Fourier Transform | 逆快速傅里叶变换 |
| ADC | Analog to Digital Converter | 模数转换器 |
| DAC | Digital to Analog Converter | 数模转换器 |
| AWG | Arbitrary Waveform Generator | 任意波形发生器 |
| DSP | Digital Signal Processing/Processor | 数字信号处理（器） |
| DUT | Device Under Test | 被测器件 |
| UTP | Unit Test Period | 单位测试周期（观测时长） |
| SFDR | Spurious Free Dynamic Range | 无杂散动态范围 |
| SINAD (SND) | Signal to Noise And Distortion ratio | 信纳比（信号/噪声+失真） |
| THD | Total Harmonic Distortion | 总谐波失真 |
| SNR | Signal to Noise Ratio | 信噪比 |
14. 总结
把全文串成一条主线：
- 实信号 A cos ( ω t + φ ) A\cos(\omega t+\varphi) Acos(ωt+φ) 可拆成一对共轭旋转矢量 ，所以它的频谱天生共轭对称。
- 频谱分析的本质是相关运算 ：用余弦相关得实部、正弦相关得虚部、求平均得 DC------把这件事公式化就是 DFT（式 2）。
- DFT 是 O ( N 2 ) O(N^2) O(N2) 的双重循环；限定点数为 2 n 2^n 2n 后得到 O ( N log N ) O(N\log N) O(NlogN) 的 FFT，结果一样但快几百倍。
- 看频谱要掌握 F t , F s , M , N , UTP , F r e s l n F_t, F_s, M, N, \text{UTP}, F_{resln} Ft,Fs,M,N,UTP,Fresln 的关系；信号落在 bin # M M M，bin 间距 = F s / N =F_s/N =Fs/N。
- 相干采样 （ F t / F s = M / N F_t/F_s=M/N Ft/Fs=M/N， M , N M,N M,N 互质）让能量集中在单 bin，否则会泄漏。
- 奈奎斯特定理 ： F t < F s / 2 F_t<F_s/2 Ft<Fs/2，否则混叠。
- 四大指标 SINAD / THD / SNR / SFDR 都是功率比，关键是搞清 SNR 含不含谐波。
- 算 SNR 三个坑：定义、带宽（过采样 可在窄带获得更高 SNR）、加权；以及------噪声测量不要做平均。
最重要的一点：这些结论没有一个需要死记。本文每一条都附了十几行 Python，你完全可以自己改参数、跑一遍、看结果。把 NumPy 当成你的「数字示波器 + 频谱仪」，DSP 测试的原理就会从公式变成你手里能拨弄的东西。
附：本文所有验证代码见
verify_dft.py、verify_fft.py，配图生成脚本见make_figs.py，均可直接运行复现。