2. FFT在信号处理中的应用：频谱分析基础、滤波器设计中的FFT、卷积与FFT的关系、重叠相加法与重叠保留法
好，咱们进入第二章。这一章我打算聊聊FFT在信号处理里的几个经典应用场景。说实话，这些内容是我当年刚入行时觉得最“绕”的部分，但后来在实际项目中才发现——嗯，这些才是真正能帮你省时间的硬功夫。
2.1 频谱分析基础
先说说频谱分析。你想想看，一个时域信号摆在你面前，你能看出啥？无非是波形长什么样、幅度有多大。但如果你把它变换到频域，就能看到这个信号是由哪些频率成分组成的。这就是FFT最直接的应用。
我个人习惯把频谱分析拆成三步：
- 采样：把连续信号变成离散点。这里要注意采样率必须满足奈奎斯特定理，否则会出现混叠。我在项目中遇到过有人用44.1kHz采样一个20kHz的信号，结果频谱里出现了假频率，排查了半天才发现是采样率不够。
- 加窗：直接对截断的信号做FFT，频谱会泄漏。所以一般要加窗函数，比如汉宁窗、海明窗。我建议你根据信号特性选窗：如果是分析稳态信号，用汉宁窗；如果是瞬态信号，用矩形窗就行。
- 计算功率谱：对FFT结果取模平方，得到功率谱密度。这个能直观看出信号的能量分布。
重要提示：频谱分析的分辨率取决于采样时长。分辨率 = 采样率 / FFT点数。想提高分辨率，要么增加采样时长，要么增加FFT点数（补零只能让频谱更平滑，不能提高真实分辨率）。
2.2 滤波器设计中的FFT
滤波器设计这块，很多人第一反应是时域的卷积操作。但你知道吗？在频域设计滤波器其实更直观。
举个例子。你想设计一个低通滤波器，截止频率是1kHz。在频域里，你只需要把1kHz以上的频率分量全部置零，然后做IFFT变回时域，就得到了滤波器的冲激响应。这就是所谓的“频域采样法”。
不过这里有个坑——直接截断会导致吉布斯现象，也就是滤波器通带边缘会出现振荡。我曾经在做一个音频降噪项目时，直接用理想低通滤波器的频域响应做IFFT，结果出来的滤波器冲激响应有严重的振铃，导致输出信号有“回声”感。后来加了窗函数才解决。
我的经验：用FFT设计滤波器时，建议在频域加一个过渡带（比如用升余弦窗），这样能有效抑制吉布斯现象。过渡带越宽，滤波器越平滑，但选择性会下降。这是个trade-off。
2.3 卷积与FFT的关系
卷积和FFT的关系，说白了就是一句话：时域卷积等于频域相乘。这个性质是FFT加速卷积计算的理论基础。
你想想看，直接做时域卷积，复杂度是O(N²)。但如果用FFT把信号和卷积核都变换到频域，做点乘，再IFFT回来，复杂度就降到了O(N log N)。对于长序列，这个加速比非常可观。
我在做语音信号处理时，经常需要做长序列的卷积。比如一个10秒的语音信号，采样率16kHz，那就是160000个点。直接卷积？算到天荒地老。用FFT做，几毫秒就搞定了。
核心公式：
x[n] * h[n] = IFFT( FFT(x[n]) · FFT(h[n]) )
其中 · 表示逐元素相乘。
2.4 重叠相加法与重叠保留法
好，接下来是重点。当你的信号很长，而卷积核比较短时，直接对整个信号做FFT会面临两个问题：一是内存不够，二是实时性要求。这时候就需要分块处理。
重叠相加法和重叠保留法就是两种经典的分块卷积方法。我当年在做一个实时音频效果器时，就是靠这两种方法解决了延迟问题。
重叠相加法
思路很简单：把长信号分成若干块，每块分别和卷积核做FFT卷积，然后把结果重叠的部分相加。
具体步骤：
- 把输入信号x[n]分成不重叠的块，每块长度L。
- 对每块做FFT卷积（补零到N = L + M - 1，M是卷积核长度）。
- 每块卷积结果的前M-1个点会和下一块的结果重叠，把这些重叠部分相加。
我的建议：块长度L一般取卷积核长度M的2-4倍。太短了FFT开销大，太长了延迟高。我在项目中通常取L = 4M，这样FFT效率高，延迟也能接受。
重叠保留法
这个方法稍微绕一点，但效率更高。它不补零，而是保留重叠部分。
步骤：
- 把输入信号分成重叠的块，每块长度N，相邻块重叠M-1个点。
- 对每块做N点FFT，和卷积核的N点FFT相乘，再IFFT。
- 只保留每块结果的后L个点（L = N - M + 1），丢弃前M-1个点。
注意：重叠保留法里，丢弃的前M-1个点是“坏数据”，因为循环卷积的混叠效应。我第一次用这个方法时没注意，直接把所有点都保留了，结果输出信号全是噪声。排查了半天才发现是这里出了问题。
2.5 两种方法的对比
| 对比项 | 重叠相加法 | 重叠保留法 |
|---|---|---|
| 分块方式 | 不重叠 | 重叠 |
| 补零 | 需要补零到N = L+M-1 | 不需要补零 |
| 结果处理 | 重叠部分相加 | 丢弃前M-1个点 |
| 计算效率 | 略低（需要额外加法） | 略高（无加法，但FFT点数固定） |
| 实现难度 | 简单直观 | 稍微复杂 |
我个人更倾向于用重叠保留法，因为它的FFT点数固定，方便做内存管理。但如果你刚接触分块卷积，建议先从重叠相加法入手，逻辑更清晰。
2.6 代码示例：重叠保留法实现
最后，给一个简单的Python实现，帮你理解重叠保留法的流程。
import numpy as np
def overlap_save_conv(x, h, N):
"""
重叠保留法实现长序列卷积
x: 输入信号
h: 卷积核
N: FFT点数
"""
M = len(h)
L = N - M + 1 # 每块有效输出长度
# 补零到N点
H = np.fft.fft(h, N)
# 分块处理
y = []
idx = 0
while idx < len(x):
# 取一块数据，长度N，重叠M-1个点
block = x[idx:idx+N]
if len(block) < N:
block = np.pad(block, (0, N-len(block)), 'constant')
# FFT卷积
Y_block = np.fft.ifft(np.fft.fft(block) * H)
# 只保留后L个点
y.extend(Y_block[M-1:].real)
idx += L
return np.array(y)
# 示例
x = np.random.randn(1000)
h = np.array([1, -0.5, 0.25])
N = 64
y = overlap_save_conv(x, h, N)
小技巧：实际项目中，N一般取2的幂次，这样FFT效率最高。比如N=256、512、1024。我习惯用N=1024，因为大多数场景下这个点数能兼顾效率和延迟。
好了，这一章的内容就到这里。FFT在信号处理中的应用远不止这些，但频谱分析、滤波器设计、卷积加速和分块卷积，是四个最核心的切入点。下一章我会聊聊FFT在CNN推理优化中的具体应用，到时候你会发现——嗯，这些信号处理的知识，其实和深度学习是相通的。