3、信号基础：时域与频域概念、采样定理、常见信号类型
各位同学，欢迎来到第三讲。说实话，每次讲到信号基础，我都会想起刚入行时被频谱仪支配的恐惧。那时候看波形就是波形，哪知道背后还有这么多门道。今天咱们就把这些基础概念掰开揉碎了讲清楚。
3.1 时域与频域：一枚硬币的两面
先问大家一个问题：你平时看到的信号长什么样？
大概率是示波器上那种随时间变化的曲线，对吧？这就是时域——横轴是时间，纵轴是幅度。比如一个正弦波，你看到的就是它上下起伏的样子。
但信号还有另一面：频域。横轴变成频率，纵轴变成幅度或相位。说白了，就是告诉你这个信号里包含哪些频率成分，每个成分有多强。
我打个比方你就明白了。时域像是一首交响乐的乐谱随时间展开，你能看到每个音符什么时候响起。频域呢，就像这张乐谱的和声分析——告诉你整首曲子用了哪些音高，每个音高出现了多少次。
核心要点：时域和频域描述的是同一个信号，只是观察角度不同。傅里叶变换就是连接这两座城市的桥梁。
我在项目中遇到过一位同事，死活理解不了频域有什么用。后来我让他看一段电机振动信号，时域上就是乱糟糟的波形，但转到频域后，几个明显的尖峰直接指向了轴承故障频率。他当场就服了。
3.2 采样定理：别让你的信号失真
好，现在问题来了：计算机只能处理离散的数字信号，而现实世界是连续的模拟信号。怎么把连续的变成离散的？采样。
采样这事儿看着简单，但坑特别多。我来讲讲著名的奈奎斯特采样定理：
采样定理：采样频率必须大于信号最高频率的两倍，才能无失真地恢复原始信号。
用公式表示就是：
fs > 2 * fmax其中 fs 是采样频率，fmax 是信号中的最高频率成分。
为什么会这样？你想想看，如果采样频率太低，高频信号会被误认为低频信号，这就是混叠现象。我举个例子：
假设有一个 100Hz 的正弦波，你用 150Hz 去采样。结果呢？采样点连起来一看，变成了 50Hz 的波形。100Hz 的信号被「伪装」成了 50Hz，这就是混叠。
避坑指南：我曾经在一个振动监测项目里吃过这个亏。传感器采集的振动信号最高频率是 500Hz，我图省事用了 800Hz 采样率。结果频谱分析时发现 200Hz 附近有个莫名其妙的尖峰，排查了半天才发现是 600Hz 的噪声混叠下来的。从那以后，我采样率至少留 2.5 倍余量。
实际工程中，我建议采样频率取信号最高频率的 3~5 倍。另外，采样前一定要加抗混叠滤波器，把高于 fs/2 的频率成分滤掉。这是标准操作，别偷懒。
3.3 常见信号类型：正弦、方波、噪声
搞信号处理，你得认识几种基本信号。就像学英语要先认识字母一样。
3.3.1 正弦波
正弦波是最基础的信号，没有之一。它的数学表达式是：
x(t) = A * sin(2πft + φ)其中 A 是幅度，f 是频率，φ 是初相位。
正弦波在频域上只有一个尖峰，干净利落。我经常用它来测试系统的频率响应——给系统输入一个正弦波，看输出变成什么样，就能知道系统对这个频率的增益和相位延迟。
3.3.2 方波
方波就更有意思了。你看它时域上就是高低电平来回跳变，但转到频域一看——好家伙，全是尖峰！
方波其实是由无数个奇次谐波的正弦波叠加而成的。具体来说：
方波 = 基波 + 3次谐波/3 + 5次谐波/5 + 7次谐波/7 + ...谐波次数越高，幅度越小。所以方波的频谱是一根根逐渐衰减的谱线，间隔正好是基频的奇数倍。
个人经验：我在做数字电路信号完整性分析时，经常用方波来模拟时钟信号。方波的上升沿越陡，高频分量就越多，对 PCB 布线的要求也越高。你想想看，一个 1MHz 的方波，如果上升沿只有 1ns，那它的有效频率成分可能高达几百 MHz。这就是为什么高速数字设计那么讲究。
3.3.3 噪声
噪声这东西，做信号处理的人天天打交道。常见的噪声类型有：
| 噪声类型 | 特点 | 频谱特征 |
|---|---|---|
| 白噪声 | 所有频率能量均匀分布 | 平坦的功率谱 |
| 粉红噪声 | 低频能量高，高频能量低 | 功率谱按 1/f 衰减 |
| 脉冲噪声 | 突然出现的尖峰 | 宽频带，能量分散 |
白噪声是最常见的，比如热噪声就是白噪声。它的功率谱密度是常数，意味着每个频率上的能量都一样多。
粉红噪声在自然界中很常见，比如瀑布声、风声。它的能量主要集中在低频段，所以听起来更「柔和」。
脉冲噪声嘛，我印象最深的是有一次在工厂现场采集数据，信号里时不时出现一个巨大的尖峰。排查了半天，发现是旁边一台电焊机工作时产生的电磁干扰。这种噪声在时域上很明显，但在频域上因为能量分散，反而不容易识别。
3.4 用 Python 看看这些信号
光说不练假把式。咱们用 Python 生成几种信号，看看它们在时域和频域上长什么样。
import numpy as np
import matplotlib.pyplot as plt
# 参数设置
fs = 1000 # 采样频率 1000Hz
t = np.arange(0, 1, 1/fs) # 时间向量，1秒
# 1. 正弦波
f1 = 5 # 频率 5Hz
sin_wave = np.sin(2 * np.pi * f1 * t)
# 2. 方波
square_wave = np.sign(np.sin(2 * np.pi * f1 * t))
# 3. 白噪声
noise = np.random.randn(len(t))
# 计算频谱
def plot_spectrum(signal, fs, title):
n = len(signal)
freq = np.fft.fftfreq(n, 1/fs)[:n//2]
spectrum = np.abs(np.fft.fft(signal))[:n//2] / n * 2
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.plot(t[:200], signal[:200])
plt.title(f'{title} - 时域')
plt.xlabel('时间 (s)')
plt.subplot(1, 2, 2)
plt.plot(freq, spectrum)
plt.title(f'{title} - 频域')
plt.xlabel('频率 (Hz)')
plt.tight_layout()
plt.show()
plot_spectrum(sin_wave, fs, '正弦波')
plot_spectrum(square_wave, fs, '方波')
plot_spectrum(noise, fs, '白噪声')运行这段代码，你会看到：
- 正弦波的频谱只有一根线，干净利落
- 方波的频谱是一根根逐渐衰减的谱线，间隔 5Hz
- 白噪声的频谱几乎是平的，所有频率能量差不多
小技巧：用 np.fft.fft 计算频谱时，记得只取前一半（正频率部分），并且要归一化。我刚开始用的时候经常忘记归一化，结果频谱的幅度怎么都对不上，折腾了半天才发现是这个问题。
3.5 小结
这一讲咱们聊了三个核心概念：
- 时域和频域是观察信号的两种视角，傅里叶变换是桥梁
- 采样定理告诉我们采样频率必须大于信号最高频率的两倍，否则会混叠
- 正弦波、方波、噪声是三种基础信号，各有各的频谱特征
这些概念看着简单，但往后做 CNN 分类时，你会发现它们无处不在。比如你采集到的振动信号，到底是正弦波还是方波？噪声水平高不高？这些都会直接影响你设计网络结构和预处理流程。
下一讲咱们开始讲傅里叶变换的数学原理，以及怎么用 Python 实现 FFT。到时候你会发现，今天这些基础概念全都用得上。
好了，今天就到这儿。有问题随时问我。