数字信号处理基础：采样定理、量化与编码、时域与频域表示、傅里叶变换（DFT/FFT）简介

各位同学，欢迎来到第三讲。

说实话，自适应降噪算法玩得再花哨，根基还是数字信号处理。这一章，咱们就把地基夯实了。我会把采样定理、量化编码、时频域概念和傅里叶变换串起来讲。你想想看，麦克风采集到的声音，从模拟世界进入数字芯片，中间到底经历了什么？

3.1 采样定理：别让信号“说谎”

先问个问题：为什么CD的采样率是44.1kHz？

答案就是奈奎斯特采样定理。简单说：采样频率必须大于信号最高频率的两倍。否则，高频信号会伪装成低频信号混进来，这就是“混叠”。

我在项目中遇到过一件事。有一次调试ANC耳机，低频降噪效果很好，但总觉得有“嘶嘶”声。查了半天，发现是ADC采样率设成了32kHz，而麦克风能拾取到15kHz的环境噪声。按照采样定理，15kHz的信号需要至少30kHz的采样率，32kHz勉强够，但抗混叠滤波器不够陡，导致部分高频分量折叠到了可听频段。嗯，后来把采样率提到48kHz，问题就解决了。

3.2 量化与编码：精度与噪声的博弈

采样把时间离散化了，量化则把幅度离散化。说白了，就是把连续的电压值，映射到有限的二进制码上。

量化过程一定会引入误差，我们叫它量化噪声。量化位数每增加1位，信噪比提升约6dB。16位量化，理论动态范围是96dB；24位就是144dB。

量化位数	动态范围（理论）	典型应用
8 bit	48 dB	语音通信
16 bit	96 dB	CD、WAV
24 bit	144 dB	专业录音、ANC参考信号

我个人习惯在自适应降噪系统中，至少用24位ADC。为什么？因为降噪算法需要处理很微弱的误差信号，如果量化噪声太大，算法会误判，导致收敛不稳定。

编码方式也有讲究。线性PCM最直接，但数据量大。像μ-law、A-law这种非线性编码，在语音通信里很常见——人耳对小声更敏感，所以用小步长量化小声，大步长量化大声。

3.3 时域与频域：同一枚硬币的两面

时域，就是信号随时间怎么变。你看到的一条波形，横轴是时间，纵轴是幅度。频域，则是信号由哪些频率成分组成。横轴是频率，纵轴是幅度或相位。

为什么降噪算法要跑到频域去做？因为人耳对频率的感知是“对数”的，而且噪声往往集中在某些频段。在时域里，噪声和语音混在一起，很难分开。到了频域，你可以精准地“削掉”某个频段的噪声，而不影响其他频段。

举个例子：空调的嗡嗡声，频率大概在50Hz~100Hz。在时域波形里，它和语音叠加在一起，你很难直接滤除。但在频域里，你一眼就能看到那个低频的“尖峰”，直接衰减它就行了。

3.4 傅里叶变换：从时域到频域的“翻译官”

傅里叶变换，就是把时域信号分解成不同频率的正弦波。数学公式看着吓人，但核心思想很简单：任何周期信号，都可以看作一系列正弦波的叠加。

实际系统中，我们处理的是离散的、有限长的数字信号。所以用的是离散傅里叶变换（DFT）。DFT的计算量很大，N点DFT需要N²次复数乘法。直到快速傅里叶变换（FFT）出现，才把计算量降到N·log₂(N)。

举个例子：1024点的DFT，需要约100万次运算。而FFT只需要约1万次。差了100倍！

// 一个简单的FFT使用示例（伪代码）
// 假设 audio_buffer 是时域数据，长度1024
complex[] freq_data = FFT(audio_buffer, 1024);

// 现在 freq_data[0] 是直流分量
// freq_data[1] 对应频率 = 采样率 / 1024
// freq_data[k] 对应频率 = k * 采样率 / 1024

// 做降噪处理：比如衰减低频
for (int k = 0; k < 10; k++) {
    freq_data[k].magnitude *= 0.1;  // 衰减前10个频点
}

// 逆变换回时域
complex[] output_buffer = IFFT(freq_data, 1024);

我在做ANC滤波器设计时，经常用FFT来观察误差麦克风的频谱。如果看到某个频点有异常凸起，就知道该调整那个频段的滤波器系数了。

3.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。从模拟信号到数字信号，再到频域分析，每一步都有坑，也都有技巧。

好了，这一章的内容就这些。采样定理、量化编码、时频域概念、FFT，这四个点串起来，就是数字信号处理的骨架。后面讲具体降噪算法时，你会发现这些基础概念无处不在。