第三讲：数字信号处理基础——采样定理、傅里叶变换、短时傅里叶变换
各位同学，欢迎来到第三讲。
说实话，这一讲的内容，是后面所有降噪算法的地基。你想想看，麦克风采集到的语音信号，本质上就是一串随时间变化的电压值。我们要在这串数字里把噪声揪出来、把干净的人声保留住，靠的是什么？靠的就是我们今天要讲的这几个数学工具。
我个人习惯把这一讲叫做「三把刀」：采样定理、傅里叶变换、短时傅里叶变换。这三把刀你磨快了，后面切什么噪声都顺手。
3.1 采样定理：别让你的信号「假摔」
先问一个问题：麦克风采集到的声音，是连续的还是离散的？
答案是连续的模拟信号。但我们的芯片、DSP、MCU，只能处理离散的数字信号。所以第一步，就是把连续信号变成离散信号——这个过程叫采样。
采样定理（Nyquist-Shannon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，就会发生「混叠」——高频信号会伪装成低频信号混进来。
我在项目中遇到过一件事。有一次做座舱内的语音唤醒，麦克风采样率设成了8kHz。结果发现，空调风机的高频噪声（大概4.5kHz）被采样后，变成了3.5kHz的低频噪声，直接触发了误唤醒。查了半天才发现是采样率不够，混叠了。
座舱场景下，人声频率范围一般在300Hz~3.4kHz。为了安全，我建议采样率至少设到16kHz。如果你要处理更高的噪声成分（比如轮胎胎噪、风噪），建议用48kHz采样。
3.2 傅里叶变换：从时域到频域的「翻译官」
好，现在信号已经离散化了。但问题来了：我们拿到的是一串时间点上的幅度值。噪声和语音混在一起，怎么区分？
答案就是：把信号从时域变到频域。
傅里叶变换的核心思想很简单：任何一个信号，都可以看成是无数个不同频率、不同幅度、不同相位的正弦波叠加而成。
数学公式长这样：
X(f) = ∫ x(t) · e^(-j2πft) dt但在嵌入式系统里，我们用的是离散版本——离散傅里叶变换（DFT）：
X[k] = Σ x[n] · e^(-j2πkn/N) (n=0 to N-1)嗯，这里要注意：DFT的计算量是O(N²)。如果你处理的是1024点数据，就要算100多万次乘法。这在MCU上跑，CPU直接冒烟。
所以实际工程中，我们用的是快速傅里叶变换（FFT）。它把计算量降到了O(N log₂N)。比如1024点FFT，只需要约5000次乘法，快了200倍。
3.3 短时傅里叶变换：给信号加个「滑动窗口」
傅里叶变换有个大问题：它假设信号是平稳的。但语音信号是时变的——你说话时，每个音节的频率都在变化。一个全局的傅里叶变换，只能告诉你整个信号里有哪些频率成分，却不知道这些频率在什么时间出现。
这就好比一张照片只能看到整体，看不到时间轴上的变化。我们需要的是「视频」——既能看频率，又能看时间。
短时傅里叶变换（STFT）就是干这个的。它的做法是：
- 把信号切成一小段一小段（每段叫一个「帧」）。
- 对每一帧加窗（比如汉宁窗、海明窗）。
- 对每一帧做FFT。
- 把结果按时间顺序排列，得到一张「时频谱图」。
数学上：
STFT{x[n]}(m, ω) = Σ x[n] · w[n-m] · e^(-jωn)其中w[n]是窗函数，m是帧的起始位置。
我在项目中常用的参数是：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 帧长 | 512点（32ms @16kHz） | 太短频率分辨率差，太长时域分辨率差 |
| 帧移 | 256点（50%重叠） | 保证帧间连续性，避免「咔咔」声 |
| 窗函数 | 汉宁窗 | 旁瓣衰减好，适合语音处理 |
3.4 从STFT到降噪：我们拿到了什么？
做完STFT后，我们得到的是一个二维复数矩阵：
- 横轴：时间帧（frame index）
- 纵轴：频率点（frequency bin）
- 每个元素：复数，包含幅度和相位
降噪算法通常只处理幅度谱，相位一般保持不变。为什么？因为人耳对相位不敏感，但对幅度变化非常敏感。你想想看，把相位改乱了，听起来就是「金属声」、「机器人声」。
所以典型的降噪流程是：
- 对带噪语音做STFT，得到幅度谱和相位谱。
- 用某种算法（比如谱减法、维纳滤波、深度学习）估计出干净的幅度谱。
- 用估计的幅度谱 + 原始相位谱，做逆STFT（ISTFT），恢复时域信号。
3.5 嵌入式实现中的几个坑
好了，理论讲完了。但落地到座舱的嵌入式平台上，还有几个坑要避开：
- 定点数运算： 很多MCU没有FPU，FFT要用定点数实现。注意防止溢出，Q15格式是常用选择。
- 实时性要求： 帧长10ms，你必须在10ms内完成一帧的FFT+降噪+ISTFT。否则就会丢帧。
- 内存管理： STFT需要缓存多帧数据。比如512点FFT，复数数组就要2KB。如果做多通道（比如4麦阵列），内存压力不小。
我记得有一次在ARM Cortex-M4上移植降噪算法，FFT库用的是CMSIS-DSP。一开始没注意内存对齐，结果FFT结果全是错的。后来加了__align(8)修饰，问题解决。嗯，嵌入式开发就是这样，细节决定成败。
3.6 小结
这一讲我们聊了三件事：
- 采样定理——决定了你的信号能不能被正确还原。
- 傅里叶变换/FFT——把时域信号变到频域，方便分离噪声和语音。
- 短时傅里叶变换——给信号加窗分帧，得到时频谱，这是降噪算法的输入。
说白了，这三把刀就是降噪算法的「眼睛」。你看不到噪声长什么样，就没办法把它去掉。下一讲，我们会用这些工具，开始真正动手做降噪。
课后你可以做个小实验：用Python的librosa库，读一段语音，做STFT，看看时频谱图长什么样。你会发现，噪声和语音在频域上其实是「分居」的——这就是我们能降噪的根本原因。
好，今天就到这里。有问题随时找我。