第4章 ADC采样与FFT

4、ADC采样与FFT：采样定理、窗函数选择对功率测量的影响

好，咱们进入第四章。这一章，我打算聊聊ADC采样和FFT。

说实话，很多做射频的工程师，对频谱仪的原理一知半解。会用，但不知道里面怎么算的。尤其是采样定理和窗函数，这两个坑，我当年都踩过。今天我把经验掰开揉碎了讲给你听。

4.1 采样定理：别让假信号骗了你

先说说采样定理。奈奎斯特采样定理，大家都知道：采样频率要大于信号最高频率的两倍。但实际做嵌入式频谱仪，你会发现事情没那么简单。

为什么？

因为ADC不是理想的。它有孔径抖动、有量化噪声。你想想看，如果采样率刚好是信号频率的两倍，那信号刚好落在奈奎斯特边界上。这时候，一点点抖动就会让信号混叠到带内。

我个人习惯，采样率至少取信号最高频率的2.5倍到3倍。比如我要测100MHz的信号，我会用250MHz以上的采样率。留点余量，心里踏实。

关键点：

理论最低采样率：f_s ≥ 2f_max
工程推荐采样率：f_s ≥ 2.5f_max ~ 3f_max
抗混叠滤波器必须放在ADC之前，截止频率设为f_s/2

我在项目中遇到过一件事。有次测一个2.4G的蓝牙信号，采样率设了5G，按理说够了吧？结果频谱上总有个诡异的尖峰。查了半天，发现是前端滤波器没做好，带外噪声混叠进来了。从那以后，我对抗混叠滤波器的设计就特别上心。

4.2 FFT与功率测量：点数、分辨率、噪声

采样完了，接下来就是FFT。FFT把时域信号变到频域，我们才能看到各个频率上的功率。

FFT有几个参数很重要：

FFT点数（N）：点数越多，频率分辨率越高。分辨率 = f_s / N。
频率分辨率：决定了你能区分多近的两个频率。
噪声基底：FFT点数每翻一倍，噪声基底降低约3dB。这叫处理增益。

举个例子。采样率100MHz，做1024点FFT，频率分辨率大约是97.7kHz。如果你要测一个10kHz带宽的信号，这个分辨率就不够用。你得增加点数，或者降低采样率。

我的经验：

做窄带信号测量时，我习惯先降采样，再做FFT。比如用CIC滤波器把采样率降下来，这样同样的FFT点数，分辨率就高多了。这招在FPGA里特别实用。

4.3 窗函数：为什么非用不可？

好，现在到了重点——窗函数。

你可能会问：我直接拿采样数据做FFT不行吗？

嗯，这里要注意。FFT假设信号是周期无限的。但实际我们只截取了一段有限长度的数据。这就相当于在时域上加了一个矩形窗。矩形窗的频谱旁瓣很高，大概-13dB。这意味着强信号会泄漏到相邻的频率点上，把小信号给淹没了。

窗函数的作用，就是压低旁瓣，减少频谱泄漏。

我刚开始做频谱仪的时候，没太在意窗函数。结果测一个-60dBm的小信号，旁边有个-20dBm的大信号，小信号根本看不见。后来加了汉宁窗，一下就出来了。

4.4 汉宁窗 vs 布莱克曼窗：怎么选？

常用的窗函数有好几种。我重点讲两个：汉宁窗和布莱克曼窗。

窗函数	主瓣宽度	最高旁瓣	旁瓣衰减速率	适用场景
矩形窗	1	-13 dB	-6 dB/oct	瞬态信号、频率精确已知
汉宁窗	2	-32 dB	-18 dB/oct	一般频谱分析、功率测量
布莱克曼窗	3	-58 dB	-18 dB/oct	强信号附近测弱信号

汉宁窗：我最常用的窗。旁瓣-32dB，够用。主瓣宽度是矩形窗的两倍，但可以接受。对于大多数功率测量场景，汉宁窗是首选。

布莱克曼窗：旁瓣低到-58dB，非常干净。但代价是主瓣宽了三倍。这意味着频率分辨率会下降。我只有在测强信号旁边的微弱信号时才会用它。

注意：

窗函数会影响功率测量的准确性。因为加窗会改变信号的能量。你需要做幅度校正或能量校正。具体来说：

测量单频正弦波的幅度，用幅度校正因子
测量宽带信号的功率，用能量校正因子

忘了做校正，测出来的功率会偏小。我曾经因为这个被领导批评过，后来就长记性了。

4.5 代码示例：加窗与功率计算

下面给一段C代码，演示怎么加汉宁窗，然后计算功率。

// 汉宁窗系数生成
void hanning_window(float *window, int N) {
    for (int i = 0; i < N; i++) {
        window[i] = 0.5 * (1 - cos(2 * M_PI * i / (N - 1)));
    }
}

// 加窗并计算功率谱
void compute_power_spectrum(float *data, int N, float *power) {
    float window[N];
    float energy_correction = 0.0;
    
    // 生成汉宁窗
    hanning_window(window, N);
    
    // 计算能量校正因子
    for (int i = 0; i < N; i++) {
        energy_correction += window[i] * window[i];
    }
    energy_correction /= N;
    
    // 加窗
    for (int i = 0; i < N; i++) {
        data[i] *= window[i];
    }
    
    // 执行FFT（假设已有fft函数）
    fft(data, N);
    
    // 计算功率谱，并做能量校正
    for (int i = 0; i < N/2; i++) {
        float real = data[2*i];
        float imag = data[2*i+1];
        power[i] = (real*real + imag*imag) / (N * energy_correction);
    }
}

这段代码里，我特别加了能量校正。你看那个energy_correction，就是用来补偿加窗损失的能量。不做这一步，测出来的功率会偏低。

4.6 实战建议：窗函数选择流程

说了这么多，到底怎么选？我总结了一个简单的流程：

先判断信号类型：是单频信号还是宽带信号？
再看动态范围：信号之间有没有大的功率差？
最后考虑分辨率：需要多高的频率分辨率？

一般情况，我直接上汉宁窗。如果发现频谱泄漏严重，再换布莱克曼窗。如果信号很干净，频率也已知，用矩形窗也行，但记得做幅度校正。

避坑指南：

我曾经在测OFDM信号时用了布莱克曼窗，结果主瓣太宽，把子载波之间的细节全抹平了。后来换成汉宁窗，效果就好多了。所以，窗函数不是越高级越好，得看场景。

4.7 小结

这一章我们聊了：

采样定理的工程实践，留余量很重要
FFT点数与频率分辨率、噪声基底的关系
窗函数的作用：压旁瓣、减泄漏
汉宁窗和布莱克曼窗的对比与选择
加窗后的功率校正，这个千万别忘

下一章，我们会讲如何用这些知识，搭建一个完整的嵌入式频谱仪。到时候，我会把硬件和软件串起来，给你看一个能跑起来的系统。

好，今天就到这里。有问题随时找我。