信号处理调试：如何生成示例信号并避开采样率与FFT的坑

做信号处理这些年，我养成一个不算讲究但很管用的习惯：不管接到什么算法模块，第一步不是拿真实数据去喂，而是先在程序里生成一段示例信号。原因很直接——真实信号里藏着太多说不清的东西，工频干扰、器件漂移、偶尔的毛刺，你根本分不清算法是起了作用还是单纯被噪声淹没了。示例信号就不一样，频率、幅值、相位每一项都写得明明白白，跑完算法跟预期一比，好坏立刻现形。

这篇内容适合三类人：刚接触数字信号处理、想用几段代码快速搭起测试环境的新手；被某类算法调试折磨、想造出可控输入来定位问题的开发者；还有需要给文档、汇报、课程配演示波形的同学。我会从参数设计讲到代码实现，再讲可视化验证和排查经验，尽量把“示例信号”这件事讲透。按照我个人的习惯，技术文章里能用例子说明白的，绝不多说一句空话。

1. 为什么每个信号处理项目都要从“造信号”开始

1.1 示例信号是算法调试的“标准砝码”

做过实验的人都知道，天平称重前要先校准砝码。示例信号在信号处理里的作用就是那枚标准砝码。你写了一个滤波器，声称它能把工频干扰去掉，怎么证明？最干净的做法是造一段已知含50Hz干扰的混合信号，滤波后再看50Hz还剩多少。如果滤波前你能在频谱图里清楚看到干扰峰，滤波后这个峰塌了下去，算法就是有效的。整个过程里没有任何“可能”，因为输入信号的每个分量都是你亲手放进去的。

真实采集数据做不到这一点。你永远不知道传感器信号里除了目标量之外还有什么，温度漂移、电源噪声、接触不良造成的瞬间尖峰，都会影响结论。有人会觉得“用真实数据验证才有说服力”，这句话没错，但真实数据应该放在算法调通之后作为最终验收。开发阶段一律用示例信号，这是效率最高的路径。

1.2 先定需求再选波形：一张决策清单

很多初学者打开编辑器就写np.sin(2 * np.pi * f * t)，代码能跑，但造出来的信号对测试目标毫无帮助。正确顺序应该是先问自己：这次我要验证什么？

我整理了一张决策表，基本覆盖常见场景：

这张表背后的逻辑是：每个算法都挑信号里某个特征下手，你要造的信号就是把这个特征放到聚光灯下。先用表格清晰定位，再写代码，比闷头生成一段看起来花哨的波形要省时间得多。

2. 示例信号的数学骨架：采样率、频率、幅值那些绕不开的参数

2.1 采样率与奈奎斯特约束：先算账再写代码

生成任何数字信号，第一个要确定的参数是采样率，也就是每秒采样多少个点。它直接决定了信号能表示的最高频率。按奈奎斯特采样定理，离散信号能无失真表示的最高频率是采样率的一半，这个频率也叫奈奎斯特频率。

举个例子：如果采样率是1000Hz，那么你能表示的最高信号频率是500Hz。造一个600Hz的正弦波，采样出来的点会伪装成100Hz的信号，这就是混叠。真实世界里的混叠一旦发生就不可恢复，因为高频已经“折叠”到了低频区域。所以在写np.arange之前，先按这个不等式估算：信号最高频率必须小于采样频率的一半。

实际工程里我通常留出余量，让最高信号频率不超过采样率的四分之一。比如要分析50Hz工频附近的信号，采样率取1000Hz已经非常充裕；要分析2kHz的超声信号，采样率至少给8kHz起步。宁多勿少，因为后面加数字滤波、抽取降采样都需要带宽余量。

2.2 幅值、相位、偏移量：三个容易被糊弄的参数

幅值决定信号大小，它的单位要跟自己应用场景对齐。在传感器数据里幅值可能代表加速度（m/s²），在音频里代表声压，在控制信号里可能代表电压。造示例信号时，最好把单位写在注释里，否则一个月后你自己都忘了这个2.0究竟是多少伏还是多少米。

相位是很多人忽略但极重要的参数。滤波器群延迟测试最依赖这个量：你输入一个相位已知的正弦波，经过滤波器后比较输出相位的变化，就能算出延迟了多少毫秒。如果你的示例信号连初始相位都没设置，这种测试根本没法做。直流偏移则用来模拟真实传感器被一些恒定背景量偏置的情况，比如压力传感器在没有压力时输出1.5V的偏置，你就要在正弦波上叠加一个直流项。

还有一个重要概念是信噪比。统一信号混入噪声后才能模拟真实环境，信噪比用来刻画信号和噪声的功率关系，单位通常是dB。造信号时先算清信号功率，再按目标信噪比反推噪声功率，而不是随手加一串随机数。

2.3 时间轴长度与点数：一个被反复问错的细节

生成数字信号，本质上是按固定的时间间隔取值。最标准的时间轴写法是：

import numpy as np fs = 1000 # 采样率 1000 Hz duration = 2.0 # 信号时长 2 秒 N = int(fs * duration) # 总采样点数 2000 t = np.arange(N) / fs # 时间轴，每个点间隔 1/fs 秒

这里的关键细节是：np.arange(N) / fs得到的时间点是从0到(2 - 0.001)秒，总共2000个点。有些资料会用np.linspace(0, 2, 2000)，两者看起来差不多，但linspace的时间间隔是2/1999秒，相当于采样率变成了999.5Hz。造一个150Hz的信号还没什么感觉，一旦做高精度的频率测量，这种细微误差就会变成不可忽视的系统偏差。所以我的习惯是统一用np.arange(N) / fs，它和真实采集设备的工作原理是一致的——每隔固定间隔采一个样，而不是把段时间均匀分成若干份。

3. 五类常用示例信号的生产过程

3.1 正弦波：最基础也最常翻车

正弦波是数字信号处理的地基，FFT、滤波、调制全都围着它转。生成一个标准正弦波只需要一行核心代码：

import numpy as np fs = 1000 N = 1000 t = np.arange(N) / fs f0 = 50 amp = 1.0 phase0 = 0.0 x = amp * np.sin(2 * np.pi * f0 * t + phase0)

这段代码我几乎每天都要写，但翻车点反而集中在最简单的环节。第一个坑是把2 * np.pi * f0 * t里的t直接写成了np.arange(N)，忘了除以采样率。这会导致频率单位变成“每采样周期”，而不是Hz。第二个坑是混用np.sin和np.cos，如果后面要跟滤波器输出做相位对比，初始相位就会对不上，整个群延迟测量直接废掉。

需要造更复杂的正弦信号时，把多个频率分量叠加起来即可：

f1, a1 = 50, 1.0 f2, a2 = 120, 0.5 x_multi = a1 * np.sin(2 * np.pi * f1 * t) + a2 * np.sin(2 * np.pi * f2 * t)

这种叠加信号很适合验证FFT能不能把两个频率峰值都分辨出来。两个频率之间靠得多近才能被分辨，取决于观察时长，这是后话，但造信号时要记住一句话：合成信号的每个分量都应该是“预设可知”的。

3.2 方波与脉冲：研究边缘与瞬时响应

方波在理论上可以用无数个奇次谐波叠加出来，正因为如此，它是检验系统带宽的利器。一个陡峭的方波边缘意味着极高频分量，如果你的数字滤波器把高频都削了，方波输出立刻变成圆角波形，直观到不用看数据。

scipy里生成方波很方便：

from scipy.signal import square fs = 1000 t = np.arange(1000) / fs f_sq = 5 x_sq = square(2 * np.pi * f_sq * t, duty=0.5)

duty参数控制高电平占空比。默认0.5就是标准方波，改为0.2就变成窄脉冲序列。如果只需要单脉冲，用numpy初始化一个全零数组再置某段为1：

x_impulse = np.zeros(1000) x_impulse[100:110] = 1.0

宽度为10个采样点的脉冲，在1000Hz采样率下就是10毫秒宽。脉冲宽度决定了频率覆盖范围，宽度越窄，频谱越宽，越能激励出系统的高频响应。这类信号最常用来看滤波器的冲激响应和阶跃响应，能够直观反映系统的上升时间和过冲。

3.3 白噪声与带限噪声：给算法上强度

纯正弦波太干净了，任何去噪算法都能轻松应对。要模拟真实环境，噪声是不可少的。最常用的是高斯白噪声：

np.random.seed(42) # 固定种子，保证结果可复现 noise = np.random.randn(N)

这里的randn是零均值、单位方差的高斯噪声。直接用也行，但更专业的做法是把它归一化到目标信噪比。信噪比的定义是信号功率与噪声功率之比，如果是20dB，那就意味着信号功率是噪声功率的100倍。因为randn的方差就是功率，所以可以这样写：

signal_power = np.mean(x ** 2) snr_db = 20.0 noise_power = signal_power / (10 ** (snr_db / 10)) noise = np.sqrt(noise_power) * np.random.randn(N)

严格的白噪声在频谱上是一条平直的线，但真实的振动噪声、电子热噪声往往集中在某个频段内，这就要用带限噪声。最简单的生成方式是对白噪声做带通滤波，保留你关心的频段内的能量，滤掉其它频段。滤波器可以选二阶或四阶Butterworth带通滤波器，配合零相位滤波消除相位失真。

3.4 线性调频信号：一把扫过频带的“梳子”

线性调频信号，也叫chirp信号，它的频率随时间线性变化。它特别适合一次性观察一个系统在整个频带上的响应，因为它把频率“铺开”在时间轴上，不同时间对应不同频率，看输出幅度的包络就知道系统的通带是否平坦。

scipy直接提供了生成函数：

from scipy.signal import chirp fs = 1000 t = np.arange(5000) / fs x_chirp = chirp(t, f0=1, f1=200, t1=t[-1], method='linear')

这段代码生成的是从1Hz扫到200Hz、持续5秒的信号。method参数换成'logarithmic'则是对数扫频。对数扫频特别适合分析音频设备或放大器频响，因为人耳对频率的感知是对数尺度的。注意t1参数必须等于信号末端时间，否则扫频范围会偏离你设定区间。

chirp信号还有一个妙用：做频率标定。你把chirp信号的FFT做出来，峰值出现的时刻对应已知频率，反过来就能校准整个采集链路的时间轴。

4. 从参数到可视化：一段完整的信号生成流水线

4.1 参数计算的完整示例：以一条“复合测试信号”为例

前面把单类信号讲完了，现在把它们串成一个实际案例。假设我要写一段测试信号，用来验证一个“去除工频干扰并保留微弱分量”的算法。需求是：信号时长2秒，包含一个80Hz的有用正弦波（幅值0.5），叠加50Hz工频干扰（幅值0.8），再混入一定量的随机噪声，目标信噪比为15dB。

先算参数。最高频率取80Hz和50Hz两者中更高的80Hz，按至少4倍余量的原则选采样率400Hz就够了。但考虑到后面可能要做频谱细分，我统一用1000Hz，这样2秒信号有2000个点。

生成代码：

import numpy as np fs = 1000 duration = 2.0 N = int(fs * duration) t = np.arange(N) / fs # 有用分量 f_useful = 80 amp_useful = 0.5 x_useful = amp_useful * np.sin(2 * np.pi * f_useful * t) # 工频干扰 f_noise = 50 amp_noise = 0.8 x_line = amp_noise * np.sin(2 * np.pi * f_noise * t) # 混合信号 x_mix = x_useful + x_line # 计算当前信号功率，确定噪声大小以达到15dB信噪比 signal_power = np.mean(x_mix ** 2) snr_db = 15 noise_power = signal_power / (10 ** (snr_db / 10)) x_noise = np.sqrt(noise_power) * np.random.randn(N) x_total = x_mix + x_noise

这段代码有一个细节值得注意：算信噪比之前，x_mix里已经包含有用信号和工频干扰，也就是“全信号功率”。如果你只想让有用信号相对噪声达到15dB，就只算x_useful的功率；如果想让整体混合信号相对噪声为15dB，就按上面的写法。两种口径不同，命名、注释一定要写清楚。

4.2 可视化验证：时域图和频谱图一起看

信号造完之后必须画图验证，这是我最坚持的一步。很多人直接拿数组去跑算法，结果算法输出异常，回来查了半天才发现示例信号本身就错了。画图只要几秒钟，却能把频率错误、幅值错误、混叠问题全部暴露出来。

import matplotlib.pyplot as plt from scipy.fft import fft # 时域波形 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(t, x_total) plt.title("Time Domain") plt.xlabel("Time (s)") plt.ylabel("Amplitude") plt.grid(True) # 频谱 spectrum = np.abs(fft(x_total))[:N // 2] freqs = np.fft.rfftfreq(N, 1 / fs) plt.subplot(1, 2, 2) plt.plot(freqs, 20 * np.log10(spectrum + 1e-12)) plt.title("Spectrum (dB)") plt.xlabel("Frequency (Hz)") plt.ylabel("Magnitude (dB)") plt.grid(True) plt.tight_layout() plt.show()

判读时先看时域图，波形应该是正弦叠加的形态，杂乱但有规律。再看频谱图，80Hz和50Hz两个位置应该有明显峰值，80Hz的峰值比50Hz低一点，因为幅值0.5小于0.8。如果峰值出现在60Hz，说明代码里频率算错了；如果除了这两个峰还有一堆莫名其妙的旁瓣，说明边界处理或窗函数有问题。

我一般会额外画一张叠加纯信号和带噪信号的图，对比一下噪声级别是否符合预期。信噪比15dB意味着噪声功率远小于信号功率，波形还能看出正弦轮廓。如果画出来一片杂毛，多半是噪声功率算错了数量级。

4.3 保存与导出：让示例信号变成可复用资产

造好的信号不要每次重新生成，凡是反复使用的固定信号，我都会存成文件。存成numpy原生格式最省事，加载速度快且不损失精度：

np.save("test_signal_80hz_with_line_noise.npy", x_total)

需要交给其它工具处理时，存成WAV格式更通用。注意WAV通常用16位整型或32位浮点，如果是浮点数据直接写int16会出问题：

from scipy.io import wavfile wavfile.write("test_signal.wav", fs, (x_total * 32767).astype(np.int16))

这里的32767是16位整型的最大值。如果x_total幅值大于1，要先做归一化，否则直接乘32767会削波。存CSV也行，但文件大、读取慢，我基本不推荐。养成文件命名带参数的习惯，例如“fs1000_80Hz_15dB.wav”，这样一段时间后翻目录也能一眼看出信号参数，不用重新加载代码去猜。

5. 生成示例信号时的常见问题与排查实录

5.1 波形“糊成一团”：端点舍入与采样间隔误差

有一次我帮人排查一段看似正常的正弦信号，时间轴写的是np.linspace(0, 1, 1000)，采样率我默认是1000Hz。结果用FFT做频率测量，发现测出的频率总比理论值偏了约0.1%。问题就出在linspace的间隔是1/999秒，而不是1/1000秒。0.1%的误差对很多场景无伤大雅，但如果你在做一个要求频率分辨率0.01Hz的测量系统，这个误差足以让结果不可信。

解决办法前面已经说过，统一用np.arange(N) / fs。另外还要注意np.arange在浮点边界可能多一个点或少一个点，最稳妥的写法是先算N再生成t，再检查len(t)是否等于N。代码多写一行，排查时少抓半天头发。

5.2 高频信号看不见了：混叠现象

初学FFT时最容易困惑的一个现象是：明明造了一个400Hz正弦波，采样率也是1000Hz，频谱图画出来却显示100Hz处有峰值。这不是代码错了，而是400Hz信号被1000Hz采样率“折叠”成了100Hz。奈奎斯特频率是500Hz，400Hz低于它，按理不该混叠。我举的这个例子其实说明了另一个常见错误——如果你写f0 = 600，采样率1000Hz，那么奈奎斯特频率是500Hz，600Hz会折叠到400Hz，但如果你在程序里把600Hz设成了600，却用了freqs轴最大500Hz，图上看不到这个信号。

排查方法是：先算fmax是否小于fs/2，再看fft频率轴是否正确生成。推荐直接用np.fft.rfftfreq(N, 1/fs)，它会自动给出正频率轴，免得手动构造出错。另一个经验是，测试前期先造低频信号如10Hz，确认链路通了再往上加频率，一旦出现异常，至少能判断是信号生成问题还是算法问题。

5.3 首尾不衔接：拼接流式数据时产生的爆音

做音频流式处理时经常需要把一段信号截成若干块，或者循环播放一个示例音频。如果你生成的信号长度不是信号周期的整数倍，拼接处会出现相位突变，听起来就是“咔哒”一响。比如一个5Hz正弦波，周期0.2秒，在采样率1000Hz下一个周期正好200点。如果取256点作为一段，256不是200的整数倍，下一段开头相位就跟上一段结尾接不上。

解决办法是选择点数N等于信号周期的整数倍。更通用的做法是直接在代码里计算周期对应的点数：

freq = 5 period_samples = int(fs / freq) N_total = period_samples * 10 # 10个完整周期 t = np.arange(N_total) / fs

这样整段信号首尾相位自然连续。如果你必须使用固定长度，就先拼完再截断，或者用短时淡入淡出消除爆音。

5.4 频谱看起来和理论不符：泄漏与加窗

生成一段正弦信号，时长1秒，频率50Hz，采样率1000Hz，FFT应该在50Hz处有一个“针尖”一样的峰值。但你实际画出来会发现峰值两侧有一些小幅的拖尾，这就是频谱泄漏。原因是FFT默认对无限长信号截断，截断相当于乘了一个矩形窗，矩形窗的频谱有很多旁瓣，于是主峰两侧就长出“裙边”。

如果信号频率恰好落在FFT分辨率网格的整数倍上，比如fs/N = 1Hz，50.0Hz正好坐落在网格点上，泄漏会很小。如果频率是50.5Hz，泄漏就非常明显。解决办法是接受泄漏然后加窗，常用汉宁窗或汉明窗：

window = np.hanning(N) x_windowed = x * window spectrum = np.abs(fft(x_windowed))

加窗会略微降低频率分辨率，但旁瓣会大幅减少。造示例信号时如果目标是用FFT精确测量频率，最好让信号持续多个完整周期，并且信号频率尽量接近fs/N的整数倍。另一条经验是不要只盯着频谱图的峰值，还要看峰宽和旁瓣水平，三者结合起来才能判断信号生成得干不干净。

说到底，生成示例信号这件事看起来小，但它决定了后面所有验证工作的可信度。我在实际项目里吃过不少亏，最后养成的习惯是：每造一段信号，先花两秒钟看一眼频谱图再往下走。频峰对了、幅度对了、噪声底对了，才放心把数据喂给算法。这比事后对着异常结果猜原因要省太多时间。把这一步做成流程的一部分，你之后的调试速度会明显提上来。