把一段单频正弦送进离散傅里叶变换(DFT),只要它的频率没对准网格,多个频点就会同时有读数。可把这些复数系数完整送回逆 DFT,原来的样本又能逐点还原,误差只来自浮点舍入。做音频或振动分析时,这个反差很实用:还原得准,不等于判频判得准。

N 个样本做 N 点 DFT,会得到 N 个复数。逐项求和、乘傅里叶矩阵、调用 FFT,算的是同一组系数;常见 FFT 把直接计算的 O(N²) 降到 O(N log N),但不会让谱峰更好分辨。所供笔记署名 Eli Bendersky,原页面及发布时间尚未获独立确认。

同一组系数,区间外有两种解释

把样本块之外设为零,离散时间傅里叶变换(DTFT)会给出一条连续的频谱;DFT 取的是这条频谱上等间隔的 N 个点。把同一块样本首尾相接、无限重复,也能得到同一组数值:按 NumPy 默认约定,DFT 输出等于这个周期序列的离散傅里叶级数系数乘以 N,逆变换时再除以 N。

同一块样本,零延拓与周期延拓在 DFT 频点相同(示意图)
同一块样本,零延拓与周期延拓在 DFT 频点相同(示意图)

这两种解释之所以对得上,是因为在这些频点上,不同频率的复指数在 N 个样本上的内积为零。在这组正交基上换一套坐标,当然能换回来。但逆 DFT 只保证还原手里的样本。把逆变换公式继续算到区间外,得到的是重复的样本块,不是对真实信号的预测。

补零加密频点,没增加观测

拿同样长的正弦波做对照。频率对准网格时,实正弦的响应落在对应的正、负频点上;把频率挪到网格之间,同一个正弦就会在多个频点上留下响应,这就是频谱泄漏。逆 DFT 仍能逐点恢复这段正弦,因为恢复样本并不要求用最少的频点解释它。

在样本后面补零再做更长的 DFT,只是把同一条 DTFT 曲线采得更密。原来落在峰顶两侧的取样点之间,现在有了新点。峰形看得更清楚,但峰本身没有变窄。

补零只加密取点 原始频点 补零后叠加 灰线为频谱示意 砖红点为新增取样

我更在意工程里那个常见的误读:频谱画得更细,就以为仪器看得更远。补零适合看清峰形;要判断两个相邻的振动成分能不能分开,更该看有效观测时长和窗函数。延长观测才会增加实测信息。原文提到,窗函数可以让样本块两端的数值逐渐趋近于零,从而缓解频谱泄漏。

FFT 快多少,要看你把哪段算进去了

小样本用逐频点求和核对公式最直观。显式傅里叶矩阵适合展示它为何是一次换基,但要存下 O(N²) 个矩阵元素。生产计算通常交给库 FFT。SciPy 文档给出的 O(N log N) 也覆盖不易分解的长度;那是复杂度说明,不能拿来给不同库排速度名次。

判断新峰前,先核查观测时长与窗函数(示意图)
判断新峰前,先核查观测时长与窗函数(示意图)

真要比较,就把建矩阵、首次调用、可复用的规划和重复执行分开记。FFTW 明确区分规划与执行,一次性的短任务和反复处理同样长度的采样块,成本账不一样。统一输入类型和线程设置,再看耗时与内存;不同算法的末位有差异也正常。只拿 NumPy FFT 当参照,最多能说两份结果差多少,不能判谁更接近精确值。

如果一条产线的告警只在提高补零长度后才冒出第二个峰,我会先查原始观测够不够长、窗函数的旁瓣有多高。归因到第二个振源之前,得有比一张更细的频谱图更硬的证据。