IQ 信号 FFT 频谱分析：从原理到实现

原创已于 2026-04-22 21:46:18 修改 · 503 阅读

9 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #算法

于 2026-04-07 14:17:35 首次发布

雷达算法专栏收录该内容

11 篇文章

订阅专栏

IQ 信号 FFT 频谱分析实现原理详细步骤

IQ 数据说明
一、单路实信号表示（完全不用正交两路）
核心特点：仅使用一路实数采样，不区分 I/Q 两路信号

时域实采样（Real Sampling）

直接对中频 / 射频信号进行实数采样：s(t)=A(t)cos(ω0t+φ(t))
相位信息隐含在信号过零点中，直观可见的只有幅度包络。
典型应用：AM 检波、基础频谱分析、示波器观测。

幅度 / 包络（Envelope）

表达式：A(t)=I2+Q2
缺陷：完全丢失相位信息，无法用于 QAM、PSK 等调制方式的解调。

相位（Phase）

表达式：φ(t)=arctan2(Q,I)
典型应用：FM/PM 解调、相位同步。

功率 / 平方律检测
P(t)=I2+Q2与幅度仅相差一个平方关系，同样不携带独立相位信息。

信号链路与 IQ 正交基本概念

天线接收的原始射频（RF）为单路高频实信号，本身不存在正交结构。
混频降频后得到中频（IF），仍为单路实信号；经正交处理后成为中频正交信号（IF IQ）。
继续混频至 0Hz，得到零中频（Zero-IF），即常用的 IQ 正交基带数据。
本振区分：
余弦本振 → I 路
正弦本振 → Q 路

步骤 1：原始 IQ 数据读取（文件解析）

原理说明

IQ 信号在 txt 文件中以实数交替存储（I0, Q0, I1, Q1, …, In, Qn），需先读取文件并校验数据有效性，确保能正确拆分 I/Q 分量。

代码对应逻辑


import numpy as np

# 读取txt中所有实数数据
x = np.loadtxt(filename)  

# 数据合法性校验
if x.size < 2:
    raise ValueError("数据太短，至少需要2个数（I0,Q0）。")
if x.size % 2 != 0:
    x = x[:-1]  # 奇数长度时截断最后一个数，保证I/Q成对

工程考量

校验数据长度：避免因数据残缺导致后续 I/Q 拆分失败；
截断奇数长度数据：是「容错设计」，兼容实际采集时可能的末尾数据丢失问题。

步骤 2：I/Q 分量拆分与复数信号构造

原理说明

IQ 信号的本质是复信号（I 为实部，Q 为虚部），需从交替的实数序列中拆分 I、Q 通道，再组合为复数形式，才能正确表征射频信号的相位和幅度信息。

代码对应逻辑


# 步长2取所有I分量（第0、2、4...位）
i = x[0::2].astype(np.float64)  
# 步长2取所有Q分量（第1、3、5...位）
q = x[1::2].astype(np.float64)  
# 组合为复信号：实部=I，虚部=Q
iq = i + 1j * q  
# 转为complex64（平衡精度与内存）
return iq.astype(np.complex64)

工程考量

先转float64再计算：避免低精度运算导致的误差；
最终转complex64：复数单精度足够满足射频信号分析需求，且内存占用仅为complex128的一半。

步骤 3：IQ 信号预处理（去直流分量）

原理说明

直流分量（信号均值）会导致频谱中零频处出现强峰值，掩盖有用信号，需通过「减去信号均值」消除直流分量。

代码对应逻辑


# 统一数据类型
y = np.asarray(iq, dtype=np.complex64)  
if remove_dc:
    # 去直流：减去复信号的均值（实部/虚部分别去直流）
    y = y - np.mean(y)

原理补充

复信号均值计算：np.mean(y) = mean(Re(y)) + 1j*mean(Im(y))，减去均值后，实部（I）和虚部（Q）的直流分量均被消除。

步骤 4：窗函数选择与生成

原理说明

直接对非周期信号做 FFT 会产生「频谱泄露」（能量扩散到相邻频率），窗函数通过「加权信号两端」（使信号平滑过渡到 0）降低泄露，不同窗函数的泄露抑制 / 频率分辨率 trade-off 不同。

代码对应逻辑


def make_window(window, n):
    # 兼容大小写输入（如"Hann"和"hann"）
    window = window.lower()  
    if window in ("hann", "hanning"):
        return np.hanning(n)  # 汉宁窗（默认，泄露抑制好）
    if window == "hamming":
        return np.hamming(n)  # 汉明窗（主瓣更窄）
    if window == "blackman":
        return np.blackman(n)  # 布莱克曼窗（泄露抑制最优，分辨率最低）
    if window in ("rect", "rectangle"):
        return np.ones(n)  # 矩形窗（无加权，分辨率最高，泄露最严重）

工程考量

统一转为小写：提升接口易用性，避免因输入大小写导致的错误；
窗长度与信号长度一致：保证每个采样点都能被加权。

步骤 5：FFT 点数自适应确定

原理说明

FFT 的计算效率在点数为 2 的幂时最高（基 2-FFT 算法），需自动选择「≥信号长度且≥1024」的最小 2 的幂，兼顾计算效率和频谱分辨率。

代码对应逻辑


if nfft is None:
    # 计算≥max(n,1024)的最小2的幂
    nfft = 1 << int(np.ceil(np.log2(max(n, 1024))))

原理补充

np.log2(max(n,1024))：计算目标点数的对数；
np.ceil()：向上取整（保证点数≥目标值）；
1 << 整数：等价于2^整数，快速得到 2 的幂。

步骤 6：信号加窗处理

原理说明

将 IQ 复信号与窗函数逐点相乘，使信号两端平滑衰减，降低频谱泄露，加窗后信号的能量会被窗函数加权，后续幅值归一化需考虑窗函数的能量。

代码对应逻辑


# 生成窗函数
w = make_window(window, n).astype(np.float64)  
# 复信号逐点乘窗函数（I/Q同时加权）
xw = (x * w).astype(np.complex64)

工程考量

窗函数转float64：保证加权运算的精度；
结果转complex64：维持数据类型一致性。

步骤 7：FFT 计算与频谱移位

原理说明

FFT 默认输出的频谱是「0 频→正频→负频」排列，需用fftshift将其移位为「负频→0 频→正频」，符合人对频率轴的直观认知；
复信号 FFT 的结果是复数，其模（绝对值）代表频率分量的幅值。

代码对应逻辑


# FFT+移位（中心为0频）
X = np.fft.fftshift(np.fft.fft(xw, n=nfft))

原理补充

np.fft.fft(xw, n=nfft)：对加窗后的信号做 nfft 点 FFT（信号长度 <nfft 时自动补零，>nfft 时截断）；
fftshift：将 FFT 结果的左右半部分交换，使 0 频位于频谱中心。

步骤 8：幅值归一化与 dB 转换

原理说明

幅值归一化：将幅值缩放到 [0,1] 范围，方便不同信号的频谱对比；
dB 转换：将线性幅值转为对数刻度（dB），更符合人耳 / 仪器对信号强度的感知，公式：20×log10(A)（A 为幅值）。

代码对应逻辑


# 归一化到[0,1]
mag = np.abs(X) / (np.max(np.abs(X)) + 1e-12)  
# 转为dB值
mag_db = 20.0 * np.log10(mag + 1e-12)

工程考量

加1e-12：避免除以 0（幅值全为 0 时）或对数计算中出现log10(0)（会得到 - inf）；
归一化到最大值：消除信号绝对幅值的影响，聚焦频谱形状。

步骤 9：频率轴生成与结果格式化

原理说明

频率轴需与 FFT 结果一一对应，fftfreq根据采样率和 FFT 点数生成频率刻度，再用fftshift移位，保证与频谱中心对齐；
结果转为 JSON 字符串：方便跨平台 / 跨语言传输（如前端绘图、网络接口返回）。

代码对应逻辑


import json

# 生成频率轴：范围[-fs/2, fs/2)，间隔fs/nfft
f = np.fft.fftshift(np.fft.fftfreq(nfft, d=1.0 / fs_hz))

# 格式化为JSON字符串
result = json.dumps({
    "frequency_hz": f.tolist(),  # numpy数组转列表（JSON不支持数组）
    "magnitude_db": mag_db.tolist()
})