1. 先从标题说起为什么是“【Math】”和“信号处理”看到“【Math】2.0 信号处理——目录”这个标题时我第一反应是整理这份目录的人大概率已经把信号处理相关的资料翻过一轮了。因为“2.0”意味着前面可能有过1.0版本而“Math”放在最前面说明作者清醒地知道信号处理不是会调用几个库函数就行它本质上是一层层建在数学砖块上的工程学科。这份目录如果拆开来看基本就是一条从数学原理到工程落地的信号处理学习路线图。我这些年做过雷达回波分析也处理过ECG、PPG这类生理信号偶尔还会碰音频降噪和阵列测向。说实话每次换一个领域最怕的不是新算法不会用而是基础知识不牢导致问题定位困难。比如一个滤波器参数设错可能整个心率检测都会被噪声带偏窗函数没选好频谱里的峰值会“长胖”阵列间距没算对波束就会形成栅瓣。这些问题如果只会“调用现成代码”那你只能一直复制粘贴。只有把数学和信号处理的地图刻在脑子里才能迅速判断问题出在哪个环节。所以我打算从这份“目录”切入把它展开成一份可执行的信号处理学习与实战地图。你不需要一次读完但可以用它来定位自己在哪里、下一步该补什么。无论是刚入门的在校学生还是想转行做音频、雷达、生物医学信号的工程师这份内容都能给你一个相对清晰的坐标系。1.1 这真的只是一份目录吗目录的本质是知识框架。很多人收藏了一大堆资料却从来没有梳理过主线信号处理这门学科尤其容易这样。因为它的概念太多了傅里叶变换、Z变换、数字滤波器、功率谱密度、小波变换、自适应滤波、阵列流型……如果不靠目录把知识点挂起来学完后面就会忘记前面。我更愿意把目录当成一张作战地图。地图本身不解决战斗但能告诉你现在站在哪、下一个据点在哪、哪些路径可以绕开。比如你只做音频降噪就没必要一上来死磕MUSIC算法你如果做雷达目标检测那FFT加窗、CFAR、多普勒处理就是必经之路。目录帮你做筛选也帮你建立“这个知识点属于哪棵树”的感觉后续遇到问题时能快速找到对应的工具箱。1.2 信号处理领域的“数学地图”到底长什么样信号处理里要用到的数学看起来很多但工程上主要就四大块微积分、线性代数、概率统计、复变函数。如果方向再偏理论一点还会碰到泛函分析的一些皮毛但大多数工程师用不到那么深。我习惯把数学和信号处理的对应关系列出表来数学工具典型信号处理场景微积分与积分变换傅里叶变换、拉普拉斯变换、Z变换的基础线性代数滤波器组、子空间算法、阵列信号处理中的矩阵特征分解概率统计随机信号分析、噪声建模、参数估计、目标检测复变函数解析信号分析、Hilbert变换、系统稳定性判定举个例子阵列信号处理里的MUSIC算法本质上是计算协方差矩阵的特征分解完全依赖线性代数雷达测距本质上是发射信号与回波做相关运算再通过傅里叶变换转到频域找峰值PPG信号处理中最头疼的运动伪迹消除往往要用到随机信号估计里的自适应滤波。你会发现数学工具并不是孤立存在的它们在具体应用里互相配合。1.3 用数学视角看信号处理的三个阶段我习惯把一个信号处理系统拆成三段感知、表示、决策。感知是传感器把物理量变成电信号表示是选择某个变换域让信息浮现出来决策是估计参数或判断类别。感知阶段你需要建立噪声模型。比如雷达回波里的热噪声通常建模为高斯白噪声ECG里常见的工频干扰是正弦信号加谐波PPG的运动伪迹是低频随机扰动。表示阶段你需要理解基函数和变换。傅里叶变换把信号分解成正弦波小波变换把信号分解成不同时间和频率的局部波形。决策阶段则是估计和检测问题用概率理论判定哪个假设更可信。有了这三个阶段的框架学任何一个算法都不容易迷路。比如卡尔曼滤波表面上是状态方程和观测方程本质上是在“表示”阶段建模在“决策”阶段做最优估计。这个视角是很多教材不会专门讲的但真到工程里非常管用。2. 基础篇目录里必须先放下的几块基石信号处理的东西虽然多但不管哪个方向基础模块绕不开时域、频域、采样、滤波这几座山。别觉得它们简单很多看起来很高端的工程问题最后都会回到这些基础概念上。2.1 时域与频域傅里叶变换不是终点而是起点很多人把傅里叶变换背得滚瓜烂熟但真到工程里却容易被采样率、频谱泄漏这种“基本功”绊住。傅里叶变换的核心思想并不复杂把信号分解成一系列复指数信号的叠加。连续信号的公式是积分离散信号就是累加。你需要建立一些关键直觉尤其是频率分辨率。频率分辨率有一个特别实用的经验公式Δf ≈ 1/T这里的T是信号时长。也就是说你想在频谱上区分两个间隔为1Hz的频率分量至少要采1秒想做到0.1Hz分辨率就要采10秒。这个式子会在雷达、音频、生物医学信号处理中反复出现。我举个例子采样率是1000Hz你采集了1秒数据做1024点FFT频率分辨率大约是1Hz。这时你看到频谱里有一个峰你需要习惯性问自己一句这个峰到底是真实信号还是窗函数泄漏或者短数据处理带来的假象如果你能带着这个问题去看频谱很多误判都能提前避免。2.2 采样定理与混叠很多工程问题的根因奈奎斯特定理说采样率必须大于信号最高频率的两倍才能无失真重建。但实际工程里问题比这句话复杂得多。抗混叠滤波器怎么放采样率选择是否留了余量如果采样率不够高频信号会折叠到低频形成一个根本不存在的“幽灵频率”。举例来说ECG信号里经常有50Hz工频干扰。如果你的采样率只有100Hz那么50Hz信号采样后会变成直流分量想滤都滤不掉。正确的做法是采样前加低通滤波器把50Hz以上的成分压下去再进入ADC。我自己在定采样率时通常取最高关心频率的5到10倍而不是理论上的2倍。因为真实系统里的滤波器都有过渡带采样率太低过渡带里的噪声就会混叠到目标频带内。这个经验可能有点保守但能省掉很多后续处理上的麻烦。2.3 滤波器设计从理想响应到可实现系统理想滤波器有矩形的频率响应可惜物理可实现系统都会有过渡带和纹波。设计一个数字滤波器本质上是在指标之间做折中通带纹波、阻带衰减、过渡带宽度这三者不可能同时做到完美。FIR和IIR滤波器的选择是一个经典问题。FIR滤波器容易实现线性相位也不会因为反馈导致不稳定但同样的过渡带要求下阶数往往很高计算量大。IIR滤波器效率高计算量小但相位响应是非线性的可能造成波形畸变。我调试滤波器时有一个习惯先确定过渡带宽度再用经验公式估算阶数最后仿真验证。比如用窗函数法设计FIR滤波器时过渡带宽度大约等于窗函数主瓣宽度阶数越高过渡带越窄。当你发现滤波器实际效果和预期不符时十有八九是阶数不够或者截止频率选在了过渡带边缘。3. 进阶篇经典与现代算法怎么排进目录基础模块搭好之后目录就需要放进更多有挑战的算法。这里我会从频谱分析、统计信号处理、非平稳信号处理三个角度来展开它们是很多高级应用的地基。3.1 频谱分析中的窗函数与泄漏抑制现实世界里我们只能截取有限长的一段数据来做频谱分析。这个截断操作相当于把原始信号乘以一个矩形窗频谱会与矩形窗的频谱卷积导致能量泄漏到主瓣以外的频率上。于是我们引入各种窗函数比如汉宁窗、汉明窗、布莱克曼窗来抑制旁瓣。但窗函数不是白给的。主瓣越窄频率分辨能力越强旁瓣越低泄漏越少但通常主瓣会变宽。比如汉宁窗旁瓣抑制能力比矩形窗好很多但主瓣宽度变为原来的大约两倍会让两个相近频率的峰变得难以分辨。我的建议是先明确你更在意频率分辨还是旁瓣抑制再选窗函数。如果做雷达测距目标速度连续变化你通常希望主瓣窄一点如果做音频频谱显示你会更在意旁瓣低、看起来干净。工程里没有免费的午餐参数选择就是取舍。3.2 随机信号与统计信号处理为什么绕不开概率很多信号并不是确定性信号比如雷达杂波、脑电、背景噪声。描述它们需要用随机过程的概念而不是简简单单一个函数。随机信号处理的核心工具是自相关函数和功率谱密度Wiener-Khinchin定理把它们联系起来自相关函数的傅里叶变换就是功率谱密度。在实际估计功率谱时经典方法是周期图但周期图的方差很大估计结果很不稳定。所以工程上常用Welch平均法把长信号切段、加窗、做FFT再对多个段求平均以方差换偏差得到更平滑的功率谱估计。这个“以偏差换方差”的思想是统计信号处理的精髓之一。说到统计信号处理很多人在读Kay的《统计信号处理基础——估计与检测理论》时会对第二章的习题感到头疼。那一章讲的是最小均方误差估计、贝叶斯估计和BLUE核心是理解“估计误差的准则”到底是什么。我建议不要急着找答案而是亲自动手推一遍“高斯噪声中估计直流电平”的例子你会发现样本均值其实是一个极大似然估计也是某个条件下的BLUE。这样一遍推导下来比看十遍PPT都有用。3.3 从自适应滤波到小波变换非平稳信号的解药传统滤波器假设信号和噪声是平稳的但真实信号往往不是。ECG里的肌电干扰是突发的雷达杂波随时变音频里经常有人声和背景噪声交叠。这时候就需要自适应滤波或时频分析。LMS自适应滤波器的原理很直观根据误差信号自动调整权向量让滤波器输出逼近期望信号。核心参数是步长。步长太大算法发散步长太小收敛速度慢。实际使用中我更推荐归一化LMSNLMS它把步长除以输入信号的功率不同信号幅度下稳定性更好。小波变换则是另一种思路。它用一组可变时宽和频宽的基函数去分解信号低频部分用长的时间窗高频部分用短的时间窗。这在处理ECG时特别有用QRS波群是高频突变基线漂移是低频慢变用小波包分别处理后重组可以同时抑制漂移和保留波形细节。4. 应用篇雷达、ECG、PPG、音频、阵列信号处理各有各的脾气学完基础你可能会想这些算法到底用在哪信号处理的分支很多我分别聊聊我接触过的几个典型领域希望能帮你在目录里找到更具体的定位。4.1 ECG/PPG生物医学信号从噪声里捞救命信息ECG是心电信号PPG是光电容积脉搏波两者都是强噪声背景下提取微弱生理信息。ECG最关键的任务是QRS波群检测然后通过RR间期算出心率PPG则是从光学传感器捕捉到的血管容积变化中估计心率和血氧。ECG的预处理链路通常包括带通滤波5-25Hz左右、基线漂移校正、工频陷波之后才能做R峰检测。PPG比ECG更容易受到运动伪迹影响很多手环和智能手表里的PPG心率算法都会引入加速度计信号作为参考做自适应滤波。有一次我在实测手环的PPG数据时运动伪迹几乎把脉搏波形完全淹没。我试过固定截止频率的滤波器发现没法同时保留脉搏谐波和滤除运动干扰。后来把加速度信号作为参考用LMS自适应滤波才恢复出可用的波形。这个经历让我明白生物医学信号处理里了解噪声来源比调算法参数更重要。4.2 雷达信号处理从回波里提取距离和速度雷达的原理是发射电磁波接收目标反射回波。脉冲雷达通过计算发射脉冲到回波的延迟来测距公式是R cτ/2其中c是光速τ是延迟时间。调频连续波FMCW雷达则更现代它通过发射频率随时间线性变化的信号把距离信息转换成拍频频率再通过FFT提取。FMCW雷达做距离-速度估计时会先沿快时间维做一次FFT得到距离维再沿多个chirp组成的慢时间维做第二次FFT得到多普勒维。这两个维度的FFT组合起来就是“距离-多普勒图”。如果再加上阵列天线还可以在第三个维度做角度估计这就进入了阵列信号处理的范畴。雷达处理中有个东西很关键CFAR检测。目标是否存在的判断不是简单超过阈值而要结合周围噪声水平自适应调整阈值否则虚警率会很高。做雷达实验时窗函数也是常态加窗可以抑制旁瓣但会牺牲一点分辨率。这就是工程里的常态每个参数都有代价。4.3 音频信号处理算法要懂“耳朵”的容忍度音频信号处理包括降噪、回声消除、增益控制、音频编码等。和雷达、医学信号不太一样的是音频最终是给人听的所以算法的好坏很大程度上取决于人的听觉感受。心理声学里的掩蔽效应非常重要一个频率上的强音可以掩盖邻近频率的弱音所以降噪算法可以只在听觉上感知不到的区域做处理。我在做音频降噪时最常用的算法之一是谱减法。它先估计噪声谱再从带噪信号谱中减去噪声谱。听起来很简单但如果不加谱下限spectral floor结果会出现一种叫“音乐噪声”的伪迹听着像流水声一样令人烦躁。我踩过几次坑之后总结出一个心得音频降噪宁可保守一点也不要追求“干净到诡异”的输出。因为人耳对残留噪声的适应能力其实很强但讨厌骤变和人工伪迹。好的降噪应该让人感觉“背景安静了”而不是“声音变形了”。4.4 阵列信号处理空间维度的信号增强与测向阵列信号处理利用多个传感器在空间上的位置差异把接收信号按方向区分开。波束形成本质上是一个空域滤波器可以让阵列主瓣对准目标方向、把零陷对准干扰方向从而提升信噪比。更高阶的方向估计算法比如MUSIC和ESPRIT利用协方差矩阵的特征分解来分辨方向近似的信号源。MUSIC算法的核心步骤是先估计接收信号的协方差矩阵再做特征分解把特征向量分成信号子空间和噪声子空间最后在角度维度上搜索使方向向量与噪声子空间正交的峰值。设计阵列时有一个重要原则阵元间距通常要小于等于半波长。这可以理解为空间域的采样定理间距太大就会出现栅瓣就像时间域采样率不足会混叠一样。实际系统中阵列通道之间的幅相误差也必须校正否则再高分辨的算法也会失效。很多人以为MUSIC算法很“高级”但在实际硬件上做时最麻烦的往往不是算法本身而是校准。5. 实战篇用一份可维护的目录来推动学习落地说了这么多最终还是要落到操作上。既然标题里写着“目录”那我就分享一下我是怎么把目录变成学习工具以及如何用一个小实验验证自己是否真的理解了这些概念。5.1 搭建自己的Markdown学习目录附模板我是那种离开笔记就不会学习的人。但我不太喜欢把所有内容堆在一个巨大的笔记里而是用Markdown维护一棵目录树。每个模块一个文件文件里记录三件事核心概念、解决的实际问题、我踩过的坑。这样目录不只是清单而是真的能用的“工程索引”。下面是我常用的目录结构你可以直接参考signal-processing/ ├── 00-math-basics.md ├── 01-fourier-z-transform/ │ ├── 01-1-fourier.md │ └── 01-2-z-transform.md ├── 02-filter-design/ │ ├── 02-1-fir-iir.md │ └── 02-2-window-method.md ├── 03-random-signal/ │ ├── 03-1-spectrum-estimation.md │ └── 03-2-kalman-filter.md ├── 04-applications/ │ ├── 04-1-ecg-ppg.md │ ├── 04-2-radar.md │ ├── 04-3-audio.md │ └── 04-4-array.md └── 05-experiments/ └── ecg-heart-rate.ipynb建目录的时候有个小技巧文件命名前面加上数字序号这样排序就是你的学习顺序。不要试图让目录一次到位它应该随着你的学习不断调整。我经常翻旧文件看到哪个知识点现在有了新的理解就回头改一版这个过程本身就是学习。5.2 推荐书单与工具链Oppenheim/Kay/SciPy/Matlab如果你不知道从哪里入手我列一个最小书单够用很久书名定位Oppenheim《信号与系统》连续与离散时间信号基础Oppenheim《离散时间信号处理》DFT、Z变换、滤波器设计的系统参考Kay《统计信号处理基础》估计理论和检测理论入门Haykin《自适应滤波器原理》自适应滤波的经典教材工具方面Python配合NumPy、SciPy、Matplotlib可以覆盖绝大多数学习实验。SciPy的signal模块里封装了滤波器设计、频谱估计、峰值检测等常用函数。Matlab的优势在于工具箱完善尤其在做阵列信号处理和雷达仿真时很多专门函数能帮你少写不少代码。有人会问用现成库算不算“偷懒”我的观点是学习阶段还是要把底层原理亲手推一遍比如自己实现一个FFT或者一个LMS滤波器。但工程阶段只要理解背后逻辑用库反而更稳定。关键是别把库函数当成黑盒至少你要知道‘改变这个参数会影响什么’。5.3 一个入门级ECG信号处理小实验与其一直看公式不如跑一个最小实验。下面的代码生成一段带噪声的仿真ECG信号用带通滤波器清除工频干扰和高频噪声再通过峰值检测估计心率。它不长但麻雀虽小五脏俱全。import numpy as np from scipy import signal import matplotlib.pyplot as plt fs 250 t np.arange(0, 10, 1/fs) # 用高斯峰模拟QRS波群 ecg np.zeros_like(t) for beat_start in range(0, 10): beat_time beat_start * 0.8 idx np.abs(t - beat_time) 0.1 local_t t[idx] - beat_time ecg[idx] np.exp(-local_t**2 / (2 * 0.008**2)) \ - 0.5 * np.exp(-local_t**2 / (2 * 0.02**2)) # 加入工频噪声和白噪声 noise 0.05 * np.random.randn(len(t)) powerline 0.1 * np.sin(2 * np.pi * 50 * t) x ecg noise powerline # 带通滤波保留5~25Hz的QRS能量 b, a signal.butter(2, [5, 25], btypebandpass, fsfs) y signal.filtfilt(b, a, x) # R峰检测 peaks, _ signal.find_peaks(y, distanceint(0.2 * fs), height0.5) rr np.diff(peaks) / fs heart_rate 60 / np.mean(rr) print(fEstimated HR: {heart_rate:.1f} bpm) plt.figure(figsize(10, 4)) plt.plot(t, x, alpha0.5, labelnoisy) plt.plot(t, y, labelfiltered) plt.plot(peaks / fs, y[peaks], x, labelpeaks) plt.legend() plt.show()代码里有三个关键点。第一我用了filtfilt而不是lfilter这样能避免IIR滤波器带来的相位偏移。第二find_peaks里的distance0.2秒对应R峰之间最小间隔防止将一个大R峰误检成两个。第三带通范围选5-25Hz是为了抑制基线漂移和部分肌电干扰同时保留QRS波群的主要能量。如果你自己跑这个实验建议动手改几个参数把滤波范围改成1-40Hz或者把filtfilt换成lfilter观察波形和心率估计值的变化。这种对比实验会让你很快建立起“参数敏感度”的直觉比死记硬背公式有用得多。5.4 信号处理中的常见坑与排查心得最后分享几个高频问题的排查思路这些都是我踩过坑之后总结的。现象可能原因排查方向频谱中出现不存在的低频分量采样率不足发生混叠检查采样率是否足够是否加抗混叠滤波频谱峰周围有大量拖尾频率泄漏换窗函数调整信号截断长度滤波后QRS波群位置偏移IIR滤波器相位非线性改用filtfilt或者直接用FIR自适应滤波不收敛或发散步长设置不当改用NLMS或归一化输入信号幅度信号基线漂移严重高通截止频率太低适当提高高通频率比如ECG选0.5-1Hz我排查问题的习惯是不急着调算法先把数据“看懂”。画原始波形、频谱、时频图绝大部分问题在预处理阶段就能找到答案。比如看到ECG波形整体上下飘你该想到的是基线漂移而不是R峰检测算法不够高级。看到频谱里50Hz有尖峰你该先做陷波或者带通滤波而不是改检测阈值。很多时候问题本身并不复杂只是被噪声和干扰藏住了。一个小技巧当你觉得某个算法“玄学”时把它换成最简单的替代方案比如用固定阈值代替自适应阈值看效果差多少。这样你能直观感受到复杂算法到底帮你解决了什么问题而不是盲目堆模型。6. 写在最后我的一些真实体会说实话信号处理不是学完全部公式才会上手而是边做边补目录。就像健身一样今天为雷达测距补FFT明天为ECG补滤波器设计后天为PPG补自适应滤波大后天为音频降噪补心理声学。目录的最大价值不是让你一次性掌握所有内容而是让你知道每一个新问题该挂在知识树的哪个枝干上。到目前为止我自己的笔记里已经有近千条信号处理相关的记录很多都是从“项目标题”这样的目录延展出来的。那些最初看起来陌生的概念比如MUSIC、CFAR、Welch等等如今都成了工具箱里随手可用的工具。这个过程没有捷径但目录能让你少走很多弯路。如果你正准备开始学信号处理我的建议是先建一个属于自己的目录哪怕一开始只有几行字然后按最小实验驱动学习。遇到经典教材的习题比如Kay第二章不要急着找答案亲自推一遍远比看十遍答案有用。希望这份拆解能成为你目录里的第一块拼图。
信号处理学习路线图：从数学基础到雷达、音频与生物医学应用
1. 先从标题说起为什么是“【Math】”和“信号处理”看到“【Math】2.0 信号处理——目录”这个标题时我第一反应是整理这份目录的人大概率已经把信号处理相关的资料翻过一轮了。因为“2.0”意味着前面可能有过1.0版本而“Math”放在最前面说明作者清醒地知道信号处理不是会调用几个库函数就行它本质上是一层层建在数学砖块上的工程学科。这份目录如果拆开来看基本就是一条从数学原理到工程落地的信号处理学习路线图。我这些年做过雷达回波分析也处理过ECG、PPG这类生理信号偶尔还会碰音频降噪和阵列测向。说实话每次换一个领域最怕的不是新算法不会用而是基础知识不牢导致问题定位困难。比如一个滤波器参数设错可能整个心率检测都会被噪声带偏窗函数没选好频谱里的峰值会“长胖”阵列间距没算对波束就会形成栅瓣。这些问题如果只会“调用现成代码”那你只能一直复制粘贴。只有把数学和信号处理的地图刻在脑子里才能迅速判断问题出在哪个环节。所以我打算从这份“目录”切入把它展开成一份可执行的信号处理学习与实战地图。你不需要一次读完但可以用它来定位自己在哪里、下一步该补什么。无论是刚入门的在校学生还是想转行做音频、雷达、生物医学信号的工程师这份内容都能给你一个相对清晰的坐标系。1.1 这真的只是一份目录吗目录的本质是知识框架。很多人收藏了一大堆资料却从来没有梳理过主线信号处理这门学科尤其容易这样。因为它的概念太多了傅里叶变换、Z变换、数字滤波器、功率谱密度、小波变换、自适应滤波、阵列流型……如果不靠目录把知识点挂起来学完后面就会忘记前面。我更愿意把目录当成一张作战地图。地图本身不解决战斗但能告诉你现在站在哪、下一个据点在哪、哪些路径可以绕开。比如你只做音频降噪就没必要一上来死磕MUSIC算法你如果做雷达目标检测那FFT加窗、CFAR、多普勒处理就是必经之路。目录帮你做筛选也帮你建立“这个知识点属于哪棵树”的感觉后续遇到问题时能快速找到对应的工具箱。1.2 信号处理领域的“数学地图”到底长什么样信号处理里要用到的数学看起来很多但工程上主要就四大块微积分、线性代数、概率统计、复变函数。如果方向再偏理论一点还会碰到泛函分析的一些皮毛但大多数工程师用不到那么深。我习惯把数学和信号处理的对应关系列出表来数学工具典型信号处理场景微积分与积分变换傅里叶变换、拉普拉斯变换、Z变换的基础线性代数滤波器组、子空间算法、阵列信号处理中的矩阵特征分解概率统计随机信号分析、噪声建模、参数估计、目标检测复变函数解析信号分析、Hilbert变换、系统稳定性判定举个例子阵列信号处理里的MUSIC算法本质上是计算协方差矩阵的特征分解完全依赖线性代数雷达测距本质上是发射信号与回波做相关运算再通过傅里叶变换转到频域找峰值PPG信号处理中最头疼的运动伪迹消除往往要用到随机信号估计里的自适应滤波。你会发现数学工具并不是孤立存在的它们在具体应用里互相配合。1.3 用数学视角看信号处理的三个阶段我习惯把一个信号处理系统拆成三段感知、表示、决策。感知是传感器把物理量变成电信号表示是选择某个变换域让信息浮现出来决策是估计参数或判断类别。感知阶段你需要建立噪声模型。比如雷达回波里的热噪声通常建模为高斯白噪声ECG里常见的工频干扰是正弦信号加谐波PPG的运动伪迹是低频随机扰动。表示阶段你需要理解基函数和变换。傅里叶变换把信号分解成正弦波小波变换把信号分解成不同时间和频率的局部波形。决策阶段则是估计和检测问题用概率理论判定哪个假设更可信。有了这三个阶段的框架学任何一个算法都不容易迷路。比如卡尔曼滤波表面上是状态方程和观测方程本质上是在“表示”阶段建模在“决策”阶段做最优估计。这个视角是很多教材不会专门讲的但真到工程里非常管用。2. 基础篇目录里必须先放下的几块基石信号处理的东西虽然多但不管哪个方向基础模块绕不开时域、频域、采样、滤波这几座山。别觉得它们简单很多看起来很高端的工程问题最后都会回到这些基础概念上。2.1 时域与频域傅里叶变换不是终点而是起点很多人把傅里叶变换背得滚瓜烂熟但真到工程里却容易被采样率、频谱泄漏这种“基本功”绊住。傅里叶变换的核心思想并不复杂把信号分解成一系列复指数信号的叠加。连续信号的公式是积分离散信号就是累加。你需要建立一些关键直觉尤其是频率分辨率。频率分辨率有一个特别实用的经验公式Δf ≈ 1/T这里的T是信号时长。也就是说你想在频谱上区分两个间隔为1Hz的频率分量至少要采1秒想做到0.1Hz分辨率就要采10秒。这个式子会在雷达、音频、生物医学信号处理中反复出现。我举个例子采样率是1000Hz你采集了1秒数据做1024点FFT频率分辨率大约是1Hz。这时你看到频谱里有一个峰你需要习惯性问自己一句这个峰到底是真实信号还是窗函数泄漏或者短数据处理带来的假象如果你能带着这个问题去看频谱很多误判都能提前避免。2.2 采样定理与混叠很多工程问题的根因奈奎斯特定理说采样率必须大于信号最高频率的两倍才能无失真重建。但实际工程里问题比这句话复杂得多。抗混叠滤波器怎么放采样率选择是否留了余量如果采样率不够高频信号会折叠到低频形成一个根本不存在的“幽灵频率”。举例来说ECG信号里经常有50Hz工频干扰。如果你的采样率只有100Hz那么50Hz信号采样后会变成直流分量想滤都滤不掉。正确的做法是采样前加低通滤波器把50Hz以上的成分压下去再进入ADC。我自己在定采样率时通常取最高关心频率的5到10倍而不是理论上的2倍。因为真实系统里的滤波器都有过渡带采样率太低过渡带里的噪声就会混叠到目标频带内。这个经验可能有点保守但能省掉很多后续处理上的麻烦。2.3 滤波器设计从理想响应到可实现系统理想滤波器有矩形的频率响应可惜物理可实现系统都会有过渡带和纹波。设计一个数字滤波器本质上是在指标之间做折中通带纹波、阻带衰减、过渡带宽度这三者不可能同时做到完美。FIR和IIR滤波器的选择是一个经典问题。FIR滤波器容易实现线性相位也不会因为反馈导致不稳定但同样的过渡带要求下阶数往往很高计算量大。IIR滤波器效率高计算量小但相位响应是非线性的可能造成波形畸变。我调试滤波器时有一个习惯先确定过渡带宽度再用经验公式估算阶数最后仿真验证。比如用窗函数法设计FIR滤波器时过渡带宽度大约等于窗函数主瓣宽度阶数越高过渡带越窄。当你发现滤波器实际效果和预期不符时十有八九是阶数不够或者截止频率选在了过渡带边缘。3. 进阶篇经典与现代算法怎么排进目录基础模块搭好之后目录就需要放进更多有挑战的算法。这里我会从频谱分析、统计信号处理、非平稳信号处理三个角度来展开它们是很多高级应用的地基。3.1 频谱分析中的窗函数与泄漏抑制现实世界里我们只能截取有限长的一段数据来做频谱分析。这个截断操作相当于把原始信号乘以一个矩形窗频谱会与矩形窗的频谱卷积导致能量泄漏到主瓣以外的频率上。于是我们引入各种窗函数比如汉宁窗、汉明窗、布莱克曼窗来抑制旁瓣。但窗函数不是白给的。主瓣越窄频率分辨能力越强旁瓣越低泄漏越少但通常主瓣会变宽。比如汉宁窗旁瓣抑制能力比矩形窗好很多但主瓣宽度变为原来的大约两倍会让两个相近频率的峰变得难以分辨。我的建议是先明确你更在意频率分辨还是旁瓣抑制再选窗函数。如果做雷达测距目标速度连续变化你通常希望主瓣窄一点如果做音频频谱显示你会更在意旁瓣低、看起来干净。工程里没有免费的午餐参数选择就是取舍。3.2 随机信号与统计信号处理为什么绕不开概率很多信号并不是确定性信号比如雷达杂波、脑电、背景噪声。描述它们需要用随机过程的概念而不是简简单单一个函数。随机信号处理的核心工具是自相关函数和功率谱密度Wiener-Khinchin定理把它们联系起来自相关函数的傅里叶变换就是功率谱密度。在实际估计功率谱时经典方法是周期图但周期图的方差很大估计结果很不稳定。所以工程上常用Welch平均法把长信号切段、加窗、做FFT再对多个段求平均以方差换偏差得到更平滑的功率谱估计。这个“以偏差换方差”的思想是统计信号处理的精髓之一。说到统计信号处理很多人在读Kay的《统计信号处理基础——估计与检测理论》时会对第二章的习题感到头疼。那一章讲的是最小均方误差估计、贝叶斯估计和BLUE核心是理解“估计误差的准则”到底是什么。我建议不要急着找答案而是亲自动手推一遍“高斯噪声中估计直流电平”的例子你会发现样本均值其实是一个极大似然估计也是某个条件下的BLUE。这样一遍推导下来比看十遍PPT都有用。3.3 从自适应滤波到小波变换非平稳信号的解药传统滤波器假设信号和噪声是平稳的但真实信号往往不是。ECG里的肌电干扰是突发的雷达杂波随时变音频里经常有人声和背景噪声交叠。这时候就需要自适应滤波或时频分析。LMS自适应滤波器的原理很直观根据误差信号自动调整权向量让滤波器输出逼近期望信号。核心参数是步长。步长太大算法发散步长太小收敛速度慢。实际使用中我更推荐归一化LMSNLMS它把步长除以输入信号的功率不同信号幅度下稳定性更好。小波变换则是另一种思路。它用一组可变时宽和频宽的基函数去分解信号低频部分用长的时间窗高频部分用短的时间窗。这在处理ECG时特别有用QRS波群是高频突变基线漂移是低频慢变用小波包分别处理后重组可以同时抑制漂移和保留波形细节。4. 应用篇雷达、ECG、PPG、音频、阵列信号处理各有各的脾气学完基础你可能会想这些算法到底用在哪信号处理的分支很多我分别聊聊我接触过的几个典型领域希望能帮你在目录里找到更具体的定位。4.1 ECG/PPG生物医学信号从噪声里捞救命信息ECG是心电信号PPG是光电容积脉搏波两者都是强噪声背景下提取微弱生理信息。ECG最关键的任务是QRS波群检测然后通过RR间期算出心率PPG则是从光学传感器捕捉到的血管容积变化中估计心率和血氧。ECG的预处理链路通常包括带通滤波5-25Hz左右、基线漂移校正、工频陷波之后才能做R峰检测。PPG比ECG更容易受到运动伪迹影响很多手环和智能手表里的PPG心率算法都会引入加速度计信号作为参考做自适应滤波。有一次我在实测手环的PPG数据时运动伪迹几乎把脉搏波形完全淹没。我试过固定截止频率的滤波器发现没法同时保留脉搏谐波和滤除运动干扰。后来把加速度信号作为参考用LMS自适应滤波才恢复出可用的波形。这个经历让我明白生物医学信号处理里了解噪声来源比调算法参数更重要。4.2 雷达信号处理从回波里提取距离和速度雷达的原理是发射电磁波接收目标反射回波。脉冲雷达通过计算发射脉冲到回波的延迟来测距公式是R cτ/2其中c是光速τ是延迟时间。调频连续波FMCW雷达则更现代它通过发射频率随时间线性变化的信号把距离信息转换成拍频频率再通过FFT提取。FMCW雷达做距离-速度估计时会先沿快时间维做一次FFT得到距离维再沿多个chirp组成的慢时间维做第二次FFT得到多普勒维。这两个维度的FFT组合起来就是“距离-多普勒图”。如果再加上阵列天线还可以在第三个维度做角度估计这就进入了阵列信号处理的范畴。雷达处理中有个东西很关键CFAR检测。目标是否存在的判断不是简单超过阈值而要结合周围噪声水平自适应调整阈值否则虚警率会很高。做雷达实验时窗函数也是常态加窗可以抑制旁瓣但会牺牲一点分辨率。这就是工程里的常态每个参数都有代价。4.3 音频信号处理算法要懂“耳朵”的容忍度音频信号处理包括降噪、回声消除、增益控制、音频编码等。和雷达、医学信号不太一样的是音频最终是给人听的所以算法的好坏很大程度上取决于人的听觉感受。心理声学里的掩蔽效应非常重要一个频率上的强音可以掩盖邻近频率的弱音所以降噪算法可以只在听觉上感知不到的区域做处理。我在做音频降噪时最常用的算法之一是谱减法。它先估计噪声谱再从带噪信号谱中减去噪声谱。听起来很简单但如果不加谱下限spectral floor结果会出现一种叫“音乐噪声”的伪迹听着像流水声一样令人烦躁。我踩过几次坑之后总结出一个心得音频降噪宁可保守一点也不要追求“干净到诡异”的输出。因为人耳对残留噪声的适应能力其实很强但讨厌骤变和人工伪迹。好的降噪应该让人感觉“背景安静了”而不是“声音变形了”。4.4 阵列信号处理空间维度的信号增强与测向阵列信号处理利用多个传感器在空间上的位置差异把接收信号按方向区分开。波束形成本质上是一个空域滤波器可以让阵列主瓣对准目标方向、把零陷对准干扰方向从而提升信噪比。更高阶的方向估计算法比如MUSIC和ESPRIT利用协方差矩阵的特征分解来分辨方向近似的信号源。MUSIC算法的核心步骤是先估计接收信号的协方差矩阵再做特征分解把特征向量分成信号子空间和噪声子空间最后在角度维度上搜索使方向向量与噪声子空间正交的峰值。设计阵列时有一个重要原则阵元间距通常要小于等于半波长。这可以理解为空间域的采样定理间距太大就会出现栅瓣就像时间域采样率不足会混叠一样。实际系统中阵列通道之间的幅相误差也必须校正否则再高分辨的算法也会失效。很多人以为MUSIC算法很“高级”但在实际硬件上做时最麻烦的往往不是算法本身而是校准。5. 实战篇用一份可维护的目录来推动学习落地说了这么多最终还是要落到操作上。既然标题里写着“目录”那我就分享一下我是怎么把目录变成学习工具以及如何用一个小实验验证自己是否真的理解了这些概念。5.1 搭建自己的Markdown学习目录附模板我是那种离开笔记就不会学习的人。但我不太喜欢把所有内容堆在一个巨大的笔记里而是用Markdown维护一棵目录树。每个模块一个文件文件里记录三件事核心概念、解决的实际问题、我踩过的坑。这样目录不只是清单而是真的能用的“工程索引”。下面是我常用的目录结构你可以直接参考signal-processing/ ├── 00-math-basics.md ├── 01-fourier-z-transform/ │ ├── 01-1-fourier.md │ └── 01-2-z-transform.md ├── 02-filter-design/ │ ├── 02-1-fir-iir.md │ └── 02-2-window-method.md ├── 03-random-signal/ │ ├── 03-1-spectrum-estimation.md │ └── 03-2-kalman-filter.md ├── 04-applications/ │ ├── 04-1-ecg-ppg.md │ ├── 04-2-radar.md │ ├── 04-3-audio.md │ └── 04-4-array.md └── 05-experiments/ └── ecg-heart-rate.ipynb建目录的时候有个小技巧文件命名前面加上数字序号这样排序就是你的学习顺序。不要试图让目录一次到位它应该随着你的学习不断调整。我经常翻旧文件看到哪个知识点现在有了新的理解就回头改一版这个过程本身就是学习。5.2 推荐书单与工具链Oppenheim/Kay/SciPy/Matlab如果你不知道从哪里入手我列一个最小书单够用很久书名定位Oppenheim《信号与系统》连续与离散时间信号基础Oppenheim《离散时间信号处理》DFT、Z变换、滤波器设计的系统参考Kay《统计信号处理基础》估计理论和检测理论入门Haykin《自适应滤波器原理》自适应滤波的经典教材工具方面Python配合NumPy、SciPy、Matplotlib可以覆盖绝大多数学习实验。SciPy的signal模块里封装了滤波器设计、频谱估计、峰值检测等常用函数。Matlab的优势在于工具箱完善尤其在做阵列信号处理和雷达仿真时很多专门函数能帮你少写不少代码。有人会问用现成库算不算“偷懒”我的观点是学习阶段还是要把底层原理亲手推一遍比如自己实现一个FFT或者一个LMS滤波器。但工程阶段只要理解背后逻辑用库反而更稳定。关键是别把库函数当成黑盒至少你要知道‘改变这个参数会影响什么’。5.3 一个入门级ECG信号处理小实验与其一直看公式不如跑一个最小实验。下面的代码生成一段带噪声的仿真ECG信号用带通滤波器清除工频干扰和高频噪声再通过峰值检测估计心率。它不长但麻雀虽小五脏俱全。import numpy as np from scipy import signal import matplotlib.pyplot as plt fs 250 t np.arange(0, 10, 1/fs) # 用高斯峰模拟QRS波群 ecg np.zeros_like(t) for beat_start in range(0, 10): beat_time beat_start * 0.8 idx np.abs(t - beat_time) 0.1 local_t t[idx] - beat_time ecg[idx] np.exp(-local_t**2 / (2 * 0.008**2)) \ - 0.5 * np.exp(-local_t**2 / (2 * 0.02**2)) # 加入工频噪声和白噪声 noise 0.05 * np.random.randn(len(t)) powerline 0.1 * np.sin(2 * np.pi * 50 * t) x ecg noise powerline # 带通滤波保留5~25Hz的QRS能量 b, a signal.butter(2, [5, 25], btypebandpass, fsfs) y signal.filtfilt(b, a, x) # R峰检测 peaks, _ signal.find_peaks(y, distanceint(0.2 * fs), height0.5) rr np.diff(peaks) / fs heart_rate 60 / np.mean(rr) print(fEstimated HR: {heart_rate:.1f} bpm) plt.figure(figsize(10, 4)) plt.plot(t, x, alpha0.5, labelnoisy) plt.plot(t, y, labelfiltered) plt.plot(peaks / fs, y[peaks], x, labelpeaks) plt.legend() plt.show()代码里有三个关键点。第一我用了filtfilt而不是lfilter这样能避免IIR滤波器带来的相位偏移。第二find_peaks里的distance0.2秒对应R峰之间最小间隔防止将一个大R峰误检成两个。第三带通范围选5-25Hz是为了抑制基线漂移和部分肌电干扰同时保留QRS波群的主要能量。如果你自己跑这个实验建议动手改几个参数把滤波范围改成1-40Hz或者把filtfilt换成lfilter观察波形和心率估计值的变化。这种对比实验会让你很快建立起“参数敏感度”的直觉比死记硬背公式有用得多。5.4 信号处理中的常见坑与排查心得最后分享几个高频问题的排查思路这些都是我踩过坑之后总结的。现象可能原因排查方向频谱中出现不存在的低频分量采样率不足发生混叠检查采样率是否足够是否加抗混叠滤波频谱峰周围有大量拖尾频率泄漏换窗函数调整信号截断长度滤波后QRS波群位置偏移IIR滤波器相位非线性改用filtfilt或者直接用FIR自适应滤波不收敛或发散步长设置不当改用NLMS或归一化输入信号幅度信号基线漂移严重高通截止频率太低适当提高高通频率比如ECG选0.5-1Hz我排查问题的习惯是不急着调算法先把数据“看懂”。画原始波形、频谱、时频图绝大部分问题在预处理阶段就能找到答案。比如看到ECG波形整体上下飘你该想到的是基线漂移而不是R峰检测算法不够高级。看到频谱里50Hz有尖峰你该先做陷波或者带通滤波而不是改检测阈值。很多时候问题本身并不复杂只是被噪声和干扰藏住了。一个小技巧当你觉得某个算法“玄学”时把它换成最简单的替代方案比如用固定阈值代替自适应阈值看效果差多少。这样你能直观感受到复杂算法到底帮你解决了什么问题而不是盲目堆模型。6. 写在最后我的一些真实体会说实话信号处理不是学完全部公式才会上手而是边做边补目录。就像健身一样今天为雷达测距补FFT明天为ECG补滤波器设计后天为PPG补自适应滤波大后天为音频降噪补心理声学。目录的最大价值不是让你一次性掌握所有内容而是让你知道每一个新问题该挂在知识树的哪个枝干上。到目前为止我自己的笔记里已经有近千条信号处理相关的记录很多都是从“项目标题”这样的目录延展出来的。那些最初看起来陌生的概念比如MUSIC、CFAR、Welch等等如今都成了工具箱里随手可用的工具。这个过程没有捷径但目录能让你少走很多弯路。如果你正准备开始学信号处理我的建议是先建一个属于自己的目录哪怕一开始只有几行字然后按最小实验驱动学习。遇到经典教材的习题比如Kay第二章不要急着找答案亲自推一遍远比看十遍答案有用。希望这份拆解能成为你目录里的第一块拼图。
