在學習數字信號處理時,很多種頻率很容易搞混淆,有模擬/數字/頻率/角頻率等等,也不是特別清楚不同頻率之間的關系,希望這篇文件可以為各種頻率來個了結.

4種頻率及其數量關系

實際物理頻率表示物理信號的真實頻率; fs為采樣頻率,表示ADC采集物理信號的頻率，由奈奎斯特采樣定理可以知道，fs必須≥信號最高頻率的2倍才不會發生信號混疊，因此fs能采樣到的信號最高頻率為fs/2。
角頻率Ω是物理頻率的2π倍, 這個也稱模擬頻率。
歸一化頻率是將物理頻率按fs歸一化之后的結果，最高的信號頻率為fs/2對應歸一化頻率0.5(ω=π)，這也就是為什么在matlab的fdatool工具中歸一化頻率為什么最大只到0.5的原因。歸一化頻率中不含fs的信息.
圓周頻率是歸一化頻率的2*pi倍，這個也稱數字頻率ω。

有關FFT頻率與實際物理頻率的分析

做n個點的FFT，表示在時域上對原來的信號取了n個點來做頻譜分析，n點FFT變換的結果仍為n個點。
換句話說，就是將2π數字頻率ω分成n份，而整個數字頻率ω的范圍覆蓋了從0-2π*fs的模擬頻率范圍。這里的fs是采樣頻率。而我們通常只關心0-π中的頻譜，因為根據奈科斯特定律，只有f=fs/2范圍內的信號才是被采樣到的有效信號。那么，在w的范圍內，得到的頻譜肯定是關于n/2對稱的。
舉例說，如果做了16個點的FFT分析，你原來的模擬信號的最高頻率f=32kHz，采樣頻率是64kHz，n的范圍是0,1,2...15。這時，64kHz的模擬頻率被分成了16分，每一份是4kHz，這個叫頻率分辨率。那么在橫坐標中，n=1時對應的f是4kHz, n=2對應的是8kHz, n=15時對應的是60kHz，你的頻譜是關于n=8對稱的。你只需要關心n=0到7以內的頻譜就足夠了，因為，原來信號的最高模擬頻率是32kHz。
這里可以有兩個結論:

必須知道原來信號的采樣頻率fs是多少，才可以知道每個n對應的實際頻率是多少，第k個點的實際頻率的計算為f(k)=k*(fs/n)

你64kHz做了16個點FFT之后，因為頻率分辨率是4kHz，如果原來的信號在5kHz或者63kHz有分量，你在頻譜上是看不見的，這就表示你越想頻譜畫得逼真，就必須取越多的點數來做FFT，n就越大，你在時域上就必須取更長的信號樣本來做分析。但是無論如何，由于離散采樣的原理，你不可能完全準確地畫出原來連續時間信號的真實頻譜，只能無限接近（就是n無限大的時候），這個就叫做頻率泄露。在采樣頻率fs不變得情況下，頻率泄漏可以通過取更多的點來改善，也可以通過做FFT前加窗來改善，這就是另外一個話題了。

為什么抽取/內插看起來對頻譜有影響?

在數字信號處理時,經常需要對數據進行抽取或者內插處理.抽取之后的頻率展寬了n倍,內插之后的頻率壓縮了n倍,從而需要在變采樣率之后添加抗混疊濾波器.但是實際上信號的頻率在抽取/內插的前后并沒有發生變化.這里的核心原因是:歸一化頻率失去了采樣率fs信息.
抽取和內插的實質是采樣率fs的變化

舉個例子:
我們設定fs=30.72MHz,使用3個cw信號的合成信號代表一個BW=8MHz的寬帶信號,使用實際頻率來表示信號,看到BW沒有變化,使用數字頻率w來表示信號,信號的BW似乎被壓縮了.

Q: 為什么要在歸一化頻率下來分析信號?

歸一化頻率

clear all;

close all;

fs = 30.72e6;

ts = 1/fs;

nFFT=4096;

%nFFT=32768;

t=0:ts：（nFFT-1）*ts;

d0=100*sin（2*pi*10e6*t）;

d1=50*cos（2*pi*5e6*t）;

d2=10*cos（2*pi*2e6*t）;

dSum=d0+d1+d2;

dFFT = abs（fftshift（fft（dSum，nFFT）））/（nFFT/2）;

%dFFT = abs（fft（dSum，nFFT））/（nFFT/2）;

fAxis = （-1/2*nFFT：（1/2*nFFT-1））/nFFT*fs;

figure（1）

subplot（2，1，1）

plot（fAxis，dFFT）

title（‘original signal’）

subplot（2，1，2）

dSumI= zeros（1，2*nFFT）;

for k =1:nFFT

dSumI（2*k） = dSum（k）;

end

dFFTI = abs（fftshift（fft（dSumI，2*nFFT）））/（nFFT）;

fAxisI = （-nFFT：（nFFT-1））/（2*nFFT）*fs*2; %fs double

plot（fAxisI，dFFTI）

title（‘interpolated signal’）

figure（2）

subplot（2，1，1）

wAxis = 2*pi*（-1/2*nFFT：（1/2*nFFT-1））/（nFFT）;

plot（wAxis，dFFT）

set（gca，‘XTick’，-2*pi:pi/2:2*pi）

title（‘original signal normalize’）

subplot（2，1，2）

wAxisI = 2*pi*（-nFFT：（nFFT-1））/（2*nFFT）;

plot（wAxisI，dFFTI）

set（gca，‘XTick’，-2*pi:pi/2:2*pi）

title（‘interpolated signal normalize’）