信号转换为图像 时域频域分析做了这么多年信号处理和嵌入式系统调试我一直有个观点信号处理这件事七分靠看三分靠算。什么意思呢就是你拿到一串采样数据光盯着数字看哪怕看一整天也看不出什么名堂但只要把它画成波形图、频谱图、星座图很多问题一眼就暴露出来了。人眼天生擅长识别图像中的模式把信号转成图像本质上是把抽象的数字流变成人脑能直接处理的视觉信息。这篇文章我想从时域和频域两个角度聊聊信号转图像这件事到底怎么做、为什么这么做以及在工程实战中怎么用它解决具体问题。无论你是刚接触信号处理的在校学生还是天天跟示波器、频谱仪打交道的硬件工程师亦或是写采集上位机的软件工程师这篇文章的内容应该都能用得上。我会尽量少讲那些教科书里抄来的公式推导多讲实际操作中的参数选择、工具使用和踩坑经验。1. 为什么非要把信号画出来可视化的价值1.1 人眼是天然的信号处理系统先做一个简单实验给你一串1000个浮点数比如某个传感器采集的振动数据让你判断有没有周期性成分。你盯着数字看大概率什么都没看出来。但如果把这些点画在坐标纸上或者屏幕上哪怕不经过任何算法分析你也能一眼看出这信号大概每隔50个点重复一次或者中间有一段明显是异常毛刺。这不是什么玄学而是人脑视觉皮层本身就是一个极其强大的模式识别系统。图像是二维空间信息人眼对空间中的周期性、对称性、突变点、边缘轮廓有天然的分辨能力。把一维信号映射到二维平面上等于把信号中隐藏的结构信息放大了。在工程中这个原理有很多具体应用。举个例子电机振动监测你采集一段加速度传感器的输出如果只统计均值、方差这些标量指标根本分不清轴承磨损和转子不平衡的特征差异。但把波形画出来轴承磨损通常表现为高频冲击转子不平衡则表现为跟转速同步的正弦摆动。这种差异看图比看数字直观得多。1.2 从一串数字到一张图的翻译过程信号转图像说白了就是完成一次坐标映射横轴放什么、纵轴放什么、颜色放什么。最基本的形式是时域波形图横轴是时间纵轴是信号幅值最常见的形式是频谱图横轴是频率纵轴是幅度或功率进阶的形式还有星座图、眼图、瀑布图、时频图等等。这个翻译过程听起来简单实际操作中却有很多门道。因为你手里拿到的原始数据通常不是现成的横纵坐标关系而是裸的采样序列——也就是一堆连续的ADC模数转换器输出值。要把这堆数值变成有意义的图像你得先搞清楚几个关键参数采样率是多少决定了横轴时间轴的最小刻度以及后续频域分析的最高可分析频率。采样精度是多少12位ADC还是16位ADC决定了纵轴幅值的分辨率上限。数据是实数还是复数通信信号经常是I/Q两路复数采样画图方式和实数信号完全不同。缓冲长度多少决定了单幅图像能覆盖的时间窗口以及频率分辨率。这些问题如果没搞清楚就急着plot画出来的图很可能有误导性。我见过不少人拿FFT的幅度谱去分析信号结果因为没注意采样率频谱图横轴标错了最后得出一个完全错误的结论。所以信号转图像的第一步不是写绘图代码而是确认数据本身的坐标系。1.3 时域和频域同一信号的两张面孔时域和频域是信号转图像的两个最基本视角它们描述的是同一信号的不同侧面。时域图告诉你信号在某一时刻的幅值是多少频域图告诉你信号的各个频率成分有多强。打个比方时域看信号像看一个人的走路姿态视频频域看信号像看这个人生活节奏的统计分布——他每天走多少步、多长时间走一步、有没有异常的停顿。两种视角各有优势也各有盲区。时域对瞬时冲击、毛刺、波形畸变敏感但对微弱周期信号不敏感频域对周期性成分非常敏感但会丢失时间信息。实际工程中两张图配合着看才能全面把握信号特征。我会在后面详细展开这两种图像的生成原理、关键参数和实操细节。2. 时域图像把信号拍成照片的实操细节2.1 从采样序列到波形图画出来的基本步骤先说说最基础的情况你手里有一段单通道实数信号采样率是fs总共采了N个点。画时域波形图的核心流程其实就三步建立时间轴、建立幅值轴、描点连线。时间轴的建立是一个关键细节。第n个采样点对应的时间是 t_n n / fs单位是秒。这里有一个新手常犯的错误直接用了样本序号作为横坐标。这样画的图形状没问题但横轴没有物理意义也无法和后续的FFT频率轴对应起来。正确做法一定是先把采样点索引换算成物理时间。Python里的代码其实只有几行import numpy as np import matplotlib.pyplot as plt fs 10000 # 采样率 10 kHz N 2000 # 采样点数 t np.arange(N) / fs # 时间轴单位秒 # 假设 sig 是已经获取到的采样数据 sig np.random.randn(N) # 示例数据 plt.figure(figsize(12, 4)) plt.plot(t, sig, linewidth0.8) plt.xlabel(Time (s)) plt.ylabel(Amplitude (V)) plt.grid(True) plt.show()这段代码看起来简单但在实际工程中采集到的数据往往不是一次全丢给你的而是通过串口、网口、PCIe一帧一帧传过来的。你还要考虑组帧、去包头、字节序转换、定标把ADC原始码值换算成物理量等步骤。特别是定标这一步很多初学者会忽略。比如一个16位ADC量程是0到3.3V输出编码0到65535实际的电压值应该是 code * 3.3 / 65535。如果忘了定标时域图纵轴就是码值而不是伏特幅值含义就说不清楚了。2.2 采样率、记录长度与时间窗口的取舍画时域波形之前采样参数就已经决定了你能看到什么、看不到什么。这里有一个最基本的权衡关系采样率越高能看到的信号频率越高但数据量也越大存储和传输的压力随之增加。记录时间越长能看到越完整的信号周期但长记录通常意味着较低的采样率或者需要更大的缓存。根据奈奎斯特采样定理采样率至少要高于信号最高频率成分的两倍才能无失真重建信号。但工程上两倍只是理论下限实际通常取5到10倍因为采样率恰好是两倍时幅值信息会丢失得很厉害波形还原出来会变成锯齿状。举个例子你想分析一个100kHz的时钟信号从理论讲最低采样率200kHz就够了但如果用200kHz采样在时域图上你最多只能看到正弦波的轮廓上升沿、下降沿、过冲这些关键细节全部丢失。这个时候你至少要用1MHz甚至更高采样率才能把波形画出来有实际分析价值。记录长度同样有讲究。假设你采了一秒钟的数据采样率1MHz那么总共有100万个点。这时时域图能显示100万个点但屏幕就那么大每个像素可能挤了成百上千个点画出来的图是一条实心带什么细节都看不见。正确做法是显示时进行抽取比如每100点只画1个点或者分段滚动显示。这时候你又得小心抽取之后的图像不能反映高频细节如果高频区域有毛刺很可能被抽取抽掉了。我用下面这个表格总结一下采样参数的选择逻辑方便你对照参考场景目标信号频率建议采样率建议记录长度说明音频分析0-20 kHz48 kHz 或更高0.1-10 s兼顾可听范围和文件大小电机振动0-10 kHz50-100 kHz0.1-1 s需要捕捉多个转频周期高速数字总线100 MHz 时钟1 GHz 以上看10-1000个UI必须用示波器算力电源纹波10 Hz-1 MHz20-50 MHz1-100 ms需要长记录捕捉开机时序这只是一个参考实际选择还要结合信号特征和存储条件。我的习惯是先以记录长度优先级来定参数——先想清楚我需要观察多长时间窗口内的信号再逆推出采样率的上限最后再确认这个采样率下最高可观测频率是否满足需求。2.3 时域图里最容易看走眼的三个地方画时域波形图、并且拿它作为工程判断依据时有几个坑我反复踩过这里集中说一下。第一个坑纵轴量程和偏置没有校准。如果ADC支持放大和偏置调整或者示波器的垂直档位设置不当画出来的波形可能被纵向拉伸或压缩得变形。比如一个正常的2Vpp正弦波如果量程设成10V波形看起来就只有一条细线毛刺细节全部被压扁看不见反过来如果量程设成500mV波形顶端底部都被截断成平线看起来像方波其实是削波失真。每次画图之前先确认纵轴量程覆盖信号的实际幅度范围并预留20%到30%的余量。第二个坑触发点的位置误导波形对齐。用示波器或采集卡观测信号时触发点是波形左端的时间参考原点。如果触发条件设置不当比如触发电平落在噪声带里触发时间点会随机抖动波形在屏幕上看起来就是左右飘的。在把波形转成图像做分析时这种抖动会被当成信号特征记录下来可能导致后续算法误判。建议在采集阶段把触发电平设在信号稳定特征的50%幅值处并把触发释抑时间设成略大于一个信号周期。第三个坑使用线性插值或者样条插值不当。描点连线时如果采样率较高、点数密集线性插值就够了。但如果采样点较稀用线性插值画出来的是折线相邻点之间直线的斜率可能产生高频假象用样条插值看起来平滑但会人为引入振荡。我建议对原始波形一律用细线直接连点不做过多的平滑处理保留原始信息。要看趋势可以另画一条滤波后的曲线叠加在一起。3. 频域图像信号的另一张面孔3.1 傅里叶变换在做什么把信号拆成正弦波组合聊到频域分析核心工具就是傅里叶变换。它的本质逻辑可以一句话解释任何一个周期信号或有限时长信号傅里叶变换的思想任何时域波形都可以分解成若干个不同频率、不同幅度、不同相位的正弦波的叠加。这样分解之后原本在时域里看不出特征的信号在频域里很可能就清楚地呈现出若干条谱线。比如一个20MHz载波被1kHz调制信号调幅时域图上看到的是一团密密麻麻的包络频域图上则清楚看到一条20MHz的载波峰和两条间隔1kHz的旁瓣峰。这种看不到的特征只有转成频域图像才能发现。实际操作中用FFT快速傅里叶变换来算离散信号的频谱。下面对信号做一次FFT得到频域幅度谱N len(sig) f np.fft.rfftfreq(N, 1/fs) # 频率轴 X np.fft.rfft(sig) # 单边FFT mag np.abs(X) / N # 归一化幅度 plt.figure(figsize(12, 4)) plt.plot(f, mag, linewidth0.8) plt.xlabel(Frequency (Hz)) plt.ylabel(Magnitude) plt.xlim(0, fs/2) # 只看有效带宽 plt.grid(True) plt.show()代码里有两个细节值得展开说第一.rfft而不是.fft这是利用实信号频谱对称性的优化只计算正频率部分的变换结果计算量减半。对实数信号来说负频率部分是正频率部分的镜像不包含额外信息所以用小半边就够。第二幅度要除以N做归一化。FFT输出的数值大小和参与变换的点数N成正比如果不除以N那么采集点数越多频谱峰值看起来越高但实际上信号的物理幅度并没有变化。很多人在这一步搞混了导致频谱图纵轴没有物理意义。3.2 频率分辨率、频谱泄露、窗函数选择频域图像最关键的一个参数是频率分辨率也就是频谱中相邻两个频率点之间的间隔。它的计算公式是Δf fs / N其中N是参与FFT的点数。比如采样率1MHzFFT点数4096频率分辨率大约是244Hz。这意味着两个频率若相差不到244Hz在频谱图上会被混成一个峰无法分辨。要提高频率分辨率直觉上两个办法降低采样率或者增加FFT点数。但降低采样率会缩小可分析带宽增加点数意味着需要采集更长时间的数据因为你不能随便在序列末尾补零补零不增加真实信息只是让频谱插值更光滑。所以频率分辨率和时间分辨率之间存在根本的矛盾你要看得更细就得观察更久。频谱泄露是另一个绕不开的话题。实际的FFT处理里我们只能取一段有限长度的信号这就相当于在无限长信号上乘了一个矩形窗把信号截断了。截断会产生两个后果一是原来是很尖锐的谱线变宽了向两侧扩展二是出现了本来不存在的旁瓣形成裙边。如果信号频率恰好不是FFT频率分辨率的整数倍频谱峰值会往下掉泄漏会把相邻几十个频率点都污染掉。应对的办法是加窗函数。加窗的本质是用一个平滑包络替代矩形窗对原始序列加权削弱截断点处的突变从而压低旁瓣。常见的窗函数有汉宁窗、海明窗、布莱克曼窗它们各有侧重窗函数主瓣宽度旁瓣抑制频率分辨精度适合场景矩形窗窄差-13 dB最高瞬态信号、频率间隔大汉宁窗中等较好-31 dB中等通用分析、连续信号海明窗中等较好-43 dB中等语音、窄带噪声布莱克曼窗宽最好-58 dB最低幅值精度优先、旁瓣强干扰加窗之后频谱的旁瓣低了但主瓣变宽了也就是说能量更集中和旁瓣更低两者不可兼得。实际做工程我一般这样选分析连续运行的设备信号比如电源纹波、电机振动默认用汉宁窗如果目标是精确测量某个单频信号的幅值用平顶窗如果是捕捉瞬态冲击用矩形窗保留时间细节。3.3 频谱图怎么看从谱峰到噪声底拿到了频谱图怎么从一堆像素点里读出有效信息我的经验是分四步。先看底噪水平。整个频谱图上的平坦基底就是噪声底noise floor其高低反映了系统引入噪声的大小。噪声底高说明采集系统或环境中的噪声能量比较大。如果噪声底在不同频率上不是平坦的说明噪声源有频率选择性比如电源的开关噪声通常集中在某个频段。再看峰值数量和分布。数量少的尖峰通常说明信号是周期性的、纯净的密密麻麻的峰说明信号成分复杂可能有多路信号混叠或者系统存在非线性产生了谐波。谐波的特点是峰值出现在基波整数倍频率处2f0、3f0、4f0……如果看到这类等间隔尖峰序列基本可以断定存在非线性失真。关注异常突起而非最高峰。最高峰经常就是信号本身它的位置和幅度反而最不稀奇更要关注的是那些不应当存在的异常突起比如适当频率上多出一个峰通常意味着存在干扰信号。最后再看拐角处的频率范围。如果信号是宽带的比如随机振动、数字通信信号频谱图像会是连续的小山包而不是尖峰这时候要关注它的-3dB带宽幅度落到峰值0.7倍处对应的宽度和滚降特性这些参数对滤波器的设计至关重要。有一次我在分析某个射频前端输出的底座噪声时频谱图上除了预期的载波和噪声底还出现了一个不随输入信号变化的固定频率小峰。查了很久才定位到是开发板上某个DC-DC转换器的开关频率大约1.8MHz耦合进了射频通道。因为频谱图处理得当很快就锁定了问题频率进而找到干扰源——这种问题如果只看时域波形几乎无法发现。4. 进阶信号图像星座图、眼图与时频图4.1 通信信号的身份证星座图与EVM时域和频域是信号转图像最基础的两个视角。但在通信领域还有一种非常重要的信号图像化方法星座图。尤其是最近热词里反复出现的8QAM、64QAM这些调制格式它们的质量好坏几乎全靠星座图来判断。星座图怎么画对于I/Q采样信号同相分量I和正交分量Q把每一个符号采样点映射到直角坐标系中横轴是I路幅值纵轴是Q路幅值所有采样点都画在同一张图上就得到星座图。理想QAM信号的星座图是一组整齐排列的网格点实际信号由于噪声、失真、相位噪声的影响这些点会散开成一个个云状簇。从星座图上可以直接看出很多问题点的散布面积越大说明信噪比SNR越低。星座点整体旋转说明存在载波相位偏差。内外圈点交叉混淆说明幅度压缩或非线性失真严重。出现一个个固定的散点团而非连续云说明存在符号间干扰ISI。与星座图配套的量化指标是EVM误差矢量幅度。它计算每个实测符号点与理想点之间的距离归一化后得到一个百分比。比如64QAM信号要求EVM通常不超过8%超过这个值误码率就会急剧恶化。在做通信算法开发时我通常先用频谱图确认信号带内频谱形状是否正常再用星座图判断调制质量两个图像配合几乎能定位所有物理层的问题。4.2 高速数字信号的体检报告眼图对于高速数字信号PCIe、USB、以太网这类接口时域波形画出来看到的是一堆无规则翻转的方波很难直接评估信号质量。这时候需要用到眼图。眼图的画法实时示波器采集很长一段数字波形信号然后以码元周期UI为周期把整个波形切成很多片段全部以触发点对齐后叠加显示在同一张图上。由于叠加的片段数量巨大最终屏幕上会形成一个像眼睛一样的图案。眼睛张得越大说明信号质量越好眼睛闭合得越小说明干扰、抖动、码间干扰越严重。从眼图里能读出非常多的信号质量信息眼睛的高度反映信号的噪声裕量。眼睛高度越小抗噪声能力越差。眼睛的宽度反映信号的定时裕量。眼睛越窄采样的时间余量越小越容易采错码。上升沿/下降沿的交叉点如果厚而模糊说明抖动明显。眼睛的眼皮是否干净如果眼皮上有毛刺说明存在过冲或振铃。看眼图有一个关键点必须设置好示波器的时钟恢复模式让叠加的波形位置对齐。如果恢复设置不对眼图会整体模糊误判为信号质量差但实际上可能是示波器设置问题。这也是信号转换为图像过程中软件设置影响判断的典型例子。4.3 时频分析当时间和频率都要时前文已经提及FFT频谱分析有一个先天弱点它只能告诉你整个样本数据覆盖的时长里有哪些频率成分但不知道这些频率成分发生在哪个时间点。如果你分析的信号是变频的比如chirp雷达波、语音信号、边说边变的音频或者频率成分随环境变化单看频谱图就会漏掉关键信息。这时候需要做时频分析典型的工具是短时傅里叶变换STFT。思路很简单把信号切成一段段很短的窗对每一段分别做FFT然后把每段频谱按时间顺序排在一起就得到一张时间-频率-幅度三维信息压缩成二维的图像通常用颜色表示幅度大小。Python的matplotlib里用specgram或者pcolormesh可以很快画出来plt.specgram(sig, Fsfs, NFFT512, noverlap256, cmapviridis) plt.xlabel(Time (s)) plt.ylabel(Frequency (Hz)) plt.colorbar(labelIntensity (dB)) plt.show()时频图上有两个参数要根据信号特征调NFFT决定每段FFT做多少点对应频谱分辨率noverlap决定窗与窗之间的重叠率提升时间轴平滑度。NFFT越大频率分辨率越高但时间分辨率越低每段时间越长NFFT越小时间精度越高但频率分辨率越低。又是那个老矛盾时间和频率分辨率不可兼得。时频图的典型应用是观察信号频率随时间的变化。电机启动阶段电流频谱从工频逐渐偏移的过程、无线信号跳频的序列、地震波中P波和S波的时间差——这些在时频图里都一目了然。在我做声音振动信号电机数据集相关工作时时频图常被用来作为机器学习模型的输入特征它比原始时域波形和平均频谱包含的信息都要丰富。5. 信号转图像在工程排障中的实战价值5.1 一次画出来就破案的干扰排查过程理论讲了半天用一个实际的排障案例把这些串起来。有一次我负责调试一个采集系统传感器信号经过调理电路后进入ADC采样采样率250kHz。系统运行后数据看起来不太对劲噪声比正常时大了不少但时域波形看不出什么规律。第一步把采集到的数据画成时域图。波形整体幅度正常但上面叠加了一层看起来不规则的抖动频率明显高于信号本身。第二步做FFT画频谱图频谱上除了信号频率50Hz附近有峰之外在大约62kHz处有一个异常的尖峰。这个频率既不是市电频率也不是信号频率的任何整数倍。顺着62kHz这个线索排查我怀疑是开关电源的开关频率耦合进入了信号链。查了一下系统里那个DC-DC模块的规格书纹波频率标称是65kHz上下跟62kHz基本吻合。于是把调理电路的输入短路测试发现频谱尖峰依旧存在证明干扰是从电源或者地耦合进来的。最后在调理电路供电入口加了一级LC低通滤波器频谱上的62kHz尖峰就降到了噪声底以下时域波形也恢复了正常。整个过程里如果没有频谱图靠时域波形去猜干扰源可能要多花好几天时间。频谱图像上的一个尖峰直接指出干扰的特征频率排查路径瞬间清晰起来。这就是我把信号转图像放在工程排障首位的直接原因。5.2 从热词看当前工程中的信号可视化热点从最近这些技术热词来看信号可视化确实在各垂直领域里全面铺开。我简单梳理了一下这些热词里隐含的需求方向你会发现它们大多离不开信号转图像这层技术底座热词/方向信号转图像的应用核心图形8QAM、64QAM信号数字调制质量评估星座图、EVM指标图像超分辨率重建、图像去模糊把信号处理思路用于图像或把图像作为信号来分析滤波、频域增强信号完整性高速数字接口的SI分析眼图、时域反射/串扰波形信号调理电路调理前后的信噪比对比时域波形频谱对比示波器信号观测工程师最主力的信号转图像工具时域波形FFTIEBUS总线波形图解总线协议信号观测与解码总线波形叠加快捷解码ILA抓信号FPGA逻辑分析仪采样信号分析数字波形时序图同步信号搜索无线通信同步与多径识别相关峰波形MIMO信道容量图像信道矩阵特征可视化热力图、奇异值谱从这些热点里能看出两条趋势一是通信和高速数字领域的信号质量分析越来越依赖星座图和眼图这类频域/统计域的图像形式二是AI图像处理方法开始反哺信号处理比如用超分辨率的思想修复低采样率波形图像与信号之间的边界正在变模糊。5.3 工具链推荐用Python把信号转图像的最短路径做信号转图像不一定要买昂贵的软件用Python加开源的库就能够完成大多数日常分析工作。这个工具链我已经稳定用了很多项目分享给各位参考采集与读取pyserialnumpy用于从串口、TCP/IP读回采样数据如果是专业的采集设备通常厂商会提供Python的SDK比如NI的nidaqmx、Keysight的pyVISA。存储与处理numpy、scipy。scipy.signal里有很多现成的滤波器设计、功率谱估计、窗函数省去自己从零搓轮子的麻烦。可视化matplotlib是主力。画时域图用plot画频谱用rfftplot画时频图用specgram如果画三维瀑布图可以用pcolormesh。对于交互式的数据探索我偶尔会用plotly方便缩放大数据量。进阶工具搞深度学习的读者还会用到librosa音频特征提取、scikit-image图像处理这些库把信号转成的图像直接作为模型的输入特征。这里有一个工具选型的经验先用matplotlib快速出图确认信号特征再决定要不要上更复杂的方法。很多人一上来就追求交互式动态绘图、3D绘制、GPU加速渲染实际工程中大多数场景用不到。图是给人看的能看清特征、能导出数据、能自动批量生成就是好图。另外对于硬件工程师来说示波器自带的波形存储和分析功能依然是最快捷的手段。现代示波器普遍支持把波形数据导出成CSV或二进制文件这些文件用Python读进来就能做更多定制化分析。我的工作流通常是示波器上先快速看有问题就导出数据到电脑里用Python深挖——两张图配合可以覆盖绝大部分分析需求。6. 实操中容易踩的坑与我的习惯做法6.1 五个常见错误与对应的解决套路这些年见过不少同行和学生栽在信号转图像的基本功上我把最常见的五个问题整理成了表格每一条都是真实踩过或者见过别人踩的常见错误典型现象解决套路没有换算时间轴横轴显示样本序号而非秒画图前先算 t np.arange(N) / fsFFT忘了归一化谱峰幅度随采集点数变化幅度谱除以N直流分量单独除以N采样率直接取Nyquist下限波形失真、幅值丢失严重采样率取最高信号频率的5-10倍忽略窗函数频谱旁瓣严重泄露小信号被淹没常规用汉宁窗单频测幅用平顶窗拼接数据时出现断层时域图上出现明显突变竖线组帧时检查缓存衔接加帧同步校验这里重点展开讲一下FFT归一化这个问题。很多人从MATLAB切到Python对fft的结果不除以N直接画谱得出的数值就错了整整N倍如果再把两个不同N的频谱放在一起比峰值的相对关系也会错乱。频谱图纵轴的物理意义必须明确对周期信号来说幅度谱除以N之后谱峰的纵坐标值就等于该频率分量正弦波的峰值电压。这个细节一旦弄错后面的EVM计算、信噪比评估全是白算。6.2 我的信号可视化工作流最后把我个人在信号转图像这件事上的完整工作流程分享出来给你做个参考。这套流程我自己用了很多年适用于绝大多数采集、分析、排障场景。第一步确认数据合法性。先检查数据的长度、采样率、字节序、有无饱和削波。这个步骤虽然枯燥但能避免后面所有分析被脏数据带偏。第二步先看时域全貌再看细节。我会先画一张完整数据段的时域总览图确定信号的大致幅度范围、有没有明显的毛刺和突跳。然后用动态缩放matplotlib的ax.set_xlim逐段查看感兴趣的时间窗口。第三步频谱作为探针。对时域总览图判断无异常的样本做一次FFT看频谱结构。我习惯同时画线性坐标和dB坐标两幅频谱图线性坐标看峰值分布dB坐标看底噪和旁瓣压制情况。第四步按需选择进阶图像。如果是通信调制信号加画星座图如果是数字总线信号尝试构建眼图如果是变频信号说明STFT时频图有必要画出来。第五步把所有图像归档并且标注明确。工程项目的复盘阶段图像上的标注信息采样率、FFT点数、窗函数类型、采集时间、设备编号和图像本身同样重要。我通常把关键参数写进图标题或者附带的说明文件里避免几个月后回来看图想起不参数是什么了。这套流程看起来朴素但每一步都有明确的排查价值。我见过有人一上来就上小波、上机器学习最后却被糟糕的原始数据难住绕了一大圈回来发现第一步就出了错。信号转图像本身不是目的把信号的信息有效提取和呈现出来才是目的。扎实的时域和频域基本功比花里胡哨的算法更能在关键时刻救你一把。提示如果你手头正遇到一个感觉信号不对劲的问题不妨先从简单地画一张时域波形图和一张频谱图开始。多数情况下答案已经在图像里了。