解释一：频率分辨率可以理解为在使用DFT时，在频率轴上的所能得到的最小频率间隔f0：

f0=fs/N=1/(N/fs)=1/(N*(1/fs))= 1/（N * Ts）=1/T

1 / fs= Ts

N * Ts=T

其中N为采样点数，fs为采样频率，Ts为采样间隔。所以N * Ts就是采样前模拟信号的时间长度T，所以信号长度越长，频率分辨率越好。是不是采样点数越多，频率分辨力提高了呢？其实不是的，因为一段数据拿来就确定了时间T，注意：f0=1/T，而T=N * Ts，增加N必然减小Ts ，增加N时f0是不变的。只有增加点数的同时导致增加了数据长度T才能使分辨率越好。还有容易搞混的一点，我们在做DFT时，常常在有效数据后面补零达到对频谱做某种改善的目的，我们常常认为这是增加了N，从而使频率分辨率变好了，其实不是这样的，补零并没有增加有效数据的长度，仍然为T。但是补零其实有其他好处：1.使数据N为2的整次幂，便于使用FFT。2.补零后，其实是对DFT结果做了插值，克服“栅栏”效应，使谱外观平滑化；我把“栅栏”效应形象理解为，就像站在栅栏旁边透过栅栏看外面风景，肯定有被栅栏挡住比较多风景，此时就可能漏掉较大频域分量，但是补零以后，相当于你站远了，改变了栅栏密度，风景就看的越来越清楚了。3.由于对时域数据的截短必然造成频谱泄露，因此在频谱中可能出现难以辨认的谱峰，补零在一定程度上能消除这种现象。

那么选择DFT时N参数要注意：1.由采样定理：fs>=2fh，2.频率分辨率：f0=fs/N，所以一般情况给定了fh和f0时也就限制了N范围：N>=fs/f0。

解释二：频率分辨率也可以理解为某一个算法（比如功率谱估计方法）将原信号中的两个靠得很近的谱峰依然能保持分开的能力。这是用来比较和检验不同算法性能好坏的指标。在信号系统中我们知道，宽度为N的矩形脉冲，它的频域图形为sinc函数，两个一阶零点之间的宽度为4π/N。由于时域信号的截短相当于时域信号乘了一个矩形窗函数，那么该信号的频域就等同卷积了一个sinc函数，也就是频域受到sinc函数的调制了，根据卷积的性质，因此两个信号圆周频率之差W0必须大于4π/N。从这里可以知道，如果增加数据点数N，即增加数据长度，也可以使频率分辨率变好，这一点与第一种解释是一样的。同时，考虑到窗函数截短数据的影响存在，当然窗函数的特性也要考虑，在频率做卷积，如果窗函数的频谱是个冲击函数最好了，那不就是相当于没截断吗？可是那不可能的，我们考虑窗函数主要是以下几点：1.主瓣宽度B最小（相当于矩形窗时的4π/N，频域两个过零点间的宽度）。2.最大边瓣峰值A最小（这样旁瓣泄露小，一些高频分量损失少了）。3.边瓣谱峰渐近衰减速度D最大（同样是减少旁瓣泄露）。在此，总结几种很常用的窗函数的优缺点：

矩形窗：B=4π/N  A=-13dB  D=-6dB/oct

三角窗：B=8π/N  A=-27dB   D=-12dB/oct

汉宁窗：B=8π/N  A=-32dB   D=-18dB/oct

海明窗：B=8π/N  A=-43dB   D=-6dB/oct

布莱克曼窗：B=12π/N  A=-58dB  D=-18dB/oct

可以看出，矩形窗有最窄的主瓣，但是旁瓣泄露严重。汉宁窗和海明窗虽主瓣较宽，但是旁瓣泄露少，是常选用的窗函数。

转载请注明：数据分析 » 频率分辨率 时间分辨率 空间分辨率