系统输出功率谱密度解析：维纳-辛钦定理到Python验证

1. 这节到底在讲什么：功率谱密度的工程意义

干信号处理这行的，几乎天天跟功率谱密度（PSD，Power Spectral Density）打交道。我最早接触这个概念是在做振动噪声测试时，传感器采回来一堆乱七八糟的时域波形，光看波形根本看不出门道，但一换成功率谱密度曲线，设备在哪几个频率点上有共振、噪声底抬高了多少，一目了然。后来做通信基带算法、做电源完整性测量，发现这套分析工具处处都在用。可以说，功率谱密度是把“看不出规律的时域信号”翻译成“能直接指导决策的频域信息”的那本字典。

“系统输出的功率谱密度”这句话看起来像教科书里的一小节标题，但它背后藏着一个非常实际的问题：我们设计了一个系统，输入信号进去之后，输出端到底变成了什么样？系统的滤波作用是把噪声压下去了还是放大了？输出信号里哪些频段的能量占主导？这些问题在时域里很难直接回答，但在频域里有一套非常成熟的数学工具——输入信号的功率谱密度乘以系统传递函数模的平方，就能得到输出信号的功率谱密度。就是这么简单的一个关系式，撑起了滤波器设计、噪声分析、通信链路预算、控制系统稳定性评估等一大片工程领域。

这篇文章我想从一个多年跟频谱、滤波器、噪声打交道的人的角度，把“系统输出的功率谱密度”这条线完整地捋一遍。从最基础的数学定义出发，到实际工程中怎么算、怎么测、怎么避坑，最后附上可以直接拿来用的Python代码和问题排查清单。适合正在做信号处理、通信系统设计、嵌入式数据采集的工程师，也适合刚接触频谱分析、被各种定义绕晕的学生朋友。我会尽量少用教科书式的推导腔调，多讲“当时我是怎么理解这个东西的”以及“实际测试中哪些地方最容易翻车”。

2. 基础框架：输入、系统、输出三者的频域关系

2.1 从时域卷积到频域相乘的那一步

先搭一个最朴素的框架。一个线性时不变系统，输入为x(t)，系统的单位冲激响应为h(t)，输出为y(t)，时域里三者之间的关系就是卷积：

y(t) = x(t) * h(t)

这个大家都熟。卷积在时域里算起来麻烦，但傅里叶变换有个核心性质：时域卷积对应频域相乘。也就是说，把这三者都变到频域之后，关系式变成了：

Y(f) = H(f) · X(f)

这里Y(f)、H(f)、X(f)分别是输出、系统频率响应、输入的傅里叶变换。这是整篇文章的基石。我当年第一次理解到这里时，觉得频域分析之所以好用，核心就在于它把“卷积”这种全局性的积分运算，简化成了一次复数的乘法。

但要注意，X(f)是傅里叶变换，要求信号能量有限或者说绝对可积，这在面对噪声、随机信号这类“永远不收敛”的信号时，数学上就不成立了。随机信号的样本函数通常不满足傅里叶变换的存在条件，因为它的能量是无限的、功率才是有限的。所以我们需要另一套工具来描述随机信号的频域特征，这就是功率谱密度的由来。

2.2 为什么用功率谱密度而不是直接用傅里叶变换

随机信号不能用传统的傅里叶变换直接分析，但它的统计特性是稳定的。于是我们用自相关函数来描述信号的内部关联，再对自相关函数做傅里叶变换，就得到了功率谱密度。这就是维纳-辛钦定理（Wiener-Khinchin theorem），也是功率谱密度最严谨的数学定义：

S_x(f) = ∫ R_x(τ) e^{-j2πfτ} dτ

其中R_x(τ)是信号x(t)的自相关函数。换句话说，功率谱密度描述的是信号功率在频率轴上的分布密度，单位通常是V²/Hz（如果信号是电压），它的物理含义是：在频率f附近单位频带内携带了多少平均功率。

这里我多说一句，当初我学的时候把功率谱密度和频谱图混为一谈，后来才慢慢分清：频谱图显示的是各个频率分量的幅度，而功率谱密度显示的是功率在频率轴上的密度。对于周期信号，频谱是离散的谱线；对于随机信号或噪声，功率谱密度通常是连续的曲线。工程里做噪声分析时，连续谱才是主角。

如果输入是一个功率谱密度为S_x(f)的随机信号，经过频率响应为H(f)的线性系统，输出功率谱密度就是：

S_y(f) = |H(f)|² · S_x(f)

这个公式是我个人认为信号处理里“投入产出比”最高的公式之一。它的推导在多数教材里都给了，核心就是从自相关函数的定义出发，结合卷积关系，最后利用维纳-辛钦定理得到。工程中我们不需要每次推导，但必须记住它的适用条件——系统是线性时不变的，且输入是平稳随机过程。

3. 系统输出功率谱密度的核心细节与工程考量

3.1 系统传递函数怎么拿：理论计算 vs 实测拟合

要用S_y(f) = |H(f)|²·S_x(f)这个公式，第一步得先知道系统的传递函数H(f)。在实际工程项目里，H(f)的来源通常有两种：

第一种是理论计算。对于电路系统，我们可以根据原理图写出传递函数。比如一个RC低通滤波器，H(f) = 1/(1+j2πfRC)，模的平方是|H(f)|² = 1/(1+(2πfRC)²)。把这个代入公式，如果输入是白噪声（功率谱密度为常数），输出功率谱密度就是一条随着频率升高而下降的曲线，下降速率是每十倍频程20dB，也就是一阶滚降。这种“解析解”在系统设计阶段特别有用，可以快速评估滤波器的噪声抑制效果。

第二种是实测拟合。系统可能很复杂，没有现成的解析表达式，或者因为寄生参数导致理论值偏离实际。这种情况下我们通常用网络分析仪测S参数，或者用扫频信号源加功率计测幅频响应。实测得到的H(f)是一组离散的频点数据，可以直接插值后参与计算。我在做电源滤波器设计时，经常遇到理论模型跟实测差了3dB以上的情况，原因往往是电容的ESR、电感的分布电容在作怪，这时候以实测数据为准是唯一靠谱的选择。

3.2 白噪声激励下的输出谱：从公式到直觉

假设输入是理想白噪声，即S_x(f) = N₀/2（双边谱），N₀是常数。那么输出功率谱密度就变成：

S_y(f) = (N₀/2) · |H(f)|²

也就是说，输出功率谱密度的形状完全由系统幅频响应的平方决定。这个结论很直观：系统就像一把“滤波器”，把输入噪声里特定频段的成分放行或者拦下，形状就刻在了输出谱上。

举个例子。一个中心频率为10kHz、品质因数Q=10的带通滤波器，如果输入端接一个白噪声源，输出端的功率谱密度就会在10kHz附近形成一个尖锐的峰值，而远离中心频率的噪声被大幅度衰减。这个特性在接收机设计中非常关键——我们通常用“噪声带宽”来衡量一个滤波器对白噪声的通过能力，噪声带宽不等于3dB带宽，而是把|H(f)|²曲线等效成一个矩形的宽度，这个矩形的面积和原曲线面积相等，高度等于中心频率处的最大功率增益。一个Q=10的带通滤波器，如果3dB带宽是1kHz，噪声带宽一般在π/(2Q)倍的中心频率附近，具体数值跟滤波器阶数和类型有关。

工程上还有一个常用的“等效噪声带宽”（ENBW）概念，在频谱分析仪的窗函数选择里经常出现。比如对采样信号加汉宁窗后做FFT，虽然主瓣宽度变宽了，但等效噪声带宽也会从1（矩形窗）变成1.5左右，这意味着噪声功率的统计结果要修正约1.76dB。这些细节在后面的实操部分会再展开。

3.3 离散系统里容易踩的坑：数字频率与模拟频率的换算

现代信号处理大多在数字域完成，系统是离散的，这时候H(f)里的f变成数字角频率ω，范围是[0, 2π)，对应模拟频率从0到采样率f_s。离散系统的频率响应H(e^{jω})是周期性的，这一点和模拟系统有本质区别。

我在刚用MATLAB写滤波器分析脚本时，犯过一个典型的错误：直接用freqz函数画出来的频率轴当成模拟频率，结果横坐标是归一化频率，不是Hz。后来才形成习惯——先把目标模拟频率f换算成归一化频率：ω = 2πf/f_s，然后再做分析，或者直接指定freqz的第二个参数为采样率。类似的陷阱在做功率谱密度估计时也存在，比如PSD的横坐标最高只能到f_s/2（实信号情况下），如果把这个上限搞错，整个分析就全偏了。

另外还有一个细节，数字滤波器系数的量化误差会影响实际传递函数。比如在定点DSP上实现一个IIR滤波器，系数舍入后极点的位置可能偏移，导致频响和设计值有偏差，反映到输出功率谱密度上就是某些频点的增益异常。这种情况下，光看理论S_y(f)是不够的，最好用实际的滤波器系数重新计算频响再算输出谱。

4. 实操过程：用Python计算和验证系统输出功率谱密度

4.1 工具选型与准备

做这类分析，我用得最多的是Python的科学计算栈：NumPy做数组运算，SciPy里的signal模块负责滤波器和傅里叶变换，Matplotlib做可视化。这套组合免费、跨平台、社区资料多，比起商业软件最大的优势是脚本可以完全复现，改参数重新跑一遍很方便。

如果你用的是MATLAB，思路完全一致，只是函数名不太一样：filter、fft、pwelch对应着Python里的lfilter、fft、scipy.signal.welch。

以下代码我以Python为例，完整地跑通一遍“白噪声通过低通滤波器后输出PSD”的计算流程。

4.2 完整代码示例：白噪声通过低通滤波器

先看一个最简单的场景：生成一段白噪声序列，通过一个二阶巴特沃斯低通滤波器，分别用理论公式和数值Welch方法计算输出功率谱密度，然后对比结果。

python复制import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# 基本参数
fs = 10000          # 采样率 10kHz
duration = 10.0     # 信号时长 10秒
n_samples = int(fs * duration)
t = np.arange(n_samples) / fs

# 生成白噪声（输出单位方差噪声）
np.random.seed(42)
white_noise = np.random.randn(n_samples)

# 设计一个二阶巴特沃斯低通滤波器，截止频率 500Hz
b, a = signal.butter(2, 500, btype='low', fs=fs)

# 用滤波器处理白噪声，得到输出信号
output_signal = signal.lfilter(b, a, white_noise)

# 理论计算输出的功率谱密度
# 白噪声方差为1，采样率为fs时，单边功率谱密度约等于 2/fs
# 这里我们用归一化：输入噪声时域方差1，对应双边PSD = 1/fs
f_theory = np.linspace(0, fs/2, 2000)
w = 2 * np.pi * f_theory / fs
# 数字滤波器的频率响应
_, h_theory = signal.freqz(b, a, worN=2000, fs=fs)
psd_theory = (1/fs) * np.abs(h_theory)**2   # 单边谱，只到fs/2

# 用Welch方法估计输出信号PSD
f_welch, psd_welch = signal.welch(output_signal, fs=fs, nperseg=2048, noverlap=1024, window='hann', scaling='density')

# 绘图对比
plt.figure(figsize=(10, 6))
plt.semilogy(f_theory, psd_theory, label='Theory: (1/fs)*|H(f)|^2')
plt.semilogy(f_welch, psd_welch, label='Welch estimate from output signal')
plt.xlabel('Frequency (Hz)')
plt.ylabel('PSD (V^2/Hz)')
plt.ylim([1e-8, 1e-3])
plt.legend()
plt.grid(True, which='both', linestyle='--', alpha=0.7)
plt.show()

这段代码里有两个关键点值得展开说一下。

第一，white_noise的方差是1，对应的功率谱密度是多少？在采样系统里，一个时域方差为σ²的实数随机序列，其单边功率谱密度约为σ²·2/fs（严格来说是在频率范围[0, fs/2]内）。所以我在代码里写的是1/fs而不是2/fs，因为scipy.signal.welch的scaling='density'模式返回的就是单边谱，但它在计算时把双边谱在[0, fs/2]内做了合并，因此对于实数信号，单边PSD在正频段的值是双边谱的两倍。这里细节非常容易搞混，我的建议是：不要在脑子里绕，直接用小信号验证，比如用方差为1的白噪声，算出来的PSD积分后应该等于信号的方差。

第二，滤波器的频率响应计算用的是signal.freqz(b, a, worN=2000, fs=fs)，这样可以直接返回以Hz为单位的频率轴，省去了手动换算的麻烦。SciPy较新的版本（1.2.0之后）支持fs参数，如果你用的版本比较旧，可能没有这个参数，那就需要自己把归一化频率乘上fs/（2π）换算。

4.3 参数该怎么选：采样率、FFT点数、窗函数与重叠率

用Welch方法估计功率谱密度时，有几个参数直接影响结果的准确性和可读性，我逐个说一下我的经验值。

采样率fs决定了可分析的频率范围。实信号能分析的频率上限是fs/2，也就是奈奎斯特频率。在采集数据之前就要想清楚关心的频段，否则如果目标信号频率超过了fs/2，就会出现混叠，功率谱密度会在错误的频率位置出现假峰。我见过不止一次，有人拿10kHz采样率去测一个中心频率8kHz的窄带信号，结果频谱上出现的峰值位置完全不对，就是因为混叠。

FFT点数（nperseg）决定了频率分辨率。频率分辨率Δf = fs / nperseg。比如fs=10kHz，nperseg=2048，那么Δf约为4.88Hz。如果两条相邻的频谱分量间隔小于这个值，它们就会在频谱上混在一起，无法分辨。反过来，nperseg取得太大，时域上的平均次数就会减少，估计的方差变大，曲线会比较毛糙。这里存在一个基本的折中：频域分辨率高，则时域平均的段数少；时域平均充分，则频域分辨率下降。工程上常用的经验是nperseg取1024到8192之间，视信号的平稳性和需要的分辨率而定。

窗函数的选择影响频谱泄漏和幅度精度。我在做窄带信号分析时常用汉宁窗（Hann），它在主瓣宽度和旁瓣抑制之间取得了不错的平衡。如果你的信号包含两个幅度相差很大的频率分量，可以考虑用布莱克曼窗（Blackman），旁瓣衰减更大，但主瓣也相应变宽。矩形窗（boxcar）频域分辨率最高，但旁瓣泄漏严重，除非你明确知道自己要做什么，一般不建议直接用。

重叠率（noverlap）的作用是让相邻的FFT段之间有重叠，从而提高平均次数，降低估计方差。Welch方法本身的初衷就是用多段平均来平滑频谱估计，通常重叠率取50%到75%是比较常见的做法。代码里noverlap=1024对应50%重叠，如果取noverlap=1536就是75%重叠。实际测试中，75%重叠相比50%能让曲线更平滑，但计算量也相应增加。

4.4 从输出信号反推系统特性：一种实用的验证手段

刚才的例子是从已知的输入和系统去算输出PSD，这是前向分析。实际工作中还有一种非常常见的反向场景：我们手里只有一个系统的输入输出信号，想通过PSD比值来估计系统的幅频响应。这个在系统辨识、故障诊断里用得多。

做法其实很直接：分别对输入和输出信号做PSD估计，然后逐频率点相除，再开方得到幅频响应：

|H(f)| ≈ sqrt( S_y(f) / S_x(f) )

前提是输入信号在各频段都要有足够的能量，也就是说输入信号的PSD不能在某些频点接近零，否则除法会放大噪声，结果毫无意义。实际工程里经常用扫频信号或者白噪声作为激励，就是为了保证这一点。

这个办法我在做扬声器频响测量时用过，效果还不错。当时条件简陋，没有消声室，也没有专门的测试麦克风，就用信号发生器输出白噪声，手机麦克风采集扬声器输出，用Python做了这么一次PSD比值分析，低频段的结果居然和官方标称的频响曲线大体吻合。当然精度没法跟专业声学设备比，但作为快速验证手段足够了。

5. 常见问题与排查技巧实录

5.1 频域峰值的幅度为什么总感觉偏小

很多朋友第一次用Welch方法算PSD，会疑惑为什么谱峰的高度比预期小。这里常见的原因有两个。

第一个原因是窗函数的影响。加窗之后，信号的功率有一部分被窗函数的旁瓣“漏”掉了，主瓣的峰值会比不加窗时低。汉宁窗在幅度上大概会损失1.76dB，这不是测量错误，而是加窗必然带来的结果。如果要恢复信号的幅度信息，需要用幅值修正因子（coherent gain）对频谱做补偿，但做PSD分析时一般不做修正，因为PSD描述的是密度，不是幅度，密度本来就包含了等效噪声带宽的修正。

第二个原因是频率分辨率不够。如果信号的某个窄带分量落在两个频率采样点之间，能量会分散到附近多个频点上，峰值自然被“削平”。这种情况可以通过加长FFT点数来改善，但代价是方差变大。我在处理高Q谐振峰时通常会先用粗分辨率扫一遍，找到峰值大致频段，再提高分辨率局部细化。

5.2 输出PSD曲线在高频段严重毛糙

如果你的输出PSD曲线在高频段像一把毛刷，噪声严重、根本无法辨认趋势，最可能的原因是高频段信号能量太低，已经接近了数值计算的数值精度下限，或者接近了测量系统的本底噪声。

在仿真层面，这通常意味着白色噪声经过低通系统后，高频端被衰减得非常多，动态范围超过了浮点数的有效位数，算出来的PSD在高频段就是一堆数字噪声。解决办法是适当提高输入信号的幅度，或者直接计算理论PSD而不是用蒙特卡洛仿真。

在实测层面，高频段毛糙往往说明你的采集系统本底噪声太高，或者量化噪声太大。这时候需要检查是否开了足够的采样位数、前端的抗混叠滤波器是否工作正常、地线是否处理好。我记得有一次测一个微弱信号放大器的输出噪声，发现4kHz以上的PSD曲线异常上翘，排查了半天，最后发现是开关电源的噪声通过地线耦合进了测量系统，把地线重新整理后曲线立刻干净了。

5.3 理论PSD和实测PSD差了一个常数倍

这个问题几乎每个做过PSD验证的人都会遇到，原因大概率出在单边谱和双边谱的换算上。

现在常见的信号处理库（比如scipy.signal.welch）默认处理的是实信号，返回的是单边谱，它在计算时把负频率的能量折到了正频率段，因此整体功率被乘以2。如果你在理论推导时习惯了双边谱（负频率也有值），就会发现自己用S_y(f) = |H(f)|²·S_x(f)算出来的结果比实测少了一半或者多了一倍。

我的建议非常朴素：先把理论PSD在整个频域上积分，看功率是否等于信号时域方差；再把实测PSD在[0, fs/2]内积分，也看功率是否等于时域方差。两边如果都满足，那个常数倍差异就一定是单双边换算的问题。如果两边都不满足，那就要检查窗函数的影响和信号是否平稳。

再补充一个单位的问题。PSD的单位可以是V²/Hz，如果信号是电压；也可以是dBm/Hz，如果涉及射频功率。工程报告里经常看到dBm/Hz的单位，换算关系是dBm/Hz = 10·log10(PSD_V²/Hz / R / 1mW)，R是系统阻抗，通常是50Ω。这个换算在射频和通信领域特别常见，一不留神就会差出30dB。

5.4 系统是时变的怎么办

最后聊一个比较棘手的情况。S_y(f) = |H(f)|²·S_x(f)成立的前提是系统线性时不变。现实中很多系统并不是理想的时不变系统。比如无线信道，多径效应和移动带来的多普勒频移，让信道特性在时间上不断变化，这时瞬时输出PSD也是随时间变化的。

遇到这种情况，工程上有两个思路。一是做短时傅里叶变换（STFT）或谱图，在时频平面上观察输出信号能量的变化。二是用平稳假设，把数据切短，分段估计并看各段的PSD是不是统计一致。方法上没有绝对的对错，关键是要知道自己面对的系统有多“非平稳”。我在做电机振动分析时遇到过类似问题，电机转速变化会让固有频率对应的峰值在频率轴上飘移，如果直接对整段数据做PSD，谱峰会被抹得很宽、幅度很低。后来改用转速跟踪阶比分析，才把问题解决。这时候原始公式仍然有用，但是要意识到，H(f)本身也在随着时间缓慢变化。

6. 关于这套分析方法的几点体会

做了这些年信号处理和系统分析，我越来越觉得“输出功率谱密度”不只是一个公式，更是一种思维方式的训练。它逼着你去想清楚系统到底对输入信号做了什么：衰减了哪些频率、放大了哪些频率、整形到什么程度。这种“频域思维”建立起来之后，很多问题会自动变得清晰。

如果你现在正卡在某个系统的噪声分析上，我的建议是先不要急着调参数、改滤波器，先把输入PSD和系统H(f)画出来，看一眼两者在频域重叠的位置，输出PSD的大致形状基本上心里就有数了。公式本身很简单，真正有价值的是对频率轴的感知——哪个频段有什么、能量从哪里来、到哪里去。

这段内容我本来还想展开写一写实际项目里的一个例子，但想了想，核心的操作方法和排查思路上面已经讲得比较细了，作为一篇分享性质的文章，在这里直接收住反而更干净。希望这些经验能帮你在做功率谱密度分析时少走几步弯路。如果后面有机会，我再单独聊聊谱估计的窗函数选择专题，那块内容也足够单独写一篇了。