功率谱与功率谱密度：信号频域分析的核心概念与Matlab实现

1. 功率谱与功率谱密度基础概念解析

功率谱（Power Spectrum, PS）和功率谱密度（Power Spectral Density, PSD）是信号频域分析的两大核心指标。理解它们的本质区别是正确进行谱分析的前提。

1.1 定义与物理意义

PS描述的是信号在离散频率点上的功率分布，其物理单位直接对应信号的功率单位（如电压信号的V²）。在Matlab中计算PS时，我们得到的是各个DFT频率点上的功率值。例如，对于一个采样频率为1000Hz的1Hz正弦信号，其PS会在1Hz处显示明显的峰值。

PSD则反映信号功率在连续频率范围内的分布密度，单位为功率/频率（如V²/Hz）。这个概念特别适用于分析随机信号或噪声，因为它们的能量往往分布在较宽的频带内。PSD的计算需要考虑频率分辨率的影响，通过将PS值除以频率间隔（采样频率/点数）得到。

关键提示：对于确定性信号（如正弦波），通常使用PS；而对于随机信号（如噪声），PSD更能反映其频域特性。

1.2 数学表达与转换关系

PS的数学定义为：

code复制PS(k) = |X(k)|² / N

其中X(k)是信号的DFT结果，N是信号长度。

PSD则通过频率分辨率Δf=Fs/N进行归一化：

code复制PSD(k) = PS(k) / Δf = N·|X(k)|² / Fs

这种转换关系意味着，当我们需要比较不同参数设置下的频谱结果时，必须明确使用的是PS还是PSD表示形式。

1.3 工程应用场景选择

在机械振动分析中，如果关注特定转速对应的频率成分（如轴承故障特征频率），PS更为直观；而在噪声分析中，PSD能更好地反映噪声能量在不同频段的分布情况。

通信系统中的信号带宽分析通常使用PSD，因为它可以直接与噪声功率谱密度进行比较，计算信噪比（SNR）。例如在5G NR的载波聚合配置中，PSD分析可以帮助工程师优化各载波的功率分配。

2. DFT与Periodogram算法原理实现

2.1 离散傅里叶变换核心原理

DFT实现了信号从时域到频域的离散化转换，其数学定义为：

code复制X(k) = Σ[n=0:N-1] x(n)·e^(-j2πkn/N), k=0,...,N-1

在Matlab中，fft函数的高效实现使得我们可以轻松处理大规模数据。但需要注意，fft输出的频率索引k对应的实际频率为k·Fs/N。

一个典型的DFT计算流程包括：

1. 输入信号预处理（去均值、加窗等）
2. 计算FFT
3. 取模值得到幅度谱
4. 转换为功率单位

2.2 Periodogram算法实现细节

经典Periodogram直接利用DFT结果的模平方作为功率估计：

matlab复制function [ps, f] = periodogram(x, fs)
    N = length(x);
    xdft = fft(x);