企业官网建设流程全解析

简介：面向 STM32F1 系列嵌入式开发者，提供一套基于 Cortex-M3 内核的快速傅里叶变换（FFT）实现工程，解决单片机数字信号处理中时域到频域转换、算法落地与工程调试等实际问题。压缩包内共有 225 个文件，约 4.12MB，核心为 56 个 C 语言源文件与 60 个头文件，覆盖 ADC 信号采集、定时器中断、TFTLCD 显示、I2C 与 CAN 通信等常用外设驱动；同时保留 Keil 工程、编译中间文件、烧录文件、链接脚本与批处理工具，目录结构清晰，方便直接打开工程对照学习或进行二次开发。内容包含 FFT 蝶形运算与位反转实现、CMSIS-DSP 库调用、内存布局、中断触发采样、误差分析和性能优化等关键知识点，并配有标准外设库例程，能够让读者在真实硬件上完成信号采样、FFT 计算与频谱显示的完整流程。已有 10147 人浏览学习，适合希望入门数字信号处理或提升嵌入式算法能力的单片机开发者，也可作为课程设计、毕业设计与项目实践的参考资料。 最近带毕设的学弟问我：FFT能不能在单片机上跑？他手里是一块STM32F103，希望采样一段电压信号，不连电脑、不上位机，直接在板子上算出“信号里有哪些频率分量”。我说能，而且核心代码不超过十行——难的不是FFT本身，而是采样怎么采、参数怎么配、结果怎么解释。这也是这篇文章想讲清楚的事：从为什么优先用ARM官方DSP库，到采样率、FFT点数和频率分辨率的配合，再到代码级调用、串口传回PC验证结果，最后聊聊F1/F4不同芯片的实测表现与选型建议。

1. 在STM32上做FFT：先分清三条路线和一个核心约束

1.1 三条路线怎么选

想给STM32加频谱分析能力，无非三条路：

我给学弟的建议很直接：工程上优先用CMSIS-DSP库。这不是说手写FFT没意义——想真正理解“蝶形运算”“旋转因子”“位反转”，自己写一遍是很好的学习路径。但做实际产品时，官方库经过ARM体系结构级别的汇编优化，比编译器自动优化出来的C代码快得多，而且它的API在F1、F4、F7、H7各系列上完全一致。

1.2 核心约束：RAM空间和CPU算力

很多人在电脑上运行FFT毫无压力，一移植到STM32就报内存不足，原因在于FFT的空间复杂度是O(N)不假，但它需要2倍点数的float数组来存放复数数据。

举个例子，1024点FFT的输入缓冲是float32_t fft_input[1024 * 2]，一个float占4字节，光是这个数组就需要：

1024 * 2 * 4 = 8192字节

也就是8KB。做2048点就是16KB，4096点就是32KB。STM32F103C8T6的RAM只有20KB，如果是4096点浮点FFT，光输入缓冲就超了，再加上ADC缓冲、其他全局变量，基本跑不起来。因此选FFT点数之前，先看一眼芯片的RAM容量，这是一个很多新手容易忽略的硬约束。

2. 采样参数怎么定：采样率、点数与频率分辨率的黄金三角

2.1 两条公式决定一切

在单片机上做FFT，最终算出的频谱能“看清”什么，取决于采样率fs和点数N这两个参数，它们直接决定频率分辨率：

频率分辨率 Δf = fs / N

假设你设置采样率fs = 4096Hz，做1024点FFT，那么Δf = 4096 / 1024 = 4Hz。这意味着频谱上相邻两根谱线之间的频率间隔是4Hz，两个频率相差不到4Hz的信号，在频谱上会混成一个峰，分不开。如果你的信号是100Hz和103Hz两个正弦波叠加，用这个配置测出来就是“一个很宽的峰”，而不是两个清晰尖峰。

另一个铁律是采样定理：采样率必须大于信号最高频率的2倍，否则会发生频谱混叠。这里要特别强调“大于”而不是“等于”，工程上一般取信号最高频率的5到10倍。比如信号最高频率1kHz，采样率选5kHz到10kHz比较稳妥。

2.2 为什么必须做“等间隔采样”

FFT算法的前提是采样点之间的时间间隔完全一致。如果主循环里用软件延时去采ADC，中断一多、任务一乱，时间间隔就会抖动，频谱上会出现很多“莫名其妙的毛刺”。

正确的做法是定时器触发ADC + DMA搬运：

1. 定时器产生固定频率的触发事件，送给ADC的触发输入。
2. ADC每次触发完成一次转换，结果通过DMA自动搬运到内存。
3. DMA搬运满N个点后触发中断，在中断里置一个标志，主循环检测到标志后开始做FFT。

CubeMX里的配置要点是：ADC的触发源选择定时器TRGO，而不是软件触发；DMA模式选正常模式（非循环），传输长度设为N，这样采完一轮后DMA会停止，避免主循环还在算FFT，DMA又把新数据写进来，把缓冲覆盖掉。

定时器的分频系数和自动重载值按目标采样率反推即可。假设定时器输入时钟是84MHz（F4的APB1定时器时钟），想得到比较接近4096Hz的触发频率，可以这样配：分频PSC = 83，计数频率 = 84MHz / 84 = 1MHz，自动重载ARR = 243，则触发频率 = 1MHz / 244 ≈ 4098Hz，和4096Hz差了不到0.05%，对频谱分析影响可以忽略。

2.3 别忘了ADC量程问题

STM32的ADC输入范围是0到VREF（通常3.3V）。如果你的被测信号是双极性的，比如-1.5V到+1.5V的正弦波，直接接进ADC引脚会把负半周削掉，频谱里会出现很多高次谐波。此时需要加一级偏置电路，把信号抬到0到3.3V范围内，同时保证幅度不超过ADC量程。这个环节在硬件调试时特别容易踩，我曾见过有人调了半天频谱不对，最后发现是运放供电电压不对导致偏置点漂移，信号削波了。

3. 用ARM DSP库跑通第一个FFT：代码级拆解

3.1 环境准备：CubeMX和Keil的配置

CMSIS-DSP库的使用方式有两种：

• 方式一：在STM32CubeMX的Software Packs列表中勾选ARM CMSIS-DSP，生成工程时会自动加入源码路径和宏定义。
• 方式二：手动在Keil工程里添加库文件。

方式二的手动配置需要三步：

1. 在C/C++编译选项的Define里加宏定义。F1系列加ARM_MATH_CM3，F4系列加ARM_MATH_CM4，如果芯片带FPU还要加ARM_MATH_MATRIX_CHECK可选的这类检查和__FPU_PRESENT=1。
2. 把CMSIS-DSP的Include头文件路径添加到工程。
3. 在工程中加库文件。F1用libarm_cortexM3l_math.lib，F4带FPU用libarm_cortexM4lf_math.lib（末尾的f代表float单精度浮点）。

3.2 核心调用：arm_cfft_f32和arm_cmplx_mag_f32

DSP库做FFT的核心调用只有两个函数。下面以1024点为例给出完整逻辑：

#include "arm_math.h" #define FFT_SIZE 1024 #define PI 3.14159265358979f float32_t fft_input[FFT_SIZE * 2]; // 复数缓冲，偶数下标存实部，奇数下标存虚部 float32_t fft_mag[FFT_SIZE]; // 幅值谱 extern volatile uint16_t adc_buffer[FFT_SIZE]; extern volatile uint8_t adc_done_flag; void process_fft(void) { if (!adc_done_flag) { return; } adc_done_flag = 0; // 1. 把ADC采样值构造成DSP库要求的复数格式 for (int i = 0; i < FFT_SIZE; i++) { // 假设ADC为12位，0~4095对应0~3.3V，转成以1.65V为中心的双极性波形 float voltage = (float)adc_buffer[i] * 3.3f / 4095.0f - 1.65f; fft_input[2 * i] = voltage; fft_input[2 * i + 1] = 0.0f; } // 2. 执行FFT，第4个参数bitReverseFlag传1，库内部处理位反转 arm_cfft_f32(&arm_cfft_sR_f32_len1024, fft_input, 0, 1); // 3. 计算幅值谱 arm_cmplx_mag_f32(fft_input, fft_mag, FFT_SIZE); // 4. 找峰值对应的频率 uint32_t max_index = 0; float max_val = 0.0f; arm_max_f32(fft_mag, FFT_SIZE, &max_val, &max_index); float sample_rate = 4098.0f; // 由定时器配置决定 float peak_freq = (float)max_index * sample_rate / FFT_SIZE; // 这里可以用串口把peak_freq和谱线发送出去 }

这段代码有几个关键点值得说明：

• arm_cfft_f32的第3个参数是方向：0表示正变换（时域到频域），1表示反变换（频域到时域）。一般我们只用正变换。
• 第4个参数bitReverseFlag传1，意思是由库函数帮你做位反转。如果传0，输出顺序是错乱的，需要自己再处理。
• arm_cmplx_mag_f32计算的是复数模值，也就是sqrt(实部^2 + 虚部^2)，这是窄带信号的幅值谱。

3.3 从频域数据到“看得懂”的频率和幅值

FFT做完后，输出数组的第k个元素对应频率：

freq(k) = k * fs / N

比如前面例子中fs = 4098Hz、N = 1024，那么第25根谱线对应频率25 * 4098 / 1024 ≈ 100.05Hz。这是解释频谱最基本的换算关系。

幅值的校正要看k取值：

• 第0根谱线是直流分量，它的真实幅值 = fft_mag[0] / N。
• 第1到第N/2 - 1根谱线是正频率部分，真实幅值 = fft_mag[k] / (N/2)。
• 第N/2到第N-1根谱线是负频率镜像，工程上一般不看。

如果你对加窗有要求，比如测量真实信号时加了汉宁窗，交流分量的幅值还需要乘一个恢复系数，汉宁窗大约是2倍。这个细节直接关系到你测到的幅度准不准，但很多人只关注峰值位置对不对，忽略了幅值标定。

4. 频谱到手之后：怎么验证你的FFT结果是正确的

4.1 先用“干净的合成信号”验证算法本身

我调试FFT有个习惯：先不用真实ADC数据，只在代码里构造一个已知的测试信号，验证算法链路是否正常。

方法很简单，在fft_input里填充两个正弦波叠加，例如：

for (int i = 0; i < FFT_SIZE; i++) { float t = (float)i / 4098.0f; float sig = 1.0f * arm_sin_f32(2.0f * PI * 100.0f * t) + 0.5f * arm_sin_f32(2.0f * PI * 300.0f * t); fft_input[2 * i] = sig; fft_input[2 * i + 1] = 0.0f; }

这里用了100Hz、1V幅值的正弦波叠加300Hz、0.5V幅值的正弦波。如果FFT正常，频谱上应该在100Hz处出现一个幅值约为1.0的峰，在300Hz处出现一个幅值约为0.5的峰。

为什么这步很有价值？因为如果算法代码有bug，合成信号就能直接暴露问题，而不需要去怀疑外围电路。我自己遇到过两种典型情况：一是第0根谱线直流分量特别大，其他峰都很矮，后来发现是忘了减均值；二是峰的位置偏了一两根谱线，检查后确认是采样率参数写错。用合成信号快速定位，能节省大量时间。

4.2 再走实际链路：用DAC生成信号，ADC采集后做FFT

如果条件允许，我推荐做一个“板级自测”方案：用STM32的DAC输出一个指定频率的正弦波，同时用ADC采回来做FFT。

这个方法需要芯片带DAC外设，比如STM32F103RET6、F401、F407等都有，但注意F103C8T6没有DAC。具体做法是用一个正弦查找表，通过DMA定时触发DAC输出，让它产生一个1kHz的正弦波。DAC输出接到ADC输入引脚，ADC按照前面说的定时器触发方式采样，再做FFT，理想情况下频谱主峰应该在1kHz附近。

这样做最大的好处是不依赖外部信号发生器，整条链路都是板级验证。如果DAC生成的幅值和FFT测出的幅值对不上，经验上先检查DAC的参考电压和ADC的参考电压是否一致，再检查是否有偏置误差导致小信号被量化噪声淹没。

4.3 串口输出频谱，到PC端画图核对

单片机上的串口调试信息输出也很重要。我一般会让STM32把谱线以文本形式打出来，格式简单即可：

printf("%d %.2f %.2f\r\n", (int)k, freq, fft_mag[k]);

串口助手把这些数据保存成txt文件，再用Python或者MATLAB读进来画图，就能快速核对频谱形状。

需要注意：printf的浮点输出在无FPU的F103上比较慢，会占用不少CPU时间。如果FFT处理周期要求高，建议用microlib或者自己实现一个简单的浮点转字符串函数，或者直接只输出整数部分的幅值，减少格式化耗时。

5. 实测耗时、常见坑与工程选型建议

5.1 不同芯片和点数的耗时量级

很多读者最关心的问题：FFT在单片机上跑一次到底要多久？这个问题和主频、Flash等待周期、编译器优化等级、库版本都有关系。以下是我项目实测的经验量级，供参考：

如果你用的是F103且对实时性要求比较高，可以考虑改用定点FFT，也就是arm_cfft_q15函数。Q15格式是把数据限制在-1到0.9999之间的定点数，计算速度比浮点快很多，在F103上1024点Q15定点FFT通常能压到0.5ms以内。代价是幅值处理逻辑要绕一点，因为Q15的定标关系需要额外换算。我的建议是：如果只是做一个低频信号的频谱分析，比如电力信号50Hz、振动信号几百Hz，浮点版完全够用；如果是音频或者需要跑到几kHz甚至几十kHz的信号，再考虑定点版。

5.2 新手最容易踩的五个坑

1. 数组长度搞错。1024点FFT的输入数组长度必须是2048，很多人在代码里定义了float fft_input[1024]，结果越界写坏其他变量，程序跑飞。记住是2N不是N。

2. 忘了加DSP库的宏定义。Keil里如果没加ARM_MATH_CM4这类宏，编译时会出现大量未定义标识符的报错，或者能编译过但链接时找不到库函数。

3. ADC输入负压削波。前面提到过，双极性信号直接进ADC会削掉负半周，频谱里出现大量谐波，第一反应不一定能想到是电路问题。

4. 采样间隔不均匀。用了软件延时循环采ADC，或者DMA缓冲和FFT缓冲共用导致数据被覆盖，结果就是频谱底部抬高，出现连续噪声地板。

5. 只看峰值不看频率坐标换算。有时调试时看到频谱峰位置对，但始终差一点，多半是把fs和N的对应关系算错了。检查一下freq = k * fs / N这条公式是不是用了正确的fs。

5.3 给工程选型的建议

做完这个项目后，我个人的体会是：STM32做FFT，难在“怎么把系统搭对”，而不是“怎么把FFT算出来”。先画一张参数关系表，明确你的信号最高频率、需要的频率分辨率，反推出采样率和点数，再回过来看芯片RAM能不能承受。算法验证阶段先用合成信号跑通FFT，再接真实ADC链路，最后再考虑优化实时性问题，这个顺序最省事。

如果你的项目需要的是功率谱密度而不是幅值谱，可以分两步走：STM32只管算出幅值谱，功率谱密度到PC端再用Python的scipy.signal.welch这类工具继续处理，没必要把复杂统计计算全部堆到单片机上。MCU的定位应该是可靠的数据采集和初步频谱计算，真正复杂的分析交给上位机，这个分工在实际工程里最顺手。

本文还有配套的精品资源，点击获取