企业官网建设流程全解析

很多做信号处理的人应该都有过这种经历：手里有一段实测数据，频谱图上看得到几个明显的峰值，但就是想不出来怎么把对应的分量干脆利落地拆出来。用固定带通滤波吧，你得先知道频率在哪；用EMD吧，模态混叠能让你调一整天；用VMD吧，又在纠结模态数K到底设几。我之前分析一段振动信号时就卡在这个问题上，后来折腾出一套基于傅里叶分析的3级自适应信号分解方法：先通过FFT谱峰定位自动找出当前最强分量，用频域掩码把它剥出去，剩下的残差继续做同样的事，最多迭代三级，弱分量也能稳定分离。整个过程在MATLAB里实现起来并不复杂，但参数细节和边界条件相当多。这个思路很适合处理"少数窄带分量叠加背景噪声"的信号，比如轴承故障诊断、电力谐波分析、生物电信号分离。下面把我的实现过程和踩坑经验完整写出来，供做信号分析、状态监测和MATLAB编程的同学参考。

1. 为什么用"剥洋葱"思路：傅里叶谱定位+逐级剥离的优势

1.1 传统傅里叶分析的局限

傅里叶变换的最大价值是能直观告诉我们信号里有哪些频率成分，但它的输出是一个全局平均结果。举个例子，你用FFT看到频谱图上在3Hz、27Hz、83Hz三个位置有尖峰，这只能说明信号里存在这几个周期性分量，却拿不出每个分量在时域里长什么样、幅值怎么变化、包络有没有调制。很多后续分析工作恰恰需要时域波形，比如计算瞬时相位、做包络解调、提取故障特征频率，这时候傅里叶变换就帮不上忙了。

另一个麻烦是傅里叶分析用固定基函数拟合信号，分辨率受到数据长度的限制。频率间隔小于fs/N的两个分量在频谱上会混成一个大鼓包，你既分不清有几个峰，也没法准确定位峰的位置。这也是后面第4章要聊的栅栏效应问题的根源。

1.2 EMD/VMD等自适应分解的痛点

既然固定基不行，大家自然想到自适应分解。经验模态分解（EMD）不用预设基函数，能根据信号本身的时间尺度逐层筛出内禀模态函数，听起来很美好，用起来却有不少坑。模态混叠是大问题：不同频率的成分可能被分到同一个模态里，或者一个成分被拆到好几个模态里。端点效应也很头疼，数据短的时候首尾会出现大幅度摆动。

VMD整体上比EMD稳健，它是把信号分解成若干个窄带模态，每个模态中心频率和带宽通过优化自动确定。但VMD有个绕不开的门槛：你得预先设定模态数K和惩罚参数α。K设小了大分量拆不干净，K设大了会把一个分量劈成两半。问题在于，很多工程信号里到底有几个可分离的窄带分量，事先根本不知道，往往是"看了频谱图才大概知道"。这就形成了一个尴尬的循环：VMD要求你先知道答案再分解，而FFT能给你答案却拿不出分量本身。

1.3 "3级自适应"的基本判断

我当时的想法很朴素：既然FFT谱峰代表了当前信号里最强势的周期性成分，那就每次只提取这一个最强成分，剥掉之后再看剩余残差的频谱，直到残差里没有明显的窄带尖峰为止。这个过程就像剥洋葱，一层一层来。

为什么设计成"3级"而不是"任意级"或者干脆预设一个固定数量？因为我发现工程信号中可辨识的窄带分量通常在2到4个左右：第一级把最强的基波或主频成分拿走，第二级分离次强的倍频或故障特征频率，第三级处理弱小的残余分量。三级之后如果残差里还有大面积能量，说明剩余部分已经不是稀疏窄带结构，继续分解只会拆出噪声。所以这里的"3级"是一个可配置的上限，而不是必须拆满三个。实际级数由停止准则决定，这一点和VMD预设模态数有本质区别。

2. 方法总体框架：从粗到细的三级处理流程

2.1 每一级的具体任务

3级自适应分解的每一级做的工作其实是同一件事，只是参数尺度越来越精细。

第一级是全局频谱粗定位。对原始信号做FFT，搜索幅值谱峰值（跳过直流），估计主峰周围的谱峰宽度，构建频域掩码，把最强分量c1提取出来，得到残差r1 = x - c1。

第二级是残差信号的精细分解。对r1做FFT，但峰值搜索前先做补零FFT进行频率细化，因为残差里的分量弱，栅栏效应造成的频率估计偏差会更明显。同时带宽策略要收缩，以更窄的频率范围提取次强分量c2，残差r2 = r1 - c2。

第三级是弱分量确认与收敛判断。对r2继续做细化FFT，用更窄的带宽提取c3，然后检查残差能量占比以及c3的谱峰显著性，判断分解是否可以停止。

2.2 为什么用频域掩码而不是滤波器

传统做法是用带通滤波器把目标频带滤出来，但我选择直接在频域构造掩码，原因是频域掩码天然是零相位的。先用FFT把信号变换到频域，乘上一个只在目标频带附近为1的掩码，再用IFFT变回时域，整个过程没有IIR/FIR滤波器那种群延迟，分量和残差从第一级开始就能在时间轴上严格对齐。这对后面做重构验证和瞬时特征提取非常关键。

可能有人会说filtfilt也能做到近似零相位。filtfilt确实可以，但它对边界做的是反射延拓，在短数据上会引起额外的边界失真。频域掩码的边界效应主要由窗函数旁瓣决定，物理上更可控。当然，矩形的硬截断掩码会在时域引入Gibbs振铃，这个问题的解决办法我放在第6章详细讲。

2.3 整体调用结构

整个流程抽象出来是这样：

对每一级 k = 1,2,3: 1. 对当前输入信号 u（第一级u=x，之后u=r_{k-1}）做FFT 2. 搜索幅值谱主峰（跳过直流，必要时跳过已被提取的频带） 3. 估计主峰半功率宽度，乘以安全系数得到提取带宽 4. 构建带过渡带的频域掩码（单边谱 → 共轭对称扩展） 5. c_k = ifft(fft(u) .* mask)，r_k = u - c_k 6. 检查停止准则，不满足则进入下一级

这里每一级输入的是上一级的残差，而不是每次都用原始信号减去所有分量的累和。两者在数学上等价，但逐级更新在数值上更干净，因为残差里减掉的是当级重构得到的分量，可以避免把前一级的微小误差累积传递。

3. 第一级：全局FFT峰值检测与宽频带分离

3.1 数据准备和频谱预处理

我用一个经典的仿真信号来演示：三个正弦分量分别位于3Hz、27Hz、83Hz，幅值分别为2.0、0.7、0.3，叠加标准差为0.05的白噪声。这样设计有两个目的：一是模拟强弱分量共存的真实场景，二是有已知真值可以验证分解结果。

%% 第1级：全局频谱峰值定位 fs = 500; % 采样率(Hz) N = 2048; % 采样点数 t = (0:N-1)' / fs; % 时间列向量 rng(42); f1 = 3; A1 = 2.0; f2 = 27; A2 = 0.7; f3 = 83; A3 = 0.3; x = A1*sin(2*pi*f1*t + 0.5) + ... A2*sin(2*pi*f2*t + 1.0) + ... A3*sin(2*pi*f3*t + 2.2) + 0.05*randn(N,1); X = fft(x); df = fs / N; % 0.2441 Hz freq = (0:N-1)' * df; half = floor(N/2) + 1; % 1025 amp = abs(X(1:half)); amp(1) = 0; % 去掉直流 [~, k1] = max(amp); % 谱峰索引 f_peak1 = freq(k1); fprintf('第1级主峰频率: %.3f Hz\n', f_peak1);

这里有几个预处理细节。第一，amp(1) = 0把直流分量的谱线强制置零，否则峰值搜索很容易搜到0Hz附近。第二，如果信号有明显的趋势项，最好在FFT前做一次去均值甚至多项式去趋势，不然0Hz附近的低频泄漏会污染附近的谱结构。第三，如果主峰很可能是极低频，建议直接把频率小于0.5Hz的谱线全部置零后再搜索，避免把传感器零漂当成有效分量。

3.2 半功率宽度估计与带宽选择

找到谱峰后，需要估计这个峰在频谱上占据的宽度。我采用的方案是半功率宽度法：先取峰值的1/sqrt(2)作为阈值，然后从峰值位置向左右两边搜索，找到频谱幅值第一次低于阈值的位置，这两个位置之间的频率间隔就是-3dB带宽。

peak_amp = amp(k1); th = peak_amp / sqrt(2); li = k1; ri = k1; while li > 2 && amp(li-1) > th li = li - 1; end while ri < half && amp(ri+1) > th ri = ri + 1; end bw3dB = freq(ri) - freq(li); bw_extract1 = bw3dB * 1.8; % 安全系数

为什么带宽要乘以1.8而不是直接用半功率宽度？原因是半功率宽度只覆盖了主瓣的中心区域，如果按这个宽度直接截取，相当于给提取的分量加了一个过窄的频域窗，时域包络会被拉长展宽，重构出来和真实分量对不上。乘上1.5到2.0的系数，把主瓣大部分能量包进来，提取的分量在时域上才更接近原始分量。第一级我倾向用1.8，因为最强分量的谱峰一般很干净，带宽取宽一点不太担心混入别的分量，前提是其他分量离得足够远。

3.3 频域掩码构造

带宽确定后，构造一个带余弦过渡带的频域掩码。直接在通带内赋1、通带外赋0是矩形掩码，等效于在时域乘以sinc函数，重构波形的首尾会有明显的振铃。因此我在掩码边缘加了一段余弦渐变，让掩码幅值从0平滑过渡到1。

mask1 = zeros(half, 1); [~, p_lo] = min(abs(freq(1:half) - (f_peak1 - bw_extract1/2))); [~, p_hi] = min(abs(freq(1:half) - (f_peak1 + bw_extract1/2))); p_lo = max(2, p_lo); p_hi = min(half, p_hi); mask1(p_lo:p_hi) = 1; % 过渡带，宽度取通带宽度的20%或至少4条谱线 trans = max(4, round((p_hi - p_lo) * 0.2)); if p_lo - trans > 1 ramp = 0.5 - 0.5*cos(linspace(0, pi, trans+2))'; mask1(p_lo-trans:p_lo-1) = ramp(2:end-1); end if p_hi + trans < half ramp = 0.5 + 0.5*cos(linspace(0, pi, trans+2))'; mask1(p_hi+1:p_hi+trans) = ramp(2:end-1); end % 共轭对称扩展 mask1_full = [mask1; mask1(end-1:-1:2)]; Xf1 = X .* mask1_full; c1 = real(ifft(Xf1)); r1 = x - c1;

这里有一个必须注意的细节：实数信号的FFT频谱是共轭对称的，正频率部分的掩码确定后，负频率部分必须按镜像扩展。mask1_full = [mask1; mask1(end-1:-1:2)]就是做这件事，把正频部分的掩码反转复制到负频部分。如果不做这一步，IFFT结果是复数，虚部不为零，提取出的时域信号就不对了。

3.4 第一级的验证

运行完这段代码后，可以验证c1是否与真实的3Hz分量对应。首先看c1的频谱是否只在3Hz附近有能量，其次计算c1与x的相关系数，再看r1的频谱里3Hz的谱峰是否被去掉、27Hz和83Hz的谱峰是否完好保留。

我实测的结果是，第一级提取的c1幅值估计约1.98，和真实的2.0非常接近。r1的频谱里，3Hz附近的谱峰基本消失，但27Hz和83Hz的谱线几乎不受影响。这就是频域掩码的好处，掩码只改变目标频带的频谱成分，其他频带保持原样，不会像时域滤波器那样产生通带外失真。

4. 第二级：残差信号的Zoom-FFT频率细化与窄带提取

4.1 栅栏效应：为什么第二级要先细化频率再选掩码

第一级提取的是最强分量，峰值很突出，栅栏效应引起的频率偏差可能不算严重。但到了第二级，残差里的分量幅度较弱，谱峰可能只高出噪声几个dB，此时峰值索引对应的频率很可能偏离真实频率达半个频率分辨率。

具体来说，N=2048、fs=500时，频率分辨率约0.244Hz。如果27Hz的分量真实频率落在两条谱线中间，粗搜索给出的峰值频率可能偏了0.1Hz以上。用这个有偏差的频率作为带通中心，弱分量会被切掉一部分能量，因为中心位置和真实谱峰位置不重合，掩码会把有效信号推到过渡带边缘甚至截断。这一点在第一级影响不大，因为强分量峰宽很大，偏差0.1Hz可以忽略；但第二级和第三级处理弱分量时不细化频率会明显降低重构精度。

4.2 补零FFT与抛物线插值

最直观的频率细化手段是补零FFT。对残差信号做8倍补零FFT，相当于在原来的频谱上插入更密的采样网格，峰值位置的读数就精细多了。

%% 第2级：残差频率细化 N_zpad = 8 * N; % 8倍补零 Xz = fft(r1, N_zpad); fz = (0:N_zpad-1)' * fs / N_zpad; half_z = N_zpad/2 + 1; amp_z = abs(Xz(1:half_z)); amp_z(1) = 0; [~, kz] = max(amp_z); f_coarse2 = fz(kz); % 三点抛物线插值 if kz > 1 && kz < half_z y0 = amp_z(kz-1); y1 = amp_z(kz); y2 = amp_z(kz+1); delta = 0.5 * (y0 - y2) / (y0 - 2*y1 + y2); f_peak2 = f_coarse2 + delta * (fs / N_zpad); else f_peak2 = f_coarse2; end fprintf('第2级主峰频率: %.4f Hz\n', f_peak2);

补零FFT之后再做三点抛物线插值，可以把峰值位置估计到亚网格精度。我用过不同数据测试，插值后的频率估计偏差通常只有原始分辨率的一两成，相对纯补零又能进一步改进。

这里必须澄清一个常见误区：补零FFT并没有提高真实频率分辨率。真实分辨率由观测时长决定，N个点、采样率fs时能分辨的最小频率间隔就是fs/N。补零只是把DTFT采样得更密，让原来"卡在两条谱线中间"的峰值不再被两边拉低，而不是把靠得很近的两个峰分开。如果两个分量频率只差0.1Hz，而你的数据长度对应的分辨率是0.244Hz，那无论补多少零都分不开它们，频谱上只会是一个鼓包。这种情况只能加长观测时间，或者用参数化方法（比如子空间法）去估计。

4.3 第二级带宽的自适应收缩

残差中次强分量的谱峰通常比第一级更瘦，因为主分量被剥离后，没有强分量的旁瓣压着它，峰形更接近窗函数的主瓣。因此第二级的带宽策略要做两件事：一是继续用半功率宽度自适应估计，二是把安全系数从1.8降到1.4左右。

% 基于细化频谱估计半功率宽度 li2 = kz; ri2 = kz; th2 = amp_z(kz) / sqrt(2); while li2 > 2 && amp_z(li2-1) > th2 li2 = li2 - 1; end while ri2 < half_z && amp_z(ri2+1) > th2 ri2 = ri2 + 1; end bw3dB2 = fz(ri2) - fz(li2); % 安全系数1.4，并保留下限 bw_extract2 = max(bw3dB2 * 1.4, 4*fs/N_zpad);

下限4*fs/N_zpad的意思是至少覆盖4条原始频率分辨率对应的带宽，也就是约1Hz，避免因为谱峰太瘦导致提取带过窄、把真实分量的一部分能量切掉。这个下限值不能设得太大，否则会把旁边的噪声频带包进来。

4.4 提取与验证

第二级的掩码构造和第一级相同，只是把中心频率换成细化后的f_peak2，带宽换成bw_extract2。提取后得到c2，残差r2 = r1 - c2。

在实际运行中，第二级提取的分量c2和真实27Hz正弦分量的相关系数通常能达到0.99以上。我专门做过对比：如果直接用粗峰值频率（不做补零细化）构造掩码，相关系数可能掉到0.86左右；细化之后能到0.995。差距主要体现在弱分量上，所以这一步不是可有可无的优化，而是弱分量能否干净拆出的关键。

5. 第三级：弱分量提取与停止准则判断

5.1 第三级提取的流程

第三级处理的是r2，此刻残差里只剩下83Hz弱分量和噪声。流程和第二级几乎一样，但有两个参数进一步收缩：补零倍数从8倍提到16倍，频率网格更细；带宽安全系数从1.4降到1.3，下限压到3条原始谱线对应的频宽。

%% 第3级：弱分量提取 Nz3 = 16 * N; % 16倍补零 Xz3 = fft(r2, Nz3); fz3 = (0:Nz3-1)' * fs / Nz3; half3 = Nz3/2 + 1; amp3 = abs(Xz3(1:half3)); amp3(1) = 0; [~, k3] = max(amp3); if k3 > 1 && k3 < half3 y0 = amp3(k3-1); y1 = amp3(k3); y2 = amp3(k3+1); delta = 0.5 * (y0 - y2) / (y0 - 2*y1 + y2); f_peak3 = fz3(k3) + delta * (fs / Nz3); else f_peak3 = fz3(k3); end th3 = amp3(k3) / sqrt(2); li3 = k3; ri3 = k3; while li3 > 2 && amp3(li3-1) > th3 li3 = li3 - 1; end while ri3 < half3 && amp3(ri3+1) > th3 ri3 = ri3 + 1; end bw_extract3 = max((fz3(ri3) - fz3(li3)) * 1.3, 3*fs/Nz3);

5.2 谱峰显著性判断：防止把噪声当分量

到第三级，残差里可能已经主要是噪声了。如果不管三七二十一都按最大峰值去提取，很可能把某一根噪声谱线当成"分量"拆出来，得到的c3其实是噪声的窄带实现，没有物理意义。所以第三级必须加显著性检验。

我的做法是用残差频谱的中位数来估计噪声底，再计算峰值相对噪声底的倍数：

noise_floor = median(amp3(2:half3)); peak_to_floor = amp3(k3) / noise_floor; if peak_to_floor > 8 % 通过显著性检验，继续提取c3 else fprintf('第3级谱峰不显著(峰值/噪声底=%.1f < 8)，停止分解\n', peak_to_floor); end

为什么用中位数而不是均值？因为白噪声FFT的谱线幅值分布是右偏的，少数强谱线会拉高均值，中位数更稳健。8倍这个阈值的统计背景是：对白噪声做N=2048点FFT，最大的谱线幅值与中位数的比通常不超过五六倍。所以8倍可以认为不是纯噪声造成的峰值。数据越长，噪声谱越"平稳"，这个比值阈值可以适当放宽到7；数据短时要取高一些，比如10。

5.3 重构验证

完成三级分解后，一定要做一次完整重构验证：

x_recon = c1 + c2 + c3 + r3; recon_error = max(abs(x_recon - x)); fprintf('重构最大误差: %.3e\n', recon_error); for k = 1:3 ck = eval(['c' num2str(k)]); est_amp = sqrt(2) * rms(ck); fprintf('分量%d 估计幅值: %.3f, 能量占比: %.2f%%\n', ... k, est_amp, sum(ck.^2)/sum(x.^2)*100); end

重构误差理论上应该在10的负12次方量级，因为x_recon = c1 + c2 + c3 + r3在数值上恒等于x。真正需要关注的是各分量的幅值估计和能量占比。在我的仿真里，三个分量的幅值估计应该分别接近2.000、0.700、0.300，残差能量占比基本就是噪声能量占比，大约在0.1%左右。

如果c3的估计幅值明显大于0.3，说明前两级带宽选择偏宽、把别人的能量也包进来了，需要回看第一级和第二级的掩码宽度。如果c3幅值偏小，多半是第三级带宽太窄，把分量边缘切掉了。

5.4 如果第三级之后还有明显谱峰怎么办

这不是方法失效，而是信号本身不是"三分量窄带叠加"的形态。比如遇到五六个谐波分量共存，或者强噪声中的连续谱结构，三级剥完残差谱仍然有尖峰。我有两个建议。

一是把级数上限从3调到5，继续按同样流程剥。我在处理转轴振动信号时遇到过一次七个分量的情况，调到5级后依然稳定。二是检查是不是前两级把某个分量拆到了相邻频带导致残差互调。如果级数调到很高还在出峰，那基本说明信号包含宽带成分，或者分量之间频率间隔小于傅里叶分辨率，这时候用VMD或EMD会更合适。这套逐级剥离的框架天生适合分量数量少、窄带特征明确的信号，不适合当万能工具用。

6. 参数调试与实测经验：跑数据时踩过的坑

6.1 峰值搜索被直流或泄漏污染

我最早跑实测数据时，第一级峰值搜索经常搜到0Hz附近去，提取出来的"最强分量"是一条趋势项。原因就是传感器零漂和直流偏移没去掉。FFT的0Hz谱线幅值极大，即使置零了，旁边的低频泄漏也远高于真实信号分量。

处理办法是：先去均值，必要时做一个多项式趋势去除；搜索前把低于0.5Hz的谱线全部置零；再考虑加窗（比如Hamming窗）压制频谱泄漏。但加窗会改变主瓣宽度，影响半功率宽度的估计，所以我在仿真演示里没有加窗，实际处理时要根据信号特性权衡。

6.2 掩码过渡带宽度对重构波形的影响

矩形掩码导致的Gibbs振铃是最容易忽略的问题。我用一个简单例子说明：正弦信号在频域就一根谱线，矩形掩码刚好包住它，逆变换回去几乎无失真；但如果信号频率不在整数谱线上，矩形截断会把频谱边缘切在不该切的位置，时域波形首尾就出现抖动。

解决方法是把掩码边缘做成余弦过渡带，让频谱幅值从通带到阻带平滑渐变。过渡带太窄（一两条谱线）效果不明显，我一般取通带宽度的15%到20%，最少四到六条谱线。代价是掩码选择性略降，过渡带内可能有少许泄漏，但和振铃相比，这点泄漏影响小得多。

6.3 补零FFT的误区：插值不等于提高分辨率

这一点我在第4章提过，但还是要再强调一次。补零FFT只是让频谱采样更密，峰值位置读数更精细，并不能分辨原本混叠的两个频率分量。如果你的数据长度对应分辨率是0.244Hz，而两个分量只差0.2Hz，补再多的零也分不开它们。

正确做法是增加观测时长。如果你只能处理已有的一段数据，那可以考虑用MUSIC或ESPRIT这类子空间方法去估计频率，它们不受傅里叶分辨率的限制，代价是对模型阶数敏感、计算量大。我把补零FFT定位成"细读"而不是"分辨"，就不会踩这个坑。

6.4 关于停止阈值：别把噪声当信号

峰值/噪声底比值取8、残差能量阈值取2%到5%，这些数值是我在不同实测信号里试出来的比较稳妥的初始值。一个更稳的补充判据是：把提取出的分量c_k的包络画出来，如果包络变化剧烈、没有稳定的周期结构，大概率是拆出了噪声。在自动化处理流程里，可以计算包络的调制指数（包络标准差除以包络均值），超过一定阈值就判定为噪声分量，不保留。

不同数据长度的阈值调整经验：

6.5 边界效应：短数据要注意首尾失真

频域掩码虽然零相位，但在数据很短时，掩码截断引起的边界效应依然存在。一个实用技巧：分解完成后把各分量首尾各1%长度的采样点用淡入淡出窗口处理，再重新计算残差，防止边界失真传播到下一级。如果数据长度少于几百个点，建议直接在边缘丢弃1%到2%的样本再做分析，因为边界信息本来就不可靠，留着只会误导后续的瞬时频率计算。

7. 适用范围与扩展方向

7.1 适合的信号类型

这套方法最舒服的场景是：窄带分量数量少（2到5个）、频率间隔大于三四倍傅里叶分辨率、各分量幅度差距可以很大（比如差20dB以上）、噪声是宽带平滑背景。

典型例子包括齿轮箱振动信号（轴频、啮合频率及其边带的分离）、电力谐波分析（基波加3次、5次谐波的提取）、含呼吸调制的心电信号分离、水声信号中的单频成分提取等。在这些场景下，它比固定带通滤波器省去了频率先验，比EMD更不容易模态混叠，比VMD少了反复调K的麻烦。

7.2 不适合的情况

如果信号本身是宽频瞬态冲击，比如故障轴承初期那种周期性冲击，逐级剥离窄带成分的意义就不大。因为冲击在频谱上是连续宽带结构，用包络谱或者直接做时域冲击提取更合适。如果信号是强非平稳调频信号，频率随时间快速变化，单次FFT的"主频"概念本身就会失效，应该用短时傅里叶或时频分析来指导分解。

7.3 可扩展的几个方向

第一，提取出的c1、c2、c3可以继续做Hilbert变换，直接得到各分量的瞬时幅值和瞬时频率，构造完整的时频特征图，这在机械故障诊断和生理信号分析里都很有用。

第二，带宽收缩系数和过渡带宽度可以通过优化算法自动搜索，比如用遗传算法找使残差能量最小化的参数组合。但这类算法计算量大，一般只在批量离线分析时值得做，在线实时处理还是用固定经验值稳妥。

第三，配合MUSIC或ESPRIT估计频率，可以突破傅里叶分辨率的限制，处理频率非常接近的工程信号。我自己的体会是，先把这套三级傅里叶剥离流程作为"第一遍快速侦察"，筛查大多数信号；如果发现确实存在频谱上挤在一起的峰，再针对性地用子空间方法去精细估计，这样多数问题已经能解决一大半。

这套方法最初只是我处理振动信号时临时搭的方案B，后来在好几个项目里反而成了首选，因为它流程简单、参数透明、每一步的频谱图都能直接拿来做人工检查。如果让我总结一条最重要的经验，就是永远不要只看最终分解结果，要把每一级的残差频谱和提取分量的时域波形打印出来看一眼，大部分问题都藏在中间级里。希望这篇实现记录能帮你少走几步弯路，如果你在自己的数据上试出了不同的系数规律，欢迎一起交流。