已完成fft（如果您有興趣，請參閱前面的文章！）並獲得了一個結果，這對我有所幫助。想分析一個數組的嘈雜/刺耳（實際上是一個單一的vb.nre集合）。嗯，如何解釋...如何分析一組點的「噪音」
當信號良好時，fft功耗結果是512個數據點（頻率桶），除了可能有2或3個陣列條目的值較低，並且體面範圍（即峯值爲當信號很差/有噪聲時，數據值擴展（最大值到最小值）當信號很差/有噪聲時，數據值擴展（最大值到最小值）是很低的，並且在更多的桶中有相對較高的噪音。
什麼是好的，計算上不密集的是分析這個數據集的噪音？某種統計方法，標準差或某種幫助？
計算信噪比 http://en.wikipedia.org/wiki/Signal-to-noise_ratio
你也可以檢查每個點的STDEV，如果它是在一定程度上選擇，則信號爲別人好它不是。
關鍵在於定義什麼是噪聲和什麼是信號，對此必須進行建模假設。通常假設是由白噪聲（每頻段的恆功率）或某些其他功率譜的噪聲組成的，並且該模型適合數據。然後可以使用信噪比來測量噪聲量。
擬合噪聲模型取決於數據的性質：如果您知道實際信號在高頻分量中沒有功率，那麼您可以在那裏查看噪聲水平的指示，並使用該模型預測信號和噪聲兩者的較低頻率分量處的噪聲。另外，如果你的信號在時間上是恆定的，那麼在不同時間點上進行多次FFT並比較它們得到每個頻段的標準偏差可以給出噪聲級別。
我希望我不會光顧你提到執行FFT時窗口函數固有的問題：它們可能會將雜散「噪聲」引入到頻譜中，這實際上是一種週期性的人工產物FFT。在獲得尖銳的峯值和「邊帶」噪聲之間進行權衡 - 更多此處www.ee.iitm.ac.in/~nitin/_media/ee462/fftwindows.pdf
計算標準偏差，然後確定指示噪聲的閾值。在實踐中，這通常很容易，並允許您根據需要輕鬆調整「噪音級別」。
Knuth中有一個很好的單通stddev算法。這裏是描述實現的鏈接。
不會尖峯是 作爲SNR的噪聲毛刺處理，一個 離羣被丟棄，因爲它是？
如果從時域數據可以看出有這樣的尖峯，那麼它們肯定會在頻譜中產生很多噪聲。選擇忽略它們是一個好主意，但不幸的是，FFT不能接受尖峯已被去除的「漏洞」數據。有兩種技術可以解決這個問題。「髒技巧」方法是將異常值樣本設置爲任一站點上的兩個樣本的平均值，並用全套數據計算FFT。
更難但更正確的方法是使用Lomb標準化週期圖（參見W.H.Press等人的書'Numerical Recipes'），它與FFT做類似的工作，但可以正確處理丟失的數據。
不，這是相反的 - 很少，大尖刺是件好事！對於給定的頻率，尖峯在fft桶中的值很高。它很嘈雜，很多尖峯數據表明樣本不好。 – 2008-09-30 14:50:02