手機(jī)信號(hào)增強(qiáng)器廠商表示，我們在生活中經(jīng)常遇到信號(hào)。比如說，股票的走勢圖，心跳的脈沖圖等等。在通信領(lǐng)域，無論是的GPS、手機(jī)語音、收音機(jī)、互聯(lián)網(wǎng)通信，我們發(fā)送和接收的都是信號(hào)。最近，深圳地鐵通信系統(tǒng)疑似與WiFi信號(hào)沖突，也就是地鐵的天線收到了WiFi的信號(hào)，而誤把該信號(hào)當(dāng)作地鐵通信信號(hào)。我們的社會(huì)信息化，是建立在信號(hào)的基礎(chǔ)上的。

信號(hào)是隨著時(shí)間或者空間變化的序列。在信號(hào)處理中，我們常用“信號(hào)”來特指一維信號(hào)，也就是只隨單一一個(gè)時(shí)間或空間維度變化的序列，這樣的信號(hào)在數(shù)學(xué)上可以表示成f(t)或者f(x)這樣一個(gè)函數(shù)。與一維信號(hào)形成對(duì)應(yīng)的是多維信號(hào)，比如說圖像是二維信號(hào)，它隨x,y兩個(gè)空間維度變化，從數(shù)學(xué)上表示成為f(x, y)。下面在沒有特別聲明的情況下，都使用“信號(hào)”來代指一維信號(hào)。

盡管信號(hào)的使用如此廣泛，但信號(hào)從數(shù)學(xué)意義上來并沒有什么神秘的地方，只是普通的序列(函數(shù))。信號(hào)處理的方法可以通用于任何一個(gè)領(lǐng)域的信號(hào)(無論是通信、金融還是其他領(lǐng)域)，這也是信號(hào)處理的魅力所在。

2、簡諧波

簡諧波(simple harmonic)

正弦波(sine wave)和余弦波(cosine wave)統(tǒng)稱為簡諧波。簡諧波是自然界最常見的波動(dòng)。

正弦波

正弦波可以寫成函數(shù)的形式：

可以看到，一個(gè)簡諧波三個(gè)參數(shù)，振幅(A, amplitude)、頻率(f,frequency)、相位(phi, phase)。這三個(gè)參數(shù)分別控制正弦波的不同特征。通過調(diào)整它們，我們可以得到不同的正弦波信號(hào)。

左上：原始 右上：2倍振幅

左下：2倍頻率 右下：相位移動(dòng)

可以看到，頻率高，“山峰”越密集。振幅高，“山峰”越高。相位改變，“山峰”的位置左右移動(dòng)。(朋友說我是"用音量控制音調(diào)"：唱歌本應(yīng)該改變頻率高低的時(shí)候，卻在改變振幅的高低。)

余弦波(cosine wave)函數(shù)形式與正弦波類似，用cos表示。我們可以通過改變正弦波來從正弦波獲得余弦波。

3、傅立葉變換

傅立葉變換 (Fourier Transform)

簡諧波雖然簡單，但對(duì)信號(hào)處理具有重要意義。傅立葉是一名工程師，他發(fā)現(xiàn)，任何信號(hào)實(shí)際上都可以通過簡諧波相加近似得到。也就是傅立葉定理(Fourier inversion theorem)：任何一個(gè)信號(hào)都可以由簡諧波相加得到。因此，復(fù)雜的信號(hào)可以分解成為許多個(gè)簡單的簡諧波。一個(gè)信號(hào)由多個(gè)頻率的簡諧波相加得到。組成信號(hào)的某個(gè)簡諧波，稱為信號(hào)的一個(gè)分量(component)。

顯示了我們?nèi)绾斡煤喼C波的疊加來不斷趨近藍(lán)色的信號(hào):

傅立葉變換是一套固定的計(jì)算方法，用于算出信號(hào)的各個(gè)分量(也就是上面的an,bn)。在信號(hào)處理時(shí)，可以將信號(hào)進(jìn)行傅立葉變換，轉(zhuǎn)換為簡諧波的組合。通過分別控制各個(gè)頻率上的簡諧波分量，我們可以更加有效的進(jìn)行信號(hào)處理。比如說，我們通信的時(shí)候可以使用高頻的簡諧波信號(hào)。但是接收信號(hào)的天線可能會(huì)收到其他頻率的干擾信號(hào)。這個(gè)時(shí)候，我們可以對(duì)接收到的混合信號(hào)做傅立葉變換，只提取目標(biāo)高頻的分量。這是降低信號(hào)噪音的常用方法。傅立葉變換的過程有些復(fù)雜，但已經(jīng)有大量的程序可以幫你進(jìn)行。你所需要的只是輸入信號(hào)，計(jì)算機(jī)會(huì)幫你算出它的各個(gè)分量。

比如說，如果信號(hào)f(x)是周期性的，我們可以將它變換成：

也就是說，一個(gè)信號(hào)可以看做許多簡諧波的和。上面的a,b是可以通過原信號(hào)求得的參數(shù)為:

a, b代表了信號(hào)在各個(gè)頻率上的簡諧波分量的強(qiáng)弱(以及相位)。這樣，信號(hào)就分解為了簡諧波的和。由于簡諧波比較容易理解，我們可以通過研究這些分量，來明白復(fù)雜信號(hào)背后的機(jī)制。

4、頻譜

頻譜(frequency spectrum)

通過傅立葉變換，我們可以得到一個(gè)信號(hào)f(t)的不同頻率的簡諧波分量。每個(gè)分量的振幅，代表了該分量的強(qiáng)弱。將各個(gè)頻率分量的強(qiáng)弱畫出來，可以得到信號(hào)的頻譜。比如下圖是從每天降水序列中得到的頻譜:

可以看到，以1年為周期的簡諧波分量有一個(gè)明顯的高峰。也就是說，一年周期的分量有比較強(qiáng)。這是有物理原因的。因?yàn)榻邓偸且砸荒晁募緸橹芷谟幸?guī)律的變化。通過信號(hào)->Fourier Transform->頻譜，我們可以從簡諧波分量的角度，理解復(fù)雜信號(hào)是由哪些簡諧機(jī)制合成的。

傅立葉變換同樣可用于多維信號(hào)。把傅立葉變換用于二維信號(hào)，即圖像:

左邊是二維信號(hào)(圖像，f(x,y))。黑白可以用數(shù)值表示，即信號(hào)值。右邊是二維圖像的頻譜。X軸表示x方向的頻率，Y軸表示y方向的頻率，黑白表示不同頻率分量的振幅強(qiáng)弱。在下面一行中，Lenna被故意加上了噪聲，并引起頻譜的相應(yīng)變化。頻譜的中心代表了低頻信號(hào)的振幅，頻譜遠(yuǎn)離中心的地方代表了高頻信號(hào)的振幅。 我們下面和加入噪聲的圖像比較。

Lenna和她的頻譜

現(xiàn)在，在圖像中加入噪聲?？梢钥吹剑瓐D像中各處增加了許多小“斑點(diǎn)”。這些斑點(diǎn)和原來的信號(hào)混合在一起。我們很難將一一指出這些噪音點(diǎn)。但另一方面，這些噪音又有一定的特征：這些噪音的空間尺度（即尺寸）很小。

這一對(duì)圖像噪音的理解，可以從頻譜中得到確認(rèn)。從右圖的頻譜中可以看到，高頻信號(hào)(非中心部分)明顯增強(qiáng)。高頻分量正對(duì)應(yīng)空間尺度小的信號(hào)?？梢?，噪聲在頻譜中，集中在高頻這一特定區(qū)域。這樣，在與原圖像混合在一起的噪聲，在頻譜上則和圖像區(qū)分開。通過高頻濾波技術(shù)，就可以過濾掉噪聲。這也是圖像降噪的一大方法。

(如果對(duì)圖像處理有所了解，那么一定會(huì)知道Lenna的大名。她是一位閣樓(Playboy)女郎，但又是圖像處理界的女神。你可以搜索"Lenna full image"來找到全圖。Lenna現(xiàn)在是一名老太太了，她“見證”了圖像處理的發(fā)展。)

5、手機(jī)信號(hào)增強(qiáng)器廠商總結(jié)

信號(hào)可以分解為不同頻率的簡諧波分量。這有助于我們更好的理解復(fù)雜的信號(hào)。傅立葉變換是信號(hào)處理(以及圖像處理)的基礎(chǔ)工具。通過傅里葉變換，我們可以獲得信號(hào)的頻譜。

頻譜為我們提供了理解信號(hào)的另一個(gè)視角。在頻率的世界里，我們可以發(fā)現(xiàn)很多原信號(hào)中一些可能被忽視的信息，比如降水的季節(jié)變化，比如增強(qiáng)的噪聲。