1. 项目概述为什么用Scilab处理正弦信号如果你正在学习信号处理或者你的工作涉及到从传感器数据中提取信息那么“正弦信号”这个概念你一定绕不开。它就像信号世界里的“基本粒子”简单、纯粹却构成了几乎所有复杂信号的基础。无论是音频处理、通信系统还是你提到的生物医学信号处理和MIMO雷达信号处理理解并熟练操作正弦信号都是第一步。但理论懂了怎么上手实操呢这时候一个强大又免费的工具就显得至关重要——这就是Scilab。Scilab可能不像MATLAB那样家喻户晓但它是一个功能完整、完全开源的科学计算软件。对于学生、研究人员和工程师来说它意味着零成本获得一个强大的数值计算和信号处理环境。这个项目就是带你用Scilab从零开始亲手“玩转”正弦信号。我们将不满足于画出一条简单的正弦波而是要深入其核心生成、分析、变换并模拟它在真实世界处理链路中可能遇到的情况比如混入噪声、被滤波器处理。最终你会掌握一套用Scilab进行基础信号处理的完整工作流这将成为你探索更复杂领域如生物医学信号分析或雷达信号处理的坚实跳板。2. 核心思路与工具选型解析2.1 为什么选择正弦信号作为切入点正弦信号数学上表示为 \( x(t) A \sin(2\pi f t \phi) \)它只用三个参数振幅A、频率f、初相位φ就能完全描述。这种简洁性使其成为理想的教学和实验对象。在工程实践中许多物理现象如交流电、机械振动、声波都可以近似为正弦或余弦信号。更重要的是根据傅里叶分析理论任何满足条件的复杂信号都可以分解为一系列不同频率、振幅和相位的正弦信号的叠加。因此掌握了正弦信号的处理就等于拿到了理解复杂信号的钥匙。在生物医学信号处理中心电信号ECG的节律性波动、脑电信号EEG中的特定频段如α波、β波其核心成分都可以用正弦或类正弦模型来分析和模拟。在MIMO雷达信号处理中发射和接收的信号本质也是高频正弦载波被调制后的结果。所以这个看似基础的项目其底层逻辑直接贯通了这些前沿应用。2.2 为什么是Scilab而不是Python或MATLAB这是一个很实际的问题。Python配合NumPy, SciPy, Matplotlib无疑是当前数据科学和信号处理领域的热门选择生态庞大。MATLAB则是该领域的传统工业标准工具箱丰富。选择Scilab是基于以下几个核心考量纯粹性与教学友好性Scilab内置了完整的信号处理工具箱语法与MATLAB高度相似但更简洁。它让你能更专注于信号处理概念本身而不是花费大量时间在Python库的安装、版本管理和语法细节上。对于初学者一个开箱即用、界面统一的集成环境类似MATLAB的工作区、编辑器、图形窗口更能降低入门门槛。零成本与合规性Scilab是完全开源免费的这对于个人学习者、高校教学以及预算有限的项目团队极具吸引力。你可以合法地在任何地方安装和使用它无需担心授权问题。足够的专业能力对于基础的信号生成、时频分析、滤波器设计和仿真来说Scilab的功能完全够用。它的fft快速傅里叶变换、滤波器设计函数eqfir,iir等、以及绘图功能足以支撑起一个完整的信号处理实验流程。平滑过渡如果你未来需要转向MATLAB由于语法相似过渡会非常平滑。如果你需要转向Python在Scilab中建立起的信号处理概念框架将直接适用你只需要学习用不同的语法库函数来实现它。因此本项目选择Scilab旨在提供一个低成本、低门槛、高聚焦的信号处理实操入门路径。3. 环境搭建与基础信号生成3.1 Scilab的安装与初体验首先前往Scilab官网下载对应你操作系统Windows, macOS, Linux的安装包。安装过程与普通软件无异。安装完成后打开你会看到三个主要窗口控制台用于输入命令、文件编辑器用于编写脚本、变量浏览器和图形窗口等。注意建议从一开始就养成编写脚本.sce文件的习惯而不是只在控制台输入单行命令。脚本便于修改、保存和重复运行是工程实践的基础。让我们从生成第一个正弦信号开始。核心参数我们已经知道振幅A、频率f、初相位phi。此外在数字世界里我们需要定义采样频率fs和信号持续时间T或总采样点数N。// 示例1生成一个1Hz的正弦波 clear; clc; // 清空工作区和命令窗口良好的习惯 // 1. 定义信号参数 A 1; // 振幅单位根据实际情况定这里设为1无量纲或伏特 f 1; // 频率1 Hz phi 0; // 初相位0弧度 fs 100; // 采样频率100 Hz。根据奈奎斯特定理需大于2*f T 2; // 信号持续时间2秒 // 2. 生成时间向量和信号向量 t 0 : 1/fs : T; // 时间向量从0到T步长为1/fs x A * sin(2*%pi*f*t phi); // 正弦信号 // 3. 绘制时域波形 figure(0); clf(); // 创建或清空0号图形窗口 plot(t, x, ‘b-‘, ‘LineWidth‘, 2); // 蓝色实线线宽2 xgrid(1, 1, 3); // 添加网格线颜色索引3通常是淡灰色 xlabel(‘时间 (秒)‘, ‘fontsize‘, 3); ylabel(‘幅度‘, ‘fontsize‘, 3); title(‘1 Hz 正弦信号时域波形‘, ‘fontsize‘, 4);运行这段脚本你将看到一个纯净的正弦波在2秒内完成了两个完整周期因为频率是1Hz。这里的关键是理解t 0 : 1/fs : T;这行代码它创建了一个离散的时间点序列1/fs就是采样间隔。2*%pi*f*t计算了每个时间点对应的相位弧度值%pi是Scilab预定义的圆周率常数。3.2 多信号生成与基本操作单一信号太枯燥我们生成多个信号来演示基本操作。// 示例2生成并操作多个信号 clear; clc; fs 1000; T 1; t 0:1/fs:T; f1 5; f2 50; x1 sin(2*%pi*f1*t); x2 0.5 * sin(2*%pi*f2*t %pi/4); // 振幅0.5相位偏移π/4 // 信号相加模拟简单混叠 x_sum x1 x2; // 绘制对比 figure(1); clf(); subplot(3,1,1); plot(t(1:200), x1(1:200), ‘r-‘); // 只画前200个点以便观察 title(‘5 Hz 低频信号‘); subplot(3,1,2); plot(t(1:200), x2(1:200), ‘g-‘); title(‘50 Hz 高频信号有衰减和相移‘); subplot(3,1,3); plot(t(1:200), x_sum(1:200), ‘b-‘, ‘LineWidth‘, 1.5); title(‘合成信号‘); xlabel(‘时间 (秒)‘);这个例子展示了信号的线性叠加。在现实中我们接收到的信号往往是多个分量如不同频率的振动、噪声的叠加。通过绘图你能直观看到高频信号“叠加”在低频信号的“轮廓”之上。实操心得在绘制包含快速振荡的信号时像上面一样只绘制一小段时间t(1:200)的波形是个好习惯。如果绘制整个长时间序列图形会因为点太密而糊成一团看不出细节。通过调整绘图的索引范围可以灵活地观察信号的局部或全局特征。4. 信号分析从时域到频域4.1 离散傅里叶变换与频谱分析时域波形告诉我们信号随时间的变化但频率成分信息是隐藏的。傅里叶变换在离散系统中是DFT常用其快速算法FFT能将信号从时域变换到频域让我们看清信号由哪些频率的正弦波组成以及它们的强度振幅谱和起始位置相位谱。// 示例3对合成信号进行FFT分析 clear; clc; fs 1000; T 1; N T * fs; // 总采样点数 t (0:N-1)/fs; f1 5; f2 50; x sin(2*%pi*f1*t) 0.5*sin(2*%pi*f2*t %pi/4); // 执行FFT X fft(x); // X是复数数组包含频域信息 X_mag abs(X); // 取模得到振幅谱 X_phase atan(imag(X), real(X)); // 计算相位谱使用atan(y,x)得到四象限相位 // 构建频率向量 freqs (0:N-1) * (fs / N); // 对应的频率点 // 绘制双边频谱包含正负频率 figure(2); clf(); subplot(2,1,1); plot(freqs(1:N/2), X_mag(1:N/2)*2/N, ‘b-‘, ‘LineWidth‘, 1.5); // 通常只显示前一半正频率并归一化 xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘振幅谱单边‘); xgrid(1,1,3); subplot(2,1,2); plot(freqs(1:N/2), X_phase(1:N/2), ‘r.‘); // 绘制相位点 xlabel(‘频率 (Hz)‘); ylabel(‘相位 (弧度)‘); title(‘相位谱单边‘); xgrid(1,1,3);运行后你会在振幅谱上看到两个明显的“尖峰”分别位于5Hz和50Hz附近且50Hz处的尖峰高度大约是5Hz处的一半因为其振幅是0.5。这完美印证了我们的信号构成。相位谱在对应频率点上的值也大致接近我们设定的0和π/4。关键点解析fft(x)返回一个复数数组长度与输入信号x相同。abs(X)得到每个频率分量的幅度。由于FFT结果是对称的对于实信号我们通常只取前一半1:N/2。绘图时乘以2/N是一种常见的幅度归一化方式使得频谱图上尖峰的高度等于原始正弦分量的振幅对于单频成分。如果不做归一化幅度值会与采样点数N相关不直观。频率向量freqs的计算是关键第k个点对应的频率是k * (fs / N)其中k从0到N-1。4.2 频谱泄露与窗函数应用在上一个理想例子中我们恰好截取了整数个信号周期。如果截取的不是整数倍周期会发生“频谱泄露”——能量会从主频点“泄露”到旁边的频率点上导致频谱图上的尖峰变宽、旁边出现许多小旁瓣。// 示例4演示频谱泄露 clear; clc; fs 1000; T_nonint 1.23; // 非整数周期时长 t 0:1/fs:T_nonint; x sin(2*%pi*5*t); // 仍然是5Hz信号 N length(x); X fft(x); freqs (0:N-1) * (fs / N); figure(3); clf(); subplot(2,1,1); plot(t, x); title(‘非整周期截取的5Hz正弦波‘); xlabel(‘时间 (秒)‘); subplot(2,1,2); plot(freqs(1:N/2), abs(X(1:N/2))*2/N); title(‘对应的频谱出现泄露‘); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); xgrid(1,1,3);你会发现频谱图上5Hz处的尖峰不再“干净”周围出现了很多杂散的频率分量。这不是噪声而是截断效应带来的数学失真。为了抑制泄露我们需要在FFT前对信号加“窗”。窗函数在信号两端平滑地衰减到零减少截断处的突变。最常用的是汉宁窗。// 示例5使用汉宁窗减少频谱泄露 w window(‘hn‘, N); // 生成长度为N的汉宁窗 x_windowed x .* w; // 点乘对信号加窗 X_w fft(x_windowed); figure(4); clf(); subplot(3,1,1); plot(t, x); title(‘原始信号‘); subplot(3,1,2); plot(t, w, ‘r-‘); title(‘汉宁窗‘); subplot(3,1,3); plot(t, x_windowed, ‘g-‘); title(‘加窗后的信号‘); xlabel(‘时间 (秒)‘); figure(5); clf(); plot(freqs(1:N/2), abs(X(1:N/2))*2/N, ‘b-‘); // 原始频谱 plot(freqs(1:N/2), abs(X_w(1:N/2))*2/N, ‘r-‘, ‘LineWidth‘, 1.5); // 加窗后频谱 legend([‘无窗‘, ‘汉宁窗‘]); title(‘加窗前后频谱对比‘); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); xgrid(1,1,3);加窗后频谱的旁瓣泄露的能量会显著降低但主峰会稍微变宽这是抑制泄露的代价称为“频率分辨率”下降。在实际信号分析中尤其是分析非平稳信号或进行精确频率估计时窗函数的选择和运用是一门大学问。5. 模拟真实场景噪声与滤波5.1 为信号添加噪声纯净的正弦信号在实验室外很少见。真实信号总是伴随着噪声。我们可以用Scilab轻松模拟。// 示例6生成含噪声的信号 clear; clc; fs 1000; T 1; t 0:1/fs:T; x_clean sin(2*%pi*10*t); // 10Hz纯净信号 // 添加高斯白噪声 SNR_dB 10; // 信噪比单位dB // 计算噪声功率 signal_power mean(x_clean.^2); noise_power signal_power / (10^(SNR_dB/10)); // 生成与x_clean同长度的噪声序列 noise grand(1, length(x_clean), ‘nor‘, 0, sqrt(noise_power)); x_noisy x_clean noise; figure(6); clf(); subplot(2,1,1); plot(t, x_clean, ‘b-‘); title(‘纯净的10Hz正弦信号‘); subplot(2,1,2); plot(t, x_noisy, ‘r-‘); title(‘加入高斯白噪声后的信号 (SNR10dB)‘); xlabel(‘时间 (秒)‘);grand函数是Scilab的随机数生成器‘nor‘表示正态分布高斯分布后两个参数是均值和标准差。我们通过信噪比来控制噪声的强度。现在信号看起来已经“毛糙”了很多时域上几乎看不出正弦波的形状。5.2 设计滤波器滤除噪声为了从x_noisy中恢复出x_clean我们需要一个滤波器。假设我们知道有用信号是10Hz而噪声遍布全频带我们可以设计一个低通滤波器只让10Hz及以下的低频成分通过滤除高频噪声。Scilab的eqfir函数可以用于设计线性相位的FIR滤波器。// 示例7设计并应用一个低通FIR滤波器 // 设计一个低通滤波器截止频率15Hz fc 15; // 截止频率 (Hz) fn fs / 2; // 奈奎斯特频率 Wc fc / fn; // 归一化截止频率 (0到1之间) // 使用eqfir设计一个65阶的FIR低通滤波器 taps 65; // 滤波器阶数阶数越高过渡带越陡峭但延迟和计算量越大 hm eqfir(taps, [0 Wc; Wc0.1 1], [1 0], [1 1]); // 设计参数需要仔细理解 // 参数解释 // taps: 滤波器系数个数阶数1 // [0 Wc; Wc0.1 1]: 频带划分。第一段[0, Wc]为通带第二段[Wc0.1, 1]为阻带。中间[Wc, Wc0.1]是过渡带。 // [1 0]: 期望的幅度响应通带为1阻带为0。 // [1 1]: 权重通带和阻带的误差权重均为1。 // 应用滤波器 x_filtered filter(hm, 1, x_noisy); // ‘1‘表示滤波器的分母多项式为1FIR滤波器 // 由于FIR滤波器引入的群延迟是固定的 (taps/2 个采样点)我们需要补偿这个延迟 delay taps / 2; x_filtered_aligned x_filtered(delay1:length(x_filtered)); t_aligned t(1:length(x_filtered_aligned)); // 绘制结果 figure(7); clf(); subplot(3,1,1); plot(t, x_noisy, ‘c-‘); title(‘带噪声的输入信号‘); subplot(3,1,2); plot(t_aligned, x_filtered_aligned, ‘m-‘, ‘LineWidth‘, 1.5); title(‘经过低通滤波器后的信号已对齐‘); subplot(3,1,3); plot(t, x_clean, ‘b-‘); hold on; plot(t_aligned, x_filtered_aligned, ‘m–‘, ‘LineWidth‘, 1.5); legend([‘原始纯净信号‘, ‘滤波恢复信号‘]); title(‘对比‘); xlabel(‘时间 (秒)‘); // 绘制滤波器的频率响应 [hm_freq, fr] frmag(hm, 2048); // 计算频率响应 figure(8); clf(); plot(fr*fn, 20*log10(hm_freq)); // 纵坐标转换为dB xlabel(‘频率 (Hz)‘); ylabel(‘增益 (dB)‘); title(‘FIR低通滤波器的幅频响应‘); xgrid(1,1,3);运行后你会看到滤波后的信号洋红色虽然无法完全恢复到原始蓝色信号那么光滑因为滤波器不是理想的会损失一些高频细节并且噪声中与信号同频的成分无法去除但已经非常接近正弦波的形状清晰可见。图8的滤波器频率响应曲线显示在15Hz以下增益接近0dB通过在15Hz以上增益迅速衰减到很低抑制。注意事项eqfir函数的设计参数需要花时间理解。[0 Wc; Wc0.1 1]这种写法定义了两个频带区间。过渡带(Wc, Wc0.1)的存在是必须的实际滤波器无法实现从通带到阻带的瞬间跳变。过渡带越窄需要的滤波器阶数taps就越高。这是一个在性能滤波效果和成本计算量、延迟之间的权衡。6. 综合案例模拟幅度调制让我们做一个更有趣的综合实验幅度调制。这是无线电通信的基础也是将低频信号如音频搭载到高频载波上进行远距离传输的方法。// 示例8幅度调制与解调仿真 clear; clc; fs 10000; // 需要较高的采样率来处理高频载波 T 0.1; // 持续时间0.1秒 t 0:1/fs:T; // 1. 生成调制信号低频包含信息和载波信号高频 f_mod 10; // 调制信号频率 10Hz f_carrier 200; // 载波频率 200Hz A_mod 0.8; // 调制信号振幅 m_t A_mod * cos(2*%pi*f_mod*t); // 调制信号 c_t cos(2*%pi*f_carrier*t); // 载波信号 // 2. 进行幅度调制 (AM) // 标准AM: s(t) [A m(t)] * c(t) 其中A |m(t)|的最大值这里A取1 A 1; s_t (A m_t) .* c_t; // 3. 绘制时域波形 figure(9); clf(); subplot(3,1,1); plot(t, m_t, ‘b-‘); title(‘调制信号 (10Hz)‘); ylabel(‘幅度‘); subplot(3,1,2); plot(t, c_t, ‘r-‘); title(‘载波信号 (200Hz)‘); ylabel(‘幅度‘); subplot(3,1,3); plot(t, s_t, ‘g-‘); title(‘已调信号 (AM)‘); ylabel(‘幅度‘); xlabel(‘时间 (秒)‘); // 4. 绘制频谱观察频率搬移现象 N length(s_t); S_f fft(s_t); freqs (0:N-1) * (fs / N); figure(10); clf(); subplot(2,1,1); plot(freqs(1:N/2), abs(S_f(1:N/2))*2/N); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘已调信号频谱‘); xgrid(1,1,3); // 理论上频谱应在载频f_carrier处有一个尖峰在其左右f_carrier /- f_mod处有两个边带。 // 我们可以放大看看 subplot(2,1,2); plot(freqs(1:N/2), abs(S_f(1:N/2))*2/N); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘已调信号频谱局部放大‘); xgrid(1,1,3); // 通过图形窗口的缩放工具可以放大200Hz附近区域观察边带。 // 5. 简易包络检波解调一种非相干解调方法 // 对已调信号取绝对值再经过低通滤波即可近似得到包络 s_abs abs(s_t); // 设计一个截止频率略高于f_mod的低通滤波器来提取包络 fc_lp f_mod * 2; // 截止频率设为20Hz Wc_lp fc_lp / (fs/2); // 使用一个简单的移动平均滤波器也是一种FIR滤波器 taps_lp 101; // 阶数高一些平滑效果好 b ones(1, taps_lp) / taps_lp; // 系数全为1/taps_lp a 1; m_demod filter(b, a, s_abs); // 补偿滤波器延迟 delay_lp (taps_lp-1)/2; m_demod_aligned m_demod(delay_lp1:length(m_demod)); t_demod t(1:length(m_demod_aligned)); // 绘制解调结果 figure(11); clf(); plot(t, m_t, ‘b-‘, ‘LineWidth‘, 2); hold on; plot(t_demod, m_demod_aligned - mean(m_demod_aligned), ‘r–‘, ‘LineWidth‘, 1.5); // 减去直流分量便于对比 legend([‘原始调制信号‘, ‘解调恢复信号‘]); title(‘幅度调制解调结果对比‘); xlabel(‘时间 (秒)‘); ylabel(‘幅度‘); xgrid(1,1,3);这个案例综合运用了信号生成、运算、频谱分析和滤波。在频谱图图10中你能清晰地看到能量集中在200Hz载波以及190Hz和210Hz上下边带处这正是幅度调制的特征——将低频信息10Hz搬移到了高频载波两侧。解调部分我们用了最简单的包络检波法虽然恢复的信号有失真和延迟但基本形状得以重现。更精确的解调需要相干解调即需要与原始载波同频同相的本地振荡器这涉及到锁相环等技术更为复杂。7. 常见问题与调试技巧实录在实际操作中你肯定会遇到各种问题。下面是我在多次使用Scilab进行信号处理实验中总结的一些典型问题和解决方法。7.1 FFT结果看起来不对现象频谱图上的频率峰值位置不对或者幅度值非常奇怪比如巨大无比。排查步骤检查频率向量这是最常见错误。确保频率向量freqs是用(0:N-1) * (fs / N)正确计算的。N是信号长度fs是采样频率。检查归一化对于幅度谱如果你想知道真实振幅记得对abs(fft(x))的结果进行归一化通常乘以2/N对于单边谱。如果不关心绝对幅度只关心相对峰值可以跳过。检查信号长度FFT对信号长度敏感尤其是非2的幂次时。虽然Scilab的fft处理任意长度但如果是2的幂次如2565121024计算效率最高。可以使用nextpow2函数来寻找合适的长度NFFT 2^nextpow2(N); X fft(x, NFFT);。检查直流分量频谱的第一个点0Hz是直流分量即信号的均值。如果你的信号有非零均值0Hz处会有一个很大的值可能让你误以为有低频信号。在FFT前对信号去均值是个好习惯x x - mean(x);。7.2 滤波器设计函数参数令人困惑现象使用eqfir或iir等函数时设定的通带截止频率和实际滤波效果对不上。关键理解归一化频率数字滤波器设计函数通常使用归一化频率范围是0到1其中1对应奈奎斯特频率fs/2。因此你的目标频率f_cut需要转换为Wn f_cut / (fs/2)。频带矩阵eqfir的频带矩阵bands是一个m x 2的矩阵m是频带数量。每一行定义了一个频带的起始和结束归一化频率。例如对于低通滤波器bands [0, Wn; Wndelta, 1]delta是一个小的正数用于定义过渡带。没有过渡带的理想滤波器是无法物理实现的。期望响应向量des向量定义了每个频带期望的幅度响应长度与频带数m相同。权重向量weight向量定义了每个频带在优化设计中的权重。权重越大该频带的设计误差就越被重视。调试建议始终使用frmag函数计算并绘制出你设计的滤波器的频率响应图。眼见为实图形能最直观地告诉你滤波器的通带、阻带和过渡带是否符合预期。7.3 滤波后的信号有延迟或畸变现象滤波后的信号和原始信号在时间上对不齐或者波形起始/结束处有奇怪的震荡。原因与解决群延迟所有实际滤波器都会引入延迟。对于线性相位的FIR滤波器这个延迟是固定的等于(N-1)/(2*fs)秒其中N是滤波器阶数系数个数。在比较滤波前后信号时需要将滤波后信号向后平移这个延迟量如示例7所示。可以使用grpdelay函数计算群延迟。瞬态效应在滤波开始和结束时由于滤波器内部状态未稳定输出端会产生瞬态响应导致信号起始和结束部分畸变。对于有限长信号一种缓解方法是先对信号进行镜像扩展再滤波最后截取中间部分。更简单的方法是接受开头和结尾一小段数据的失真在分析时忽略它们。滤波器阶数过高阶数太高的滤波器虽然频率响应好但瞬态响应可能更长延迟也更大。需要在性能和延迟之间权衡。7.4 绘图时图形混乱或重叠现象新画的图覆盖了旧的或者多个曲线挤在一个坐标系里看不清。Scilab绘图命令技巧figure(n)创建或切换到第n个图形窗口。每个窗口是独立的。clf()清除当前图形窗口中的所有内容。subplot(m,n,p)将当前图形窗口划分为m x n个子图并激活第p个子图进行绘制。hold on/hold off在当前坐标系中保持图形允许叠加绘图或取消保持。在绘制多条曲线时善用legend函数添加图例并用不同的颜色‘r‘,‘g‘,‘b‘,‘m‘,‘c‘,‘k‘和线型‘-‘,‘–‘,‘:‘,‘-.‘区分。7.5 脚本运行慢现象处理长信号或进行大量循环计算时脚本执行速度很慢。优化策略向量化操作这是Scilab/MATLAB编程的核心思想。尽量避免使用for循环对数组元素逐个操作。像x A * sin(2*%pi*f*t)这样的操作是向量化的一次计算整个数组速度极快。预分配数组如果必须使用循环且结果需要存入一个数组请先用zeros或ones函数预分配一个足够大的数组。例如result zeros(1, N);。这避免了循环中数组大小动态增长带来的巨大开销。使用内置函数Scilab的内置函数如fft,filter,conv等都是用C/Fortran优化过的比自己写的循环快几个数量级。减少图形刷新在循环中更新图形如plot会严重拖慢速度。可以将数据先计算并存储起来循环结束后再统一绘图。信号处理是一门实践性极强的学科。我个人的体会是最初的理解往往来自于书本和公式但真正的掌握和“感觉”则来自于像这样在Scilab中一遍遍地生成信号、观察波形、变换频谱、添加噪声、设计滤波器并观察效果。每一个参数的变化带来的影响都直观可见这种反馈是无可替代的。当你能够熟练地用这些工具去验证理论、模拟现象时你就已经从一个被动的知识接收者转变为一个主动的探索者了。不妨以这个项目为起点尝试修改参数比如改变噪声类型试试脉冲噪声、设计一个带通滤波器来提取特定频段、或者模拟更复杂的调制方式如频率调制FM你会发现一片更广阔的天地。
1. 项目概述为什么用Scilab处理正弦信号如果你正在学习信号处理或者你的工作涉及到从传感器数据中提取信息那么“正弦信号”这个概念你一定绕不开。它就像信号世界里的“基本粒子”简单、纯粹却构成了几乎所有复杂信号的基础。无论是音频处理、通信系统还是你提到的生物医学信号处理和MIMO雷达信号处理理解并熟练操作正弦信号都是第一步。但理论懂了怎么上手实操呢这时候一个强大又免费的工具就显得至关重要——这就是Scilab。Scilab可能不像MATLAB那样家喻户晓但它是一个功能完整、完全开源的科学计算软件。对于学生、研究人员和工程师来说它意味着零成本获得一个强大的数值计算和信号处理环境。这个项目就是带你用Scilab从零开始亲手“玩转”正弦信号。我们将不满足于画出一条简单的正弦波而是要深入其核心生成、分析、变换并模拟它在真实世界处理链路中可能遇到的情况比如混入噪声、被滤波器处理。最终你会掌握一套用Scilab进行基础信号处理的完整工作流这将成为你探索更复杂领域如生物医学信号分析或雷达信号处理的坚实跳板。2. 核心思路与工具选型解析2.1 为什么选择正弦信号作为切入点正弦信号数学上表示为 \( x(t) A \sin(2\pi f t \phi) \)它只用三个参数振幅A、频率f、初相位φ就能完全描述。这种简洁性使其成为理想的教学和实验对象。在工程实践中许多物理现象如交流电、机械振动、声波都可以近似为正弦或余弦信号。更重要的是根据傅里叶分析理论任何满足条件的复杂信号都可以分解为一系列不同频率、振幅和相位的正弦信号的叠加。因此掌握了正弦信号的处理就等于拿到了理解复杂信号的钥匙。在生物医学信号处理中心电信号ECG的节律性波动、脑电信号EEG中的特定频段如α波、β波其核心成分都可以用正弦或类正弦模型来分析和模拟。在MIMO雷达信号处理中发射和接收的信号本质也是高频正弦载波被调制后的结果。所以这个看似基础的项目其底层逻辑直接贯通了这些前沿应用。2.2 为什么是Scilab而不是Python或MATLAB这是一个很实际的问题。Python配合NumPy, SciPy, Matplotlib无疑是当前数据科学和信号处理领域的热门选择生态庞大。MATLAB则是该领域的传统工业标准工具箱丰富。选择Scilab是基于以下几个核心考量纯粹性与教学友好性Scilab内置了完整的信号处理工具箱语法与MATLAB高度相似但更简洁。它让你能更专注于信号处理概念本身而不是花费大量时间在Python库的安装、版本管理和语法细节上。对于初学者一个开箱即用、界面统一的集成环境类似MATLAB的工作区、编辑器、图形窗口更能降低入门门槛。零成本与合规性Scilab是完全开源免费的这对于个人学习者、高校教学以及预算有限的项目团队极具吸引力。你可以合法地在任何地方安装和使用它无需担心授权问题。足够的专业能力对于基础的信号生成、时频分析、滤波器设计和仿真来说Scilab的功能完全够用。它的fft快速傅里叶变换、滤波器设计函数eqfir,iir等、以及绘图功能足以支撑起一个完整的信号处理实验流程。平滑过渡如果你未来需要转向MATLAB由于语法相似过渡会非常平滑。如果你需要转向Python在Scilab中建立起的信号处理概念框架将直接适用你只需要学习用不同的语法库函数来实现它。因此本项目选择Scilab旨在提供一个低成本、低门槛、高聚焦的信号处理实操入门路径。3. 环境搭建与基础信号生成3.1 Scilab的安装与初体验首先前往Scilab官网下载对应你操作系统Windows, macOS, Linux的安装包。安装过程与普通软件无异。安装完成后打开你会看到三个主要窗口控制台用于输入命令、文件编辑器用于编写脚本、变量浏览器和图形窗口等。注意建议从一开始就养成编写脚本.sce文件的习惯而不是只在控制台输入单行命令。脚本便于修改、保存和重复运行是工程实践的基础。让我们从生成第一个正弦信号开始。核心参数我们已经知道振幅A、频率f、初相位phi。此外在数字世界里我们需要定义采样频率fs和信号持续时间T或总采样点数N。// 示例1生成一个1Hz的正弦波 clear; clc; // 清空工作区和命令窗口良好的习惯 // 1. 定义信号参数 A 1; // 振幅单位根据实际情况定这里设为1无量纲或伏特 f 1; // 频率1 Hz phi 0; // 初相位0弧度 fs 100; // 采样频率100 Hz。根据奈奎斯特定理需大于2*f T 2; // 信号持续时间2秒 // 2. 生成时间向量和信号向量 t 0 : 1/fs : T; // 时间向量从0到T步长为1/fs x A * sin(2*%pi*f*t phi); // 正弦信号 // 3. 绘制时域波形 figure(0); clf(); // 创建或清空0号图形窗口 plot(t, x, ‘b-‘, ‘LineWidth‘, 2); // 蓝色实线线宽2 xgrid(1, 1, 3); // 添加网格线颜色索引3通常是淡灰色 xlabel(‘时间 (秒)‘, ‘fontsize‘, 3); ylabel(‘幅度‘, ‘fontsize‘, 3); title(‘1 Hz 正弦信号时域波形‘, ‘fontsize‘, 4);运行这段脚本你将看到一个纯净的正弦波在2秒内完成了两个完整周期因为频率是1Hz。这里的关键是理解t 0 : 1/fs : T;这行代码它创建了一个离散的时间点序列1/fs就是采样间隔。2*%pi*f*t计算了每个时间点对应的相位弧度值%pi是Scilab预定义的圆周率常数。3.2 多信号生成与基本操作单一信号太枯燥我们生成多个信号来演示基本操作。// 示例2生成并操作多个信号 clear; clc; fs 1000; T 1; t 0:1/fs:T; f1 5; f2 50; x1 sin(2*%pi*f1*t); x2 0.5 * sin(2*%pi*f2*t %pi/4); // 振幅0.5相位偏移π/4 // 信号相加模拟简单混叠 x_sum x1 x2; // 绘制对比 figure(1); clf(); subplot(3,1,1); plot(t(1:200), x1(1:200), ‘r-‘); // 只画前200个点以便观察 title(‘5 Hz 低频信号‘); subplot(3,1,2); plot(t(1:200), x2(1:200), ‘g-‘); title(‘50 Hz 高频信号有衰减和相移‘); subplot(3,1,3); plot(t(1:200), x_sum(1:200), ‘b-‘, ‘LineWidth‘, 1.5); title(‘合成信号‘); xlabel(‘时间 (秒)‘);这个例子展示了信号的线性叠加。在现实中我们接收到的信号往往是多个分量如不同频率的振动、噪声的叠加。通过绘图你能直观看到高频信号“叠加”在低频信号的“轮廓”之上。实操心得在绘制包含快速振荡的信号时像上面一样只绘制一小段时间t(1:200)的波形是个好习惯。如果绘制整个长时间序列图形会因为点太密而糊成一团看不出细节。通过调整绘图的索引范围可以灵活地观察信号的局部或全局特征。4. 信号分析从时域到频域4.1 离散傅里叶变换与频谱分析时域波形告诉我们信号随时间的变化但频率成分信息是隐藏的。傅里叶变换在离散系统中是DFT常用其快速算法FFT能将信号从时域变换到频域让我们看清信号由哪些频率的正弦波组成以及它们的强度振幅谱和起始位置相位谱。// 示例3对合成信号进行FFT分析 clear; clc; fs 1000; T 1; N T * fs; // 总采样点数 t (0:N-1)/fs; f1 5; f2 50; x sin(2*%pi*f1*t) 0.5*sin(2*%pi*f2*t %pi/4); // 执行FFT X fft(x); // X是复数数组包含频域信息 X_mag abs(X); // 取模得到振幅谱 X_phase atan(imag(X), real(X)); // 计算相位谱使用atan(y,x)得到四象限相位 // 构建频率向量 freqs (0:N-1) * (fs / N); // 对应的频率点 // 绘制双边频谱包含正负频率 figure(2); clf(); subplot(2,1,1); plot(freqs(1:N/2), X_mag(1:N/2)*2/N, ‘b-‘, ‘LineWidth‘, 1.5); // 通常只显示前一半正频率并归一化 xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘振幅谱单边‘); xgrid(1,1,3); subplot(2,1,2); plot(freqs(1:N/2), X_phase(1:N/2), ‘r.‘); // 绘制相位点 xlabel(‘频率 (Hz)‘); ylabel(‘相位 (弧度)‘); title(‘相位谱单边‘); xgrid(1,1,3);运行后你会在振幅谱上看到两个明显的“尖峰”分别位于5Hz和50Hz附近且50Hz处的尖峰高度大约是5Hz处的一半因为其振幅是0.5。这完美印证了我们的信号构成。相位谱在对应频率点上的值也大致接近我们设定的0和π/4。关键点解析fft(x)返回一个复数数组长度与输入信号x相同。abs(X)得到每个频率分量的幅度。由于FFT结果是对称的对于实信号我们通常只取前一半1:N/2。绘图时乘以2/N是一种常见的幅度归一化方式使得频谱图上尖峰的高度等于原始正弦分量的振幅对于单频成分。如果不做归一化幅度值会与采样点数N相关不直观。频率向量freqs的计算是关键第k个点对应的频率是k * (fs / N)其中k从0到N-1。4.2 频谱泄露与窗函数应用在上一个理想例子中我们恰好截取了整数个信号周期。如果截取的不是整数倍周期会发生“频谱泄露”——能量会从主频点“泄露”到旁边的频率点上导致频谱图上的尖峰变宽、旁边出现许多小旁瓣。// 示例4演示频谱泄露 clear; clc; fs 1000; T_nonint 1.23; // 非整数周期时长 t 0:1/fs:T_nonint; x sin(2*%pi*5*t); // 仍然是5Hz信号 N length(x); X fft(x); freqs (0:N-1) * (fs / N); figure(3); clf(); subplot(2,1,1); plot(t, x); title(‘非整周期截取的5Hz正弦波‘); xlabel(‘时间 (秒)‘); subplot(2,1,2); plot(freqs(1:N/2), abs(X(1:N/2))*2/N); title(‘对应的频谱出现泄露‘); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); xgrid(1,1,3);你会发现频谱图上5Hz处的尖峰不再“干净”周围出现了很多杂散的频率分量。这不是噪声而是截断效应带来的数学失真。为了抑制泄露我们需要在FFT前对信号加“窗”。窗函数在信号两端平滑地衰减到零减少截断处的突变。最常用的是汉宁窗。// 示例5使用汉宁窗减少频谱泄露 w window(‘hn‘, N); // 生成长度为N的汉宁窗 x_windowed x .* w; // 点乘对信号加窗 X_w fft(x_windowed); figure(4); clf(); subplot(3,1,1); plot(t, x); title(‘原始信号‘); subplot(3,1,2); plot(t, w, ‘r-‘); title(‘汉宁窗‘); subplot(3,1,3); plot(t, x_windowed, ‘g-‘); title(‘加窗后的信号‘); xlabel(‘时间 (秒)‘); figure(5); clf(); plot(freqs(1:N/2), abs(X(1:N/2))*2/N, ‘b-‘); // 原始频谱 plot(freqs(1:N/2), abs(X_w(1:N/2))*2/N, ‘r-‘, ‘LineWidth‘, 1.5); // 加窗后频谱 legend([‘无窗‘, ‘汉宁窗‘]); title(‘加窗前后频谱对比‘); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); xgrid(1,1,3);加窗后频谱的旁瓣泄露的能量会显著降低但主峰会稍微变宽这是抑制泄露的代价称为“频率分辨率”下降。在实际信号分析中尤其是分析非平稳信号或进行精确频率估计时窗函数的选择和运用是一门大学问。5. 模拟真实场景噪声与滤波5.1 为信号添加噪声纯净的正弦信号在实验室外很少见。真实信号总是伴随着噪声。我们可以用Scilab轻松模拟。// 示例6生成含噪声的信号 clear; clc; fs 1000; T 1; t 0:1/fs:T; x_clean sin(2*%pi*10*t); // 10Hz纯净信号 // 添加高斯白噪声 SNR_dB 10; // 信噪比单位dB // 计算噪声功率 signal_power mean(x_clean.^2); noise_power signal_power / (10^(SNR_dB/10)); // 生成与x_clean同长度的噪声序列 noise grand(1, length(x_clean), ‘nor‘, 0, sqrt(noise_power)); x_noisy x_clean noise; figure(6); clf(); subplot(2,1,1); plot(t, x_clean, ‘b-‘); title(‘纯净的10Hz正弦信号‘); subplot(2,1,2); plot(t, x_noisy, ‘r-‘); title(‘加入高斯白噪声后的信号 (SNR10dB)‘); xlabel(‘时间 (秒)‘);grand函数是Scilab的随机数生成器‘nor‘表示正态分布高斯分布后两个参数是均值和标准差。我们通过信噪比来控制噪声的强度。现在信号看起来已经“毛糙”了很多时域上几乎看不出正弦波的形状。5.2 设计滤波器滤除噪声为了从x_noisy中恢复出x_clean我们需要一个滤波器。假设我们知道有用信号是10Hz而噪声遍布全频带我们可以设计一个低通滤波器只让10Hz及以下的低频成分通过滤除高频噪声。Scilab的eqfir函数可以用于设计线性相位的FIR滤波器。// 示例7设计并应用一个低通FIR滤波器 // 设计一个低通滤波器截止频率15Hz fc 15; // 截止频率 (Hz) fn fs / 2; // 奈奎斯特频率 Wc fc / fn; // 归一化截止频率 (0到1之间) // 使用eqfir设计一个65阶的FIR低通滤波器 taps 65; // 滤波器阶数阶数越高过渡带越陡峭但延迟和计算量越大 hm eqfir(taps, [0 Wc; Wc0.1 1], [1 0], [1 1]); // 设计参数需要仔细理解 // 参数解释 // taps: 滤波器系数个数阶数1 // [0 Wc; Wc0.1 1]: 频带划分。第一段[0, Wc]为通带第二段[Wc0.1, 1]为阻带。中间[Wc, Wc0.1]是过渡带。 // [1 0]: 期望的幅度响应通带为1阻带为0。 // [1 1]: 权重通带和阻带的误差权重均为1。 // 应用滤波器 x_filtered filter(hm, 1, x_noisy); // ‘1‘表示滤波器的分母多项式为1FIR滤波器 // 由于FIR滤波器引入的群延迟是固定的 (taps/2 个采样点)我们需要补偿这个延迟 delay taps / 2; x_filtered_aligned x_filtered(delay1:length(x_filtered)); t_aligned t(1:length(x_filtered_aligned)); // 绘制结果 figure(7); clf(); subplot(3,1,1); plot(t, x_noisy, ‘c-‘); title(‘带噪声的输入信号‘); subplot(3,1,2); plot(t_aligned, x_filtered_aligned, ‘m-‘, ‘LineWidth‘, 1.5); title(‘经过低通滤波器后的信号已对齐‘); subplot(3,1,3); plot(t, x_clean, ‘b-‘); hold on; plot(t_aligned, x_filtered_aligned, ‘m–‘, ‘LineWidth‘, 1.5); legend([‘原始纯净信号‘, ‘滤波恢复信号‘]); title(‘对比‘); xlabel(‘时间 (秒)‘); // 绘制滤波器的频率响应 [hm_freq, fr] frmag(hm, 2048); // 计算频率响应 figure(8); clf(); plot(fr*fn, 20*log10(hm_freq)); // 纵坐标转换为dB xlabel(‘频率 (Hz)‘); ylabel(‘增益 (dB)‘); title(‘FIR低通滤波器的幅频响应‘); xgrid(1,1,3);运行后你会看到滤波后的信号洋红色虽然无法完全恢复到原始蓝色信号那么光滑因为滤波器不是理想的会损失一些高频细节并且噪声中与信号同频的成分无法去除但已经非常接近正弦波的形状清晰可见。图8的滤波器频率响应曲线显示在15Hz以下增益接近0dB通过在15Hz以上增益迅速衰减到很低抑制。注意事项eqfir函数的设计参数需要花时间理解。[0 Wc; Wc0.1 1]这种写法定义了两个频带区间。过渡带(Wc, Wc0.1)的存在是必须的实际滤波器无法实现从通带到阻带的瞬间跳变。过渡带越窄需要的滤波器阶数taps就越高。这是一个在性能滤波效果和成本计算量、延迟之间的权衡。6. 综合案例模拟幅度调制让我们做一个更有趣的综合实验幅度调制。这是无线电通信的基础也是将低频信号如音频搭载到高频载波上进行远距离传输的方法。// 示例8幅度调制与解调仿真 clear; clc; fs 10000; // 需要较高的采样率来处理高频载波 T 0.1; // 持续时间0.1秒 t 0:1/fs:T; // 1. 生成调制信号低频包含信息和载波信号高频 f_mod 10; // 调制信号频率 10Hz f_carrier 200; // 载波频率 200Hz A_mod 0.8; // 调制信号振幅 m_t A_mod * cos(2*%pi*f_mod*t); // 调制信号 c_t cos(2*%pi*f_carrier*t); // 载波信号 // 2. 进行幅度调制 (AM) // 标准AM: s(t) [A m(t)] * c(t) 其中A |m(t)|的最大值这里A取1 A 1; s_t (A m_t) .* c_t; // 3. 绘制时域波形 figure(9); clf(); subplot(3,1,1); plot(t, m_t, ‘b-‘); title(‘调制信号 (10Hz)‘); ylabel(‘幅度‘); subplot(3,1,2); plot(t, c_t, ‘r-‘); title(‘载波信号 (200Hz)‘); ylabel(‘幅度‘); subplot(3,1,3); plot(t, s_t, ‘g-‘); title(‘已调信号 (AM)‘); ylabel(‘幅度‘); xlabel(‘时间 (秒)‘); // 4. 绘制频谱观察频率搬移现象 N length(s_t); S_f fft(s_t); freqs (0:N-1) * (fs / N); figure(10); clf(); subplot(2,1,1); plot(freqs(1:N/2), abs(S_f(1:N/2))*2/N); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘已调信号频谱‘); xgrid(1,1,3); // 理论上频谱应在载频f_carrier处有一个尖峰在其左右f_carrier /- f_mod处有两个边带。 // 我们可以放大看看 subplot(2,1,2); plot(freqs(1:N/2), abs(S_f(1:N/2))*2/N); xlabel(‘频率 (Hz)‘); ylabel(‘幅度‘); title(‘已调信号频谱局部放大‘); xgrid(1,1,3); // 通过图形窗口的缩放工具可以放大200Hz附近区域观察边带。 // 5. 简易包络检波解调一种非相干解调方法 // 对已调信号取绝对值再经过低通滤波即可近似得到包络 s_abs abs(s_t); // 设计一个截止频率略高于f_mod的低通滤波器来提取包络 fc_lp f_mod * 2; // 截止频率设为20Hz Wc_lp fc_lp / (fs/2); // 使用一个简单的移动平均滤波器也是一种FIR滤波器 taps_lp 101; // 阶数高一些平滑效果好 b ones(1, taps_lp) / taps_lp; // 系数全为1/taps_lp a 1; m_demod filter(b, a, s_abs); // 补偿滤波器延迟 delay_lp (taps_lp-1)/2; m_demod_aligned m_demod(delay_lp1:length(m_demod)); t_demod t(1:length(m_demod_aligned)); // 绘制解调结果 figure(11); clf(); plot(t, m_t, ‘b-‘, ‘LineWidth‘, 2); hold on; plot(t_demod, m_demod_aligned - mean(m_demod_aligned), ‘r–‘, ‘LineWidth‘, 1.5); // 减去直流分量便于对比 legend([‘原始调制信号‘, ‘解调恢复信号‘]); title(‘幅度调制解调结果对比‘); xlabel(‘时间 (秒)‘); ylabel(‘幅度‘); xgrid(1,1,3);这个案例综合运用了信号生成、运算、频谱分析和滤波。在频谱图图10中你能清晰地看到能量集中在200Hz载波以及190Hz和210Hz上下边带处这正是幅度调制的特征——将低频信息10Hz搬移到了高频载波两侧。解调部分我们用了最简单的包络检波法虽然恢复的信号有失真和延迟但基本形状得以重现。更精确的解调需要相干解调即需要与原始载波同频同相的本地振荡器这涉及到锁相环等技术更为复杂。7. 常见问题与调试技巧实录在实际操作中你肯定会遇到各种问题。下面是我在多次使用Scilab进行信号处理实验中总结的一些典型问题和解决方法。7.1 FFT结果看起来不对现象频谱图上的频率峰值位置不对或者幅度值非常奇怪比如巨大无比。排查步骤检查频率向量这是最常见错误。确保频率向量freqs是用(0:N-1) * (fs / N)正确计算的。N是信号长度fs是采样频率。检查归一化对于幅度谱如果你想知道真实振幅记得对abs(fft(x))的结果进行归一化通常乘以2/N对于单边谱。如果不关心绝对幅度只关心相对峰值可以跳过。检查信号长度FFT对信号长度敏感尤其是非2的幂次时。虽然Scilab的fft处理任意长度但如果是2的幂次如2565121024计算效率最高。可以使用nextpow2函数来寻找合适的长度NFFT 2^nextpow2(N); X fft(x, NFFT);。检查直流分量频谱的第一个点0Hz是直流分量即信号的均值。如果你的信号有非零均值0Hz处会有一个很大的值可能让你误以为有低频信号。在FFT前对信号去均值是个好习惯x x - mean(x);。7.2 滤波器设计函数参数令人困惑现象使用eqfir或iir等函数时设定的通带截止频率和实际滤波效果对不上。关键理解归一化频率数字滤波器设计函数通常使用归一化频率范围是0到1其中1对应奈奎斯特频率fs/2。因此你的目标频率f_cut需要转换为Wn f_cut / (fs/2)。频带矩阵eqfir的频带矩阵bands是一个m x 2的矩阵m是频带数量。每一行定义了一个频带的起始和结束归一化频率。例如对于低通滤波器bands [0, Wn; Wndelta, 1]delta是一个小的正数用于定义过渡带。没有过渡带的理想滤波器是无法物理实现的。期望响应向量des向量定义了每个频带期望的幅度响应长度与频带数m相同。权重向量weight向量定义了每个频带在优化设计中的权重。权重越大该频带的设计误差就越被重视。调试建议始终使用frmag函数计算并绘制出你设计的滤波器的频率响应图。眼见为实图形能最直观地告诉你滤波器的通带、阻带和过渡带是否符合预期。7.3 滤波后的信号有延迟或畸变现象滤波后的信号和原始信号在时间上对不齐或者波形起始/结束处有奇怪的震荡。原因与解决群延迟所有实际滤波器都会引入延迟。对于线性相位的FIR滤波器这个延迟是固定的等于(N-1)/(2*fs)秒其中N是滤波器阶数系数个数。在比较滤波前后信号时需要将滤波后信号向后平移这个延迟量如示例7所示。可以使用grpdelay函数计算群延迟。瞬态效应在滤波开始和结束时由于滤波器内部状态未稳定输出端会产生瞬态响应导致信号起始和结束部分畸变。对于有限长信号一种缓解方法是先对信号进行镜像扩展再滤波最后截取中间部分。更简单的方法是接受开头和结尾一小段数据的失真在分析时忽略它们。滤波器阶数过高阶数太高的滤波器虽然频率响应好但瞬态响应可能更长延迟也更大。需要在性能和延迟之间权衡。7.4 绘图时图形混乱或重叠现象新画的图覆盖了旧的或者多个曲线挤在一个坐标系里看不清。Scilab绘图命令技巧figure(n)创建或切换到第n个图形窗口。每个窗口是独立的。clf()清除当前图形窗口中的所有内容。subplot(m,n,p)将当前图形窗口划分为m x n个子图并激活第p个子图进行绘制。hold on/hold off在当前坐标系中保持图形允许叠加绘图或取消保持。在绘制多条曲线时善用legend函数添加图例并用不同的颜色‘r‘,‘g‘,‘b‘,‘m‘,‘c‘,‘k‘和线型‘-‘,‘–‘,‘:‘,‘-.‘区分。7.5 脚本运行慢现象处理长信号或进行大量循环计算时脚本执行速度很慢。优化策略向量化操作这是Scilab/MATLAB编程的核心思想。尽量避免使用for循环对数组元素逐个操作。像x A * sin(2*%pi*f*t)这样的操作是向量化的一次计算整个数组速度极快。预分配数组如果必须使用循环且结果需要存入一个数组请先用zeros或ones函数预分配一个足够大的数组。例如result zeros(1, N);。这避免了循环中数组大小动态增长带来的巨大开销。使用内置函数Scilab的内置函数如fft,filter,conv等都是用C/Fortran优化过的比自己写的循环快几个数量级。减少图形刷新在循环中更新图形如plot会严重拖慢速度。可以将数据先计算并存储起来循环结束后再统一绘图。信号处理是一门实践性极强的学科。我个人的体会是最初的理解往往来自于书本和公式但真正的掌握和“感觉”则来自于像这样在Scilab中一遍遍地生成信号、观察波形、变换频谱、添加噪声、设计滤波器并观察效果。每一个参数的变化带来的影响都直观可见这种反馈是无可替代的。当你能够熟练地用这些工具去验证理论、模拟现象时你就已经从一个被动的知识接收者转变为一个主动的探索者了。不妨以这个项目为起点尝试修改参数比如改变噪声类型试试脉冲噪声、设计一个带通滤波器来提取特定频段、或者模拟更复杂的调制方式如频率调制FM你会发现一片更广阔的天地。
)
