信号分析中的频率细化基本概念
几种频谱分析细化方法简介
高分辨率频谱分析算法实现【摘要】随着电子技术的迅速发展，信号处理已经深入到很多的工程领域，信号频域的特征越来越受到重视。
在信号通信、雷达对抗、音频分析、机械诊断等领域，频谱分析技术起到很大的作用。
基于数字信号处理（DSP）技术的频谱分析，如果采用传统的快速傅里叶（FFT)算法则只能比较粗略的计算频谱，且分辨率不高；但是采用频谱细化技术就能对频域信号中感兴趣的局部频段进行频谱分析，就能得到很高的分辨率.常见的方法有基于复调制的ZoomFFT 法、Chirp-Z 变换、Yip—ZOOM 变换等，但是从分析精度、计算效率、分辨率、灵活性等方面来看，基于复调制的ZoomFFT 方法是一种行之有效的方法。
实验结果表明该方案具有分辨率高、速度快的特点，具有较高的工程应用价值.【关键字】频谱分析;频谱细化;Z变换【Abstract】With the rapid development of electrical technology, signal processing has been widely used in many engineering fields and special attention has been paid to the characteristic of signal frequency。
The spectrum analyzer technology takes a great part in the fields like signal communication, rador countermeasures, audio analysis, mechanism diagnose。
Based on digital signal processing (DSP）technology，the spectrum analysis system, while the use of the fast Fu Liye traditional (FFT) algorithm can calculate the frequency spectrum is rough，and the resolution is not high; but using spectrum zoom technique can analyze the frequency spectrum of the local frequency segment interested in frequency domain signal，can get very high resolution。
信号分析 基本概念及频谱
+ ian ), n
≥1
tgϕn
=
bn an
“负频率”谐波
An = 2 cn ,
所以，
An
=
2 c−n
,
ϕn
=
Argcn
+
π
2
ϕn
=
π
2
−
Argc−n
实际也反映相应的
, n = 1,2,3,L 正频率谐波的振幅和相位
, n = 1,2,3,L
谐波的可振见幅，每An 个和谐相波位的ϕ成。分可由Cn唯一决定，即Cn可以表示该
x(t)
=
a0 2
+
∑∞ [an
n=1
sin(2πnf0t)
+
bn
cos(2πnf 0t )]
∑ ( ) ( ) =
a0 2
+
∞ n=1
−
ian 2
e − e i2πnf0t
−i 2πnf0t
+ bn 2
e + e i2πnf0t
−i 2πnf0t
∑ =
a0 2
+
∞ n=1
bn
− ian 2
ei 2πnf0t
f(t)
t
0
f(2t)
t
0
微分 d f (t)
dt
t
积分 ∫ f (t)dt
−∞
f(t/2)
t
0
信号的基本运算(2)
卷积（褶积）：convolution （互）相关：（cross-）correlation
今后重点讨论 ！
第1章：信号的基本概念、频谱与连续傅立叶变换
信号的基本概念 信号的频谱（傅立叶级数） 傅立叶变换 几种基本信号的频谱 频谱的基本性质 傅立叶积分与傅立叶级数的关系 几种特殊信号的频谱
信号分析中的频率细化基本概念
研究数字频谱最有效方法通常是离散傅里叶变换.频率分辨率是指对两个相邻谱峰进行区分地能力，表现形式为频谱中能够分辨地两个频率分量地最小间隔.在信号处理中，人们为了把整个频率范围内地某段重点频区局部放大，获得比整个频率范围地频率分辨率更高地频率分辨率，从而观察频谱中地细微部分. 因此提出频谱细化这一课题. 文档收集自网络，仅用于个人学习频谱细化研究意义考虑到数字信号分析中，虽然提高信号地采样频率可以改善信号分析地频率分辨率，但是提高信号地采样频率通常需要付出额外地硬件代价，往往受制于可实现性与成本问题而难以实现.因此，就需要使用频谱细化技术在尽可能低地采样频率下提高数字信号分析地频率分辨率地措施.文档收集自网络，仅用于个人学习频谱细化基本思路频谱细化地基本思路是对信号频谱中地某一频段进行局部放大，也即在某一频率附近局部增加谱线密度，实现选带频段分析.文档收集自网络，仅用于个人学习频谱细化常见方法常见地经典方法有：复调制细化法、变换、细化法、补零法等很多方法.复调制细化法：又称为选带频率细化选带频谱分析，是世纪年代发展起来地.其传统地分析步骤为：移频（复调制）低通滤波器重抽样及谱分析频率成分调整，因其物理概念非常明确，所以一直沿用至今.文档收集自网络，仅用于个人学习细化法：该方法地原理本质是将连续傅里叶变换经过将积分化成求和、时域离散化和时域截断为有限长三个步骤变换得到时间离散、频率连续地特殊傅里叶变换形式.连续细化分析傅里叶变换法先用做全景谱，再对指定地一个频率区间进行细化计算：先确定频率分辨率，再确定计算频率序列，最后用连续谱分析方法进行实部和虚部计算，合成幅值谱和相位谱.文档收集自网络，仅用于个人学习变换：最早提出于年，是一种在平面上沿着螺旋线轨道计算有限时宽地变换方法.基本原理是在折叠频率范围内,任意选择起始频率和频率分辨率,在这有限带宽里对样本信号进行变换,这与频谱校正方法中地连续细化分析傅里叶变换法地基本原理是一样地. 文档收集自网络，仅用于个人学习频谱细化应用场合频谱细化技术在生产实践和科学研究中获得了日益广泛地应用.例如，齿轮箱地故障诊断要求准确分辨齿轮各阶啮合振动地主频和边频等，其频谱图上地频率间隔很细，但频率分布又较宽，为了识别谱图地细微结构，就必须对信号进行细化分析；直升机、坦克、巡航导弹地声音具有显著地非平稳性，为了得到准确地时延量，信号地取样不能太长，而计算地频谱存在栅栏效应.因此必须采用有效地方法对频谱进行细化，这样才能保证足够地相关计算精度；在无线电通信信号和其他地实际工程信号地分析中，为了获取更高地测量精度和实时检测能力，需要对信号频谱进行细化分析，以提供有用信息.因此对频谱细化技术地研究受到普遍重视，也是当前信号处理技术研究中地一个十分活跃地课题.文档收集自网络，仅用于个人学习频率细化是年代发展起来地一种新技术，其主要目地是识别谱图上地细微结构.从通常地分析方法中我们已经知道，在频谱图上地有效频率分布范围是从到奈魁斯特频率为止，而谱线间隔()决定了频率分辨能力，表示数据点数，这里表示采样频率，且.因此，要获得较高地分辨率可从下面两个方面进行.第一方面：降低采样频率，谱线间隔减小，但这样会降低奈魁斯特频率，从而导致频率分析范围小；第二方面：提高计算长度值，但这样要求较大地内存和降低运算速度[].在内存和计算长度有限制地情况下，既要不降低频率分析范围，而又要增加频率分辨率是矛盾地，为此出现了基于不同原理地各种选频细化分析方法，例如，扫频窄带分析法、基于复调制地法、直接选抽法、级联法、相位补偿细化和最大频谱地局部表示法等.最为常用地是复调制，相位补偿细化和级联三种方法.然而在计算效率、精度和灵活性等方面都比较理想地方法还是基于复调制地，因此得到了较多地应用.几种常用细化方法地比较.复调制复调制.输入信号为(),假设其频谱为(),我们需要频率附近地频谱进行细微观察，则首先应对()进行复调制，得到移频后地信号(),经过复调制后地信号()地频谱是原来地频谱左移，欲观察地谱线已移至零频附近.这样就可以较低地频率对()进行重新采样，为防止频谱混迭，在采样前应用理想低通滤波器进行滤波.具体阐述如下：（）频移.为了将感兴趣地频段地下限频率移至原来地零频率位置，以便有可能将感兴趣频段放大到整个频率显示范围上，需首先对信号进行频率调制.这里采用地是复数调制法，如果欲将某一频率移至原来地零频处，则以原信号与 (***？) 相调制得：实部为 ((***)(*？))，虚部为(（***)(*？)).若令？(？原有地频率分辨率)，即为频率在原频谱图中所对应地谱线序号，则实部和虚部即可以写为： (***)及 (***)，合并实部和虚部可以得到调制后地信号为 (*)，()滤波.数字低通滤波器是高截止特性地低通滤波器，可将从开始地一个所要求显示地窄频带到以外地所有频率成分滤掉，仅为原截止频率地^(,…)，此处^即为细化倍数,称之为细化因子.()二次采样.二次采样是为了提高频率分辨率，使采样频率降至^(是第一次采样地采样频率).由采样定理可知，在采样个数仍为时，采样频率下降为^，相当于总时间窗增长^倍，则频率分辨率亦将提高倍.这时地分辨率？’与原分辨率？之比为 ^，经二次采样后地信号，进行复数，便得到了细化地频谱.由于细化倍时二次采样频率下降为原来地^，采样地记录长度亦应增至原来地^倍.应该指出，记录长度地增加仅在一次采样时增加了采样点数，而在完成二次采样后，点数仍为，以后地处理时间并未增加，因此，在细化倍时，计算时间并不会增加至^倍. 当然，移频法也有其缺点，就是一次分析仅能使指定地一段频谱得到细化与分析，而其余则均滤去，如欲进行多频段或全部频率范围内地细化，则要一次一次地进行重采样，然后再作预处理和分析，很费时间.相位补偿细化相位补偿细化，可以对全部频率范围内地频谱进行细化，这就克服了频移法地缺点.当然，对于只需要在窄带范围内细化地情况，用相位补偿法有点浪费.设要求地细化因子为^，则采样个数为：’，式中—原分析长度，—采样间隔.将相距个采样间隔地样本抽出来集合为一个子序列，每个子序列有个样本，共有个子序列.总频谱是次点地结果相应乘以^ 后叠加地结果.这里地^即为谱线地相位补偿量.级联假定样本数据是(){,…；，…, .其中数据序列被划分为个区组，互不重叠.每一个区组有个样本点.*点地频率分辨率是,运算量为 ().*点地可以简化成两次，第一次是对个区组作点，而第二次是对所关心地谱线做点.总计算量为：()，比上述计算量减少().级联与复包络解调法其实在本质上是类似地.从这个方向去理解地话,那地方法并不能提高分辨率.看来很多人对有个误区,事实上所谓地提高分辨率是指针对作同样点数地离散傅立叶变换而言地,即作细化倍地点细化谱实际上原始数据必须采点数据,这时候它比用点原始数据直接做而言频率分辨率提高了倍,但如果把点原始数据全部做,那它和细化谱地分辨率是一样地.一句话本质上可以说是一种快速算法,它通过滤波重采样来降低采样频率,这样就可以用较少点数地来实现较高地频率分辨率,当然,提高速度地代价就是只能对局部频带进行细化(而如果将利用地所有原始数据全部直接做地话,它做出地是整个频域地,而且频率分辨率和细化后地一样,甚至如果考虑细化时滤波所需去掉地点,直接地频率分辨率可以更高).文档收集自网络，仅用于个人学习。
现代信号处理时频分析的基本概念
现代信号处理时频分析的基本概念时频分析的基本概念涵盖了以下几个方面：1.时频表示：时频表示是将信号在时频域上进行表示和展示的方法。
常见的时频表示方法有短时傅里叶变换（STFT）、连续小波变换（CWT）、时频分布、迭代型时频分析等。
这些方法可以将信号在时间和频率上的变化过程进行可视化分析，帮助我们直观地了解信号的时频特性。
2.时间-频率分辨率：时频分辨率是指通过时频分析方法获取的结果对信号时间和频率的分辨能力。
在时域上，分辨率高意味着可以更精细地观察信号的瞬时特性；在频域上，分辨率高意味着可以更准确地观察信号的频带特性。
然而，时间与频率的分辨率在其中一种程度上存在一种不可调和的矛盾，这被称为希尔伯特不确定性原理。
3.信号的局部特性：时频分析可用于观察信号局部特性的变化。
通过时频分析，我们可以识别信号中的瞬态、周期性、谱线（频率的连续分布）和突变点。
这些局部特性可以帮助我们更好地理解信号的属性和结构。
4.图像处理方法：在进行时频分析时，图像处理方法是一种常见的工具。
这些方法包括边缘检测、阈值处理、小波变换、频谱滤波等。
图像处理方法的应用可以提高时频分析的准确性和可视化效果，并帮助我们更好地理解信号的时变特性。
5.实时性：实时时频分析是指对实时数据进行连续的时频分析。
由于现代信号处理应用要求对实时信号进行快速分析和处理，因此实时时频分析是一项关键技术。
实时时频分析方法通常要求高效的计算和算法优化，以满足实时处理的需求。
总之，时频分析是现代信号处理中的重要概念，在信号处理、通信、雷达等领域有广泛的应用。
时频分析方法可以帮助我们更全面地理解信号的时频特性，从而提高信号的处理和分析效率。
频谱分析原理
频谱分析原理频谱分析是指对信号的频谱特性进行分析的一种方法。
频谱分析的原理主要是通过将信号从时域转换到频域，从而可以直观地观察信号的频率成分和能量分布情况。
频谱分析在通信、音频处理、振动分析等领域都有着广泛的应用，下面我们将从频谱分析的原理入手，深入探讨其相关知识。
首先，我们来了解一下频谱分析的基本概念。
频谱分析是通过傅里叶变换将信号从时域转换到频域，得到信号的频谱信息。
在频谱分析中，我们需要用到一些基本的概念，比如频率、幅度谱、相位谱等。
频率指的是信号中包含的周期性变化，而幅度谱则表示了不同频率成分的能量大小，相位谱则表示了不同频率成分之间的相位关系。
通过对这些频谱信息的分析，我们可以更好地理解信号的特性。
频谱分析的原理可以用数学方法进行描述。
在信号处理中，我们常用到傅里叶变换来实现频谱分析。
傅里叶变换可以将一个信号分解成不同频率的正弦和余弦成分，从而得到信号的频谱信息。
通过对信号进行傅里叶变换，我们可以得到信号的频谱表示，进而进行频谱分析。
在实际应用中，频谱分析有着广泛的应用。
在通信领域，频谱分析可以用来分析信号的频率成分，从而实现信号的调制解调和频谱整形等功能。
在音频处理中，频谱分析可以用来实现音频信号的均衡、滤波等处理。
在振动分析中，频谱分析可以用来分析振动信号的频率成分，从而判断机械设备的工作状态。
除了傅里叶变换外，频谱分析还可以通过其他方法实现，比如快速傅里叶变换（FFT）、小波变换等。
这些方法在不同的应用场景中都有着各自的优势，可以根据具体的需求选择合适的方法进行频谱分析。
总之，频谱分析是一种重要的信号分析方法，通过将信号从时域转换到频域，可以更好地理解信号的频率特性和能量分布情况。
在实际应用中，频谱分析有着广泛的应用，可以帮助我们实现信号处理、故障诊断、数据压缩等功能。
希望通过本文的介绍，读者对频谱分析的原理有所了解，并能在实际应用中加以运用。
第一章信号及其频谱分析
第一章信号及其频谱分析信号及其频谱分析是现代通信领域中非常重要的一部分，它们在信息传输、信号处理、噪声分析等方面起着重要的作用。
本章主要介绍信号的概念、特点以及频谱分析的基本原理和方法。
首先，我们来了解一下信号的概念。
信号是指随时间或空间变化的物理量，它可以是电压、电流、光强等。
信号通常可以分为连续信号和离散信号。
连续信号是指在时间上连续变化的信号，可以用数学函数来描述。
离散信号是在时间上离散变化的信号，可以用数列来描述。
信号的主要特点包括振幅、频率、相位等。
振幅表示信号的大小，频率表示信号的变化速度，相位表示信号的起始相对时间。
接下来，我们来介绍频谱分析的概念和原理。
频谱分析是将信号在频域上进行分析的过程，目的是提取信号的频率特征和幅度特征。
频域分析是将信号从时域转换到频域的过程，其中最常用的方法是傅里叶变换。
傅里叶变换是一种将信号从时域转换到频域的数学工具，它可以将时域上的信号表示为一系列正弦波的叠加。
傅里叶变换的基本思想是将信号分解成多个不同频率的正弦波，并得到它们对应的振幅和相位。
傅里叶变换的结果称为频谱，它表示了信号在频域上的特性。
除了傅里叶变换，还有一种常用的频谱分析方法是功率谱密度估计。
功率谱密度估计是用来估计信号的功率谱的方法，可以通过对信号进行一系列操作，如滤波、窗函数处理等，来获得信号的频谱信息。
频谱分析在通信系统设计、信号处理、噪声分析等方面具有重要的应用。
在通信系统设计中，频谱分析可以帮助我们了解信道的带宽、信号的调制方式等，从而优化系统设计。
在信号处理中，频谱分析可以帮助我们进行滤波、降噪等信号处理操作。
在噪声分析中，频谱分析可以帮助我们分析信号中的噪声成分，从而提高信号的质量。
综上所述，信号及其频谱分析是现代通信领域中非常重要的一部分。
通过对信号的振幅、频率和相位等特征进行分析，可以帮助我们理解信号的特性，并从中提取有用的信息。
频谱分析的方法包括傅里叶变换和功率谱密度估计等，它们在通信系统设计、信号处理、噪声分析等方面具有广泛的应用。
基本频率分析知识点总结
基本频率分析知识点总结1. 什么是频率分析频率分析是一种统计方法，用于研究数据中不同数值出现的次数，并将这些次数以频率的形式呈现出来。
通过频率分析，我们可以了解数据中的分布规律和趋势变化，从而更好地理解数据的特征和含义。
2. 频率分析的基本概念在频率分析中，我们常常会遇到以下几个基本概念：- 绝对频数：指某个数值在数据中出现的次数，也就是该数值的绝对频率。
- 相对频率：指某个数值在数据中出现的次数与总次数的比值，也就是该数值的相对频率。
- 累积频数：指小于或等于某一数值的所有数值的频数之和。
- 累积频率：指小于或等于某一数值的所有数值的相对频率之和。
3. 频率分析的应用领域频率分析在各个领域都有广泛的应用，例如在统计学、金融学、市场营销、社会学、心理学、医学等领域，都可以看到频率分析的身影。
在具体的应用中，频率分析可以帮助人们更好地理解数据的特征和规律，从而进行有效的决策和分析。
4. 频率分析的常见方法在实际应用中，频率分析可以通过多种方法来进行，主要包括：- 单变量频率分析：通过对单个变量的频数和频率进行统计分析，来了解单个变量的分布情况。
- 多变量频率分析：通过对多个变量的频数和频率进行统计分析，来了解多个变量之间的关系和相互影响。
- 累积频率分析：通过对数据进行累积频数和累积频率的计算，来了解数据的累积变化情况。
- 百分位数分析：通过计算数据的百分位数，来了解数据中特定位置的数值所占的比例。
5. 频率分析的常见指标在频率分析中，我们通常会用到一些常见的指标来描述数据的分布情况，主要包括：- 众数：指数据中出现次数最多的数值，也就是数据中的最常见数值。
- 中位数：指数据中按升序排列后位于中间位置的数值，也就是数据的中间值。
- 平均数：指数据中所有数值的总和除以数值的总个数，也就是数据的平均值。
- 分位数：指将数据按大小顺序排列后，将其分为等份的数值，如四分位数、中位数等。
6. 频率分布表在频率分析中，我们通常会使用频率分布表来展示数据的频率分布情况。
信号分析基本概念及频谱
信号分析基本概念及频谱信号分析是指对各种信号进行传输、处理和解释的一种方法。
通过信号分析，可以了解信号的基本特征、频谱特性和时域特性等信息，从而更好地理解和应用信号。
信号是在时间和空间中传递的信息，可以是声音、光、电压等形式。
信号分析是对这些信号进行研究和解释的过程，其目的在于从信号中提取有用的信息，帮助我们更好地理解信号的特性和应用。
在信号分析中，频谱是一个重要的概念。
频谱是指信号在频率上的分布情况，反映了信号各频率成分的强弱和相对位置。
频谱分析可以通过傅里叶变换等方法得到。
傅里叶变换是一种将时域信号转换为频域信号的方法，可以将信号分解为一系列频率成分，从而分析信号的频率特性。
频谱分析可以揭示信号的频率成分、频带宽度以及功率等信息。
通过对信号的频谱分析，可以了解信号的频率特性，例如频率分布、频率分量的幅度和相位等。
此外，还可以从频谱图中找出频率范围内的噪声成分，帮助我们进行滤波和降噪处理。
除了频谱分析，信号分析还包括时域分析、幅度谱分析等方法。
时域分析是指对信号在时间上的变化进行分析，可以观察信号的波形、周期性、振幅等特征。
时域分析可以通过使用傅里叶反变换等方法将频域信号转换为时域信号。
幅度谱分析是指对信号幅度的变化进行分析，可以揭示信号的幅度特性、幅频特性等。
信号分析在各个领域都有广泛的应用。
在通信领域，信号分析可以帮助我们了解通信信号的频率特性，从而进行信号处理和传输。
在音频领域，信号分析可以帮助我们了解音频信号的频谱特性，从而进行音频处理和音乐制作。
在医学领域，信号分析可以帮助我们对生物信号进行分析和诊断，如心电信号和脑电信号等。
总结起来，信号分析是对各种信号进行传输、处理和解释的方法。
其中频谱分析是一种重要的方法，可以帮助我们了解信号的频率特性。
信号分析在各个领域都有广泛的应用，对于理解和处理信号具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
研究数字频谱最有效方法通常是离散傅里叶变换。
频率分辨率是指对两个相邻谱峰进行区分的能力，表现形式为频谱中能够分辨的两个频率分量的最小间隔。
在信号处理中，人们为了把整个频率范围内的某段重点频区局部放大，获得比整个频率范围的频率分辨率更高的频率分辨率，从而观察频谱中的细微部分。
因此提出频谱细化这一课题。
考虑到数字信号分析中，虽然提高信号的采样频率可以改善信号分析的频率分辨率，但是提高信号的采样频率通常需要付出额外的硬件代价，往往受制于可实现性与成本问题而难以实现。
因此，就需要使用频谱细化技术在尽可能低的采样频率下提高数字信号分析的频率分辨率的措施。
频谱细化的基本思路是对信号频谱中的某一频段进行局部放大，也即在某一频率附近局部增加谱线密度，实现选带频段分析。
常见的经典方法有：复调制细化法、Chirp-Z变换、FFT+FT细化法、DFT补零法等很多方法。
复调制细化法：又称为选带频率细化选带频谱分析，是20世纪70年代发展起来的。
其传统的分析步骤为：移频（复调制）--低通滤波器--重抽样--FFT及谱分析--频率成分调整，因其物理概念非常明确，所以一直沿用至今。
FFT+FT细化法：该方法的原理本质是将连续傅里叶变换经过将积分化成求和、时域离散化和时域截断为有限长三个步骤变换得到时间离散、频率连续的特殊傅里叶变换形式。
FF T+FT连续细化分析傅里叶变换法先用FFT做全景谱，再对指定的一个频率区间进行细化计算：先确定频率分辨率，再确定计算频率序列，最后用FT连续谱分析方法进行实部和虚部计算，合成幅值谱和相位谱。
Chirp-Z变换：最早提出于1969年，CZT是一种在Z平面上沿着螺旋线轨道计算有限时宽的Z变换方法。
基本原理是在折叠频率范围内,任意选择起始频率和频率分辨率,在这有
限带宽里对样本信号进行Z变换,这与频谱校正方法中的FFT + FT连续细化分析傅里叶变换法的基本原理是一样的。
频谱细化技术在生产实践和科学研究中获得了日益广泛的应用。
例如，齿轮箱的故障诊断要求准确分辨齿轮各阶啮合振动的主频和边频等，其频谱图上的频率间隔很细，但频率分布又较宽，为了识别谱图的细微结构，就必须对信号进行细化分析；直升机、坦克、巡航导弹的声音具有显著的非平稳性，为了得到准确的时延量，信号的取样不能太长，而FFT 计算的频谱存在栅栏效应。
因此必须采用有效的方法对频谱进行细化，这样才能保证足够的相关计算精度；在无线电通信信号和其他的实际工程信号的分析中，为了获取更高的测量精度和实时检测能力，需要对信号频谱进行细化分析，以提供有用信息。
因此对频谱细化技术的研究受到普遍重视，也是当前信号处理技术研究中的一个十分活跃的课题。
频率细化是70年代发展起来的一种新技术，其主要目的是识别谱图上的细微结构。
从通常的FFT分析方法中我们已经知道，在频谱图上的有效频率分布范围是从0HZ到奈魁斯特频率fN为止，而谱线间隔(fs/N)决定了频率分辨能力，N表示数据点数，这里fs表示采样频率，且fN=fs/2。
因此，要获得较高的分辨率可从下面两个方面进行。
第一方面：降低采样频率，谱线间隔减小，但这样会降低奈魁斯特频率fN，从而导致频率分析范围小；第二方面：提高FFT计算长度N值，但这样要求较大的内存和降低运算速度[8]。
在内存和FFT计算长度N有限制的情况下，既要不降低频率分析范围fN，而又要增加频率分辨率是矛盾的，为此出现了基于不同原理的各种选频细化分析方法，例如，扫频窄带分析法、基于复调制的ZFFT 法、直接选抽法、级联FFT法、相位补偿细化和最大频谱的局部表示法等。
最为常用的是复调制ZOOMFFT，相位补偿细化和级联三种方法。
然而在计算效率、精度和灵活性等方面都比较理想的方法还是基于复调制的Zoom-FFT，因此得到了较多的应用。
几种常用细化方法的比较
1.复调制Zoom-FFT
复调制Zoom-FFT.输入信号为x(n),假设其频谱为|X(f)|,我们需要频率f0附近的频谱进行细微观察，则首先应对x(n)进行复调制，得到移频后的信号y(n),经过复调制后的信号y(n)的频谱是原来的频谱左移，欲观察的谱线已移至零频附近。
这样就可以较低的频率对y(n)进行重新采样，为防止频谱混迭，在采样前应用理想低通滤波器进行滤波。
具体阐述如下：
（1）频移。
为了将感兴趣的频段的下限频率移至原来的零频率位置，以便有可能将感兴趣频段放大到整个频率显示范围上，需首先对信号进行频率调制。
这里采用的是复数调制法，如果欲将某一频率fo移至原来的零频处，则以原信号x1与 exp(-j2pi*f0*k*？t) 相调制得：实部为 x1cos((2*pi*f0*k)/(N*？f))，虚部为-x1sin(（2*pi*f0*k)/(N*？f))。
若令L0=f0/？f(？f---原有的频率分辨率)，即为频率在原频谱图中所对应的谱线序号，则实部和虚部即可以写为： x1cos(2*pi/N*L0*k)及 -x1sin(2*pi/N*L0*k)，合并实部和虚部可以得到调制后的信号为 wn=exp(-j*2pi/N)，
(2)滤波。
数字低通滤波器是高截止特性的低通滤波器，可将从f0开始的一个所要求显示的窄频带f0到f1以外的所有频率成分滤掉，f0-f1仅为原截止频率的1/2^n(n=1,2,3,…)，此处2^n即为细化倍数,称之为细化因子。
(3)二次采样。
二次采样是为了提高频率分辨率，使采样频率降至Fs/2^n(Fs是第一次采样的采样频率)。
由采样定理可知，在采样个数仍为N时，采样频率下降为1/2^n，相当于总时间窗增长2^n倍，则频率分辨率亦将提高2n倍。
这时的分辨率？f’与原分辨率？f之比为 1/2^n，经二次采样后的信号，进行复数FFT，便得到了细化的频谱。
由于细化2n倍时二次采样频率下降为原来的1/2^n，采样的记录长度亦应增至原来的2^n倍。
应该指出，记录长度的增加仅在一次采样时增加了采样点数，而在完成二次采样后，点数仍为N，以后的FFT处理时间并未增加，因此，在细化2n倍时，计算时间并不会增加至2^n倍。
当然，移频法也有其缺点，就是一次分析仅能使指定的一段频谱得到细化与分析，而其余则均滤去，如欲进行多频段或全部频率范围内的细化，则要一次一次地进行重采样，然后再作预处理和分析，很费时间。
2相位补偿细化
相位补偿细化，可以对全部频率范围内的频谱进行细化，这就克服了频移法的缺点。
当然，对于只需要在窄带范围内细化的情况，用相位补偿法有点浪费。
设要求的细化因子为D=2^n，则采样个数为：N’=DN=DT/t，式中T—原分析长度，t—采样间隔。
将相距D个采样间隔的样本抽出来集合为一个子序列，每个子序列有N个样本，共有D个子序列。
总频谱是D次N点的FFT结果Xd相应乘以W^k DN后叠加的结果。
这里的W^kDN即为谱线Xd的相位补偿量。
3级联Zoom-FFT
假定样本数据是x(n+mN),n={0,…,N-1；m=0，…, M-1。
其中数据序列被划分为M个区组，互不重叠。
每一个区组有N个样本点。
N*M点FFT的频率分辨率是:f=1/NMTS,运算量为NM log(NM)/2。
N*M点的DFT可以简化成两次DFT，第一次DFT是对M个区组作N点DFT，而第二次DFT是对所关心的谱线k做M点DFT。
总计算量为：(MnlogN+MlogM)/2，比上述计算量减少(N-1)MlogM/2。
级联FFT与复包络解调法其实在本质上是类似的。
从这个方向去理解的话,那ZFFT的方法并不能提高分辨率.
看来很多人对ZFFT有个误区,事实上,ZFFT所谓的提高分辨率是指针对作同样点数的离散傅立叶变换而言的,即作细化D倍的N点细化谱实际上原始数据必须采DN点数据,这时候它比用N点原始数据直接做FFT 而言频率分辨率提高了D倍,但如果把DN点原始数据全部做FFT,那它和细化谱的分辨率是一样的.
一句话,ZFFT本质上可以说是一种快速算法,它通过滤波重采样来降低采样频率,这样就可以用较少点数的FFT来实现较高的频率分辨率,当然,提高速度的代价就是只能对局部频带进行细化(而如果将ZFFT利用的所有原始数据全部直接做FFT的话,它做出的是整个频域的,而且频率分辨率和细化后的一样,甚至如果考虑细化时滤波所需去掉的点,直接FFT的频率分辨率可以更高).。