简介这份资源面向通信工程、信号处理方向的学习者与工程师聚焦常见通信干扰类型的识别与时频图分析帮助读者建立从干扰机理到可视化特征的直观认知。压缩包共5个文件均为m脚本文件整体约4KB涵盖单音干扰、多音干扰、线性扫频干扰、部分频段扫描以及梳状干扰等典型干扰信号的生成代码便于在MATLAB环境中直接运行并观察各类干扰的时频分布差异。已有508人学习下载说明该主题在通信抗干扰学习中具有较高关注度。通过运行这些脚本读者可快速复现单音干扰的集中能量点、多音干扰的分散频率成分、射频噪声的宽带分布、线性扫频的斜线轨迹以及梳状干扰的等距垂直线等特征进而结合短时傅立叶变换、小波变换等方法深入理解时频分析在干扰定位、强度评估与抗干扰策略设计中的作用为滤波器优化、自适应均衡和干扰对消等实际应用打下基础。1. 通信干扰的时频图从“看不见”到“一眼定位”的排查思路做无线通信现场排查的人大概都经历过这种场景频谱仪上底噪正常一开业务误码率就飙升换频点、换天线、换滤波器折腾一整天干扰源在哪依然是个黑匣子。问题在于传统频谱仪只给你“某个瞬间、某个频段”的功率分布而真实干扰往往是时间上断续、频率上漂移的。常见的通信干扰及其时频图讲的正是用时间-频率二维联合视图把干扰的调制方式、持续时间、周期规律一次性暴露出来。它解决的不是“有没有干扰”而是“这是什么干扰、从哪来、怎么躲”。适合做网优、频谱监测、电子对抗仿真和无线设备射频自检的工程师也适合刚接触信号分析、想用 Python 把理论跑成图的新手。这一篇不堆公式重点是把常见干扰类型和它们的时频图特征对应起来再落到能复现的代码和参数上。2. 为什么时频图比纯频谱更适合抓干扰原理与选型2.1 从傅里叶到短时傅里叶把一维谱变成二维图纯频谱做 FFT本质是把整段信号的时间信息全部积分掉得到的是“平均功率谱”。这对稳态连续波干扰有效但遇到跳频、脉冲、扫频这类非平稳干扰频谱上只会看到一片被抬高的底噪或者几个模糊的包根本分不清是单音还是宽带噪声。时频图的做法是短时傅里叶变换STFT把长信号切成很多短窗每个窗内做 FFT再把结果按时间排列成矩阵横轴时间、纵轴频率、颜色深浅表示功率。这样一个每 10 ms 出现一次的脉冲干扰在时频图上就是等间隔的竖条纹一个扫频干扰就是一条斜线。选 STFT 而不是 WVD 这类高分辨率方法是因为 STFT 计算量小、可解释性强、参数直观工程上足够用而且用 scipy 几行就能出图。常见做法是窗长取 256 到 1024 点重叠 50% 到 75%具体后面参数部分细说。2.2 常见干扰类型在时频图上的“指纹”把干扰分类是排查的第一步。我一般按调制方式和时间行为分五类单音连续波CW、宽带噪声、脉冲干扰、扫频干扰、跳频干扰。单音 CW 在时频图上是一条水平亮线频率不随时间变宽带噪声是一片弥散的亮区时间上连续脉冲干扰是等间隔或随机出现的竖直亮条每条持续时间很短扫频干扰是一条斜线斜率对应扫速跳频干扰是多个离散的短横线在不同频率上随机或按图案跳变。这些“指纹”是后面写代码生成和识别的基础。实际现场里干扰往往是混合的比如一个脉冲干扰叠加在宽带噪声上时频图能让你把两者分开看而纯频谱只能看到一个抬高的包。选对分析工具等于给排查装了后悔药。2.3 用 Python 生成第一张时频图最小可跑命令下面这段代码生成一个单音 CW 加脉冲干扰的合成信号并画出时频图。依赖 numpy、scipy、matplotlib直接复制就能跑。import numpy as np from scipy import signal import matplotlib.pyplot as plt # 参数设置 fs 1e6 # 采样率 1 MHz t np.arange(0, 0.01, 1/fs) # 10 ms 数据 f_cw 200e3 # 单音干扰频率 200 kHz f_pulse 350e3 # 脉冲干扰载频 350 kHz # 生成单音连续波 cw 0.5 * np.cos(2 * np.pi * f_cw * t) # 生成脉冲干扰每 2 ms 出现一次每次持续 0.2 ms pulse np.zeros_like(t) for start in np.arange(0, 0.01, 0.002): idx (t start) (t start 0.0002) pulse[idx] 0.8 * np.cos(2 * np.pi * f_pulse * t[idx]) # 合成信号并加高斯白噪声 noise 0.05 * np.random.randn(len(t)) x cw pulse noise # STFT 计算 f, t_stft, Zxx signal.stft(x, fsfs, windowhann, nperseg256, noverlap192) # 画时频图 plt.figure(figsize(10, 5)) plt.pcolormesh(t_stft * 1e3, f / 1e3, 20 * np.log10(np.abs(Zxx) 1e-12), shadinggouraud) plt.ylabel(频率 (kHz)) plt.xlabel(时间 (ms)) plt.title(单音 脉冲干扰时频图) plt.colorbar(label功率 (dB)) plt.show()逻辑说明先构造两个干扰分量单音是持续余弦脉冲是门控余弦再加噪声模拟真实底噪。STFT 用signal.stftnperseg256是窗长noverlap192是重叠点数相当于 75% 重叠。画图时把频率除以 1e3 转成 kHz时间乘 1e3 转成 ms功率取 20log10 绝对值。参数说明fs决定频率轴范围nperseg决定频率分辨率fs/npersegnoverlap影响时间轴平滑度。如果窗长太小频率分辨率差单音会糊成一片窗长太大时间分辨率差脉冲的起止时间看不清。一般取nperseg为 256 或 512重叠 50% 到 75% 是工程上的甜点区。3. 五类干扰的时频图特征与参数化生成3.1 单音与宽带噪声最容易认也最容易误判单音干扰在时频图上是一条水平亮线频率稳定时间上连续。它的功率通常比底噪高 10 dB 以上所以颜色很突出。但要注意如果单音频率正好落在接收机本振泄漏或镜像频率上它可能不是外部干扰而是设备自生。我一般会先关掉发射只看接收底噪如果这条线还在就是内部问题。宽带噪声干扰则是一片弥散的亮区时间上连续频率上覆盖很宽。它的时频图没有明显结构像一团雾。生成宽带噪声很简单用高斯白噪声带通滤波即可。参数上噪声带宽决定亮区宽度功率谱密度决定颜色深浅。误判点在于宽带噪声和接收机底噪抬升很像区别是底噪抬升通常整体均匀而干扰噪声会有一定的频率边界边界处功率陡降。3.2 脉冲干扰占空比和周期是核心参数脉冲干扰的时频图是等间隔或随机出现的竖直亮条。每条亮条的持续时间对应脉冲宽度亮条之间的间隔对应脉冲周期。占空比 脉宽 / 周期这个参数直接决定干扰对通信链路的影响程度。生成脉冲干扰时关键参数是脉宽、周期、载频和幅度。下面代码生成一个周期 1 ms、脉宽 0.1 ms 的脉冲干扰并画出时频图。import numpy as np from scipy import signal import matplotlib.pyplot as plt fs 2e6 t np.arange(0, 0.02, 1/fs) f_pulse 500e3 pulse_width 0.0001 # 0.1 ms period 0.001 # 1 ms pulse np.zeros_like(t) for start in np.arange(0, 0.02, period): idx (t start) (t start pulse_width) pulse[idx] np.cos(2 * np.pi * f_pulse * t[idx]) x pulse 0.02 * np.random.randn(len(t)) f, t_stft, Zxx signal.stft(x, fsfs, windowhann, nperseg128, noverlap96) plt.figure(figsize(10, 5)) plt.pcolormesh(t_stft * 1e3, f / 1e3, 20 * np.log10(np.abs(Zxx) 1e-12), shadinggouraud) plt.ylabel(频率 (kHz)) plt.xlabel(时间 (ms)) plt.title(脉冲干扰时频图 (周期 1 ms, 脉宽 0.1 ms)) plt.colorbar(label功率 (dB)) plt.show()逻辑说明用循环在每 1 ms 的起始点生成 0.1 ms 的余弦片段其余为零。STFT 窗长取 128因为脉冲很窄窗长太大会把脉冲能量摊薄时间轴上糊掉。参数说明nperseg128对应频率分辨率 fs/128 15.625 kHz时间分辨率约 128/fs 64 us足够分辨 100 us 的脉冲。如果脉宽更窄比如 10 us窗长要降到 32 或 64。注意脉冲干扰的时频图在频率轴上是一条亮线但时间轴上是一段一段的这是它和单音连续波最大的区别。3.3 扫频与跳频斜率和跳速决定识别难度扫频干扰的时频图是一条斜线斜率 扫频带宽 / 扫频周期。如果扫频周期很短斜线会变成锯齿状。生成扫频信号用线性调频chirp即可scipy 的signal.chirp直接支持。跳频干扰是多个离散的短横线在不同频率上跳变。跳频图案可以是顺序、随机或特定序列。生成跳频时每个跳频驻留时间内是一个单音驻留时间结束就换频率。参数上跳频间隔和驻留时间决定时频图上的横线密度。识别难点在于如果跳频速率很快时频图上的横线会变得很短甚至和脉冲干扰混淆。这时候需要看频率是否变化——脉冲干扰频率固定跳频干扰频率在变。下面代码生成一个扫频干扰。import numpy as np from scipy import signal import matplotlib.pyplot as plt fs 2e6 t np.arange(0, 0.01, 1/fs) f_start 100e3 f_end 800e3 sweep_time 0.005 # 5 ms 扫完 # 生成两段扫频 chirp1 signal.chirp(t[:len(t)//2], f0f_start, f1f_end, t1sweep_time, methodlinear) chirp2 signal.chirp(t[len(t)//2:], f0f_start, f1f_end, t1sweep_time, methodlinear) x np.concatenate([chirp1, chirp2]) 0.02 * np.random.randn(len(t)) f, t_stft, Zxx signal.stft(x, fsfs, windowhann, nperseg256, noverlap192) plt.figure(figsize(10, 5)) plt.pcolormesh(t_stft * 1e3, f / 1e3, 20 * np.log10(np.abs(Zxx) 1e-12), shadinggouraud) plt.ylabel(频率 (kHz)) plt.xlabel(时间 (ms)) plt.title(扫频干扰时频图 (100-800 kHz, 5 ms 周期)) plt.colorbar(label功率 (dB)) plt.show()逻辑说明用signal.chirp生成两段线性调频拼接成连续扫频。STFT 参数和前面一致。参数说明f0和f1是起止频率t1是扫频持续时间。如果扫频周期小于 STFT 窗长斜线会断裂所以窗长要小于扫频周期。一般扫频周期在毫秒级窗长取 128 到 256 点比较合适。跳频干扰的生成类似只是每个驻留时间内的频率是离散值可以用循环实现。4. 避坑与排查时频图分析中最容易翻车的五个点4.1 窗长选错脉冲和单音都看不清现象时频图上脉冲干扰变成一片模糊的亮区或者单音干扰的线很粗频率分辨率不够。原因STFT 的窗长和频率分辨率、时间分辨率是矛盾的。窗长越大频率分辨率越高但时间分辨率越差。解决先估计干扰的时间尺度。脉冲宽度在 100 us 量级窗长取 128 到 256 点对应 64 到 128 us 时间分辨率单音分析可以取 1024 点提高频率分辨率。如果不确定用两三种窗长各跑一次对比。4.2 重叠率太低时频图出现栅栏效应现象时频图上时间轴方向出现等间隔的竖条看起来像脉冲干扰但实际信号是连续的。原因STFT 重叠率太低相邻窗之间没有平滑过渡导致时间轴上的采样点稀疏形成栅栏。解决把noverlap提高到nperseg的 50% 到 75%。比如nperseg256noverlap至少 128常用 192。重叠率越高图越平滑但计算量也越大。4.3 功率归一化没做颜色对比度差现象时频图上干扰和底噪颜色差不多看不出亮线。原因STFT 输出的绝对值没有取对数或者没有做归一化导致动态范围被压缩。解决画图时用20*np.log10(np.abs(Zxx))并且可以减去最大值做归一化。如果底噪太高先估计噪声功率再设置颜色范围比如vmin和vmax手动指定让干扰突出。4.4 采样率不够高频干扰混叠成低频现象时频图上出现一条不该存在的低频亮线但实际干扰频率很高。原因采样率低于干扰频率的两倍发生混叠。解决确认接收链路带宽和采样率。如果干扰频率未知先用频谱仪宽扫确定大致范围再设置采样率。一般采样率至少是最高关注频率的 2.5 倍。如果已经采集了数据混叠无法恢复只能重新采集。4.5 把设备自生干扰当成外部干扰现象时频图上有一条稳定的水平亮线换天线、换位置依然存在。原因可能是接收机本振泄漏、电源谐波或时钟谐波。解决断开天线用匹配负载端接接收机输入端如果亮线还在就是设备内部问题。检查电源、时钟屏蔽和接地。这一步能省掉大量外场排查时间是血泪经验。5. 进阶技巧用时频图做干扰识别与参数估计5.1 从时频图矩阵里提取干扰参数时频图不只是用来看的它本质是一个二维矩阵可以做自动分析。我一般会先对时频图做阈值分割把高于底噪 6 dB 以上的像素标记为干扰区域然后统计每个区域的频率均值、时间起止、持续时间。对于单音频率均值就是干扰频率对于脉冲时间起止给出脉宽和周期对于扫频频率随时间的变化率就是扫频斜率。下面代码演示如何从 STFT 矩阵中提取单音频率和脉冲周期。import numpy as np from scipy import signal # 假设 x 是前面生成的合成信号 fs 1e6 f, t_stft, Zxx signal.stft(x, fsfs, windowhann, nperseg256, noverlap192) power_db 20 * np.log10(np.abs(Zxx) 1e-12) # 估计底噪取功率的中位数 noise_floor np.median(power_db) threshold noise_floor 6 # 高于底噪 6 dB # 找到所有超过阈值的点 mask power_db threshold freq_idx, time_idx np.where(mask) # 统计频率分布出现最多的频率 freq_hist np.bincount(freq_idx, minlengthlen(f)) dominant_freq_idx np.argmax(freq_hist) dominant_freq f[dominant_freq_idx] print(f主干扰频率: {dominant_freq/1e3:.1f} kHz) # 统计时间轴上的脉冲沿时间轴求和找峰值 time_profile np.sum(mask, axis0) peaks, _ signal.find_peaks(time_profile, height1, distance10) if len(peaks) 1: periods np.diff(t_stft[peaks]) print(f脉冲周期估计: {np.mean(periods)*1e3:.2f} ms)逻辑说明先算功率 dB 矩阵用中位数估计底噪阈值设底噪加 6 dB。np.where找到所有干扰像素np.bincount统计频率轴上出现次数最多的索引对应主干扰频率。时间轴上求和后找峰值峰值间隔就是脉冲周期。参数说明阈值 6 dB 是经验值如果干扰弱可以降到 3 dB但会引入更多噪声。distance10是峰值最小间隔避免同一个脉冲被重复检测。这个方法对单音和脉冲有效对扫频需要先做频率随时间的变化拟合。5.2 用模板匹配区分扫频和跳频扫频和跳频在时频图上都是频率变化的但扫频是连续的跳频是离散的。区分方法对每个时间切片找最大功率对应的频率得到频率随时间的变化曲线。如果这条曲线是连续上升或下降的就是扫频如果是阶梯状跳变就是跳频。我一般会计算相邻时间切片频率差的绝对值扫频的差值小而稳定跳频的差值大且突变。这个技巧在干扰识别里很实用比人眼看图更可靠。5.3 一个我常犯的错忽略时频图的时间对齐最后说一个我踩过的坑。做多通道对比时不同通道的 STFT 时间轴必须对齐否则你会以为干扰在不同通道间有时间差其实只是窗起始点没对齐。解决方法是统一用相同的nperseg和noverlap并且从同一个起始样本开始计算。如果做实时分析还要注意缓冲区边界避免把上一帧的尾巴当成新干扰。这个细节不起眼但翻车的时候能让你怀疑人生。希望帮到你。本文还有配套的精品资源点击获取