FFT时间序列去噪后坐标数据首尾相互趋近的原因及解决方法求助

你从数据集中提取X、Z坐标时间序列的代码如下：

X = np.array(df["X"])
Z = np.array(df["Z"])

所用的FFT降噪实现代码如下：

def fft_denoiser(x, n_components, to_real=True):
    n = len(x)

    # compute the fft
    fft = np.fft.fft(x, n)

    # compute power spectrum density
    # squared magnitud of each fft coefficient
    PSD = fft * np.conj(fft) / n

    # keep high frequencies
    _mask = PSD > n_components
    fft = _mask * fft

    # inverse fourier transform
    clean_data = np.fft.ifft(fft)

    if to_real:
        clean_data = clean_data.real

    return clean_data

你设置好n_components参数后的去噪效果对比如下：

成因 #

离散傅里叶变换（DFT，np.fft.fft底层基于DFT实现）默认输入信号是无限周期重复的。如果原始时间序列的首尾数值差异较大，周期拼接处会出现突变阶跃。你在频域用硬阈值过滤低能量分量时，逆变换重构信号需要满足周期性连续的要求，就会强制把首尾数值往互相趋近的方向调整，属于FFT处理的典型边界效应。
另外你代码里的注释存在错误：你当前逻辑实际是保留功率谱密度更高的低频主分量、过滤高频噪声，并非注释写的“保留高频”。硬阈值直接置零部分频率分量的操作也会加剧吉布斯效应，进一步放大边界异常。

解决方法 #

• 信号延拓法：FFT处理前先对原始信号首尾做延拓，可选镜像延拓、低阶多项式拟合延拓等方式，将原始有效数据包在延拓后的信号中间，降噪完成后再裁剪掉两端的延拓部分，边界效应只会出现在被丢弃的延拓区域，不会影响有效数据。
• 加窗法：给原始信号乘上汉宁窗、汉明窗等窗函数，让信号首尾数值自然衰减到0，弱化周期拼接处的阶跃突变。该方法会改变原始信号的幅值，处理完需要做幅值修正，适合不需要保留绝对幅值的场景。
• 更换降噪算法：如果对边界精度要求很高，可直接换用小波降噪、Savitzky-Golay平滑滤波等不需要周期性假设的降噪方法，从根本上避免边界效应。
• 调整滤波逻辑：把当前的硬阈值过滤改为软阈值，或者适当调小n_components的取值保留更多频率分量，也能在一定程度上缓解首尾趋近的问题。

内容的提问来源于stack exchange，提问作者Ablu_68