物理课信号生成任务及Python中功率谱与RMS值验证方法

阿华AIGC实验室

2026-5-26

嘿Leo！我来帮你搞定这两个问题——先把功率谱面积和RMS的底层逻辑讲清楚，再一步步帮你完成物理课的信号生成、功率谱计算，最后解决你卡住的验证步骤。

一、核心理论：功率谱面积 = RMS的平方？

首先得明确：这里说的“面积”其实是功率谱密度（PSD）在全频率范围上的积分，根据Parseval定理，这个积分结果等于信号的平均功率，而RMS（均方根）的平方正好就是平均功率。公式化来说：

平均功率 ( P_{avg} = RMS^2 = \frac{1}{T}\int_{0}^{T} x(t)^2 dt )
同时 ( P_{avg} = \int_{-\infty}^{\infty} PSD(f) df )
所以验证的本质就是用数值方法验证Parseval定理在你的信号上成立。

二、物理课任务的Python完整实现

咱们一步步来写代码，每一步都给你讲清楚细节：

1. 生成长度2秒、采样率500Hz的目标信号

首先需要导入必要的库，然后计算各个信号分量：

热噪声：用Nyquist公式计算RMS值：( V_{n,rms} = \sqrt{4kTRB} )，其中k=1.38e-23（玻尔兹曼常数），T=300K，R=1e6Ω，B=10e3Hz。生成的热噪声是高斯白噪声，其标准差等于这个RMS值。
正弦波分量：分别生成80Hz（12mV）和170Hz（6mV）的正弦信号，注意单位要转换成V。

import numpy as np
import matplotlib.pyplot as plt  # 可选，用来画图观察

# 1. 基础参数设置
fs = 500  # 采样频率Hz
duration = 2  # 信号时长s
N = int(fs * duration)  # 总采样点数
t = np.linspace(0, duration, N, endpoint=False)  # 时间轴

# 2. 生成热噪声（1MΩ，300K，10kHz带宽）
k = 1.38e-23  # 玻尔兹曼常数
T = 300
R = 1e6
B = 10e3
v_n_rms = np.sqrt(4 * k * T * R * B)
thermal_noise = np.random.normal(0, v_n_rms, N)  # 高斯白噪声，标准差=RMS

# 3. 生成正弦波分量
sin1 = 12e-3 * np.sin(2 * np.pi * 80 * t)  # 80Hz，12mV
sin2 = 6e-3 * np.sin(2 * np.pi * 170 * t)  # 170Hz，6mV

# 4. 合成总信号
signal = thermal_noise + sin1 + sin2

2. 计算功率谱密度（PSD），单位V²/Hz

用FFT计算PSD的关键步骤：

先做FFT得到复数频谱
计算每个频率点的功率：( PSD(f) = \frac{|FFT(x)|^2}{N \times fs} )，这样得到的单位就是V²/Hz
生成对应的频率轴，只保留正频率部分（因为PSD是对称的，负频率的功率和正频率一致）

# 1. 计算FFT
fft_signal = np.fft.fft(signal)

# 2. 计算PSD
psd = np.abs(fft_signal) ** 2 / (N * fs)

# 3. 生成频率轴，取正频率部分
freq = np.fft.fftfreq(N, 1/fs)
positive_freq_mask = freq >= 0
freq_positive = freq[positive_freq_mask]
psd_positive = psd[positive_freq_mask]

# 可选：画图观察PSD
plt.plot(freq_positive, psd_positive)
plt.xlabel('Frequency (Hz)')
plt.ylabel('PSD (V²/Hz)')
plt.title('Power Spectral Density')
plt.show()

3. 验证功率谱面积 ≈ RMS²（解决你卡住的步骤）

这里要注意两个关键细节：

信号的RMS计算：直接对时域信号求均方根
功率谱面积的计算：对正频率的PSD积分（因为负频率的功率和正频率重复，所以只积分正频率即可，或者积分全频率后除以2，结果一致）

# 1. 计算信号的RMS及其平方（平均功率）
signal_rms = np.sqrt(np.mean(signal ** 2))
signal_avg_power = signal_rms ** 2

# 2. 计算功率谱的面积（积分）
# 方法1：用梯形积分法（更准确）
psd_area = np.trapz(psd_positive, freq_positive)
# 方法2：用求和近似（每个频率点的宽度是df=fs/N）
# df = fs / N
# psd_area = np.sum(psd_positive) * df

# 3. 对比结果
print(f"信号的RMS平方（平均功率）: {signal_avg_power:.10f} V²")
print(f"功率谱积分面积: {psd_area:.10f} V²")
print(f"相对误差: {np.abs(signal_avg_power - psd_area)/signal_avg_power * 100:.2f}%")

你会看到两个数值非常接近，相对误差很小（因为数值计算的截断误差），这就验证了Parseval定理的正确性。

为什么你可能卡住？

大概率是这几个坑：