常见的通信干扰及其时频图：用Python STFT识别窄带、扫频与突发干扰

简介：这份资源围绕通信干扰的识别与时频分析展开，面向通信工程、信号处理方向的学生与工程师，帮助读者建立对常见干扰类型的直观认识，并借助时频图理解其频率随时间的变化规律。内容涵盖单音干扰、多音干扰、射频噪声、线性扫频干扰与梳状干扰等典型形式，配套生成脚本可用于复现各类干扰信号，便于对照时频图观察能量分布特征。资源包共5个文件，均为m脚本文件，压缩包约4KB，体积轻量，适合直接运行与二次修改。目前已有508人学习下载，说明其在相关课程实验与自学场景中具有一定参考价值。通过脚本生成信号并结合短时傅立叶变换、小波变换等方法绘制时频图，读者可以直观看到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，从而加深对干扰机理的理解，为滤波器设计、自适应均衡与干扰对消等抗干扰策略提供分析基础。

1. 常见的通信干扰及其时频图：从一张瀑布图里把干扰“认”出来

做无线通信的同行大概率都经历过这种场景：设备在实验室跑得好好的，一到外场就误码率飙升、丢包成片，抓包看全是重传，可频谱仪扫一圈又“看着挺干净”。问题往往出在干扰上，而且不是那种一眼能看出来的强干扰，而是藏在时频域里的窄带、突发、扫频信号。常见的通信干扰及其时频图这个题目，讲的正是怎么把干扰从“玄学”变成“看得见、分得清、能复现”的东西——核心手段就是把时域和频域合成一张时频图（也叫瀑布图、语谱图），让干扰在二维平面上现出原形。它解决的是干扰识别与定位问题，适合做无线链路调试、频谱监测、抗干扰算法验证的工程师，也适合刚接触信号处理、想用 Python 把理论跑成图的新手。下面我按“先认干扰类型、再画时频图、最后落到排查”的顺序讲清楚。

2. 通信干扰的分类与时频特征：先知道要找什么

干扰识别的前提是分类。如果连“我要找的是哪一类”都不清楚，时频图上看到一团亮斑也不知道该往哪个方向排查。工程上最常用的分类维度是带宽和时间行为，这两个维度恰好对应时频图的横轴（时间）和纵轴（频率），所以分类和可视化是天然咬合的。

2.1 按带宽分：窄带、宽带、部分频带

窄带干扰（NBI）的带宽通常远小于目标信号带宽，在时频图上表现为一条或几条细长的水平亮线，频率基本不动。常见来源是邻近的窄带电台、时钟谐波、开关电源的固定频率泄漏。它的危害是持续压制某个频点，如果恰好落在你的载波中心或导频位置，解调直接崩。

宽带干扰（WBI）覆盖整个目标带宽甚至更宽，时频图上是一整片横向铺满的亮区，比如大功率发射机邻道泄漏、宽带噪声源。它抬高整个底噪，表现为信噪比整体下降，误码率均匀恶化。

部分频带干扰（PBI）介于两者之间，只覆盖目标带宽的一部分，时频图上是一块有明确上下边界的矩形亮区。它比窄带难缠，因为受影响的子载波是成片的，OFDM 系统里会直接打掉一组子载波。

2.2 按时间行为分：持续、突发、扫频、跳频

持续干扰在整个观测窗口内一直存在，时频图上是一条不间断的亮线或亮带。突发干扰只在某些时刻出现，时频图上是断续的短亮块，常见于雷达脉冲、TDMA 邻站突发、间歇工作的工业设备。扫频干扰的频率随时间线性或非线性变化，时频图上是一条斜线或曲线，扫频源、某些雷达和干扰机是典型来源。跳频干扰则在多个频点间随机或按图案跳变，时频图上是散落的亮点序列。

把这两个维度组合起来，就得到一张实用的干扰分类表：

提示：分类不是目的，目的是让你在时频图上看到某种形态时，能立刻缩小排查范围。形态对不上，说明要么干扰是复合的，要么你的观测参数（分辨率、时长）没设对。

2.3 为什么必须用“时频”而不是只看频谱

只看频谱（FFT 平均）会把时间信息抹掉。一个每 10 ms 出现一次的突发干扰，在平均频谱上可能只表现为底噪略微抬高，你根本看不出它是突发的，更不知道它什么时候来。时频图保留了时间轴，突发、扫频、跳频这些“时间行为”才暴露得出来。这也是为什么排查干扰时，我一般先出一张时频图，再决定要不要细看某个时刻的频谱切片。

3. 用 Python 画出一张能用的时频图：STFT 参数怎么设

这一章是核心操作。目标是用最短的代码，把一段 IQ 采样或音频采样变成一张能分辨干扰类型的时频图。工具用 Python 的 NumPy + SciPy + Matplotlib，这三个库装好就能跑，不依赖任何私有工具。

3.1 最小可跑通的 STFT 时频图脚本

短时傅里叶变换（STFT）是画时频图最通用的方法：把长信号切成短段，每段做 FFT，再把结果按时间排列成二维矩阵。下面是一段可以直接复现的代码，我加了详细注释。

import numpy as np import matplotlib.pyplot as plt from scipy import signal # ---------- 1. 构造一段测试信号：目标信号 + 窄带干扰 + 扫频干扰 ---------- fs = 1_000_000 # 采样率 1 MHz duration = 0.02 # 观测时长 20 ms t = np.arange(0, duration, 1/fs) # 目标信号：中心频率 200 kHz 的 QPSK 类噪声，带宽约 100 kHz target = 0.3 * np.exp(1j * 2 * np.pi * 200e3 * t) * ( np.random.randn(len(t)) + 1j * np.random.randn(len(t)) ) # 窄带干扰：固定 350 kHz，幅度较大 nbi = 0.8 * np.exp(1j * 2 * np.pi * 350e3 * t) # 扫频干扰：从 50 kHz 线性扫到 450 kHz f0, f1 = 50e3, 450e3 sweep_phase = 2 * np.pi * (f0 * t + (f1 - f0) / (2 * duration) * t**2) sweep = 0.6 * np.exp(1j * sweep_phase) rx = target + nbi + sweep rx += 0.05 * (np.random.randn(len(t)) + 1j * np.random.randn(len(t))) # 底噪 # ---------- 2. STFT 参数 ---------- nperseg = 256 # 每段长度，决定频率分辨率 noverlap = 192 # 重叠点数，决定时间平滑度 nfft = 512 # FFT 点数，决定频率轴插值密度 f, t_stft, Zxx = signal.stft( rx, fs=fs, window='hann', nperseg=nperseg, noverlap=noverlap, nfft=nfft, return_onesided=False, # 复信号要双边谱 ) # ---------- 3. 转 dB 并画图 ---------- Zxx_db = 20 * np.log10(np.abs(Zxx) + 1e-12) f_shift = np.fft.fftshift(f) Z_shift = np.fft.fftshift(Zxx_db, axes=0) plt.figure(figsize=(10, 5)) plt.pcolormesh(t_stft * 1e3, f_shift / 1e3, Z_shift, shading='gouraud', cmap='viridis') plt.xlabel('时间 (ms)') plt.ylabel('频率 (kHz)') plt.title('通信干扰时频图 (STFT)') plt.colorbar(label='幅度 (dB)') plt.tight_layout() plt.show()

逻辑说明：先合成一段“目标 + 窄带 + 扫频”的复基带信号，模拟真实接收场景；再用signal.stft做短时傅里叶变换，得到时间-频率-幅度三维矩阵；最后转 dB、做 fftshift 把零频移到中心，用pcolormesh画成热力图。跑出来你应该能看到：200 kHz 附近一团较宽的噪声（目标），350 kHz 一条水平亮线（窄带干扰），以及一条从低频扫到高频的斜线（扫频干扰）。

参数说明，这几个是必须调的：

• nperseg：每段采样点数。它和频率分辨率成反比，Δf = fs / nperseg。nperseg=256、fs=1 MHz 时 Δf≈3.9 kHz，能分辨间隔几 kHz 的窄带干扰。想分辨更细的谱线就加大 nperseg，但时间分辨率会变差。
• noverlap：段间重叠点数，一般取 nperseg 的 50%～75%。重叠越多，时间轴越平滑，但计算量越大。上面取 192 是 75%。
• nfft：FFT 点数，≥ nperseg。它只影响频率轴的插值密度，不提升真实分辨率，设成 2 的幂方便计算。
• window：窗函数。默认 hann 适合大多数场景；如果干扰是单频连续波且你想压低旁瓣，可以试 blackmanharris，但主瓣会变宽。

3.2 分辨率权衡：时间与频率不能同时最优

这是新手最容易翻车的地方。STFT 受不确定性原理约束，时间分辨率和频率分辨率此消彼长：Δt ≈ nperseg / fs，Δf ≈ fs / nperseg，两者乘积约等于 1。你想看清快速跳变的突发干扰，就得减小 nperseg，但窄带干扰的谱线会变粗、甚至糊成一片；你想把窄带干扰的谱线画细，就得加大 nperseg，但突发干扰的时间边界就模糊了。

实操建议是先粗后细：第一遍用中等参数（比如 nperseg=256）看全局，判断干扰大概属于哪一类；确定类型后，针对性地调参数再看一遍。比如怀疑是窄带干扰，就把 nperseg 加到 1024 甚至 2048，把谱线拉开；怀疑是突发干扰，就把 nperseg 降到 64 或 128，把时间边界看清楚。

3.3 从时频图读出干扰参数

一张合格的时频图不只是“好看”，要能读出定量参数。窄带干扰：亮线对应的纵轴频率就是干扰中心频率，亮线宽度对应占用带宽。扫频干扰：斜线的斜率就是扫频速率，起止频率对应扫频范围。突发干扰：亮块在时间轴上的宽度就是脉冲宽度，重复间隔就是脉冲周期。这些参数直接决定你后面怎么抗——是陷波、是跳频规避、还是时域打孔。

注意：时频图的颜色是相对幅度，不是绝对功率。要测绝对功率，得用校准过的接收链路，或者至少记录接收增益。别拿一张没标定增益的图去跟别人争论“干扰到底多少 dBm”。

4. 干扰排查避坑：时频图上那些骗过我的假象

这一章是我自己踩过的坑，每一条都对应一个具体的“现象 → 原因 → 解决”。干扰排查最怕的不是没工具，而是被工具骗了。

4.1 现象：时频图上出现规律斜线，以为是扫频干扰

原因：很可能是接收机本振泄漏或 ADC 采样时钟谐波，随温度或调谐变化产生缓慢漂移，在时频图上表现为缓慢移动的亮线，看着像扫频。真正的扫频干扰斜率稳定、重复性好，而本振漂移往往不规则、幅度也偏弱。

解决：把接收机输入端接匹配负载（或断开天线），再画一次时频图。如果斜线还在，就是内部杂散，跟外部干扰无关。这一步叫“本底自检”，我每次外场排查前必做。

4.2 现象：窄带干扰频率总是刚好落在工作频点上，怀疑被针对

原因：大概率是你自己的时钟谐波。很多设备的参考时钟、DDR 时钟、开关电源频率的谐波，会恰好落在工作频段内。它“跟着你走”，不是有人针对你，而是它本来就是你系统的一部分。

解决：改变工作频点，看干扰是否跟着移动。如果干扰频率随工作频点等间隔移动，基本可以判定是谐波。进一步可以关掉可疑模块（比如某路电源、某个时钟输出）复测。

4.3 现象：时频图一片糊，什么形态都看不出来

原因：动态范围不够或底噪太高。如果干扰只比底噪高几个 dB，而你的色标范围设得太宽，弱干扰就被压没了。另一个常见原因是 nperseg 选得太大，时间轴糊成一片。

解决：先把色标范围收窄到干扰附近的 20～30 dB 动态范围，再适当减小 nperseg。如果还是糊，说明接收链路增益不够或 ADC 位数不足，得从硬件上找原因。

4.4 现象：突发干扰的周期总是对不上，时有时无

原因：观测窗口太短，没覆盖完整的干扰周期；或者触发没对齐，每次抓到的相位不同。突发干扰如果周期是几百毫秒，而你只抓 20 ms，自然看不全。

解决：把观测时长拉长到干扰周期的 5～10 倍，或者用长采集 + 离线分析。如果数据量太大，可以先做能量检测触发，只存有干扰的片段。

4.5 现象：换了台设备，同样的干扰时频图形态完全变了

原因：两台设备的采样率、滤波器带宽、AGC 设置不同。AGC 尤其坑，它会在强干扰时压低增益，导致弱信号被一起压掉，时频图上的相对幅度关系全乱。

解决：排查干扰时关掉 AGC，用固定增益；记录并统一采样率和前端滤波带宽。不同设备的数据不要直接对比形态，先归一化参数。

5. 进阶：用 CQT 和重分配方法把时频图做得更“锐”

STFT 够用，但在处理“低频窄带 + 高频宽带”同时存在的复合干扰时，固定分辨率的短板就出来了。这一章讲两个进阶手段，以及怎么验证你的时频图是不是可信。

5.1 常数 Q 变换（CQT）：低频细、高频粗

CQT 的窗口长度随频率变化，低频用长窗（频率分辨率高），高频用短窗（时间分辨率高），正好匹配通信信号里低频窄带干扰和高频突发的不同需求。用librosa可以快速试：

import librosa import numpy as np # rx 为前面构造的复基带信号，CQT 需要实数输入，取实部或做实数化处理 x = np.real(rx) cqt = np.abs(librosa.cqt(x, sr=fs, hop_length=64, fmin=20e3, n_bins=120, bins_per_octave=24)) cqt_db = 20 * np.log10(cqt + 1e-12) # 之后同样用 pcolormesh 画出来，纵轴是对数频率

参数上，fmin设成你关心的最低频率，bins_per_octave越大频率轴越密，hop_length控制时间步进。CQT 的代价是计算量比 STFT 大，实时性要求高的场景要权衡。

5.2 重分配（Reassignment）：把能量聚回真实位置

STFT 的能量会因为窗函数而“抹开”，重分配方法利用相位信息把每个时频点的能量重新搬到瞬时频率和群延迟对应的位置，得到的时频图更锐、更接近真实信号轨迹。SciPy 没有直接接口，可以用ssqueezepy这类库，或者自己按公式实现。验证方法是：对一段已知的单频信号做重分配，理想情况下应该收敛成一条极细的线，如果还是散的，说明实现或参数有问题。

5.3 怎么验证一张时频图可信

三个自检动作，我一般固定做：第一，输入已知信号（比如信号发生器给的单音、扫频），看时频图形态是否符合预期；第二，改变 nperseg 和 nfft，看干扰的定性结论（类型、频率、周期）是否稳定，如果结论随参数剧烈变化，说明参数没选对；第三，用两套独立采集（不同设备或不同时间）交叉验证，形态一致才下结论。

最后说个我自己的习惯：每次排查完干扰，我都会把当时的时频图、STFT 参数、接收增益和结论存成一个带时间戳的文件夹。干扰这东西会复发，下次再遇到类似形态，翻出旧图对比，往往几分钟就能定位，比从头再来省太多事。希望帮到你。

本文还有配套的精品资源，点击获取