已经完成 fft（如果您有兴趣，请参阅之前的帖子！）并得到了结果，这对我有帮助。想分析一个数组的噪音/尖刺（实际上是一个 vb.nre 的集合）。嗯，怎么解释...
当信号良好时，fft 功率结果是 512 个数据点（频率桶），所有数据点（频率桶）的值都很低，但可能有 2 或 3 个数组条目，并且范围不错（即峰值很高，相对于几乎空桶中的噪声值） . 因此，当绘制图表时，我们在这几个桶中的值中有一个很好的大峰值。
当信号很差/嘈杂时，数据值的分布（最大值到最小值）很低，并且在更多的桶中存在成比例的更高噪声。
分析这个数据集的噪声有什么好处，计算量不大？某种统计方法、标准偏差或其他方法会有所帮助吗？
关键是定义什么是噪声和什么是信号，必须对其进行建模假设。通常假设是由白噪声（每个频带的恒定功率）或某些其他功率谱的噪声做出的，并且该模型适合数据。然后可以使用信噪比来测量噪声量。
拟合噪声模型取决于数据的性质：如果您知道真实信号在高频分量中没有功率，您可以在那里寻找噪声水平的指示，并使用模型来预测噪声将处于同时存在信号和噪声的较低频率分量。或者，如果您的信号在时间上是恒定的，则在不同时间点进行多个 FFT 并比较它们以获得每个频带的标准偏差可以给出存在的噪声水平。
我希望我不会光顾您在执行 FFT 时提及窗口函数固有的问题：这些问题可能会在频谱中引入虚假“噪声”，这实际上是 FFT 周期性特性的产物。在获得尖峰和“边带”噪声之间需要权衡取舍——更多信息请参见 www.ee.iitm.ac.in/~nitin/_media/ee462/fftwindows.pdf
计算信噪比 http://en.wikipedia.org/wiki/Signal-to-noise_ratio
您还可以检查每个点的标准差，如果它低于您选择的某个级别，那么信号是好的，否则不是。
尖峰不会被视为 SNR 中的噪声故障，是要丢弃的异常值吗？
如果从时域数据中可以清楚地看出存在这样的尖峰，那么它们肯定会在频谱中产生大量噪声。选择忽略它们是个好主意，但不幸的是，FFT 不能接受其中尖峰已被移除的带有“洞”的数据。有两种技术可以解决这个问题。“肮脏的技巧”方法是将异常样本设置为任一站点上两个样本的平均值，并使用完整的数据集计算 FFT。
更难但更正确的方法是使用 Lomb 归一化周期图（参见 WHPress 等人的“数字食谱”一书），它与 FFT 的工作类似，但可以正确处理丢失的数据。