Prezentacja rozpoczyna się od wprowadzenia podstawowych pojęć związanych z widmem sygnału w kontekście telekomunikacji. Domena czasu i domena częstotliwości to dwa komplementarne sposoby reprezentacji tego samego sygnału, z których każdy ujawnia inne cechy przebiegu. Zrozumienie relacji między tymi domenami stanowi fundament analizy spektralnej i jest kluczowe dla dalszych modułów kursu. W trakcie wykładu omówione zostaną narzędzia matematyczne (transformata Fouriera, FFT) oraz sprzętowe (analizator widma, oscyloskop) służące do badania widma.

Szczególny nacisk położono na praktyczne aspekty analizy widmowej w systemach telekomunikacyjnych, takich jak Wi-Fi, radio definiowane programowo (SDR) i transmisja audio. Studenci poznają zależność między czasem trwania impulsu a szerokością zajmowanego pasma, zasadę nieoznaczoności czasowo-częstotliwościową oraz metody poprawy rozdzielczości widma. Wiedza ta jest niezbędna przy projektowaniu filtrów, systemów modulacyjnych i diagnostyce zakłóceń w rzeczywistych sieciach telekomunikacyjnych.

Prezentacja obejmuje następujące zagadnienia: definicję domeny czasu i częstotliwości, opis sygnału w obu reprezentacjach oraz narzędzia pomiarowe (oscyloskop, analizator widma). Omówiony zostanie szereg Fouriera i transformata Fouriera wraz z przykładami dekompozycji sygnałów okresowych i nieokresowych. Szczególną uwagę poświęcono szybkiej transformacie Fouriera (FFT) jako algorytmowi umożliwiającemu praktyczną analizę widmową w systemach działających w czasie rzeczywistym.

Dalsza część prezentacji koncentruje się na praktycznych aspektach analizy widma: okienkowaniu, rozdzielczości częstotliwościowej, poziomie szumu tła oraz interpretacji rzeczywistych widm (Wi-Fi, audio, SDR). Przedstawione zostaną zarówno narzędzia sprzętowe (profesjonalne analizatory widma, tanie SDR), jak i programowe (Python, GNU Radio, MATLAB). Materiał stanowi solidną podstawę do samodzielnej pracy z widmem sygnałów w praktyce inżynierskiej.

Sygnał w domenie czasu jest opisywany jako funkcja s(t), która określa wartość chwilową wielkości fizycznej (napięcia, natężenia prądu, ciśnienia akustycznego) w każdej chwili t. Jest to najbardziej naturalna i intuicyjna reprezentacja, ponieważ bezpośrednio odpowiada temu, co obserwujemy na ekranie oscyloskopu. Przykładem może być sinusoida s(t) = A·sin(2πft), gdzie amplituda A i częstotliwość f jednoznacznie określają kształt przebiegu. W praktyce większość rzeczywistych sygnałów ma złożony kształt, który jest superpozycją wielu składowych sinusoidalnych o różnych częstotliwościach.

Analiza w domenie czasu pozwala precyzyjnie określić takie parametry jak okres, czas narastania zbocza, czas trwania impulsu, wartość międzyszczytową czy współczynnik wypełnienia. Jest to szczególnie przydatne w diagnostyce układów cyfrowych, gdzie kluczowe znaczenie ma kształt zboczy sygnałów zegarowych i czasów ustalania. Jednak sama obserwacja w czasie nie ujawnia zawartości częstotliwościowej sygnału, co stanowi jej główne ograniczenie. Dlatego niezbędne jest uzupełnienie analizy o badanie w domenie częstotliwości.

Oscyloskop jest podstawowym przyrządem pomiarowym w laboratorium elektronicznym, umożliwiającym wizualizację przebiegów napięcia w funkcji czasu. Kluczowe parametry to pasmo przenoszenia (określające maksymalną częstotliwość mierzonego sygnału), częstotliwość próbkowania oraz rozdzielczość przetwornika ADC. Nowoczesne oscyloskopy cyfrowe oferują pasmo do kilkudziesięciu GHz i próbkowanie rzędu GS/s, co pozwala na dokładną analizę bardzo szybkich przebiegów. Funkcja wyzwalania (trigger) umożliwia stabilizację obrazu poprzez synchronizację podstawy czasu z określonym poziomem napięcia lub zboczem sygnału.

Większość współczesnych oscyloskopów cyfrowych posiada wbudowaną funkcję FFT, co umożliwia podstawową analizę widmową bez potrzeby stosowania dodatkowego sprzętu. Należy jednak pamiętać, że oscyloskop nie jest optymalnym narzędziem do analizy widma – jego rozdzielczość częstotliwościowa i zakres dynamiczny są znacznie gorsze niż w dedykowanym analizatorze widma. Mimo to wbudowana FFT w oscyloskopie stanowi wygodne narzędzie do wstępnej oceny zawartości harmonicznych i zniekształceń nieliniowych.

W domenie czasu można wyróżnić kilka charakterystycznych typów sygnałów, z których każdy ma unikalny kształt i zastosowanie. Sinusoida jest najprostszym sygnałem okresowym, generowanym przez oscylatory kwarcowe i syntezatory częstotliwości. Fala prostokątna, charakteryzująca się gwałtownymi przejściami między dwoma poziomami napięcia, jest powszechnie stosowana jako sygnał zegarowy w układach cyfrowych i mikroprocesorowych. Sygnał piłokształtny znajduje zastosowanie w układach odchylania poziomego w monitorach CRT oraz w modulatorach PWM.

Sygnał mowy ludzkiej jest przykładem sygnału nieokresowego o zmiennej w czasie amplitudzie i częstotliwości, który wymaga zaawansowanych metod analizy. Szum biały ma losowy charakter, a jego wartość średnia wynosi zero, co utrudnia jego bezpośrednią obserwację w domenie czasu. Każdy z tych sygnałów po przekształceniu do domeny częstotliwości ujawnia charakterystyczne cechy widma, które umożliwiają ich identyfikację i klasyfikację w systemach telekomunikacyjnych.

Mimo że domena czasu dostarcza pełnej informacji o kształcie sygnału, ma ona istotne ograniczenia w kontekście analizy telekomunikacyjnej. Nie pozwala bezpośrednio określić, z jakich składowych częstotliwościowych składa się sygnał, co jest kluczowe przy projektowaniu filtrów i systemów transmisyjnych. Na przykład dwa sygnały o identycznej amplitudzie i częstotliwości podstawowej, ale różnej zawartości harmonicznych, mogą wyglądać podobnie w czasie, lecz ich widma będą zupełnie inne. Ponadto w domenie czasu trudno odróżnić sygnał użyteczny od szumu tła, gdy oba mają porównywalną amplitudę.

Kolejnym poważnym ograniczeniem jest niemożność precyzyjnego określenia pasma zajmowanego przez sygnał, które jest podstawowym parametrem w projektowaniu systemów radiokomunikacyjnych. W domenie czasu nie widać również zjawisk takich jak modulacja AM czy FM w sposób umożliwiający łatwą demodulację. Z tych powodów inżynierowie telekomunikacji korzystają z obu domen komplementarnie – domena czasu do oceny kształtu i synchronizacji, a domena częstotliwości do analizy widmowej i projektowania systemów transmisyjnych.

W domenie częstotliwości sygnał jest opisywany jako funkcja S(f) określająca amplitudę lub moc składowych widmowych w funkcji częstotliwości. Zamiast pokazywać zmiany w czasie, widmo ujawnia, które częstotliwości są obecne w sygnale i z jaką intensywnością. Każda składowa sinusoidalna o częstotliwości fk pojawia się jako prążek o wysokości proporcjonalnej do amplitudy. Dzięki temu można natychmiast stwierdzić, czy sygnał jest wąskopasmowy (jeden prążek), czy szerokopasmowy (ciągłe widmo) oraz jaki jest stosunek sygnału do szumu.

Domena częstotliwości jest szczególnie przydatna w diagnostyce zakłóceń, gdzie pozwala zidentyfikować źródła interferencji na podstawie charakterystycznych wzorców widmowych. Przykładowo, zakłócenia od zasilacza impulsowego przejawiają się jako prążki przy częstotliwości przełączania i jej harmonicznych, podczas gdy szum szerokopasmowy od silnika elektrycznego ma postać podniesionego poziomu tła w szerokim paśmie. Analiza widma umożliwia również optymalny wybór kanałów transmisyjnych w systemach WiFi i LTE, minimalizując interferencje międzykanałowe.

Analizator widma jest podstawowym przyrządem do pomiarów w domenie częstotliwości, odpowiednikiem oscyloskopu dla dziedziny czasu. Profesjonalne analizatory widma, takie jak modele Rohde & Schwarz FSW czy Keysight N9030, oferują zakres częstotliwości do 110 GHz, rozdzielczość pasma analizy (RBW) poniżej 1 Hz oraz zakres dynamiczny przekraczający 160 dB. Są one niezastąpione w pomiarach widma emisji, mocy sygnałów modulowanych oraz charakterystyk szumowych. Parametr RBW określa zdolność rozdzielczą przyrządu – im mniejsza wartość, tym lepsze rozróżnianie blisko położonych prążków.

Analizatory widma można podzielić na dwie główne kategorie: analizatory z przestrajaniem (swept-tuned) oraz analizatory wektorowe z FFT. Te pierwsze działają na zasadzie przestrajania generatora lokalnego i pomiaru mocy w wąskim paśmie IF, co jest skuteczne dla widm o dużym zakresie dynamicznym. Analizatory wektorowe próbkują sygnał szerokopasmowo i obliczają widmo za pomocą FFT, co umożliwia pomiary czasowo-częstotliwościowe, takie jak spektrogramy. Współczesne przyrządy łączą obie techniki, oferując elastyczne narzędzie do zaawansowanej analizy widmowej.

Widmo amplitudowe przedstawia zależność amplitudy (lub mocy) składowych widmowych od częstotliwości i jest najczęściej stosowaną reprezentacją widmową w telekomunikacji. Dla sygnałów okresowych widmo ma postać dyskretnych prążków, których wysokość odpowiada amplitudzie poszczególnych harmonicznych. Wysokość prążka jest wprost proporcjonalna do mocy składowej widmowej, co pozwala na ilościową ocenę udziału każdej częstotliwości w całkowitej energii sygnału. Widmo amplitudowe wyświetlane jest najczęściej w skali logarytmicznej (dBm, dBV), co umożliwia jednoczesną obserwację bardzo silnych i bardzo słabych składowych.

Interpretacja widma amplitudowego wymaga znajomości podstawowych wzorców: pojedynczy ostry prążek oznacza sygnał sinusoidalny (ton czysty), grupa prążków o równych odstępach wskazuje na sygnał okresowy z harmonicznymi, a podniesione ciągłe tło świadczy o obecności szumu lub sygnału szerokopasmowego. W praktyce inżynierskiej szczególnie ważna jest umiejętność odróżnienia prążków sygnału użytecznego od zakłóceń i szumu tła, co wymaga doświadczenia w analizie widmowej i znajomości charakterystyk typowych źródeł zakłóceń w danym paśmie częstotliwości.

Porównanie widma sinusoidy i fali prostokątnej doskonale ilustruje związek między kształtem sygnału w czasie a jego widmem. Czysta sinusoida o częstotliwości f0 ma widmo składające się z pojedynczego prążka – cała energia sygnału skupiona jest w jednej częstotliwości, co czyni ją sygnałem idealnie wąskopasmowym. Natomiast fala prostokątna o tej samej częstotliwości podstawowej f0 zawiera nieskończony ciąg harmonicznych nieparzystych: 3f0, 5f0, 7f0 itd., których amplitudy maleją proporcjonalnie do 1/n. W teorii widmo fali prostokątnej jest nieskończenie szerokie, choć w praktyce ogranicza je pasmo przenoszenia systemu.

Ta różnica w widmach ma fundamentalne znaczenie w telekomunikacji: sygnały o łagodnych kształtach (sinusoidy) zajmują wąskie pasmo, ale niosą mało informacji, podczas gdy sygnały o stromych zboczach (fala prostokątna, impulsy) mają szerokie widmo, co umożliwia szybką transmisję danych kosztem większego zajętości pasma. Dlatego w systemach cyfrowych dąży się do kształtowania impulsów transmisyjnych tak, by zminimalizować zajmowane pasmo przy zachowaniu wysokiej przepływności. Jest to kompromis znany jako dylemat szerokość pasma a szybkość transmisji.

Domena czasu i domena częstotliwości to dwa komplementarne opisu tego samego sygnału, a wybór między nimi zależy od konkretnego problemu inżynierskiego. W domenie czasu łatwo ocenić momenty załączenia i wyłączenia sygnału, czas trwania impulsów oraz występowanie zniekształceń amplitudowych. Z kolei domena częstotliwości pozwala błyskawicznie określić pasmo zajmowane przez sygnał, poziom harmonicznych oraz stosunek sygnału do szumu. Żadna z tych reprezentacji nie jest lepsza od drugiej – są one narzędziami, które należy stosować w zależności od potrzeb analitycznych.

W praktyce inżynierskiej często korzysta się z obu domen jednocześnie, na przykład podczas projektowania systemu OFDM stosowanego w WiFi i LTE. W OFDM dane są modulowane na wielu podnośnych w domenie częstotliwości, ale transmisja odbywa się w domenie czasu za pomocą odwrotnej transformaty Fouriera (IFFT). Po stronie odbiorcy sygnał czasowy jest ponownie przekształcany na widmo za pomocą FFT, co pozwala odzyskać dane. Jest to doskonały przykład synergii między obiema domenami we współczesnych systemach telekomunikacyjnych.

Analogia kulinarna pomaga zrozumieć relację między domeną czasu a częstotliwości w sposób intuicyjny. Domena czasu jest jak gotowe danie – widzimy je w całości, możemy ocenić wygląd, konsystencję i zapach, ale nie wiemy dokładnie, z jakich składników się składa. Domena częstotliwości to przepis kulinarny – lista składników (częstotliwości) wraz z ich proporcjami (amplitudami). Przepis nie oddaje wyglądu gotowego dania, ale precyzyjnie określa jego strukturę. Podobnie widmo nie pokazuje kształtu sygnału w czasie, ale ujawnia jego składowe częstotliwościowe.

Rozwijając tę analogię: transformata Fouriera jest jak proces gotowania, który przekształca listę składników (widmo) w gotowe danie (sygnał w czasie). Transformata odwrotna to proces analizy, w którym z gotowego dania odtwarzamy przepis. Wiedza o składnikach (widmie) pozwala modyfikować danie – usuwać niepożądane składniki (filtrowanie), zmieniać proporcje (korekcja widma) lub dodawać nowe składniki (synteza sygnałów). Jest to metafora obrazująca, dlaczego inżynierowie telekomunikacji muszą biegle posługiwać się obiema domenami.

Tabelaryczne zestawienie domeny czasu i częstotliwości ułatwia systematyczne porównanie ich właściwości i zastosowań. W domenie czasu osią wykresu jest czas wyrażany w sekundach, a na osi pionowej odkładana jest amplituda sygnału. W domenie częstotliwości osią poziomą jest częstotliwość w hercach, a pionową amplituda lub moc widmowa. Domena czasu pozwala bezpośrednio odczytać parametry czasowe, takie jak okres, czas narastania i opadania, natomiast domena częstotliwości daje natychmiastową informację o paśmie zajmowanym przez sygnał i stosunku sygnału do szumu.

W praktyce laboratoryjnej obie domeny są wykorzystywane do różnych celów pomiarowych: oscyloskop (domena czasu) jest niezastąpiony przy badaniu czasów przejść, sekwencji impulsów i synchronizacji, podczas gdy analizator widma (domena częstotliwości) dominuje w pomiarach zniekształceń nieliniowych, szumów fazowych i charakterystyk widmowych emitowanych sygnałów. Umiejętność wyboru odpowiedniej domeny dla konkretnego zadania pomiarowego jest jedną z kluczowych kompetencji inżyniera telekomunikacji i elektronika.

Zasada nieoznaczoności w analizie sygnałów, analogiczna do kwantowej zasady Heisenberga, stanowi fundamentalne ograniczenie w jednoczesnym pomiarze czasu i częstotliwości. Wyraża się ona zależnością Δf · Δt ≥ 1/(4π), gdzie Δf jest rozdzielczością częstotliwościową, a Δt czasem obserwacji. Oznacza to, że nie można jednocześnie dowolnie precyzyjnie określić zarówno położenia sygnału w czasie, jak i jego częstotliwości. Im krótszy impuls (mniejsze Δt), tym szersze widmo (większe Δf), co ma kluczowe znaczenie w systemach radarowych i komunikacji impulsowej UWB.

W praktyce zasada ta przejawia się w kompromisie między rozdzielczością czasową a częstotliwościową w spektrogramach i analizie okienkowej. Krótkie okno analityczne zapewnia dobrą rozdzielczość czasową, ale kosztem rozdzielczości częstotliwościowej, i odwrotnie. Jest to szczególnie istotne przy analizie sygnałów o zmiennej w czasie charakterystyce widmowej, takich jak sygnał mowy czy dźwięk instrumentów muzycznych. Świadome stosowanie tej zasady pozwala optymalnie dobrać długość okna analizy do charakteru badanego sygnału i wymaganej precyzji pomiaru.

Joseph Fourier (1768–1830) był francuskim matematykiem i fizykiem, który podczas badań nad równaniem przewodnictwa cieplnego dokonał fundamentalnego odkrycia: każdą funkcję okresową można przedstawić jako sumę sinusoid i cosinusoid o odpowiednich amplitudach i częstotliwościach. To spostrzeżenie, znane dziś jako szereg Fouriera, stanowi podstawę całej współczesnej analizy sygnałów. Fourier opublikował swoją pracę w 1822 roku w dziele "Théorie analytique de la chaleur", choć początkowo jego teorie spotkały się ze sceptycyzmem ówczesnych matematyków, w tym Lagrange'a i Laplace'a.

Znaczenie odkrycia Fouriera dla telekomunikacji jest trudne do przecenienia. Szereg Fouriera umożliwia dekompozycję dowolnego sygnału okresowego na składowe sinusoidalne, co jest podstawą analizy widmowej. Transformata Fouriera uogólnia to pojęcie na sygnały nieokresowe, a jej dyskretna wersja (DFT/FFT) jest implementowana w każdym nowoczesnym urządzeniu telekomunikacyjnym. Nazwisko Fouriera pojawia się w tysiącach publikacji naukowych i patentów z dziedziny przetwarzania sygnałów, a jego wkład jest uznawany za jeden z najważniejszych w historii matematyki stosowanej.

Transformata Fouriera (FT) jest operacją matematyczną, która przekształca sygnał z domeny czasu s(t) do domeny częstotliwości S(f). Dla sygnałów ciągłych wyraża się wzorem S(f) = ∫ s(t)·e^(-j2πft) dt, gdzie całkowanie odbywa się po całym czasie. Wynik S(f) jest funkcją zespoloną, której moduł reprezentuje widmo amplitudowe, a argument – widmo fazowe. Transformata Fouriera istnieje dla sygnałów spełniających warunek Dirichleta, czyli bezwzględnie całkowalnych, co obejmuje praktycznie wszystkie sygnały fizyczne spotykane w telekomunikacji.

W praktyce cyfrowej stosujemy dyskretną transformatę Fouriera (DFT), która operuje na skończonej liczbie próbek sygnału x(n) dla n = 0,1,...,N-1 i daje w wyniku N wartości widmowych X(k). DFT jest zdefiniowana wzorem X(k) = Σ x(n)·W_N^(kn), gdzie W_N = e^(-j2π/N) jest czynnikiem obrotowym. Bezpośrednie obliczenie DFT dla N próbek wymaga O(N²) operacji, co dla dużych N jest niepraktyczne. Stąd kluczowe znaczenie szybkiej transformaty Fouriera (FFT), która redukuje złożoność do O(N log N) i umożliwia analizę widmową w czasie rzeczywistym.

Transformata Fouriera odwrotna (IFT) umożliwia odtworzenie sygnału w domenie czasu z jego widma S(f) według wzoru s(t) = ∫ S(f)·e^(j2πft) df. Dzięki parze transformat (FT i IFT) możliwe jest dwukierunkowe przejście między domenami, co ma fundamentalne znaczenie w przetwarzaniu sygnałów. Operacje takie jak filtrowanie, korekcja widma czy usuwanie zakłóceń mogą być wykonywane w domenie częstotliwości, a następnie sygnał jest przywracany do domeny czasu za pomocą IFT. Jest to standardowa procedura w cyfrowym przetwarzaniu sygnałów (DSP).

Szczególnie ważnym zastosowaniem IFT jest wielotonowa modulacja OFDM, stosowana w WiFi, LTE, DVB-T i ADSL. W OFDM dane są mapowane na podnośne w domenie częstotliwości (modulacja QAM lub PSK), a następnie za pomocą IFFT (odwrotnej FFT) przekształcane na sygnał czasowy do transmisji. Po stronie odbiorcy FFT odtwarza widmo, z którego odczytywane są dane. Ta efektywna implementacja pary (I)FFT jest możliwa tylko dzięki algorytmowi Cooleya-Tukeya, który umożliwia szybkie obliczanie obu transformat w czasie rzeczywistym.

Pełny matematyczny zapis transformaty Fouriera wymaga znajomości rachunku całkowego i liczb zespolonych, jednak na potrzeby praktyczne wystarczy zrozumieć jej działanie na poziomie koncepcyjnym. Transformata Fouriera mierzy korelację sygnału z falami sinusoidalnymi i cosinusoidalnymi o różnych częstotliwościach. Jeśli sygnał zawiera składową o danej częstotliwości, wynik korelacji (całka iloczynu sygnału z falą wzorcową) będzie niezerowy, co przejawia się jako prążek w widmie. Im silniejsza składowa, tym wyższy prążek.

Dla sygnałów dyskretnych (próbkowanych) stosuje się DFT, której wzór X(k) = Σ x(n)·e^(-j2πkn/N) można interpretować jako sumę iloczynów każdej próbki x(n) z zespoloną falą o częstotliwości k/N. Czynnik e^(-j2πkn/N) reprezentuje zarówno sinus (część urojona), jak i cosinus (część rzeczywista), co pozwala uchwycić zarówno amplitudę, jak i fazę składowej widmowej. Wartość |X(k)|² reprezentuje moc widmową, a argument ∠X(k) – fazę. Ta reprezentacja zespolona jest standardem we wszystkich nowoczesnych systemach analizy widmowej.

Dekompozycja sygnału na składowe sinusoidalne jest najlepiej widoczna na przykładzie syntezy fali prostokątnej z kolejnych harmonicznych. Dodanie podstawowej sinusoidy f0 daje falę o kształcie jeszcze dalekim od prostokąta, ale już widoczne są początki stromych zboczy. Dołączenie trzeciej harmonicznej 3f0 o amplitudzie 1/3 podstawowej wyostrza zbocza i spłaszcza wierzchołek. Po dodaniu piątej (5f0, amplituda 1/5) i siódmej (7f0, amplituda 1/7) harmonicznej kształt fali coraz bardziej przypomina prostokąt, choć na zboczach pojawiają się charakterystyczne oscylacje, znane jako zjawisko Gibbsa.

Zjawisko Gibbsa polega na tym, że przy aproksymacji funkcji nieciągłej (skokowej) za pomocą szeregu Fouriera w okolicy nieciągłości powstają oscylacje, które nie zanikają nawet przy nieskończonej liczbie wyrazów szeregu. Są one wynikiem skończonej szybkości zbieżności szeregu Fouriera w punktach nieciągłości. W praktyce oznacza to, że żaden rzeczywisty system nie jest w stanie wygenerować idealnej fali prostokątnej – zawsze wystąpią przeregulowania na zboczach. Zjawisko to ma istotne znaczenie przy projektowaniu szybkich układów cyfrowych, gdzie ograniczone pasmo powoduje zaokrąglenie zboczy impulsów.

Sygnały okresowe, czyli powtarzające się z okresem T, mają widmo dyskretne (liniowe), składające się z pojedynczych prążków przy częstotliwościach będących wielokrotnościami częstotliwości podstawowej f0 = 1/T. Prążki występują przy 0 (składowa stała), f0, 2f0, 3f0 itd., a ich amplitudy są określone przez współczynniki szeregu Fouriera. Widmo dyskretne jest charakterystyczne dla wszystkich sygnałów okresowych, niezależnie od ich kształtu – sinusoida ma jeden prążek, fala prostokątna ma nieskończenie wiele, a sygnał piłokształtny zawiera wszystkie harmoniczne (parzyste i nieparzyste) z amplitudami malejącymi jak 1/n.

W praktyce telekomunikacyjnej widmo dyskretne jest typowe dla sygnałów zegarowych, nośnych, generatorów testowych oraz sygnałów modulowanych cyfrowo z okresowym preambułem. Znajomość rozkładu prążków umożliwia szybkie określenie częstotliwości podstawowej sygnału na podstawie odstępów między prążkami, co jest powszechnie stosowane w pomiarach automatycznych. Analiza widma dyskretnego pozwala również na wykrywanie zniekształceń nieliniowych, które objawiają się pojawieniem dodatkowych harmonicznych niewystępujących w idealnym sygnale źródłowym.

Odstęp między sąsiednimi prążkami w widmie sygnału okresowego jest równy częstotliwości podstawowej f0 = 1/T, gdzie T jest okresem sygnału. Jest to jedna z najważniejszych zależności w analizie widmowej, ponieważ umożliwia natychmiastowe określenie okresu sygnału na podstawie odczytu z analizatora widma. Na przykład, jeśli prążki są rozmieszczone co 100 Hz, to okres sygnału wynosi 10 ms. Im dłuższy okres (niższa częstotliwość podstawowa), tym gęściej rozmieszczone są prążki, co jest widoczne przy porównaniu widma niskich i wysokich dźwięków muzycznych.

Ta zależność ma praktyczne konsekwencje w projektowaniu systemów pomiarowych: aby poprawnie rozróżnić sąsiednie prążki, rozdzielczość częstotliwościowa Δf analizatora (lub długość okna FFT) musi być mniejsza od f0. W przeciwnym razie prążki zlewają się w jeden, uniemożliwiając precyzyjną analizę. Dlatego przy pomiarze sygnałów o niskiej częstotliwości podstawowej (np. 50 Hz z sieci energetycznej) konieczne jest zastosowanie długiego okna analizy (duża liczba próbek N), aby uzyskać odpowiednio małe Δf i rozróżnić poszczególne harmoniczne.

Obwiednia widma to krzywa łącząca wierzchołki prążków widmowych, której kształt zależy bezpośrednio od kształtu sygnału w domenie czasu. Dla fali prostokątnej obwiednia maleje proporcjonalnie do 1/n (dla n = 1,3,5,...), co oznacza stosunkowo wolny spadek amplitud harmonicznych i szerokie widmo efektywne. Dla fali trójkątnej amplitudy harmonicznych maleją jak 1/n², czyli znacznie szybciej, co skutkuje węższym widmem. Dla impulsu prostokątnego obwiednia ma kształt funkcji sinc(x) = sin(x)/x, z charakterystycznymi bocznymi listkami o malejącej amplitudzie.

Szybkość zanikania obwiedni widma ma kluczowe znaczenie przy określaniu praktycznej szerokości pasma sygnału. Przyjmuje się, że szerokość pasma to zakres częstotliwości, w którym zawarta jest określona część całkowitej mocy sygnału (np. 99%). Dla sygnałów o szybko malejącej obwiedni (jak fala trójkątna) większość mocy zawarta jest w kilku pierwszych harmonicznych, podczas gdy dla sygnałów o wolno malejącej obwiedni (jak fala prostokątna) istotny udział mocy występuje w wielu harmonicznych. Jest to jeden z powodów, dla których w systemach cyfrowych stosuje się kształtowanie impulsów (pulse shaping) w celu ograniczenia zajmowanego pasma.

Przykład fali prostokątnej o częstotliwości 1 kHz ilustruje wszystkie kluczowe cechy widma dyskretnego. Prążki występują przy częstotliwościach 1 kHz, 3 kHz, 5 kHz, 7 kHz itd., a ich amplitudy maleją według wzoru 4A/(π·n), gdzie A jest amplitudą fali w dziedzinie czasu. Pierwszy prążek (podstawowa) ma amplitudę 4A/π ≈ 1,27A, trzeci 4A/(3π) ≈ 0,42A, piąty 4A/(5π) ≈ 0,25A, a siódmy 4A/(7π) ≈ 0,18A. Widmo jest nieskończone w teorii, ale w praktyce systemy transmisyjne ograniczają je do pierwszych kilku-kilkunastu harmonicznych, co powoduje zaokrąglenie zboczy fali.

W systemach cyfrowych wiedza o widmie fali prostokątnej ma bezpośrednie zastosowanie przy projektowaniu magistral komunikacyjnych, takich jak SPI, I²C czy USB. Sygnał zegarowy w tych magistralach jest falą prostokątną, a jego widmo musi mieścić się w dopuszczalnym paśmie emisji, aby nie zakłócać innych urządzeń. Dlatego szybkie magistrale (USB 3.0, PCIe) stosują techniki kształtowania widma, takie jak spread spectrum clocking, polegające na okresowym rozszerzaniu widma zegara w celu redukcji szczytowej emisji elektromagnetycznej (EMI) i spełnienia norm kompatybilności elektromagnetycznej (EMC).

Sygnały nieokresowe, do których należą pojedyncze impulsy, szum, sygnały mowy i przypadkowe, mają widmo ciągłe, w którym energia jest rozłożona w sposób ciągły w pewnym paśmie częstotliwości. W przeciwieństwie do widma dyskretnego, nie ma tu wyraźnych pojedynczych prążków – zamiast tego obserwujemy krzywą gęstości widmowej mocy (PSD), która może mieć lokalne maksima (np. formanty w mowie) lub być płaska (szum biały). Pojedynczy impuls prostokątny ma widmo sinc, szum biały ma widmo płaskie, a sygnał mowy ma widmo ciągłe z charakterystycznymi formantami.

Widmo ciągłe ma fundamentalne znaczenie w analizie szumów i zakłóceń w systemach telekomunikacyjnych. Szum termiczny (Johnson-Nyquist) ma gęstość widmową mocy równą kT = 4·10⁻²¹ W/Hz w temperaturze pokojowej, co odpowiada poziomowi -174 dBm/Hz. Szum śrutowy (shot noise) występujący w półprzewodnikach również ma widmo ciągłe. Umiejętność odróżnienia szumu białego od szumu różowego (1/f) lub szumu fazowego (L(f)) jest kluczowa w diagnozowaniu źródeł zakłóceń i optymalizacji stosunku sygnału do szumu (SNR) w odbiornikach radiowych.

Pojedynczy impuls prostokątny o czasie trwania τ ma widmo opisane funkcją sinc(x) = sin(x)/x, która jest jedną z najważniejszych funkcji w analizie sygnałów. Widmo impulsu wyraża się wzorem S(f) = A·τ·sinc(πfτ), gdzie A jest amplitudą impulsu. Funkcja sinc ma główny listek (main lobe) o szerokości Δf = 2/τ, mierzony między pierwszymi zerami widma, które występują przy f = ±1/τ. Listki boczne (side lobes) mają amplitudy malejące proporcjonalnie do 1/f, a ich pierwszy listek boczny jest zaledwie około 13 dB poniżej głównego maksimum.

Znajomość widma sinc ma kluczowe znaczenie w projektowaniu systemów transmisyjnych, ponieważ pokazuje, że każdy ograniczony w czasie sygnał ma nieskończone widmo w teorii. W praktyce przyjmuje się, że efektywna szerokość pasma impulsu wynosi około 1/τ, gdzie zawarte jest około 90% energii sygnału. W systemach UWB (Ultra-Wideband) celowo stosuje się bardzo krótkie impulsy (rzędu nanosekund), co daje widmo o szerokości kilku GHz, umożliwiające transmisję danych z bardzo wysoką przepływnością przy jednoczesnym niskim poziomie mocy widmowej, co minimalizuje interferencje z innymi systemami pracującymi w tym samym paśmie.

Odwrotna zależność między czasem trwania impulsu τ a szerokością jego widma Δf jest jednym z najważniejszych praw w telekomunikacji, wyrażającym się prostą relacją Δf · τ ≈ 1. Oznacza to, że skrócenie czasu trwania impulsu powoduje proporcjonalne poszerzenie zajmowanego pasma, co ma bezpośrednie konsekwencje w projektowaniu systemów komunikacyjnych. Dla impulsu o czasie 1 µs szerokość pasma wynosi około 1 MHz, dla 1 ns – około 1 GHz. Jest to fizyczne ograniczenie wynikające z natury transformaty Fouriera, a nie z niedoskonałości sprzętu.

Ta zależność ma praktyczne implikacje przy wyborze techniki modulacji i szybkości transmisji. Systemy wąskopasmowe (np. LTE z pasmem 1,4 MHz) pozwalają na transmisję z umiarkowaną szybkością, ale są odporne na zakłócenia i wymagają prostych filtrów. Systemy szerokopasmowe (np. WiFi z pasmem 160 MHz) oferują wysoką przepływność, ale są bardziej podatne na interferencje i wymagają zaawansowanego przetwarzania sygnałów. Współczesne systemy 5G stosują elastyczne pasmo od 5 MHz do 400 MHz, dobierane dynamicznie w zależności od wymagań transmisji i dostępności widma w danym momencie.

Ilustracją zależności między czasem trwania a pasmem są dwa przykładowe impulsy prostokątne stosowane w komunikacji cyfrowej. Impuls o czasie trwania τ = 10 µs zajmuje pasmo Δf ≈ 100 kHz, co jest typowe dla systemów wąskopasmowych, takich jak łącza telefoniczne xDSL. Impuls o czasie τ = 0,1 µs (100 ns) zajmuje pasmo Δf ≈ 10 MHz, charakterystyczne dla szybkich łączy Ethernet lub transmisji bezprzewodowych. Wybór między tymi rozwiązaniami zależy od wymaganej przepływności bitowej i dostępnego zasobu widma.

W systemie UWB (Ultra-Wideband) stosuje się impulsy o czasie trwania rzędu 0,1–2 ns, co daje widmo o szerokości 500–7000 MHz. Dzięki ekstremalnie niskiej gęstości widmowej mocy (poniżej -41,3 dBm/MHz) systemy UWB mogą pracować w paśmie zajętym przez inne systemy bez powodowania istotnych interferencji. Znajdują one zastosowanie w precyzyjnej lokalizacji (z dokładnością do 10–30 cm), transmisji danych z szybkością do 1 Gbps oraz w radarach penetrujących ściany. Technologia UWB jest przykładem praktycznego wykorzystania zasady nieoznaczoności do celów komunikacyjnych.

Szybka transformata Fouriera (FFT) jest algorytmem efektywnie obliczającym dyskretną transformatę Fouriera (DFT) w czasie O(N log N) zamiast O(N²) dla bezpośredniego obliczenia. Jest to możliwe dzięki rekurencyjnej dekompozycji sygnału na mniejsze fragmenty, co jest znane jako podejście "dziel i rządź". FFT jest zaimplementowana w każdej nowoczesnej bibliotece numerycznej (np. FFTW, Intel MKL, cuFFT dla GPU) i jest standardowym blokiem w procesorach DSP (Digital Signal Processor) oraz FPGA. Bez FFT cyfrowe przetwarzanie sygnałów w czasie rzeczywistym, jakie znamy z WiFi, LTE czy odbiorników SDR, byłoby niemożliwe ze względu na zbyt dużą złożoność obliczeniową.

Najczęściej stosowaną implementacją FFT jest algorytm Radix-2, który wymaga, aby liczba próbek N była potęgą dwójki (N = 2^k). Dla próbek o długości niebędącej potęgą dwójki stosuje się techniki zero-paddingu (dopełnienia zerami) lub algorytmy Radix-4, Radix-3, które obsługują dowolne długości. W praktyce FFT jest tak szybka, że dla N = 1024 próbek oblicza widmo w czasie rzędu mikrosekund na współczesnych procesorach, co umożliwia analizę tysięcy widm na sekundę w systemach działających w czasie rzeczywistym, takich jak spektrogramy w SDR.

Różnica w złożoności obliczeniowej między DFT a FFT jest dramatyczna i rośnie wykładniczo wraz z liczbą próbek N. Dla N = 1024 próbek, DFT wymaga około 1 048 576 operacji (mnożeń i dodawań zespolonych), podczas gdy FFT wykonuje tylko około 10 240 operacji – przyspieszenie 102×. Dla N = 1 048 576 (1 megapróbka) DFT wymaga około biliona operacji (10¹²), co na typowym procesorze 3 GHz trwałoby kilkaset sekund, podczas gdy FFT wykonuje tylko około 20 milionów operacji w czasie kilku milisekund – przyspieszenie około 50 000×.

To kolosalne przyspieszenie wynika z faktu, że DFT bezpośrednia oblicza każdą wartość widmową niezależnie, podczas gdy FFT wykorzystuje symetrię i okresowość czynnika obrotowego W_N = e^(-j2π/N) do wielokrotnego użycia wyników pośrednich. Algorytm FFT dzieli sygnał na parzyste i nieparzyste próbki, oblicza DFT każdej połowy rekurencyjnie, a następnie łączy wyniki za pomocą operacji "motylkowych" (butterfly). Dzięki temu liczba operacji rośnie logarytmicznie, a nie kwadratowo, co umożliwia praktyczną analizę widmową nawet dla bardzo długich ciągów próbek (N = 2²⁰ i więcej) w systemach embedded czasu rzeczywistego.

Przełomowa publikacja Jamesa Cooleya i Johna Tukeya z 1965 roku pod tytułem "An Algorithm for the Machine Calculation of Complex Fourier Series" przedstawiła algorytm FFT w formie praktycznej implementacji komputerowej. Cooley, matematyk pracujący w IBM, i Tukey, statystyk z Princeton, opracowali algorytm, który zredukował złożoność DFT z O(N²) do O(N log N), co otworzyło drzwi do cyfrowego przetwarzania sygnałów w czasie rzeczywistym. Co ciekawe, podstawy matematyczne algorytmu były znane już Carlowi Friedrichowi Gaussowi około 1805 roku, który stosował podobną technikę do obliczania orbit planetoid, ale jego praca pozostała nieodkryta przez ponad 150 lat.

Wpływ algorytmu Cooleya-Tukeya na rozwój technologii jest trudny do przecenienia. Umożliwił on praktyczne zastosowanie DFT w takich dziedzinach jak: cyfrowa transmisja danych (OFDM), kompresja audio (MP3, AAC), obróbka obrazów (JPEG, JPEG 2000), medycyna (MRI, tomografia), sejsmologia, astronomia radiowa i wiele innych. W 2020 roku algorytm FFT został uznany przez IEEE za jeden z dziesięciu najważniejszych algorytmów XX wieku, obok takich przełomów jak algorytm PageRank Google czy RSA. Współczesne implementacje FFT, takie jak biblioteka FFTW (Fastest Fourier Transform in the West), optymalizują wydajność dla konkretnych platform sprzętowych za pomocą planowania i adaptacji w czasie wykonania.

FFT znajduje zastosowanie w niemal każdej dziedzinie nowoczesnej technologii. W telekomunikacji jest sercem systemów OFDM, gdzie demodulacja tysięcy podnośnych w standardzie LTE (do 2048 podnośnych) lub WiFi (do 64/256/1024 podnośnych) odbywa się za pomocą pojedynczej operacji FFT w każdym symbolu OFDM. W przetwarzaniu dźwięku FFT jest używana w korektorach graficznych, wizualizatorach widma, kompresji stratnej (MP3 dzieli sygnał na 576 pasm częstotliwościowych) oraz w systemach rozpoznawania mowy, gdzie analizowane są formanty i cechy spektralne.

W obrazowaniu medycznym FFT jest kluczowa w rezonansie magnetycznym (MRI), gdzie dane są zbierane w domenie częstotliwości przestrzennych (k-space), a następnie przekształcane do obrazu za pomocą 2D FFT. W radioastronomii FFT umożliwia syntezę apertury – łączenie sygnałów z wielu radioteleskopów w celu uzyskania obrazów o wysokiej rozdzielczości kątowej. W systemach radarowych FFT jest używana do analizy widma dopplerowskiego, co pozwala odróżnić cele ruchome od nieruchomych. W przetwarzaniu obrazów cyfrowych dyskretna transformata cosinusowa (DCT), bazująca na podobnej zasadzie co FFT, jest podstawą standardów JPEG i H.264.

Okienkowanie jest niezbędną techniką w praktycznej analizie widmowej, ponieważ rzeczywiste sygnały są zawsze obserwowane w skończonym przedziale czasu. Nagłe obcięcie sygnału na brzegach okna prostokątnego powoduje przeciek widma (spectral leakage) – energia z głównej częstotliwości "rozlewa się" na sąsiednie prążki, maskując słabsze składowe widma. Okienkowanie polega na pomnożeniu sygnału przez funkcję wagową, która płynnie wygładza brzegi do zera, redukując przeciek kosztem poszerzenia głównego listka widma i pogorszenia rozdzielczości częstotliwościowej.

Wybór odpowiedniego okna zależy od konkretnego zastosowania i stanowi kompromis między szerokością głównego listka (rozdzielczością) a tłumieniem listków bocznych (przeciekiem). Okno prostokątne ma najwęższy listek główny, ale najgorsze tłumienie listków bocznych (-13 dB), co jest akceptowalne tylko dla silnych sygnałów wąskopasmowych. Okno Hanninga (-32 dB listków bocznych) i Hamminga (-43 dB) są najczęściej stosowanymi oknami ogólnego przeznaczenia. Okno Blackmana (-58 dB) oferuje doskonałe tłumienie kosztem szerszego listka głównego. Okno Kaisera z regulowanym parametrem β pozwala płynnie sterować kompromisem między rozdzielczością a przeciekiem.

Rozdzielczość częstotliwościowa Δf określa minimalny odstęp między dwoma prążkami, przy którym są one jeszcze rozróżnialne w widmie. Oblicza się ją ze wzoru Δf = fs/N, gdzie fs to częstotliwość próbkowania, a N to liczba próbek w oknie analizy. Na przykład dla sygnału audio próbkowanego z fs = 44,1 kHz (standard CD) i N = 1024 próbek, rozdzielczość wynosi Δf ≈ 43 Hz, co oznacza, że dwa tony oddalone o mniej niż 43 Hz zleją się w jeden prążek. Dla N = 65 536 próbek Δf ≈ 0,67 Hz, co umożliwia rozróżnienie bardzo blisko położonych składowych.

Poprawa rozdzielczości wymaga zwiększenia liczby próbek N, co oznacza dłuższy czas obserwacji T_obs = N/fs. Jest to zgodne z zasadą nieoznaczoności – lepsza rozdzielczość częstotliwościowa wymaga dłuższego czasu pomiaru. W praktyce dla sygnałów stacjonarnych (niezmiennych w czasie) można stosować bardzo długie okna (N = 2²⁰ i więcej), osiągając Δf poniżej 1 Hz nawet przy wysokim fs. Dla sygnałów niestacjonarnych (mowa, muzyka) stosuje się krótsze okna (N = 256–4096) w analizie spektrogramowej, gdzie rozdzielczość czasowa jest równie ważna jak częstotliwościowa. Zrównoważenie tych dwóch wymagań jest sztuką analizy spektralnej.

Umiejętność interpretacji widma jest kluczową kompetencją inżyniera telekomunikacji, umożliwiającą szybką diagnostykę systemów i identyfikację problemów. Ostre, wąskie prążki przy określonych częstotliwościach wskazują na obecność sygnałów wąskopasmowych, takich jak nośne radiowe, tony testowe lub zakłócenia od zasilaczy impulsowych. Grupa prążków o stałych odstępach świadczy o sygnale okresowym z harmonicznymi, a ich względne amplitudy pozwalają określić kształt sygnału w czasie. Podniesiony poziom szumu tła (noise floor) informuje o całkowitej mocy szumu własnego systemu lub zakłóceń zewnętrznych.

Do zaawansowanych technik czytania widma należy identyfikacja modulacji na podstawie kształtu widma. Modulacja AM wytwarza symetryczne wstęgi boczne wokół nośnej, z widocznymi prążkami bocznymi oddalonymi o częstotliwość modulującą. Modulacja FM ma charakterystyczne widmo zależne od wskaźnika modulacji β, z widocznymi prążkami bocznymi według funkcji Bessela. Modulacje cyfrowe (PSK, QAM) mają charakterystyczne widmo z głównym listkiem i listkami bocznymi o kształcie sinc, a szerokość głównego listka odpowiada szybkości symbolowej. Doświadczony inżynier jest w stanie rozpoznać rodzaj modulacji i podstawowe parametry transmisji na podstawie samego widma.

Analiza widma sygnału audio z kamertonu 440 Hz (nuta A4) jest klasycznym przykładem ilustrującym podstawy analizy widmowej. Główny prążek przy 440 Hz reprezentuje częstotliwość podstawową, która odpowiada wysokości dźwięku. Nawet w przypadku pozornie czystego kamertonu w widmie widoczne są słabsze harmoniczne przy 880 Hz (druga harmoniczna), 1320 Hz (trzecia) i wyższych, co wynika z fizycznych właściwości rezonansowych kamertonu. Stosunek amplitud harmonicznych do podstawowej określa barwę dźwięku. Poziom szumu tła między prążkami wskazuje na jakość toru pomiarowego i zastosowanego przetwornika ADC.

W praktyce inżynierskiej analiza widma audio jest wykorzystywana do diagnostyki systemów nagłośnienia, pomiaru zniekształceń harmonicznych (THD+N), strojenia instrumentów i lokalizacji źródeł dźwięku. Spektrogram (widmo w funkcji czasu) pozwala obserwować zmiany częstotliwości w czasie, co jest szczególnie przydatne w analizie mowy i muzyki. Na spektrogramie mowy widoczne są formanty – ciemne pasma przy charakterystycznych częstotliwościach dla każdej samogłoski. Analiza spektrogramu umożliwia automatyczne rozpoznawanie mowy (ASR) oraz identyfikację mówcy na podstawie unikalnych cech widmowych jego głosu (spektrogram głosu jest odpowiednikiem odcisku palca).

Poziom szumu tła (noise floor) jest jednym z najważniejszych parametrów określających jakość systemu pomiarowego i odbiorczego. Definiuje minimalną moc sygnału, którą można jeszcze odróżnić od szumu własnego systemu. Teoretyczne minimum szumu termicznego wynosi -174 dBm/Hz w temperaturze 290 K (około 17°C), co oznacza, że w paśmie 1 MHz minimalny poziom szumu wynosi -114 dBm. W praktyce rzeczywisty noise floor jest wyższy ze względu na szum fazowy generatora lokalnego, szum kwantyzacji przetwornika ADC, szum migotania (1/f) w półprzewodnikach oraz zakłócenia zewnętrzne.

W analizie widmowej noise floor manifestuje się jako podniesione tło między prążkami sygnałów użytecznych. Stosunek sygnału do szumu (SNR) jest różnicą między poziomem prążka a noise floor, wyrażoną w dB. W projektowaniu odbiorników radiowych kluczowym parametrem jest figura szumu (NF – Noise Figure), która określa, o ile decybeli dany system podnosi noise floor względem teoretycznego minimum. Nowoczesne odbiorniki SDR z przetwornikami 12–16 bit osiągają NF na poziomie 3–6 dB, podczas gdy profesjonalne analizatory widma z przedwzmacniaczami mogą osiągać NF poniżej 1 dB, umożliwiając pomiary bardzo słabych sygnałów.

W analizie widma moc sygnału jest wyrażana w jednostkach logarytmicznych, co umożliwia wygodną pracę z bardzo szerokim zakresem wartości. Podstawową jednostką jest dBm – moc wyrażona w decybelach względem 1 mW: P[dBm] = 10·log₁₀(P[mW]/1 mW). Dla wyższych mocy stosuje się dBW względem 1 W. Gęstość widmowa mocy wyrażana w dBm/Hz pozwala porównywać sygnały o różnych szerokościach pasma – moc całkowita sygnału jest sumą gęstości widmowej w całym paśmie. Na przykład sygnał o gęstości -80 dBm/Hz w paśmie 20 MHz ma moc całkowitą -80 + 10·log₁₀(20·10⁶) = -47 dBm.

W praktyce pomiarowej kluczowe znaczenie ma zrozumienie różnicy między mocą chwilową a średnią oraz między mocą w paśmie a gęstością widmową. Analizatory widma wyświetlają moc średnią w paśmie RBW (Resolution Bandwidth), a zmiana RBW wpływa na wyświetlany poziom noise floor – zmniejszenie RBW o połowę obniża noise floor o 3 dB, ponieważ zmniejsza się pasmo, w którym mierzone jest szum. Jest to podstawowa technika poprawy czułości pomiaru kosztem czasu skanowania. W systemach SDR gęstość widmowa mocy jest obliczana bezpośrednio z FFT z korekcją na okno i pasmo równoważne szumu (ENBW – Equivalent Noise Bandwidth).

Wąskie widmo (wąskopasmowe) charakteryzuje się tym, że energia sygnału jest skoncentrowana w bardzo wąskim przedziale częstotliwości, często w pojedynczym prążku. Typowymi przykładami są: sygnały nośne stacji radiowych AM/FM (przed detekcją), tony testowe z generatorów, sygnały CW (Continuous Wave) stosowane w telegrafii oraz niechciane emisje z oscylatorów i zasilaczy. Wąskopasmowość oznacza wysoką gęstość widmową mocy, co ułatwia odbiór sygnału nawet przy niskim poziomie całkowitej mocy nadajnika. Systemy wąskopasmowe są mniej podatne na zakłócenia szerokopasmowe, ale niosą mniej informacji na jednostkę czasu.

Przeciwieństwem jest widmo szerokie (szerokopasmowe), w którym energia jest rozłożona w szerokim paśmie częstotliwości, często bez wyraźnych prążków. Charakteryzuje ono sygnały cyfrowe (WiFi, LTE, 5G NR), sygnały z widmem rozproszonym (DSSS, FHSS), szum oraz sygnały modulowane szerokopasmowo (UWB). Zaletą systemów szerokopasmowych jest wysoka przepływność bitowa (prawo Shannona-Hartleya: C = B·log₂(1+SNR)), odporność na zakłócenia wąskopasmowe (dzięki rozproszeniu energii) i możliwość współdzielenia pasma z innymi systemami (CDMA, OFDMA). Wybór między wąskopasmowym a szerokopasmowym podejściem zależy od konkretnego zastosowania, dostępnego pasma i wymaganej przepływności.

Analiza widma pasma 2,4 GHz jest jednym z najczęstszych zastosowań praktycznej analizy spektralnej w sieciach komputerowych. Pasmo ISM 2400–2483,5 MHz jest współdzielone przez WiFi (standardy 802.11b/g/n/ax), Bluetooth, urządzenia ZigBee, kuchenki mikrofalowe, telefony bezprzewodowe DECT i wiele innych urządzeń. WiFi wykorzystuje kanały o szerokości 20 MHz (lub 40 MHz w standardzie 802.11n), przy czym tylko kanały 1, 6 i 11 nie zachodzą na siebie w paśmie 2,4 GHz. Na widmie widać charakterystyczne wzgórza odpowiadające zajętym kanałom, z wyraźnym spadkiem mocy na brzegach pasma kanału.

Analiza widma WiFi umożliwia diagnostykę problemów z wydajnością sieci, identyfikację źródeł interferencji i wybór optymalnego kanału. Kuchenka mikrofalowa generuje szerokopasmowe zakłócenie w paśmie około 2450 MHz o szerokości kilkudziesięciu MHz, które może całkowicie zablokować komunikację WiFi w tym zakresie. Urządzenia Bluetooth skaczą po częstotliwościach (frequency hopping) w całym paśmie 2,4 GHz, ale ich moc jest znacznie niższa niż WiFi. Profesjonalne narzędzia do analizy widma WiFi (Ekahau, NetSpot, Acrylic WiFi) umożliwiają pomiar mocy w poszczególnych kanałach, wykrywanie interferencji i optymalizację rozmieszczenia punktów dostępowych (AP).

Sygnał mowy ludzkiej zajmuje pasmo od około 80 Hz do 8 kHz, ale zrozumiałość mowy jest zachowana w paśmie telefonicznym 300–3400 Hz, które jest standardem w tradycyjnej telefonii (PSTN). W tym paśmie mieszczą się formanty samogłosek: F1 (300–1000 Hz) związany z wysokością języka w jamie ustnej, F2 (1000–3000 Hz) związany z położeniem języka w przód/tył oraz F3 (2000–3500 Hz) związany z zaokrągleniem warg. Spółgłoski mają widmo o wyższej częstotliwości i bardziej rozproszonej energii, a ich poprawne odtworzenie wymaga pasma co najmniej 8 kHz. Spektrogram mowy pokazuje charakterystyczne wzory dla każdego fonemu.

Widmo muzyki jest znacznie bogatsze i sięga do 20 kHz (granica słyszalności człowieka). Instrumenty muzyczne mają charakterystyczne widma harmoniczne, których unikalny układ decyduje o barwie dźwięku. Skrzypce mają bogate widmo harmoniczne z silnymi składowymi do 10–15 kHz, podczas gdy flet ma widmo z dominacją niższych harmonicznych. Pianino ma złożone widmo z szybko zmieniającymi się amplitudami harmonicznych w czasie, co odpowiada za jego bogactwo brzmienia. W cyfrowym przetwarzaniu dźwięku analiza widma jest używana w korektorach parametrycznych, procesorach dynamiki (kompresory, limitery) oraz w systemach kodowania percepcyjnego (MP3, AAC), które maskują składowe niesłyszalne dla ucha.

Odbiorniki SDR (Software Defined Radio) są doskonałym przykładem praktycznego zastosowania FFT w analizie widma w czasie rzeczywistym. Typowy odbiornik SDR (np. RTL-SDR za około 100 zł) próbkuje sygnał radiowy za pomocą przetwornika ADC 8-bit z częstotliwością do 3,2 MS/s, po czym całe przetwarzanie odbywa się programowo w komputerze. FFT jest używana do obliczenia bieżącego widma wyświetlanego w oknie analizatora, do generowania spektrogramu (waterfall) oraz do demodulacji wybranych kanałów. Nowoczesne SDR z FPGA (np. HackRF, LimeSDR, USRP) mogą obliczać FFT w sprzęcie, osiągając miliony transformat na sekundę.

W praktyce SDR FFT jest stosowana do: identyfikacji stacji radiowych na podstawie ich widma (AM, FM, SSB, cyfrowe), analizy zajętości widma w danym paśmie (spectrum monitoring), lokalizacji źródeł zakłóceń (interference hunting) oraz dekodowania cyfrowych transmisji. Programy takie jak SDR#, GQRX, CubicSDR oferują zaawansowane opcje FFT z regulowaną rozdzielczością, wyborem okna, uśrednianiem widma i detekcją sygnałów. Dla zaawansowanych użytkowników GNU Radio umożliwia budowę własnych przepływów przetwarzania z blokami FFT, filtrów i demodulatorów, co czyni SDR niezwykle elastycznym narzędziem do edukacji i badań w dziedzinie telekomunikacji radiowej.

Dostępne narzędzia do analizy widma można podzielić na trzy kategorie: profesjonalne analizatory widma laboratoryjnego, przenośne analizatory terenowe oraz tanie odbiorniki SDR. Profesjonalne analizatory (Rohde & Schwarz FSW, Keysight N9030B, Anritsu MS2840A) oferują zakres częstotliwości do 110 GHz, RBW poniżej 1 Hz, zakres dynamiczny przekraczający 160 dB i szereg zaawansowanych funkcji pomiarowych, takich jak analiza szumów fazowych, pomiary EVM (Error Vector Magnitude) i demodulacja wektorowa. Są to urządzenia o wartości od kilkudziesięciu do kilkuset tysięcy złotych, stosowane w laboratoriach badawczych i serwisach profesjonalnych.

Na przeciwległym końcu spektrum cenowego znajdują się tanie SDR, takie jak RTL-SDR bazujący na układzie RTL2832U (cena około 100 zł), który oferuje zakres 24–1700 MHz z pasmem do 3,2 MHz. Mimo niskiej ceny umożliwia on podstawową analizę widma, nasłuch stacji radiowych, dekodowanie transmisji cyfrowych (ADS-B, POCSAG, APRS) i jest doskonałym narzędziem edukacyjnym. Pośrednie rozwiązania, takie jak Airspy (zakres do 1,8 GHz, pasmo 10 MHz, cena ~500 zł) czy HackRF (zakres do 6 GHz, pasmo 20 MHz, cena ~1000 zł), oferują lepszą czułość i szersze pasmo, zbliżając się do możliwości profesjonalnych analizatorów w podstawowych zastosowaniach.

Oprogramowanie do analizy widma można podzielić na narzędzia ogólnego przeznaczenia (MATLAB, Python z bibliotekami numpy/scipy/matplotlib) oraz dedykowane aplikacje dla SDR. MATLAB z toolboxem Signal Processing Toolbox oferuje bogaty zestaw funkcji do analizy widmowej: pwelch() do estymacji gęstości widmowej mocy metodą Welcha, spectrogram() do analizy czasowo-częstotliwościowej oraz fft() z zaawansowanymi opcjami okienkowania i zero-paddingu. Python z bibliotekami numpy.fft, scipy.signal i matplotlib.pyplot to darmowa alternatywa o podobnych możliwościach, coraz częściej stosowana w edukacji i badaniach naukowych.

Dedykowane narzędzia dla SDR to: SDR# (SDR Sharp) – lekka aplikacja dla Windows z intuicyjnym interfejsem, obsługą wielu typów SDR i wtyczkami do dekodowania różnych modulacji; GQRX – odpowiednik dla Linux i macOS; HDSDR – zaawansowany program z emulacją tradycyjnego analizatora widma; GNU Radio – środowisko do projektowania systemów SDR w postaci graficznych przepływów (flow graphs) z możliwością generowania kodu w Pythonie i C++. Każde z tych narzędzi oferuje FFT z regulowanymi parametrami, a wybór zależy od systemu operacyjnego, typu SDR i złożoności wymaganej analizy widmowej.

Prezentacja "Widmo sygnału" stanowi kompleksowe wprowadzenie do analizy spektralnej w telekomunikacji, łącząc podstawy teoretyczne z praktycznymi zastosowaniami. Kluczowymi wnioskami są: domena czasu i częstotliwości są komplementarnymi reprezentacjami sygnału, transformata Fouriera (a w szczególności FFT) umożliwia efektywne przejście między nimi, a zasada nieoznaczoności Δf·Δt ≥ 1/(4π) nakłada fundamentalne ograniczenie na jednoczesną rozdzielczość czasową i częstotliwościową. Zrozumienie widma dyskretnego (sygnały okresowe) i ciągłego (sygnały nieokresowe) jest niezbędne przy projektowaniu i diagnostyce systemów telekomunikacyjnych.

Umiejętność praktycznej analizy widma – od wyboru odpowiedniego okna FFT, przez interpretację prążków i noise floor, po identyfikację typów sygnałów i modulacji – jest kluczową kompetencją inżyniera telekomunikacji. Wykorzystanie narzędzi takich jak analizatory widma, tanie SDR i biblioteki programowe (Python, MATLAB) umożliwia samodzielne eksperymenty i pogłębianie wiedzy. Zachęcamy do praktycznych ćwiczeń z analizą widma rzeczywistych sygnałów – koszt wejścia (RTL-SDR za ~100 zł + darmowe oprogramowanie) jest niski, a korzyści edukacyjne nieocenione.

Dziękujemy za udział w prezentacji poświęconej widmu sygnału – jednemu z najważniejszych pojęć w telekomunikacji i przetwarzaniu sygnałów. Zdobyta wiedza stanowi solidny fundament do dalszego zgłębiania tematów takich jak modulacje cyfrowe, systemy MIMO, radio kognitywne oraz projektowanie warstwy fizycznej w nowoczesnych systemach łączności. Zachęcamy do samodzielnych eksperymentów z FFT w wybranym środowisku programistycznym oraz do obserwacji widma rzeczywistych sygnałów radiowych za pomocą SDR.

Materiały dodatkowe, w tym kod źródłowy przykładów w Pythonie, nagrania wykładów oraz zestawy zadań, są dostępne na platformie edukacyjnej kursu. W razie pytań i wątpliwości zachęcamy do kontaktu z prowadzącym oraz do udziału w dyskusjach na forum kursu. Życzymy owocnej nauki i satysfakcji z odkrywania fascynującego świata analizy widmowej. Powodzenia w dalszych modułach kursu wprowadzającego do telekomunikacji!