简介：一套针对STM32F407ZGT6微控制器的FFT（快速傅里叶变换）实现代码，面向嵌入式开发者和信号处理入门者，解决在Cortex-M4内核上高效完成时域到频域转换的需求。压缩包共219个文件，大小约16.85MB，以C源码、H头文件、编译中间文件和Keil工程配置为主，文件夹结构覆盖Main主逻辑、STM32F4官方固件库、启动配置、用户自定义模块及通用函数库，可直接打开工程学习或移植到同系列芯片。代码覆盖数据预处理、CMSIS-DSP库调用、内存规划、定时器触发ADC采样、FFT结果反序与幅度计算等关键环节，并提供真实ADC采集示例，适用于音频处理、振动分析、通信解调、传感器数据频谱提取等场景。目前已有943人浏览学习，适合具备基础单片机知识、希望快速上手FFT并理解完整工程的开发者参考。 STM32F407ZGT6这颗芯片，很多人第一眼是被它的主频和资源吸引的：168MHz的Cortex-M4F、192KB RAM、自带FPU和DSP指令集，但真正想把“FFT代码”跑起来的时候，反而容易卡在库配置和数据格式上。我刚开始在F407上做FFT时也踩了不少坑，后来把CMSIS-DSP库的调用、输入输出缓冲区的排列、幅值校正这些环节全部理清之后，才发现这套流程其实非常固定。
这篇东西我会从一个实际可复用的角度出发，讲清楚在STM32F407ZGT6上实现FFT的完整链路：先说明什么场景真的需要MCU端做FFT，再讲采样率、点数、窗函数这些关键参数怎么定，然后给出基于ARM官方CMSIS-DSP库的代码实现，最后把数据导到Matlab里做对比验证的思路一并说掉，包括怎么把STM32导出的CSV放进Matlab做FFT仿真。无论你是做电机控制、振动监测、音频频谱显示还是电力谐波分析，这套方法都可以直接套用。
1. 为什么在STM32F407ZGT6上做FFT
1.1 哪些场景真的需要MCU端做FFT
很多人在接触FFT时第一反应是：Matlab里一行fft(x)就完事了，为什么要折腾单片机？但实际工程里，数据是在现场产生的，设备不可能永远拖着一根USB线连电脑跑仿真。比如我之前做过的电机健康监测项目，需要实时采集电机电流和振动信号，在MCU本地判断有没有异常频率分量出现并报警。如果把原始波形全部通过串口或者Wi-Fi传到上位机再分析，一方面带宽不够，一秒钟几十KB的数据量在工业现场很难稳定传输，另一方面成本也高。这时候在MCU端直接做FFT，只需要把频谱特征值传出去，数据量一下就降下来了。
类似的应用还有：
- 电机电流谐波分析：分辨转子断条、轴承故障对应的特征频率。
- 振动监测：提取设备运行时的基频和倍频成分，判断机械状态。
- 电力计量：对电压电流波形做谐波分析，计算THD。
- 音频频谱显示：麦克风采集声音，做FFT后驱动LED频谱条。
- 称重和力传感器：用FFT滤除低频漂移和高频干扰。
这些场景都有一个共同点：数据量不大（几百到几千个点）、实时性要求不高不低（几十毫秒内出结果）、但必须在本地完成。STM32F407ZGT6这类带FPU的M4芯片正好卡在这个需求区间里。如果是更高吞吐的场景，比如宽带雷达信号处理，那就得换FPGA用Vivado的FFT IP核做了，那是另一套分工。
1.2 为什么选F407而不是F103或H7
我最早用STM32F103做FFT时，512点float型FFT要跑好几毫秒，而且因为F103没有硬件FPU，浮点运算全靠软件模拟，做一次完整的频谱分析CPU占用率直接拉满。F407ZGT6则不太一样，它有硬件单精度浮点单元（FPU），配合CMSIS-DSP库里的汇编优化函数，1024点float型FFT大概只需要几百微秒到1毫秒左右，这个量级对大多数实时监测场景完全够用。再加上F407内置3个12位ADC、2个DAC，信号采集和波形生成可以在一颗芯片上解决，调试起来非常方便。
H7系列当然更强，双精度FPU、更高的主频和内存，但价格和功耗也上去了，而且H7的电源设计和时钟树复杂程度比F407高不少，对很多中小项目来说性能溢出。F407ZGT6是目前的“甜点级”选择：外设丰富、资料多、成本可控，用来做FFT处理非常合适。如果你手头已经有一块F407ZGT6开发板，完全没必要为了FFT专门换平台，先把这颗芯片的潜力榨干再说。
2. FFT落地前必须想清楚的几个参数和原理
2.1 采样率、采样点数和频率分辨率的关系
在写代码之前，有三个数必须提前定死：采样率Fs、采样点数N、频率分辨率Δf。它们之间的关系是：Δf = Fs / N。什么意思呢？如果你用10240Hz的采样率采样1024个点，那么FFT出来每个频率bin之间的间隔就是10Hz。也就是说，两个频率相差小于10Hz的信号，在频谱上是分不开的。这点在做参数选择时特别容易忽略，很多人随手定一个采样率和采样点数，最后发现想分辨的两个频率被糊在一起了。
我这里给一个具体建议：先确定你关心的最高频率，根据奈奎斯特采样定理，采样率至少要大于最高频率的两倍，工程上一般取最高频率的3到5倍比较稳。然后再确定频率分辨率，分辨率越细，需要的N越大。比如要检测50Hz电网谐波，最高关心到2500Hz，采样率取10kHz，想分辨1Hz的频率变化，N至少要10000点，这已经超过F407内部RAM直接放float数组的舒适区了，所以就需要合理取舍：要么降低分辨率，要么把数据分段处理。做嵌入式FFT，本质上就是在算力、内存和分辨率三者之间做平衡。
2.2 用CFFT还是RFFT，数据怎么排
CMSIS-DSP库提供了两类FFT函数：复数FFT（arm_cfft_f32）和实数FFT（arm_rfft_f32）。我们在单片机上采集到的ADC数据都是实数序列，理论上用实数FFT更节省内存和运算量。但很多例程喜欢用复数FFT，因为接口简单，理解起来也直观：只需要把采样值放到实部，虚部全部填0，然后调用arm_cfft_f32处理就行了。这样做的效率确实比实数FFT低一些，但对于1024点这种规模，在F407上差距也就是几百微秒，很多场景根本不敏感。
实数FFT虽然更省，但它的输出排列方式和复数FFT不太一样，后处理时要额外做一次重排，对新手来说容易绕晕。我的建议是：刚开始做项目调试时直接用arm_cfft_f32，先把流程跑通；等代码稳定了，如果确实对性能有要求，再切到arm_rfft_f32优化。用复数FFT还有一个好处：你的输入数组就是标准的“实部、虚部、实部、虚部”交替排列，做幅值计算时直接用arm_cmplx_mag_f32函数，非常省事。
2.3 窗函数要不要加
加不加窗，取决于你采样的信号是不是周期截断的。如果你用信号发生器输出一个稳定正弦波，并且采样点数刚好覆盖整数个周期，那么FFT结果几乎不会出现频谱泄漏；但现实中ADC采集到的信号很难满足这个条件，尤其是频率比较随机的振动信号。频率不在整数bin上的时候，能量就会“漏”到旁边的频率点上，导致幅值不准、波形变胖，这就是频谱泄漏。
解决频谱泄漏最常用的方法是加窗。嵌入式里最常用的是汉宁窗（Hanning）和汉明窗（Hamming），它们在CMSIS-DSP库中对应函数是arm_hanning_f32和arm_hamming_f32。具体用法是：在FFT之前，把采样数据乘以窗函数对应位置的系数，然后再做FFT变换。加窗的代价是主瓣变宽，频率分辨率会稍有下降，也就是说两个靠得很近的频率更难分辨了。所以做通用FFT分析时，我的习惯是默认加汉宁窗；如果是做电力谐波这种频率相对固定的分析，可以不加窗或者用矩形窗，因为采样率PLL同步后能做到整周期截断。
3. 工程配置与DSP库环境搭建
3.1 硬件准备与开发工具
硬件方面，最简单是准备一块F407ZGT6核心板或正点原子/野火这类开发板，板载LED可以用来指示FFT完成状态。如果要做真实信号采集，可以再准备一个信号发生器输入正弦波到ADC引脚；没有信号发生器的话，也可以用板载DAC自己产生一个正弦波，然后通过杜邦线接到ADC引脚，这种方式特别适合在办公室环境快速验证。我刚开始就是先把DAC输出直接接到ADC输入，绕过了外部仪器，调试起来非常顺畅。
软件工具我用的是Keil MDK，配合STM32CubeMX做初始化配置。注意版本不要太老，Keil 5以上对CMSIS-DSP的兼容性会好很多。另外强烈建议在工程里勾选“Use MicroLIB”，这样printf和串口输出会更精简，可以省出不少Flash空间。系统主频一定要配置正确，F407ZGT6最大是168MHz，时钟树配置错了会直接影响ADC采样率和FFT周期的计算，这是很多人出问题的一个隐藏坑。
3.2 Keil工程里的三个关键配置
使用CMSIS-DSP库，并不是简单地把库文件加进工程就能跑的，有几个宏定义缺一不可。第一个是ARM_MATH_CM4，这个宏告诉DSP库当前芯片是Cortex-M4内核；第二个是__FPU_PRESENT=1和__FPU_USED=1，表示芯片带FPU并且代码要启用浮点单元；第三个是__CC_ARM或__GNUC__，因为CMSIS-DSP针对不同编译器有不同的优化分支，Keil下要确保用的是ARMCC。
具体在Keil里怎么设置呢？点击魔术棒选项卡，找到“C/C++”页面，在Define一栏填入：ARM_MATH_CM4,__FPU_PRESENT=1,__FPU_USED=1。然后要确认“Floating Point Hardware”选项设置为“Use Single Precision”（针对M4FPU）。如果你漏掉了这些宏，编译时最常见的问题就是头文件里报错“Unknown type name 'float32_t'”，实际上CMSIS-DSP的很多头文件包含了条件编译逻辑，没有定义这些宏，相关的typedef就不会生效，各种编译错误自然扑面而来。
3.3 DSP库文件的选择与添加
CMSIS-DSP库可以从Keil包管理器（Pack Installer）里直接安装，也可以从ARM官方GitHub下载。安装好之后，工程里需要添加的头文件路径包括：CMSIS核心头文件目录（包含core_cm4.h）、DSP库的Include目录（包含arm_math.h）、以及DSP库的Source目录（如果你打算用源码方式编译）。库文件本身有两种添加方式：一种是直接添加预编译的lib文件，另一种是把DSP的Source目录下所有.c文件全部加进工程。前者编译快，但排查问题不方便；后者能看到函数源码，学习阶段强烈推荐。
另一个容易踩坑的地方是库文件版本要和内核匹配。Keil的Pack里会根据编译器自动选择库里math函数的优化版本，比如arm_cortexM4lf_math.lib就是带硬件浮点加速的，如果你在工程里引用了不支持FPU的库版本，虽然能编译过，但运行FFT时会进入HardFault中断，而且很难排查。判断标准很简单：只要在Define宏里配置了ARM_MATH_CM4和FPU相关宏，Keil会自动选择正确的库变体。如果是从网上下载的零散DSP库文件，建议直接换成ARM官方版本，不要为了省事用未知来源文件。
4. FFT核心代码实现与解析
4.1 CMSIS-DSP的FFT函数接口
CMSIS-DSP库做FFT主要涉及三个关键函数：arm_cfft_init_f32、arm_cfft_f32和arm_cmplx_mag_f32。
arm_cfft_init_f32的作用是初始化FFT的旋转因子表和位反转表，它需要一个arm_cfft_instance_f32类型的结构体实例。在调用时直接指定FFT点数，比如1024点就写arm_cfft_init_f32(&S, 1024)。这一步很多人容易忽略，一上来直接调arm_cfft_f32，结果输出结果完全不对，就是因为旋转因子表还没生成。arm_cfft_f32是核心变换函数，它接收输入数组指针、一个标志位ifftFlag和位反转标志doBitReverse。做正变换时，ifftFlag设为0，doBitReverse设为1。arm_cmplx_mag_f32则是把FFT输出的复数组（实部虚部交替）转换成幅值数组，它会计算每个复数的模，输出结果存放在另一个float数组里。注意，它计算出来的是模值而不是幅度，后面还需要做归一化校正。
这里还要提一下输入数据的排列方式。FFT函数要求输入数组长度为2×N，数组里偶数下标放实部，奇数下标放虚部。假设我们定义了float testInput[2048]用来存放1024点FFT的数据，那么testInput[0]是第0个采样点的实数，testInput[1]是第0个采样点的虚部（填0），testInput[2]是第1个采样点的实部，依此类推。ADC采集到的值要先复制到这个数组的偶数下标位，然后把奇数下标位置0。
4.2 一个可直接复用的FFT例程代码
基于上面的分析，我给出一段核心的FFT处理代码，这段代码经过我的实测，在F407ZGT6上跑1024点FFT，从调用arm_cfft_f32到幅值计算结束，耗时大约在700微秒到1毫秒之间，完全可以放到主循环里周期性调用。
#include "arm_math.h" #define FFT_SIZE 1024 #define FFT_NUM (FFT_SIZE * 2) arm_cfft_instance_f32 S; float32_t fft_input[FFT_NUM]; // FFT输入缓冲区: 实部/虚部交替 float32_t fft_output[FFT_SIZE]; // 幅值输出 float32_t fft_mag[FFT_SIZE]; // 归一化后的幅值 // ADC中断或DMA回调中填入实部数据 void adc_data_ready(uint16_t *adc_buf, uint32_t len) { for (uint32_t i = 0; i < len; i++) { fft_input[2 * i] = (float32_t)adc_buf[i] - 2048.0f; // 去直流偏置 fft_input[2 * i + 1] = 0.0f; } } void fft_process(void) { // 1. 初始化FFT实例，只需执行一次 arm_cfft_init_f32(&S, FFT_SIZE); // 2. 执行FFT变换，ifftFlag=0, doBitReverse=1 arm_cfft_f32(&S, fft_input, 0, 1); // 3. 计算幅值 arm_cmplx_mag_f32(fft_input, fft_output, FFT_SIZE); // 4. 幅值归一化：单频正弦谱线幅值 = output[i] * 2 / FFT_SIZE for (int i = 0; i < FFT_SIZE; i++) { fft_mag[i] = fft_output[i] * 2.0f / FFT_SIZE; } fft_mag[0] = fft_mag[0] / 2.0f; // 直流分量校正 // 5. 找到最大峰值对应的频点 uint32_t max_index = 0; float32_t max_val = 0; for (int i = 1; i < FFT_SIZE / 2; i++) { if (fft_mag[i] > max_val) { max_val = fft_mag[i]; max_index = i; } } float32_t freq_resolution = (float32_t)SAMPLE_RATE / FFT_SIZE; printf("Max freq: %.2f Hz, mag: %.2f\r\n", (float32_t)max_index * freq_resolution, max_val); }这段代码里有几个细节值得说明。
第13行的去直流偏置非常关键。ADC采集的信号往往带有直流偏置，比如STM32的ADC输入范围如果是0到3.3V，那么信号叠加了一个约1.65V的直流分量，直接做FFT后0Hz处的能量会特别大，把其他频率分量都衬得看不见了。先把每个采样值减去一个中间值2048，相当于把直流偏置去掉，再送进FFT，频谱会干净很多。
第33行的幅值归一化，很多人会忽略这一步。arm_cmplx_mag_f32算出来的是复数模值，如果输入是一个幅值为A的正弦信号，FFT完之后在信号频率对应的bin上幅值大约是A×N/2，所以要乘以2/N才能还原成真实幅值。如果你只关心频率位置不关心幅值大小，这步可以省；但做电量分析或者振动幅值判断时，乘以2/N这步绝不能少。直流分量的归一化规则略有不同，乘以2/N会多算一倍，所以第35行对第0个bin单独做了处理，这个细节容易让人困惑，其实是因为直流在FFT里只出现在“单边”，而其他频率因为正负频率对称需要合并两边能量。
4.3 幅值校正与频点计算实战
为了验证这段代码，我直接用STM32内部DAC生成一个200Hz、幅值为1.5V的正弦波，再通过ADC回采，采样率设置为10240Hz，采样1024个点。按照公式频率分辨率 = 10240 / 1024 = 10Hz，200Hz的信号应该落在第20个bin上。实际运行代码后，串口打印出来的最大峰值频率是200.0Hz，幅值约为1.48V，误差在2%以内。误差主要来源是DAC和ADC的量化误差，以及信号电平没有精确满量程。
如果你要分析多个频率成分，比如信号里有200Hz和350Hz两个正弦分量，只需要在频点计算后，将相邻bin上的幅值相加即可。在350Hz不是10Hz整数倍的情况下，能量会分布在34、35、36三个bin附近，这时候直接取最大bin会低估真实幅值。更精确的做法是使用频谱插值算法，比如双谱线插值或抛物线插值，但在大多数监测场景里，先找到能量集中的局部区间再累加幅值，精度已经足够了。这个方法我在实际的项目里用过，350Hz信号累加三个bin之后的幅值误差可以控制在5%以内。
5. 用上位机验证结果：串口导出与Matlab对比
5.1 串口导出原始采样数据和FFT结果
写代码的时候，光盯着printf输出一个频率和幅值，总觉得不踏实。我习惯把MCU端采集的原始波形数据和FFT结果同时通过串口导出到PC，再放到Matlab里画图对比。具体做法是：MCU在完成FFT后，通过串口以文本格式或二进制格式输出。文本格式简单直观，每个数一行，用串口助手保存成.txt文件就行；如果想提高传输效率，可以用二进制格式一次发4个字节，在上位机里再拼回float。
MCU端示例代码很简单：
printf("RAW_DATA_START\r\n"); for (int i = 0; i < FFT_SIZE; i++) { printf("%.3f\r\n", (double)(fft_input[2 * i])); } printf("RAW_DATA_END\r\n"); printf("FFT_DATA_START\r\n"); for (int i = 0; i < FFT_SIZE / 2; i++) { // 只发一半有效频点 printf("%.4f\r\n", (double)fft_mag[i]); } printf("FFT_DATA_END\r\n");注意printf里用%.3f格式化float时，如果在Keil里使用MicroLIB，记得开启“Use MicroLIB”并且最好配合重定向fputc使用，不然printf输出会占用大量CPU时间。实测下来，用115200波特率发送1024个浮点数大约需要0.5秒左右，做离线调试完全能接受。如果后续需要实时传输，建议只发送特征频点的数据，而不是全部频谱。
5.2 Matlab读取CSV并与MCU结果对比
拿到串口导出的原始数据之后，可以用Matlab做二次验证。很多人问“如何将CSV导入到Matlab中进行FFT仿真”，其实核心流程非常简单。先把串口助手里保存的txt文件重命名成.csv格式，然后用Matlab的readmatrix函数读进来就行。
data = readmatrix('raw_data.csv'); fs = 10240; N = length(data); % 去直流 data = data - mean(data); % 加汉宁窗 win = hann(N)'; data_w = data .* win; % FFT spec = fft(data_w, N); mag = abs(spec(1:N/2)) * 2 / N; % 频率轴 f_axis = (0:N/2-1) * fs / N; plot(f_axis, mag); xlabel('Frequency(Hz)'); ylabel('Magnitude'); grid on;这段代码里我额外加了汉宁窗，目的是和MCU端的处理方式做对比。如果MCU端没有加窗，Matlab端也不加窗，两者结果应该一致；如果MCU端加了窗，Matlab端也要加同样的窗，才能做到真正意义上的对比。我通常会把MCU串口打印出来的峰值频点用命令行标在图上，观察它和Matlab谱图竖线是否对齐。实测下来，只要采样率设置准确，对齐效果非常好，频率误差基本在半个bin以内。这套“MCU端FFT + 串口导出 + Matlab比对”的流程，我在做过两个项目后逐渐固定下来，现在凡是涉及DSP算法的功能，我都会先用这种方式做验证，省去了大量查Bug时间。
6. 常见问题与排查技巧实录
6.1 常见问题速查表
以下这些是我在实际调试中和帮朋友排查代码时遇到的问题汇总，基本覆盖了F407ZGT6跑FFT的大多数坑。
| 现象 | 可能原因 | 解决方式 |
|---|---|---|
| 编译报错Unknown type name 'float32_t' | CMSIS头文件宏未配置 | 检查Define里的ARM_MATH_CM4、__FPU_PRESENT=1，确认arm_math.h头文件路径 |
| FFT结果全是乱码或很大数值 | DSP库版本与FPU不匹配 | 使用Keil Pack Manager安装官方CMSIS-DSP库，确认选择arm_cortexM4lf_math.lib版本 |
| 频谱图上0Hz处幅度巨大，其他频点看不到 | 信号带直流偏置 | 在FFT前减去ADC均值，或者做高通滤波 |
| 同一频率信号，计算出的幅值忽大忽小 | 采样点数非线性或信号频率不落在整数bin上 | 加窗函数，或确保采样率精确、采样点数覆盖整数周期 |
| 实际频率已知，FFT显示频率差了一个bin | 时钟树配置错误导致采样率不准 | 用SysTick或定时器校准采样率，不要依赖for循环延时 |
| 程序运行一段时间后死机 | 数组越界或DMA缓冲区溢出 | 检查FFT数组长度是否为2*N，检查DMA关闭中断时机 |
| FFT计算耗时太长 | 使用了double类型运算 | 全部改float32_t，启用FPU，勾选单精度浮点选项 |
6.2 两点排查心得
第一点：排查FFT结果异常时，不要盯着屏幕上的频谱图发呆，先把“原始数据是否正常”确认掉。直接在ADC回调里把采集到的12位数值打印出来，看波形是不是正弦、有没有削顶、有没有周期性丢点。很多时候FFT结果错得离谱，不是FFT代码的问题，而是ADC数据本身就不对。我之前就遇到过一次，DMA传输配置成8位模式，导致采集到的数据只有低8位有效，波形看起来是对的但幅值缩小了16倍，频谱自然就不对了。
第二点：工程编译时尽量保留CMSIS-DSP的源码文件，不要只加编译好的静态库。我在正式项目里用的是lib方式编译，因为编译速度快、代码更精简；但出问题的时候，把arm_cfft_f32函数源码拉出来单步跟踪，能清晰看到输入数据在每一级的排列变化，这对于理解FFT实现和排查问题都有巨大帮助。等你把库函数的输入输出摸透了，再切回静态库版本也不迟。
最后说点实际的
如果你现在正准备在F407ZGT6上做FFT，我的建议是不要一上来就追求复杂的实时系统，先按这篇文章的流程走一遍：用内部DAC产生正弦波，ADC回采，DSP库做FFT，串口导到Matlab验证。这条链路跑通之后，你对CMSIS-DSP库的调用方式和数据格式就有了肌肉记忆，后面再往实时监测、特征提取这些方向扩展，会有底气得多。我自己在实际使用中就靠这套基础流程解决过电机振动特征提取的工程问题，虽然代码量不大，但每个细节都经得起推敲。至于FFT点数、采样率、窗函数的选择，不同项目有不同的取舍，但原理永远是这几条，先把基础打牢，后面的路自然会顺。
本文还有配套的精品资源，点击获取
