这不仅仅是一个完整的解决方案，这意味着一系列关于如何使用 FFT 实现一个非常粗略的“提示”，可能有更好的方法，但是，如果它有效......

首先让我们生成具有不同频率和幅度的波

  freqs <- c(0.2, 0.05, 0.1)
  x <- NULL
  y <- NULL
  for (n in 1:length(freqs))
      {
      tmpx <- seq(n*100, (n+1)*100, 0.1)
      x <- c(x, tmpx)
      y <- c(y, sin(freqs[n] * 2*pi*tmpx))
      }

  y <- y * c(rep(1:5, each=(length(x)/5)))
  y <- y + rnorm(length(x), 0, 0.2)
  plot(x, y, "l")

这给了我们这个

现在，如果我们使用计算波的 FFTfft并绘制它（我使用了我在此处plotFFT发布的函数），我们得到：

请注意，我对生成数据所用的 3 个频率（0.05、0.1 和 0.2）进行了过度绘制。由于数据是正弦的，FFT 在检索它们方面做得非常好。请注意，当 y 值以 0 为中心时，此方法效果最佳。

现在让我们做一个窗口为 50 的滑动 FFT，我们得到

正如预期的那样，一开始我们只得到 0.2 频率（前 2 个图，所以在 0 和 100 之间），随着我们继续我们得到 0.05 频率（100-200），最后 0.1 频率出现（200-300） .

FFT 函数的功率与波的幅度成正比。事实上，如果我们写下每个窗口中的最大值，我们会得到：

1 Max frequency:  0.2  - power:  254
2 Max frequency:  0.2  - power:  452
3 Max frequency:  0.04  - power:  478
4 Max frequency:  0.04  - power:  606
5 Max frequency:  0.1  - power:  1053
6 Max frequency:  0.1  - power:  1253 

===

这也可以使用 STFT（短时傅立叶变换）来实现，这与我之前向您展示的基本相同，但窗口重叠。这例如通过包的evolfft功能来实现RSEIS。

它会给你：

stft <- evolfft(y, dt=0.1, Nfft=2048, Ns=100, Nov=90, fl=0, fh=0.5)
plotevol(stft) 

然而，这可能更难以分析，尤其是在线分析。

希望这会有所帮助

在回答这个论坛上的另一个问题时，我将 OP 提到了这个站点，其中有一个名为 HT_PERIOD 的函数的开源代码，用于测量时间序列的瞬时周期。还有称为 HT_PHASE、HT_PHASOR 和 HT_SINE 的函数分别测量正弦波/循环分量的相位、相量分量并提取时间序列的正弦波本身（在 -1 和 1 之间缩放）。由于这些函数中的计算是因果关系，因此它们适用于随着新数据进入而更新的在线函数。这些函数的代码可能对您有所帮助。