首先，看看你所谓的背景噪音的力量：

它比峰值功率低 -150 dB 到 -120 dB。这意味着这些 FFT 点的幅度在主峰值幅度$[10^{-7.5};10^{-6}]$

到处都在尖叫“数字不准确”：

假设您的 FFT 是使用 32 位 IEEE754 浮点数实现的，您必须意识到对于 FFT 输出的每个点，至少有一个 FFT 长度的加法量以非常有限的数值精度发生。

现在你的 FFT 有很大的长度；加法使最稳定的算法崩溃。有关常用 FFT 算法的误差分析的一些详细信息，请参阅 [1]。$1323000\approx 1.3\cdot 10^6$

查看 DFT 矩阵以了解这些值如何产生的概念：对于频谱峰值的频率，将信号周期 ( ) 间隔样本相加; 因为它们总是具有相同的值（“周期”的定义），所以结果很大；对于所有其他人，应该相互抵消。例如，处的 bin总是将相同的绝对值相加，但符号交替。对于其他箱，您只需从正弦中获取值并将它们相加。现在发生的情况是，由于有限的浮点数学运算，当您将一个大数和一个小数相加，然后再次减去大数时，您将不会得到与原来相同的小数 - 精度会随着数量级而降低！$\frac{1}{f_\text{signal}}$$2\cdot f_\text{signal}$

现在，FFT 是一种在这方面非常有弹性的算法（因为它不会尝试一次将所有 FFT 长度值相加），但是算法只能在给定机器上实现这么多的稳定性。$\epsilon$

我本来预计会有更均匀的噪音，或者更确切地说是线性形状的噪音。

为什么？如果有的话，您正在观察 FFT 的缺陷与输入信号相关的过程。那样的东西不会有“白色”PSD！请记住，过程的 PSD 是其自相关的傅里​​叶变换；在你的情况下，似乎在更高的频率有更多的自相关。

帮您理解一下，并在输入中添加一些尽可能好的白高斯噪声，可能正弦幅度的方差为，然后再次执行您的 mag squared FFT . 您会在预期的位置看到本底噪声，并且它是平坦的，因为（主要）噪声源实际上是白色的，并且没有强相关性。$N=10^{-3}$

另外，您的$1.3\cdot10^6$FFT 真的没那么有用，除非你真的需要一个频率分辨率$\frac{f_\text{sample}}{N}=\frac{4.41\cdot 10^4}{1.323\cdot10^6}=33\,\text{mHz}$（我敢怀疑）。尝试使用较短的信号片段！

[1] Tasche, M. 和 H. Zeuner，快速三角变换的舍入误差分析，应用数学分析计算方法手册，G. Anastassiou（编辑），Chapman & Hall/CRC，Boca Rota，2000 , 357–406。