您似乎了解手头的问题。在您的情况下，如果试运行是相同的，除了噪声，平均信号（或复杂值）肯定会起作用，我建议您按照您的方式进行。

跨 DFT 平均幅度（或幅度平方）的概念来自于您将信号分块为多个 DFT 并希望聚合结果时。在这种情况下，如果您对原始 DFT 进行平均，您将获得各种消除/增强效果，具体取决于与 DFT 帧长度相比的信号频率值。当您平均幅度时，相位值将被忽略，您将获得更理想的结果。

与政策的情况一样，有时在不了解政策背后的基本原理的情况下盲目地遵循它。这可能是您听到的一些建议背后的原因。

如果您试图将信号（假设它是周期性的）分解为其组成谐波，则保留相位信息是必不可少的。

希望这可以帮助，

赛德

使用信号、过程和频谱这些词时必须小心。期望值和平均值这两个词也需要注意。信号处理算法基于假设的信号模型和噪声模型（通常是干扰模型）。人们通常会制定一个概率模型，因为至少存在噪声。甚至可以说，没有噪音，你为什么要处理信号。噪声本身就是一个有趣的话题，部分原因是存在其他解释，它们并不像信号那样相互排斥。

中心问题在于“随机”一词的含义。One 解释的书是物理热力学过程是随机的。另一种解释是随机是一种不确定性。这两种解释都满足 Kolmogorov 的概率公理。

参见：Leonard J. Savage统计基础，多佛数学书籍，1972

和 Edwin Thompson Jaynes概率论：科学的逻辑

这篇冗长的题外话的重点是，有许多方法可以用数学方法制定信号-噪声-干扰模型。给定一些通常称为最优的标准，例如似然函数，制定了信号处理算法。

还有一些模型的最佳解决方案是难以处理的。一个例子是最佳解决方案需要对大量参数进行详尽的组合枚举。所以信号处理算法也可以是启发式的。

有一些模型（和启发式），您可以使用复杂的平均值和模型，其中复杂的平均值既不是最优的也不是启发式的，并且来自错误模型的解决方案只是增加了随机相位，并且没有相干增益并且通常是损失。模型定义了对数据执行的适当操作，通常称为信号。

对同一信号的重复副本进行复杂的平均是可能的，但 DFT 需要与信号精确同步，这很难做到，因为避免实际采样模拟信号的离散时间采样点之间的抖动需要付出很大的努力。可以容忍一些抖动，但数量取决于应用程序。

平均幅度或幅度平方平均，更能容忍信号的随机扰动和较低的实现复杂性。在这种情况下，平均时间通常也有限制。

诸如在多个传感器应用中的未知或随机信号的互相关或互协方差通常适用于复杂的平均。如果传感器对之间的等效传递函数是恒定的，则相位是同步的并且传感器之间的独立噪声会去相关。

平稳或广义平稳随机过程的功率谱没有唯一的相位，因此在这种情况下没有理由进行复杂平均。

一个常用复杂平均的地方（我没有很多经验）是相干雷达处理。