最近想起来，以前在做EMI整改的时候，出现过低频辐射超标，类似下面这种。

一般这种问题，我们都会说是时钟线引起的问题。我之前做的产品是摄像头，时钟线加十几根数据线。有一次处理完时钟线后还是超标，因为正好数据线上都串有电阻，我就将电阻都改成了磁珠，想消除因为数据线引起的辐射，改完之后发现还是超标，看不到有明显的改善。

从那时，我就知道了，辐射一般都是时钟线引起的，与数据线关系不大。不过那时，我一直都不明白为什么会如此。

因为在我看来，时钟线和数据线的上升沿都差不多，按说频率分量应该是一样的呀。虽然时钟线的高低电平交替变化会多一些，但是数据线有十几根了，难道加起来还比不上时钟线吗？

实际上数据加起来还真比不上时钟线。

关于这一点，理论可以这么解释：周期信号由于每个取样段的频谱都是一样的，所以他的频谱呈离散形，但在各个频点上比较大，通常成为窄带噪声。而非周期信号，由于其每个取样段的频谱不一样，所以其频谱很宽，而且强度较弱，通常被称为宽带噪声。然而在一般系统中，时钟信号为周期信号，而数据和地址线通常为非周期信号，因此造成系统辐射超标的通常为时钟信号。

不过呢，这一段话本身就是一个结论，说服力不强，也就有点不敢相信。下面还是来做个实验模拟下，我们会发现新东西。实验思路很简单，那就是分别得到时钟线和数据线的频谱，两者比较下就知道了。

构建时钟和数据信号

我们使用MATLAB来分析频谱，首先需要构建时钟和数据信号。

时钟信号很容易，就是高低电平交替变化。正常情况下，数据线都是不规律的，那就采用随机生成的方式。

构建时钟和数据信号如下图。

构建时钟CLK和10根数据线如上图。说明一下，为了减小运算量（软件运行时间），时钟频率设置为1Hz。

得到频谱

我们分别画出时钟的频谱，1根数据线的频谱，10根数据线频谱的叠加。

需要注意的是，因为数据线的数据是非周期的，我们尽量时间取长一点，下图分析的数据长度为Num＿T＝1000个时钟周期。

从图可以看出，周期性时钟信号的频谱是离散的，非常典型，这个相信大家已经见过多次了，而数据线的频谱是比较宽的。这与文章最前面说的是一致的。

并且，图中右下角有1根数据线和10根数据线相加的频谱。我们也可以看到，10根数据线相加之和，幅度最高的频谱分量幅度值大概是0．4左右，而时钟的基频分量最高为0．6，也就是说数据线加起来，确实抵不过CLK时钟信号。

一个问题猜测

前面的频谱分析有一个前提条件，那就是，取样的时间长度是Num＿T＝1000个时钟周期，即分析的数据长度是1000个时钟周期的数据。

我发现，如果把时间长度提升10倍，Num＿T＝10000。那么10根数据线相加的频谱幅度值就更低了，大概只有0．1左右，比原来要低不少，而时钟的频谱不变。          

增加取样时间，数据线频谱幅度降低的原因。是因为我使用了Matalb里面的fft函数，这个函数是将信号看作周期函数来处理的，就是说假定取样时间长度为T，那么就默认这个信号是周期函数，周期长度为T。数据线信号本来是非周期的，如果用这个函数，那么其实就是让数据线信号的周期为采用时间长度，这也是为什么时间设得越短，幅度值越高。采用时间越短，其实不就是让数据线向周期信号靠拢吗。

所以，这个采样时间长度长一些，应该是更为准确的。

不过问题又来了。我突然想到，我们做辐射测试用的频谱分析仪，它工作的时候，我们可以在频谱上面看到各个频率对应的幅值。所以它肯定不是从开始扫描，到结束扫描，只记录一次数据然后最后分析一次。应该也是连续取一段时间数据，因为我们可以实时看到当前的频谱，并且它是变化的，所以会是取一段时间数据，分析出频谱，然后显示出来，再取下一段时间的数据进行分析。

当然，以上只是我的猜测。那么它到底一次分析多长的数据呢？这个我也没查到。

对于10Mhz的信号，如果取样10000个周期的数据，那么时间长度是1ms。这已经是一个很快的频次了。从上面看，此时10根数据线加起来的频谱幅度最大值才0．1，比时钟小不少。

实验源码

下面分享下matlab源码，可以修改里面采样的信号时间长度Num＿T，体验一下。

注：Matlab可以在线执行的，没安装的同学可以网页上面执行，下面是网页链接，我先前也出了一个简易的教程，有兴趣可以看看。

https：／／ww2．mathworks．cn／products／matlab－online．html

Fclk＝1；    ％时钟频率为1HzNum＿T＝1000； ％信号长度为1000个时钟周期Num＿Data＝10；  ％数据线的个数10个
％％％％％％％％％％％％％％％％％％％％％％％％  fft采样设置Fs＝100；  ％采样率为Fs L＝（Fs／Fclk）＊Num＿T；   ％信号长度（采样总点数）：Num＿T个周期的信号，长度越长，fft精度越高，但是执行时间越长T＝1／Fs；    ％采样周期t＝（1：L）＊T； ％时间长度
％SIG＿DATA＝round（rand（Num＿Data，2＊Num＿T））；   ％产生数据信号：0，1随机分布SIG＿DATA＝round（rand（Num＿Data，Num＿T））；   ％产生数据信号：0，1随机分布SIG＿CLK＝rand（1，2＊Num＿T）；                  ％产生时钟信号for i ＝ 1：length（SIG＿CLK）    if mod（i，2）        SIG＿CLK（i）＝1；    else        SIG＿CLK（i）＝0；    endend
N＝length（t）；LEN＿CLK＝zeros（1，N）；  ％定义时钟信号采样序列LEN＿DATA＝zeros（Num＿Data，N）； ％定义数据信号采样序列for i＝1：N        LEN＿CLK（i）＝SIG＿CLK（ceil（i／（（Fs／Fclk）／2）））；    ％时钟信号的采样序列        for j＝1：Num＿Data％             LEN＿DATA（j，i）＝SIG＿DATA（j，ceil（i／（（Fs／Fclk）／2）））；   ％数据信号的采样序列            LEN＿DATA（j，i）＝SIG＿DATA（j，ceil（i／（Fs／Fclk）））；   ％数据信号的采样序列        endend
figure；subplot（2，2，［1 2］）；plot（t，LEN＿CLK＋1．5＊Num＿Data，＇r＇）；      ％画出30个时钟周期时钟信号set（gca，＇XLim＇，［0 30］）；％x轴的数据显示范围，0－30
set（gca，＇ytick＇，［］）；grid on；hold onfor j＝1：Num＿Data    plot（t，LEN＿DATA（j，：）＋（j－1）＊1．5，＇k＇）；    hold onend
X＿LEN＿CLK＝abs（fft（LEN＿CLK））；subplot（2，2，3）；semilogx（Fs＊（0：（L／2））／L，X＿LEN＿CLK（1：L／2＋1）＊2／L）； set（gca，＇XLim＇，［0．1 10000］）；％x轴的数据显示范围set（gca， ＇XTickLabel＇ ，｛＇0．1＇，＇1＇，＇10＇，＇100＇，＇10K＇，＇100K＇｝）； ％x轴频率数据title（＇时钟频谱＇）；set（gca，＇YLim＇，［－0．1 1］）；xlabel（＇f （Hz）＇）；ylabel（＇幅度＇）；
X1＿LEN＿DATA＝ abs（fft（LEN＿DATA（1，：）））；X＿LEN＿DATA ＝ abs（fft（LEN＿DATA（1，：）））；for j＝2：Num＿Data    X＿LEN＿DATA ＝ abs（fft（LEN＿DATA（j，：）））＋X＿LEN＿DATA；end
subplot（2，2，4）；semilogx（Fs＊（0：（L／2））／L，X＿LEN＿DATA（1：L／2＋1）＊2／L，Fs＊（0：（L／2））／L，X1＿LEN＿DATA（1：L／2＋1）＊2／L）； legend（［＇＇，num2str（Num＿Data），＇根－数据线＇］，［＇ 1根－数据线＇］）；set（gca，＇XLim＇，［0．1 10000］）；％x轴的数据显示范围set（gca， ＇XTickLabel＇ ，｛＇0．1＇，＇1＇，＇10＇，＇100＇，＇10K＇，＇100K＇｝）； ％x轴频率数据title（［＇＇，num2str（Num＿Data），＇数据线频谱＇］）；set（gca，＇YLim＇，［－0．1 1］）；xlabel（＇f （Hz）＇）；ylabel（＇幅度＇）；

小结

为什么时钟信号比数据信号更容易引起辐射超标？

以上就是我对这个问题的一个人看法，提供了一个思路，如有错误，请留言指出。