|　　|　　|　　|　　|　　|　　|　　Python科学计算——复杂信号FFT - 简书
Python科学计算——复杂信号FFT
FFT (Fast Fourier Transform, 快速傅里叶变换) 是离散傅里叶变换的快速算法，也是数字信号处理技术中经常会提到的一个概念。用快速傅里叶变换能将时域的数字信号转换为频域信号，转换为频域信号后我们可以很方便地分析出信号的频率成分。
单频信号FFT
# single frequency signal
sampling_rate = 2**14
fft_size = 2**12
t = np.arange(0, 1, 1.0/sampling_rate)
x = np.array(map(lambda x : x*1e3, t))
y = np.sqrt(2)*np.sin(2*np.pi*1000*t)
y = y + 0.005*np.random.normal(0.0,1.0,len(y))
ys = y[:fft_size]
yf = np.fft.rfft(ys)/fft_size
freq = np.linspace(0,sampling_rate/2, fft_size/2+1)
freqs = np.array(map(lambda x : x/1e3, freq))
yfp = 20*np.log10(np.clip(np.abs(yf),1e-20,1e100))
在对单频信号进行快速傅里叶变换的过程中，我们定义了两个常数： sampling_rate, fft_size,分别表示数字信号的采样频率和FFT的长度。由快速傅里叶变化的性质可知：采样频率 (sampling_rate) 确定的情况下，取波形中的 fft_size 个数据进行 FFT 变换时，若这 fft_size 个数据包含整数个周期， FFT 所计算的结果是精确的。即当被采样频率 f 满足如下公式时，FFT 的计算结果是精确的。
多频信号FFT
&1&双频信号FFT
# dual frequency signal
sampling_rate = 2**16
fft_size = 2**14
t = np.arange(0, 1, 1.0/sampling_rate)
x = np.array(map(lambda x : x*1000, t))
y = np.sqrt(2)*np.sin(2*np.pi*1000*t) + np.sqrt(2)*np.sqrt(2)*np.sin(2*np.pi*4000*t)
y = y + 0.005*np.random.normal(0.0,1.0,len(y))
ys = y[:fft_size]
yf = np.fft.rfft(ys)/fft_size
freq = np.linspace(0,sampling_rate/2, fft_size/2+1)
freqs = np.array(map(lambda x : x/1e3, freq))
yfp = 20*np.log10(np.clip(np.abs(yf),1e-20,1e100))
在对多频信号进行快速傅里叶变换的过程中，为了保证被采样数字信号的 FFT 计算结果精确，需要保证被采样数字信号中所有频率都是基频 (fo) 的整数倍，即满足如下公式：
相比于单频数字信号的快速傅里叶变换而言，多频数字信号的快速傅里叶变换有着更加苛刻的条件。除此之外，很多时候，我们并不知道被采样数字信号的所有频率成分，亦或我们只能在有限的时间段中对信号进行测量，无法知道在测量范围之外的信号是怎样的，因此只能对测量范围之外的信号进行假设。而快速傅里叶的假设很简单：测量范围之外的信号是所测量信号的重复。这就会引起在 fft_size 个点的采样范围内无法放下整数个所有被采样频率的波形而造成频谱泄漏。
&2&频谱泄漏
当我们把双频信号FFT示例中的 fft_size 的值改为 2**12 时，这时，基频为 16Hz，不能被 1kHz整除，所以 1kHz 处发生了频谱泄露，而它能被 4kHz 整除，所以 4kHz 可以很好地被采样。
&2.1&频谱泄漏的原因
# 50Hz正弦波512点FFT采样
t = np.arange(0, 1.0, 1.0/8000)
x = np.sin(2*np.pi*50*t)[:512]
pl.plot(np.hstack([x,x,x]),linewidth=2)
pl.xlabel('Sampling point')
pl.ylabel('Amplitude[a.u.]')
pl.ylim(-1.5,1.5)
由于波形的前后不是连续的，出现波形跳变，而跳变处有着非常广泛的频谱，因此FFT的结果中出现了频谱泄漏。
&2.2&频谱泄漏的抑制
为了减小FFT所截取的数据段前后的跳变，可以对数据先乘以一个窗函数，使得其前后数据能平滑过渡。常用的hanning窗函数的定义如下：
pl.figure(figsize=(8,3))
pl.plot(signal.hann(512),linewidth=2)
512点 hann 窗函数
50Hz 正弦波与hann窗函数乘积之后的重复波形如下：
我们对频谱泄漏示例中的1kHz 和 4kHz 信号进行了 hann 窗函数处理，可以看出能量更加集中在 1kHz 和 4kHz，在一定程度上抑制了频谱泄漏。
&3&多点频信号FFT
以 1kHz 三角波为例，我们知道三角波信号中含有丰富的频率信息，它的傅里叶级数展开为：
&4&扫频信号FFT
当数字信号的频率随时间变化时，我们称之为扫频信号。以频率随时间线性变化的扫频信号为例，其数学形式如下：
其频率随时间线性变化，当我们在 [0,1] 的时间窗口对其进行采样时，其频率范围为 0~5kHz。当时间是连续时，扫频信号的频率也是连续的。但是在实际的处理中，是离散的点采样，因此时间是不连续的，这就使扫频信号的快速傅里叶变换问题退化为多点频信号快速傅里叶变换问题。其快速傅里叶变换得到的频谱图如下所示：
因上述扫频信号的频率随时间是线性变化的，因此功率谱是一条直线，即数字信号被采样频段范围内各个频率的功率是一样的。
&5&相位调制信号的FFT
以 50Hz 正弦信号相位调制到 1kHz 的信号为例，其信号形式如下：
它的时域波形，频率响应和相位响应如下图所示：
&6&FFT中的能量守恒
以扫频信号为例，当我们要探究FFT中的能量守恒时，我们要回归到信号最初的形式：
从频谱图上我们可以看出，上述数学形式的单频信号的功率为 -3dB。在扫频信号FFT示例中 5kHz 范围内信号的功率为 -40dB。它们之间的关系为：
当功率为 -3dB 的信号扩展到5kHz频谱范围的扫频信号时，其功率衰减到 -40dB，这也遵循了能量守恒定律。
Stay hungry, Stay foolish. -- Steve Jobs
Python lover, Scientific Computing Using Python, Data Science.
一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解， 要理解傅立叶变换，确实需要一定的耐心，别一下子想着傅立叶变换是怎么变换...
深入理解傅里叶变换Mar 12, 2017 这原本是我在知乎上对傅立叶变换、拉普拉斯变换、Z变换的联系？为什么要进行这些变换。研究的都是什么？问题的回答，实际上是我在本科学习数学和信号处理期间的思考，知乎上的答案因为写得仓促，只写了一些大致思想，没有具体展开，也没有图，比较...
reference 《spoken language processing》 1 语音基础 名词解释 pitch 音调 以HZ为单位基频又称音高能量又称音强 说话的声音（声带震动）和其他声音相比，有独特的时域和频域模式。声带的震动产生基频(fundamental frequ...
4.频域处理 4.1 傅里叶变换 要让读者在不看任何数学公式的情况下理解傅里叶分析。傅里叶分析不仅仅是一个数学工具，更是一种可以彻底颠覆一个人以前世界观的思维模式。但不幸的是，傅里叶分析的公式看起来太复杂了，所以很多大一新生上来就懵圈并从此对它深恶痛绝。老实说，这么有意思的...
语音识别: Getting Started!首先,我们要知道语音的产生过程 状态:由肺产生向外的气流，完全放松时声带张开，就是平时的呼吸。如果声带一张一合（振动）形成周期性的脉冲气流。这个脉冲气流的周期称之为——基音周期（题主所言因音色不同导致的频率不同，事实上音色的大多是...
琛这首诗是在学完金子美玲的《和好》后写下的，金子美玲写的是两个吵架的女孩和好—— 而我们的琛，要写吵架。 他用“采”和“踩”形成对比，来描绘吵架后的愤怒。因此，轻松愉悦的“麻雀叫”就变成了哩哩啦啦的“小雨下”。 你读到了诗歌背后的诗人了吗？哈哈，与其说是天上下雨，不如说是小...
【幼儿说】原创，转载请标出处 最近认识了一位数学老师，她利用儿童的数字敏感期，让4岁的儿子仅仅在半年内便掌握了加减乘除运算，并且是心算！ 因为担忧孩子觉得枯燥，她完全没有让孩子背诵任何数学运算口诀，也没有采用传统的数数方法，最重要的是孩子学得毫不吃力也不厌烦，仅仅通过跟妈妈...
买书，作为「颓废」的90一代，个人强烈推荐——电子书籍&手机阅读。阅读软件推荐两款，中文书使用iReader, 英文书使用Kindle。 纸质书既不便捷，又不环保，还不实惠。 不推荐使用电脑，一干扰大，二软件阅读体验差。 两款软件书类齐全，价格公道，亲测好评，就酱。 还记得...
心是一个玩耍的孩子，而本觉是一个睿智的老人，你不需要关闭眼睛和耳朵，不需要进入深深的禅定，一切都在你广大的空间中出现，却不留下冻结的痕迹。这就是本觉，永远不改变，但是我们不认识它，这就是无明。当本觉自己体验自己，这就是明觉，明觉是无明的敌人，两者不会同时存在。 本觉超越了任...24小时热门版块排行榜&&&&
【悬赏金币】回答本帖问题，作者龙三公子将赠送您 5 个金币
(小有名气)
在线: 78.2小时
虫号: 1722542
注册: 性别: GG专业: 通信理论与系统
扫频信号处理已有1人参与
在振动台上对包装件进行扫频试验(对数扫描)后，对采集的加速度信号怎么处理，本人主要计算振动传递率，请朋友指点，另外考不考虑扫频速度的问题？
& 本帖已获得的红花（最新10朵）
& 猜你喜欢
已经有283人回复
已经有0人回复
已经有83人回复
已经有2人回复
已经有51人回复
已经有18人回复
已经有3人回复
已经有2人回复
已经有1人回复
已经有1人回复
已经有23人回复
& 本主题相关价值贴推荐，对您同样有帮助:
已经有236人回复
已经有187人回复
已经有14人回复
已经有20人回复
已经有20人回复
已经有17人回复
已经有6人回复
已经有4人回复
已经有12人回复
已经有82人回复
已经有6人回复
已经有10人回复
已经有14人回复
已经有6人回复
已经有4人回复
一个人能走多远，取决于与谁同行
(小有名气)
在线: 78.2小时
虫号: 1722542
注册: 性别: GG专业: 通信理论与系统
送红花一朵
一个人能走多远，取决于与谁同行
(著名写手)
在线: 237.5小时
虫号: 845804
注册: 专业: 机械动力学
【答案】应助回帖
★ 感谢参与，应助指数 +1fegg7502: 金币+1, 3ks
振动传递率=响应信号的均方根/加载信号的均方根
(小有名气)
在线: 78.2小时
虫号: 1722542
注册: 性别: GG专业: 通信理论与系统
引用回帖:: Originally posted by jww094698 at
振动传递率=响应信号的均方根/加载信号的均方根 谢谢学长。学长给出的应该是时域振动传递率；对于频域振动传递率一般是响应和激励进行fft变换后的幅值之比吗？是的话，算出了的结果不太对呀
一个人能走多远，取决于与谁同行
(著名写手)
在线: 237.5小时
虫号: 845804
注册: 专业: 机械动力学
引用回帖:: Originally posted by 龙三公子 at
谢谢学长。学长给出的应该是时域振动传递率；对于频域振动传递率一般是响应和激励进行fft变换后的幅值之比吗？是的话，算出了的结果不太对呀
... 你可以这么理解，时域的振动传递率只有一个值，也是综合的判断指标，
但频域的振动传递率是 频率的&&函数，每个频率点都有一个值，
两个值 所表征的意义不同！
&&理解了二者的意义，你就知道二者的关系了！
小木虫,学术科研互动社区,为中国学术科研免费提供动力
违规贴举报删除请联系客服电话： 邮箱：（全天候） 或者 QQ:
广告投放与宣传请联系 李想 QQ：
QQ：&&邮箱：
Copyright &
MuChong.com, All Rights Reserved. 小木虫 版权所有豆丁微信公众号
君，已阅读到文档的结尾了呢~~
24ghz混合集成fmcw源研究
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
24ghz混合集成fmcw源研究
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口正弦扫频信号幅值及相位的提取_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
正弦扫频信号幅值及相位的提取
阅读已结束，下载本文需要
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}