傅里叶变换理论相关知识与maltab实现

关于本博客的说明： 本次博客主要分享快速傅里叶变换的理论相关知识及matlab提供的相关计算函数. 

傅里叶变换（Fourier Transform, FT）在信号处理、物理、通信、地质学、天文学、光学等很多领域都有应用，它将一个函数或是一组数据从时域变换到频域，即傅里叶变换可以展示时间序列的频率分布情况。离散傅里叶变换（Discrete Fourier Transform, DFT）对离散信号进行处理，快速傅里叶变换（Fast Fourier Transformation, FFT）是一种高效的离散傅里叶变换方法，并且存在很多种方法来完成快速傅里叶变换。

模拟信号经过ADC采样之后，就变成了数字信号。由采样定理可知，采样频率大于信号频率的两倍时，即可对采样信号进行傅里叶变换。

一、DFT理论相关知识[1]

二、FFT理论相关知识[1]

三、MATLAB提供的相关计算函数

假设采样频率为Fs，信号频率F，采样点数为N。那么经过快速傅里叶变换之后的结果包含N个点，除第一个点外，两边呈对称分布，且为复数。每个点就对应一个频率点，这个点的模值，就是该频率下的幅值。

假设原始信号的峰值为A，经过FFT变换后，结果中每个点（第一个点的模值为直流分量的N倍）的模值就是A*N/2。第一个点表示直流分量（0Hz），第n个点所代表的频率为：Fn=(n-1)*Fs/N。

MATLAB提供了三种用于进行快速傅里叶变换的函数：

• Y=fft(X) 

使用快速傅里叶变换（FFT）算法计算X的离散傅里叶变换（DFT）。

• Y=fft(X,n) 

• Y = fft（X，n，dim）

返回n点DFT计算结果， 如果没有指定值，则Y与X的大小相同。

返回沿维度dim的傅立叶变换。 如果X是矩阵，则fft（X，n，2）返回每一行的n点傅里叶变换结果。

Examples

（备注：实例程序来自matlab 2018a提供的有关fft函数的帮助文档）

% Use Fourier transforms to find the frequency components of a signal buried in noise.
% Specify the parameters of a signal with a sampling frequency of 1 kHz and a signal duration of 1.5 seconds.
Fs = 1000;            % Sampling frequency                    
T = 1/Fs;             % Sampling period       
L = 1500;             % Length of signal
t = (0:L-1)*T;        % Time vector

% Form a signal containing a 50 Hz sinusoid of amplitude 0.7 and a 120 Hz sinusoid of amplitude 1.
S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);

% Corrupt the signal with zero-mean white noise with a variance of 4.
X = S + 2*randn(size(t));

% Plot the noisy signal in the time domain. It is difficult to identify the frequency components by looking at the signal X(t). 
plot(1000*t(1:50),X(1:50))
title('Signal Corrupted with Zero-Mean Random Noise')
xlabel('t (milliseconds)')
ylabel('X(t)')

% Compute the Fourier transform of the signal. 
Y = fft(X);

% Compute the two-sided spectrum P2. Then compute the single-sided spectrum P1 based on P2 and the even-valued signal length L.
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

% Define the frequency domain f and plot the single-sided amplitude spectrum P1. The amplitudes are not exactly at 0.7 and 1, as expected, because of the added noise. On average, longer signals produce better frequency approximations.
f = Fs*(0:(L/2))/L;
plot(f,P1) 
title('Single-Sided Amplitude Spectrum of X(t)')
xlabel('f (Hz)')
ylabel('|P1(f)|')

% Now, take the Fourier transform of the original, uncorrupted signal and retrieve the exact amplitudes, 0.7 and 1.0.
Y = fft(S);
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

plot(f,P1) 
title('Single-Sided Amplitude Spectrum of S(t)')
xlabel('f (Hz)')
ylabel('|P1(f)|')

带噪声信息的混合时域数据：

带噪声信息数据的频谱分布：

不带噪声信息的纯净信号频谱分布：

参考文献：

[1]. 王珂俨. 离散傅里叶变换（DFT）及其快速算法. http://web.xidian.edu.cn/kywang/files/20121027_164737.pdf

[2]. https://ww2.mathworks.cn/help/matlab/ref/fft.html?lang=en