信号处理（一）获取信号频谱——傅里叶变换

---

前言

本文主要介绍傅里叶变换的思想及matlab实现，旨在用简单的语言讲清楚。由于傅里叶变换的原理涉及大量数学推导，因此不过多介绍。

---

一、傅里叶变换是什么？

1.信号分解

---

在高中，我们知道，对于一个向量 $a=(x,y)$，可以用二维平面上的一个有向箭头来表示，并且，这个有向箭头可以被分解到x轴和y轴上，即

$(x,y)=x(1,0)+y(0,1)$

这个过程就是将向量分解成最简单的向量的过程，而这“最简单的向量”，数学上称之为“基”。对于信号，我们也希望能够将其分解为简单的函数之和，因此，信号分解就是寻找“基函数”，并确定每个基函数的幅值大小的过程。

2.简谐运动

---

自然界中，当物体发生振动时，最简单最基本的振动类型即为简谐运动，用数学函数来表达简谐运动，会发现其实质就是正弦运动，用三角函数表达。

$x=A\times sin(\omega \times t+\varphi )$

而在高数中，我们知道三角函数是正交的。因此，三角函数系能够作为信号的正交基函数。

3.傅里叶级数

---

对于时域上的连续周期信号$x(t)$，可以将其分解成多个三角函数之和。

$x(t)={\sum }_{n=-\infty }^{\infty }{C}_n\times e^{jn\omega t}$

$e^{jn\omega t}=\cos (n\omega t)+j\sin (n\omega t)$

以上分解过程即为傅里叶级数，可以这么说，傅里叶级数以三角函数系为正交基函数，将输入信号$x(t)$分解成一组三角函数。那么这组三角函数中，谁占的比例（权重）最大呢？这就需要通过权重系数$C_n$来确定。

$C_n=\frac{1}{T_0}{\int }_{<T_0>}x(t)\times (e^{jn\omega t}{)}^{\ast }dt$

$(e^{jn\omega t}{)}^{\ast }=e^{-jn\omega t}$

如何理解上述公式呢？在数学中，使用内积变换来衡量两个函数的相似性，相似性越大，说明该函数在$x(t)$中的权重也就越大。由于$e^{jn\omega t}$是复数，因此在求内积时需要乘以其共轭复数。

总结一下，傅里叶级数就是将输入信号分解为一系列三角函数，并且通过内积变换算出每个三角函数和$x(t)$之间的相似性，从而确定权重系数$C_n$。

4.傅里叶变换

---

对于时域上的连续非周期信号，无法通过傅里叶级数将信号进行分解，因此，才有了傅里叶变换。同样地，傅里叶变换也是将输入信号分解成一系列三角函数之和，公式如下。

$X(f)={\int }_{-\infty }^{\infty }x(t)\times e^{-j2\pi ft}dt$

这个公式跟傅里叶级数中$C_n$的计算公式有点像，区别在于此时积分区间是不同的，可以看成 $T\Rightarrow \infty$ 时的情况。
得到$X(f)$后，就能根据$(f,|X(f)|)$画出信号的频谱图。

二、Matlab实现

1.Matlab代码

实际操作中，使用快速傅里叶（Fast Fourier Transform，FFT）算法来求信号的频谱，具体代码如下。

fs = 1000;
t = (1:fs)/fs;
y = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);
figure;
plot(t, y)
title('Origin signal')
xlabel('Time(s)')
ylabel('Amplitude')
L = length(y);
Y = fft(y);
P2 = abs(Y/L);
P1 = P2(1:floor(L/2)+1);
P1(2:end-1) = 2*P1(2:end-1);
f = fs * (0:L/2)/L;
figure
plot(f, P1)
title('frequency spectrum')
xlabel('frequency(Hz)')
ylabel('Amplitude')

2.输出图片

总结

本文简单介绍了傅里叶变换的思想及matlab实现，傅里叶变换能够将时域信号转换为频域信号，从而获取频谱信息，这是信号处理最基础也最有用的方法。