函数的一种调用格式为 y=fft(x)
其中，x是序列，y是序列的FFT，x可以为一向量或矩阵，若x为一向量，y是x的FFT。且和x相同长度。若x为一矩阵，则y是对矩阵的每一列向量进行FFT。
注意：在这些输出值中，第一个值是对应的直流分量的振幅（其实就是周期为无穷的可能性），那么第2个值对应第1个采样点，第3个对应第2个。。第n个对应第n-1个采样点。而且这个输出是对称的，也就是大家直接关注前N/2个才样点就可以了。那么第n个点的频率是多少呢，它的计算公式是Fn=(n-1)*Fs/N，其中Fs是采样频率。由此就可以计算出n点对应的周期了，它是频率的倒数，即Tn=N/((n-1)*Fs)。下面给出两个例子：
例一：>>A=[1,2,1,2,1,2];
>>fft(A)
ans= 9 0 0 -3 0 0
这里输出的意思是，序列A有很大的可能没有周期（第一个点的频率为0，它对应的数字是9），还有一个可能的周期是-3对应的周期，这个周期的计算方法是:-3对应于n=4,默认Fs=1,这里T=6/(3*1)=2,即周期为2。看明白了吗？因为9对应1，所以T=6/（1-1）*1=周期无穷大，所以没有周期
1.2： Fn=5; %频率
N=300; %采样点
Fs=40; %采样频率
t=[0:1/Fs:N/Fs];
S=cos(2*pi*Fn*t);
abs(fft(S));
plot(abs(fft((S))));
总而言之一句话，这些输出的绝对值就是序列对应的二维频域图上的点，它的横坐标是采样点，纵坐标是振幅，由它我们可以计算序列可能的频率或周期等值
以上信息来自于leegang12的博客http://blog.csdn.net/leegang12/article/details/6376619
我的理解是fft函数是一个中间处理函数，可以用fft得到的数据，继续处理后得到源信号分为几个正弦或余弦函数，可以确定其振幅，周期和相位。
这里补充指出，如果x长度是2的幂次方，函数fft执行高速基－2FFT算法；否则fft执行一种混合基的离散傅立叶变换算法，计算速度较慢。为提高运算时间，可以认为修改x的长度序列。
采样得到的数字信号，就可以做FFT变换了。N个采样点，经过FFT之后，就可以得到N个点的FFT结果。为了方便进行FFT运算，通常N取2的整数次方。
假设采样频率为Fs（输入参数，人为决定），信号频率F（待求的数据，作图后可以看出输入信号由那些主要正弦或余弦函数的频率），采样点数为N（人为决定，一般取2的N次幂）。
那么FFT之后结果就是N+1个点的复数。每一个点就对应着一个频率点。这个点的模值，就是该频率值下的幅度特性。具体跟原始信号的幅度有什么关系呢？
假设原始信号的峰值为A，那么FFT的结果的每个点（除了第一个点直流分量之外）的模值就是A的N/2倍。而第一个点就是直流分量，它的模值就是直流分量的N倍。而每个点的相位呢，就是在该频率下的信号的相位（复数虚部所表示的相位）。
第一个点表示直流分量（即0Hz），而最后一个点N的再下一个点（实际上这个点是不存在的，这里是假设的第N+1个点，也可以看做是将第一个点分做两半分，另一半移到最后）则表示采样频率Fs，这中间被N-1个点平均分成N等份，每个点的频率依次增加。例如某点n所表示的频率为：Fn=(n-1)*Fs/N。由上面的公式可以看出，Fn所能分辨到频率为为Fs/N，如果采样频率Fs为1024Hz，采样点数为1024点，则可以分辨到1Hz。1024Hz的采样率采样1024点，刚好是1秒，也就是说，采样1秒时间的信号并做FFT，则结果可以分析到1Hz，如果采样2秒时间的信号并做FFT，则结果可以分析到0.5Hz。如果要提高频率分辨力，则必须增加采样点数，也即采样时间。频率分辨率和采样时间是倒数关系。
上面一段蓝色文字不是很了解，姑且把公式记住，并知道1，要提高频率分辨力，则必须增加采样点数，也即采样时间。2，频率分辨率和采样时间是倒数关系。这两个结论。
假设FFT之后某点n用复数a+bi表示，那么这个复数的模就是An=根号a*a+b*b，相位就是Pn=atan2(b,a)。根据以上的结果，就可以计算出n点（n≠1，且n<=N/2）对应的信号的表达式为：
An/(N/2)*cos(2*pi*Fn*t+Pn)，即2*An/N*cos(2*pi*Fn*t+Pn)。
对于n=1点的信号，是直流分量，幅度即为A1/N。
由于FFT结果的对称性，通常我们只使用前半部分的结果，即小于采样频率一半的结果。
以上解释摘自一位叫圈圈的博主http://blog.sina.com.cn/s/blog_640029b301010xkv.html
2，fft完整使用指南
估计大多数人跟我一样只关心怎么把一组原始信号通过fft方法分解为几个正弦或余弦函数，就是怎么用这些数据并得到最后结果。好了，那就算前面也是一点没看明白，也完全没有关系，就从这里开始，举一个完整的例子。来使用fft。
首先，我们需要一组原始输入信号。
没办法，找不到好数据，那我们就自己造一组数据，比如
S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180)
当然，这数据是人造的只是为了检验方便，现实中，函数S是我们要求的目标函数。
|
1
2 3 4 5 6 7 8 |
clear all
N=256; %采样点 Fs=256; %采样频率 t=[0:1/Fs:N/Fs]; S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180); fft1=fft(S);%查看fft后的结果 abs1=abs(fft(S))%取复数的模 plot(abs(fft((S))));%作频率分布图 |
由于FFT结果的对称性，通常我们只使用前半部分的结果，即小于采样频率一半的结果。就是说看128以前的数据就可以的，这里我们发现大约在50Hz，和75Hz左右有峰值（另外在第一点0Hz处也有一个峰值，这里表示有一个直流信号即S中的常数2），和输入S的两个交流信号频率一样呢，好开森。
也就是说我们已经得到两个余弦函数的频率，接下来还要求振幅和相位，不急，一步一步来。
我们的信号有3个频率：0Hz、50Hz、75Hz，应该分别在第1个点、第51个点、第76个点上出现峰值，其它各点应该接近0
从图中我们可以看到，在第1点、第51点、和第76点附近有
比较大的值。我们分别将这三个点附近的数据拿上来细看：
1，516.598076211353 + 0.00000000000000i
2，2.59900704081871 - 0.0196787424660072i
3，2.60180445475026 - 0.0393809855325276i
50，58.6169480649775 - 6.34990888216907i
51，359.979318198187 - 33.6014960745965i
52，-87.8368011133880 + 6.74667444598843i
75，-31.8771197561628 - 22.6953712901770i
76，-134.345505037574 - 100.765116060030i
77，53.3617717909087 + 41.9525431367541i
都很小，可以认为是0，即在那些频率点上的信号幅度为0。
接着，我们来计算各点的幅度值。分别计算这三个点的模值，
用abs（）方法求
结果如下：
1点：516.598076211353
51点：361.544146777241
76点：167.935473734384
这时，就要用到前文所用的公式，记住第一点是直流分量，计算方法与交流分量是不一样的。
An/(N/2)*cos(2*pi*Fn*t+Pn)，即2*An/N*cos(2*pi*Fn*t+Pn)。
对于n=1点的信号，是直流分量，幅度即为A1/N。
按照公式，可以计算出直流分量为：512/N=512/256=2；
50Hz信号的幅度为： 384/(N/2)=384/(256/2)=3；
75Hz信号的幅度为： 192/(N/2)=192/(256/2)=1.5。
S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180)
可见，从频谱分析出来的幅度是正确的。
先计算50Hz信号的相位，atan2(-192, 332.55)=-0.5236,结果是弧度，换算为角度就是180*(-0.5236)/pi=-30.0001。
再计算75Hz信号的相位，atan2(192, 3.4315E-12)=1.5708弧度，换算成角度就是180*1.5708/pi=90.0002。可见，相位也是对的。
这样就可以把一组一维原始输入信号分解为几个正弦（余弦）函数了，若想处理二维的图片，则先把图片处理成一维向量即可。
扫一扫
1859
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
