快速傅里叶变换（FFT）

最新推荐文章于 2024-05-11 10:00:52 发布
最新推荐文章于 2024-05-11 10:00:52 发布
阅读量478 收藏 1
点赞数
分类专栏： 数字信号处理基础 文章标签： 算法 傅里叶分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_53475159/article/details/130238249
版权

实验目的

本实验结合理论教材中有关快速傅里叶变换(FFT)的教学内容，学习和掌握按时间抽取的基-2FFT算法原理和实现方法。

所使用的主要函数

x=fft(x,N);采用FFT算法计算序列向量x的N点DFT变换，当N缺省时，fft函数自动按x的长度计算DIT。当N为2的整数次幂时，fft按基-2算法计算，否则用混合算法。

x=ifft(N,N);采用FFT算法计算序列向量X的N点IDFT变换。

相关函数的应用实例

function Xk= ditfft(xn)

M=nextpow2(length(xn));

N=2^M;

for m=0:N/2-1

    WN(m+1)=exp(-j*2*pi/N)^m;

end

A=[xn,zeros(1,N-length(xn))];

disp('输入到各存储单元的数据:');disp(A);

J=0;

for I=0:N-1

    if I<J

        T=A(I+1);

        A(I+1)=A(J+1);

        A(J+1)=T;

    end

    K= N/2;

    while J>=K

    J=J-K;

    K= K/2;

    end

    J=J+K;

end

disp('倒序后各个存储单元的数据:');disp(A);

for L=1:M;

    disp('运算级次:');

    disp(L) ;

B=2^(L- 1);

for R=0:B- 1

P=2^(M-L) * R;

for K=R:2^L:N-2

T=A(K+1)+A(K+B+1)* WN(P+1);

A(K+B+1)=A(K+1)-A(K+B+1)*WN(P+1);

A(K+1)=T;

end

end

disp('本级运算后各存储单元的数据:');disp(A);

end

disp('输出各存储单元的数据:');Xk=A

实验内容

1.已知序列x(n)={2,1,3,9,0,5,7,8}, 模仿例题编程实现DIT-FFT功能计算X(k), 并与直接调用函数fft()命令对比计算结果是否正确。

2.X(k)={36.0000,-4.0000+9.6569i,-4.0000+4.0000i,-4.0000+1.6569i,-4.0000,-4.0000-0.6569i,-4.0000-4.0000i,-4.0000-9.6569i }, 已知序列x(n)的DFT为X(k)，模仿例题编程实现IFFT功能计算x(n), 并与直接调用函数 ifft()命令对比计算结果是否正确。

实验代码 

function Xk= ditfft(xn)

M=nextpow2(length(xn));%M为指数

N=2^M;%xn的长度为N

for m=0:N/2-1%蝶形因子的指数范围

    WN(m+1)=exp(-j*2*pi/N)^m;%计算蝶形因子

end

A=[xn,zeros(1,N-length(xn))];%数据输入

disp('输入到各存储单元的数据:');

disp(A);

%倒序

J=0;%给倒序赋初始值

for I=0:N-1%按序交换数据和算倒序数

    if I<J%条件判断及数据交换

        T=A(I+1);

        A(I+1)=A(J+1);

        A(J+1)=T;

    end

    K= N/2;

    while J>=K

    J=J-K;

    K= K/2;

    end

    J=J+K;

end

disp('倒序后各个存储单元的数据:');

disp(A);

%

for L=1:M;

    disp('运算级次:');

    disp(L) ;

B=2^(L- 1);

for R=0:B- 1

P=2^(M-L) * R;

for K=R:2^L:N-2

T=A(K+1)+A(K+B+1)* WN(P+1);

A(K+B+1)=A(K+1)-A(K+B+1)*WN(P+1);

A(K+1)=T;

end

end

disp('本级运算后各存储单元的数据:');disp(A);

end

disp('输出各存储单元的数据:');

Xk=A;



1.

clc;clear;close all;

xn=[2,1,3,9,0,5,7,8];

N = length(xn);

xk1=ditfft(xn);

xk2=fft(xn);

figure(1);

subplot(2,1,1); stem(0:N-1,real(xk1),'fill','linewidth',1.0);

xlabel('\itn'); ylabel('Amplitude'); title(' xk1实部');

subplot(2,1,2); stem(0:N-1,real(xk2),'fill','linewidth',1.0);

xlabel('\itn'); ylabel('Amplitude'); title(' xk2实部');

结果：

输入到各存储单元的数据:

     2     1     3     9     0     5     7     8

倒序后各个存储单元的数据:

     2     0     3     7     1     5     9     8

运算级次:

     1

本级运算后各存储单元的数据:

     2     2    10    -4     6    -4    17     1

运算级次:

     2

本级运算后各存储单元的数据:

  12.0000 + 0.0000i   2.0000 + 4.0000i  -8.0000 + 0.0000i   2.0000 - 4.0000i  23.0000 + 0.0000i  -4.0000 - 1.0000i -11.0000 + 0.0000i  -4.0000 + 1.0000i

运算级次:

     3

本级运算后各存储单元的数据:

  35.0000 + 0.0000i  -1.5355 + 6.1213i  -8.0000 +11.0000i   5.5355 - 1.8787i -11.0000 + 0.0000i   5.5355 + 1.8787i  -8.0000 -11.0000i  -1.5355 - 6.1213i

输出各存储单元的数据:

 

clc;clear;close all;
Xk=[36.0000,-4.0000+9.6569i,-4.0000+4.0000i,-4.0000+1.6569i,-4.0000,-4.0000-0.6569i,-4.0000-4.0000i,-4.0000-9.6569i];
N = length(Xk);
% 直接调用ifft函数计算Xk的离散傅里叶反变换
xn1 = ifft(Xk);
% 利用fft函数和ditfft函数计算Xk的离散傅里叶反变换
Xk_conj = conj(Xk);
xn2 = conj(fft(Xk_conj))/N;
xn3 = conj(ditfft(Xk_conj))/N;
figure(1);
subplot(3,2,1); stem(0:N-1,real(xn1),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn1实部'); 
subplot(3,2,2); stem(0:N-1,imag(xn1),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn1虚部');
subplot(3,2,3); stem(0:N-1,real(xn2),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn2实部');
subplot(3,2,4); stem(0:N-1,imag(xn2),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn2虚部'); 
subplot(3,2,5); stem(0:N-1,real(xn3),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn3实部');
subplot(3,2,6); stem(0:N-1,imag(xn3),'fill','linewidth',1.0);
xlabel('\itn'); ylabel('Amplitude'); title(' xn3虚部');

结果：

输入到各存储单元的数据:

  36.0000 + 0.0000i  -4.0000 - 9.6569i  -4.0000 - 4.0000i  -4.0000 - 1.6569i  -4.0000 + 0.0000i  -4.0000 + 0.6569i  -4.0000 + 4.0000i  -4.0000 + 9.6569i

倒序后各个存储单元的数据:

  36.0000 + 0.0000i  -4.0000 + 0.0000i  -4.0000 - 4.0000i  -4.0000 + 4.0000i  -4.0000 - 9.6569i  -4.0000 + 0.6569i  -4.0000 - 1.6569i  -4.0000 + 9.6569i

运算级次:

     1

本级运算后各存储单元的数据:

  32.0000 + 0.0000i  40.0000 + 0.0000i  -8.0000 + 0.0000i   0.0000 - 8.0000i  -8.0000 - 9.0000i   0.0000 -10.3138i  -8.0000 + 8.0000i   0.0000 -11.3138i

运算级次:

     2

本级运算后各存储单元的数据:

  24.0000 + 0.0000i  32.0000 - 0.0000i  40.0000 + 0.0000i  48.0000 + 0.0000i -16.0000 - 1.0000i -11.3138 -10.3138i   0.0000 -17.0000i  11.3138 -10.3138i

运算级次:

     3

本级运算后各存储单元的数据:

   8.0000 - 1.0000i  16.7070 + 0.7071i  23.0000 - 0.0000i  32.7070 - 0.7071i  40.0000 + 1.0000i  47.2930 - 0.7071i  57.0000 + 0.0000i  63.2930 + 0.7071i

输出各存储单元的数据:

 

归去来兮的百宝箱
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
C#实现FFT变换（附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
03-30 189
C#实现FFT变换（附完整源码）
一文让你秒懂FFT（快速傅里叶变换）
S2191300319的博客
02-21 8666
一文带你领略傅里叶变换的魅力
FFT中的补零问题
sunyang5290980232的博客
04-28 1万+
概述 在数字信号处理领域中，FFT的运算常常会对输入信号序列进行补零操作，最常见的是补零后将FFT点数设置为N=2^k(k为正整数，2的整数次幂)。由于采集到的实验数据序列长度M往往不是2的整数次幂，因此可通过补零使FFT的长度变为2的整数次幂。 理论基础 首先来分析DFT与Z变换之间的关系。若x(n)为N点有限长序列，则其Z变换可由其N点DFT系数来表示： 即 上式表明，N点序列的...
信号处理之快速傅里叶变换(FFT)-通俗易懂
最新发布
HackEle的博客
05-11 913
点击蓝字关注我们关注、星标公众号，精彩内容每日送达 来源：网络素材历史溯源相信很多人知道傅里叶变换，但是很多人对傅里叶变换又是模棱两可，似是而非的状态。今天作者就花点时间把傅里叶变换的前世今生跟大家探讨清楚，让大家对傅里叶变换有个清晰的认识。 约瑟夫·傅里叶（1768年3月21日—1830年5月16日），法国数学家、物理学家，提出傅里叶级数，并将其应用于热传导理论与振动理论，傅里叶变换也以他命名。...
我所理解的快速傅里叶变换（FFT）
热门推荐
沈春旭的博客
10-22 17万+
1.历史放在最前头 首先FFT是离散傅立叶变换(DFT)的快速算法，那么说到FFT，我们自然要先讲清楚傅立叶变换。先来看看傅立叶变换是从哪里来的？ 傅立叶是一位法国数学家和物理学家的名字，英语原名是Jean Baptiste Joseph Fourier(1768-1830), Fourier对热传递很感兴趣，于1807年在法国科学学会上发表了一篇论文，运用正弦曲线来描述温
（数学建模）傅里叶变换-第一节——定义和简单例子（Python实现）
numb_ac的博客
10-17 3010
一、引入 生活当中，我们常常需要把杂乱的信息分解开进行研究。比如我们看到的光是无色的，但是当其透过三棱镜时，会发生色散，这样不同颜色的光就被我们分离出来了，我们就可以对光进行研究了。光是一种电磁波，同样地，声波、收音机的波也可以进行类似的处理，将不同的频段分离出来，就可以进行降噪。 二、概念 f(t)是t的周期函数，如果t满足狄里赫莱条件：在一个以2T为周期内f(X)连续或只有有限个第一类间断点，...
数字信号处理-快速傅里叶变换FFT实验报告
05-06
【快速傅里叶变换FFT】是一种高效的离散傅里叶变换计算方法，广泛应用于数字信号处理领域。在西安交通大学的这个实验中，学生通过实践深入理解了FFT算法及其在信号频谱分析中的应用。 实验的目的在于使学生： 1. ...
详解快速傅里叶变换FFT算法
06-25
快速傅里叶变换（Fast Fourier Transform，简称FFT）是一种高效的计算离散傅里叶变换（Discrete Fourier Transform，DFT）的方法，对于处理信号分析、图像处理、通信工程等领域的问题有着广泛的应用。本文将深入探讨...
快速傅里叶变换FFT的C语言实现及应用_fft_快速傅里叶变换_
09-29
快速傅里叶变换（FFT，Fast Fourier Transform）是数字信号处理领域中的一种高效算法，用于计算离散傅里叶变换（DFT）及其逆变换。它由数学家库利（John W. Cooley）和图基（James W. Tukey）在1965年提出，极大地...
实验4 快速傅立叶变换(FFT).doc
07-06
快速傅立叶变换（FFT）是数字信号处理领域中一种至关重要的算法，它极大地提高了离散傅立叶变换（DFT）的计算效率。DFT是连续傅立叶变换在离散时间序列上的应用，然而，由于DFT的计算复杂度为O(N^2)，对于大数据量的...
Matlab 快速傅里叶变换FFT代码
03-26
Matlab 快速傅里叶变换FFT代码。信号处理 注释详细，保证能运行。 时域图像，频域图像，双边谱，单边谱。 有一份数据，方便查看数据样式！！！！！！！！！！！！！！！！ 按照数据样式编辑你的数据，更换后即可运行...
第四章快速傅里叶变换FFT
weixin_52544906的博客
11-16 9403
一、基2FFT算法 1.直接计算DFT的特点 对于N点DFT的乘法和加法运算次数均为N^2(运算量较大) 减少运算量的基本途径：将N点DFT分解成多个较短的DFT 旋转因子具有 周期性：= 对称性：或又或者 2.时域抽取法基2FFT基本原理 分类：基2FFT分为时域抽取法FFT（DIT-FFT）和频域抽取法FFT（DIF-FFT） 设x(n)长度为N且满足N=2^M（M为自然数），按n的奇偶数把x(n)分解为两个N/2点的子序列（时域不断奇...
快速傅里叶变换（FFT）详解
u011555996的博客
02-11 3985
快速傅里叶变换（FFT）详解 　　（这是我第一次写博，不喜勿喷...） 　　关于FFT已经听闻已久了，这次终于有机会在Function2的介绍下来了解一下FFT了。 　　快速傅里叶变换(Fast Fourier Transformation)简称FFT。在各大OI竞赛中也常有用到，也是一个十分优秀的可以装逼的好算法 　　在这篇blog中，有大量数学推导，因为我懒得写公式（好复杂，逃），所以...
超详细易懂FFT（快速傅里叶变换）及代码实现
Flag_z的博客
08-11 14万+
前言 昨天学了一晚上，终于搞懂了FFT。希望能写一篇清楚易懂的题解分享给大家，也进一步加深自己的理解。 FFT算是数论中比较重要的东西，听起来就很高深的亚子。但其实学会了（哪怕并不能完全理解)，会实现代码，并知道怎么灵活运用 （背板子） 就行。接下来进入正题。 定义 FFT（Fast Fourier Transformation），中文名快速傅里叶变换，是离散傅氏变换的快速算法，它是根据离散傅氏变...
matlab fft简单小例子,一个简单的fft例子
weixin_28947723的博客
03-18 719
Fs = 1000;T = 1/Fs;L = 1024;t = (0:L-1)*T;y = sin(2*pi*200*t) + randn(size(t)); % 200Hz sinwave andnoise%y = sin(2*pi*200*t);subplot(2,1,1);plot(Fs*t(1:50),y(1:50));xlabel('Time(ms)');N = 1024;Y = fft...
FFT(快速傅里叶变换)
csljl11的博客
10-31 669
傅里叶变换有些信号在时域上很难看出特征，所以我们需要从频域上来分析数据，所以我们可以用FFT来对时域数据抽样得到频域数据，所以说FFT是一种将信号从时域变换到频域的形式。快速傅里叶变换(FFT)：FFT就是不断的把长序列的DFT逐次分解为几个短序列的DFT并利用同周期性和对称性减少DFT的运算次数。 DFT:离散傅里叶变换FFT在N点的傅里叶变化时，输入的数据常常是一串复数，不过许多实际运用上这些
快速傅里叶变换fft_FFT(快速傅里叶变换）示例
weixin_39553352的博客
12-08 741
#FFT变换是针对一组数值进行运算的，这组数的长度N必须是2的整数次幂，例如64, 128, 256等等； 数值可以是实数也可以是复数，通常我们的时域信号都是实数，因此下面都以实数为例。我们可以把这一组实数想像成对某个连续信号按照一定取样周期进行取样而得来，如果对这组N个实数值进行FFT变换，将得到一个有N个复数的数组，我们称此复数数组为频域信号，此复数数组符合如下规律：#其结果数组有以下特点：#...
多项式算法1：FFT（快速傅里叶变换）
ha_ing的博客
05-08 2534
FFT（快速傅里叶变换）算法详解
fft python 举例_Python快速变换傅里叶（FFT）过程实例分析
weixin_36059283的博客
02-01 581
这里做一下记录，关于FFT就不做介绍了，直接贴上代码，有详细注释的了：import numpy as npfrom scipy.fftpack import fft,ifftimport matplotlib.pyplot as pltimport seaborn#采样点选择1400个，因为设置的信号频率分量最高为600赫兹，根据采样定理知采样频率要大于信号频率2倍，所以这里设置采样频率为1400...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值