基于Python的频谱分析（二）——频谱泄露

最新推荐文章于 2025-03-03 12:02:35 发布

赵至柔

最新推荐文章于 2025-03-03 12:02:35 发布

阅读量4.2k

点赞数 8

分类专栏：信号调制识别

本文链接：https://blog.csdn.net/qq_39516859/article/details/79794926

版权

本文探讨了频谱泄露现象，当使用DFT分析以特定频率fs的正弦序列时，由于时域截断，导致频谱在fs附近而非仅fs处出现谱线。这种现象称为频谱泄露。通过分析含有非整数周期波形的代码，展示频谱泄露导致的能量分散，影响频谱特性计算。解决方案是应用窗函数以改善，内容将在后续博客中进一步阐述。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、频谱泄露

对于频率为fs的正弦序列，它的频谱应该只是在fs处有离散谱。但是，在利用DFT求它的频谱时，对时域做了截断，结果使信号的频谱不只是在fs处有离散谱，而是在以fs为中心的频带范围内都有谱线出现，它们可以理解为是从fs频率上“泄漏”出去的，这种现象称为频谱“泄漏”。

2、代码分析

如果我们波形不能在fft_size个取样中形成整数个周期的话会怎样呢？将上篇博客中的采样对象的频率改为：

x = np.sin(2*np.pi*100*t)+2*np.sin(2*np.pi*234.375*t)

import numpy as np#导入一个数据处理模块
import pylab as pl#导入一个绘图模块，matplotlib下的模块

sampling_rate = 8000#采样频率为8000Hz
fft_size = 512 #FFT处理的取样长度
t = np.arange(0,

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

赵至柔

关注关注

8
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

振动分析-3-基于Python的FFT幅值修正与能量修正

qq_20466211的博客

06-17

553

FFT及加窗FFT分析

现代谱分析方法——周期图法（Periodogram）详解

DuHz的博客

11-02

4371

周期图法是谱分析中最基本和最直观的方法之一。它通过计算信号的傅里叶变换（Fourier Transform），然后取其幅度平方，来估计信号的功率谱密度。周期图法的优点在于其计算简单、易于理解，但也存在一些局限性，如估计方差较大、谱分辨率有限等。周期图法作为现代谱分析中最基础和最直观的方法，以其计算简单、实现容易的优点被广泛应用于各类信号处理任务中。然而，周期图法也存在一些局限性，如估计方差较大、谱分辨率有限以及频谱泄漏问题。为了克服这些缺点，研究者提出了Welch方法、多窗方法（Multitaper Met

参与评论您还未登录，请先登录后发表或查看评论

基于Python语言的音频捕获及频谱分析设计

03-06

基于Python语言的音频捕获及频谱分析设计

Python中利用FFT（快速傅里叶变换）进行频谱分析

最新发布

人心中的成见是一座大山…

03-03

446

wave1,wave2实际在时域中是一样的正弦波，表达式y=sin(2πft)，其中频率f=20Hz,但是经过快速傅里叶FFT变换之后，wave2的频域图中除了有冲激响应的峰之外，还出现了额外的频率元素，这个就是频谱泄露(Spectrum Leakage)。很显然，频谱泄露和信号泄露无关，从根本上说，它就是算法引起的。那同样的快速傅里叶算法,怎么会有这个差异？简单说来，造成这个问题的原因是：采样信号的相位在始端和终端不连续。从上面图中，可以发现，wave1的时域图形是完整的周期，而wave2不是。

基于Python的频谱分析

Just for fun的专栏

11-13

6631

1、傅里叶变换傅里叶变换是信号领域沟通时域和频域的桥梁，在频域里可以更方便的进行一些分析。傅里叶主要针对的是平稳信号的频率特性分析，简单说就是具有一定周期性的信号，因为傅里叶变换采取的是有限取样的方式，所以对于取样长度和取样对象有着一定的要求。 2、基于Python的频谱分析将时域信号通过FFT转换为频域信号之后，将其各个频率分量的幅值绘制成图，可以很直观地观察信号的频谱。具...

使用python进行傅里叶FFT 频谱分析

qq_39720178的博客

04-29

1万+

目录一、一些关键概念的引入 1.1.离散傅里叶变换（DFT） 1.2快速傅里叶变换（FFT） 1.3.采样频率以及采样定率 1.4.如何理解采样定理二、使用scipy包实现快速傅里叶变换 2.1.产生原始信号——原始信号是三个正弦波的叠加 2.2.快速傅里叶变换 2.3.FFT的原始频谱 2.4.将振幅谱进行归一化和取半处理三、完整代码一、一些关键概念的引入 1.1、离散傅里叶变换（DFT）离散傅里叶变换(discrete Fourie...

基于python的频谱分析

weixin_47289438的博客

10-07

1006

1.转载的有空再，认真分析 python的fft

现代谱分析方法——Welch方法详解

DuHz的博客

11-02

4226

在信号处理领域，谱分析是用于分析信号频率内容的强大工具。Welch方法是现代谱分析中一种广泛使用的功率谱密度估计技术，由Peter D. Welch在1967年提出。它通过对信号进行分段、加窗和平均化处理，提供了一种平滑且稳定的频谱估计方法。Welch方法通过将信号分成多个重叠的段，每段应用窗函数，然后计算每段的周期图，最后对所有周期图进行平均化，得到平滑的功率谱密度估计。welch_psd函数接收信号x、采样频率fs、每段的样本数N、重叠样本数overlap和窗函数类型window。

频谱泄露的原因与处理方法详解

DuHz的博客

12-26

2178

整周期采样：如果我们能让信号频率f0f_0f0与采样频率fsf_sfs、FFT长度NNN满足f0k⋅fsNf0Nk⋅fs（其中kkk是整数），那么每段截断就不会“切断”波形的一个周期，频谱泄露会显著降低。可现实中，这种理想条件常常难以满足。零填充：零填充增加了FFT点数，也就是在频域做更细的离散采样，使得波形峰值位置更好观察，同时也有利于后续插值处理。更复杂信号的处理。

基于Python的频谱分析（一）

weixin_30549657的博客

11-20

853

python频谱细化程序+实例

11-02

翻译的matlab函数czt（），注释比较少，有一定的简化，只能输入一维数据（原始的czt函数可以输入多维，可以多个信号同时进行频谱细化）

python傅里叶变换FFT绘制频谱图

09-19

主要为大家详细介绍了python傅里叶变换FFT绘制频谱图，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

频谱泄露示例

05-01

信号处理频谱泄露仿真示意

日光倾城整理小波变换中能量泄漏问题的研究-仿真图1.doc

08-13

日光倾城整理小波变换中能量泄漏问题的研究-仿真图1.doc 本帖最后由日光傾城于 2012-3-30 22:49 编辑【小波分析】 db10的 6层分解重构的小波能量谱分布一、案例分析采用 db10的 6层小波分析，经过分解、重构观察小波能量谱分布情概况。分析的信号频率为16.7HZ。采样频率1000HZ，采样点N=1024。由于小波分解遵循Nyquist标准，因此最大可测频率为采样频率的一半，即500HZ 对信号进行六层分解,由Mallat多分辨率算法，频带划分： d1:500--250 d2:250--125 d3:125--62.5 d4:62.5--31.25 d5:31.25--15.625d6:15.625-7.8125a6:7.8125--DC出现问题：1）16.7HZ信号应该落在d5中，但是，能量直方图显示的a6重构的成分更多，即DC--7.8125之间。 2）原信号改成50HZ和200HZ 靠近频段的中心时，就不会发生这种现象了。问题原因：小波变换中的能量泄漏问题解决办法：改变采样频率（或者分解层数N），使感兴趣频率靠近频带中心位置。未解决问题：由于谐波的存在，16.7HZ的信号会被分解1/2，1,2倍频。基频16.7的幅值比实际幅值有所衰减。这样很难判断风机转速1000r/min，即频率16.7HZ，当出现y=a*sin*16.7) b*sin c*sin ... f*sin的叠加情况时，实际的幅值会与小波分析得到的重构时间序列的幅值有所差别。期待大家能解决这个问题。同样的问题也会出现FFT变换中。例如y=sin,用离散点来描述时，1）离散的点越多，波形趋势越清晰。即采样点越多，频谱泄露越少。 2）采样频率，必须大于待测信号的2倍（最低标准）。t=时间段内，采样周期T=1，采样频率F=1，可以采集6点。采样频率F=2，可以采集12点。因此，每个周期内采集20个点计算，采样频率选择20*（1/2pi）=3.2HZ.过大的采样长度会影响计算的速度。

使用python进行波形及频谱绘制的方法

09-19

今天小编就为大家分享一篇使用python进行波形及频谱绘制的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

用python代码实现实验：应用快速傅里叶变换对信号进行频谱分析

m0_67424508的博客

12-25

1115

2.下面的代码实现对于正弦信号的频谱分析。4.下面实现对于衰减正弦序列的频谱分析。3.下面代码实现高斯序列的频谱分析。5.下面实现三角序列的频谱分析。6.下面实现三角序列的频谱分析。如有不足，欢迎指正。

python信号分析_Python频谱分析

weixin_39980893的博客

12-03

1264

我正在尝试估计ECG信号的心率变异性的PSD。为了测试我的代码，我从fantasia ECG database中提取了R-R间隔。我已经提取了信号，可以访问here。为了计算PSD，我使用的是如下所示的welch方法：import matplotlib.pyplot as pltimport numpy as npfrom scipy.signal import welchibi_signal =...

python频谱分析

07-23

780

# -*- coding: utf-8 -*-

数字信号处理大作业基于加窗fft的频谱分析

12-27

### 基于加窗FFT的频谱分析大作业示例 #### 一、实验目的理解快速傅里叶变换(FFT)的工作原理及其局限性，掌握如何利用窗口函数提高频谱估计的质量。 #### 二、理论基础 1. **FFT特性** - FFT提供了一种高效计算离散傅立叶变换(DFT)的方法。然而，在实际应用中存在一些固有的限制条件[^1]。 - 当被测信号不是严格周期性的或者是非整数倍周期截断时，会出现所谓的栅栏效应和泄漏现象； - 这些问题会影响最终得到的频谱图准确性； 2. **加窗技术的作用** - 应用合适的窗户可以减少因突然切断而导致的能量扩散至相邻频率区间内的情况发生，从而提升解析精度[^2]。 3. **带宽概念的重要性** - 数字通信系统中的带宽定义为能够承载的信息量大小，即从零Hz直到最高有用频率之间的宽度[^3]。 4. **IIR滤波器简介** - IIR(Infinite Impulse Response,无穷冲激响应)是一种常见的模拟/数字转换方式之一，其特点在于具有无限长度的单位脉冲响应序列[^4]。 #### 三、实验环境搭建为了完成本次实验，建议采用Python编程语言配合NumPy库实现核心算法逻辑，并借助Matplotlib绘制图形化界面展示结果。 ```python import numpy as np from scipy import signal import matplotlib.pyplot as plt def generate_signal(frequencies=[50], amplitudes=[1]): """Generate a composite sine wave.""" t = np.linspace(0, 1, 44100, False) sig = sum([amp * np.sin(2*np.pi*freq*t) for freq, amp in zip(frequencies, amplitudes)]) return t, sig def apply_window(signal, window_type='hamming'): """Apply specified type of window to input signal""" win_func = getattr(signal.windows, window_type)(len(signal)) return signal * win_func def plot_spectrum(sig, fs=44100., title="Spectrum"): """Plot the magnitude spectrum using fftshift and abs() functions.""" N = len(sig) f = (np.fft.fftfreq(N)*N).astype(int)*(fs/N) sp = np.abs(np.fft.fft(sig))[:int(N//2)] fig, ax = plt.subplots() ax.plot(f[:int(N//2)], sp) ax.set_xlabel('Frequency [Hz]') ax.set_ylabel('|Amplitude|') ax.grid(True) ax.set_title(title) if __name__ == "__main__": # Generate test signals with different frequencies & amplitudes. _, original_sig = generate_signal(amplitudes=[1]) # Apply Hamming Window before performing FFT analysis. windowed_sig = apply_window(original_sig.copy()) # Plot both spectra side by side for comparison purposes. plt.figure(figsize=(12,6)) plt.subplot(1,2,1);plot_spectrum(original_sig,title="Original Signal Spectrum") plt.subplot(1,2,2);plot_spectrum(windowed_sig,title="Window Applied Signal Spectrum") plt.tight_layout();plt.show() ``` 此段代码实现了如下功能： - 创建了一个由多个正弦波叠加而成的时间域测试信号； - 使用Hamming窗对该原始信号进行了预处理操作； - 分别对未经过任何修饰以及施加过窗口后的两版数据执行了快速傅氏变换运算； - 将所得出的结果可视化出来以便直观对比两者差异之处。 #### 四、结论总结通过对同一份音频片段分别采取简单直接的方式与引入适当类型的平滑过渡机制两种不同策略下的频谱特征进行比较研究发现：后者确实能够在一定程度上缓解前者可能存在的某些缺陷——比如假峰过多等问题的发生概率明显降低，整体曲线更加光滑自然，更能反映出真实的物理意义所在。