python求信号的傅里叶变换之完美案例，附高清图片！

近期做加速度信号的时域与频域分析项目。研究不同频率对信号的影响程度，用到了傅里叶变换以及高通和低通滤波内容。

又把高数详细看了一遍，收获蛮大的。

下面就把成果分享出来。

原信号折线图

经过傅里叶转换过的双边振幅谱，未求绝对值。

求绝对值后的双边振幅谱。对复数来讲求绝对值就是取实部和虚部模数。

顺便把相位谱也放上来。

归一化之后的双边振幅谱。

最后把单边振幅谱呈现出来。

代码如下：

import numpy as np
from scipy.fftpack import fft,ifft
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
from mpl_toolkits.mplot3d import Axes3D
import time

mpl.rcParams['font.sans-serif'] = ['SimHei']   #显示中文
mpl.rcParams['axes.unicode_minus']=False       #显示负号
 
#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
a=0
while a<100:
    a+=1
    x=np.linspace(0,1,1024)
     
    #设置需要采样的信号，频率分量有200，400和600
    i=np.random.randint(10,size=3)
    fr=np.random.randint(512,size=3)
    
    y=i[0]*np.sin(2*np.pi*fr[0]*x) + i[1]*np.sin(2*np.pi*fr[1]*x) +i[2]*np.sin(2*np.pi*fr[2]*x)

    fft_y=fft(y)                          #快速傅里叶变换
     
    N=x.size
    x = np.arange(N)             # 频率个数
    half_x = x[range(int(N/2))]  #取一半区间
    time.sleep(1)  
    abs_y=np.abs(fft_y)                # 取复数的绝对值，即复数的模(双边频谱)
    angle_y=np.angle(fft_y)            #取复数的角度
    normalization_y=abs_y/N            #归一化处理（双边频谱）                              
    normalization_half_y = normalization_y[range(int(N/2))]      #由于对称性，只取一半区间（单边频谱）
    plt.clf()    #清除刷新前的图表，防止数据量过大消耗内存 
    plt.subplot(231)
    plt.plot(x,y)   
    plt.title('原始波形')
     
    plt.subplot(232)
    plt.plot(x,fft_y,'black')
    plt.title('双边振幅谱(未求振幅绝对值)',fontsize=9,color='black') 
     
    plt.subplot(233)
    plt.plot(x,abs_y,'r')
    plt.title('双边振幅谱(未归一化)',fontsize=9,color='red') 
     
    plt.subplot(234)
    plt.plot(x,angle_y,'violet')
    plt.title('双边相位谱(未归一化)',fontsize=9,color='violet')
     
    plt.subplot(235)
    plt.plot(x,normalization_y,'g')
    plt.title('双边振幅谱(归一化)',fontsize=9,color='green')
     
    plt.subplot(236)
    plt.plot(half_x,normalization_half_y,'blue')
    plt.title('单边振幅谱(归一化)',fontsize=9,color='blue')
    plt.pause(0.4)     #设置暂停时间，太快图表无法正常显示
    
plt.ioff()       # 关闭画图的窗口，即关闭交互模式
plt.show()
    

后面我还继续进行了高通和低通滤波功能，由于从传感器获得的是加速度信号，我还需要进行二次积分获得位移数据。