频域信号处理

最新推荐文章于 2022-03-23 22:07:43 发布

码农的世界，你不懂

最新推荐文章于 2022-03-23 22:07:43 发布

阅读量747

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/u010395024/article/details/103489020

版权

　　数据通过FFT转换成频域信号，对频域信号进行分析，再通过IFFT转换成时域信号。

[Python] 纯文本查看 复制代码

import numpy as np

import pylab as pl

import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['KaiTi']

mpl.rcParams['font.serif'] = ['KaiTi']

mpl.rcParams['axes.unicode_minus']=False

sampling_rate = 8000 #取样频率

fft_size = 512 #fft长度

t = np.arange(0, 1.0, 1.0/sampling_rate)

#假设取样频率为fs, 取波形中的N个数据进行FFT变换。那么这N点数据包含整数个周期的波形时，FFT所计算的结果是精确的。于是能精确计算的波形的周期是: n*fs/N。

#对于8kHz取样，512点FFT来说，8000/512.0 = 15.625Hz，前面的156.25Hz和234.375Hz正好是其10倍和15倍。

#选取整数倍的数据，查看当fft后的数据在频谱中形成整数周期时的情况。

x = np.sin(2*np.pi*156.25*t) + 2*np.sin(2*np.pi*234.375*t)

#选取非整数倍的数据，查看当fft后的数据在频谱中没有形成非整数周期时的情况。

x = np.sin(2*np.pi*200*t) + 2*np.sin(2*np.pi*300*t)

xs = x[:fft_size] #取数据

xf = np.fft.rfft(xs)/fft_size #rfft：对实数信号进行FFT变换。/fft_size是为了正确显示波形能量

freqs = np.linspace(0, sampling_rate/2, fft_size/2+1) #fft_size/2+1个点，后面的是与前面的共轭

#计算每个频率分量的幅值，并通过 20*np.log10() 将其转换为以db(分贝)为单位的值

xfp = 20*np.log10(np.clip(np.abs(xf), 1e-20, 1e100)) #clip将数据限制在最小值和最大值之间

pl.figure(figsize=(8,4)) #新建一个8*4英寸的图纸

pl.subplot(211) #绘制2行1列的图纸，这个图形占据第一行

pl.plot(t[:fft_size], xs)

关注