python傅里叶变换 信号处理 序列_Python 中 FFT 快速傅里叶分析

行文思路：

• 采样频率和采样定理
• 生成信号并做FFT 变换
• 频率分辨率和显示分辨率
• FFT 归一化操作
• 对噪声信号进行FFT
• 导入自定义模块
• 总结

一，相关定理介绍

1，采样频率

采样频率，也称为采样速度或者采样率，定义了每秒从连续信号中提取并组成离散信号的采样个数，它用赫兹（Hz）来表示。采样频率的倒数是采样周期或者叫作采样时间，它是采样之间的时间间隔。通俗的讲采样频率是指计算机每秒钟采集多少个信号样本。

2，采样定理

所谓采样定理 ，又称香农采样定理，奈奎斯特采样定理，是信息论，特别是通讯与信号处理学科中的一个重要基本结论。采样定理指出，如果信号是带限的，并且采样频率高于信号带宽的两倍，那么，原来的连续信号可以从采样样本中完全重建出来。

定理的具体表述为：在进行模拟/数字信号的转换过程中，当采样频率fs大于信号中最高频率fmax的2倍时,即 fs>2*fmax

Note：采样之后的数字信号完整地保留了原始信号中的信息，一般实际应用中保证采样频率为信号最高频率的2.56～4倍；采样定理又称奈奎斯特定理。

二，FFT 变换

numpy中有一个fft的库，scipy中也有一个fftpack的库，各自都有fft函数，两者的用法基本是一致的。下面内容是利用 scipy 库中的FFT 对信号进行快速傅里叶变化。

1，生成信号做FFT

import 

2，插值补零

进行FFT 运算，实际就一个关键的函数fft（），在进行变换之前先做小的处理。求出信号长度的下一个最近二次幂。类似于MATLAB 中的Nextpower2(), 为了更加精确快速的进行傅里叶变换。

L = len (data) # 信号长度
N =np.power(2,np.ceil(np.log2(L))) # 下一个最近二次幂

求 2 的下一个整数次幂，有更简单快速的方法。这里采用最为易懂的方式实现的。

3，fft() 参数说明

下面为fft（）函数的参数说明。比较重要的是关注下输入参数的类型为数组，其中第二个参数n 指的是做FFT 的点数，如果n 小于信号的长度，输入无效。当n大于信号长度时，超出的部分补零。

Note: 补零并没有提高信号实际的频率分辨率(df=Fs/N)，只是提高了显示分辨了（df=Fs/L）。要想提高实际分辨率可行的办法是:

1. 相同时间下提高采样率
2. 相同采样率下增长采样时间。

下面为完整的FFT 函数。

def FFT (Fs,data):
    L = len (data)                          # 信号长度
    N =np.power(2,np.ceil(np.log2(L)))      # 下一个最近二次幂
    FFT_y = (fft(y,N))/L*2                  # N点FFT，但除以实际信号长度 L
    Fre = np.arange(int(N/2))*Fs/N          # 频率坐标
    FFT_y = FFT_y[range(int(N/2))]          # 取一半
    return Fre, FFT_y

4，归一化操作

通常有N个点做FFT就有 N 个复数点与之对应，此时幅值是对复数取绝对值运算。除第一个点之外，实际的幅值是信号的实际长度L，再乘以2。所以一般对信号先做FFT 再取绝对值然后除以L乘以2。

Note: 第一个频率点我信号中的直流分量，对于交流信号来讲直流分量为0，FFT变换后第一个频点为0。

下面以一个例子说明归一化操作。

例如 A1 = 3, A2 =2, A3=5

y=3+2*np.sin(2*np.pi*f1*t)+5*np.sin(2*np.pi*f2*t).

例子中信号的长度为10e3个点。

归一化后图形如下，可以看到第一个峰值为原来的 L 倍

第二个峰为原来的 N/2

第三个峰为原来的N/2

第一个峰为直流分量，其余的峰为信号中包含的频率。

对信号归一化并乘以2 之后为：

信号中加入随机噪声

noise1 = np.random.random(10e3) 
# 0-1 之间的随机噪声
noise2 = np.random.normal(1,10,10e3)
#产生的是一个10e3的高斯噪声点数组集合（均值为：1，标准差：10）

当加入 0-1 之间的随机噪声时，可以看到频率0点的数值变大，说明噪声部分相当于直流分量。在加入高斯噪声后，其发现其均值可以理解为直流分量，改变均值的时候频率点0 发生相应变化。标准差表示了噪声之间的离散程度。

加入 0-1 之间随机噪声 频谱

加入 高斯噪声 均值为1，标准差为10 频谱

三，导入自定义模块

1，执行文件和包含模块的文件夹同一个目录下

FFT 模块文件夹中包含：

运行主函数 main.py，将定义的函数写在 __init__.py 中。

通过导入自定义函数：

import 

2， 导入的模块不在统一目录下

即执行文件在 main文件夹，模块文件在FFT文件夹，FFT 和 main 的父文件夹为 Python。

这时候需要通过导入sys 模块设定导入模块的路径

import 

这里导入路径写到模块的父文件夹即可。

总结：

FFT 变化是信号从时域变化到频域的桥梁，是信号处理的基本方法。本文讲述了利用Python SciPy 库中的fft() 函数进行傅里叶变化，其关键是注意信号输入的类型为np.array 数组类型，以及FFT 变化后归一化和取半操作，得到信号真实的幅度值。 注意如果FFT点数和实际信号长度不一样，则归一化时除以信号的实际长度而不是 FFT的点数。

完整代码：

import numpy as np
from scipy.fftpack import fft
import matplotlib.pyplot as plt
Fs =10e3      # 采样频率
f1 =390       # 信号频率1
f2 = 2e3      # 信号频率2
t=np.linspace(0,1,Fs)   # 生成 1s 的实践序列   
noise1 = np.random.random(10e3)      # 0-1 之间的随机噪声
noise2 = np.random.normal(1,10,10e3)
#产生的是一个10e3的高斯噪声点数组集合（均值为：1，标准差：10）
y=2*np.sin(2*np.pi*f1*t)+5*np.sin(2*np.pi*f2*t)+noise2

def FFT (Fs,data):
    L = len (data)                        # 信号长度
    N =np.power(2,np.ceil(np.log2(L)))    # 下一个最近二次幂
    FFT_y1 = np.abs(fft(data,N))/L*2      # N点FFT 变化,但处于信号长度
    Fre = np.arange(int(N/2))*Fs/N        # 频率坐标
    FFT_y1 = FFT_y1[range(int(N/2))]      # 取一半
    return Fre, FFT_y1

Fre, FFT_y1 = FFT(Fs,y)
plt.figure
plt.plot(Fre,FFT_y1)
plt.grid()
plt.show()

导入模块参考​blog.csdn.net