使用matlab画出一个时钟方波以及对应的频谱图

matlab是一个很强大是数学软件，可以帮助我们把各种构思与想法进行仿真，可视化处理；
本文将会使用matlab画出一个时钟方波，和对应的频谱图；
代码部分的注释非常详细，开始吧。

第一步，先来定义一些变量

Fclk=1;    				  %时钟频率为1Hz
Num_T=100;                %信号长度为Num_T个时钟周期

Fs=1000;                  %采样率为1000
L=(Fs/Fclk)*Num_T;        %采样总点数：1个时钟周期的采样点个数Fs/Fclk * 时钟周期的个数Num_T；
%注意采样点个数越多，fft精度越高，但是执行时间越长
T=1/Fs;                   %采样周期
t=(1:L)*T;                %时间长度=一个1~L的行向量*采样周期

第二步，产生时钟方波信号

SIG_CLK=rand(1,2*Num_T);   %生成一个名为SIG_CLK的随机数行向量，长度为2*Num_T（因为方波每个周期都会有两个状态1和0），范围在0~1之间
for i = 1:length(SIG_CLK)  %创建一个1~length(SIG_CLK)的行向量，并循环赋值给i
    if mod(i,2)            
        SIG_CLK(i)=1;      %如果i/2余数为1（即i为基数），将 SIG_CLK(i)赋值为1；
    else
        SIG_CLK(i)=0;      %如果i/2余数为0（即i为偶数），将 SIG_CLK(i)赋值为0；
    end
end                        %循环对SIG_CLK行向量进行赋值，最终SIG_CLK=[1 0 1 0 1 0 ...]

第三步，生成时钟信号采样序列

N=length(t);               %时间长度t的长度即为总采样点个数L，赋值为N
LEN_CLK=zeros(1,N);        %创建一个1行N列的矩阵（即包含N个元素的行向量），比全都赋值为0
for i=1:N                  %创建一个1~N的行向量，并循环赋值给i
        LEN_CLK(i)=SIG_CLK(ceil(i/((Fs/Fclk)/2)));   
                           %一个时钟周期中包含(Fs/Fclk)个采样周期，一个时钟周期的前一半包含((Fs/Fclk)/2))个采样周期，ceil为向上取整(i/((Fs/Fclk)/2))
                           %将采样序列每个周期中前半部分采样点都赋值为1，后半部分采样点都赋值为0；
end

第四步，生成时钟方波信号和对应的频谱图

figure;                   %创建新图形窗口
subplot(2,2,[1 2]);       %创建一个2行2列的子图网络，并且将1和2子图位置合成一个更大的网络
plot(t,LEN_CLK,'r');      %用于绘制二维图形，X轴上为时间长度行向量t，Y轴上为采样序列LEN_CLK，图像颜色为r（red，红色）
title('方波时钟信号');     %图像标题为'方波时钟信号'
set(gca,'XLim',[0 100]);  %X轴的数据显示范围,0-100
set(gca,'YLim',[0 1]);    %Y轴的数据显示范围,0-1
xlabel('时间/t');         %横坐标为时间/t
ylabel('幅度');           %纵坐标为幅度
         
subplot(2,2,[3 4]);      %创建一个2行2列的子图网络，并且将3和4子图位置合成一个更大的网络
X_LEN_CLK=abs(fft(LEN_CLK));   
                         %对方波时钟信号的采样序列 LEN_CLK先经行快速傅里叶变化（fft），在进行取模（abs），再赋值给X_LEN_CLK
semilogx(Fs*(0:(L/2))/L,X_LEN_CLK(1:L/2+1)*2/L);
                         %semilogx绘制图形，X轴为对数尺度，Y轴为线性尺度；
                         %Fs*(0:(L/2))/L————采样频率Fs * 一半频率索引(0:(L/2)) / 总采样个数 ———— 将X轴频率转化为0~1/2*Fs（Nyquist频率）的频率范围；
                         %X_LEN_CLK(1:L/2+1)*2/L————提取X_LEN_CLK的前L/2+1个元素（FFT结果的前半部分，表示正频率成分），*2/L对FFT结果进行归一化处理；
                        
% set(gca, 'XTickLabel' ,{'0.1','1','10','100','10K','100K'}); %x轴频率数据
title('时钟频谱');        %图像标题为'时钟频谱'
set(gca,'XLim',[0.5 1000]);%x轴的数据显示范围
set(gca,'YLim',[0.0001 0.7]);%y轴的数据显示范围
xlabel('f (Hz)');        %横坐标为f (Hz)
ylabel('幅度');          %纵坐标为幅度

第五步，将频率为1时的频谱经行展开处理

figure;
semilogx(Fs*(0:(L/2))/L,X_LEN_CLK(1:L/2+1)*2/L);
                         %semilogx绘制图形，X轴为对数尺度，Y轴为线性尺度；
                         %Fs*(0:(L/2))/L————采样频率Fs * 一半频率索引(0:(L/2)) / 总采样个数 ———— 将X轴频率转化为0~1/2*Fs（Nyquist频率）的频率范围；
                         %X_LEN_CLK(1:L/2+1)*2/L————提取X_LEN_CLK的前L/2+1个元素（FFT结果的前半部分，表示正频率成分），*2/L对FFT结果进行归一化处理；
title('展开频率为1时的频谱');
set(gca,'XLim',[0.95 1.05]);%x轴的数据显示范围
set(gca,'YLim',[0.0 0.7]);%y轴的数据显示范围
xlabel('f (Hz)');        %横坐标为f (Hz)
ylabel('幅度');          %纵坐标为幅度

仔细想想，其实上大学的时候，学校就有开设过这一堂课，但是当时的我并没有认识到这一工具的重要性；其实准确来说，不止这门课，上大学的时候我脑袋空空，只知道上课考试玩耍，对所有课程都没有属于自己的认识，也并不知道这些课程具体的用途，如何与实际进行联系，所以学起来也都是走马观花，看过而已；现在才开始后知后觉，把这些散落的知识都一一拾起来；

刚刚开始回忆起来，写的比较基础，感谢大家观看，不足之处还望指正。