💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
FFT(快速傅里叶变换)计算1维信号的功率谱密度(PSD)和单边幅度谱Y[f]。
1)计算1维信号y(t)的功率谱密度(P(f))、幅度谱(F(f))以及采样率为Fs(奈奎斯特率)的幅度谱,该采样率事先已知。结果分别绘制在三个图中,对应简单的功率谱密度(PSD)、对数功率谱密度(dB)和幅度谱。
幅度(f)= √PSD(f)
2)该函数的实用性在于调整频率轴。
3)使用Matlab内置函数fft计算快速傅里叶变换,但对于长度小于1000点的信号,可以使用嵌套函数y=Fast_Fourier_Transform(X, N)。
FFT(快速傅里叶变换)是一种计算效率高的算法,用于计算信号的频谱特性。在信号处理中,FFT通常用于计算信号的功率谱密度(PSD)和单边幅度谱Y[f]。
1)对于一个长度为N的信号y(t),可以通过FFT计算其功率谱密度(P(f))和幅度谱(F(f))。假设信号的采样率为Fs(奈奎斯特率),则FFT计算得到的幅度谱为在频率轴上均匀分布的N个频率点对应的幅度值。为了更直观地展示结果,通常将幅度谱绘制成图表形式,其中横轴表示频率,纵轴表示幅度值。可以绘制三个图表,分别展示简单的功率谱密度(PSD)、对数功率谱密度(以分贝dB为单位)和幅度谱。
其中,幅度(f)可以通过功率谱密度(PSD)计算得到,即幅度(f)= √PSD(f)。
2)FFT的另一个实用性在于其能够调整频率轴。通过FFT计算得到的频谱通常是对称的,其中正频率和负频率是成对出现的。但是在实际应用中,我们通常只关注正频率部分,因此可以通过FFT计算得到的频谱,仅保留正频率部分,从而调整频率轴。
3)在Matlab中,可以使用内置函数fft来计算快速傅里叶变换。对于长度小于1000点的信号,也可以使用自定义的嵌套函数Fast_Fourier_Transform(X, N)来进行计算,以提高计算效率。
综上所述,FFT在信号处理中具有广泛的应用,可以用于计算信号的频谱特性,并且在频谱分析和频率调整方面具有重要的实用性。
📚2 运行结果
部分代码:
% FFT[Y(t)]=============================================================
FY1=FFT(y1,Fs1);
% Figures setting=======================================================
pause(1.2)
set(figure(1),'Position',[1070 400 300 300])
set(figure(2),'Position',[745 400 300 300])
set(figure(3),'Position',[375 400 300 300])
set(figure(4),'Position',[25 400 300 300])
figure(5), plot3(t1,real(y1),imag(y1)), xlabel(' time (s)'),ylabel('mag Re[Y(t)] (v)'),
zlabel('mag(Imag[Y(t)]'), view(-63,30), grid on
t=strcat(' Y(t)=',num2str(Amp1),'*Exp(2* pi *',num2str(f1),'*t ) ',...
', Fs=',num2str(Fs1),'Hz');
title(t);
fprintf('\n\n\n\n\n\n\n\n Resluts for the signal Y(t)');
fprintf(' Type "return" to move to the second part\n\n');
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]马令坤,戴志美.基于信号功率谱密度分布的动态非均匀子带分解方法[J].计算机应用, 2014(9):4.DOI:CNKI:SUN:JSJY.0.2014-09-014.
[2]李颖,王振会,肖稳安,et al.基于FFT的大气电场频谱分析及雷暴预报研究[C]//"推进气象科技创新,提高防灾减灾和应对气候变化能力"——江苏省气象学会第七届学术交流会论文集.2011.
[3]谢胜,陈航,于平,等.基于平均幅度谱的高精度频率估计方法[J].新型工业化, 2011, 000(003):31-36.DOI:10.3969/j.issn.2095-6649.2011.03.005.