本文已参与【新人创作礼】活动,一起开启创作之路。
如何 FFT(快速傅里叶变换) 求幅度、频率(超详细 含推导过程)
为知道这个答案查了很多资料,总结一下。
注:本文代码的头文件等如下
import numpy as np
from scipy.fftpack import fft
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文
mpl.rcParams['axes.unicode_minus'] = False # 显示负号
一. 打颗栗子
我们设
采样频率为Fs | 信号最高频率为F | 采样点数为N |
---|---|---|
并且有如下波形的一个信号。该信号由频率分量为0Hz
,200Hz
,400Hz
和600Hz
的四个标准正弦函数
组成。
对应完整代码
# 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,
# 所以这里设置采样频率为1400赫兹(即一秒内有1400个采样点)
N = 1400 # 设置1400个采样点
x = np.linspace(0, 1, N) # 将0到1平分成1400份
# 设置需要采样的信号,频率分量有0,200,400和600
y = 7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(
2 * np.pi * 400 * x) + 3 * np.sin(2 * np.pi * 600 * x) + 10 # 构造一个演示用的组合信号
plt.plot(x, y)
plt.title('原始波形')
plt.show()
可以看出,在这Python个例子中
采样频率Fs | 信号最高频率F | 采样点数N |
---|---|---|
1400Hz | 600Hz | 1400个 |
二. 求幅度
1. 快速傅里叶变换
在此基础上,我们进行快速傅里叶变换(FFT),得到N个复数
。每一个复数值包含着一个特定频率的信息
。根据这N个复数,可以知道拆分原始信号得到的各个频率和他们的幅度值。
对应代码
fft_y = fft(y) # 使用快速傅里叶变换,得到的fft_y是长度为N的复数数组
根据此数据,可以画出下面这个不是很规则的图。 (在求幅度这一节,我们先把精力集中在纵轴,横轴将在下一节求频率的时候讲解。)
对应完整代码如下
N = 1400 # 设置1400个采样点
x = np.linspace(0, 1, N) # 将0到1平分成1400份
y = 7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(
2 * np.pi * 400 * x) + 3 * np.sin(2 * np.pi * 600 * x) + 10 # 构造一个演示用的组合信号
fft_y = fft(y) # 使用快速傅里叶变换,得到的fft_y是长度为N的复数数组
x = np.arange(N) # 频率个数 (x的取值涉及到横轴的设置,这里暂时忽略,在第二节求频率时讲解)
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.show()
2. 求出复数的绝对值
用复数直接画出的图不是我们需要的。应先求出全部N个复数的绝对值(模长)
abs_y = np.abs(fft_y) # 取复数的绝对值,即复数的模
据此可画出下图
3. 归一化
上图中,左侧第一个竖线的纵坐标值,是 从原始信号中提取出来的0Hz
对应的信号强度(信号振幅),又称 直流分量
。它对应的信号振幅为 当前值/FFT的采样点数N
,即
0Hz对应振幅 = 当前值 / 采样算法设计与分析点数N
注:
- 本例中,直流分量对应振幅 = 14000 /python123平台登录 1400 = 10
- 当前值为根据当前复数求出的绝对值(模长),对应图中竖线的纵坐标最大值
直流分教程英文翻译量以外的分量所对应的信号振幅为 当前值/(采样点数N/2)
,即
其余频率对应的振幅 = 当前值 /(采样点数N / 2)
注:
- 本例中,200Hz对应振幅 = 5000 / (1400 / 2) ≈ 7.14(这里的5000是教程拼音对200Hz对应纵坐标的估计值,只是为了举例,不一定准确),其余频率对应振幅算法相同。
于是,在归一化后,我们得到下图
对应完整代教程之家码
N = 1400 # 设置1400个采样点
x = np.linspace(0, 1, N) # 将0到1平分成1400份
y = 7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(
2 * np.pi * 400 * x) + 3 * np.sin(2 * np.pi * 600 * x) + 10 # 构造一个演示用的组合信号
fft_y = fft(y) # 使用快速傅里叶变换,得到的fft_y是长度为N的复数数组
x = np.arange(N) # 频率个数(x的取值涉及到横轴的设置,这里暂时忽略,在第二节求频率时讲解)
abs_y = np.abs(fft_y) # 取复数的绝对值,即复数的模
normalization_y = abs_y / (N / 2) # 归一化处理(双边频谱)
normalization_y[0] /= 2
plt.plot(x, abs_y, 'r')
plt.title('双边振幅谱(归一化)', fontsize=9, color='red')
plt.show()
小结
直流分量(0Hz)振幅教程英文翻译 | 其余频率振幅 |
---|---|
fft得到的复数的绝对值 / N | fft得到的复数的绝对值 / (N / 2) |
三. 求频率
这里先放上一段文字,这段话较为形象的解释了求频率的方法。
举个例子,你有一个最高频率f = 32kHz的模拟信号,采样频率 64kHz,对这个信号做一个16个点的FFT分析,采样点教程画画下标 n 的范围是0, 1, 2, 3, …数组排序, 15。那么64kHz的模拟频率被分成了16份算法导论,每一份是4kHpython123平台登录z,这个4kHz被称为频率分辨率。 所以,频率图的横坐标中: n=1 对应的f是教程之家教学视频4kHz n=2python基础教程 对应的f是8kHz … n=15 对应的f是60kHz 而频谱是关于n=8对称的,只需关心n = 0 ~ 7的频谱就足够了。因为,原信号的教程英文翻译最高频率是32kHz。
(本段改编自参考资料1)
1. 频率公式
因此,在知道了采样频率Fs后,快速傅里叶变换教程魔方(FFT)后的第x个(x从0开始)复数教程英文翻译值对应的实际频率为
f(x) = x * (Fs / n)
于是,在这个例子中,
第0个点的频率 f(0) = 0 * (1400 / 1400) = 0 第1个点的频率 f(0) = 1 * (1400 / 1400) = 1 第2个点的频率 f(0) = 2 * (1400 / 1400) = 2 … 第200个点的频率 f(200) = 200 * (1400 / 1400) = 200 … 第1400个点的频率 f(200) = 1400 * (1400 / 1400) =算法的有穷性是指 1400
(这里由于设置得很巧合,第x个点对应的频率恰好就是x)
现在便知,x轴坐标值为何如此设定。
2. 删去重复值
而只有0 ~ N/2 这一半的频率是有效的,另一半与这一半对称。去重后,我们便得到下教程的意思图
对应完整代码:
N = 1400 # 设置1400个采样点
x = np.linspace(0, 1, N) # 将0到1平分成1400份
y = 7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(
2 * np.pi * 400 * x) + 3 * np.sin(2 * np.pi * 600 * x) + 10 # 构造一个演示用的组合信号
fft_y = fft(y) # 使用快速傅里叶变换,得到的fft_y是长度为N的复数数组
x = np.arange(N) # 频率个数(x的取值涉及到横轴的设置,这里暂时忽略,在第二节求频率时讲解)
half_x = x[range(int(N / 2))] # 取一半区间
abs_y = np.abs(fft_y) # 取复数的绝对值,即复数的模
normalization_y = abs_y / (N / 2) # 归一化处理(双边频谱)
normalization_y[0] /= 2
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.plot(half_x, normalization_half_y, 'blue')
plt.title('单边振幅谱(归一化)', fontsize=9, color='blue')
plt.show()
小结
FFT后得到的n个复数值中,第x个(x从0开始)复数值对应的频率f(x)为
f(x) = x * (Fs / n)
附录:完整代码
import numpy as np
from scipy.fftpack import fft
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
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,
# 所以这里设置采样频率为1400赫兹(即一秒内有1400个采样点,一样意思的)
N = 1400
x = np.linspace(0, 1, N)
# 设置需要采样的信号,频率分量有0,200,400和600
y = 7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(
2 * np.pi * 400 * x) + 3 * np.sin(2 * np.pi * 600 * x) + 10
fft_y = fft(y) # 快速傅里叶变换
x = np.arange(N) # 频率个数
half_x = x[range(int(N / 2))] # 取一半区间
angle_y = np.angle(fft_y) # 取复数的角度
abs_y = np.abs(fft_y) # 取复数的绝对值,即复数的模(双边频谱)
normalization_y = abs_y / (N / 2) # 归一化处理(双边频谱)
normalization_y[0] /= 2 # 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.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.show()
附录:原理解释 & 推导过程
深入浅出的原理解释视频请见:快速傅教程里叶变换(FFT)——有史以来最python可以做什么工作巧妙的算法□
硬核直接的公式推导推荐数组和链表的区别这篇文章:傅里叶变换中,圆频率w与频率f之间的公式转化
参考资料:
- 数字信号处理中的归一化频率
- 使用python(scipy和numpy)实现快速傅里叶变换(FFT)最详细教程
- FFT后得到复数,如何根据这个复数求频率?
- FFT之频率与幅值的确定
- 傅里叶变换中,圆频率w与频率f之间的公式转化
- 快速傅里叶变换(FFT)——有史以来最巧妙的算法 – 知乎