>>>>>>># 得到分解波的频率序列
freqs = fft.fftfreq(t.size, t[1] - t[0])
# 复数的模为信号的振幅(能量⼤⼩)
pows = np.abs(complex_array)
plt.subplot(313)
plt.title('FFT变换,频谱图')
plt.xlabel('Frequency 频率')
plt.ylabel('Power 功率')
plt.tick_params(labelsize=10)
plt.plot(freqs[freqs > 0], pows[freqs > 0], c='orangered', label='Frequency') plt.legend()
plt.tight_layout()
plt.show()
python代码实现
clear
clc
ADAMSGOLFclose all
Fs = 1000; % Sampling frequency
T = 1/Fs; % Sampling period
L = 1000; % Length of signal
t = (0:L-1)*T; % Time vector
S = 0.2-0.7*cos(2*pi*50*t+20/180*pi) + 0.2*cos(2*pi*100*t+70/180*pi) ; plot(1000*t(1:50),S(1:50))
title('叠加信号图')
xlabel('t (milliseconds)')
ylabel('S(t)')
figure
Y = fft(S);
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);
f = Fs*(0:(L/2))/L;
plot(f,P1,'linewidth',2)
title('FFT变换')
xlabel('频率(Hz)')
ylabel('幅值')
figure
pred_X=ifft(Y);
plot(1000*t(1:50),pred_X(1:50),'r-')
MATLAB实现
补充⼀些复数知识(很重要):
1、复数S的⼏种表⽰形式:
实部、虚部(直⾓坐标系):a+bj (a是实部,b是虚部)
幅值、相位(指数系):re^{j\theta } (r是幅值,\theta是相⾓,e^{j\theta }是相位)
极坐标表⽰法:r\angle \theta
指数系<-->指教坐标系:re^{j\theta }=r(cos\theta+jsin\theta)=rcos\theta+jrsin\theta
因此,我们可以通过以下⽅法得到:
实部:a=rcos\theta, real = np.real(S)
虚部:b=rsin\theta, imag= np.imag(S)
幅值:r=\sqrt{a^2+b^2}, magnitude = np.abs(S) 或 magnitude = np.sqrt(real**2+imag**2)
相⾓(以弧度为单位rad):\theta=tan^{-1}(\frac{b}{a})或\theta=atan2(b,a)。 angle = np.angle(D(F, T))
相⾓(以⾓度为单位deg):deg = rad*\frac{180}{\pi},\text{rad2deg}(\text{atan2}(b,a))。 deg = rad * 180/np.pi
相位: phase = np.exp(1j * np.angle(S))
基于傅⾥叶变换的频域滤波
从某条曲线中除去⼀些特定的频率成份,这在⼯程上称为“滤波”。
含噪信号是⾼能信号与低能噪声叠加的信号,可以通过傅⾥叶变换的频域滤波实现降噪。
通过FFT使含噪信号转换为含噪频谱,去除低能噪声,留下⾼能频谱后再通过IFFT留下⾼能信号。
案例:基于傅⾥叶变换的频域滤波为⾳频⽂件去除噪声()。
1、读取⾳频⽂件,获取⾳频⽂件基本信息:采样个数,采样周期,与每个采样的声⾳信号值。绘制⾳频时域的:时间/位移图像import numpy as np
import numpy.fft as nf
import scipy.io.wavfile as wf
import matplotlib.pyplot as plt
# 读取⾳频⽂件
sample_rate, noised_sigs = wf.read('./da_data/noised.wav')
print(sample_rate) # sample_rate:采样率44100
print(noised_sigs.shape) # noised_sigs:存储⾳频中每个采样点的采样位移(220500,)
times = np.arange(noised_sigs.size) / sample_rate
plt.figure('Filter')
plt.subplot(221)
plt.title('Time Domain', fontsize=16)
plt.ylabel('Signal', fontsize=12)
plt.tick_params(labelsize=10)
plt.plot(times[:178], noised_sigs[:178], c='orangered', label='Noised')
plt.legend()
2、基于傅⾥叶变换,获取⾳频频域信息,绘制⾳频频域的:频率/能量图像
# 傅⾥叶变换后,绘制频域图像
grid servicefreqs = nf.fftfreq(times.size, times[1] - times[0])
complex_array = nf.fft(noised_sigs)
pows = np.abs(complex_array)
plt.subplot(222)
plt.title('Frequency Domain', fontsize=16)
plt.ylabel('Power', fontsize=12)
plt.tick_params(labelsize=10)
# 指数增长坐标画图
plt.semilogy(freqs[freqs > 0], pows[freqs > 0], c='limegreen', label='Noised')
plt.legend()
3、将低频噪声去除后绘制⾳频频域的:频率/能量图像
# 寻能量最⼤的频率值
fund_freq = freqs[pows.argmax()]
# where函数寻那些需要抹掉的复数的索引
noised_indices = np.where(freqs != fund_freq)
# 复制⼀个复数数组的副本,避免污染原始数据
filter_complex_array = py()
filter_complex_array[noised_indices] = 0
filter_pows = np.abs(filter_complex_array)
plt.subplot(224)
plt.xlabel('Frequency', fontsize=12)
plt.ylabel('Power', fontsize=12)
plt.tick_params(labelsize=10)
plt.plot(freqs[freqs >= 0], filter_pows[freqs >= 0], c='dodgerblue', label='Filter')
plt.legend()
4、基于逆向傅⾥叶变换,⽣成新的⾳频信号,绘制⾳频时域的:时间/位移图像filter_sigs = nf.ifft(filter_complex_array).real
plt.subplot(223)
plt.xlabel('Time', fontsize=12)
plt.ylabel('Signal', fontsize=12)
plt.tick_params(labelsize=10)
plt.plot(times[:178], filter_sigs[:178], c='hotpink', label='Filter')
律师事务所从事证券法律业务管理办法
plt.legend()