微网站建设方案书,vestacp配置wordpress,个人免费网站注册,免费网站制作平台下载FFT是DFT的高效算法#xff0c;能够将时域信号转化到频域上#xff0c;下面记录下一段用python实现的FFT代码。
# encodingutf-8
import numpy as np
import pylab as pl # 导入和matplotlib同时安装的作图库pylab
sampling_rate 8000 # 采样频率8000Hz
fft_size 512 # 采样…FFT是DFT的高效算法能够将时域信号转化到频域上下面记录下一段用python实现的FFT代码。
# encodingutf-8
import numpy as np
import pylab as pl # 导入和matplotlib同时安装的作图库pylab
sampling_rate 8000 # 采样频率8000Hz
fft_size 512 # 采样点512就是说以8000Hz的速度采512个点我们获得的数据只有这512个点的对应时刻和此时的信号值。
t np.linspace(0, 1, sampling_rate) # 截取一段时间截取是任意的这里取了0~1秒的一段时间。
x np.sin(2*np.pi*156.25*t) 2*np.sin(2*np.pi*234.375*t) # 输入信号序列人工生成了一段信号序列范围在0~1秒
xs x[:fft_size] # 由上所述我们只采样了512个点所以我们只获得了前512个点的数据
xf np.fft.rfft(xs)/fft_size # 调用np.fft的函数rfft(用于实值信号fft)产生长度为fft_size/21的一个复数向量分别表示从0Hz~4000Hz的部分这里之所以是4000Hz是因为Nyquist定理采样频率8000Hz则能恢复带宽为4000Hz的信号。最后/fft_size是为了正确显示波形能量
freqs np.linspace(0, sampling_rate//2, fft_size//2 1) # 由上可知我们得到了数据现在产生0~4000Hz的频率向量方便作图
xfp 20*np.log10(np.clip(np.abs(xf), 1e-20, 1e1000)) # 防止幅值为0先利用clip剪裁幅度再化成分贝
pl.figure(figsize(8, 4)) # 生成画布
pl.subplot(211) # 生成子图211的意思是将画布分成两行一列自己居上面。
pl.plot(t[:fft_size], xs) # 对真实波形绘图
pl.xlabel(utime(s))
pl.title(uThe Wave and Spectrum of 156.25Hz and 234.375Hz)
pl.subplot(212) # 同理
pl.plot(freqs, xfp) # 对频率和幅值作图xlabel是频率Hz,ylabel是dB
pl.xlabel(uHz)
pl.subplots_adjust(hspace0.4) # 调节绘图参数
pl.show()
代码进行了详细标注。有一个小细节是FFT对于取样时间有要求。N点FFT进行精确频谱分析的要求是N个取样点包含整数个取样对象的波形。因此N点FFT能够完美计算频谱对取样对象的要求是n*Fs/Nn*采样频率/FFT长度在本例中Fs 8000HzN512 base_freq15.625Hz 所以本例中给出了频率为156.25Hz(n10)和234.375Hz(n15)做例子。
效果如下以上就是本文的全部内容希望对大家的学习有所帮助也希望大家多多支持脚本之家。
