使用python实现离散时间傅里叶变换的方法

使用使用python实现离散时间傅里叶变换的方法实现离散时间傅里叶变换的方法

主要介绍了使用python实现离散时间傅里叶变换的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具

有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

我们经常使用傅里叶变换来计算数字信号的频谱，进而分析数字信号，离散时间傅里叶变换的公式为：

可是自己动手实现一遍才是最好的学习。

在数字分析里面，傅里叶变换默认等时间间隔采样，不需要时间序列，只需要信号数组即可分析。

分析过程如下：

对于含有 n 个样本值的数字信号序列，根据奈奎斯特采样定律，包含的周期数最大为 n/2,周期数为 0 代表直流分量。所以，当周

周期的样本波形序列相乘，得到 n 个乘积，将 n 个乘积相加，放入 f[2] 中。依次重复。

对于 0 倍周期，即直流分量来说，可以认为产生的是 0 倍周期的样本波形，重复操作，放入 f[0] 即可。

这样就得到了数字信号序列的傅里叶变换

使用方法：使用方法：

从以上过程得到数字序列的傅里叶变换之后，如果想要得到真正频谱，还需要做处理：

计算出的每一个频率下的幅值需要除以时间序列的长度，类似求平均的过程

每一个频率下的幅值是一个复数，需要对它求模，而且因为在负频率处也有值，所以需要对于实信号需要乘 2

频率的序列为 0 到采样率的一半，长度为 n/2+1

完整程序：

# 离散时间傅里叶变换的 python 实现

t1=np.arange(0, 10.0, 1.0/sampling_rate)

x1 =np.sin(15*np.pi*t1)

# 傅里叶变换

def fft1(xx):

# t=np.arange(0, s)

t=np.linspace(0, 1.0, len(xx))

f = np.arange(len(xx)/2+1, dtype=complex)

for index in range(len(f)):

f[index]=complex(np.sum(np.cos(2*np.pi*index*t)*xx), -np.sum(np.sin(2*np.pi*index*t)*xx))

return f

plt.ylabel("Amplitude($m$)")

plt.title("Amplitude-Frequency curve")

plt.show()