实验四 离散傅立叶变换的应用
目录
- 一、实验目的
- 二、实验原理
- 三、示例演示--- fft 在信号分析中的应用
- 四、实验内容
- 更多相关文章点这里哦
一、实验目的
1.进一步加深DFT算法的原理和基本性质的理解；
2.学习用FFT对信号进行谱分析的方法，并分析其误差及其原因；
二、实验原理
1．N点序列的DFT和IDFT变换定义式如下：
利用旋转因子具有周期性，可以得到快速算法（FFT）。
在MATLAB中，可以用函数
X=fft(x) %计算N点的DFT，N为序列x[k]的长度，即N=length（x）；
X=fft（x，N）%计算序列x[k]的N点DFT；
x=ifft（X） %计算N点的IDFT，N为序列x[m]的长度；
x=ifft（X，N）%计算序列x[m]的N点IDFT；
三、示例演示— fft 在信号分析中的应用
【例4.1】有一个信号，其中，使用DFT频谱分析方法从受噪声污染的信号x(t)中鉴别出有用的信号。
clear all
fs=1000;
f1=100;
dt=1/fs;
t=0:dt:1; %采样周期为0.001s，即采样频率为1000Hz；
N=length(t);
x=sin(2*pi*f1*t)+0.8*randn(1,N); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=1024;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
图1 输入信号的时域频域波形图
四、实验内容
1.假设现含有3种频率成分，，，，，，利用DFT分析的频谱。
（1）对抽样后加矩形窗截断（窗函数的长度为128），然后对其做128点的DFT并画出对应的频谱图，再对截短信号做512的DFT并画出对应的频谱图，分析其特点，总结实验中的主要结论。
clear all
fs=100;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=128;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=128;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
clear all
fs=100;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=128;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=512;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
（2）若对抽样后加矩形窗截断（窗函数的长度为512），然后对其做512的DFT并画出对应的频谱图，对比（1）的结果，分析其结论。
clear all
fs=100;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=512;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=512;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
(3)如果增大抽样频率，重做（1）和（2），对比上面的结果，分析你的结论。
clear all
fs=1000;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=128;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=128;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
clear all
fs=1000;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=128;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=512;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
clear all
fs=1000;
f1=20;
f2=20.5;
f3=40;
dt=1/fs;
N=2048;
t=0:dt:(N-1)*dt; %采样周期为0.001s，即采样频率为1000Hz；
x=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t); %产生受噪声污染的正弦波信号；
subplot(3,1,1)
plot(t,x); %画出时域信号；
axis([0 0.3,-4 4]);
xlabel('(a)输入信号的时域波形');
L=512;
X=fft(x,L); %对x的L点傅里叶变换；
f=(0:L-1)*fs/L;
subplot(3,1,2)
plot(f,abs(X));
xlabel('(b)输入信号的抽样后的DFT');
X1=fftshift(X); %对抽样频谱点的值重新排列；
f1=(-L/2:L/2-1)*fs/L; %设置频率轴坐标；
subplot(3,1,3)
%plot(f1,X1); %画出频域信号；
plot(f1,abs(X1));
xlabel('(c)输入信号的频谱'); %画出频域信号；
更多相关文章点这里哦
数字信号处理----全套Matlab实验报告
通信工程(信息类，电子类，电气工程，自动化，计算机，软件工程，机电，等相关专业)全套学习指导
答疑资料qq群:1007576722
实验四 离散傅立叶变换的应用相关推荐
- 傅立叶变换系列（四）离散傅立叶变换
说明: 傅里叶级数.傅里叶变换.离散傅里叶变换.短时傅里叶变换...这些理解和应用都非常难,网上的文章有两个极端:"Esay" Or "Boring"!如果 ...
- 理解离散傅立叶变换（四. 复数形式离散傅立叶变换）
原文链接 https://blog.csdn.net/dznlong/article/details/2280867 理解离散傅立叶变换(四) ------复数形式离散傅立叶变换 复数形式的离散傅立叶 ...
- 理解离散傅立叶变换（一）——傅立叶变换的由来
理解离散傅立叶变换(一) --傅立叶变换的由来 关于傅立叶变换,无论是书本还是在网上可以很容易找到关于傅立叶变换的描述,但是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生畏的公式的罗列,让 ...
- OpenCV 【十七】离散傅立叶变换
目录 1 key 2 原理 3 实例 3代码 4运行结果 5应用举例 1 key 什么是傅立叶变换及其应用? 如何使用OpenCV提供的傅立叶变换? 相关函数的使用,如: copyMakeBorder ...
- 理解离散傅立叶变换（一）
理解离散傅立叶变换(一) ------傅立叶变换的由来 关于傅立叶变换,无论是书本还是在网上可以很容易找到关于傅立叶变换的描述,但是大都是些故弄玄虚的 文章,太过抽象,尽是一些让人看了就望而生畏的公式 ...
- OpenCV之core 模块. 核心功能（2）基本绘图 随机数发生器绘制文字 离散傅立叶变换 输入输出XML和YAML文件 与 OpenCV 1 同时使用
基本绘图 目的 本节你将学到: 如何用 Point 在图像中定义 2D 点 如何以及为何使用 Scalar 用OpenCV的函数 line 绘 直线 用OpenCV的函数 ellipse 绘 椭圆 用 ...
- 理解离散傅立叶变换（三.复数）
理解离散傅立叶变换(三) ------复数形式离散傅立叶变换 复数形式的离散傅立叶变换非常巧妙地运用了复数的方法,使得傅立叶变换变换更加自然和简洁,它并不是只是简单地运用替换的方法来运用复数,而是完全 ...
- 理解离散傅立叶变换（一. 傅立叶变换的由来）
理解离散傅立叶变换(一) ------傅立叶变换的由来 关于傅立叶变换,不管是书本还是在网上可以非常easy找到关于傅立叶变换的描写叙述,可是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生 ...
- 离散傅立叶变换与逆变换
一.怎样为一副图像增加一个通道 Mat A=(Mat_<double>(3,3)<<1,2,3,4,5,6,7,8,9);Mat B=Mat::zeros(A.size(),A ...
最新文章
- Navicat导出表结构导出成Excel
- Ubuntu（Linux）上安装ROS缓慢，解决方法：添加ros的国内镜像源，以及ROS安装过程使用rosdep update出现错误:‘The read operation timed out‘
- ChineseGLUE（CLUE）：针对中文自然语言理解任务的基准平台
- 限制 TEdit 只能接收 数字 输入...
- VS2010测试工具对应LoadTest2010创建sql
- linux培训课程第十三天：ppt以及笔记
- java .class文件和.class文件区别是什么？
- 阶段3 2.Spring_10.Spring中事务控制_5 spring事务控制的代码准备
- 人脸识别测试图片_人脸识别或将到达瓶颈，有监督的聚类算法探索新思路
- 前沿重器[22] | 聊聊对话系统：技术架构
- 扩展欧几里得算法推导
- ABB伺服驱动调试（二）
- python怎么输入正整数_python判断所输入的任意一个正整数是否为素数的两种方法...
- HBuilder 第一个app项目
- 小米路由器3 SCUT校园网刷scut-padavan固件方法
- [sdx62]使用diff工具给开源软件包dnsmasq打patch操作方法
- 躁！DJ 风格 Java 桌面音乐播放器
- QT OpenGL图形放大缩小旋转移动
- JAVA基础学习入门
- 拼多多用户数超越淘宝，电商市场正变成腾讯与阿里的对决