用FFT对信号作频谱分析 实验报告
实验二用FFT对信号进行频谱分析
实验二用FFT对信号进行频谱分析简介：频谱分析是信号处理中常用的一种方法，通过将信号变换到频域，可以得到信号的频谱特征。
其中，快速傅里叶变换（FFT）是一种高效的计算频域的方法。
在这个实验中，我们将学习如何使用FFT对信号进行频谱分析。
实验步骤：1.准备工作：a. 安装MATLAB或者Octave等软件，并了解如何运行这些软件。
2.载入信号：a. 在MATLAB或Octave中，使用内置函数加载信号文件，将信号读入到内存中。
b.查看信号的基本信息，例如采样频率、时长等。
3.FFT变换：a. 使用MATLAB或Octave的fft函数将信号由时域变换到频域。
b.设置合适的参数，例如变换的点数、窗口函数等。
可以尝试不同的参数，观察其对结果的影响。
4.频谱绘制：a. 使用MATLAB或Octave的plot函数将变换后的频率数据进行绘制。
b.可以绘制幅度谱（频率的能量分布）或相位谱（频率的相位分布），也可以同时绘制两个谱。
5.频谱分析：a.根据绘制出的频谱，可以观察信号的频率特征。
例如，可以识别出信号中的主要频率分量。
b.可以进一步计算信号的能量、均值、方差等统计量，了解信号的功率特征。
c.可以对不同的信号进行对比分析，了解它们在频域上的差异。
实验结果和讨论：1.绘制出的频谱图可以清晰地显示信号的频率分量，可以识别出信号中的主要频率。
2.通过对不同信号的对比分析，可以发现它们在频域上的差异，例如不同乐器的音调特征。
3.可以进一步分析频谱的统计特征，例如信号的能量、平均幅度、峰值频率等。
4.在进行FFT变换时，参数的选择对结果有一定的影响，可以进行参数的调优，获得更准确的频谱分析结果。
结论：本实验通过使用FFT对信号进行频谱分析，可以获得信号在频域上的特征。
通过观察频谱图和统计特征，可以进一步了解信号的频率分布、能量特征等信息。
这对信号处理、音频分析等领域具有很大的应用价值。
在实际应用中，可以根据不同的需求，选择合适的参数和方法，对不同的信号进行频谱分析。
用FFT对信号做频谱分析
用FFT对信号做频谱分析傅里叶变换（Fourier Transform）是一种将信号从时域转换到频域的数学方法，可用于信号的频谱分析。
通过傅里叶变换，我们可以将时域上的信号转换为频域上的频谱，帮助我们理解信号的频率组成以及各个频率分量的强弱。
频谱分析是对信号进行频率分析的过程，是了解信号在频域上的特性和频率成分的一种方法。
通过频谱分析，我们可以获得信号的频率分布情况，帮助我们了解信号的频率成分、频率峰值等信息。
在进行频谱分析时，常用的方法之一是采用快速傅里叶变换（FFT）。
FFT是一种高效的算法，能够快速计算离散傅里叶变换（DiscreteFourier Transform）。
下面将详细介绍FFT在频谱分析中的应用。
首先，我们需要将待分析的信号转换为数字信号，并对其进行采样，得到一个离散的信号序列。
然后，使用FFT算法对这个离散信号序列进行傅里叶变换，得到信号的频谱。
在进行FFT之前，需要进行一些预处理工作。
首先，需要将信号进行加窗处理，以减少泄露效应。
加窗可以选择矩形窗、汉宁窗、汉明窗等，不同的窗函数对应不同的性能和应用场景。
其次，需要对信号进行零填充，即在信号序列末尾添加零值，以增加频谱的分辨率。
零填充可以提高频谱的平滑度，使得频域上的分辨率更高。
接下来，我们使用FFT算法对经过加窗和零填充的信号序列进行傅里叶变换。
FFT算法将离散信号变换为离散频谱，得到信号的频率成分和强度。
FFT结果通常呈现为频率和振幅的二维图像，横轴表示频率，纵轴表示振幅。
通过观察频谱图像，我们可以得到一些关于信号的重要信息。
首先，我们可以观察到信号的频率成分，即信号在不同频率上的分布情况。
在频谱图像中，高峰表示信号在该频率上强度较高，低峰表示信号在该频率上强度较低。
其次，我们可以通过峰值的位置和强度来分析信号的主要频率和频率成分。
频谱图像上的峰值位置对应着信号的主要频率，峰值的高度对应着信号在该频率上的强度。
最后，我们还可以通过观察频谱图像的整体分布情况，来获取信号的频率范围和频率分布的特点。
实验二FFT实现信号频谱分析
0
2
4
6
4
2
0
-2
-4
-6
-4
-20246四、试验环节
4. 试验内容2旳程序运营成果如下图所示：
60
30
40
20
20
10
0
0
-10 -5
0
5
10
-40 -20
0
20 40
30
80
60 20
40 10
20
0
-40 -20
0
20 40
0
-40 -20
0
20 40
四、试验环节
|X(k)| x(n)
5. 试验内容 3旳程序运营成果如下图所示：
fft 计算迅速离散傅立叶变换
fftshift
ifft
调整fft函数旳输出顺序，将零频 位置移到频谱旳中心
计算离散傅立叶反变换
fft函数：调用方式如下
y=fft(x)：计算信号x旳迅速傅立叶变换y。当x旳长度为 2旳幂时，用基2算法，不然采用较慢旳分裂基算法。
y=fft(x,n)：计算n点FFT。当length(x)>n时，截断x，不 然补零。
【例2-11】产生一种正弦信号频率为60Hz，并用fft函数 计算并绘出其幅度谱。
fftshift函数：调用方式如下 y=fftshift(x)：假如x为向量，fftshift(x)直接将x旳左右两 部分互换；假如x为矩阵（多通道信号），将x旳左上、右 下和右上、左下四个部分两两互换。 【例2-12】产生一种正弦信号频率为60Hz,采样率为1000Hz, 用fftshift将其零频位置搬到频谱中心。
以上就是按时间抽取旳迅速傅立叶变换
用FFT对信号作频谱分析
用FFT对信号作频谱分析快速傅立叶变换（FFT）是一种在信号处理中常用于频谱分析的方法。
它是傅立叶变换的一种快速算法，通过将信号从时间域转换到频域，可以提取信号的频率信息。
FFT算法的原理是将信号分解为不同频率的正弦波成分，并计算每个频率成分的幅度和相位。
具体而言，FFT将信号划分为一系列时间窗口，每个窗口内的信号被认为是一个周期性信号，然后对每个窗口内的信号进行傅立叶变换。
使用FFT进行频谱分析可以得到信号的频率分布情况。
频谱可以显示信号中各个频率成分的强度。
通过分析频谱可以识别信号中的主要频率成分，判断信号中是否存在特定频率的干扰或噪声。
常见的应用包括音频信号处理、图像处理、通信系统中的滤波和解调等。
使用FFT进行频谱分析的步骤如下：1.首先，获取待分析的信号，并确保信号是离散的，即采样频率与信号中的最高频率成分满足奈奎斯特采样定理。
2.对信号进行预处理，包括去除直流分量和任何不需要的干扰信号。
3.对信号进行分段，分段后的每个窗口长度在FFT算法中通常为2的幂次方。
常见的窗口函数包括矩形窗、汉明窗等。
4.对每个窗口内的信号应用FFT算法，将信号从时间域转换到频域，并计算每个频率成分的幅度和相位。
5.对所有窗口得到的频谱进行平均处理，以得到最终的频谱分布。
在使用FFT进行频谱分析时需要注意的问题有：1.噪声的影响：FFT对噪声敏感，噪声会引入幅度偏差和频率漂移。
可以通过加窗等方法来减小噪声的影响。
2.分辨率的选择：分辨率是指在频谱中能够分辨的最小频率间隔。
分辨率与信号长度和采样频率有关，需要根据需求进行选择。
3.漏泄效应：当信号中的频率不是FFT长度的整数倍时，会出现漏泄效应。
可以通过零填充等方法来减小漏泄效应。
4.能量泄露：FFT将信号限定在一个周期内进行计算，如果信号过长，则可能导致部分频率成分的能量泄露到其他频率上。
总之，FFT作为信号处理中常用的频谱分析方法，能够提取信号中的频率信息，广泛应用于多个领域。
应用FFT实现信号频谱分析
应用FFT实现信号频谱分析一、快速傅里叶变换（FFT）原理快速傅里叶变换是一种将时域信号转换为频域信号的算法，它通过将信号分解为不同频率的正弦波的和，来实现频谱分析。
FFT算法是一种高效的计算DFT（离散傅里叶变换）的方法，它的时间复杂度为O(nlogn)，在实际应用中得到广泛使用。
二、FFT算法FFT算法中最基本的思想是将DFT进行分解，将一个长度为N的信号分解成长度为N/2的两个互为逆序的子信号，然后对这两个子信号再进行类似的分解，直到分解成长度为1的信号。
在这一过程中，可以通过频谱折叠的性质，减少计算的复杂度，从而提高计算效率。
三、FFT实现在实际应用中，可以使用Matlab等软件来实现FFT算法。
以Matlab 为例，实现FFT可以分为以下几个步骤：1.读取信号并进行预处理，如去除直流分量、归一化等。
2. 对信号进行FFT变换，可以调用Matlab中的fft函数，得到频域信号。
3.计算频谱，可以通过对频域信号进行幅度谱计算，即取频域信号的模值。
4.可选地，可以对频谱进行平滑处理，以降低噪音干扰。
5.可选地，可以对频谱进行归一化处理，以便于分析和比较不同信号的频谱特性。
四、应用1.音频处理：通过分析音频信号的频谱，可以实现音频特性的提取，如频率、振幅、共振等。
2.图像处理：通过分析图像信号的频谱，可以实现图像特征的提取，如纹理、边缘等。
3.通信系统：通过分析信号的频谱，可以实现信号的调制解调、频谱分配等功能。
4.电力系统：通过分析电力信号的频谱，可以实现电力质量分析、故障检测等。
总结：应用FFT实现信号频谱分析是一种高效的信号处理方法，通过将时域信号转换为频域信号，可以实现对信号频谱特性的提取和分析。
在实际应用中，我们可以利用FFT算法和相应的软件工具，对信号进行频谱分析，以便于进一步的研究和应用。
实验四 用 FFT 对信号作频谱分析
实验四程序代码及实验结果图： （1）对以下序列进行谱分析。
⎪⎩⎪⎨⎧≤≤-≤≤-=⎪⎩⎪⎨⎧≤≤-≤≤+==其它nn n n n n x 其它n n n n n n x n R n x ,074,330,4)(,074,830,1)()()(3241选择FFT 的变换区间N 为8和16 两种情况进行频谱分析。
分别打印其幅频特性曲线。
并进行对比、分析和讨论。
实验程序代码及结果如下：%------------产生激励序列------------% x1n = ones(1,4); %产生序列向量x1(n)=R4(n) M=8;xa=1:(M/2); xb=(M/2):-1:1;x2n=[xa,xb]; %产生长度为8的三角波序列x2(n) x3n=[xb,xa]; %产生长度为8的倒三角波序列x3(n)n1 = 0:length(x1n)-1; %分别求出序列长度 n2 = 0:M-1; n3 = 0:M-1;n8k= 0:2/8:2-2/8; %产生数字归一化频率 n16k= 0:2/16:2-2/16; n32k= 0:2/32:2-2/32;%------------fft 做频谱分析------------% X1k8=fft(x1n,8); %x1n 的8点DFT X1k16=fft(x1n,16); %x1n 的16点DFT X1k32=fft(x1n,32); %x1n 的32点DFTX2k8=fft(x2n,8); %x2n 的8点DFT X2k16=fft(x2n,16); %x2n 的16点DFT X2k32=fft(x2n,32); %x2n 的32点DFTX3k8=fft(x3n,8); %x3n 的8点DFT X3k16=fft(x3n,16); %x3n 的16点DFT X3k32=fft(x3n,32); %x3n 的32点DFT%------------绘制x1n 的8/16/32点DFT------------% subplot(3,4,1);stem(n1,x1n); %绘制时域采样波形图title('x1(n)的时域波形图'); %标题xlabel('n'); %横坐标名称ylabel('时域幅度值'); %纵坐标名称subplot(3,4,2);stem(n8k,abs(X1k8)); %绘制8点DFT的幅频特性图title('x1(n)的8点DFT]'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,3);stem(n16k,abs(X1k16)); %绘制16点DFT的幅频特性图title('x1(n)的16点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,4);stem(n32k,abs(X1k32)); %绘制32点DFT的幅频特性图title('x1(n)的32点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称%------------绘制x2n的8/16/32点DFT------------%subplot(3,4,5);stem(n2,x2n); %绘制时域采样波形图title('x2(n)的时域波形图'); %标题xlabel('n'); %横坐标名称ylabel('时域幅度值'); %纵坐标名称subplot(3,4,6);stem(n8k,abs(X2k8)); %绘制8点DFT的幅频特性图title('x2(n)的8点DFT]'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,7);stem(n16k,abs(X2k16)); %绘制16点DFT的幅频特性图title('x2(n)的16点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,8);stem(n32k,abs(X2k32)); %绘制32点DFT的幅频特性图title('x2(n)的32点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称%------------绘制x3n的8/16/32点DFT------------%subplot(3,4,9);stem(n3,x3n); %绘制时域采样波形图title('x3(n)的时域波形图'); %标题xlabel('n'); %横坐标名称ylabel('时域幅度值'); %纵坐标名称subplot(3,4,10);stem(n8k,abs(X3k8)); %绘制8点DFT的幅频特性图title('x3(n)的8点DFT]'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,11);stem(n16k,abs(X3k16)); %绘制16点DFT的幅频特性图title('x3(n)的16点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称subplot(3,4,12);stem(n32k,abs(X3k32)); %绘制32点DFT的幅频特性图title('x3(n)的32点DFT'); %标题xlabel('ω/π');%横坐标名称ylabel('幅度'); %纵坐标名称2、对以下周期序列进行谱分析。
FFT算法分析实验实验报告
FFT算法分析实验实验报告一、实验目的快速傅里叶变换（Fast Fourier Transform，FFT）是数字信号处理中一种非常重要的算法。
本次实验的目的在于深入理解 FFT 算法的基本原理、性能特点，并通过实际编程实现和实验数据分析，掌握 FFT 算法在频谱分析中的应用。
二、实验原理FFT 算法是离散傅里叶变换（Discrete Fourier Transform，DFT）的快速计算方法。
DFT 的定义为：对于长度为 N 的序列 x(n)，其 DFT 为X(k) ＝∑n=0 到 N-1 x(n) e^（j 2π k n ／ N) ，其中 j 为虚数单位。
FFT 算法基于分治法的思想，将 N 点 DFT 分解为多个较小规模的DFT，从而大大减少了计算量。
常见的 FFT 算法有基 2 算法、基 4 算法等。
三、实验环境本次实验使用的编程语言为 Python，主要依赖 numpy 库来实现 FFT 计算和相关的数据处理。
四、实验步骤1、生成测试信号首先，生成一个包含不同频率成分的正弦波叠加信号，例如100Hz、200Hz 和 300Hz 的正弦波。
设定采样频率为 1000Hz，采样时间为 1 秒，以获取足够的采样点进行分析。
2、进行 FFT 计算使用 numpy 库中的 fft 函数对生成的测试信号进行 FFT 变换。
3、频谱分析计算 FFT 结果的幅度谱和相位谱。
通过幅度谱确定信号中各个频率成分的强度。
4、误差分析与理论上的频率成分进行对比，计算误差。
五、实验结果与分析1、幅度谱分析观察到在 100Hz、200Hz 和 300Hz 附近出现明显的峰值，对应于生成信号中的频率成分。
峰值的大小反映了相应频率成分的强度。
2、相位谱分析相位谱显示了各个频率成分的相位信息。
3、误差分析计算得到的频率与理论值相比，存在一定的误差，但在可接受范围内。
误差主要来源于采样过程中的量化误差以及 FFT 算法本身的近似处理。
利用FFT对信号进行频谱分析
∑-=--==101,....,0,)(1)(N k nk N N n W k X N n x (3.2) 离散傅立叶反变换与正变换的区别在于N W 变为1-N W ，并多了一个N 1的运算。
因为N W 和1-N W 对于推导按时间抽取的快速傅立叶变换算法并无实质性区别，因此可将FFT 和快速傅立叶反变换（IFFT ）算法合并在同一个程序中。
2．利用FFT 进行频谱分析若信号本身是有限长的序列，计算序列的频谱就是直接对序列进行FFT 运算求得)(k X ，)(k X 就代表了序列在[]π2,0之间的频谱值。
幅度谱 )()()(22k X k X k X I R +=相位谱 )()(arctan )(k X k X k R I =ϕ 若信号是模拟信号，用FFT 进行谱分析时，首先必须对信号进行采样，使之变成离散信号，然后就可按照前面的方法用FFT 来对连续信号进行谱分析。
按采样定理，采样频率s f 应大于2倍信号的最高频率，为了满足采样定理，一般在采样之前要设置一个抗混叠低通滤波器。
用FFT 对模拟信号进行谱分析的方框图如下所示。
3.在运用DFT 进行频谱分析的过程中可能产生三种误差：(1)混叠序列的频谱是被采样信号频谱的周期延拓，当采样速率不满足Nyquist 定理时，就会发生频谱混叠，使得采样后的信号序列频谱不能真实的反映原信号的频谱。
避免混叠现象的唯一方法是保证采样速率足够高，使频谱混叠现象不致出现，即在确定采样频率之前，必须对频谱的性质有所了解。
在一般情况下，为了保证不出现频谱混叠，在采样前，先进行抗混叠滤波。
(2)泄漏实际中我们往往用截短的序列来近似很长的甚至是无限长的序列，这样可以使用较短的DFT 来对信号进行频谱分析，这种截短等价于给原信号序列乘以一个矩形窗函数，也相当于在频域将信号的频谱和矩形窗函数的频谱卷积，所得的频谱是原序列频谱的扩展。
抗混叠低通滤波器 采样T=1/f s N 点FFT泄漏不能与混叠完全分开，因为泄漏导致频谱的扩展，从而造成混叠。
用FFT对信号作频谱分析
实验二用FFT对信号作频谱分析一、实验目的（1）学习使用FFT对模拟信号和时域离散信号进行频谱分析的方法（2）了解可能出现的分析误差及其原因，以便正确应用FFT二、实验内容：（1）根据参考资料使用FFT进行谐波分析；利用函数生成一组数据，用以模拟电力现场的测量数据，使用FFT对其进行频谱分析；程序：clearfs=1000;t=0:1/fs:0.6;f1=100;f2=300;x1=sin(2*pi*f1*t); %正弦信号x1x2=sin(2*pi*f2*t); %正弦信号x2x=x1+x2;l=length(x);xx=x+randn(1,l); %叠加随机噪声信号figure(1)subplot(7,1,1)plot(x1);subplot(7,1,2)plot(x2);subplot(7,1,3)plot(x);subplot(7,1,4)plot(xx);number=512;y=fft(x,number); %对x取512点的快速傅里叶变换n=0:length(y)-1;f=fs*n/length(y);subplot(7,1,5)plot(f,abs(y));yy=fft(xx,number); %对xx取512点的快速傅里叶变换subplot(7,1,6)plot(f,abs(yy));pyy=y.*conj(y)/number; %y的能量subplot(7,1,7)plot(f,abs(pyy));实验结果见附图1（2）使用操作系统自带的录音机，录制各种声音，保存成.wav文件；将该声音文件读入（采样保存到）某矩阵中，对该采样信号使用FFT进行频谱分析，比较各种语音信号所包含的频谱成分及频率范围。
程序：number=512;fs=1000;x=wavread('你自己的音频名，如a.wav');%读取音频文件y=fft(x,number); %对x取512点的傅里叶变换n=0:length(y)-1;f=fs*n/length(y);subplot(2,1,1)plot(f,abs(y));pyy=y.*conj(y)/number; %y的能量subplot(2,1,2)plot(f,abs(pyy));实验结果见附图2三、实验结论由实验结果可以看出，实验得到了FFT对模拟信号和时域离散信号进行频谱分析的结果。
实验三用FFT对信号作频谱分析_实验报告
实验三用FFT对信号作频谱分析_实验报告一、实验目的1.学习使用FFT（快速傅里叶变换）对信号进行频谱分析；2.掌握频谱分析的基本原理和方法；3.熟悉使用MATLAB进行频谱分析的操作。
二、实验原理FFT是一种基于傅里叶变换的算法，可以将时域信号转换为频域信号，并将信号的频谱特征展示出来。
在频谱分析中，我们通过分析信号的频谱可以获得信号的频率、幅值等信息，从而对信号的性质和特征进行研究。
对于一个连续信号，我们可以通过采样的方式将其转换为离散信号，再利用FFT算法对离散信号进行频谱分析。
FFT算法可以将信号从时域转换到频域，得到离散的频谱，其中包含了信号的频率分量以及对应的幅值。
MATLAB中提供了fft函数，可以方便地对信号进行FFT分析。
通过对信号进行FFT操作，可以得到信号的频谱图，并从中提取出感兴趣的频率信息。
三、实验步骤1.准备工作：（2）建立新的MATLAB脚本文件。
2.生成信号：在脚本中，我们可以通过定义一个信号的频率、幅值和时间长度来生成一个信号的波形。
例如，我们可以生成一个频率为1000Hz，幅值为1的正弦波信号，并设置信号的时间长度为1秒。
3.对信号进行FFT分析：调用MATLAB中的fft函数，对信号进行FFT分析。
通过设置采样频率和FFT长度，可以得到信号的频谱。
其中，采样频率是指在单位时间内连续采样的次数，FFT长度是指离散信号的样本点数。
4.绘制频谱图：调用MATLAB中的plot函数，并设置x轴为频率，y轴为幅值，可以绘制出信号的频谱图。
频谱图上横坐标表示信号的频率，纵坐标表示信号的幅值，通过观察可以得到信号的频率分布情况。
四、实验结果在实验过程中，我们生成了一个频率为1000Hz，幅值为1的正弦波信号，并对其进行FFT分析。
通过绘制频谱图，我们发现信号在1000Hz处有最大幅值，说明信号主要由这一频率成分组成。
五、实验总结本实验通过使用FFT对信号进行频谱分析，我们可以方便地从信号的波形中提取出频率分量的信息，并绘制出频谱图进行观察。
实验一应用快速傅里叶变换对信号进行频谱分析
实验一应用快速傅里叶变换对信号进行频谱分析快速傅里叶变换（Fast Fourier Transform, FFT）是一种高效的算法，用于将时域信号转换为频域信号。
频谱分析是通过对信号进行傅里叶变换来研究信号的频率成分和频率分布的过程。
在实验中，我们将使用FFT算法来对一个信号进行频谱分析。
首先，我们需要了解一些基本概念。
信号的频谱表示了信号在不同频率下的能量分布。
频率表示了信号中发生变化的速度，而幅度则表示了信号在该频率下的强度。
通过对信号进行FFT变换，我们可以将信号从时域转换为频域，得到信号的频谱。
在实验中，我们将使用Python语言来实现信号的FFT变换和频谱分析。
首先，我们需要导入一些必要的库。
import numpy as npimport matplotlib.pyplot as plt我们将创建一个测试信号，然后使用FFT函数对其进行变换和分析。
#创建一个测试信号fs = 1000 # 采样率T = 1 / fs # 采样周期t = np.arange(0, 1, T) # 时间序列f1=10#第一个频率成分f2=100#第二个频率成分A1=2#第一个频率成分的幅度A2=0.5#第二个频率成分的幅度y = A1 * np.sin(2 * np.pi * f1 * t) + A2 * np.sin(2 * np.pi * f2 * t) # 合成信号接下来，我们使用FFT函数对信号进行变换，并绘制其频谱图。
#使用FFT对信号进行变换Y = np.fft.fft(y)#计算频谱N = len(Y) # 信号的长度freq = np.fft.fftfreq(N, T) # 计算频率轴powspec = np.abs(Y) ** 2 / N # 计算功率谱#绘制频谱图plt.figureplt.plot(freq, powspec)plt.xlabel('Frequency (Hz)')plt.ylabel('Power Spectrum')plt.title('Spectrum Analysis')plt.show在频谱图中，横轴表示频率，纵轴表示功率谱，即信号在不同频率下的能量分布。
用快速傅里叶变换对信号进行频谱分析
用快速傅里叶变换对信号进行频谱分析快速傅里叶变换（FFT）是一种用于对信号进行频谱分析的算法。
它是傅里叶变换（Fourier Transform）的一种高效实现方式，能够在较短的时间内计算出信号的频谱，并可用于信号处理、数据压缩、图像处理等领域。
傅里叶变换是一种将信号从时域转换为频域的方法，它将时域信号分解为多个不同频率的正弦波的叠加。
傅里叶变换的结果表示了信号在不同频率上的强度，可用于分析信号的频谱特征。
对于一个连续信号x(t)，傅里叶变换定义为：X(ω) = ∫[x(t)e^(-jωt)]dt其中，X(ω)表示频域上的频谱，ω为频率。
实际应用中，信号通常以离散形式存在，即由一系列采样点组成。
为了对离散信号进行频谱分析，需要进行离散傅里叶变换（DFT）。
然而，传统的DFT算法计算复杂度较高，随信号长度的增加而呈指数级增长。
为了解决这个问题，Cooley-Tukey算法提出了一种高效的FFT算法。
该算法利用了DFT的周期性特点，将信号的长度分解为2的幂次，然后通过迭代计算将问题规模减小。
这种分治思想使得计算复杂度从指数级降低到线性级别，大大提高了计算效率。
具体而言，FFT算法的基本思路如下：1.将信号长度N分解为2的幂次L。
2.将N点DFT分解为两个N/2点DFT和一个旋转因子计算。
3.递归地应用步骤2，直到得到长度为1的DFT。
4.对于所有的DFT结果进行合并，得到完整的N点DFT。
FFT算法具有较高的计算效率和优良的数值稳定性，已成为信号处理中最常用的频谱分析方法之一FFT在信号处理中的应用十分广泛。
例如，可以利用FFT对音频信号的频谱进行分析，从而实现音频的频谱显示、音乐频谱分析、噪声抑制等功能。
在图像处理中，FFT可用于图像频谱分析、图像滤波、图像压缩等领域。
此外，FFT还常用于模拟信号的数字化处理、电力系统谐波分析、最优滤波器设计等方面。
总结起来，快速傅里叶变换是一种高效的频谱分析算法，可用于对信号的频谱特征进行分析和处理。
用FFT对信号作频谱分析实验报告
实验一报告、用FFT 对信号作频谱分析一、实验目的学习用FFT 对连续信号和时域离散信号进行频谱分析的方法，了解可能出现的分析误差及其原因，以便正确应用FFT 。
二、实验内容1．对以下序列进行频谱分析：()()()()4231038470n 4033470nx n R n n n x n nn n n x n n n =+≤≤⎧⎪=-≤≤⎨⎪⎩-≤≤⎧⎪=-≤≤⎨⎪⎩其它其它 选择FFT 的变换区间N 为8和16两种情况进行频谱分析。
分别打印其幅频特性曲线，并进行对比，分析和讨论。
2．对以下周期序列进行频谱分析：()()45cos4coscos48x n n x n n nπππ==+选择FFT 的变换区间N 为8和16两种情况分别对以上序列进行频谱分析。
分别打印其幅频特性曲线，并进行对比、分析和讨论。
3.对模拟信号进行频谱分析：()8cos8cos16cos20x t t t t πππ=++选择采样频率64s F Hz =，对变换区间N=16，32，64 三种情况进行频谱分析。
分别打印其幅频特性，并进行分析和讨论。
三、实验程序1.对非周期序列进行频谱分析代码：close all;clear all;x1n=[ones(1,4)];M=8;xa=1:(M/2);xb=(M/2):-1:1;x2n=[xa,xb];x3n=[xb,xa];X1k8=fft(x1n,8);X1k16=fft(x1n,16);X2k8=fft(x2n,8);X2k16=fft(x2n,16);X3k8=fft(x3n,8);X3k16=fft(x3n,16);subplot(3,2,1);mstem=(X1k8);title('(1a)8点DFT[x_1(n)]');subplot(3,2,2);mstem=(X1k16);title('(1b)16点DFT[x_1(n)]');subplot(3,2,3);mstem=(X2k8);title('(2a)8点DFT[x_2(n)]');subplot(3,2,4);mstem=(X2k16);title('(2b)16点DFT[x_2(n)]');subplot(3,2,5);mstem=(X3k8);title('(3a)8点DFT[x_3(n)]');subplot(3,2,6);mstem=(X3k16);title('(3b)16点DFT[x_3(n)]');2.对周期序列进行频谱分析代码：N=8;n=0:N-1;x4n=cos(pi*n/4);x5n=cos(pi*n/4)+cos(pi*n/8);X4k8=fft(x4n);X5k8=fft(x5n);N=16;n=0:N-1;x4n=cos(pi*n/4);x5n=cos(pi*n/4)+cos(pi*n/8);X4k16=fft(x4n);X5k16=fft(x5n);figure(2)subplot(2,2,1);mstem(X4k8);title('(4a)8点 DFT[x_4(n)]');subplot(2,2,2);mstem(X4k16);title('(4b)16点DFT[x_4(n)]');subplot(2,2,3);mstem(X5k8);title('(5a)8点DFT[x_5(n)]');subplot(2,2,4);mstem(X5k16);title('(5a)16点DFT[x_5(n)]') 3.模拟周期信号谱分析figure(3)Fs=64;T=1/Fs;N=16;n=0:N-1;x6nT=cos(8*pi*n*T)+cos(16*pi*n*T)+cos(20*pi*n*T);X6k16=fft(x6nT);X6k16=fftshift(X6k16);Tp=N*T;F=1/Tp;k=-N/2:N/2-1;fk=k*F;subplot(3,1,1);stem(fk,abs(X6k16),'.');box ontitle('(6a)16µãDFT[x_6(nT)]');xlabel('f(Hz)');ylabel('·ù¶È');axis([-N*F/2-1,N*F/2-1,0,1.2*max(abs(X6k16))]);N=32;n=0:N-1; %FFTµÄ±ä»»Çø¼äN=32x6nT=cos(8*pi*n*T)+cos(16*pi*n*T)+cos(20*pi*n*T);X6k32=fft(x6nT);X6k32=fftshift(X6k32);Tp=N*T;F=1/Tp;k=-N/2:N/2-1;fk=k*F;subplot(3,1,2);stem(fk,abs(X6k32),'.');box ontitle('(6b)32µãDFT[x_6(nT)]');xlabel('f(Hz)');ylabel('·ù¶È');axis([-N*F/2-1,N*F/2-1,0,1.2*max(abs(X6k32))]);N=64;n=0:N-1; %FFTµÄ±ä»»Çø¼äN=64x6nT=cos(8*pi*n*T)+cos(16*pi*n*T)+cos(20*pi*n*T);X6k64=fft(x6nT);X6k64=fftshift(X6k64);Tp=N*T;F=1/Tp;k=-N/2:N/2-1;fk=k*F;subplot(3,1,3);stem(fk,abs(X6k64),'.');box ontitle('(6c)64µãDFT[x_6(nT)]');xlabel('f(Hz)');ylabel('·ù¶È');axis([-N*F/2-1,N*F/2-1,0,1.2*max(abs(X6k64))]);四、实验结果与分析分析：图（1a）和图（1b）说明X1(n)=R4(n)的8点和16点DFT分别是X1(n)的频谱函数的8点和16点采样;因X3(n)=X2((n-3))8R8(n),故X3(n)与X2(n)的8点DFT的模相等，如图（2a）和图（3a）所示。
用FFT对信号作频谱分析实验报告
用FFT对信号作频谱分析实验报告实验目的：利用FFT对信号进行频谱分析，掌握FFT算法的原理及实现方法，并获取信号的频谱特征。
实验仪器与设备：1.信号发生器2.示波器3.声卡4.计算机实验步骤：1.将信号发生器与示波器连接，调节信号发生器的输出频率为待测信号频率，并将示波器设置为XY模式。
2.将示波器的输出接口连接至声卡的输入接口。
3.打开计算机，运行频谱分析软件，并将声卡的输入接口设置为当前输入源。
4.通过软件选择频谱分析方法为FFT，并设置采样率为合适的数值。
5.通过软件开始进行频谱分析，记录并保存频谱图像和数据。
实验原理：FFT（快速傅里叶变换）是一种计算机算法，用于将时域信号转换为频域信号。
它通过将一个信号分解成多个不同频率的正弦波或余弦波的合成，并计算每个频率分量的幅度和相位信息。
实验结果与分析：通过对待测信号进行FFT频谱分析，我们可以得到信号在频域上的频谱特征。
频谱图像可以展示出信号中不同频率成分的能量分布情况，可以帮助我们了解信号的频率构成及其相对重要程度。
在实验中，我们可以调节信号发生器的输出频率，观察频谱图像的变化。
当信号频率与采样率相等时，我们可以得到一个峰值，表示信号的主频率。
同时，我们还可以观察到其他频率分量的存在，其幅度与信号频率的差距越小，幅度越低。
通过对不同信号进行频谱分析，我们可以了解信号的频率成分及其分布情况。
这对于信号处理、通信等领域具有重要意义。
实验结论：通过FFT频谱分析，我们可以获得信号在频域上的频谱特征，可以清晰地观察到信号的主频率以及其他频率分量的存在。
这为信号处理及相关应用提供了有价值的信息。
实验中，我们使用了信号发生器、示波器、声卡和计算机等设备，通过连接和软件进行了频谱分析实验。
通过实验，我们掌握了FFT算法的原理及实现方法，并且获取到了信号的频谱特征。
然而，需要注意的是，频谱分析仅能得到信号在其中一时刻或一段时间内的频率成分，不能得到信号的时域信息。
实验三用FFT对信号作频谱分析_实验报告
实验三用FFT对信号作频谱分析_实验报告一、实验目的1.理解离散傅里叶变换（FFT）的原理和应用；2.学会使用FFT对信号进行频谱分析；3.掌握频谱分析的基本方法和实验操作。
二、实验原理离散傅里叶变换（FFT）是一种用来将时域信号转换为频域信号的数学工具。
其基本原理是将连续时间信号进行离散化，然后通过对离散信号进行傅里叶变换得到离散频域信号。
傅里叶变换（Fourier Transform）是一种将时域信号转换为频域信号的方法。
在信号处理中，经常需要对信号的频谱进行分析，以获取信号的频率分量信息。
傅里叶变换提供了一种数学方法，可以将时域信号转换为频域信号，实现频谱分析。
在频谱分析中，我们常常使用快速傅里叶变换（Fast Fourier Transform，FFT）算法进行离散信号的频谱计算。
FFT算法可以高效地计算出离散信号的频谱，由于计算复杂度低，广泛应用于信号处理和频谱分析的领域。
频谱分析的流程一般如下：1.采集或生成待分析的信号；2.对信号进行采样；3.对采样得到的信号进行窗函数处理，以改善频谱的分辨率和抑制信号泄漏；4.使用FFT算法对窗函数处理得到的信号进行傅里叶变换；5.对傅里叶变换得到的频谱进行幅度谱和相位谱分析；6.对频谱进行解释和分析。
三、实验内容实验所需材料和软件及设备：1.信号发生器或任意波形发生器；2.数字示波器；3.计算机。
实验步骤：1.连接信号发生器（或任意波形发生器）和示波器，通过信号发生器发送一个稳定的正弦波信号；2.调节信号频率、幅度和偏置，得到不同的信号；3.使用数字示波器对信号进行采样，得到离散时间信号；4.对采样得到的信号进行窗函数处理；5.对窗函数处理得到的信号进行FFT计算，得到频谱；6.使用软件将频谱进行幅度谱和相位谱的分析和显示。
四、实验结果与分析1.信号频谱分析结果如下图所示：（插入实验结果图）从频谱图中可以看出，信号主要集中在一些频率上，其他频率基本没有，表明信号主要由该频率成分组成。
数字信号处理实验五用DFT(FFT)对信号进行频谱分析
开课学院及实验室：电子楼3172018年 4月 29 日3()x n ：用14()()x n R n =以8为周期进行周期性延拓形成地周期序列.(1> 分别以变换区间N ＝8,16,32,对14()()x n R n =进行DFT(FFT>,画出相应地幅频特性曲线；(2> 分别以变换区间N ＝4,8,16,对x 2(n >分别进行DFT(FFT>,画出相应地幅频特性曲线； (3> 对x 3(n >进行频谱分析,并选择变换区间,画出幅频特性曲线.<二）连续信号 1. 实验信号：1()()x t R t τ=选择 1.5ms τ=,式中()R t τ地波形以及幅度特性如图7.1所示.2()sin(2/8)x t ft ππ=+式中频率f 自己选择.3()cos8cos16cos 20x t t t t πππ=++2. 分别对三种模拟信号选择采样频率和采样点数.对1()x t ()R t τ=,选择采样频率4s f kHz =,8kHz ,16kHz ,采样点数用τ.s f 计算.对2()sin(2/8)x t ft ππ=+,周期1/T f =,频率f 自己选择,采样频率4s f f =,观测时间0.5p T T =,T ,2T ,采样点数用p s T f 计算.图5.1 R(t>地波形及其幅度特性对3()cos8cos16cos 20x t t t t πππ=++,选择采用频率64s f Hz =,采样点数为16,32,64. 3. 分别对它们转换成序列,按顺序用123(),(),()x n x n x n 表示.4. 分别对它们进行FFT.如果采样点数不满足2地整数幂,可以通过序列尾部加0满足.5. 计算幅度特性并进行打印.五、实验过程原始记录<数据、图表、计算等）(一> 离散信号%14()()x n R n = n=0:1:10。
数字信号处理--实验五-用DFT(FFT)对信号进行频谱分析
学生实验报告开课学院及实验室：电子楼3172013年4月29日、实验目的学习DFT 的基本性质及对时域离散信号进行频谱分析的方法，进一步加深对频域概念和数字频率的理解，掌握 MATLAB 函数中FFT 函数的应用。
二、实验原理离散傅里叶变换(DFT)对有限长时域离散信号的频谱进行等间隔采样，频域函数被离散化了, 便于信号的计算机处理。
设x(n)是一个长度为 M 的有限长序列，x(n)的N 点傅立叶变换:X(k)N 1j 三 knDFT[x(n)]N x(n)e N0 k N 1n 0其中WNe.2 jN，它的反变换定义为:1X(n)NkN 1nkX(k)W N0 令z W N k，X(zz WN k则有:N 1x( n)Wj kn 0可以得到，X(k)X(Z)Z WN kZ W N*是Z 平面单位圆上幅角为2kN 的点，就是将单位圆进行N 等分以后第 K 个点。
所以, X(K)是Z 变换在单位圆上的等距采样，或者说是序列傅立叶变换的等距采样。
时域采样在满足Nyquist 定理时，就不会发生频谱混叠。
DFT 是对序列傅立叶变换的等距采样，因此可以用于序列的频谱分析。
如果用FFT 对模拟信号进行谱分析，首先要把模拟信号转换成数字信号，转换时要求知道模拟 信号的最高截至频率，以便选择满足采样定理的采样频率。
般选择采样频率是模拟信号中最高频率的3~4倍。
另外要选择对模拟信号的观测时间，如果采样频率和观测时间确定，则采样点数也确定 了。
这里观测时间和对模拟信号进行谱分析的分辨率有关,最小的观测时间和分辨率成倒数关系。
最小的采样点数用教材相关公式确定。
要求选择的采样点数和观测时间大于它的最小值。
如果要进行谱分析的模拟信号是周期信号,最好选择观测时间是信号周期的整数倍。
如果不知道■ 厂1*1IE向i1A I1f Ii i 0r 1 疋0Jfb-4W0 70000图5.1 R(t)的波形及其幅度特性xn=[on es(1,4),zeros(1,7)];%输入时域序列向量 xn=R4( n)%计算xn 的8点DFTXk16=fft(x n,16);%计算xn 的16点DFTXk32=fft(x n,32); %计算xn 的32点DFTk=0:7;wk=2*k/8;对 x 3(t) cos8 t cos16 t cos20 t ，选择采用频率 f s 64Hz ，采样点数为 16 , 32 , 64。
实验二 应用 FFT 对信号进行频谱分析
实验二 应用 FFT 对信号进行频谱分析一、实验目的1、在理论学习的基础上，通过本次实验，加深对快速傅里叶变换的理解，熟悉 FFT 算法及其程序的编写。
2、熟悉应用 FFT 对典型信号进行频谱分析的方法。
3、了解应用 FFT 进行信号频谱分析过程中可能出现的问题，以便在实际中正确应用 FFT 。
二、实验原理与方法一个连续信号 )(t x a 的频谱可以用它的傅立叶变换表示为⎰+∞∞-Ω-=Ωdt e t x j X t j a a )()( （2-1）如果对该信号进行理想采样，可以得到采样序列)()(nT x n x a = （2-2）同样可以对该序列进行z 变换，其中T 为采样周期∑+∞-∞=-=n n z n x z X )()( （2-3） 当 ωj ez =的时候，我们就得到了序列的傅立叶变换 ∑+∞-∞=-=n n j j e n x e X ωω)()( （2-4）其中ω称为数字频率，它和模拟域频率的关系为s f T Ω=Ω=ω（2-5）式中的s f 是采样频率。
上式说明数字频率是模拟频率对采样率s f 的归一化。
同模拟域的情况相似，数字频率代表了序列值变化的速率，而序列的傅立叶变换称为序列的频谱。
序列的傅立叶变换和对应的采样信号频谱具有下式的对应关系∑-=)2(1)(Tm j X T e X a j πωω （2-6） 即序列的频谱是采样信号频谱的周期延拓。
从式（2-6）可以看出，只要分析采样序列的频谱，就可以得到相应的连续信号的频谱。
注意：这里的信号必须是带限信号，采样也必须满足 Nyquist 定理。
在各种信号序列中，有限长序列在数字信号处理中占有很重要的地位。
无限长的序列也往往可以用有限长序列来逼近。
对于有限长的序列我们可以使用离散傅立叶变换（DFT ），这一变换可以很好地反应序列的频域特性，并且容易利用快速算法在计算机上实现当序列的长度是 N 时，我们定义离散傅立叶变换为：∑-===10)()]([)(N n kn NW n x n x DFT K X （2-7） 其中，N j N e W π2-=它的反变换定义为：∑-=-==10)(1)]([)(N k kn N W k X N k X IDFT n x （2-8） 根据式（2-3）和（2-7）令 k N W z -=，则有)]([)()(10n x DFT W n x z X N n kn N W z k N ==∑-==- （2-9）可以得到 k N k N j W z W e z X k X k N -===-,)()(2π是 z 平面单位圆上幅角为k Nπω2=的点，就是将单位圆进行 N 等分以后第 k 个点。
实验二应用快速傅里叶变换对信号进行频谱分析
实验二应用快速傅里叶变换对信号进行频谱分析引言频谱分析是一个常见的信号处理技术，它可以将一个信号分解成一系列不同频率的成分。
其中，傅里叶变换是一种常用的频谱分析方法。
在本实验中，我们将学习并应用快速傅里叶变换（FFT）算法对信号进行频谱分析。
一、理论背景快速傅里叶变换（FFT）是一种基于离散傅里叶变换（DFT）的算法，它能够快速计算出信号的频域表达。
傅里叶变换的公式为：X(k)=Σ(x(n)*e^(-j*2π*n*k/N))其中，X(k)代表频域上的第k个频率成分，x(n)代表时域上的第n个采样点，e为自然对数的底，j为虚数单位，N为采样点的总数。
快速傅里叶变换的主要思想是将信号分解成一系列长度为2的子序列，再通过迭代地应用DFT对这些子序列进行变换。
这样可以大幅度减少计算量，使得FFT算法在实际应用中具有较高的效率。
二、实验目的1.掌握快速傅里叶变换（FFT）算法的原理及实现方法。
2.学习如何使用FFT进行频谱分析，并理解频谱图的含义。
3.通过实验对比分析，了解FFT与其他频谱分析方法的差异。
三、实验步骤1.准备实验材料和仪器：一台电脑、MATLAB或其他信号分析软件。
2. 定义并生成需要分析的信号。
可以使用MATLAB中的sin、cos、randn等函数生成均匀分布或正态分布的随机信号，设置采样率和采样点数。
3.对信号进行FFT分析。
使用FFT算法对信号进行傅里叶变换，并得到频谱图。
4.对频谱图进行分析。
观察频谱图中的主要频率成分，并分析信号的频谱特征。
四、实验结果及分析1.生成信号并进行FFT分析。
通过MATLAB或其他信号分析软件，生成需要分析的信号，并进行FFT变换。
2.绘制频谱图。
根据FFT的结果，绘制出信号的频谱图。
频谱图通常以频率为横坐标，幅度为纵坐标进行绘制。
3.频谱分析。
观察频谱图，分析信号的频谱特征。
可以通过主要频率成分、频谱能量分布等参数来进行分析。
五、实验注意事项1.确保信号的采样率和采样点数足够满足信号分析的要求。
用FFT对信号做频谱分析
用FFT 对信号做频谱分析一、实验目的学习用FFT 对连续信号和时域离散信号进行谱分析方法，了解可能出现的分析误差及其原因，以便应用FFT 。
二、实验原理用FFT 对信号频谱分析是学习数字信号处理的重要内容。
经常需要进行谱分析的信号是模拟信号和时域离散信号。
对于信号进行谱分析的重要问题是频谱分析率D 和分析误差。
频谱分辨率直接和FFT 的变换区间N 有关，因为FFT 能够实现的频谱分辨率是2ᴨ/N ≤D.可以根据此式选择FFT 变换区间N 。
误差主要来自于用FFT 做频谱分析时，得到的是离散谱，而信号（周期信号外）是连续谱，只有当N 较大时，离散谱的包络才能逼近连续谱，因此N 要适当选择大一些。
周期信号的频谱是离散谱，只有用整数倍周期的长度作FFT ，得到的离散谱才能代表周期信号的频谱。
如果不知道信号周期，可以尽量选择信号的观察时间长一些。
对模拟信号进行谱分析时，首先按照采样定理将其变成时域离散信号。
如果是模拟周期信号，也应该选取整数倍周期的长度，经过采样后形成周期序列，按照周期序列的谱分析进行。
三、实验步骤及内容（1）对以下序列进行谱分析：)()(41n n Rx =n n n n n n x 其他7430081)(2≤≤≤≤⎪⎩⎪⎨⎧-+= n7430034)(3其他≤≤≤≤⎪⎩⎪⎨⎧--=n n n n n x 选择FFT 的变换区间N 为8或16两种进行谱分析。
分别打印其幅频特性曲线，并进行对比，分析，讨论。
（2）对以下周期序列进行谱分析：n n x 4cos )(4π=n n n x 8cos 4cos )(5ππ+=选择FFT 的变换区间N 为8或16两种情况分别对以上序列进行谱分析。
分别打印幅频特性曲线，并进行对比，分析和讨论。
（3）对模拟周期信号进行谱分析：t t t t x πππ20cos 16cos 8cos )(6++=选择采样频率Fs=64Hz ，对变换区间N=16,32,64三种情况进行谱分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验报告
实验三：用FFT 对信号作频谱分析
一、 实验目的与要求
学习用FFT 对连续信号和时域离散信号进行谱分析的方法，了解可能出现的分析误差及其原因，以便正确应用FFT 。
二、 实验原理
用FFT 对信号作频分析是学习数字信号处理的重要内容，经常需要进行分析的信号是模拟信号的时域离散信号。
对信号进行谱分析的重要问题是频谱分辨率D 和分析误差。
频谱分辨率直接和FFT 的变换区间N 有关，因为FFT 能够实现的频率分辨率是2π/N ，因此要求2π/N 小于等于D 。
可以根据此式选择FFT 的变换区间N 。
误差主要来自于用FFT 作频谱分析时，得到的是离散谱，而信号（周期信号除外）是连续谱，只有当N 较大时，离散谱的包络才能逼近连续谱，因此N 要适当选择大一些。
三、 实验步骤及内容（含结果分析）
（1）对以下序列进行FFT 分析：
x 1(n)=R 4(n)
x 2(n)=
x 3(n)=
选择FFT 的变换区间N 为8和16两种情况进行频谱分析，分别打印出幅频特性曲线，并进行讨论、分析与比较。
【实验结果如下】：
n+1 0≤n ≤3 8-n 4≤n ≤7 0 其它n 4-n 0≤n ≤3 n-3 4≤n ≤7
0 其它
n
实验结果图形与理论分析相符。
（2）对以下周期序列进行谱分析：
x4(n)=cos[(π/4)*n]
x5(n)= cos[(π/4)*n]+ cos[(π/8)*n]
选择FFT的变换区间N为8和16两种情况进行频谱分析，分别打印出幅频特性曲线，并进行讨论、分析与比较。
【实验结果如下】：
（3）对模拟周期信号进行频谱分析：
x6(n)= cos(8πt)+ cos(16πt)+ cos(20πt)
选择采样频率Fs=64Hz，FFT的变换区间N为16、32、64三种情况进行频谱分析，分别打印出幅频特性曲线，并进行讨论、分析与比较。
【实验结果如下】：
四、【附录】（实验中代码）
x1n=[ones(1,4)]; %产生R4(n)序列向量
X1k8=fft(x1n,8); %计算x1n的8点DFT
X1k16=fft(x1n,16); %计算x1n的16点DFT
%以下绘制幅频特性曲线
N=8;
f=2/N*(0:N-1);
figure(1);
subplot(1,2,1);stem(f,abs(X1k8),'.'); %绘制8点DFT的幅频特性图title('(1a) 8点DFT[x_1(n)]');xlabel('ω/π');ylabel('幅度'); N=16;
f=2/N*(0:N-1);
subplot(1,2,2);stem(f,abs(X1k16),'.'); %绘制8点DFT的幅频特性图title('(1a) 16点DFT[x_1(n)]');xlabel('ω/π');ylabel('幅度'); %x2n 和 x3n
M=8;xa=1:(M/2); xb=(M/2):-1:1;
x2n=[xa,xb]; %产生长度为8的三角波序列x2(n)
x3n=[xb,xa];
X2k8=fft(x2n,8);
X2k16=fft(x2n,16);
X3k8=fft(x3n,8);
X3k16=fft(x3n,16);
figure(2);
N=8;
f=2/N*(0:N-1);
subplot(2,2,1);stem(f,abs(X2k8),'.'); %绘制8点DFT的幅频特性图title('(2a) 8点DFT[x_2(n)]');xlabel('ω/π');ylabel('幅度'); subplot(2,2,3);stem(f,abs(X3k8),'.'); %绘制8点DFT的幅频特性图title('(3a) 8点DFT[x_3(n)]');xlabel('ω/π');ylabel('幅度'); N=16;
f=2/N*(0:N-1);
subplot(2,2,2);stem(f,abs(X2k16),'.'); %绘制8点DFT的幅频特性图title('(2a) 16点DFT[x_2(n)]');xlabel('ω/π');ylabel('幅度'); subplot(2,2,4);stem(f,abs(X3k16),'.'); %绘制8点DFT的幅频特性图title('(3a) 16点DFT[x_3(n)]');xlabel('ω/π');ylabel('幅度'); %x4n 和 x5n
N=8;n=0:N-1;
x4n=cos(pi*n/4);
x5n=cos(pi*n/4)+cos(pi*n/8);
X4k8=fft(x4n,8);
X4k16=fft(x4n,16);
X5k8=fft(x5n,8);
X5k16=fft(x5n,16);
figure(3);
N=8;
f=2/N*(0:N-1);
subplot(2,2,1);stem(f,abs(X4k8),'.'); %绘制8点DFT的幅频特性图title('(4a) 8点DFT[x_4(n)]');xlabel('ω/π');ylabel('幅度'); subplot(2,2,3);stem(f,abs(X5k8),'.'); %绘制8点DFT的幅频特性图title('(5a) 8点DFT[x_5(n)]');xlabel('ω/π');ylabel('幅度'); N=16;
f=2/N*(0:N-1);
subplot(2,2,2);stem(f,abs(X4k16),'.'); %绘制8点DFT的幅频特性图title('(4a) 16点DFT[x_4(n)]');xlabel('ω/π');ylabel('幅度'); subplot(2,2,4);stem(f,abs(X5k16),'.'); %绘制8点DFT的幅频特性图title('(5a) 16点DFT[x_5(n)]');xlabel('ω/π');ylabel('幅度');
%x8n
Fs=64; T=1/Fs;
N=16;n=0:N-1; %对于N=16的情况
nT = n*T;
x8n=cos(8*pi*nT)+cos(16*pi*nT)+cos(20*pi*nT)
X8k16=fft(x8n,16);
N=16;
f=2/N*(0:N-1);
figure(4);
subplot(2,2,1);stem(f,abs(X8k16),'.'); %绘制8点DFT的幅频特性图title('(8a) 16点DFT[x_8(n)]');xlabel('ω/π');ylabel('幅度'); N=32;n=0:N-1; %对于N=16的情况
nT = n*T;
x8n=cos(8*pi*nT)+cos(16*pi*nT)+cos(20*pi*nT)
X8k32=fft(x8n,32);
N=32;
f=2/N*(0:N-1);
subplot(2,2,2);stem(f,abs(X8k32),'.'); %绘制8点DFT的幅频特性图
title('(8a) 32点DFT[x_8(n)]');xlabel('ω/π');ylabel('幅度');
N=64;n=0:N-1; %对于N=16的情况
nT = n*T;
x8n=cos(8*pi*nT)+cos(16*pi*nT)+cos(20*pi*nT)
X8k64=fft(x8n,64);
N=64;
f=2/N*(0:N-1);
subplot(2,2,3);stem(f,abs(X8k64),'.'); %绘制8点DFT的幅频特性图
title('(8a) 64点DFT[x_8(n)]');xlabel('ω/π');ylabel('幅度');
五、思考题及实验体会
通过实验，我知道了用FFT对信号作频谱分析是学习数字信号处理的重要内容。
经常需要进行谱分析的信号是模拟信号和时域离散信号。
对信号进行谱分析的重要问题是频谱分辨率D和分析误差。
频谱分辨率直接和FFT的变换区间N有关，因为FFT能够实现的频率分辨率是2л／N≤D。
可以根据此式选择FFT的变换区间N。
误差主要来自于用FFT作频谱分析时，得到的是离散谱，而信号（周期信号除外）是连续谱，只有当N较大时，离散谱的包络才能逼近于连续谱，因此N要适当选择大一些。
周期信号的频谱是离散谱，只有用整数倍周期的长度作FFT，得到的离散谱才能代表周期信号的频谱。
如果不知道信号周期，可以尽量选择信号的观察时间长一些。
对模拟信号进行频谱分析时，首先要按照采样定理将其变成时域离散信号。
如果是模拟周期信号，也应该选取整数倍周期的长度，经过采样后形成周期序列，按照周期序列的普分析进行。