Matlab编程实现FFT变换.

合集下载

matlab的fft函数用法

matlab的fft函数用法

matlab的fft函数用法MATLAB中的fft函数用于计算快速傅里叶变换(FFT)。

FFT是一种将信号从时域转换为频域的方法,常用于信号处理、图像处理等领域。

在本文中,我将一步一步回答有关MATLAB中fft函数的使用方法。

一、基本语法在MATLAB中,fft函数的基本语法如下:Y = fft(X)其中,X是要进行FFT的向量或矩阵,输出结果Y是X的离散傅里叶变换的向量或矩阵。

二、一维FFT首先我们来看一维FFT的使用方法。

假设有一个长度为N的一维向量x,我们将对其进行FFT变换并得到变换结果y。

1. 创建输入向量首先,我们需要创建一个长度为N的向量x,作为FFT的输入。

可以通过以下代码实现:N = 1024; % 向量长度x = randn(N, 1); % 创建长度为N的随机向量2. 进行FFT变换接下来,我们使用fft函数对向量x进行FFT变换,代码如下:y = fft(x);3. 可视化结果为了更好地理解和分析FFT结果,通常会对结果进行可视化。

我们可以使用MATLAB的绘图函数来绘制FFT结果的幅度和相位谱。

例如,可以使用如下代码绘制幅度谱:f = (0:N-1)./N; % 频率轴amp = abs(y); % 幅度谱figure;plot(f, amp);xlabel('Frequency (Hz)');ylabel('Amplitude');title('Amplitude Spectrum');同样,可以使用如下代码绘制相位谱:phase = angle(y); % 相位谱figure;plot(f, phase);xlabel('Frequency (Hz)');ylabel('Phase');title('Phase Spectrum');三、二维FFT除了一维FFT,MATLAB中的fft函数还支持二维FFT。

matlab自行编写fft傅里叶变换

matlab自行编写fft傅里叶变换

傅里叶变换(Fourier Transform)是信号处理中的重要数学工具,它可以将一个信号从时域转换到频域。

在数字信号处理领域中,傅里叶变换被广泛应用于频谱分析、滤波、频谱估计等方面。

MATLAB作为一个功能强大的数学软件,自带了丰富的信号处理工具箱,可以用于实现傅里叶变换。

在MATLAB中,自行编写FFT(Fast Fourier Transform)的过程需要以下几个步骤:1. 确定输入信号我们首先需要确定输入信号,可以是任意时间序列数据,例如声音信号、振动信号、光学信号等。

假设我们有一个长度为N的信号x,即x = [x[0], x[1], ..., x[N-1]]。

2. 生成频率向量在进行傅里叶变换之前,我们需要生成一个频率向量f,用于表示频域中的频率范围。

频率向量的长度为N,且频率范围为[0, Fs),其中Fs 为输入信号的采样频率。

3. 实现FFT算法FFT算法是一种高效的离散傅里叶变换算法,它可以快速计算出输入信号的频域表示。

在MATLAB中,我们可以使用fft函数来实现FFT 算法,其调用方式为X = fft(x)。

其中X为输入信号x的频域表示。

4. 计算频谱通过FFT算法得到的频域表示X是一个复数数组,我们可以计算其幅度谱和相位谱。

幅度谱表示频率成分的强弱,可以通过abs(X)得到;相位谱表示不同频率成分之间的相位差,可以通过angle(X)得到。

5. 绘制结果我们可以将输入信号的时域波形和频域表示进行可视化。

在MATLAB 中,我们可以使用plot函数来绘制时域波形或频谱图。

通过以上几个步骤,我们就可以在MATLAB中自行编写FFT傅里叶变换的算法。

通过对信号的时域和频域表示进行分析,我们可以更好地理解信号的特性,从而在实际应用中进行更精确的信号处理和分析。

6. 频谱分析借助自行编写的FFT傅里叶变换算法,我们可以对信号进行频谱分析。

频谱分析是一种非常重要的信号处理技术,可以帮助我们了解信号中所包含的各种频率成分以及它们在信号中的能量分布情况。

C语言、Matlab实现FFT几种编程实例..

C语言、Matlab实现FFT几种编程实例..
y=[yl,y2];
figure(1);
plot(y); %funboxing(O.001+1/3)
%////////////////////////
%/////////快速傅里叶变换matlab程序:
%////////////////////////clc;
clear;
clf;
N=input('Node number')
end
d1=1;
for m=1:log2(N)
d2=d1; %做蝶形运算的两个数之间的距离
d1=d1*2; %同一级之下蝶形结之间的距离
W=1; %蝶形运算系数的初始值
dw=exp(-j*pi/d2); %蝶形运算系数的增加量
for t=1:d2 %
for i=t:d1:N
i1=i+d2;
if(i1>N)break; %判断是否超出范围
函数原型:void main()
函数功能:测试FFT变换,演示函数使用方法
输入参数:无
输出参数:无
************************************************************/
void main()
{
int i;
for(i=0;i<FFT_N;i++) //给结构体赋值
T=input('cai yang jian ge')
f=input('frenquency')
choise=input('add zero or not? 1/0 ')
n=0:T:(N-1)*T; %采样点
k=0:N-1;

matlab对时域数据进行fft运算

matlab对时域数据进行fft运算

matlab对时域数据进行fft运算MATLAB(Matrix Laboratory)是一种广泛使用的计算机编程语言和环境,专门用于数值计算、数据分析和可视化。

其中,FFT(快速傅里叶变换)是一种常用的数值算法,用于将时域信号转换为频域信号。

在本文中,我们将详细介绍如何使用MATLAB对时域数据进行FFT运算,并解释其中的每个步骤。

第一步:准备时域数据在进行FFT运算之前,首先需要准备一组时域数据。

时域数据通常是一个一维数组,其中包含了一段时间内的信号强度值。

例如,我们可以考虑一个声音信号的例子。

假设我们有一个.wav文件,其中包含了一段时间内的声音波形。

我们可以使用MATLAB的声音处理工具箱来读取.wav文件,并将波形数据存储在一个变量中。

matlab[y, fs] = audioread('sound.wav');在上述代码中,`y`是一个包含了声音波形数据的一维数组,`fs`是声音的采样率(每秒采样的样本数)。

请确保将.wav文件放置在MATLAB的当前工作目录下,或者提供完整的文件路径。

第二步:对时域数据应用窗函数在进行FFT之前,通常需要对时域数据应用窗函数。

窗函数可以减少频谱泄漏效应,并提高频谱分辨率。

在MATLAB中,有多种窗函数可供选择,如矩形窗、汉宁窗等。

以汉宁窗为例,我们可以使用以下代码将窗函数应用于时域数据。

matlabwindow = hann(length(y));y_windowed = y .* window;在上述代码中,`hann(length(y))`生成了一个与时域数据长度相同的汉宁窗。

`y .* window`将窗函数应用于时域数据,得到窗函数加权后的时域数据。

第三步:进行FFT运算在对时域数据应用窗函数之后,我们可以使用MATLAB中的`fft`函数执行FFT运算。

下面的代码演示了如何执行基础的FFT运算,并获取频域信号数据。

matlabY = fft(y_windowed);在上述代码中,`fft(y_windowed)`计算了窗函数加权的时域数据的FFT,并将结果存储在变量`Y`中。

详解用matlab如何实现fft变换

详解用matlab如何实现fft变换

详解用matlab如何实现fft变换使用MATLAB实现FFT(快速傅里叶变换)非常简单。

MATLAB提供了内置的fft函数,可以直接用于计算信号的傅里叶变换。

首先,我们需要准备一个要进行傅里叶变换的信号。

可以使用MATLAB的数组来表示信号。

例如,我们可以创建一个包含100个采样点的正弦信号:```matlabFs=1000;%采样频率T=1/Fs;%采样间隔L=1000;%信号长度t=(0:L-1)*T;%时间向量A=0.7;%信号幅值f=50;%信号频率x = A*sin(2*pi*f*t); % 正弦信号```接下来,我们可以使用fft函数计算信号的傅里叶变换:```matlabY = fft(x); % 计算信号的傅里叶变换P2 = abs(Y/L); % 双边频谱P1=P2(1:L/2+1);%单边频谱P1(2:end-1) = 2*P1(2:end-1); % 修正幅度f=Fs*(0:(L/2))/L;%频率向量plot(f,P1) % 绘制单边频谱title('单边振幅谱')xlabel('频率 (Hz)')ylabel('幅值')```上述代码首先使用fft函数计算信号x的傅里叶变换,得到一个包含复数的向量Y。

然后,我们计算双边频谱P2,即将复数取模。

接下来,我们提取出单边频谱P1,并对幅度进行修正,以保证能量的准确表示。

最后,我们计算频率向量f,并绘制单边频谱。

运行上述代码,就可以得到信号的傅里叶变换结果的幅度谱图。

需要注意的是,FFT是一种高效的算法,但它要求输入信号的长度为2的幂。

如果信号的长度不是2的幂,可以使用MATLAB的fft函数之前,使用padarray函数将信号填充到2的幂次方长度。

此外,MATLAB还提供了其他一些函数,可以用于计算不同类型的傅里叶变换,如快速傅里叶变换、离散傅里叶变换、短时傅里叶变换等。

可以根据具体的需求选择合适的函数进行使用。

matlab如何做傅里叶变换

matlab如何做傅里叶变换

matlab如何做傅里叶变换
MATLAB 是一种用于数学建模和计算的高级编程语言,它拥有丰富的图形处理、计算和可视化工具,可以为用户提供强大的思维创新和简化研究的方法。

傅里叶变换 (FFT) 是一种快速的数学处理方法,可以用来将信号和系统的时间域表示转换为频率域中的表示。

MATLAB 具有内置函数,可帮助用户执行傅里叶变换,从而为用户提供了非常方便的使用方式。

首先,使用 MATLAB 中的 fft 函数可以进行傅立叶变换。

由于傅里叶变换是一种离散变换,因此在使用过程中,需要考虑计算时的采样频率等问题,使用如下语句可以实现:y = fft(x,n)。

其中,x 表示要进行变换的原始信号,n 表示要进行傅里叶变换的长度,默认的n 为原始信号的长度。

此外,MATLAB 还提供了另一个相关的函数 ifft,用于进行逆变换。

它的函数形式与前文所述的进行正向变换的函数非常类似,如下所示:ifft(x,n),其中 x 表示要逆变换的存储在矢量中的信号,n 表示要进行反变换的长度,默认的 n 为 x 的长度。

此外,MATLAB 还提供了另一个函数 fftshift,它主要用于移动傅里叶变换的中心位置,并调整频域的形状,因此可以有效地提高频谱的准确性。

最后,MATLAB 还提供了多种其他的傅里叶变换相关的相关函数,例如 fft2 用于二维离散时间信号的变换,fft3 用于三维离散时间信号的变换,以及 rofft、gofft 等形式的实数和复数形式的变换等。

因此,MATLAB 具有可扩展性强的特点,可以为不同的傅立叶变换应用场景提供支持。

利用MATLAB编写FFT快速傅里叶变换

利用MATLAB编写FFT快速傅里叶变换

一、实验目的1.利用MATLAB 编写FFT 快速傅里叶变换。

2.比较编写的myfft 程序运算结果与MATLAB 中的FFT 的有无误差。

二、实验条件PC 机,MATLAB7.0三、实验原理1. FFT (快速傅里叶变换)原理:将一个N 点的计算分解为两个N/2点的计算,每个N/2点的计算再进一步分解为N/4点的计算,以此类推。

根据DFT 的定义式,将信号x[n]根据采样号n 分解为偶采样点和奇采样点。

设偶采样序列为y[n]=x[2n],奇采样序列为z[n]=x[2n+1]。

上式中的k N W -为旋转因子N k j e /2π-。

下式则为y[n]与z[n]的表达式:2.蝶形变换的原理:下图给出了蝶形变换的运算流图,可由两个N/2点的FFT(Y[k]和Z[k]得出N点FFT X[k])。

同理,每个N/2点的FFT可以由两个N/4点的FFT求得。

按这种方法,该过程可延迟后推到2点的FFT。

下图为N=8的分解过程。

图中最右边的为8个时域采样点的8点FFTX[k],由偶编号采样点的4点FFT和奇编号采样点的4点得到。

这4点偶编号又由偶编号的偶采样点的2点FFT和奇编号的偶采样点的2点FFT产生。

相同的4点奇编号也是如此。

依次往左都可以用相同的方法算出,最后由偶编号的奇采样点和奇编号的偶采样点的2点FFT算出。

图中没2点FFT成为蝶形,第一级需要每组一个蝶形的4组,第二级有每组两个蝶形的两组,最后一级需要一组4个蝶形。

四、实验内容1.定义函数disbutterfly ,程序根据FFT 的定义:]2[][][N n x n x n y ++=、n N W N n x n x n z -+-=])2[][(][,将序列x 分解为偶采样点y 和奇采样点z 。

function [y,z]=disbutterfly(x)N=length(x);n=0:N/2-1;w=exp(-2*1i*pi/N).^n;x1=x(n+1);x2=x(n+1+N/2);y=x1+x2;z=(x1-x2).*w;2.定义函数rader ,纠正输出序列的输出顺序。

matlab中fft的用法

matlab中fft的用法

matlab中fft的用法
在MATLAB中,FFT(Fast Fourier Transform)是一种常用的快速傅里叶变换算法,用于计算离散时间信号的频谱。

FFT是一种高效算法,可以快速计算信号在时域和频域之间的转换。

下面是在MATLAB中使用FFT的一些基本步骤:
1. 定义信号:首先需要定义一个离散时间信号。

可以使用向量或矩阵来表示信号。

2. 计算FFT:使用fft函数来计算信号的FFT。

例如,可以输入以下命令来计算信号x的FFT:
```matlab
y = fft(x);
```
3. 显示频谱:使用plot函数来显示FFT计算得到的频谱。

例如,可以输入以下命令来显示信号x的频谱:
```matlab
plot(abs(y));
```
4. 进行傅里叶变换:如果需要对信号进行傅里叶变换,可以使用fft2函数来计算二维FFT。

例如,可以输入以下命令来计算图像x的傅里叶变换:
```matlab
Y = fft2(x);
```
5. 进行逆傅里叶变换:如果需要对信号进行逆傅里叶变换,可以使用ifft函数来计算。

例如,可以输入以下命令来对信号x进行逆傅里叶变换:
```matlab
x_inv = ifft(Y);
```
以上是在MATLAB中使用FFT的基本步骤。

需要注意的是,在进行FFT计算时,需要将信号转换为复数形式。

此外,在进行傅里叶变换时,需要将信号转换为二维形式。

matlab怎么傅里叶变换

matlab怎么傅里叶变换

matlab怎么傅里叶变换
MATLAB是一种强大的计算机工具,用于处理数字信号和图像处理。

其中一个经典的数字信号处理技术是傅里叶变换(FFT)。

傅里叶变换可以将一个信号从时域转换到频域,以便更好地理解和处理它。

MATLAB中进行傅里叶变换有多种方式。

以下是其中两种常见的方法:
1. fft函数
使用MATLAB的fft函数可以快速计算信号的傅里叶变换。

该函数需要一个输入信号向量,并返回一个包含其频域表示的复数向量。

例如,如果有一个长度为N的信号向量x,则可以使用以下代码计算其FFT:
X = fft(x);
这将返回一个长度为N的复数向量X,其中每个元素都表示信号在对应频率上的振幅和相位。

2. fft2函数
如果需要对二维信号进行傅里叶变换,则可以使用MATLAB的
fft2函数。

该函数需要一个输入矩阵,并返回一个包含其二维频域表示的复数矩阵。

例如,如果有一个大小为M*N的信号矩阵A,则可以使用以下代码计算其FFT:
A_fft = fft2(A);
这将返回一个大小为M*N的复数矩阵A_fft,其中每个元素都表
示信号在对应频率上的振幅和相位。

总之,MATLAB的FFT函数是一种强大的数字信号处理工具,可
以帮助处理并分析各种信号类型的频谱。

无论是对一维还是二维数据,都可以使用MATLAB的FFT函数来计算其傅里叶变换。

matlab高斯信号傅里叶变换

matlab高斯信号傅里叶变换

matlab高斯信号傅里叶变换在MATLAB中,对高斯信号进行傅里叶变换可以使用fft函数。

以下是具体步骤:1. 生成高斯信号。

可以使用如下代码:```matlabfs = 500; % 采样率f1 = 7; % 信号频率f2 = 9; % 信号频率T = 1; % 时宽1sn = round(T*fs); % 采样点个数(四舍五入)o = 2*pi*rand; % 生成(0:2π)之间的随机相位t = linspace(0,T,n); % 时域横坐标x = 2+cos(2*pi*f1*t+o)+2*cos(2*pi*f2*t+o); % 形成三频信号, 注意第二个频率信号幅度为2, 直流幅度为3.```这样,我们就生成了一个随机信号。

2. 对生成的高斯信号进行傅里叶变换。

可以使用如下代码:```matlabX = fftshift(fft(x)); % 用fft得出离散傅里叶变换, 并将其搬移到频谱中心.```3. 根据奈奎斯特采样定理,确定横坐标f(HZ),坐标范围可以根据这个定理划定,得出频谱图。

可以使用如下代码:```matlabf = linspace(-fs/2,fs/2,n); % 频域横坐标, 根据奈奎斯特采样定理.```最后,画图展示结果。

以下是画图的部分代码:```matlabfigure; % 新建图像窗口plot(t,x); % 画时域图title('Time Domain'); % 添加标题xlabel('Time (s)'); % 添加x轴标签ylabel('Amplitude'); % 添加y轴标签grid on; % 添加网格线```以上步骤是基础的傅里叶变换操作,对于具体的分析和研究,可能还需要更复杂的操作和步骤。

用matlab实现离散傅里叶变换

用matlab实现离散傅里叶变换

用matlab实现离散傅里叶变换
摘要:
1.离散傅里叶变换的概述
2.MATLAB 实现离散傅里叶变换的方法
3.离散傅里叶变换的应用实例
4.注意事项和局限性
正文:
一、离散傅里叶变换的概述
离散傅里叶变换(Discrete Fourier Transform,DFT)是一种在离散域中实现的傅里叶变换,它可以将一个离散信号从时域转换到频域。

DFT 在工程、科学和数学等领域有着广泛的应用,例如信号处理、图像处理、音频处理等。

二、MATLAB 实现离散傅里叶变换的方法
MATLAB 提供了fft 函数来实现离散傅里叶变换,该函数的用法如下:```matlab
X = fft(x);
```
其中,x 是输入的离散信号,X 是输出的离散傅里叶变换结果。

fft 函数的运行时间与输入信号的长度成正比,因此对于较大的信号,计算时间可能会较长。

三、离散傅里叶变换的应用实例
1.信号处理:在通信系统中,信号往往受到噪声的影响,通过离散傅里叶
变换可以将信号从时域转换到频域,以便分析和处理。

2.图像处理:离散傅里叶变换可以用于图像的频谱分析,从而实现图像的滤波、增强和压缩等操作。

3.音频处理:离散傅里叶变换可以用于音频信号的谱分析,从而实现音频信号的滤波、降噪和音质增强等操作。

四、注意事项和局限性
1.当使用fft 函数时,需要注意输入信号的长度应为2 的整数次幂,否则会导致结果错误。

2.在进行离散傅里叶变换时,需要根据实际应用场景选择合适的窗函数,以避免频谱泄漏和频谱混叠等问题。

3.离散傅里叶变换是一种近似方法,当信号长度较小时,结果可能存在误差。

C语言、Matlab实现FFT几种编程实例

C语言、Matlab实现FFT几种编程实例

C语言、MATLAB实现FFT几种方法总结前人经验,仅供参考///一、///////////////////////////////////////////////////////////////////// ////////////////////////////////////////////////////////////////////////////////////////////////////////c语言程序/////////////////////////////////////////////////////////////////////////////////////////////////////////////////// //////////////////////////////////////////////////#include <iom128.h>#include <intrinsics.h>#include<math.h>#define PI 3.1415926535897932384626433832795028841971 //定义圆周率值#define FFT_N 128 //定义福利叶变换的点数struct compx {float real,imag;}; //定义一个复数结构struct compx s[FFT_N]; //FFT输入和输出:从S[1]开始存放,根据大小自己定义/******************************************************************* 函数原型:struct compx EE(struct compx b1,struct compx b2)函数功能:对两个复数进行乘法运算输入参数:两个以联合体定义的复数a,b输出参数:a和b的乘积,以联合体的形式输出*******************************************************************/ struct compx EE(struct compx a,struct compx b){struct compx c;c.real=a.real*b.real-a.imag*b.imag;c.imag=a.real*b.imag+a.imag*b.real;return(c);}/*****************************************************************函数原型:void FFT(struct compx *xin,int N)函数功能:对输入的复数组进行快速傅里叶变换(FFT)输入参数:*xin复数结构体组的首地址指针,struct型*****************************************************************/ void FFT(struct compx *xin){int f,m,nv2,nm1,i,k,l,j=0;struct compx u,w,t;nv2=FFT_N/2; //变址运算,即把自然顺序变成倒位序,采用雷德算法 nm1=FFT_N-1;for(i=0;i<nm1;i++){if(i<j) //如果i<j,即进行变址{t=xin[j];xin[j]=xin[i];xin[i]=t;}k=nv2; //求j的下一个倒位序while(k<=j) //如果k<=j,表示j的最高位为1{j=j-k; //把最高位变成0k=k/2; //k/2,比较次高位,依次类推,逐个比较,直到某个位为0}j=j+k; //把0改为1}{int le,lei,ip; //FFT运算核,使用蝶形运算完成FFT 运算f=FFT_N;for(l=1;(f=f/2)!=1;l++) //计算l的值,即计算蝶形级数;for(m=1;m<=l;m++) // 控制蝶形结级数{ //m表示第m级蝶形,l为蝶形级总数l=log(2)Nle=2<<(m-1); //le蝶形结距离,即第m级蝶形的蝶形结相距le 点lei=le/2; //同一蝶形结中参加运算的两点的距离u.real=1.0; //u为蝶形结运算系数,初始值为1u.imag=0.0;w.real=cos(PI/lei); //w为系数商,即当前系数与前一个系数的商w.imag=-sin(PI/lei);for(j=0;j<=lei-1;j++) //控制计算不同种蝶形结,即计算系数不同的蝶形结{for(i=j;i<=FFT_N-1;i=i+le) //控制同一蝶形结运算,即计算系数相同蝶形结{ip=i+lei; //i,ip分别表示参加蝶形运算的两个节点 t=EE(xin[ip],u); //蝶形运算,详见公式xin[ip].real=xin[i].real-t.real;xin[ip].imag=xin[i].imag-t.imag;xin[i].real=xin[i].real+t.real;xin[i].imag=xin[i].imag+t.imag;}u=EE(u,w); //改变系数,进行下一个蝶形运算 }}}}/************************************************************函数原型:void main()函数功能:测试FFT变换,演示函数使用方法输入参数:无输出参数:无************************************************************/void main(){int i;for(i=0;i<FFT_N;i++) //给结构体赋值{s[i].real=sin(2*3.141592653589793*i/FFT_N); //实部为正弦波FFT_N 点采样,赋值为1s[i].imag=0; //虚部为0}FFT(s); //进行快速福利叶变换for(i=0;i<FFT_N;i++) //求变换后结果的模值,存入复数的实部部分s[i].real=sqrt(s[i].real*s[i].real+s[i].imag*s[i].imag);while(1);}%////二、%//////////////////////////////////////////////////////////////////// /////////////////////////////////////////%//////////////////////////////////////////////////////////////////// ///////////////////////////////////////%////////////////////////////////MATLAB仿真信号源的源程序:: Clear;Clc;t=O:O.01:3;yl=100*sin(pi/3*t);for t=-O:O.01:10;y2(1,n)=-61.1614*exp(-0.9*t);n=n+;endmin(y2)y=[yl,y2];figure(1);plot(y); %funboxing(O.001+1/3)%////////////////////////%/////////快速傅里叶变换matlab程序:%////////////////////////clc;clear;clf;N=input('Node number')T=input('cai yang jian ge')f=input('frenquency')choise=input('add zero or not? 1/0 ')n=0:T:(N-1)*T; %采样点k=0:N-1;x=sin(2*pi*f*n);if choise==1e=input('Input the number of zeros!')x=[x zeros(1,e)]N=N+e;elseend %加零k=0:N-1; %给k重新赋值,因为有可能出现加零状况bianzhi=bi2de(fliplr(de2bi(k,length(de2bi(N-1)))))+1;%利用库函数进行变址运算for l=1:NX(l)=x(bianzhi(l));%将采样后的值按照变址运算后的顺序放入X矩阵中endfor m=1:log2(N)d2=d1; %做蝶形运算的两个数之间的距离d1=d1*2; %同一级之下蝶形结之间的距离W=1; %蝶形运算系数的初始值dw=exp(-j*pi/d2); %蝶形运算系数的增加量for t=1:d2 %for i=t:d1:Ni1=i+d2;if(i1>N)break; %判断是否超出范围elsep=X(i1)*W;X(i1)=X(i)-p;X(i)=X(i)+p; %蝶形运算endendW=W*dw; %蝶形运算系数的变化endendsubplot(2,2,1);t=0:0.0000001:N*T;plot(t,sin(2*pi*f*t)); %画原曲线subplot(2,2,2);stem(k,x); %画采样后的离散信号subplot(2,2,3);stem(k,abs(X)/max(abs(X))); %画自己的fft的运算结果subplot(2,2,4);stem(k,abs(fft(x))/max(abs(fft(x)))); %调用系统的函数绘制结果,与自己的结果进行比较//////三、///////////////////////////////////////////////////////////////////// ////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////FFT的C语言算法实现////////////程序如下:/************FFT***********/#include <stdio.h>#include <math.h>#include <stdlib.h>#define N 1000typedef struct{double real;double img;}complex;void fft(); /*快速傅里叶变换*/void ifft(); /*快速傅里叶逆变换*/void initW();void change();void add(complex ,complex ,complex *); /*复数加法*/ void mul(complex ,complex ,complex *); /*复数乘法*/ void sub(complex ,complex ,complex *); /*复数减法*/ void divi(complex ,complex ,complex *);/*复数除法*/ void output(); /*输出结果*/complex x[N], *W;/*输出序列的值*/int size_x=0;/*输入序列的长度,只限2的N次方*/double PI;int main(){int i,method;system("cls");PI=atan(1)*4;printf("Please input the size of x:\n");/*输入序列的长度*/scanf("%d",&size_x);printf("Please input the data in x[N]:(such as:5 6)\n"); /*输入序列对应的值*/for(i=0;i<size_x;i++)scanf("%lf %lf",&x[i].real,&x[i].img);initW();/*选择FFT或逆FFT运算*/printf("Use FFT(0) or IFFT(1)?\n");scanf("%d",&method);if(method==0)fft();elseifft();output();return 0;}/*进行基-2 FFT运算*/void fft(){int i=0,j=0,k=0,l=0;complex up,down,product;change();for(i=0;i< log(size_x)/log(2) ;i++){l=1<<i;for(j=0;j<size_x;j+= 2*l ){for(k=0;k<l;k++){mul(x[j+k+l],W[size_x*k/2/l],&product);add(x[j+k],product,&up);sub(x[j+k],product,&down);x[j+k]=up;x[j+k+l]=down;}}}void ifft(){int i=0,j=0,k=0,l=size_x;complex up,down;for(i=0;i< (int)( log(size_x)/log(2) );i++) /*蝶形运算*/ {l/=2;for(j=0;j<size_x;j+= 2*l ){for(k=0;k<l;k++){add(x[j+k],x[j+k+l],&up);up.real/=2;up.img/=2;sub(x[j+k],x[j+k+l],&down);down.real/=2;down.img/=2;divi(down,W[size_x*k/2/l],&down);x[j+k]=up;x[j+k+l]=down;}}}change();}void initW(){int i;W=(complex *)malloc(sizeof(complex) * size_x);for(i=0;i<size_x;i++){W[i].real=cos(2*PI/size_x*i);W[i].img=-1*sin(2*PI/size_x*i);}void change(){complex temp;unsigned short i=0,j=0,k=0;double t;for(i=0;i<size_x;i++){k=i;j=0;t=(log(size_x)/log(2));while( (t--)>0 ){j=j<<1;j|=(k & 1);k=k>>1;}if(j>i){temp=x[i];x[i]=x[j];x[j]=temp;}}}void output() /*输出结果*/{int i;printf("The result are as follows\n"); for(i=0;i<size_x;i++){printf("%.4f",x[i].real);if(x[i].img>=0.0001)printf("+%.4fj\n",x[i].img);else if(fabs(x[i].img)<0.0001)printf("\n");elseprintf("%.4fj\n",x[i].img);}}void add(complex a,complex b,complex *c){c->real=a.real+b.real;c->img=a.img+b.img;}void mul(complex a,complex b,complex *c){c->real=a.real*b.real - a.img*b.img;c->img=a.real*b.img + a.img*b.real;}void sub(complex a,complex b,complex *c){c->real=a.real-b.real;c->img=a.img-b.img;}void divi(complex a,complex b,complex *c){c->real=( a.real*b.real+a.img*b.img )/(b.real*b.real+b.img*b.img);c->img=( a.img*b.real-a.real*b.img)/(b.real*b.real+b.img*b.img); }/////四、///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////%//////选带傅里叶变换(zoom-fft) MATLAB%移频(将选带的中心频率移动到零频)%数字低通滤波器(防止频率混叠)%重新采样(将采样的数据再次间隔采样,间隔的数据取决于分析的带宽,就是放大倍数)%复FFT (由于经过了移频,所以数据不是实数了)%频率调整(将负半轴的频率成分移到正半轴)function [f, y] = zfft(x, fi, fa, fs)% x为采集的数据% fi为分析的起始频率% fa为分析的截止频率% fs为采集数据的采样频率% f为输出的频率序列% y为输出的幅值序列(实数)f0 = (fi + fa) / 2; %中心频率N = length(x); %数据长度r = 0:N-1;b = 2*pi*f0.*r ./ fs;x1 = x .* exp(-1j .* b); %移频bw = fa - fi;B = fir1(32, bw / fs); %滤波截止频率为0.5bwx2 = filter(B, 1, x1);c = x2(1:floor(fs/bw):N); %重新采样N1 = length(c);f = linspace(fi, fa, N1);y = abs(fft(c)) ./ N1 * 2;y = circshift(y, [0, floor(N1/2)]); %将负半轴的幅值移过来end///////////////////////////////////////////////////////////////////// ////////////////////////////////////////////////////////////////////////////////////////////////////////////////////// /////////////////////////////////////%上边四程序测试应用实例:fs = 2048;T = 100;t = 0:1/fs:T;x = 30 * cos(2*pi*110.*t) + 30 * cos(2*pi*111.45.*t) + 25*c os(2*pi*112.3*t) + 48*cos(2*pi*113.8.*t)+50*cos(2*pi*114.5.*t); [f, y] = zfft(x, 109, 115, fs);plot(f, y);///////////////////////////////////////////////////////////////////// ////////////////////////////////////////////////图片效果:。

matlab编写fft傅里叶变换

matlab编写fft傅里叶变换

matlab编写fft傅里叶变换FFT算法是一种快速傅里叶变换算法,它可以快速地将一个离散时间函数转化为一组正弦和余弦函数。

matlab是一种十分实用的数学软件,可以用它编写FFT傅里叶变换。

下面,我将为大家介绍如何用matlab编写FFT傅里叶变换。

1. 准备数据首先,我们需要准备一组离散时间序列数据,以便进行傅里叶变换。

我们可以将其保存在一个数组中。

例如,以下代码创建一个包含10个元素的数组,表示正弦函数值:```matlabN=10;Fs=1000;Ts=1/Fs;t=0:Ts:(N-1)*Ts;f=50;x=sin(2*pi*f*t);```在这段代码中,N表示数组的长度,Fs表示采样率,Ts表示采样时间间隔,t表示时间向量,f表示正弦波频率,x表示正弦波,它是t的一个函数。

2. 执行FFT转换接下来,我们可以使用matlab的fft函数执行傅里叶变换。

下面是一个简单的示例:```matlabN=10;Fs=1000;Ts=1/Fs;t=0:Ts:(N-1)*Ts;f=50;x=sin(2*pi*f*t);y=fft(x);plot(abs(y))```在这段代码中,我们使用fft函数将x转换为频域信号y。

然后使用plot函数绘制y的模值。

模值是复杂函数的幅度,它表示频率分量的大小。

3. 分析傅里叶变换结果在上一步中,我们绘制了傅里叶变换的模值,但是还需要进一步分析结果。

我们可以使用matlab的abs函数计算幅度,使用angle函数计算相位。

以下是一个示例:```matlabN=10;Fs=1000;Ts=1/Fs;t=0:Ts:(N-1)*Ts;f=50;x=sin(2*pi*f*t);y=fft(x);Pyy = abs(y/N).^2;f = Fs*(0:(N/2))/N;plot(f,Pyy(1:N/2+1))```在这段代码中,我们使用abs函数计算幅度,使用angle函数计算相位。

matlab编程实现傅里叶变换

matlab编程实现傅里叶变换

傅里叶变换是信号处理和图像处理中的重要数学工具,可以将一个信号或图像从时域转换到频域。

MATLAB作为一款强大的数学软件,可以方便地实现傅里叶变换并进行相应的分析和处理。

本文将介绍如何使用MATLAB编程实现傅里叶变换,并探讨其在信号处理和图像处理中的应用。

一、MATLAB中的傅里叶变换函数在MATLAB中,可以使用fft函数来进行一维离散傅里叶变换(DFT)的计算,使用fft2函数进行二维离散傅里叶变换(DFT)的计算。

这两个函数的基本语法如下:1. 一维离散傅里叶变换Y = fft(X)其中,X是输入的一维信号(向量),Y是输出的一维频谱(向量)。

2. 二维离散傅里叶变换Y = fft2(X)其中,X是输入的二维图像(矩阵),Y是输出的二维频谱(矩阵)。

除了fft和fft2函数外,MATLAB还提供了ifft和ifft2函数用于进行离散傅里叶逆变换。

通过这些函数,我们可以方便地实现傅里叶变换和逆变换的计算。

二、MATLAB中的傅里叶变换实例为了更好地理解MATLAB中的傅里叶变换实现,我们可以通过一个具体的实例来进行演示。

假设我们有一个包含两个正弦波的信号,我们首先可以使用MATLAB生成这个信号,并对其进行傅里叶变换。

生成信号fs = 1000; 采样频率为1000Hzt = 0:1/fs:1-1/fs; 时间范围为1秒f1 = 50; 第一个正弦波的频率为50Hzf2 = 120; 第二个正弦波的频率为120Hzx = 0.7*sin(2*pi*f1*t) + sin(2*pi*f2*t); 生成包含两个正弦波的信号进行傅里叶变换N = length(x); 信号的长度X = fft(x)/N; 进行离散傅里叶变换,并进行归一化处理f = (0:N-1)*(fs/N); 计算频率轴figure;subplot(2,1,1);plot(f,abs(X)); 绘制频谱幅度title('单边频谱');xlabel('频率/Hz');ylabel('幅度');subplot(2,1,2);plot(f,angle(X)); 绘制频谱相位title('频谱相位');xlabel('频率/Hz');ylabel('相位');通过上面的实例,我们可以看到,MATLAB可以很方便地实现最常见的傅里叶变换,并且提供了丰富的绘图功能来呈现变换结果。

方波的fft变换matlab

方波的fft变换matlab

方波的fft变换matlab
嗨,以下是用MATLAB实现方波的FFT变换的方法:
首先,我们需要定义一个方波。

我们可以使用MATLAB的“square”函数来创建一个方波信号。

假设我们的象限值为1000,频率为10Hz。

```matlab
T = 1/10; % 周期
fs = 1000; % 采样频率
t = 0:1/fs:1-1/fs; % 时间
x = square(2*pi*t/T); % 方波信号
```
接下来,我们需要对方波信号进行FFT变换。

我们可以使用MATLAB的“fft”函数来处理此操作。

```matlab
N = length(x);% 信号长度
X = fft(x);% FFT变换
Pxx = X.*conj(X)/(N*(fs/2));% 计算功率谱
f = linspace(0,fs/2,length(Pxx));% 创建频率向量
```
现在,我们已经完成了FFT变换。

为了更好的可视化FFT结果,我们可以创建一个频谱图来显示振幅和频率。

```matlab
plot(f, 10*log10(Pxx))
grid on
title('方波的频谱图')
xlabel('频率 (Hz)')
ylabel('功率谱密度 (dB/Hz)')
```
运行脚本后,你会得到方波的频谱图。

matlab的fft变换

matlab的fft变换

在MATLAB中进行FFT(Fast Fourier Transform)变换,可以使用fft函数。

该函数将离散傅里叶变换(DFT)经过一系列变换得到简化式,使运算次数由原来的n^2次降为nlogn。

fft函数可以接受两个参数,第一个参数是待变换的序列y,第二个参数是序列的长度N。

如果y为一向量,则fft返回值是y的快速傅里叶变换,与y具有相同的长度;如果y为一矩阵,则fft对矩阵的每一列向量进行快速傅里叶变换。

需要注意的是,fft变换能分辨的最高频率为采样频率的一半(即Nyquist频率),函数fft返回值是以Nyqusit频率为轴对称的,Y的前一半与后一半是复数共轭关系。

以上信息仅供参考,如果还有疑问,建议查阅专业书籍或咨询专业人士。

Matlab编程实现FFT变换

Matlab编程实现FFT变换

Matlab编程实现FFT变换及频谱分析的程序代码内容1.用Matlab产生正弦波,矩形波,以及白噪声信号,并显示各自时域波形图2.进行FFT变换,显示各自频谱图,其中采样率,频率、数据长度自选3.做出上述三种信号的均方根图谱,功率图谱,以及对数均方根图谱4.用IFFT傅立叶反变换恢复信号,并显示恢复的正弦信号时域波形图源程序%*************************************************************** **********%% FFT实践及频谱分析%%*************************************************************** **********%%*************************************************************** **********%%***************1.正弦波****************%fs=100;%设定采样频率N=128;n=0:N-1;t=n/fs;f0=10;%设定正弦信号频率%生成正弦信号x=sin(2*pi*f0*t);figure(1);subplot(231);plot(t,x);%作正弦信号的时域波形xlabel('t');ylabel('y');title('正弦信号y=2*pi*10t时域波形');grid;%进行FFT变换并做频谱图y=fft(x,N);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(1);subplot(232);plot(f,mag);%做频谱图axis([0,100,0,80]);xlabel('频率(Hz)');ylabel('幅值');title('正弦信号y=2*pi*10t幅频谱图N=128');grid;%求均方根谱sq=abs(y);figure(1);subplot(233);plot(f,sq);xlabel('频率(Hz)');ylabel('均方根谱');title('正弦信号y=2*pi*10t均方根谱');grid;%求功率谱power=sq.^2;figure(1);subplot(234);plot(f,power);xlabel('频率(Hz)');ylabel('功率谱');title('正弦信号y=2*pi*10t功率谱');grid;%求对数谱ln=log(sq);figure(1);subplot(235);plot(f,ln);xlabel('频率(Hz)');ylabel('对数谱');title('正弦信号y=2*pi*10t对数谱');grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs;figure(1);subplot(236);plot(ti,magx);xlabel('t');ylabel('y');title('通过IFFT转换的正弦信号波形');grid;%****************2.矩形波****************% fs=10;%设定采样频率t=-5:0.1:5;x=rectpuls(t,2);x=x(1:99);figure(2);subplot(231);plot(t(1:99),x);%作矩形波的时域波形xlabel('t');ylabel('y');title('矩形波时域波形');grid;%进行FFT变换并做频谱图y=fft(x);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(2);subplot(232);plot(f,mag);%做频谱图xlabel('频率(Hz)');ylabel('幅值');title('矩形波幅频谱图');grid;%求均方根谱sq=abs(y);figure(2);subplot(233);plot(f,sq);xlabel('频率(Hz)');ylabel('均方根谱');title('矩形波均方根谱');grid;%求功率谱power=sq.^2;figure(2);subplot(234);plot(f,power);xlabel('频率(Hz)');ylabel('功率谱');title('矩形波功率谱');grid;%求对数谱ln=log(sq);figure(2);subplot(235);plot(f,ln);xlabel('频率(Hz)');ylabel('对数谱');title('矩形波对数谱');grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs;figure(2);subplot(236);plot(ti,magx);xlabel('t');ylabel('y');title('通过IFFT转换的矩形波波形');grid;%****************3.白噪声****************% fs=10;%设定采样频率t=-5:0.1:5;x=zeros(1,100);x(50)=100000;figure(3);subplot(231);plot(t(1:100),x);%作白噪声的时域波形xlabel('t');ylabel('y');title('白噪声时域波形');grid;%进行FFT变换并做频谱图y=fft(x);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(3);subplot(232);plot(f,mag);%做频谱图xlabel('频率(Hz)');ylabel('幅值');title('白噪声幅频谱图');grid;%求均方根谱sq=abs(y);figure(3);subplot(233);plot(f,sq);xlabel('频率(Hz)');ylabel('均方根谱');title('白噪声均方根谱');grid;%求功率谱power=sq.^2;figure(3);subplot(234);plot(f,power);xlabel('频率(Hz)');ylabel('功率谱');title('白噪声功率谱');grid;%求对数谱ln=log(sq);figure(3);subplot(235);plot(f,ln);xlabel('频率(Hz)');ylabel('对数谱');title('白噪声对数谱');grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs;figure(3);subplot(236);plot(ti,magx);xlabel('t');ylabel('y');title('通过IFFT转换的白噪声波形'); grid;。

用matlab实现fft算法

用matlab实现fft算法

用matlab实现fft算法A1=str2double(get(handles.edit8,'String'));A2=str2double(get(handles.edit9,'String'));F1=str2double(get(handles.edit10,'String'));F2=str2double(get(handles.edit11,'String'));Fs=str2double(get(handles.edit12,'String'));N=str2double(get(handles.edit13,'String'));t=[0:1/Fs:(N-1)/Fs];x=A1*sin(2*pi*F1*t)+A2*sin(2*pi*F2*t);%信号x的离散值axes(handles.axes1)%在axes1中作原始信号图plot(x);grid onm=nextpow2(x);N=2^m;%求x的长度对应的2的最低幂次m if length(x)<n< p="">x=[x,zeros(1,N-length(x))];%若x的长度不是2的幂,补零到2的整数幂endnxd=bin2dec(fliplr(dec2bin([1:N]-1,m)))+1;%求1:2^m数列序号的倒序y=x(nxd);%将x倒序排列作为y的初始值for L=1:m;%将DFT作m次基2分解,从左到右,对每次分解作DFT运算,共做m级蝶形运算,每一级都有2^(L-1)个蝶形结B=2^(L-1);%两个输入数据相距2^(L-1)for j=0:B-1;%J代表了不同的旋转因子p=2^(m-L)*j;for k=(j+1):2^L:N;%本次蝶形运算的跨越间隔为2^LWN=exp(-i*2*pi*p/N);%计算本次运算的旋转因子T=y(k)+y(k+B)*WN;%计算K地址上蝶形项y(k+B)=y(k)-y(k+B)*WN;%计算(K+B)地址上的蝶形项并仍然放回(K+B)y(k)=T;%将原来计算的K地址蝶形项放回K地址,注意必须先进行复数加法运算endendendaxes(handles.axes2)%在axes2中作自编fft运算后的幅频特性图Ayy=(abs(y));%取模Ayy=Ayy/(N/2);%换算成实际的幅度F=([1:N]-1)*Fs/N;%换算成实际的频率值stem(F(1:N/2),Ayy(1:N/2));%显示换算后的FFT模值结果axes(handles.axes3)%在axes3中作系统fft运算后的幅频特性图G=fft(x,N);%利用系统作N点FFT变换,作对比Ayy1=(abs(G));%取模Ayy1=Ayy1/(N/2);%换算成实际的幅度F=([1:N]-1)*Fs/N;%换算成实际的频率值stem(F(1:N/2),Ayy1(1:N/2));%显示换算后的FFT模值结果GUI界面所得频谱图:图1由图1可知,我所编写的fft算法与系统自带的fft算法结果一致,是正确的倘若我未知信号频率f1,f2,仍然设f1=50Hz,f2=80Hz,在保证Fs大于两倍信号频率的前提下(Fs仍然为256Hz)改变采样点数,取N=64图2由图2可知,50Hz频率点处产生误差取N=40图3由图3可知,50Hz频率点和80Hz频率点处均产生误差再取N=8图4误差更大了!取N=1000图5由图五可知,当N=1000时,所得图形接近理想值再取N=1024图6与理想值符合,但与图1比,分辨率更高结论:当我们已知一个周期信号的周期时,我们对其进行频谱分析的时候,(由图1和图6可知)对其进行fft运算所取的点数N必须满足分辨率(Fs/N)能够被信号频率整除才能保证没有误差,但是在实际的情况中,我们往往不知道信号的周期是多少,所以我们在对这类未知信号进行频谱分析的时候,在保证时域采样频率满足乃奎斯特条件的情况下,对其作FFT运算的时候采样点数N尽量地取大一点,这样才能保证减小误差,由图3与图5对比可知,当N的值较大时,所得到的频谱图误差较小,反之误差很大。

  1. 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. 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. 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)。

Matlab编程实现FFT变换及频谱分析的程序代码
内容
1.用Matlab产生正弦波,矩形波,以及白噪声信号,并显示各自时域波形图
2.进行FFT变换,显示各自频谱图,其中采样率,频率、数据长度自选
3.做出上述三种信号的均方根图谱,功率图谱,以及对数均方根图谱
4.用IFFT傅立叶反变换恢复信号,并显示恢复的正弦信号时域波形图
源程序
%*************************************************************** **********%
% FFT实践及频谱分析%
%*************************************************************** **********%
%*************************************************************** **********%
%***************1.正弦波****************%
fs=100;%设定采样频率
N=128;
n=0:N-1;
t=n/fs;
f0=10;%设定正弦信号频率
%生成正弦信号
x=sin(2*pi*f0*t);
figure(1);
subplot(231);
plot(t,x);%作正弦信号的时域波形
xlabel('t');
ylabel('y');
title('正弦信号y=2*pi*10t时域波形');
grid;
%进行FFT变换并做频谱图
y=fft(x,N);%进行fft变换
mag=abs(y);%求幅值
f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换
figure(1);
subplot(232);
plot(f,mag);%做频谱图
axis([0,100,0,80]);
xlabel('频率(Hz)');
ylabel('幅值');
title('正弦信号y=2*pi*10t幅频谱图N=128');
grid;
%求均方根谱
sq=abs(y);
figure(1);
subplot(233);
plot(f,sq);
xlabel('频率(Hz)');
ylabel('均方根谱');
title('正弦信号y=2*pi*10t均方根谱');
grid;
%求功率谱
power=sq.^2;
figure(1);
subplot(234);
plot(f,power);
xlabel('频率(Hz)');
ylabel('功率谱');
title('正弦信号y=2*pi*10t功率谱');
grid;
%求对数谱
ln=log(sq);
figure(1);
subplot(235);
plot(f,ln);
xlabel('频率(Hz)');
ylabel('对数谱');
title('正弦信号y=2*pi*10t对数谱');
grid;
%用IFFT恢复原始信号
xifft=ifft(y);
magx=real(xifft);
ti=[0:length(xifft)-1]/fs;
figure(1);
subplot(236);
plot(ti,magx);
xlabel('t');
ylabel('y');
title('通过IFFT转换的正弦信号波形');
grid;
%****************2.矩形波****************% fs=10;%设定采样频率
t=-5:0.1:5;
x=rectpuls(t,2);
x=x(1:99);
figure(2);
subplot(231);
plot(t(1:99),x);%作矩形波的时域波形
xlabel('t');
ylabel('y');
title('矩形波时域波形');
grid;
%进行FFT变换并做频谱图
y=fft(x);%进行fft变换
mag=abs(y);%求幅值
f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(2);
subplot(232);
plot(f,mag);%做频谱图
xlabel('频率(Hz)');
ylabel('幅值');
title('矩形波幅频谱图');
grid;
%求均方根谱
sq=abs(y);
figure(2);
subplot(233);
plot(f,sq);
xlabel('频率(Hz)');
ylabel('均方根谱');
title('矩形波均方根谱');
grid;
%求功率谱
power=sq.^2;
figure(2);
subplot(234);
plot(f,power);
xlabel('频率(Hz)');
ylabel('功率谱');
title('矩形波功率谱');
grid;
%求对数谱
ln=log(sq);
figure(2);
subplot(235);
plot(f,ln);
xlabel('频率(Hz)');
ylabel('对数谱');
title('矩形波对数谱');
grid;
%用IFFT恢复原始信号
xifft=ifft(y);
magx=real(xifft);
ti=[0:length(xifft)-1]/fs;
figure(2);
subplot(236);
plot(ti,magx);
xlabel('t');
ylabel('y');
title('通过IFFT转换的矩形波波形');
grid;
%****************3.白噪声****************% fs=10;%设定采样频率
t=-5:0.1:5;
x=zeros(1,100);
x(50)=100000;
figure(3);
subplot(231);
plot(t(1:100),x);%作白噪声的时域波形
xlabel('t');
ylabel('y');
title('白噪声时域波形');
grid;
%进行FFT变换并做频谱图
y=fft(x);%进行fft变换
mag=abs(y);%求幅值
f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(3);
subplot(232);
plot(f,mag);%做频谱图
xlabel('频率(Hz)');
ylabel('幅值');
title('白噪声幅频谱图');
grid;
%求均方根谱
sq=abs(y);
figure(3);
subplot(233);
plot(f,sq);
xlabel('频率(Hz)');
ylabel('均方根谱');
title('白噪声均方根谱');
grid;
%求功率谱
power=sq.^2;
figure(3);
subplot(234);
plot(f,power);
xlabel('频率(Hz)');
ylabel('功率谱');
title('白噪声功率谱');
grid;
%求对数谱
ln=log(sq);
figure(3);
subplot(235);
plot(f,ln);
xlabel('频率(Hz)');
ylabel('对数谱');
title('白噪声对数谱');
grid;
%用IFFT恢复原始信号
xifft=ifft(y);
magx=real(xifft);
ti=[0:length(xifft)-1]/fs;
figure(3);
subplot(236);
plot(ti,magx);
xlabel('t');
ylabel('y');
title('通过IFFT转换的白噪声波形'); grid;。

相关文档
最新文档