Python FFT

最新推荐文章于 2022-10-28 09:55:25 发布
原创 最新推荐文章于 2022-10-28 09:55:25 发布 · 359 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 

from scipy.fftpack import fft,ifft
import numpy as np

data_array = np.array([
1156	,
1152	,
1136	,
1128	,
1120	,
1112	,
1102	,
1100	,
1088	,
1088	,
1066	,
1074	,
1056	,
1056	,
1042	,
1040	,
1032	,
1028	,
1024	,
1024	,
1008	,
1004	,
1000	,
1008	,
984	,
992	,
976	,
972	,
960	,
960	,
944	,
948	,
948	,
976	,
994	,
1056	,
1098	,
1160	,
1188	,
1224	,
1238	,
1260	,
1259	,
1268	,
1256	,
1264	,
1248	,
1248	,
1240	,
1240	,
1232	,
1232	,
1232	,
1232	,
1218	,
1216	,
1202	,
1192	,
1176	,
1172	,
1172	,
1172	,
1170	,
1176	,
1184	,
1184	,
1176	,
1176	,
1172	,
1164	,
1164	,
1152	,
1152	,
1130	,
1136	,
1120	,
1112	,
1104	,
1104	,
1088	,
1076	,
1064	,
1064	,
1056	,
1044	,
1036	,
1040	,
1024	,
1024	,
1008	,
1012	,
996	,
1000	,
984	,
992	,
976	,
984	,
968	,
972	,
960	,
960	,
936	,
936	,
932	,
948	,
962	,
1008	,
1058	,
1120	,
1168	,
1208	,
1240	,
1256	,
1264	,
1280	,
1280	,
1280	,
1266	,
1272	,
1264	,
1260	,
1256	,
1257	,
1252	,
1252	,
1248	,
1250	,
1240	,
1224	,
1220	,
1216	,
1204	,
1200	,
1200	,
1188	,
1200	,
1196	,
1200	,
1200	,
1196	,
1192	,
1194	,
1184	,
1184	,
1172	,
1161	,
1152	,
1152	,
1136	,
1128	,
1108	,
1112	,
1092	,
1096	,
1080	,
1080	,
1056	,
1072	,
1041	,
1056	,
1032	,
1036	,
1024	,
1024	,
1010	,
1024	,
1000	,
1000	,
984	,
992	,
976	,
976	,
964	,
960	,
960	,
948	,
944	,
944	,
940	,
966	,
1008	,
1068	,
1120	,
1176	,
1216	,
1248	,
1268	,
1282	,
1292	,
1286	,
1288	,
1284	,
1280	,
1280	,
1280	,
1268	,
1280	,
1264	,
1280	,
1260	,
1260	,
1256	,
1248	,
1232	,
1232	,
1216	,
1220	,
1204	,
1216	,
1210	,
1210	,
1206	,
1216	,
1204	,
1206	,
1192	,
1196	,
1188	,
1184	,
1168	,
1172	,
1152	,
1140	,
1128	,
1128	,
1112	,
1112	,
1092	,
1092	,
1080	,
1080	,
1060	,
1058	,
1044	,
1040	,
1028	,
1032	,
1024	,
1024	,
1024	,
1024	,
1000	,
992	,
984	,
984	,
976	,
968	,
960	,
960	,
952	,
960	,
982	,
1024	,
1072	,
1128	,
1178	,
1218	,
1252	,
1266	,
1292	,
1292	,
1296	,
1296	,
1288	,
1288	,
1286	,
1266	,
1280	,
1264	,
1264	,
1264	,
1264	,
1256	,
1252	,
1232	,
1236	,
1216	,
1216	,
1200	,
1208	,
1200	,
1208	,
1200	,
1216	,
1216	,
1216	,
1202	,
1200	,
1192	,
1188	,
1172	,
1168	,
1156	,
1158	,
1140	,
1144	,
1124	,
1120	,
1112	,
1104	,
1092	,
1088	,
1072	,
1072	,
1064	,
1064	,
1050	,
1048	,
1048	,
1040	,
1032	,
1024	,
1024	,
1004	,
1004	,
1000	,
992	,
992	,
984	,
976	,
976	,
976	,
1008	,
1040	,
1096	,
1152	,
1204	,
1234	,
1280	,
1280	,
1304	,
1296	,
1312	,
1296	,
1296	,
1280	,
1284	,
1264	,
1268	,
1258	,
1264	,
1252	,
1252	,
1232	,
1236	,
1209	,
1216	,
1200	,
1202	,
1194	,
1204	,
1200	,
1210	,
1200	,
1204	,
1192	,
1208	,
1186	,
1192	,
1184	,
1176	,
1168	,
1156	,
1152	,
1136	,
1124	,
1120	,
1104	,
1096	,
1092	,
1088	,
1075	,
1072	,
1062	,
1052	,
1042	,
1036	,
1032	,
1032	,
1024	,
1024	,
1024	,
1008	,
1012	,
996	,
996	,
984	,
980	,
972	,
968	,
954	,
978	,
996	,
1040	,
1092	,
1160	,
1200	,
1248	,
1272	,
1304	,
1312	,
1324	,
1320	,
1322	,
1316	,
1314	,
1304	,
1304	,
1292	,
1296	,
1288	,
1296	,
1290	,
1296	,
1280	,
1280	,
1258	,
1256	,
1236	,
1248	,
1232	,
1234	,
1232	,
1234	,
1232	,
1236	,
1233	,
1232	,
1224	,
1220	,
1216	,
1202	,
1194	,
1184	,
1168	,
1168	,
1160	,
1152	,
1138	,
1132	,
1124	,
1112	,
1109	,
1104	,
1092	,
1080	,
1088	,
1072	,
1072	,
1060	,
1062	,
1052	,
1056	,
1040	,
1040	,
1028	,
1032	,
1024	,
1024	,
1004	,
1008	,
1002	,
1028	,
1050	,
1108	,
1152	,
1216	,
1248	,
1294	,
1306	,
1344	,
1333	,
1352	,
1335	,
1348	,
1328	,
1332	,
1322	,
1328	,
1324	,
1328	,
1316	,
1316	,
1312	,
1304	,
1298	,
1288	,
1280	,
1258	,
1256	,
1256	,
1248	,
1249	,
1248	,
1248	,
1248	,
1250	,
1248	,
1248	,
1240	,
1232	,
1220	,
1216	,
1200	,
1192	,
1184	,
1174	,
1168	,
1152	,
1154	,
1136	,
1136	,
1120	,
1120	,
1112	,
1112	,
1090	,
1096	,
1088	,
1080	,
1064	,
1072	,
1064	,
1064	,
1046	,
1048	,
1038	,
1036	,
1024	,
1024	,
1002	,
1006	,
992	,
1024	,
1024	,
1072	,
1112	,
1178	,
1216	,
1264	,
1280	,
1316	,
1316	,
1332	,
1328	,
1336	,
1320	,
1320	,
1312	,
1312	,
1312	,
1304	,
1296	,
1300	,
1296	,
1296	,
1288	,
1281	,
1264	,
1252	,
1248	,
1240	,
1240	,
1240	,
1240	,
1236	,
1240	,
1240	,
1236	,
1236	,
1240	,
1220	,
1222	,
1208	,
1204	,
1187	,
1184	,
1176	,
1176	,
1158	,
1160	,
1144	,
1140	,
1124	,
1124	,
1113	,
1114	,
1104	,
1104	,
1090	,
1088	,
1074	,
1080	,
1056	,
1072	,
1051	,
1050	,
1040	,
1040	,
1024	,
1028	,
1024	,
1036	,
1048	,
1096	,
1140	,
1196	,
1232	,
1272	,
1296	,
1316	,
1323	,
1332	,
1329	,
1328	,
1313	,
1312	,
1304	,
1298	,
1298	,
1298	,
1290	,
1284	,
1280	,
1268	,
1264	,
1248	,
1240	,
1236	,
1228	,
1228	,
1228	,
1224	,
1234	,
1226	,
1232	,
1224	,
1224	,
1216	,
1216	,
1200	,
1204	,
1188	,
1184	,
1168	,
1168	,
1152	,
1152	,
1136	,
1136	,
1112	,
1112	,
1104	,
1104	,
1091	,
1088	,
1072	,
1072	,
1056	,
1064	,
1044	,
1050	,
1032	,
1040	,
1032	,
1028	,
1024	,
1024	,
1008	,
1000	,
988	,
996	,
1008	,
1040	,
1088	,
1140	,
1192	,
1248	,
1280	,
1304	,
1320	,
1332	,
1336	,
1336	,
1334	,
1328	,
1328	,
1328	,
1320	,
1320	,
1320	,
1316	,
1313	,
1312	,
1312	,
1296	,
1296	,
1280	,
1280	,
1264	,
1268	,
1256	,
1256	,
1250	,
1256	,
1252	,
1256	,
1250	,
1250	,
1238	,
1240	,
1224	,
1232	,
1204	,
1200	,
1184	,
1188	,
1166	,
1168	,
1156	,
1154	,
1128	,
1136	,
1112	,
1120	,
1100	,
1104	,
1088	,
1088	,
1072	,
1080	,
1072	,
1072	,
1056	,
1060	,
1042	,
1040	,
1032	,
1026	,
1024	,
1024	,
1008	,
1024	,
1024	,
1060	,
1100	,
1156	,
1201	,
1250	,
1294	,
1318	,
1337	,
1348	,
1356	,
1356	,
1352	,
1346	,
1348	,
1330	,
1344	,
1330	,
1344	,
1332	,
1333	,
1328	,
1328	,
1312	,
1306	,
1290	,
1288	,
1280	,
1280	,
1258	,
1268	,
1264	,
1268	,
1264	,
1264	,
1252	,
1260	,
1240	,
1248	,
1232	,
1224	,
1216	,
1216	,
1188	,
1192	,
1172	,
1170	,
1152	,
1152	,
1136	,
1128	,
1120	,
1120	,
1108	,
1104	,
1092	,
1092	,
1088	,
1073	,
1064	,
1064	,
1056	,
1056	,
1048	,
1040	,
1036	,
1028	,
1026	,
1008	,
1004	,
1000	,
996	,
1004	,
1032	,
1072	,
1128	,
1184	,
1244	,
1280	,
1312	,
1320	,
1332	,
1344	,
1344	,
1330	,
1332	,
1322	,
1328	,
1320	,
1320	,
1306	,
1320	,
1304	,
1308	,
1296	,
1292	,
1280	,
1280	,
1252	,
1256	,
1248	,
1256	,
1240	,
1250	,
1248	,
1252	,
1241	,
1244	,
1236	,
1244	,
1228	,
1224	,
1200	,
1204	,
1184	,
1184	,
1168	,
1168	,
1154	,
1144	,
1136	,
1128	,
1120	,
1112	,
1104	,
1096	,
1088	,
1076	,
1072	,
1072	,
1062	,
1060	,
1052	,
1050	,
1040	,
1032	,
1032	,
1024	,
1012	,
1008	,
1008	,
1000	,
1008	,
1028	,
1068	,
1112	,
1178	,
1216	,
1264	,
1292	,
1316	,
1324	,
1344	,
1328	,
1336	,
1320	,
1320	,
1312	,
1312	,
1304	,
1312	,
1296	,
1306	,
1288	,
1292	,
1280	,
1264	,
1253	,
1249	,
1240	,
1240	,
1232	,
1236	,
1232	,
1240	,
1232	,
1232	,
1228	,
1224	,
1220	,
1208	,
1200	,
1192	,
1184	,
1176	,
1162	,
1156	,
1152	,
1128	,
1124	,
1116	,
1108	,
1100	,
1096	,
1092	,
1080	,
1072	,
1068	,
1064	,
1056	,
1044	,
1056	,
1040	,
1036	,
1032	,
1024	,
1024	,
1024	,
1004	,
1008	,
990	,
992	,
976	,
982	,
978	,
1008	,
1040	,
1104	,
1152	,
1208	,
1236	,
1280	,
1287	,
1316	,
1305	,
1316	,
1304	,
1314	,
1298	,
1304	,
1296	,
1296	,
1292	,
1300	,
1288	,
1294	,
1280	,
1280	,
1264	,
1256	,
1248	,
1237	,
1232	,
1224	,
1224	,
1226	,
1224	,
1224	,
1219	,
1226	,
1217	,
1216	,
1202	,
1200	,
1196	,
1184	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,
1172	,

])
print(len(data_array))

x = np.linspace(0, 1, 3000)

# 设置需要采样的信号，频率分量有200，400和600
y = 1000+7 * np.sin(2 * np.pi * 200 * x) + 5 * np.sin(2 * np.pi * 400 * x)+ 10 * np.sin(2 * np.pi * 1.5 * x)
print(type(y))
fft_val=fft(data_array)
fft_val1=fft(y)

abs_y=np.abs(fft_val)/len(fft_val)
abs_y1=np.abs(fft_val1)/len(fft_val1)
print(type(abs_y))
print(abs_y)

f = open('c:2.txt', mode='w')
for i in range(0,len(abs_y)):
    f.write(str(abs_y[i])+'\n')
#f.write(str(abs_y))
f.close()

 

 

MCU和Python计算FFT，结果都一样。

numpy 很有用的库。 

使用python进行傅里叶FFT 频谱分析
qq_39720178的博客
04-29 1万+
目录 一、一些关键概念的引入 1.1.离散傅里叶变换（DFT） 1.2快速傅里叶变换（FFT） 1.3.采样频率以及采样定率 1.4.如何理解采样定理 二、使用scipy包实现快速傅里叶变换 2.1.产生原始信号——原始信号是三个正弦波的叠加 2.2.快速傅里叶变换 2.3.FFT的原始频谱 2.4.将振幅谱进行归一化和取半处理 三、完整代码 一、一些关键概念的引入 1.1、离散傅里叶变换（DFT） 离散傅里叶变换(discrete Fourie...
python fft函数_FFT快速傅里叶变换的python实现过程解析
weixin_30592681的博客
12-23 4718
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。# encoding=utf-8import numpy as npimport pylab as pl # 导入和matplotlib同时安装的作图库pylabsampling_rate = 8000 # 采样频率8000Hzfft_size = 512 # 采样点512，就是说以8000Hz的...
python实现FFT（快速傅里叶变换）
诗酒趁年华的博客
04-08 2万+
python实现FFT（快速傅里叶变换） 简单定义一个FFT函数，以后的使用中可以直接幅值粘贴使用。 首先生成了一个频率为1、振幅为1的正弦函数： 然后计算该信号的频率和幅值，得到计算结果如下： 其中计算相位角我使用的较少，为了提高计算效率一般是注释掉了，不在意这点效率的话可以保留。 # 所使用到的库函数 import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft # 简单定义一个FFT函数 def myff
python 之FFT
weixin_42528089的博客
10-31 6842
获取信号的频域信息，FFT是可行性方案，本文有两种求FFT 的方法，个人觉得第一种方法比较好，简单一点。第二种方法比较复杂。 方法1： from scipy.fftpack import fft import matplotlib.pyplot as plt import numpy as np # Number of sample points N =600 # sample spaci...
Python_FFT
weixin_43210097的博客
09-21 1595
简单记录一下，免得到时候又去四处找代码。 这部分代码是我朋友写的，在这推荐一下他的博客： 叮叮当当sunny 很强的一位小伙伴，感兴趣的朋友可以看看。 上代码： import numpy as np from scipy.fftpack import fft def FFT(data,Fs): n=len(data) if n%2!=0: n-=1 # data=data[range(0,n)] #由于要进行取半处理，所以将n与2取余
Python数据处理—复杂信号傅里叶变换（FFT）
heibaisemang的专栏
08-16 2万+
FFT (Fast Fourier Transform, 快速傅里叶变换) 是离散傅里叶变换的快速算法，也是数字信号处理技术中经常会提到的一个概念。用快速傅里叶变换能将时域的数字信号转换为频域信号，转换为频域信号后我们可以很方便地分析出信号的频率成分。 单频信号FFT # single frequency signal sampling_rate = 2**14 fft_size = 2**...
FFT.zip_fft_fft python_python FFT程序_python fft
09-23
标题中的"FFT.zip_fft_fft python_python FFT程序_python fft"表明这是一个关于快速傅里叶变换（FFT）的Python程序集合，其中可能包含一个或多个用于执行FFT的代码文件。FFT是一种在数字信号处理和图像处理等领域...
Python FFT合成波形的实例
12-23
在本文中，我们将深入探讨如何使用Python的numpy模块和matplotlib库来合成波形，特别是通过离散傅里叶变换(FFT)合成矩形波和方波。离散傅里叶变换是数字信号处理中的一项重要技术，它允许我们将时域信号转换到频域，...
python fft测试的使用 简述了python中fft的使用，并给出了python2测试代码示例
08-17
Python FFT 测试使用 在Python中，Fast Fourier Transform (FFT) 是一种用于处理信号频谱的重要工具，尤其在科学计算和工程领域。FFT算法能够高效地计算离散傅里叶变换（DFT），大大减少了计算量。在Python中，我们...
Python实现快速傅里叶变换（FFT）
haodawei123的博客
05-20 1536
import numpy as np import matplotlib.pyplot as plt #采样点选择1400个，因为设置的信号频率分量最高为600赫兹，根据采样定理知采样频率要大于信号频率2倍，所以这里设置采 #样频率为1400赫兹（即一秒内有1400个采样点，一样意思的） x=np.linspace(0,1,1400) #设置需要采样的信号，频率分量有180，390和600 y=7...
FFT的Python实现
08-02
提取语音信号MFCC特征过程中对信号进行FFT变换的代码实现
Python实现快速傅里叶变换的方法（FFT）
09-20
主要介绍了Python实现快速傅里叶变换的方法（FFT），小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
Python中利用FFT（快速傅里叶变换）进行频谱分析
热门推荐
莫比的博客
10-28 3万+
本文将从实例的角度出发讲解Python中fft函数的基本使用，对已知信号进行频谱分析，不包含复杂的理论推导。
Python FFT实现
life_86的博客
04-23 4845
import numpy as np import cv2 import matplotlib.pyplot as plt # # file_path = 'D:\\code_python\\KAIR\\visualization\\x0.png' # file_path = 'D:\\dataset\\test\\classic5\\lena.bmp' # img = cv2.imread(file_path)[:,:,0] #cv2默认是BGR通道顺序，这里调整到RGB # # img = cv2..
python fft 库,使用Python对图像进行FFT
weixin_36451610的博客
12-11 1538
I have a problem with FFT implementation in Python. I have completely strange results.Ok so, I want to open image, get value of every pixel in RGB, then I need to use fft on it, and convert to image a...
信号处理 - 快速傅里叶变换(FFT) - python代码讲解
m0_54866636的博客
06-21 9822
注：该文适合在jupyter notebook编辑器上演示FT、DFT、FFT的关系： 傅里叶变换(FT)是针对连续信号的，不适用于离散信号。而实际测得的信号（如振动、电流等）都是不连续即离散的，这个时候离散傅里叶变换（DFT）出现了，用来针对离散信号的做傅里叶变换。但是DFT从数学上计算是可行的，但给计算机计算，比较复杂，因此J.W.库利和T.W.图基提出了快速傅里叶变换 (FFT), 其目的是利用计算机来高效、快速计算离散傅里叶变换。周期性信号，平稳信号(简单可理解其频率不随时间变化)先产生一段正弦信号
FFT算法实现——python
NO_9583的博客
10-30 3969
文章目录基2FFT算法原代码实现 基2FFT算法原 }{ 1、先将原序列倒序。 自然顺序数I加1，狮子啊顺序表的二进制数的最低位加1，逢二向高位进位；而倒序数是在M位二进制数的最高位加1，逢2向低位进位。 2、蝶形运算 定义：2点DFT运算称为蝶形运算 设序列x(n)经过倒序后，如果两个输入数据相距B个点，则： AL(J):=AL−1(J)+AL−1(J+B)WNPAL(J+B):=AL−1(J)...
PYTHON FFT
最新发布
03-11
<think>好的，我现在需要回答用户关于如何在Python中实现FFT的问题。根据用户提供的引用内容，我需要综合这些信息来给出一个清晰的步骤。首先，用户提到了numpy库中的fft模块，这应该是最简单的方法。然后，引用中还提到了自己实现的DFT和FFT代码，但用户可能更倾向于使用现有的库，因为效率更高。 首先，我应该介绍使用numpy的fft.fft方法，这是最直接的方式。然后，如果需要，可以展示如何手动实现FFT，但需要指出这可能不如库函数高效。同时，要确保代码示例正确，并解释关键步骤，比如生成信号、应用FFT、计算频率和幅值等。此外，还需要注意用户提到的格式要求，比如行内数学公式用$...$，独立公式用$$...$$，并且正确使用中文回答。 另外，用户要求生成相关问题，我需要根据FFT的实现和应用提出几个相关的问题，比如性能优化、应用场景、与DFT的区别等。还要检查引用标识是否正确添加，比如在提到numpy的fft模块时引用[^1]，在提到手动实现时引用[^2]和[^3]。 最后，确保整个回答结构清晰，步骤明确，符合用户要求的格式，并且所有LaTeX语法正确。例如，在提到傅里叶变换公式时，使用$$...$$包裹，并正确转义字符。</think>### 如何在Python中实现FFT（快速傅里叶变换） #### 方法1：使用`numpy.fft`库（推荐） 1. **导入库** ```python import numpy as np ``` 2. **生成时域信号** 例如，生成一个包含多个频率的正弦信号： $$x(t) = \sin(2\pi f_1 t) + 0.5\sin(2\pi f_2 t)$$ ```python fs = 1000 # 采样频率 t = np.linspace(0, 1, fs) # 时间序列（1秒） f1, f2 = 50, 120 # 信号频率 signal = np.sin(2 * np.pi * f1 * t) + 0.5 * np.sin(2 * np.pi * f2 * t) ``` 3. **应用FFT** ```python fft_result = np.fft.fft(signal) # 计算FFT ``` 4. **计算频率轴和幅值** ```python n = len(signal) freq = np.fft.fftfreq(n, d=1/fs) # 频率轴 magnitude = np.abs(fft_result) * 2 / n # 幅值归一化 ``` 5. **可视化结果** ```python import matplotlib.pyplot as plt plt.plot(freq[:n//2], magnitude[:n//2]) # 仅显示正频率部分 plt.xlabel("频率 (Hz)") plt.ylabel("幅值") plt.show() ``` #### 方法2：手动实现FFT（仅用于理解原理） 以下是一个简化的递归Cooley-Tukey FFT算法实现（效率低于库函数）[^3]： ```python def fft(x): x = np.asarray(x, dtype=np.complex128) N = x.shape[0] if N <= 1: return x even = fft(x[::2]) # 偶数列 odd = fft(x[1::2]) # 奇数列 factor = np.exp(-2j * np.pi * np.arange(N) / N) return np.concatenate([even + factor[:N//2] * odd, even + factor[N//2:] * odd]) # 测试对比 x = np.random.random(1024) print(np.allclose(fft(x), np.fft.fft(x))) # 输出应为True ``` --- ### 关键说明 1. **FFT与DFT的关系** FFT是DFT（离散傅里叶变换）的快速算法，计算复杂度为$O(N\log N)$，而DFT为$O(N^2)$[^3]。 2. **应用场景** - 信号频谱分析（如音频、振动信号） - 图像频域滤波 - 通信系统的正交频分复用（OFDM） 3. **注意事项** - 输入信号长度建议为$2^n$以提高效率 - 需处理复数结果的幅值和相位信息 - 注意频谱泄露问题（可通过加窗缓解） ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值