Den här artikeln kommer att lära oss om hur FFT i MATLAB.
Förstå FFT
De Fast Fourier Transform (FFT) representerar speciell teknik som hjälper oss att förstå signaler på olika sätt. Normalt visas signaler som sekvenser av tal som ändras över tiden, men med FFT, vi kan se vilka olika frekvenser som finns i signalen och hur starka de är. Det är som att bryta ner en signal i dess musikaliska toner och se hur hög varje ton är.
De FFT Algoritmen gör mycket komplex matematik på signaldata. Den tar signalen och delar upp den i mindre delar, beräknar sedan frekvenserna och deras styrkor för varje del. Slutligen kombinerar den alla resultat för att ge oss en bild av signalens frekvensinnehåll, fasförhållanden och andra viktiga egenskaper.
Denna teknik används inom många områden eftersom den hjälper oss att analysera och förstå signaler bättre. Till exempel i signalbehandling , vi kan använda FFT för att filtrera bort oönskat brus eller upptäcka specifika mönster. I ljudanalys , kan vi identifiera olika ljud eller analysera kvaliteten på en ljudinspelning. I bildbehandling , FFT kan hjälpa oss att analysera de rumsliga frekvenserna i bilden. Och inom telekommunikation, FFT används för att effektivt sända och ta emot signaler.
Hur man använder FFT i MATLAB
MATLAB tillhandahåller en inbyggd funktion som kallas fft som gör att vi kan prestera Fast Fourier Transform (FFT) beräkningar på signaler. Denna funktion är lätt att använda och erbjuder olika alternativ för att analysera och manipulera signaler i frekvensdomänen:
Syntaxen för att använda FFT funktioner i MATLAB ges nedan:
F = fft ( x )F = fft ( x,n )
F = fft ( x,n,dim )
Här:
F= fft(x) ger beräkningen av Diskret Fourier Transform (DFT) av x med hjälp av Fast Fourier Transform (FFT) algoritm.
- Om x representerar en vektor, fft(x) ger vektorns Fouriertransform.
- Om x representerar en matris, fft(x) tillhandahåller Fourier-transformen för varje kolumn genom att behandla varje kolumn som en vektor.
F = fft(x,n) ger n-punkts DFT. F har samma storlek som x när inget värde anges.
- Om x är en vektor och dess längd är mindre än n, får x utfyllnad med efterföljande nollor tills den når n.
- Om x är en vektor och dess längd överstiger n, trunkeras den till den längden n.
- Om x är en matris betraktas varje kolumn som ett vektorfall.
F = fft(x,n,dim) ger Fourier Transform längs den givna dimensionen dim. Låt oss säga, fft(x, n, 2) ger n-punkts Fouriertransformen för varje rad om x representerar en matris.
Följande exempel illustrerar hur FFT funktion i MATLAB.
Exempel 1
Vi kan använda FFT i MATLAB för att demonstrera generering och analys av en signal med specifika frekvenskomponenter och slumpmässigt brus.
Till exempel:
ls = 2000 ;fs = 1500 ;
ts = 1 /fs;
tv = ( 0 :ls- 1 ) *ts;
f = 0,6 * utan ( 2 * pi * femtio *tv ) + 3 * randn ( storlek ( tv ) ) + utan ( 2 * pi * 120 *tv ) ;
komplott ( 1000 *tv ( 1 : femtio ) ,f ( 1 : femtio ) )
xlabel ( 'tv (ms)' )
ylabel ( 'f(tv)' )
titel ( 'Korrupt signal med nollmedelvärde slumpmässigt brus' )
F = fft ( f ) ;
PS2 = magmuskler ( F/ ls ) ;
PS1 = PS2 ( 1 : ls / 2 + 1 ) ;
PS1 ( 2 :slutet- 1 ) = 2 *PS1 ( 2 :slutet- 1 ) ;
f = fs* ( 0 : ( ls / 2 ) ) / ls ;
komplott ( f, PS1 )
titel ( 'Amplitudspektrum (ensidig) PS1 för f(t)' )
xlabel ( 'f(Hz)' )
ylabel ( '|PS1(f)|' )
Den tillhandahållna koden genererar en signal med längden på 2000 prover (ls) , en samplingsfrekvens på 1500 Hz (fs) , och en provtagningsperiod (ts) . De tidsvektor (tv) skapas utifrån dessa parametrar. Signalen f består av en kombination av sinusformade komponenter vid 50 Hz och 120 Hz, tillsammans med nollmedelvärde för slumpmässigt brus. Det plottas sedan med ett segment av de första 50 proverna. Koden beräknar vidare FFT av signalen och beräknar amplitudspektrum (PS1) . Slutligen plottas amplitudspektrumet mot motsvarande frekvenser (f) i Hz.
Exempel 2
Här är ett annat exempel som använder FFT funktion i MATLAB för den Gaussiska pulstransformationen genom tidsdomänen till frekvensdomänen.
fs = 500 ;ts = - 0,5 : 1 /fs: 0,5 ;
ls = längd ( ts ) ;
f = 1 / ( 4 * sqrt ( 2 * pi * 0,02 ) ) * ( exp ( -ts.^ 2 / ( 2 * 0,02 ) ) ) ;
komplott ( ts,f )
xlabel ( 'Tid (t)' )
ylabel ( 'med)' )
titel ( 'Tidsdomän' )
t.ex. = 2 ^nextpow2 ( ls ) ;
f = fs* ( 0 : ( t.ex/ 2 ) ) /t.ex;
F = fft ( f,np ) ;
PF = magmuskler ( F/np ) ;
komplott ( f,PF ( 1 :t.ex/ 2 + 1 ) )
xlabel ( '(f)' )
ylabel ( '|PF(f)|' )
titel ( 'Frekvensdomän' )
Den tillhandahållna koden genererar en gaussisk pulssignal i tidsdomänen och analyserar dess frekvensinnehåll med hjälp av Fast Fourier Transform (FFT) i MATLAB. Tidsdomänsignalen plottas och sedan FFT utförs för att erhålla frekvensdomänrepresentationen. Det resulterande amplitudspektrum plottas mot motsvarande frekvenser.
Exempel 3
Följande exempel genererar tre sinusformade signaler med olika frekvenser och plottar dem i tidsdomänen med hjälp av FFT funktion i MATLAB.
fs = 2500 ;ts = 1 /fs;
ls = 3000 ;
t = ( 0 :ls- 1 ) *ts;
r1 = utan ( 3 * pi * 60 *t ) ;
r2 = utan ( 3 * pi * 140 *t ) ;
r3 = utan ( 3 * pi * 350 *t ) ;
f = [ r1; r2; r3 ] ;
för k = 1 : 3
subplot ( 3 , 1 ,k )
komplott ( t ( 1 : 250 ) ,f ( k, 1 : 250 ) )
titel ( [ 'rad nr' , num2str ( k ) , ' (Tidsdomän)' ] )
slutet
t.ex. = 2 ^nextpow2 ( ls ) ;
d = 2 ;
F = fft ( f,np,d ) ;
PS2 = magmuskler ( F/ ls ) ;
PS1 = PS2 ( :, 1 :t.ex/ 2 + 1 ) ;
PS1 ( :, 2 :slutet- 1 ) = 2 *PS1 ( :, 2 :slutet- 1 ) ;
för k= 1 : 3
subplot ( 3 , 1 ,k )
komplott ( 0 : ( fs/np ) : ( fs/ 2 -fs/np ) ,PS1 ( k, 1 :t.ex/ 2 ) )
titel ( [ 'rad nr' , num2str ( k ) , '(Frekvensdomän)' ] )
slutet
I ovanstående kod visas tre sinusformade vågor, r1, r2 och r3 i utgångsfönstret i tidsdomänen. Frekvensdomänsignalen 'PS1' skapas genom att använda FFT-funktionen till vågorna för att beräkna var och en av deras individuella enkelsidiga amplitudspektra.
Slutsats
De FFT är ett värdefullt verktyg som hjälper oss att förstå signaler på olika sätt genom att analysera deras frekvensinnehåll. Med MATLABs inbyggda funktion, fft, presterande FFT beräkningar på signaler blir bekväma. Denna funktion gör det möjligt för oss att lära oss avgörande detaljer om de olika frekvenserna och de relativa intensiteterna för dessa frekvenser genom att konvertera data från tidsdomänen till frekvensdomänen. Ovanstående guide är avgörande för att få en djupare förståelse av signalens egenskaper och fatta välgrundade beslut i olika tillämpningar.