通俗---傅里叶变换---Matlab(一)

一、概念

傅立叶变换是一种分析信号的方法,它可分析信号的成分,也可用这些成分合成信号。许多波形可作为信号的成分,比如正弦波、方波、锯齿波等,傅立叶变换用正弦波作为信号的成分。傅立叶变换,表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域,傅立叶变换具有多种不同的变体形式,如连续傅立叶变换和离散傅立叶变换。最初傅立叶分析是作为热过程的解析分析的工具被提出的。

二、应用

傅里叶变换在物理学、电子类学科、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值频率谱——显示每个频率对应的幅值大小)。

三、额外补充

* 傅里叶变换属于谐波分析;

* 傅里叶变换的逆变换容易求出,而且形式与正变换非常类似;

* 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;

*卷积定理指出:傅里叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;

* 离散形式的傅立叶变换可以利用数字计算机快速地算出(其算法称为快速傅里叶变换算法(FFT)).

四、通俗解释

首先,使用正余弦波,理论上可以叠加为一个矩形。

第一幅图是一个郁闷的正弦波 cos(x)

第二幅图是 2个卖萌的正弦波的叠加 cos (x) +a.cos (3x)

第三幅图是 4个发春的正弦波的叠加

第四幅图是 10个便秘的正弦波的叠加

随着正弦波数量逐渐的增长,他们最终会叠加成一个标准的矩形,大家从中体会到了什么道理?

不仅仅是矩形,你能想到的任何波形都是可以如此方法用正弦波叠加起来的。这是没有接触过傅里叶分析的人在直觉上的第一个难点,但是一旦接受了这样的设定,游戏就开始有意思起来了。

是上图的正弦波累加成矩形波,我们换一个角度来看看:

这就是矩形波在频域的样子,是不是完全认不出来了?教科书一般就给到这里然后留给了读者无穷的遐想,以及无穷的吐槽,其实教科书只要补一张图就足够了:频域图像,也就是俗称的频谱,就是——

再清楚一点:

时间: 2024-10-15 00:17:08

通俗---傅里叶变换---Matlab(一)的相关文章

通俗---傅里叶变换---Matlab(二)

1.用Matlab进行傅立叶变换 FFT是离散傅里叶变换的快速算法,可以将一个信号变换到频域.有些信号在时域上是很难看出什么特征的,但是如果变换到频域之后,就很容易看出特征了.这就是很多信号分析采用FFT变换的原因.另外,FFT可以将一个信号的频谱提取出来,这在频谱分析方面也是经常用的. FFT结果的具体物理意义.一个模拟信号,经过ADC采样之后,就变成了数字信号.采样定理告诉我们,采样频率要大于信号频率的两倍. 采样得到的数字信号,就可以做FFT变换了.N个采样点,经过FFT之后,就可以得到N

Matlab之快速傅里叶变换

一.快速傅里叶介绍 傅立叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的余弦(或正弦)波信号的无限叠加.FFT是离散傅立叶变换的快速算法,可以将一个信号变换到频域.那其在实际应用中,有哪些用途呢? 1.有些信号在时域上是很难看出什么特征的,但是如果变换到频域之后,就很容易看出特征(频率,幅值,初相位): 2.FFT可以将一个信号的频谱提取出来,进行频谱分析,为后续滤波准备: 3.通过对一个系统的输入信号和输出信号进行快速傅里叶变换后,两者进行对比,对系统可以有一个初步认识. 假设采样

使用matlab对图像进行傅里叶变换

原图: (0) 代码: I=imread('1.jpg'); I=rgb2gray(I); I=im2double(I); F=fft2(I); F=fftshift(F); F=abs(F); T=log(F+1); figure; imshow(T,[]); 傅里叶变换: (1) 分析代码: 1. I=imread('1.jpg'); 读取图像,不多说了 2. I=rgb2gray(I); 将图像转换为灰度图,如果没有这一步的话,最终得到的傅里叶变换是这个样子的 (2) 3. I=im2do

傅里叶变换通俗解释及快速傅里叶变换的python实现

通俗理解傅里叶变换,先看这篇文章傅里叶变换的通俗理解! 接下来便是使用python进行傅里叶FFT-频谱分析: 一.一些关键概念的引入 1.离散傅里叶变换(DFT) 离散傅里叶变换(discrete Fourier transform) 傅里叶分析方法是信号分析的最基本方法,傅里叶变换是傅里叶分析的核心,通过它把信号从时间域变换到频率域,进而研究信号的频谱结构和变化规律.但是它的致命缺点是:计算量太大,时间复杂度太高,当采样点数太高的时候,计算缓慢,由此出现了DFT的快速实现,即下面的快速傅里叶

基于matlab的傅里叶变换

例子1 作用:使用傅里叶变换找出隐藏在噪声中的信号的频率成分.(指定信号的参数,采样频率为1 kHz,信号持续时间为1秒.) Fs = 1000; % 采样频率 T = 1/Fs; % 采样周期 L = 1000; % 信号长度 t = (0:L-1)*T; % 时间向量 %%形成一个信号,包含振幅为0.7的50hz正弦信号和振幅为1的120hz正弦信号. S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t); X = S + 2*randn(size(t)); %用

使用Matlab对灰度图像编程实现2D的傅里叶变换

1.      先载入一幅灰度图像,如下: (非灰度图) 2. 利用函数fft2,对其进行快速傅立叶变换, 并利用函数fftshift 将变换后的图像原点移动到频率矩形的中心. 3. 利用abs()函数来得到傅立叶频谱;angle()函数得到相位图: 4. 利用imshow 来可视化图像,观察图像的特点: 一.    结果(图像): 二.    分析说明: 1. 在载入图片的时候要注意图片要存放到该文件的文件夹中. 2. 下载的图片看似是灰度图,实际上并非是灰度图,所以加多了一句代码“A=rgb

白话压缩感知(含Matlab代码)

压缩感知介绍 压缩感知(Compressive Sensing,CS),有时也叫成Compressive Sampling.相对于传统的奈奎斯特采样定理--要求采样频率必须是信号最高频率的两倍或两倍以上(这就要求信号是带限信号,通常在采样前使用低通滤波器使信号带限),压缩感知则利用数据的冗余特性,只采集少量的样本还原原始数据. 这所谓的冗余特性,借助MLSS2014马毅老师的课件上的例子来说明, 因为自然界的数据都存在局部低维结构.周期性.对称性等,因此,传统的固定采样率的采样方法必然存在信息冗

对AM信号FFT的matlab仿真

普通调幅波AM的频谱,大信号包络检波频谱分析 u(t)=Ucm(1+macos ?t)cos ?ct ma称为调幅系数 它的频谱由载波,上下边频组成 , 包络检波中二极管截去负半周再用电容低通滤波,可以得到基带信号,那么,截去负半周后的AM信号必定包含基带信号的频谱.我们可以通过matlab来验证. %已知基带信号为1hz,载波为64hz,调制系数ma=0.3,采样频率1024hz,FFT变换区间N为2048 clear; fs=1024; f=1; %1hz基带信号 fc=64; %64hz载

Matlab---傅里叶变换---通俗理解(二)

1.用Matlab进行傅立叶变换 FFT是离散傅里叶变换的高速算法,能够将一个信号变换到频域.有些信号在时域上是非常难看出什么特征的,可是假设变换到频域之后,就非常easy看出特征了.这就是非常多信号分析採用FFT变换的原因. 另外,FFT能够将一个信号的频谱提取出来.这在频谱分析方面也是经经常使用的. FFT结果的详细物理意义. 一个模拟信号.经过ADC採样之后,就变成了数字信号.採样定理告诉我们,採样频率要大于信号频率的两倍. 採样得到的数字信号,就能够做FFT变换了.N个採样点,经过FFT