我看到有人问过类似的问题,但我似乎无法正确回答。如果我在概念上或代码上误解了某些东西,希望你的猜测能有所帮助。 基本上我正在用 48khz fs 发出从 1khz 到 10khz 持续时间 1s 的线性调频。 我只是想用正确的振幅绘制这个线性调频信号的频谱/fft。代码是:
from scipy.fftpack import fft
N = 48000
fs = 48000.0
sine_list_x = []
K = (10000.0 - 1000.0)/(48000.0)
for x in range(N):
sine_list_x.append(sin(2*pi*(1000.0*(x/48000.0)+(K/2.0)*(x**2)/(48000.0))))
xf = np.linspace(0.0, fs/2.0, N/2)
yf = fft(sine_list_x)
yf = yf / sqrt(N)
#yf = yf / N
fig3 = pl.figure()
ax3 = fig3.add_subplot(111)
ax3.plot(xf, abs(yf[0:N/2]))
我在此处显示的上述代码的情节
我知道 fft 函数没有归一化,但我从类似的问题中得到了一些相互矛盾的信息,这些问题说通过 sqrt(N)、N 和其他东西进行归一化..
如果我已正确归一化,我希望在图中看到的是振幅为 1,因为这是线性调频脉冲的振幅。这是一个错误的假设吗?或者我只是在规范化中做错了什么?
最佳答案
在时域中,对于频率缓慢变化的扫描,整数个周期(或足够多的周期)的平方样本之和可以近似为
0.5*N*At*At
其中 N
是样本数,At
是扫描幅度。
对于给定的参数(N=48000
,At=1
),这将是 24000,非常接近 @tom10's answer 中提供的 ~23999.9986331 的精确值。 .
另一方面,在频域中(查看频谱图),完整的频谱可以近似为 2 个框(正如线性频率扫描所预期的那样):
- 您在图表上显示的 1000 到 10000 中的一个
- 和另一个从 38000 到 47000 的信号,它产生于实信号频谱的厄尔米特对称性。
在这种情况下,平方(频域)样本的总和可以近似为
((10000-1000)+(47000-38000))*Af*Af == 18000*Af*Af
现在Parseval's theorem for the disrete Fourier transform指出:
在考虑了 1/sqrt(N)
归一化并代入上面找到的近似值后得到:
24000 = 18000*Af*Af
因此 Af
应该大约等于 sqrt(24000/18000) = 1.1547...
,这与您绘制的图形一致。
关于python - python中线性调频的fft振幅,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29387815/