我想在频域中移动正弦波
我的想法如下:
- 傅里叶变换
- 在频域中添加 pi 的相移
- 傅里叶逆变换
在代码中:
t=np.arange(0, 6 , 0.001)
values = A*np.sin(t)
ft_values= np.fft.fft(values)
ft_values_phase=ft_values+1j*np.pi
back_again= np.fft.ifft(ft_values_phase)
plt.subplot(211)
plt.plot(t,values)
plt.subplot(212)
plt.plot(t,back_again)
我期望得到两张图像,其中一个波移动了 pi,但是我得到了这个结果
(无相移):
感谢您的帮助!
最佳答案
您没有进行相移。
您所做的是将一个 6000 向量(例如 P)与常数值 P(i) = j π 添加到 V ,v 的 FFT。
让我们写成Ṽ = V + P。
由于 FFT(和 IFFT)的线性,您所说的 back_again
是
ṽ = IFFT(Ṽ) = IFFT(V) + IFFT(P) = v + p
当然,p = IFFT(P) 是差值 values-back_again
— 现在,让我们检查一下 p 是什么。 ..
In [51]: P = np.pi*1j*np.ones(6000)
...: p = np.fft.ifft(P)
...: plt.plot(p.real*10**16, label='real(p)*10**16')
...: plt.plot(p.imag, label='imag(p)')
...: plt.legend();
正如您所看到的,您通过添加 ṽ 的实数分量来修改值
,该实数分量本质上是 IFFT 计算中的数值噪声(因此绘图中没有变化) ,这为您提供了 back_again
的实数部分)和一个虚数尖峰,其高度毫不奇怪地等于 π,对于 t= 0。
常数的变换是ω=0处的尖峰,常数(频域中)的反变换是t=0处的尖峰。 p>
另一方面,如果将每个 FFT 项乘一个常数,您也会将时域信号乘以相同的常数(请记住,FFT 和 IFFT 是线性)。
要做你想做的事,你必须记住,时域中的移位只是(周期性)信号与时移尖峰的(循环)卷积,因此你必须乘以信号的 FFT通过移位尖峰的 FFT。
由于狄拉克分布的傅里叶变换 δ(t-a) 是 exp(-iωa),因此您必须将信号 FFT 的每一项乘以频率依赖项,exp(-iωa)=cos(ωa)-i·sin(ωa)(注意:当然,这些乘法项中的每一项都有单位幅度)。
<小时/>示例
一些预备知识
In [61]: import matplotlib.pyplot as plt
...: import numpy as np
In [62]: def multiple_formatter(x, pos, den=60, number=np.pi, latex=r'\pi'):
... # search on SO for an implementation
In [63]: def plot(t, x):
...: fig, ax = plt.subplots()
...: ax.plot(t, x)
...: ax.xaxis.set_major_formatter(plt.FuncFormatter(multiple_formatter))
...: ax.xaxis.set_major_locator(plt.MultipleLocator(np.pi / 2))
...: ax.xaxis.set_minor_locator(plt.MultipleLocator(np.pi / 4))
计算以 n
为中心、持续一段 N
的狄拉克分布的离散 FT 的函数
In [64]: def shift(n, N):
...: s = np.zeros(N)
...: s[n] = 1.0
...: return np.fft.fft(s)
让我们绘制一个信号和移位后的信号
In [65]: t = np.arange(4096)*np.pi/1024
In [66]: v0 = np.sin(t)
In [67]: v1 = np.sin(t-np.pi/4)
In [68]: f, a = plot(t, v0)
In [69]: a.plot(t, v1, label='shifted by $\\pi/4$');
In [70]: a.legend();
现在计算正确尖峰的 FFT(注意 π/4 = (4π)/16)、移位信号的 FFT、s.s. 的 FFT 的 IFFT。最后绘制我们的结果
In [71]: S = shift(4096//16-1, 4096)
In [72]: VS = np.fft.fft(v0)*S
In [73]: vs = np.fft.ifft(VS)
In [74]: f, ay = plot(t, v0)
In [75]: ay.plot(t, vs.real, label='shifted in frequency domain');
In [76]: ay.legend();
关于python - 如何使用 fft 在频域中向正弦波添加相移?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57183126/