MATLAB处理信号得到频谱、相谱、功率谱

第一：频谱一.调用方法X=FFT(x)；X=FFT(x，N)；x=IFFT(X);x=IFFT(X,N)用MATLAB进行谱分析时注意：（1）函数FFT返回值的数据结构具有对称性。例：N=8;n=0:N-1;xn=[43267890];Xk=fft(xn)→Xk=39.0000-10.7782+6.2929i0-5.0000i4.7782-7.7071i5.00004.7782+7.7071i0+5.0000i-10.7782-6.2929iXk与xn的维数相同，共有8个元素。Xk的第一个数对应于直流分量，即频率值为0。（2）做FFT分析时，幅值大小与FFT选择的点数有关，但不影响分析结果。在IFFT时已经做了处理。要得到真实的振幅值的大小，只要将得到的变换后结果乘以2除以N即可。二.FFT应用举例例1：x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t)。采样频率fs=100Hz，分别绘制N=128、1024点幅频图。clf;fs=100;N=128;%采样频率和数据点数n=0:N-1;t=n/fs;%时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);%信号y=fft(x,N);%对信号进行快速Fourier变换mag=abs(y);%求得Fourier变换后的振幅f=n*fs/N;%频率序列subplot(2,2,1),plot(f,mag);%绘出随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128');gridon;subplot(2,2,2),plot(f(1:N/2),mag(1:N/2));%绘出Nyquist频率之前随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128');gridon;%对信号采样数据为1024点的处理fs=100;N=1024;n=0:N-1;t=n/fs;x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);%信号y=fft(x,N);%对信号进行快速Fourier变换mag=abs(y);%求取Fourier变换的振幅f=n*fs/N;subplot(2,2,3),plot(f,mag);%绘出随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024');gridon;subplot(2,2,4)plot(f(1:N/2),mag(1:N/2));%绘出Nyquist频率之前随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024');gridon;运行结果：fs=100Hz，Nyquist频率为fs/2=50Hz。整个频谱图是以Nyquist频率为对称轴的。并且可以明显识别出信号中含有两种频率成分：15Hz和40Hz。由此可以知道FFT变换数据的对称性。因此用FFT对信号做谱分析，只需考察0~Nyquist频率范围内的福频特性。若没有给出采样频率和采样间隔，则分析通常对归一化频率0~1进行。另外，振幅的大小与所用采样点数有关，采用128点和1024点的相同频率的振幅是有不同的表现值，但在同一幅图中，40Hz与15Hz振动幅值之比均为4：1，与真实振幅0.5：2是一致的。为了与真实振幅对应，需要将变换后结果乘以2除以N。例2：x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t),fs=100Hz,绘制：（1）数据个数N=32，FFT所用的采样点数NFFT=32；（2）N=32，NFFT=128；（3）N=136，NFFT=128；（4）N=136，NFFT=512。clf;fs=100;%采样频率Ndata=32;%数据长度N=32;%FFT的数据长度n=0:Ndata-1;t=n/fs;%数据对应的时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);%时间域信号y=fft(x,N);%信号的Fourier变换mag=abs(y);%求取振幅f=(0:N-1)*fs/N;%真实频率subplot(2,2,1),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅xlabel('频率/Hz');ylabel('振幅');title('Ndata=32Nfft=32');gridon;Ndata=32;%数据个数N=128;%FFT采用的数据长度n=0:Ndata-1;t=n/fs;%时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);y=fft(x,N);mag=abs(y);f=(0:N-1)*fs/N;%真实频率subplot(2,2,2),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅xlabel('频率/Hz');ylabel('振幅');title('Ndata=32Nfft=128');gridon;Ndata=136;%数据个数N=128;%FFT采用的数据个数n=0:Ndata-1;t=n/fs;%时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);y=fft(x,N);mag=abs(y);f=(0:N-1)*fs/N;%真实频率subplot(2,2,3),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅xlabel('频率/Hz');ylabel('振幅');title('Ndata=136Nfft=128');gridon;Ndata=136;%数据个数N=512;%FFT所用的数据个数n=0:Ndata-1;t=n/fs;%时间序列x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);y=fft(x,N);mag=abs(y);f=(0:N-1)*fs/N;%真实频率subplot(2,2,4),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅xlabel('频率/Hz');ylabel('振幅');title('Ndata=136Nfft=512');gridon;结论：（1）当数据个数和FFT采用的数据个数均为32时，频率分辨率较低，但没有由于添零而导致的其他频率成分。（2）由于在时间域内信号加零，致使振幅谱中出现很多其他成分，这是加零造成的。其振幅由于加了多个零而明显减小。（3）FFT程序将数据截断，这时分辨率较高。（4）也是在数据的末尾补零，但由于含有信号的数据个数足够多，FFT振幅谱也基本不受影响。对信号进行频谱分析时，数据样本应有足够的长度，一般FFT程序中所用数据点数与原含有信号数据点数相同，这样的频谱图具有较高的质量，可减小因补零或截断而产生的影响。例3：x=cos(2*pi*0.24*n)+cos(2*pi*0.26*n)（1）数据点过少，几乎无法看出有关信号频谱的详细信息；（2）中间的图是将x(n)补90个零，幅度频谱的数据相当密，称为高密度频谱图。但从图中很难看出信号的频谱成分。（3）信号的有效数据很长，可以清楚地看出信号的频率成分，一个是0.24Hz，一个是0.26Hz，称为高分辨率频谱。可见，采样数据过少，运用FFT变换不能分辨出其中的频率成分。添加零后可增加频谱中的数据个数，谱的密度增高了，但仍不能分辨其中的频率成分，即谱的分辨率没有提高。只有数据点数足够多时才能分辨其中的频率成分。第二：相谱（相位谱和频率普是回事儿，想着把频谱中的幅值部分换成相角就可以了）由于没有找到具体的理论，就举几个例子说明一下。比如要求y=sin(2*pi*60*t)的相位谱，程序如下：fs=200;N=1024;n=0:N-1;t=n/fs;y=sin(2*pi*60*t);Y=fft(y,N);A=abs(Y);f=n*fs/N;ph=2*angle(Y(1:N/2));ph=ph*180/pi;plot(f(1:N/2),ph(1:N/2));xlabel('频率/hz'),ylabel('相角'),title('相位谱');gridon;期中的ph=2*angle(Y(1:N/2));ph=ph*180/pi;是利用angle函数求出每个点的角度，并由弧度转化成角度！angle函数解释：PhaseangleSyntaxP=angle(Z)DescriptionP=angle(Z)returnsthephaseangles,inradians,foreachelementofcomplexarrayZ.Theanglesliebetween±π.ForcomplexZ,themagnitudeRandphaseanglethetaaregivenbyR=abs(Z)theta=angle(Z)andthestatementZ=R.*exp(i*theta)convertsbacktotheoriginalcomplexZ.ExamplesZ=[1-1i2+1i3-1i4+1i1+2i2-2i3+2i4-2i1-3i2+3i3-3i4+3iP=angle(Z)P=-0.78540.4636-0.32180.24501.1071-0.78540.5880-0.4636-1.24900.9828-0.78540.64351.3258-1.10710.9273-0.7854AlgorithmsTheanglefunctioncanbeexpressedasangle(z)=imag(log(z))=atan2(imag(z),real(z)).第三：功率谱matlab实现经典功率谱估计fft做出来是频谱，psd做出来是功率谱；功率谱丢失了频谱的相位信息；频谱不同的信号其功率谱是可能相同的；功率谱是幅度取模后平方，结果是个实数matlab中自功率谱密度直接用psd函数就可以求，按照matlab的说法，psd能实现Welch法估计，即相当于用改进的平均周期图法来求取随机信号的功率谱密度估计。psd求出的结果应该更光滑吧。1、直接法：直接法又称周期图法，它是把随机序列x(n)的N个观测数据视为一能量有限的序列，直接计算x(n)的离散傅立叶变换，得X(k)，然后再取其幅值的平方，并除以N，作为序列x(n)真实功率谱的估计。Matlab代码示例：clear;Fs=1000;%采样频率n=0:1/Fs:1;%产生含有噪声的序列xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));window=boxcar(length(xn));%矩形窗nfft=1024;[Pxx,f]=periodogram(xn,window,nfft,Fs);%直接法plot(f,10*log10(Pxx));2、间接法：间接法先由序列x(n)估计出自相关函数R(n)，然后对R(n)进行傅立叶变换，便得到x(n)的功率谱估计。Matlab代码示例：clear;Fs=1000;%采样频率n=0:1/Fs:1;%产生含有噪声的序列xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));nfft=1024;cxn=xcorr(xn,'unbiased');%计算序列的自相关函数CXk=fft(cxn,nfft);Pxx=abs(CXk);index=0:round(nfft/2-1);k=index*Fs/nfft;plot_Pxx=10*log10(Pxx(index+1));plot(k,plot_Pxx);3、改进的直接法：对于直接法的功率谱估计，当数据长度N太大时，谱曲线起伏加剧，若N太小，谱的分辨率又不好，因此需要改进。3.1、Bartlett法Bartlett平均周期图的方法是将N点的有限长序列x(n)分段求周期图再