Matlab在DFT频谱误差分析中的应用

DSP MATLAB上机实验一班级：学号：姓名：函数代码：function xn()format longq=0.9+0.3*i;wn=exp(-2*pi*i/32);xn=q.^[0:31]xk1=(1-q^32)./(1-q*wn.^[0:31]) %利用公式计算XK的理论值xk2=fft(xn,32) %运用基二基2时间抽选的FFT算法计算Xkdiff=xk1-xk2 %两者的差运行xn（）即得结果结果为：xn =Columns 1 through 21.000000000000000 0.900000000000000 + 0.300000000000000i Columns 3 through 40.720000000000000 + 0.540000000000000i 0.486000000000000 + 0.702000000000000i Columns 5 through 60.226800000000000 + 0.777600000000000i -0.029160000000000 + 0.767880000000000i Columns 7 through 8-0.256608000000000 + 0.682344000000000i -0.435650400000000 + 0.537127200000000i Columns 9 through 10-0.553223520000000 + 0.352719360000000i -0.603716976000000 + 0.151480368000000i Columns 11 through 12-0.588789388800000 - 0.044782761600000i -0.516475621440000 - 0.216941302080000i Columns 13 through 14-0.399745668672000 - 0.350189858304000i -0.254714144313600 - 0.435094573075200i Columns 15 through 16-0.098714357959680 - 0.467999359061760i 0.051556885554816 - 0.450813730543488i Columns 17 through 180.181645316162381 - 0.390265291822695i 0.280560372092951 - 0.296745167791711i Columns 19 through 200.341527885221169 - 0.182902539384655i 0.362245858514449 - 0.062153919879838i Columns 21 through 220.344667448626955 + 0.052735229662480i 0.294380134865516 + 0.150861941284319i Columns 23 through 240.219683538993669 + 0.224089787615542i 0.130488248809639 + 0.267585870552088i Columns 25 through 260.037163662763049 + 0.279973758139771i -0.050544830955187 + 0.263125481154709i Columns 27 through 28-0.124427992206081 + 0.221649483752682i -0.178480038111278 + 0.162156137715589i Columns 29 through 30-0.209278875614827 + 0.092396512510647i -0.216069941806538 + 0.020373198575134i Columns 31 through 32-0.200574907198425 - 0.046485103824341i -0.166571885331280 - 0.102009065601434i xk1 =Columns 1 through 20.693972803195698 + 3.499715655993840i 2.792267857648369 + 8.050455721438597i Columns 3 through 49.402964607913189 - 9.135013555028673i 1.866445467462052 - 3.833832762635439i Columns 5 through 61.131822689478846 -2.234157347130941i 0.904793922868299 - 1.534629307882413i Columns 7 through 80.799557206779214 - 1.139609357830753i 0.739605630813150 - 0.882314367550644i Columns 9 through 100.700861643199240 - 0.698565363198060i 0.673575789604202 - 0.558478478082158i Columns 11 through 120.653109437428513 - 0.446244996656357i 0.636991253015040 - 0.352689135211701i Columns 13 through 140.623788380776217 - 0.272085968296931i 0.612612873742441 - 0.200641851238978i Columns 15 through 160.602883340189454 - 0.135703205872800i 0.594200434347139 - 0.075313670713158i Columns 17 through 180.586277479436723 - 0.017949220626496i 0.578899608820263 + 0.037651723475093i Columns 19 through 200.571898466305671 + 0.092606953506914i 0.565135772013173 + 0.147983310049841i Columns 21 through 220.558492135768929 + 0.204880771267792i 0.551859131244066 + 0.264522208758452i Columns 23 through 240.545133643745847 + 0.328364940349017i 0.538214362209129 + 0.398257131749283i Columns 25 through 260.531001527230573 + 0.476677768575531i 0.523403723684219 + 0.567132338629562i Columns 27 through 280.515362483773298 + 0.674849986673143i 0.506925762334513 + 0.808101482252638i Columns 29 through 300.498467012317214 + 0.980906313951879i 0.491389377970933 + 1.219207441587793i Columns 31 through 320.490732201059483 + 1.577081955159802i 0.517353973624932 + 2.188832884536347i xk2 =Columns 1 through 20.693972803195698 + 3.499715655993839i 2.792267857648366 + 8.050455721438597i Columns 3 through 49.402964607913182 - 9.135013555028694i 1.866445467462051 - 3.833832762635439iColumns 5 through 61.131822689478844 -2.234157347130942i 0.904793922868298 - 1.534629307882413i Columns 7 through 80.799557206779213 - 1.139609357830754i 0.739605630813149 - 0.882314367550644i Columns 9 through 100.700861643199240 - 0.698565363198060i 0.673575789604202 - 0.558478478082158i Columns 11 through 120.653109437428513 - 0.446244996656356i 0.636991253015040 - 0.352689135211701i Columns 13 through 140.623788380776217 - 0.272085968296931i 0.612612873742441 - 0.200641851238978i Columns 15 through 160.602883340189454 - 0.135703205872799i 0.594200434347139 - 0.075313670713158i Columns 17 through 180.586277479436723 - 0.017949220626496i 0.578899608820263 + 0.037651723475093i Columns 19 through 200.571898466305671 + 0.092606953506913i 0.565135772013173 + 0.147983310049840i Columns 21 through 220.558492135768929 + 0.204880771267792i 0.551859131244066 + 0.264522208758452i Columns 23 through 240.545133643745847 + 0.328364940349016i 0.538214362209129 + 0.398257131749282i Columns 25 through 260.531001527230572 + 0.476677768575531i 0.523403723684219 + 0.567132338629563iColumns 27 through 280.515362483773297 + 0.674849986673143i 0.506925762334512 + 0.808101482252638i Columns 29 through 300.498467012317213 + 0.980906313951878i 0.491389377970932 + 1.219207441587794i Columns 31 through 320.490732201059480 + 1.577081955159802i 0.517353973624928 + 2.188832884536347i diff =1.0e-013 *Columns 1 through 20.001110223024625 + 0.004440892098501i 0.031086244689504Columns 3 through 40.071054273576010 + 0.213162*********i 0.013322676295502 + 0.008881784197001i Columns 5 through 60.015543122344752 + 0.004440892098501i 0.004440892098501 + 0.006661338147751i Columns 7 through 80.008881784197001 + 0.002220446049250i 0.003330669073875 - 0.001110223024625i Columns 9 through 100.006661338147751 - 0.001110223024625i 0.006661338147751 - 0.003330669073875i Columns 11 through 120.001110223024625 - 0.009992007221626i 0.002220446049250 + 0.003330669073875i Columns 13 through 14-0.002220446049250 + 0.000555111512313i 0.003330669073875 + 0.000832667268469i Columns 15 through 160.006661338147751 - 0.006938893903907i 0.002220446049250 + 0.000693889390391i Columns 17 through 180.002220446049250 - 0.000173472347598i -0.001110223024625 - 0.004302114220422i Columns 19 through 200.001110223024625 + 0.010963452368173i -0.001110223024625 + 0.006383782391595i Columns 21 through 220.001110223024625 + 0.002775557561563i 0 + 0.000555111512313i Columns 23 through 240.001110223024625 + 0.006106226635438i 0.004440892098501 + 0.003330669073875i Columns 25 through 260.004440892098501 0.001110223024625 - 0.003330669073875i Columns 27 through 280.012212453270877 - 0.002220446049250i 0.006661338147751 - 0.004440892098501i Columns 29 through 300.009992007221626 + 0.002220446049250i 0.011102230246252 - 0.006661338147751i Columns 31 through 320.028310687127941 0.035527136788005 - 0.008881784197001i 由上面结果可知，由基2时间抽选的FFT算法所得到的DFT结果与利用公式法所得的理论值稍有偏差，但误差较小，从结果可以看出大概在小数点第15位才开始出现误差，故而用计算机FFT处理数据在精度上是可以接受的。

实验三用FFT对信号进行频谱分析和MATLAB程序实验三中使用FFT对信号进行频谱分析的目的是通过将时域信号转换为频域信号，来获取信号的频谱信息。

MATLAB提供了方便易用的函数来实现FFT。

首先，我们需要了解FFT的原理。

FFT（快速傅里叶变换）是一种快速计算离散傅里叶变换（DFT）的算法，用于将离散的时间域信号转换为连续的频域信号。

FFT算法的主要思想是将问题划分为多个规模较小的子问题，并利用DFT的对称性质进行递归计算。

FFT算法能够帮助我们高效地进行频谱分析。

下面是一个使用MATLAB进行频谱分析的示例程序：```matlab%生成一个10秒钟的正弦波信号，频率为1Hz，采样率为100Hzfs = 100; % 采样率t = 0:1/fs:10-1/fs; % 时间范围f=1;%正弦波频率x = sin(2*pi*f*t);%进行FFT计算N = length(x); % 信号长度X = fft(x); % FFT计算magX = abs(X)/N; % 幅值谱frequencies = (0:N-1)*(fs/N); % 频率范围%绘制频谱图figure;plot(frequencies, magX);xlabel('频率(Hz)');ylabel('振幅');title('信号频谱');```上述代码生成了一个10秒钟的正弦波信号，频率为1 Hz，采样率为100 Hz。

通过调用MATLAB的fft函数计算信号的FFT，然后计算每个频率分量的幅值谱，并绘制出信号频谱图。

在频谱图中，横轴表示频率，纵轴表示振幅。

该实验需要注意以下几点：1.信号的采样率要与信号中最高频率成一定比例，以避免采样率不足导致的伪频谱。

2.FFT计算结果是一个复数数组，我们一般只关注其幅值谱。

3.频率范围是0到采样率之间的频率。

实验三的报告可以包含以下内容：1.实验目的和背景介绍。

基于Matlab的DFT及FFT频谱分析基于Matlab的DFT及FFT频谱分析一、引言频谱分析是信号处理中的重要任务之一，它可以揭示信号的频率特性和能量分布。

离散傅里叶变换（DFT）及快速傅里叶变换（FFT）是常用的频谱分析工具，广泛应用于许多领域。

本文将介绍通过Matlab进行DFT及FFT频谱分析的方法和步骤，并以实例详细说明。

二、DFT及FFT原理DFT是一种将时域信号转换为频域信号的离散变换方法。

它将信号分解成若干个正弦和余弦函数的叠加，得到频率和幅度信息。

FFT是一种高效的计算DFT的算法，它利用信号的对称性和周期性，将计算复杂度从O(N^2)降低到O(NlogN)。

FFT通过将信号分解成不同长度的子序列，递归地进行计算，最终得到频谱信息。

三、Matlab中的DFT及FFT函数在Matlab中，DFT及FFT可以通过内置函数进行计算。

其中，DFT使用函数fft，FFT使用函数fftshift。

fft函数可直接计算信号的频谱，fftshift函数对频谱进行频移操作，将低频移到频谱中心。

四、Matlab中DFT及FFT频谱分析步骤1. 读取信号数据首先，将待分析的信号数据读入到Matlab中。

可以使用内置函数load读取文本文件中的数据，或通过自定义函数生成模拟信号数据。

2. 时域分析通过plot函数将信号数据在时域进行绘制，以观察信号的波形。

可以设置合适的坐标轴范围和标签，使图像更加清晰。

3. 信号预处理针对不同的信号特点，可以进行预处理操作，例如去除直流分量、滤波等。

这些操作可提高信号的频谱分析效果。

4. 计算DFT/FFT使用fft函数计算信号数据的DFT/FFT，并得到频谱。

将信号数据作为输入参数，设置采样频率和点数，计算得到频谱数据。

5. 频域分析通过plot函数将频谱数据在频域进行绘制，观察信号的频率特性。

可以设置合适的坐标轴范围和标签，使图像更加清晰。

6. 结果解读根据频谱图像，分析信号的频率成分、幅度分布和峰值位置。

3 FFT频谱分析
在实际应用中 , FFT是最常见的数字信号处理算法 ,它 在各种数字信号处理系统中扮演重要的角色 。在信号处理 过程中 ,频域分析往往比时域分析方便和高效 , FFT是时域 和频域转换的基本运算 。例如 ,通过计算信号序列的 FFT 可以直接分析它的数字频谱 ;在计算数字滤波器的输出响应 时需要进行卷积运算 ,它可以通过先进行 FFT运算而后将 信号频谱与系统频响相乘再进行 IFFT变换得到 :匹配滤波
1 M atlab简介
M atlab语言是当今科学界最具影响力 、也是最有活力的 软件 。它起源于矩阵运算 ,并已经发展成一种高度集成的计 算机语言 。它是由美国 M ath Works公司于 1982年推出的软 件产品 , 取 名 来 源 于 M atrix Laboratory, 简 称 为“M atlab ”。 M atlab是一个完整的 、可扩展的 、高性能数值计算的可视化 软件 ,是一种进行科学工程计算的交互式程序设计语言 。经 过不断的扩充和完善 ,它已成为各类科学研究与工程应用中 的标准工具 ,它集数值分析 , 矩阵运算 , 信号处理与图形显 示于一体 ,构成一个界面友好的用户环境 。它的信号处理工 具箱包含了各种经典的和现代数字信号处理技术 。是一个 非常优秀的算法研究与辅助设计的工具 [2 ] 。
k = 8;
n1 = [ 0: 1: 19 ]; xa1 = sin (23 p i3 n1 / k) ; subp lot(2, 2, 1) p lot ( n1, xa1) xlabel( ′t/ T′) ; ylabel( ′x ( n) ′) ; xk1 = fft( xa1) ; xk1 = abs( xk1) ; subp lot(2, 2, 2) stem ( n1, xk1) xlabel( ′k′) ; ylabel( ′X ( k) ′) ; n2 = [ 0: 1: 15 ]; xa2 = sin (23 p i3 n2 / k) ; subp lot(2, 2, 3) p lot ( n2, xa2) xlabel( ′t/ T′) ; ylabel( ′x ( n) ′) ; xk2 = fft( xa2) ; xk2 = abs( xk2) ; subp lot(2, 2, 4) stem ( n2, xk2) xlabel( ′k′) ; ylabel( ′X ( k) ′) ; 计算结果示于图 1,上方两个图分别是 N = 20时的截取 信号和 DFT结果 ,由于截取了两个半周期 ,频谱出现泄漏 ; 下方两个图分别是 N = 16 时的截取信号和 DFT结果 ,由于 截取了两个整周期 ,得到单一谱线的频谱 。上述频谱的误差 主要是由于时域中对信号的非整周期截断产生的频谱泄漏 。