【问题标题】:How to convert complex numbers back into "normal" numbers after performing FFT执行 FFT 后如何将复数转换回“正常”数
【发布时间】:2015-04-09 16:56:41
【问题描述】:

说,我有一个示例信号由三个余弦组成,每个余弦代表 4、6 和 8 个频带。现在,我使用 FFT 将此信号放入频域,并在频域中切断不需要的 6 Hz 频带。最后,我想将频域的信号反相回到时域。但是当我简单地使用numpy.fft.ifft 时,我得到了复数数组,这不是进一步分析信号的最佳结果。如何在执行带通后对 FFT 进行反演,以便将实部和虚部携带的全部信息作为一个数字?我查看了z = sqrt(real^2 + imaginary^2) 的东西,但它不是“东西”。

下面我提供了一个工作示例。我会很感激你的帮助。

import numpy as np
from scipy.fftpack import fftfreq

# Define signal.
Fs = 128  # Sampling rate.
Ts = 1 / Fs  # Sampling interval.
Time = np.arange(0, 10, Ts)  # Time vector.
signal = np.cos(4*np.pi*Time) + np.cos(6*np.pi*Time) + np.cos(8*np.pi*Time)


def spectrum(sig, t):
    """
    Represent given signal in frequency domain.
    :param sig: signal.
    :param t: time scale.
    :return:
    """
    f = fftfreq(sig.size, d=t[1]-t[0])
    y = np.fft.fft(sig)
    return f, np.abs(y)


def bandpass(f, sig, min_freq, max_freq):
    """
    Bandpass signal in a specified by min_freq and max_freq frequency range.
    :param f: frequency.
    :param sig: signal.
    :param min_freq: minimum frequency.
    :param max_freq: maximum frequency.
    :return:
    """
    return np.where(np.logical_or(f < min_freq, f > max_freq), 0, sig)

freq, spec = spectrum(signal, Time)
signal_filtered = np.fft.ifft(bandpass(freq, spec, 5, 7))

print(signal_filtered)

"""
print(signal_filtered) result:

[  2.22833798e-15 +0.00000000e+00j   2.13212081e-15 +6.44480810e-16j
   1.85209996e-15 +1.23225456e-15j ...,   1.41336488e-15 -1.71179288e-15j
   1.85209996e-15 -1.23225456e-15j   2.13212081e-15 -6.44480810e-16j]
"""

【问题讨论】:

    标签: python numpy fft


    【解决方案1】:

    如果你想去掉 5 到 7 之间的频率, 那么你会想要保持频率在哪里

    (f < min_freq) | (f > max_freq)
    

    相当于

    np.logical_or(f < min_freq, f > max_freq)
    

    因此,使用

    return np.where(np.logical_or(f < min_freq, f > max_freq), sig, 0)
    

    而不是

    return np.where(np.logical_or(f < min_freq, f > max_freq), 0, sig)
    

    因为np.where 的第二个参数包含np.where 在条件为True 时返回的值。

    通过这一更改,您的代码生成

    [ 3.00000000 +0.00000000e+00j  2.96514652 +1.24442385e-15j
      2.86160515 +2.08976636e-15j ...,  2.69239924 +4.71763845e-15j
      2.86160515 +5.88163496e-15j  2.96514652 +6.82134642e-15j]
    

    请注意,如果您的信号是实数,您可以使用rfft 对实数序列进行离散傅里叶变换,使用irfft 对其进行逆变换,并使用rfftfreq 生成频率。

    例如,

    from __future__ import division
    import numpy as np
    import scipy.fftpack as fftpack
    
    # Define signal.
    Fs = 128  # Sampling rate.
    Ts = 1 / Fs  # Sampling interval.
    Time = np.arange(0, 10, Ts)  # Time vector.
    signal = np.cos(4*np.pi*Time) + np.cos(6*np.pi*Time) + np.cos(8*np.pi*Time)
    
    
    def spectrum(sig, t):
        """
        Represent given signal in frequency domain.
        :param sig: signal.
        :param t: time scale.
        :return:
        """
        f = fftpack.rfftfreq(sig.size, d=t[1]-t[0])
        y = fftpack.rfft(sig)
        return f, np.abs(y)
    
    
    def bandpass(f, sig, min_freq, max_freq):
        """
        Bandpass signal in a specified by min_freq and max_freq frequency range.
        :param f: frequency.
        :param sig: signal.
        :param min_freq: minimum frequency.
        :param max_freq: maximum frequency.
        :return:
        """
        return np.where(np.logical_or(f < min_freq, f > max_freq), sig, 0)
    
    freq, spec = spectrum(signal, Time)
    signal_filtered = fftpack.irfft(bandpass(freq, spec, 5, 7))
    
    print(signal_filtered)
    

    产量

    [ 3.          2.96514652  2.86160515 ...,  2.69239924  2.86160515
      2.96514652]
    

    注意这里必须使用scipy的fftpack;不要将 SciPy 的实现与 NumPy 的实现混在一起。

    【讨论】:

      【解决方案2】:

      如果您想要一个严格真实的结果(减去舍入误差噪声),您的 IFFT 输入需要是赫米斯对称的(例如,您需要确保复数数组的后半部分是前半部分的复共轭镜像)。查看真实数据的初始 FFT,您会看到对称性。

      但看起来您没有过滤负频率,因此向 IFFT 发送了一个不对称输入,然后输出一个复杂的结果。

      【讨论】:

        猜你喜欢
        • 1970-01-01
        • 2012-05-02
        • 1970-01-01
        • 2017-10-06
        • 2011-08-09
        • 2012-05-12
        • 2020-05-26
        • 2016-05-30
        • 1970-01-01
        相关资源
        最近更新 更多