【问题标题】：Fourier Transform Using Numpy使用 Numpy 进行傅里叶变换
【发布时间】：2018-09-16 03:46:32
【问题描述】：

我正在尝试计算以下高斯的傅里叶变换：

# sample spacing
dx = 1.0 / 1000.0

# Points
x1 = -5
x2 = 5

x = np.arange(x1, x2, dx)

def light_intensity():
    return 10*sp.stats.norm.pdf(x, 0, 1)+0.1*np.random.randn(x.size)

fig, ax = plt.subplots()
ax.plot(x,light_intensity())

我在空间频域中创建了一个新数组（高斯的傅立叶变换是高斯的，因此这些值应该相似）。我绘制并得到了这个：

fig, ax = plt.subplots()

xf = np.arange(x1,x2,dx)
yf= np.fft.fftshift(light_intensity())
ax.plot(xf,np.abs(yf))

为什么会分裂成两个峰？

【问题讨论】：

好的，这花了我一段时间，但基本上，你的 x 标签应该从 0 开始。
fftshift 不执行傅里叶变换。要实际计算 FFT，请使用函数 numpy.fft.fft。
当我将 fft.fft 替换为上面的代码时，它会给出一个更奇怪的情节。我在每一侧得到两个 delta 函数峰值。

标签： python numpy continuous-fourier

【解决方案1】：

建议：

使用np.fft.fft
fft 从 0 Hz 开始
标准化/重新缩放

完整示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

def norm_fft(y, T, max_freq=None):
    N = y.shape[0]
    Nf = N // 2 if max_freq is None else int(max_freq * T)
    xf = np.linspace(0.0, 0.5 * N / T, N // 2)
    yf = 2.0 / N * np.fft.fft(y)
    return xf[:Nf], yf[:Nf]

def generate_signal(x, signal_gain=10.0, noise_gain=0.0):
    signal = norm.pdf(x, 0, 1)
    noise = np.random.randn(x.size)
    return signal_gain * signal + noise_gain * noise

# Signal parameters
x1 = 0.0
x2 = 5.0
N = 10000
T = x2 - x1

# Generate signal data
x = np.linspace(x1, x2, N)
y = generate_signal(x)

# Apply FFT
xf, yf = norm_fft(y, T, T / np.pi)

# Plot
fig, ax = plt.subplots(2)
ax[0].plot(x, y)
ax[1].plot(xf, np.abs(yf))
plt.show()

或者，有噪音：

对称绘图

或者，如果您想享受频域中的对称性：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

def norm_sym_fft(y, T, max_freq=None):
    N = y.shape[0]
    b = N if max_freq is None else int(max_freq * T + N // 2)
    a = N - b
    xf = np.linspace(-0.5 * N / T, 0.5 * N / T, N)
    yf = 2.0 / N * np.fft.fftshift(np.fft.fft(y))
    return xf[a:b], yf[a:b]

def generate_signal(x, signal_gain=10.0, noise_gain=0.0):
    signal = norm.pdf(x, 0, 1)
    noise = np.random.randn(x.size)
    return signal_gain * signal + noise_gain * noise

# Signal parameters
x1 = -10.0
x2 = 10.0
N = 10000
T = x2 - x1

# Generate signal data
x = np.linspace(x1, x2, N)
y = generate_signal(x)

# Apply FFT
xf, yf = norm_sym_fft(y, T, 4 / np.pi)

# Plot
fig, ax = plt.subplots(2)
ax[0].plot(x, y)
ax[1].plot(xf, np.abs(yf))
plt.show()

或者，有噪音：

【讨论】：

太棒了！感谢您的帮助！
快速提问。高斯的傅里叶变换应该是同一个高斯函数本身，对吧？举个例子：wolframalpha.com/input/…，其中傅里叶变换函数与原始函数相同（在频域中）。您显示的图中 fft 函数的高度和标准偏差是否有不同的原因？
我相信这是因为 FFT=DFT，这与 FT 不同。

【解决方案2】：

首先，使用np.fft.fft 计算傅立叶变换，然后使用np.fft.fftshift 将零频率分量移动到频谱的中心。

将代码的第二部分替换为：

xf = np.arange(x1,x2,dx)
yf = np.fft.fft(light_intensity())
yfft = np.fft.fftshift(np.abs(yf))
fig,ax = plt.subplots(1,2,figsize=(10,5))
ax[0].plot(xf,light_intensity())
ax[1].plot(xf,yfft)
ax[1].set_xlim(-0.05,0.05)
plt.show()

这是结果：

【讨论】：