Python中进行傅里叶FFT频谱分析的实战指南

在Python中进行傅里叶FFT（快速傅里叶变换）频谱分析是一种常见的信号处理方法。下面我们将通过一个实战案例，介绍如何进行频谱分析。

一、数据准备

首先，我们需要准备一段信号数据。这里我们使用Python中的NumPy库生成一个简单的正弦波信号：

import numpy as np
import matplotlib.pyplot as plt
# 生成信号数据
fs = 1000  # 采样频率
t = np.arange(0, 1, 1/fs)  # 时间序列
f1 = 50  # 信号频率1
f2 = 120  # 信号频率2
signal = np.sin(2*np.pi*f1*t) + np.sin(2*np.pi*f2*t)  # 合成信号

二、FFT变换

接下来，我们需要对信号进行FFT变换，以获取频谱信息。这里我们使用Python中的SciPy库实现FFT变换：

from scipy.fft import fft
# FFT变换
fft_result = fft(signal)

三、频谱分析

得到FFT变换的结果后，我们可以计算出各频率分量的幅度和相位信息。由于FFT结果是对称的，通常只取前半部分进行分析：

# 获取频谱幅度和相位信息
freqs = np.arange(len(fft_result)) * fs / len(fft_result)
magnitude = np.abs(fft_result[:len(fft_result)//2])
phase = np.angle(fft_result[:len(fft_result)//2])

四、结果解读

根据频谱幅度和相位信息，我们可以分析出信号中各个频率分量的强度和相位。在上面的示例中，我们的合成信号包含两个正弦波，通过频谱分析可以清晰地看到这两个频率分量的幅度和相位信息：

• 幅度谱：表示各个频率分量的幅度大小。在我们的示例中，幅度谱在50Hz和120Hz附近有峰值，说明这两个频率分量的幅度较大。
• 相位谱：表示各个频率分量的相位信息。在我们的示例中，相位谱在50Hz和120Hz附近的相位分别为0度和180度，说明这两个频率分量的相位相反。
• 频率分辨率：由于FFT变换的频率分辨率受到采样频率和信号长度的限制，因此在实际应用中需要注意频率分辨率对频谱分析的影响。在我们的示例中，由于采样频率为1000Hz，因此最小可分辨的频率为1Hz。
• 噪声和干扰：在实际应用中，信号中可能存在噪声和干扰，这会影响频谱分析的结果。因此，在进行频谱分析前需要进行数据预处理，如滤波、去噪等操作。

  # 绘制频谱图和相位图
  plt.figure()
  plt.plot(freqs[:len(fft_result)//2], magnitude)
  plt.xlabel('Frequency (Hz)')
  plt.ylabel('Magnitude')
  plt.show()