#include <math.h>
class complex //定义一个类,实现复数的所有 *** 作
{
double Real,Image//实部与虚部
public:
complex(double r="0",double i="0"){Real=rImage=i}
double GetR(){return Real}//取出实部
double GetI(){return Image} //取出虚部
complex operator + (complex &) //复数加法
complex operator - (complex &) //复数减法
complex operator * (complex &) //复数乘法
void operator =(complex &) //复数 赋值
}
complex complex::operator + (complex &c) //复数加法
{
complex t
t.Real=Real+c.Real
t.Image=Image+c.Image
return t
}
complex complex::operator - (complex &c) //复数减法
{
complex t
t.Real=Real-c.Real
t.Image=Image-c.Image
return t
}
complex complex::operator * (complex &c) //复数乘法
{
complex t
t.Real=Real*c.Real-Image*c.Image
t.Image=Real*c.Image+Image*c.Real
return t
}
void complex::operator = (complex &c) //复数 赋值
{
Real=c.Real
Image=c.Image
}
void fft(complex a[],int length,int jishu) //实现fft的函数
{
const double PI="3".141592653589793
complex u,Wn,t
int i,j,k,m,kind,distance,other
double tmp
for(i=0i<lengthi++) //实现倒叙排列
{
k="i"
j=0
for(m=0m<jishum++)
{
j="j"*2+k%2
k/=2
}
if(i<j)
{
t="a"
a=a[j]
a[j]=t
}
}
for(m=1m<=jishum++) //第m级蝶形运算,总级数为jishu
{
kind = (int)pow(2,m-1) //第m级有2^(m-1)种蝶形运算
distance = 2*kind //同种蝶形结相邻距离为2^m
u=complex(1,0)//旋转因子初始值为 1
tmp=PI/kind
Wn=complex(cos(tmp),-sin(tmp))//旋转因子Wn
for(j=0j<kindj++) //每种蝶形运算的起始点为j,共有kind种
{
for(i=ji<lengthi+=distance) //同种蝶形运算
{
other=i+kind//蝶形运算的两个因子对应单元下标的距离为2^(m-1)
t=a[other]*u// 蝶形运算的乘积项
a[other]=a-t //蝶形运算
a=a+t //蝶形运算
}
u="u"*Wn//修改旋转因子,多乘一个基本DFT因子WN
}
}
}
void main(void)
{
double a,b
complex x[8]//此程序以8点序列测试
printf("8点序列:\n")
for(int i="0"i<8i++) //初始化并输出原始序列
{
x=complex(i,i+1)
printf("x(%d) = %lf + %lf i\n",i+1,x.GetR(),x.GetI())
}
fft(x,8,3) //调用fft函数
printf("fft变换的结果为:\n")
for(i=0i<8i++) //输出结果
printf("X(%d)= %lf + %lf i\n",i+1,x.GetR(),x.GetI())
}
matlab自带的fft函数是快速傅里叶变换函数。主要用于降噪处理,通过使用傅里叶变换求噪声中隐藏的信号的频率分量。
该函数使用方法:
方法一:
Y = fft(X) 用快速傅里叶变换 (FFT) 算法计算 X 的离散傅里叶变换 (DFT)。
如果 X 是向量,则 fft(X) 返回该向量的傅里叶变换。
如果 X 是矩阵,则 fft(X) 将 X 的各列视为向量,并返回每列的傅里叶变换。
如果 X 是一个多维数组,则 fft(X) 将沿大小不等于 1 的第一个数组维度的值视为向量,并返回每个向量的傅里叶变换。
方法二:
Y = fft(X,n) 返回 n 点 DFT。如果未指定任何值,则 Y 的大小与 X 相同。
如果 X 是向量且 X 的长度小于 n,则为 X 补上尾零以达到长度 n。
如果 X 是向量且 X 的长度大于 n,则对 X 进行截断以达到长度 n。
如果 X 是矩阵,则每列的处理与在向量情况下相同。
如果 X 为多维数组,则大小不等于 1 的第一个数组维度的处理与在向量情况下相同。
我们通过下例,来了解fft函数使用过程:
第一步、指定信号的参数,采样频率为 1 kHz,信号持续时间为 1.5 秒。
Fs=1000;%采样频率
T=1/Fs;%采样周期
L=1500;%信号长度
t=(0:L-1)*T;%时间向量
第二步、构造一个信号,其中包含幅值为 0.7 的 50 Hz 正弦量和幅值为 1 的 120 Hz 正弦量。
S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t)
第三步、用均值为零、方差为 4 的白噪声扰乱该信号。
X = S + 2*randn(size(t))
第四步、在时域中绘制含噪信号。通过查看信号 X(t) 很难确定频率分量。
plot(1000*t(1:50),X(1:50))
title('Signal Corrupted with Zero-Mean Random Noise')
xlabel('t (milliseconds)'),ylabel('X(t)')
第五步、计算信号的傅里叶变换。
Y = fft(X)
第六步、计算双侧频谱 P2, 计算单侧频谱 P1。
P2 = abs(Y/L)
P1 = P2(1:L/2+1)
P1(2:end-1) = 2*P1(2:end-1)
第七步、定义频域 f 并绘制单侧幅值频谱 P1
f = Fs*(0:(L/2))/L
plot(f,P1)
title('Single-Sided Amplitude Spectrum of X(t)')
xlabel('f (Hz)'),ylabel('|P1(f)|')
运行结果。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)