序列傅里叶变换的性质|时移特性

证明时移不改变幅值只改变相位。(该结论直接证明了音效算法中延时的作用)

matlab仿真

Matlab 复制代码
% 时移特性验证(理论相位与实际相位对比)
clc; clear; close all;

%% 参数设置
N = 64;                 % 信号长度(FFT点数)
n = 0:N-1;              % 时间序列
n0 = 10;                % 时移量
omega = 2*pi*(0:N-1)/N; % 频率轴

%% 原始信号:正弦波加噪声作为示例
x = cos(2*pi*0.1*n) + 0.5*sin(2*pi*0.3*n); % 原始信号
x_shifted = circshift(x, [0, n0]);         % 循环时移后的信号

%% 计算傅里叶变换
X = fft(x, N);              % 原始信号的FFT
X_shifted = fft(x_shifted); % 时移后信号的FFT

%% 幅值和相位计算
magnitude_X = abs(X);                      % 原始信号幅值
magnitude_X_shifted = abs(X_shifted);      % 时移后信号幅值
phase_X = angle(X);                        % 原始信号相位
phase_X_shifted = angle(X_shifted);        % 时移后信号相位

%% 理论相位偏移
phase_theory = -omega * n0;                % 理论线性相位偏移

%% 实际相位差计算并归一化到 [-pi, pi]
phase_diff_actual = phase_X_shifted - phase_X; % 实际相位差
phase_diff_actual = mod(phase_diff_actual + pi, 2*pi) - pi;

% 理论相位偏移归一化
phase_theory = mod(phase_theory + pi, 2*pi) - pi;

%% 绘图结果
figure;

% 幅值比较
subplot(3,1,1);
plot(omega, magnitude_X, 'b', 'LineWidth', 1.5); hold on;
plot(omega, magnitude_X_shifted, 'r--', 'LineWidth', 1.5);
title('时移前后信号的幅值');
xlabel('频率 \omega (rad/sample)');
ylabel('幅值');
legend('原始信号', '时移后信号');
grid on;

% 相位比较
subplot(3,1,2);
plot(omega, phase_X, 'b', 'LineWidth', 1.5); hold on;
plot(omega, phase_X_shifted, 'r--', 'LineWidth', 1.5);
title('时移前后信号的相位');
xlabel('频率 \omega (rad/sample)');
ylabel('相位 (rad)');
legend('原始信号相位', '时移后信号相位');
grid on;

% 理论与实际相位差比较
subplot(3,1,3);
plot(omega, phase_theory, 'k:', 'LineWidth', 1.5); hold on;
plot(omega, phase_diff_actual, 'r-', 'LineWidth', 1.5);
title('理论与实际相位差');
xlabel('频率 \omega (rad/sample)');
ylabel('相位差 (rad)');
legend('理论相位差', '实际相位差');
grid on;

%% 控制台输出结果
disp('频率、理论相位差与实际相位差比较:');
fprintf('%8s %15s %20s\n', '频率', '理论相位差(rad)', '实际相位差(rad)');
for k = 1:N
    fprintf('%8.3f %15.4f %20.4f\n', omega(k), phase_theory(k), phase_diff_actual(k));
end

仿真结果

结论:时移不改变幅值只改变相位

相关推荐
【建模先锋】1 天前
创新升级!从 Conditional DCGAN 到 Conditional WGAN-GP:小样本故障诊断生成增强再进阶
深度学习·生成对抗网络·信号处理·故障诊断·小样本·轴承故障诊断·样本生成
浩子智控1 天前
EtherCAT技术概述
嵌入式硬件·fpga开发·硬件工程·信号处理
奔袭的算法工程师1 天前
论文解读--BEV-radar:: bidirectional radar-camera fusion for 3D object detection
人工智能·算法·目标检测·计算机视觉·自动驾驶·信号处理
通信小呆呆1 天前
从理想到现实:实际系统中非理想特性及其补偿方法
算法·数学建模·信号处理
network_tester4 天前
TSN台架系统测试:从实验室验证到智能驾驶落地的关键桥梁
网络·网络协议·5g·汽车·信息与通信·信号处理·tcpdump
【建模先锋】4 天前
强噪声故障诊断新思路!从频域降噪到故障分类:FusADFaultClassifier 自适应谱降噪分类模型详解
人工智能·深度学习·分类·数据挖掘·信号处理·故障诊断·降噪算法
lqqjuly5 天前
信号处理:频域分析、数字滤波与谱估计
信号处理
yong99905 天前
基于MATLAB的雷达数字信号处理
开发语言·matlab·信号处理
zxsd_xyz6 天前
LabVIEW寄存器教程
信息可视化·信号处理·labview·寄存器
【建模先锋】6 天前
独家复现!从 FFT 频域特征到全连接图分类:基于图卷积神经网络 GCN 的滚动轴承故障诊断模型
深度学习·分类·cnn·信号处理·代码分享·图卷积神经网络·轴承故障诊断