Matlab 频谱分析 (Spectral Analysis)

文章目录

    • [1. 信号预处理 - 去直流分量](#1. 信号预处理 - 去直流分量)
    • [2. 快速傅里叶变换(FFT)](#2. 快速傅里叶变换(FFT))
    • [3. 功率谱密度(PSD)计算](#3. 功率谱密度(PSD)计算)
    • [4. 主频率检测](#4. 主频率检测)
    • [5. 谱质心计算](#5. 谱质心计算)
    • [6. 对数谱显示](#6. 对数谱显示)
    • 完整的信号处理流程
    • 实际应用示例

1. 信号预处理 - 去直流分量

matlab 复制代码
data = data - mean(data);

数学原理:

去除信号的直流分量(DC offset),即:
x c e n t e r e d [ n ] = x [ n ] − μ x_{centered}[n] = x[n] - \mu xcentered[n]=x[n]−μ

其中:

  • μ = 1 N ∑ n = 0 N − 1 x [ n ] \mu = \frac{1}{N}\sum_{n=0}^{N-1} x[n] μ=N1∑n=0N−1x[n] 是信号均值
  • N N N 是信号长度

作用: 去除0Hz分量,避免在频谱图中出现很大的直流峰值,影响其他频率成分的观察。

2. 快速傅里叶变换(FFT)

matlab 复制代码
Y = fft(data, nfft);
f = (0:nfft-1) * fs / nfft;

数学原理:

离散傅里叶变换(DFT)公式:
X [ k ] = ∑ n = 0 N − 1 x [ n ] ⋅ e − j 2 π k n / N X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j2\pi kn/N} X[k]=n=0∑N−1x[n]⋅e−j2πkn/N

其中:

  • k = 0 , 1 , . . . , N − 1 k = 0, 1, ..., N-1 k=0,1,...,N−1 是频率索引
  • N = n f f t = 2 12 = 4096 N = nfft = 2^{12} = 4096 N=nfft=212=4096 是FFT点数

频率分辨率:
Δ f = f s n f f t \Delta f = \frac{f_s}{nfft} Δf=nfftfs

频率向量计算:
f [ k ] = k ⋅ f s n f f t , k = 0 , 1 , . . . , n f f t − 1 f[k] = k \cdot \frac{f_s}{nfft}, \quad k = 0, 1, ..., nfft-1 f[k]=k⋅nfftfs,k=0,1,...,nfft−1

3. 功率谱密度(PSD)计算

matlab 复制代码
PSD = abs(Y).^2 / (fs * nfft);
PSD = PSD(1:nfft/2+1);
f = f(1:nfft/2+1);
PSD(2:end-1) = 2 * PSD(2:end-1);

数学原理:

Step 1: 计算功率谱
P S D [ k ] = ∣ X [ k ] ∣ 2 f s ⋅ N PSD[k] = \frac{|X[k]|^2}{f_s \cdot N} PSD[k]=fs⋅N∣X[k]∣2

这里除以 f s ⋅ N f_s \cdot N fs⋅N 是为了得到功率谱密度(单位:功率/Hz)。

Step 2: 单边谱转换

由于实信号的FFT结果具有共轭对称性:
X [ k ] = X ∗ [ N − k ] X[k] = X^*[N-k] X[k]=X∗[N−k]

所以只需要保留前一半频率(0到 f s / 2 f_s/2 fs/2),但要将功率翻倍(除了0Hz和Nyquist频率):

matlab 复制代码
PSD(2:end-1) = 2 * PSD(2:end-1);

数学表达:
P S D s i n g l e [ k ] = { P S D [ k ] , k = 0 或 k = N / 2 2 ⋅ P S D [ k ] , 1 ≤ k < N / 2 PSD_{single}[k] = \begin{cases} PSD[k], & k = 0 \text{ 或 } k = N/2 \\ 2 \cdot PSD[k], & 1 \leq k < N/2 \end{cases} PSDsingle[k]={PSD[k],2⋅PSD[k],k=0 或 k=N/21≤k<N/2

4. 主频率检测

matlab 复制代码
[~, peak_idx] = max(PSD(2:end));
main_freq = f(peak_idx + 1);

数学原理:

找到功率谱密度的最大值对应的频率:
f m a i n = arg ⁡ max ⁡ f > 0 P S D ( f ) f_{main} = \arg\max_{f > 0} PSD(f) fmain=argf>0maxPSD(f)

注意:从索引2开始是为了排除直流分量(0Hz)。

5. 谱质心计算

matlab 复制代码
centroid = sum(f_col .* PSD_col) / sum(PSD_col);

数学原理:

谱质心(Spectral Centroid)是频谱的"重心":
f c e n t r o i d = ∑ k = 0 N / 2 f [ k ] ⋅ P S D [ k ] ∑ k = 0 N / 2 P S D [ k ] f_{centroid} = \frac{\sum_{k=0}^{N/2} f[k] \cdot PSD[k]}{\sum_{k=0}^{N/2} PSD[k]} fcentroid=∑k=0N/2PSD[k]∑k=0N/2f[k]⋅PSD[k]

这是一个加权平均,权重是各频率的功率。

物理意义:

  • 谱质心反映了信号能量在频域的分布中心
  • 值越大,说明高频成分越多
  • 常用于音频信号分析中表征音色"明亮度"

6. 对数谱显示

matlab 复制代码
semilogx(f, 10*log10(PSD));

数学原理:

将功率谱密度转换为分贝(dB)单位:
P S D d B = 10 log ⁡ 10 ( P S D ) PSD_{dB} = 10 \log_{10}(PSD) PSDdB=10log10(PSD)

使用对数坐标的原因:

  1. 人耳对频率的感知是对数的
  2. 可以同时显示大范围的幅值差异
  3. 更容易观察低幅值的频率成分

完整的信号处理流程

复制代码
原始信号 x[n]
    ↓ (去直流)
中心化信号 x_c[n] = x[n] - μ
    ↓ (FFT)
频域信号 X[k]
    ↓ (功率计算)
双边功率谱 |X[k]|²/(fs·N)
    ↓ (单边谱转换)
单边功率谱密度 PSD[k]
    ↓ (特征提取)
主频率 + 谱质心

实际应用示例

假设采样率 fs = 1000 Hz,信号包含50Hz和120Hz两个正弦波:

matlab 复制代码
t = 0:1/fs:1;
x = sin(2*pi*50*t) + 0.5*sin(2*pi*120*t);

经过上述处理后:

  • 主频率将是 50 Hz(因为其幅度更大)
  • 谱质心将在 50-120 Hz 之间,偏向50Hz
相关推荐
weixin_4723394626 分钟前
高效处理大体积Excel文件的Java技术方案解析
java·开发语言·excel
枯萎穿心攻击1 小时前
响应式编程入门教程第二节:构建 ObservableProperty<T> — 封装 ReactiveProperty 的高级用法
开发语言·unity·c#·游戏引擎
Eiceblue2 小时前
【免费.NET方案】CSV到PDF与DataTable的快速转换
开发语言·pdf·c#·.net
浪裡遊4 小时前
React Hooks全面解析:从基础到高级的实用指南
开发语言·前端·javascript·react.js·node.js·ecmascript·php
lzb_kkk5 小时前
【C++】C++四种类型转换操作符详解
开发语言·c++·windows·1024程序员节
好开心啊没烦恼5 小时前
Python 数据分析:numpy,说人话,说说数组维度。听故事学知识点怎么这么容易?
开发语言·人工智能·python·数据挖掘·数据分析·numpy
简佐义的博客5 小时前
破解非模式物种GO/KEGG注释难题
开发语言·数据库·后端·oracle·golang
程序员爱钓鱼6 小时前
【无标题】Go语言中的反射机制 — 元编程技巧与注意事项
开发语言·qt