实验四 快速傅里叶变换(FFT)
快速傅立叶变换FFT实验报告
快速傅立叶变换〔FFT〕算法试验一．试验目的1.加深对DFT 算法原理和根本性质的理解；2.生疏FFT 算法原理和FFT 子程序的应用；3.学习用FFT 对连续信号和时域信号进展谱分析的方法，了解可能消灭的分析误差及其缘由，以便在实际中正确应用FFT。
二．试验设备计算机，CCS 3.1 版软件，E300 试验箱，DSP 仿真器，导线三．根本原理1.离散傅立叶变换DFT 的定义：将时域的采样变换成频域的周期性离散函数，频域的采样也可以变换成时域的周期性离散函数，这样的变换称为离散傅立叶变换，简称DFT。
2.FFT 是DFT 的一种快速算法，将DFT 的N2 步运算削减为〔N/2〕logN 步，极大2的提高了运算的速度。
3.旋转因子的变化规律。
4.蝶形运算规律。
5.基2FFT 算法。
四．试验步骤1.E300 底板的开关SW4 的第1 位置ON，其余置OFF。
其余开关不用具体设置。
2.E300 板子上的SW7 开关的第1 位置OFF，其余位置ON3.阅读本试验所供给的样例子程序；4.运行CCS 软件，对样例程序进展跟踪，分析结果；记录必要的参数。
5.填写试验报告。
6.供给样例程序试验操作说明A.试验前预备用导线连接“Signal expansion Unit”中2 号孔接口“SIN”和“A/D 单元”的2 号孔接口“AD_IN0”。
〔试验承受的是外部的AD模块〕B.试验1.正确完成计算机、DSP 仿真器和试验箱的连接后，系统上电。
2.启动CCS3.1，Project/Open 翻开“algorithm\01_fft”子名目下“fft.pjt”工程文件；双击“fft.pjt”及“Source”可查看各源程序；加载“Debug\fft.out”；3.单击“Debug\Go main”进入到主程序，在主程序“flag=0；”处设置断点；4.单击“Debug \ Run”运行程序，或按F5 运行程序；程序将运行至断点处停顿；5.用View / Graph / Time/Frequency 翻开一个图形观看窗口；设置该观看图形窗口变量及参数；承受双踪观看在启始地址分别为px 和pz，长度为128，数值类型为16 位整型，p x：存放经A/D 转换后的输入信号；p z：对该信号进展FFT 变换的结果。
实验四应用快速傅里叶变换对信号进行频谱分析
实验四应用快速傅里叶变换对信号进行频谱分析引言：频谱分析是信号处理领域中的重要技术之一，可以用于研究信号的频率特性和频域内的信号成分。
傅里叶变换是一种能将时域信号转换为频域信号的数学工具，通过将信号分解成一系列频率分量来分析信号。
快速傅里叶变换（FFT）是一种高效的计算傅里叶变换的方法，尤其适合实时信号处理。
实验目的：1.理解傅里叶变换在频谱分析中的应用；2.掌握使用FFT对信号进行频谱分析的方法；3.实现频谱分析并得出相应的频谱图。
实验器材和材料：1.信号源（例如信号发生器）；2.电脑或数字信号处理器（DSP）；3.音频线或数据线连接信号源和电脑或DSP。
实验步骤：1.确定实验所需信号源的类型和参数，例如正弦信号、方波信号或任意信号；2.连接信号源和电脑或DSP，确保信号源输出的信号能够被电脑或DSP接收；3. 在电脑或DSP上选择合适的软件或编程语言环境，例如MATLAB、Python或C；4.编写程序或命令以控制信号源产生相应的信号，并将信号输入到电脑或DSP中；5.读取信号，并使用FFT对信号进行傅里叶变换；6.分析得到的频谱数据，绘制频谱图；7.对得到的频谱图进行解读和分析。
实验注意事项：1.在选择信号源和连接电脑或DSP时，注意信号源的输出范围和电脑或DSP的输入范围，避免信号超出范围导致损坏设备；2.根据实际需要选择合适的采样率和采样点数，以保证能够对信号进行充分的频谱分析；3.在进行FFT计算时，注意选择适当的窗函数和重叠率，以克服频谱分析中的泄漏效应。
实验结果与讨论：通过对信号进行频谱分析，我们可以得到信号的频率特性和频域内的成分信息。
根据得到的频谱图，我们可以分析信号的主要频率分量、功率谱密度以及可能存在的干扰或噪声。
通过对频谱图的解读和分析，可以帮助我们理解信号的特征和变化规律，为后续的信号处理和应用提供有价值的信息。
结论：本实验通过应用快速傅里叶变换对信号进行频谱分析，从而得到信号在频域内的成分信息并绘制出频谱图。
(完整word版)基于DSP的快速傅立叶变换(FFT)的实现(汇编语言)
快速傅立叶变换（FFT ）的实现一、实验目的1.了解FFT 的原理及算法；2.了解DSP 中FFT 的设计及编程方法；3.熟悉FFT 的调试方法；二、实验原理FFT 是一种高效实现离散付立叶变换的算法，把信号从时域变换到频域，在频域分析处理信息。
对于长度为N 的有限长序列x (n )，它的离散傅里叶变换为：(2/)j N nk N W e π-=，称为旋转因子，或蝶形因子。
在x (n )为复数序列的情况下，计算X (k )：对某个k 值，需要N 次复数乘法、(N -1)次复数加法；对所有N 个k 值，需要2N 次复数乘法和N (N -1)次复数加法。
对于N 相当大时（如1024）来说，直接计算它的DFT 所作的计算量是很大的，FFT 的基本思想在于： 利用2()j nk N N W e π-=的周期性即：k N k N N W W +=对称性：/2k k N N N W W +=-将原有的N 点序列分成两个较短的序列，这些序列的DFT 可以很简单的组合起来得到原序列的DFT 。
按时间抽取的FFT ——DIT FFT 信号流图如图5.1所示：图5.1 时间抽取的FFT —DIT FFT 信号流图FFT 算法主要分为以下四步。
第一步 输入数据的组合和位倒序∑=-=10)()(N n nk N W n x k X把输入序列作位倒序是为了在整个运算最后的输出中得到的序列是自然顺序。
第二步 实现N 点复数FFT第一级蝶形运算；第二级蝶形运算；第三级至log2N 级蝶形运算；FFT 运算中的旋转因子N W 是一个复数，可表示：为了实现旋转因子N W 的运算，在存储空间分别建立正弦表和余弦表，每个表对应从0度到180度，采用循环寻址来对正弦表和余弦表进行寻址。
第三步 功率谱的计算X (k )是由实部()R X k 和虚部()I X k 组成的复数：()()()R I X k X k jX k =+；计算功率谱时只需将FFT 变换好的数据，按照实部()R X k 和虚部()I X k 求它们的平方和，然后对平方和进行开平方运算。
快速傅里叶变换（含详细实验过程分析）
快速傅⾥叶变换（含详细实验过程分析）[实验2] 快速傅⾥叶变换 (FFT) 实现⼀、实验⽬的1、掌握FFT 算法和卷积运算的基本原理；2、掌握⽤C 语⾔编写DSP 程序的⽅法；3、了解利⽤FFT 算法在数字信号处理中的应⽤。
⼆、实验设备 1. ⼀台装有CCS 软件的计算机； 2. DSP 实验箱的TMS320C5410主控板； 3. DSP 硬件仿真器。
三、实验原理（⼀）快速傅⾥叶变换傅⾥叶变换是⼀种将信号从时域变换到频域的变换形式，是信号处理的重要分析⼯具。
离散傅⾥叶变换（DFT ）是傅⾥叶变换在离散系统中的表⽰形式。
但是DFT 的计算量⾮常⼤， FFT 就是DFT 的⼀种快速算法, FFT 将DFT 的N 2步运算减少⾄ ( N/2 )log 2N 步。
离散信号x(n)的傅⾥叶变换可以表⽰为∑=-=10][)(N N nk N W n x k X ， Nj N e W /2π-=式中的W N 称为蝶形因⼦，利⽤它的对称性和周期性可以减少运算量。
⼀般⽽⾔，FFT 算法分为时间抽取（DIT ）和频率抽取（DIF ）两⼤类。
两者的区别是蝶形因⼦出现的位置不同，前者中蝶形因⼦出现在输⼊端，后者中出现在输出端。
本实验以时间抽取⽅法为例。
时间抽取FFT 是将N 点输⼊序列x(n) 按照偶数项和奇数项分解为偶序列和奇序列。
偶序列为：x(0), x(2), x(4),…, x(N-2)；奇序列为：x(1), x(3), x(5),…, x(N-1)。
这样x(n) 的N 点DFT 可写成：()()∑++∑=-=+-=12/0)12(12/02122)(N n kn NN n nkNW n x Wn x k X考虑到W N 的性质，即2/)2//(22/)2(2][N N j N j N W e e W ===--ππ因此有：()()∑++∑=-=-=12/02/12/02/122)(N n nkN k NN n nkN W n x WWn x k X或者写成：()()12()kN X k X k W X k =+由于X 1(k) 与X 2(k) 的周期为N/2，并且利⽤W N 的对称性和周期性，即：kNNkNWW-=+2/可得：()()12(/2)kNX k N X k W X k+=-对X1(k) 与X2(k)继续以同样的⽅式分解下去，就可以使⼀个N点的DFT最终⽤⼀组2点的DFT来计算。
快速傅里叶变换(FFT)实验说明概要
算法验证原理:为了验证该 FFT 的频谱分析能力,故对一段合成信号进行 FFT 。
方波的傅里叶级数展开公式如下:根据以上公式各次谐波与基波之间的谐波频率与谐波幅度的关系, 我们可以使用 sin 函数合成任意次的方波。
这里,我们选取三次谐波合成方波。
以下是例程中的合成三次谐波信号:Input[i]=sin(2*pi*5*i/(NL-1+sin(2*pi*i*5*3/(NL-1/3+sin(2*pi*i*5*5/(NL-1/5;基波角频率 =2*pi*5, NL 为将连续信号离散化的点数,在2π的周期上均匀分割为 NL 个离散点。
这一步代替了 AD 采样的功能。
离散点存放在数组 Input[i]里面,长度为 NL 。
例程里面 NL=256。
加载程序并运行,点击 view->Graph->Time/Frequency,设置如下:点击 OK ,出现如下图所示的波形:这是合成信号的时域波形, 根据吉布斯效应,如果谐次增加, 高电平两个尖峰之间的震荡幅度将会减小变密,但是两边的尖峰不会削减。
接着我们设置如下:点击 OK ,我们将看到如下波形:上图为对该合成信号的 256点 FFT 频谱图,在三个频率分量处有幅度分布。
由于 FFT 是在2π上的分析, 而且将复数进行了取模运算, 所以频谱图是关于π(采样值为点 127的对称图形。
将鼠标点击到尖峰处,分别得到点数与幅度的值为:第一尖峰:(5, 0.99 第二尖峰:(15, 0.32 , 第三尖峰:(25, 0.19 。
采样点数关系为 5,15,25,满足 1:3:5的频率关系;量化的幅度关系为 0.99:0.32:0.19,满足 1:1/3:1/5的谐波幅度关系。
因此,该 FFT 算法能够准确的对信号进行频谱计算。
FFT算法分析实验实验报告
FFT算法分析实验实验报告一、实验目的快速傅里叶变换（Fast Fourier Transform，FFT）是数字信号处理中一种非常重要的算法。
本次实验的目的在于深入理解 FFT 算法的基本原理、性能特点，并通过实际编程实现和实验数据分析，掌握 FFT 算法在频谱分析中的应用。
二、实验原理FFT 算法是离散傅里叶变换（Discrete Fourier Transform，DFT）的快速计算方法。
DFT 的定义为：对于长度为 N 的序列 x(n)，其 DFT 为X(k) ＝∑n=0 到 N-1 x(n) e^（j 2π k n ／ N) ，其中 j 为虚数单位。
FFT 算法基于分治法的思想，将 N 点 DFT 分解为多个较小规模的DFT，从而大大减少了计算量。
常见的 FFT 算法有基 2 算法、基 4 算法等。
三、实验环境本次实验使用的编程语言为 Python，主要依赖 numpy 库来实现 FFT 计算和相关的数据处理。
四、实验步骤1、生成测试信号首先，生成一个包含不同频率成分的正弦波叠加信号，例如100Hz、200Hz 和 300Hz 的正弦波。
设定采样频率为 1000Hz，采样时间为 1 秒，以获取足够的采样点进行分析。
2、进行 FFT 计算使用 numpy 库中的 fft 函数对生成的测试信号进行 FFT 变换。
3、频谱分析计算 FFT 结果的幅度谱和相位谱。
通过幅度谱确定信号中各个频率成分的强度。
4、误差分析与理论上的频率成分进行对比，计算误差。
五、实验结果与分析1、幅度谱分析观察到在 100Hz、200Hz 和 300Hz 附近出现明显的峰值，对应于生成信号中的频率成分。
峰值的大小反映了相应频率成分的强度。
2、相位谱分析相位谱显示了各个频率成分的相位信息。
3、误差分析计算得到的频率与理论值相比，存在一定的误差，但在可接受范围内。
误差主要来源于采样过程中的量化误差以及 FFT 算法本身的近似处理。
快速 Fourier 变换(FFT)及其应用
0.0395 0.0538 0.0098 0.0245 -0.0054 -0.0737 -0.0881 -0.1385 -0.1163
Columns 46 through 54
-0.0813 -0.0359 -0.0453 -0.0418 -0.0116 -0.0676 -0.0672 -0.0403 -0.0966
x=ifft(X,64);
n=k;
stem(n,abs(x))
grid
运行结果：
3、对实验现象、数据及观察结果的分析与讨论：
图一的理论分析：
图二的理论分析：
比较用IFFT函数时，得其结果是复数求其模值与理论值进行比较得：
程序代码：
x1=1/(1-0.8^N)*0.8.^n;
delta=x1-abs(x)
Columns 19 through 27
-0.0035 0 0.0035 -0.0208 -0.0694 -0.0685 -0.0572 -0.0048 0.0529
Columns 28 through 36
0.0659 0.0969 0.1177 0.1598 0.1266 0.1231 0.0762 0.1276 0.0911
5、实验总结
⑴本次实验成败之处及其原因分析：
⑵本实验的关键环节及改进措施：
①做好本实验需要把握的关键环节：
对matlab语言要极其的熟悉，其次对于课程理论学习的知识要很好的掌握。
②若重做本实验，为实现预期效果，仪器操作和实验步骤应如何改善：
实践前做好充足的准备，熟练掌握matlaB软件，多加练习相关类似的习题一增加理解。
运行结果：
delta =
快速傅里叶变换fft的Matlab实现 实验报告
一、实验目的1在理论学习的基础上，通过本实验加深对快速傅立叶变换的理解；2熟悉并掌握按时间抽取FFT算法的程序；3了解应用FFT进行信号频谱分析过程中可能出现的问题，例如混淆、泄漏、栅栏效应等，以便在实际中正确应用FFT。
二、实验内容1仔细分析教材第六章‘时间抽取法FFT’的算法结构，编制出相应的用FFT 进行信号分析的C语言（或MATLAB语言）程序；用MATLAB语言编写的FFT源程序如下：%%输入数据f、N、T及是否补零clc;clear;f=input('输入信号频率f：');N=input('输入采样点数N：');T=input('输入采样间隔T：');C=input('信号是否补零（补零输入1，不补零输入0）：');%补零则输入1，不补则输入0if(C==0)t=0:T:(N-1)*T;x=sin(2*pi*f*t);b=0;e lseb=input('输入补零的个数：');while(log2(N+b)~=fix(log2(N+b)))b=input('输入错误，请重新输入补零的个数：');endt=0:T:(N+b-1)*T;x=sin(2*pi*f*t).*(t<=(N-1)*T);end%%fft算法的实现A=bitrevorder(x);%将序列按二进制倒序N=N+b;M=log2(N);%M为蝶形算法的层数W=exp(-j*2*pi/N);for L=1:1:M%第L层蝶形算法B=2^L/2;%B为每层蝶形算法进行加减运算的两个数的间隔K=N/(2^L);%K为每层蝶形算法中独立模块的个数for k=0:1:K-1for J=0:1:B-1p=J*2^(M-L);%p是W的指数q=A(k*2^L+J+1);%用q来代替运算前面那个数A(k*2^L+J+1)=q+W^p*A(k*2^L+J+B+1);A(k*2^L+J+B+1)=q-W^p*A(k*2^L+J+B+1);endendend%%画模特性的频谱图z=abs(A);%取模z=z./max(z);%归一化hold onsubplot(2,1,1);stem(0:1:N-1,x,'DisplayName','z');title('时域信号');subplot(2,1,2);stem(0:1:N-1,z,'DisplayName','z');title('频谱图');figure(gcf)%画图2用FFT 程序计算有限长度正弦信号()sin(2),0*y t f t t N Tπ=≤<分别在以下情况下所得的DFT 结果并进行分析和讨论：a ）信号频率f ＝50Hz ，采样点数N=32,采样间隔T=0.000625sb ）信号频率f ＝50Hz ，采样点数N=32,采样间隔T=0.005sT=0.0046875sc）信号频率f＝50Hz，采样点数N=32,采样间隔051015202530350510152025303505101520253035 e）信号频率f＝50Hz，采样点数N=64,采样间隔T=0.000625sg）将c）信号后补32个0，做64点FFT三、实验分析DFT是对有限序列做傅里叶变换后在频域上进行采样，而相对应的时域以频谱上的采样频率的倒数进行周期拓展。
fft实验分析实验报告
fft实验分析实验报告FFT实验分析实验报告一、引言傅里叶变换（Fourier Transform）是一种重要的信号分析工具，它能够将一个信号分解成不同频率的成分。
快速傅里叶变换（Fast Fourier Transform，FFT）是一种高效的计算傅里叶变换的算法。
本实验旨在通过实际操作，探究FFT在信号分析中的应用。
二、实验设备与方法1. 实验设备：本实验使用的设备包括示波器、信号发生器和计算机。
2. 实验方法：（1）将信号发生器的输出接入示波器的输入端。
（2）调节信号发生器的参数，如频率、振幅等，产生不同的信号。
（3）通过示波器观察信号的波形，并记录相关数据。
（4）将示波器与计算机通过USB接口连接，将示波器上的数据传输到计算机上。
（5）使用计算机上的软件进行FFT分析，得到信号的频谱信息。
三、实验结果与分析1. 实验一：正弦波信号的FFT分析（1）设置信号发生器的频率为1000Hz，振幅为5V，产生一段正弦波信号。
（2）通过示波器观察信号的波形，并记录相关数据。
（3）将示波器上的数据传输到计算机上，进行FFT分析。
实验结果显示，正弦波信号的频谱图呈现出单个峰值，且峰值位于1000Hz处。
这说明FFT能够准确地分析出信号的频率成分，并将其可视化展示。
2. 实验二：方波信号的FFT分析（1）设置信号发生器的频率为500Hz，振幅为5V，产生一段方波信号。
（2）通过示波器观察信号的波形，并记录相关数据。
（3）将示波器上的数据传输到计算机上，进行FFT分析。
实验结果显示，方波信号的频谱图呈现出多个峰值，且峰值位于500Hz的倍数处。
这说明方波信号由多个频率成分叠加而成，FFT能够将其分解出来，并显示出各个频率成分的强度。
3. 实验三：复杂信号的FFT分析（1）设置信号发生器的频率为100Hz和200Hz，振幅分别为3V和5V，产生一段复杂信号。
（2）通过示波器观察信号的波形，并记录相关数据。
（3）将示波器上的数据传输到计算机上，进行FFT分析。
数字信号处理_快速傅里叶变换FFT实验报告
数字信号处理_快速傅里叶变换FFT实验报告快速傅里叶变换(FFT)实验报告1. 引言数字信号处理是一门研究如何对数字信号进行处理、分析和提取信息的学科。
傅里叶变换是数字信号处理中常用的一种方法，可以将信号从时域转换到频域。
而快速傅里叶变换(FFT)是一种高效的计算傅里叶变换的算法，广泛应用于信号处理、图象处理、通信等领域。
2. 实验目的本实验旨在通过编写程序实现快速傅里叶变换算法，并对不同信号进行频谱分析。
3. 实验原理快速傅里叶变换是一种基于分治策略的算法，通过将一个N点离散傅里叶变换(DFT)分解为多个较小规模的DFT，从而实现高效的计算。
具体步骤如下： - 如果N=1，直接计算DFT；- 如果N>1，将输入序列分为偶数和奇数两部份，分别计算两部份的DFT；- 将两部份的DFT合并为整体的DFT。
4. 实验步骤此处以C语言为例，给出实验的具体步骤：(1) 定义输入信号数组和输出频谱数组；(2) 实现快速傅里叶变换算法的函数，输入参数为输入信号数组和输出频谱数组；(3) 在主函数中调用快速傅里叶变换函数，得到输出频谱数组；(4) 对输出频谱数组进行可视化处理，如绘制频谱图。
5. 实验结果与分析为了验证快速傅里叶变换算法的正确性和有效性，我们设计了以下实验：(1) 生成一个正弦信号，频率为100Hz，采样频率为1000Hz，时长为1秒；(2) 对生成的正弦信号进行快速傅里叶变换，并绘制频谱图；(3) 生成一个方波信号，频率为200Hz，采样频率为1000Hz，时长为1秒；(4) 对生成的方波信号进行快速傅里叶变换，并绘制频谱图。
实验结果显示，对于正弦信号，频谱图中存在一个峰值，位于100Hz处，且幅度较大；对于方波信号，频谱图中存在多个峰值，分别位于200Hz的奇数倍处，且幅度较小。
这与我们的预期相符，说明快速傅里叶变换算法能够正确地提取信号的频谱信息。
6. 实验总结通过本次实验，我们成功实现了快速傅里叶变换算法，并对不同信号进行了频谱分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验四 快速傅里叶变换（FFT ）4.1实验目的1）加深对快速傅里叶变换（FFT ）基本理论的理解；2）了解使用快速傅里叶变换（FFT ）计算有限长序列和无限长序列信号频谱的方法；3）掌握用MATLAB 语言进行快速傅里叶变换时常用的子函数。
4.2实验原理1）用MATLAB 提供的子函数进行快速傅里叶变换从理论学习可知，DFT 是唯一在时域和频域均为离散序列的变换方法，它适用于有限长序列。
尽管这种变换方法是可以用于数值计算的，但如果只是简单的按照定义进行数据处理，当序列长度很大时，则将占用很大的内存空间，运算时间将很长。
快速傅里叶变换是用于DFT 运算的高效运算方法的统称，FFT 只是其中的一种。
FFT 主要有时域抽取算法和频域抽取算法，基本思想是将一个长度为N 的序列分解成多个短序列，如基2算法、基4算法等，大大缩短了运算的时间。
MATLAB 中提供了进行快速傅里叶变换（FFT ）的子函数，用fft 计算DFT ，用ifft 计算IDFT 。
2）用FFT 计算有限长序列的频谱基本概念：一个序号从1n 到2n 的时域有限长序列()x n ，它的频谱()j X e ω定义为它的离散时间傅里叶变换，且在奈奎斯特（Nyquist ）频率范围内有界并连续。
序列的长度为N ，则211N n n =−+。
计算()x n 的离散傅里叶变换（DFT ）得到的是()j X e ω的N 个样本点()k j X e ω。
其中数字频率为k 2πω()d ωk k N== 式中：d ω为数字频率的分辨率；k 取对应－(N －1)/2到(N －1)/2区间的整数。
在实际使用中，往往要求计算出信号以模拟频率为横坐标的频谱，此时对应的模拟频率为s s 2π2πΩω/T ()()T k k k k kD N L==== 式中：D 为模拟频率的分辨率或频率间隔；T s 为采样信号的周期，Ts ＝1/Fs ；定义信号时域长度L ＝N T s 。
在使用FFT 进行DFT 的高效运算时，一般不直接用n 从n 1到n 2的()x n ，而是取x()n 的主值区间(n ＝0，1，…，N －1)的数据，经FFT 将产生N 个数据，定位在k ＝0，1，…，N －1的数字频率点上，即对应［0，2π］。
如果要显示［－π，π］范围的频谱，则可以使用fftshift(X)进行位移。
频谱的显示及分辨率问题：例1: 已知有限长序列()x n ＝［1，2，3，2，1］，其采样频率F s ＝10 Hz 。
请使用FFT 计算其频谱。
MATLAB 程序如下：Fs=10;xn=[1, 2, 3, 2, 1]; N=length(xn);D=2*pi*Fs/N; %计算模拟频率分辨率k=floor(-(N-1)/2: (N-1)/2); %频率显示范围对应 [-π,π]X=fftshift(fft(xn, N)); %作FFT 运算且移位πsubplot(1, 2, 1); plot(k*D, abs(X), 'o:'); %横轴化成模拟频率作幅度谱title('幅度频谱'); xlabel('rad/s');subplot(1, 2, 2); plot(k*D, angle(X), 'o:'); %横轴化成模拟频率作相位谱title('相位频谱'); xlabel('rad/s');由运行结果可知，当有限长序列的长度N ＝5时，频谱的频率样本点数也为5，如图上用“。
”表示的点位。
频率点之间的间距非常大，即分辨率很低。
即使使用了plot 命令的插值功能，显示出的曲线仍是断断续续的，与真实曲线有较大的误差。
改变分辨率的基本方法是给输入序列补零，即增加频谱的密度。
注意，这种方法只是改善了图形的视在分辨率，并不增加频谱的细节信息。
将上述有限长序列()x n ＝［1，2，3，2，1］末尾补0到N ＝1000点，将程序改为：Fs=10; N=1000;xn=[1, 2, 3, 2, 1]; Nx=length(xn);xn=[1, 2, 3, 2, 1, zeros(1, N-Nx)];（下同，略）此时程序执行结果可以看出，图形的分辨率提高，曲线几乎是连续的频谱了。
实偶序列如何补0问题：例2： 已知一个矩形窗函数序列为15x()05n n n ⎧≤⎪=⎨>⎪⎩ 采样周期T s ＝0.5 s ，要求用FFT 求其频谱。
解：由于该序列是一个实的偶序列，因而补0时需要仔细分析。
假定按N ＝32补0，则主值区域在n ＝0～31，FFT 的输入应为()[ones(1,6),zeros(1,11),ones(1,5)]x n N =−即原来n =[－5：－1]的前五个点移到n ＝[27：31]中去了。
下面考虑分别用N =32，64，512，观察不同N 值代入对频谱的影响。
程序如下：Ts=0.5; C=[32, 64, 512]; %输入不同的N 值for r=0: 2;N=C(r+1);xn=[ones(1, 6), zeros(1, N-11), ones(1, 5)];%建立x(n) D=2*pi/(N*Ts);k=floor(-(N-1)/2: (N-1)/2);X=fftshift(fft(xn, N));subplot(3, 2, 2*r+1); plot(k*D, abs(X)); %幅度频谱subplot(3, 2, 2*r+2); stairs(k*D, angle(X)); %相位频谱end注意：此处相位频谱使用了stairs ，因为该相位频谱变化率比较陡峭。
如果将x(n)的输入写成: ()x n ＝[ones(1，11)，zeros(1，N －11)]；%建立x(n －5)相当于起点不是取自n ＝0而是n ＝－5，计算的是x(n －5)的频谱。
幅度频谱不受影响，相位频谱引入一个线性相位－5w 。
3）用FFT 计算无限长序列的频谱用FFT 进行无限长序列的频谱计算，首先要将无限长序列截断成一个有限长序列。
序列长度的取值对频谱有较大的影响，带来的问题是引起频谱的泄漏和波动。
例3：已知一个无限长序列为0.5e 0x()00nn n n −⎧≥=⎨<⎩采样频率F s ＝20 Hz ，要求用FFT 求其频谱。
MATLAB 程序如下：Fs=20; C=[8, 16, 128]; %输入不同的N 值for r=0:2;N=C(r+1);n=0: N-1;xn=exp(-0.5*n); %建立x(n)D=2*pi*Fs/N;k=floor(-(N-1)/2: (N-1)/2);X=fftshift(fft(xn, N));subplot(3, 2, 2*r+1); plot(k*D, abs(X));axis([-80, 80, 0, 3]);subplot(3, 2, 2*r+2); stairs(k*D, angle(X));axis([-80, 80, -1, 1]);end由运行结果可见，N 值取得越大，即序列保留得越长，曲线精度越高。
例４：用FFT 计算下列连续时间信号的频谱，并观察选择不同的Ts 和N 值对频谱特性的影响。
0.01a ()(sin 2sin 2.1sin 2.2),0t x t e t t t t −=++≥解 该题选择了三个非常接近的正弦信号，为了将各频率成分区分出来，在满足奈奎斯特定理的条件下确定采样周期，选择三组数据，分别是T s ＝0.5 s 、0.25 s 和0.125 s ；再确定N 值，分别选择N ＝256和2048。
观察不同Ts 和N 的组合对频谱的影响。
程序如下：T0=[0.5, 0.25, 0.125, 0.125]; %输入不同的Ts 值N0=[256, 256, 256, 2048]; %输入不同的N 值for r=1: 4;Ts=T0(r); N=N0(r); %赋Ts 和N 值n=0: N-1;D=2*pi/(Ts*N); %计算模拟频率分辨率xa=exp(-0.01*n*Ts).*(sin(2*n*Ts)+sin(2.1*n*Ts)+sin(2.2*n*Ts));k=floor(-(N-1)/2: (N-1)/2);Xa=Ts*fftshift(fft(xa, N));subplot(2, 2, r); plot(k*D, abs(Xa), 'k');axis([1, 3, 1.1*min(abs(Xa)), 1.1*max(abs(Xa))]);end由运行结果可以得出以下结论：(1) N同样取256(如前三个图形)，当Ts越大时，时域信号的长度L＝N T s保留得越长，则分辨率越高，频谱特性误差越小；反之，则分辨率越低，频谱特性误差越大，甚至丢失某些信号分量。
(2) T s相同(如后两个图形)，当N越大时，在［0，2π］范围内等间隔抽样点数越多，且时域信号的长度L＝N T s保留得越长，则分辨率越高，频谱特性误差越小；反之，当N越小时，在［0，2π］范围内等间隔抽样点数越少，则有可能漏掉某些重要的信号分量，称为栅栏效应。
4.3实验内容1）阅读并输入实验原理中介绍的例题程序，观察输出的数据和图形，结合基本原理理解每一条语句的含义。
2）已知有限长序列x(n)＝［1，0.5，0，0.5，1，1，0.5，0］，要求：①用FFT算法求该时域序列的DFT、IDFT的图形；②假定采样频率F s＝20 Hz，序列长度N分别取8、32和64，使用FFT来计算其幅度频谱和相位频谱。
③已知一个无限长序列x(n)＝0.5n(n≥0)，采样周期Ts＝0.2 s，要求序列长度N分别取8、32和64，用FFT求其频谱。
4.４实验报告(1)列写调试通过的实验内容程序，打印或描绘实验程序产生的图形和数据。
(2)思考题：使用MATLAB语言提供的快速傅里叶变换(FFT)有关子函数，进行有限长和无限长序列频谱分析时，需注意哪些问题？。