FFT频谱分析实验报告
FFT频谱分析及应用实训报告

实验二 FFT频谱分析及应用实训报告一、实验目的:1、通过实验加深对FFT的理解;2、熟悉应用FFT对典型信号进行频谱分析的方法。
二、实验内容使用MATLAB程序实现信号频域特性的分析。
涉及到离散傅立叶变换(DFT)、快速傅立叶变换(FFT)及信号频率分辨率等知识点。
三、实验组织运行要求1、学生在进行实验前必须进行充分的预习,熟悉实验内容;2、学生根据实验要求,读懂并理解相应的程序;3、学生严格遵守实验室的各项规章制度,注意人身和设备安全,配合和服从实验室人员管理;4、教师在学生实验过程中予以必要的辅导,独立完成实验;5、采用集中授课形式。
四、实验条件1、具有WINDOWS 98/2000/NT/XP操作系统的计算机一台;2.、MATLAB编程软件。
五、实验原理与方法和手段在各种信号序列中,有限长序列占重要地位。
对有限长序列可以利用离散傅立叶变换(DFT)进行分析。
DFT不但可以很好的反映序列的频谱特性,而且易于用快速算法(FFT)在计算机上进行分析。
有限长序列的DFT是其z变换在单位圆上的等距离采样,或者说是序列傅立叶的等距离采样,因此可以用于序列的谱分析。
FFT是DFT的一种快速算法,它是对变换式进行一次次分解,使其成为若干小数据点的组合,从而减少运算量。
在MATLAB信号处理工具箱中的函数fft(x,N),可以用来实现序列的N点快速傅立叶变换。
经函数fft求得的序列一般是复序列,通常要求出其幅值和相位。
MATLAB中提供了求复数的幅值和相位的函数:abs、angle,这些函数一般和fft同时使用。
四、实验组织运行要求1、学生在进行实验前必须进行充分的预习,熟悉实验内容;2、学生根据实验要求,读懂并理解相应的程序;3、学生严格遵守实验室的各项规章制度,注意人身和设备安全,配合和服从实验室人员管理;4、教师在学生实验过程中予以必要的辅导,独立完成实验;5、采用集中授课形式。
六、实验步骤在“开始--程序”菜单中,找到MATLAB程序,运行启动;进入MATLAB后,在Command Window中输入实验程序,并执行;记录运行结果图形,作分析。
实验二FFT实现信号频谱分析

0
2
4
6
4
2
0
-2
-4
-6
-4
-20246四、试验环节
4. 试验内容2旳程序运营成果如下图所示:
60
30
40
20
20
10
0
0
-10 -5
0
5
10
-40 -20
0
20 40
30
80
60 20
40 10
20
0
-40 -20
0
20 40
0
-40 -20
0
20 40
四、试验环节
|X(k)| x(n)
5. 试验内容 3旳程序运营成果如下图所示:
fft 计算迅速离散傅立叶变换
fftshift
ifft
调整fft函数旳输出顺序,将零频 位置移到频谱旳中心
计算离散傅立叶反变换
fft函数:调用方式如下
y=fft(x):计算信号x旳迅速傅立叶变换y。当x旳长度为 2旳幂时,用基2算法,不然采用较慢旳分裂基算法。
y=fft(x,n):计算n点FFT。当length(x)>n时,截断x,不 然补零。
【例2-11】产生一种正弦信号频率为60Hz,并用fft函数 计算并绘出其幅度谱。
fftshift函数:调用方式如下 y=fftshift(x):假如x为向量,fftshift(x)直接将x旳左右两 部分互换;假如x为矩阵(多通道信号),将x旳左上、右 下和右上、左下四个部分两两互换。 【例2-12】产生一种正弦信号频率为60Hz,采样率为1000Hz, 用fftshift将其零频位置搬到频谱中心。
以上就是按时间抽取旳迅速傅立叶变换
实验二用FFT做谱分析实验报告

实验二用FFT做谱分析实验报告一、引言谱分析是信号处理中一个重要的技术手段,通过分析信号的频谱特性可以得到信号的频率、幅度等信息。
傅里叶变换是一种常用的谱分析方法,通过将信号变换到频域进行分析,可以得到信号的频谱信息。
FFT(快速傅里叶变换)是一种高效的计算傅里叶变换的算法,可以大幅减少计算复杂度。
本实验旨在通过使用FFT算法实现对信号的谱分析,并进一步了解信号的频谱特性。
二、实验目的1.理解傅里叶变换的原理和谱分析的方法;2.学习使用FFT算法对信号进行谱分析;3.通过实验掌握信号的频谱特性的分析方法。
三、实验原理傅里叶变换是将信号从时域转换到频域的一种数学变换方法,可以将一个非周期性信号分解为一系列正弦和余弦函数的叠加。
FFT是一种计算傅里叶变换的快速算法,能够在较短的时间内计算出信号的频谱。
在进行FFT谱分析时,首先需要对信号进行采样,然后利用FFT算法将采样后的信号转换到频域得到信号的频谱。
频谱可以用幅度谱和相位谱表示,其中幅度谱表示信号在不同频率下的幅度,相位谱表示信号在不同频率下的相位。
四、实验装置和材料1.计算机;2.信号发生器;3.数字示波器。
五、实验步骤1.连接信号发生器和示波器,通过信号发生器产生一个周期为1s的正弦信号,并将信号输入到示波器中进行显示;2.利用示波器对信号进行采样,得到采样信号;3.利用FFT算法对采样信号进行频谱分析,得到信号的频谱图。
六、实验结果[插入频谱图]从频谱图中可以清晰地看到信号在不同频率下的幅度和相位信息。
其中,频率为2Hz的分量的幅度最大,频率为5Hz的分量的幅度次之。
七、实验分析通过对信号的频谱分析,我们可以得到信号的频率分量和其对应的幅度和相位信息。
通过分析频谱图,我们可以得到信号中各个频率分量的相对强度。
在本实验中,我们可以看到频率为2Hz的分量的幅度最大,频率为5Hz的分量的幅度次之。
这说明信号中存在2Hz和5Hz的周期性成分,且2Hz的成分更为明显。
fft频谱分析实验报告

FFT频谱分析实验报告引言频谱分析是一种用于分析信号频率特征的方法,可应用于多个领域,如音频处理、图像处理、通信系统等。
本文将介绍FFT(快速傅里叶变换)频谱分析方法,并通过实验验证其有效性。
实验目的本实验旨在探索FFT频谱分析方法,了解其原理,并通过实验验证其在信号处理中的应用。
实验步骤1.准备实验材料–一台装有MATLAB软件的电脑–需要进行频谱分析的信号数据2.导入信号数据在MATLAB环境中,导入需要进行频谱分析的信号数据。
可以通过以下命令完成数据导入:data = importdata('signal.txt');这里假设信号数据保存在名为signal.txt的文件中。
3.对信号数据进行FFT变换利用MATLAB中的fft函数对信号数据进行FFT变换。
具体命令如下:fft_data = fft(data);这将得到信号数据的FFT变换结果。
4.计算频率谱通过对FFT变换结果的分析,可以计算信号的频率谱。
根据FFT变换的性质,频率谱可以通过计算FFT变换结果的模值得到:spectrum = abs(fft_data);这将得到信号的频率谱。
5.绘制频谱图利用MATLAB的plot函数,可以将频率谱绘制成图形。
命令如下:plot(spectrum);xlabel('频率');ylabel('幅值');title('频谱图');这将绘制出信号的频谱图。
6.分析频谱图通过观察频谱图,可以分析信号的频率特征,如频率成分的强度、主要频率等。
实验结果与讨论在完成以上步骤后,我们得到了信号的频谱图。
通过观察频谱图,我们可以分析信号的频率特征。
例如,我们可以确定信号中主要的频率成分,并通过频率成分的强度判断信号的特性。
在实验中,我们可以尝试使用不同的信号数据进行频谱分析,并观察结果的差异。
通过比较不同信号的频谱图,我们可以进一步了解信号的特性,并探索不同应用场景下的频谱分析方法。
FFT实践及频谱分析实践报告

FFT实验一.内容1. 用Matlab产生正弦波,矩形波,以及白信号,并显示各自时域波形图;2. 进行FFT变换,显示各自频谱图,其中采样率,频率、数据长度自选;3. 做出上述三种信号的均方根图谱,以及对数均方根图谱;4. 用IFFT傅里叶反变换恢复信号,并显示恢复的正弦信号时域波形图;5.滤波器的设计。
(一).编写程序1.正弦波fs=100;%设定采样频率N=128;n=0:N-1;t=n/fs;f0=10;%设定正弦信号频率%生成正弦信号x=sin(2*pi*f0*t);figure(1);subplot(231);plot(t,x);%做正弦信号的时域波形xlabel('t');ylabel('y');title('正弦信号y=2*pi*10t时域波形');grid;%进行FFT变换并做频谱图y=fft(x,N);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(1);subplot(232);plot(f,mag);%做频谱图axis([0,100,0,80]);xlabel('频率(HZ)’);ylabel('幅值’);title('正弦信号y=2*pi*10t幅频谱图N=128’);grid;%求均方根谱sq=abs(y);figure(1);subplot(233);plot(f,sq);xlabel('频率(HZ)’);ylabel('均方根谱’);title('正弦信号y=2*pi*10t均方根谱’);grid;%求功率谱power=sq.^2;figure(1);subplot(234);plot(f,power);xlabel('频率(HZ)’);ylabel('功率谱’);title('正弦信号y=2*pi*10t功率谱’);grid;%求对数谱ln=log(sq);figure(1);subplot(235);plot(f,sq);xlabel('频率(HZ)’);ylabel('对数谱’);title('正弦信号y=2*pi*10t对数谱’);grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs;figure(1);subplot(236);plot(ti,magx);xlabel('t’);ylabel('y’);title('通过IFFT转换的正弦信号波形’);grid;2.矩形波fs=10;%设定采样频率t=-5:0.1:5;x=rectpuls(t,2);x=x(1:99);figure(2);subplot(231);plot(t(1:99),x);%作矩形波的时域波形xlabel('t');ylabel('y');title('矩形波时域波形');grid;%进行FFT变换并做频谱图y=fft(x);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对应的频率转换figure(2);subplot(232);plot(f,mag);%做频谱图xlabel('频率(HZ)');ylabel('幅值');title('矩形波幅频谱图'); grid;%求均方根谱sq=abs(y);figure(2);subplot(233);plot(f,sq);xlabel('频率(HZ)');ylabel('均方根谱');title('矩形波均方根谱'); grid;%求功率根谱power=sq.^2;figure(2);subplot(234);plot(f,power);xlabel('频率(HZ)');ylabel('功率谱');title('矩形波功率谱'); grid;%求对数谱ln=log(sq);figure(2);subplot(235);plot(f,ln);xlabel('频率(HZ)');ylabel('对数谱');title('矩形波对数谱'); grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs; figure(2);plot(ti,magx);xlabel('t');ylabel('y');title('通过IFFT转换的矩形波波形');grid;3.白噪声fs=10;%设定采样频率t=-5:0.1:5;x=zeros(1,100);x(50)=100000;figure(3);subplot(231);plot(t(1:100),x);%作白噪声的时域波形xlabel('t');ylabel('y');title('白噪声时域波形');grid;%进行FFT变换并做频谱图y=fft(x);%进行fft变换mag=abs(y);%求幅值f=(0:length(y)-1)'*fs/length(y);%进行对象的频率转换figure(3);subplot(232);plot(f,mag);%做频谱图xlabel('频率(HZ)');ylabel('幅值');title('白噪声幅频谱图');grid;%求均方根谱sq=abs(y);figure(3);subplot(233);plot(f,sq);xlabel('频率(HZ)');ylabel('均方根谱');title('白噪声均方根谱');grid;%求功率谱power=sq.^2;figure(3);plot(f,power);xlabel('频率(HZ)');ylabel('功率谱');title('白噪声功率谱');grid;%求对数谱ln=log(sq);figure(3);subplot(235);plot(f,ln);xlabel('频率(HZ)');ylabel('对数谱');title('白噪声对数谱');grid;%用IFFT恢复原始信号xifft=ifft(y);magx=real(xifft);ti=[0:length(xifft)-1]/fs;figure(3);subplot(236);plot(ti,magx);xlabel('t');ylabel('y');title('通过IFFT转换的白噪声波形'); grid;4.巴特沃斯高通数字滤波器Fs=5000;wp=2000*2/Fs;ws=1500*2/Fs;Rp=1;Rs=20;Nn=128;[N,Wn]=buttord(wp,ws,Rp,Rs);[b,a]=butter(N,Wn,'high');freqz(b,a,Nn,Fs)(二).程序执行后得到的图像①正弦波②矩形波③白噪声④巴特沃斯高通滤波器四.结论1. FFT是离散傅立叶变换的快速算法,可以将一个信号变换到频域。
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。
fft谱分析实验报告

fft谱分析实验报告实验名称:FFT谱分析实验报告实验目的:1. 学习和掌握FFT(快速傅里叶变换)算法的原理和相关知识。
2. 掌握使用FFT算法进行信号频谱分析的方法和步骤。
3. 通过实验探究不同信号的频谱特征。
实验器材:1. 个人电脑或计算机设备。
2. 谱分析软件(如MATLAB、Python中的numpy.fft模块等)。
实验步骤:1. 准备待分析的信号。
可以是一个模拟信号(如音频或振动信号),也可以是一个数字信号(如从传感器获取的数据)。
2. 打开谱分析软件,并将信号导入到软件中。
3. 使用FFT算法对信号进行频谱分析。
根据软件的具体操作方法,选择合适的参数和设置,如采样率、频率范围等。
4. 确认参数设置无误后,运行软件执行FFT算法,获得信号的频谱图。
5. 分析并解读频谱图。
观察频谱图中的峰值、幅值等信息,进一步了解信号的频谱特征。
实验结果:1. 频谱图:根据实际数据和运行软件获得的结果,绘制信号的频谱图。
2. 频谱特征分析:根据观察和分析频谱图,记录和分析信号的频谱特征(如频率分布、幅值变化等)。
实验讨论和结论:1. 对不同信号的频谱图进行比较和分析,探究信号的不同频谱特征。
2. 讨论和分析不同参数设置对频谱图的影响,如采样率、频率范围等。
3. 总结实验中遇到的问题和解决方案,提出改进和优化的建议。
实验总结:通过本次实验,我们学习和掌握了FFT谱分析的原理和方法。
通过对不同信号的频谱分析,我们了解了信号的频谱特征,并探讨了不同参数设置对频谱图的影响。
实验过程中,遇到了一些问题,并通过分析和解决,不断提高了实验的准确性和可靠性。
通过本次实验,我们对FFT谱分析有了更深入的理解,为以后的信号处理和频谱分析工作奠定了基础。
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。
- 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)。
实验二:用FFT作谱分析
一、实验目的
(1) 进一步加深DFT算法原理和基本性质的理解(因为FFT只是DFT的一种快速算法,所以FFT的运算结果必然满足DFT的基本性质)。
(2) 熟悉FFT算法原理和FFT子程序的应用。
(3) 学习用FFT对连续信号和时域离散信号进行谱分析的方法,了解可能出现的分析误差及其原因,以便在实际中正确应用FFT。
二、实验原理
三、实验内容
(1) 对2 中所给出的信号逐个进行谱分析。
解:(1)
n=0:3;
xn1=[1 1 1 1];
XK18=fft(xn1,8);
XK116=fft(xn1,16);
n1=0:7;
n2=0:15;
subplot(131);
stem(n,xn1);
xlabel('n');
ylabel('xn1');
subplot(132);
stem(n1,abs(XK18));
xlabel('n1');
ylabel('XK18');
title('xn的8点');
subplot(133);
stem(n2,abs(XK116));
xlabel('n2');
ylabel('XK116');
title('xn的16点');
(2)
n1=0:7;
n2=0:15;
xn2=[1 2 3 4 4 3 2 1]; XK28=fft(xn2,8);
XK216=fft(xn2,16); subplot(131);
stem(n1,xn2);
xlabel('n1');
ylabel('xn2'); subplot(132);
stem(n1,abs(XK28)); xlabel('n1');
ylabel('XK28');
title('xn2的8点'); subplot(133);
stem(n2,abs(XK216)); xlabel('n2');
ylabel('XK216');
title('xn2的16点');
(3)
n1=0:7;
n2=0:15;
xn3=[4 3 2 1 1 2 3 4]; XK38=fft(xn3,8);
XK316=fft(xn3,16); subplot(131);
stem(n1,xn3);
xlabel('n1');
ylabel('xn3'); subplot(132);
stem(n1,abs(XK38)); xlabel('n1');
ylabel('XK38');
title('xn3的8点'); subplot(133);
stem(n2,abs(XK316)); xlabel('n2');
ylabel('XK316');
title('xn3的16点');
(4)
n1=0:7;
n2=0:15;
xn41=cos((pi/4)*n1); xn42=cos((pi/4)*n2); XK48=fft(xn41,8); XK416=fft(xn42,16); subplot(141);
stem(n1,xn41); xlabel('n1');
ylabel('xn41'); subplot(142);
stem(n2,xn42); xlabel('n2');
ylabel('xn42'); subplot(143);
stem(n1,abs(XK48)); xlabel('n1');
ylabel('XK48');
title('xn4的8点'); subplot(144);
stem(n2,abs(XK416)); xlabel('n2');
ylabel('XK416');
title('xn4的16点');
(5)
n1=0:7;
n2=0:15;
xn51=sin((pi/8)*n1); xn52=sin((pi/8)*n2); XK58=fft(xn51,8); XK516=fft(xn52,16); subplot(141);
stem(n1,xn51); xlabel('n1');
ylabel('xn51'); subplot(142);
stem(n2,xn52); xlabel('n2');
ylabel('xn52'); subplot(143);
stem(n1,abs(XK58));
ylabel('XK58');
title('xn5的8点');
subplot(144);
stem(n2,abs(XK516));
xlabel('n2');
ylabel('XK516');
title('xn5的16点');
(6)
n1=0:7;
n2=0:15;
xn61=cos(8*pi*n1)+cos(16*pi*n1)+cos(20*pi*n1); xn62=cos(8*pi*n2)+cos(16*pi*n2)+cos(20*pi*n2); XK68=fft(xn61,8);
XK616=fft(xn62,16);
subplot(141);
stem(n1,xn61);
xlabel('n1');
ylabel('xn61');
subplot(142);
stem(n2,xn62);
xlabel('n2');
ylabel('xn62');
subplot(143);
xlabel('n1');
ylabel('XK68');
title('xn6的8点');
stem(n1,abs(XK68));
subplot(144);
stem(n2,abs(XK616));
ylabel('XK616');
title('xn6的16点');
(2) 令x(n)=x4(n)+x5(n),用FFT计算8 点和16 点离散傅里叶变换,
X(k)=DFT[x(n)]
解:
n1=0:7;
n2=0:15;
xn41=cos((pi/4)*n1);
xn51=sin((pi/8)*n1);
xn42=cos((pi/4)*n2);
xn52=sin((pi/8)*n2);
xn1=xn41+xn51;
xk8=fft(xn1,8);
subplot(121);
stem(n1,xk8);
xlabel('n1');
ylabel('xk8');
title('xn1的8点');
xn2=xn42+xn52;
xk16=fft(xn2,16);
subplot(122);
stem(n2,xk16);
xlabel('n2');
ylabel('xk16');
title('xn1的16点');
(3) 令x(n)=x4(n)+jx5(n),重复(2) 解:n1=0:7;
n2=0:15;
xn41=cos((pi/4)*n1);
xn51=sin((pi/8)*n1);
xn42=cos((pi/4)*n2);
xn52=sin((pi/8)*n2);
xn1=xn41+j*xn51;
xk8=fft(xn1,8);
subplot(121);
stem(n1,xk8);
xlabel('n1');
ylabel('xk8');
title('xn1的8点');
xn2=xn42+j*xn52;
xk16=fft(xn2,16);
subplot(122);
stem(n2,xk16);
xlabel('n2');
ylabel('xk16');
title('xn1的16点');
四、思考题
(1) 在N=8时, x2(n)和x3(n)的幅频特性会相同吗? 为什么? N=16呢?
解: 当n=8时,幅频特性相同。
因为它们函数表达的相同。
当N=16时,模值不相同。
(2) 如果周期信号的周期预先不知道, 如何用FFT 进行谱分析?
解:设一个定长的值m 与2m 分析后误差大 则取4n ,4m 的谱分析与2m 比较,直到m n 2与m n 12 谱分析相差不多时便认为m n 2次谱分析近似原来的谱分析。