NumPy API(十四)——离散傅里叶变换

离散傅里叶变换

标准的 FFTs

  • fft(a[, n, axis, norm]) 计算一维离散傅立叶变换。
  • ifft(a[, n, axis, norm]) 计算一维离散傅立叶逆变换。
  • fft2(a[, s, axes, norm]) 计算二维离散傅立叶变换
  • ifft2(a[, s, axes, norm]) 计算二维逆离散傅立叶变换。
  • fftn(a[, s, axes, norm]) 计算二维逆离散傅立叶变换。
  • ifftn(a[, s, axes, norm]) 计算N维逆离散傅立叶变换。

真实的 FFTs

  • rfft(a[, n, axis, norm]) 计算一维离散傅立叶变换用于实际输入。
  • irfft(a[, n, axis, norm]) 计算实际输入的n点DFT的倒数。
  • rfft2(a[, s, axes, norm]) 计算实阵列的二维FFT.
  • irfft2(a[, s, axes, norm]) 计算实数组的二维逆FFT。
  • rfftn(a[, s, axes, norm]) 计算实输入的N维离散傅立叶变换.
  • irfftn(a[, s, axes, norm]) 求实输入的N维FFT的逆运算.

埃尔米特快速傅里叶变换

  • hfft(a[, n, axis, norm]) 计算具有厄米对称性的信号的FFT,即实际频谱。
  • ihfft(a[, n, axis, norm]) 计算具有Hermitian对称性的信号的反FFT。

辅助相关api

  • fftfreq(n[, d]) 返回离散傅里叶变换采样频率。
  • rfftfreq(n[, d]) 返回离散傅立叶变换采样频率(用于rfft、irfft)。
  • fftshift(x[, axes]) 将零频率分量移到频谱的中心。
  • ifftshift(x[, axes]) 反移的反义词。

背景资料

傅立叶分析基本上是一种将函数表示为周期性分量之和以及从这些分量中恢复函数的方法。当函数及其傅里叶变换都被离散化的对应物替换时,它被称为离散傅里叶变换(DFT)。DFT已经成为数值计算的支柱,部分原因在于它的计算速度非常快,称为快速傅里叶变换(FFT),高斯(1805)已知并且由Cooley以其当前形式揭示。 Tukey [CT309]。按等人。[NR309]提供了傅里叶分析及其应用的可访问介绍。

由于离散傅里叶变换将其输入分离为在离散频率下贡献的分量,因此它在数字信号处理中具有大量应用,例如用于滤波,并且在这种情况下,变换的离散化输入通常被称为信号。 ,存在于时域中。输出称为频谱或变换,存在于频域中。

实施细节

定义DFT的方法有很多种,如指数变化、归一化等。在这个实现中,DFT被定义为

image.png

DFT一般定义为复输入和复输出,线性频率f上的单频分量用复指数 [图片上传失败...(image-2405b3-1546421776621)]

表示,其中Δt是采样间隔。

结果中的值遵循所谓的“标准”顺序:如果A=fft(a, n),则A[0]包含零频率项(信号的和),对于实际输入,该项总是纯实的。然后A[1:n/2]包含正频率项,A[n/2+1:]包含负频率项,按负频率递减的顺序排列。对于偶数个输入点,A[n/2]表示正负奈奎斯特频率,对于实际输入也是纯实的。对于奇数个输入点,A[(n-1)/2]的正频率最大,A[(n+1)/2]的负频率最大。方法 np.fft.fftfreq(N) 返回一个数组,给出输出中相应元素的频率。常规的np.fft.fftShift(A)变换和它们的频率将零频率分量放在中间,np.fft.ifftShift(A)取消这一移位。

当输入a为时域信号且A=FFT(A)时,np.abs(A)为其幅度谱,np.abs(A)*2为其功率谱。相位谱由 np.angle(A)得到。

逆DFT定义为

image.png

与正向变换不同的是,它的符号是指数型参数,默认的归一化是1/n。

正常化

默认规范化具有未缩放的直接变换,并且逆变换按 1/n 缩放。 通过将关键字参数norm设置为"ortho"(默认为None)可以获得单一变换,这样直接变换和逆变换都将被[图片上传失败...(image-ae7c3d-1546421776620)]

缩放。

实变换和厄米特变换

当输入是纯实的时,它的变换是厄米变换,即fk频率上的分量是频率fk上分量的复共轭,这意味着对于实际输入,负频率分量中没有正频率分量不能提供的信息。rfft函数族被设计为对实际输入进行运算,并通过只计算正频率分量(直到并包括Nyquist频率)来利用这种对称性。因此,n个输入点产生n/2+1个复输出点。这个族的逆假设它的输入具有相同的对称性,并且对于n个点的输出使用n/2+1个输入点。

相应地,当光谱是纯实的时,信号是厄密的。hfft函数族利用了这种对称性,在输入(时间)域中使用n/2+1个复点作为频域上的n个实点。

在更高的维度上,使用FFT,例如用于图像分析和滤波。FFT的计算效率意味着它也可以是计算大卷积的一种更快的方法,它利用了时域卷积等效于频域逐点乘法的特性。

更高的维度

在二维中,DFT定义为

image.png

它以明显的方式延伸到更高的尺寸,而更高尺寸的倒置也以相同的方式延伸。

参考文献

[CT309] Cooley, James W., and John W. Tukey, 1965, “An algorithm for the machine calculation of complex Fourier series,” Math. Comput. 19: 297-301.
[NR309] Press, W., Teukolsky, S., Vetterline, W.T., and Flannery, B.P., 2007, Numerical Recipes: The Art of Scientific Computing, ch. 12-13. Cambridge Univ. Press, Cambridge, UK.

例子

例如,请参阅各种功能api。


原文:https://www.numpy.org.cn/reference/routines

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,511评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,495评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,595评论 0 225
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,558评论 0 190
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,715评论 3 270
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,672评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,112评论 2 291
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,837评论 0 181
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,417评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,928评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,316评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,773评论 2 234
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,253评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,827评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,440评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,523评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,583评论 2 249

推荐阅读更多精彩内容