本文共 1539 字，大约阅读时间需要 5 分钟。
傅里叶变换是信号处理领域中的核心技术之一，它通过将时间域信号转换为频率域信号，揭示信号的频率特性。MATLAB提供了强大的工具链来实现傅里叶变换，在这一过程中，fft函数是最常用的工具。
傅里叶变换的数学表达式为：[X(k) = \sum_{j=0}^{n-1} x(j) \cdot e^{-2\pi i jk/n}]其中，(\omega = e^{-2\pi i/n}) 是复单位根，(j) 和 (k) 从 0 到 (n-1) 变化。这个公式描述了如何将一个长度为 (n) 的均匀采样信号 (x) 转换为频率域的复数向量 (y)。
以一个正弦信号为例，信号在 10 秒内以 50 Hz 的采样率进行采样。信号的时间向量 (t) 和信号 (x) 创建如下：
t = 0:(1/50):10-1/50;x = sin(2*pi*15*t) + sin(2*pi*20*t);
通过绘制 (t) 和 (x) 的图像，可以观察到正弦波的变化。
接下来，计算傅里叶变换：
y = fft(x);f = (0:length(y)-1)*50/length(y);
频域向量 (f) 和傅里叶变换结果 (y) 绘制如下：
figureplot(f, abs(y));title('Magnitude'); 图像中，信号的 15 Hz 和 20 Hz 频率分量表现为幅值尖峰。
在实际应用中，信号常常受到随机噪声的影响。通过在原始信号中添加高斯噪声 (x_{\text{noise}}) 进行处理：
rng('default');xnoise = x + 2.5*randn(size(t)); 计算并绘制含噪信号的功率谱：
ynoise = fft(xnoise);ynoiseshift = fftshift(ynoise);power = abs(ynoiseshift).^2 / n;figureplot(fshift, power);title('Power'); 尽管有噪声，功率谱中的尖峰依然可以识别出信号的频率成分。
傅里叶变换的时间复杂度为 (O(n^2))，而快速傅里叶变换算法将其优化为 (O(n \log n))。处理大规模数据时，这一提升尤为重要。
以美国加利福尼亚海岸的水下麦克风数据为例，加载鸣声数据并进行处理：
whaleFile = 'bluewhale.au';[x, fs] = audioread(whaleFile);whaleMoan = x(2.45e4:3.1e4);t = 10*(0:1/fs:(length(whaleMoan)-1)/fs);figureplot(t, whaleMoan);xlabel('Time (seconds)');ylabel('Amplitude');xlim([0 t(end)]); 频率域向量和功率谱绘制如下：
m = length(whaleMoan);n = pow2(nextpow2(m));y = fft(whaleMoan, n);f = (0:n-1)*(fs/n)/10;power = abs(y).^2 / n;figureplot(f(1:floor(n/2)), power(1:floor(n/2)));xlabel('Frequency');ylabel('Power');title('Power Spectrum'); 结果显示，鸣声包含约 17 Hz 的基本频率和一系列谐波。
这种方法为科学研究提供了强大的工具，能够有效分析和处理复杂信号。
转载地址：http://yyprz.baihongyu.com/