Я создал класс/объект FFT, который принимает сигнал, хранящийся в 2D-массиве, и производит последующий БПФ его ввода, прежде чем печатать его на графике matplotlib.DC Term in Python FFT - Амплитуда константного термина
После большого чтения я ценю, что из-за окон, необходимость иметь идеально 2^x число точек и целое число циклов в наборе данных, что амплитуда пиков никогда не будет 100% точная (но будет примерно одинаковой).
Однако, когда я добавляю смещение постоянного тока к сигналу, по какой-то причине частота 0 Гц имеет пик, который всегда точно удваивает фактическое смещение постоянного/постоянного тока! Например, если я добавлю 2 к синусоидальной волне x Гц, я получаю пик в x Гц на БПФ, а пик 4 при 0.
Почему это - и могу ли я исправить это?
Спасибо!
код я использую ниже:
import numpy as np
import matplotlib.pyplot as plt
class FFT:
def __init__(self, time, signal, buff=1, scaling=2, centre=False):
self.signal = signal
self.buff = buff
self.time = time
self.scaling = scaling
self.centre = centre
if (centre):
self.scaling = 1
def fft(self):
self.Y = np.fft.fft(self.signal, self.buff * len(self.signal)) # Do fft on signal and store
if (self.centre is True):
self.Y = np.fft.fftshift(self.Y) # centre 0 frequency in centre
self.__graph__()
def __graph__(self):
self.N = len(self.Y)/self.scaling # get FFT length (halved to avoid reflection)
print (self.N)
self.fa = 1/(self.time[1] - self.time[0]) # get time interval & sampling frequency of FFT
if (self.centre is True):
self.t_axis = np.linspace(-self.fa/2 * self.scaling, self.fa/2 * self.scaling, self.N, endpoint=True) # create x axis vector from 0 to nyquist freq. (fa/2) with N values
else:
self.t_axis = np.linspace(0, self.fa/self.scaling, self.N, endpoint=True) # create x axis vector from 0 to nyquist freq. (fa/2) with N values
def show(self, absolute=True):
if absolute:
plt.plot(self.t_axis, ((2.0) * self.buff/(self.N * (self.scaling))) * np.abs(self.Y[0:self.N]))
else:
plt.plot(self.t_axis, ((2.0) * self.buff/(self.Ns * (self.scaling))) * self.Y[0:self.N]) # multiply y axis by 2/N to get actual values
plt.grid()
plt.show()
def sineExample(start=0, dur=128, samples=16384):
t = np.linspace(start, dur + start, samples, True)
print(t)
f = 10.0 # Frequency in Hz
A = 10.0 # Amplitude in Unit
retarr = np.zeros(len(t))
retarr = np.column_stack((t, retarr))
for row in range(len(retarr)):
retarr[row][1] = A * np.sin(2 * np.pi * f * retarr[row][0]) + 2 # Signal
print(retarr)
return retarr
hTArray = sineExample()
# plt.plot(hTArray[:,0], hTArray[:,1])
# plt.grid()
# plt.show()
myFFT = FFT(hTArray[:, 0], hTArray[:, 1], scaling=2,centre=False)
myFFT.fft()
myFFT.show()
Что случилось с просто выполнением 'np.fft.fft (hTArray [:, 1])' для вашего сигнала? Я бы сказал, что ваш фактор '((2.0) * self.buff/(self.N * (self.scaling)))' должен быть неправильным, если вы не получаете правильную амплитуду компонента постоянного тока. – rth
Фактор влияет на все термины одинаково - и все же это только член DC/0 Гц, который последовательно удваивает его истинное значение. – davidhood2