白话FFT频谱分析全流程（以工程使用的角度）之二：FFT和数据取半，求模

Oriel ·

更新时间:2024-09-21

· 800 次阅读

白话FFT频谱分析全流程（以工程使用的角度）之二：FFT和数据取半，求模回顾开始第一点注意第二点注意第三点注意回顾

上一节我们已经讲过了窗函数，现在信号已经看起来像是一个周期函数了，通过合理选择窗函数，我们既成功的保证了数据精度，又减少了频谱泄露！
在这里插入图片描述
现在，信号要经过FFT，数据取半和求模啦！

开始 第一点注意

输入FFT的点数必须是2的整数幂次。
也就是像1024，2048，4096这样的点。
可是，如果我们采样的点数就不是2的整数次幂怎么办呢？末尾补零！
举个例子：
我们有一串信号有4000个点，那么就要在后面补96个零再过FFT。
下面我们进一段程序：

uint32_t WaveMeasureUtils::findNextPow2(uint32_t v)
{
        v--;
        v |= v >> 1;
        v |= v >> 2;
        v |= v >> 4;
        v |= v >> 8;
        v |= v >> 16;
        v++;
        return v;
}

使用这段找下一幂次的程序程序，输入数据点的个数，它能够帮你找到需要进行的FFT点数，我们也就能求得补零的个数了。

经过了补零，我们可以愉快的经过FFT啦！再上一段工作良好的FFT的程序，给大家做参考（使用Qt编写，需要按情况进行改写）：
.h:

#ifndef FFT_H
#define FFT_H
#include 
#include 
/*
*
*
*               计算傅里叶变换频谱
*
*
* */
#define      MAX_MATRIX_SIZE                4194304             // 2048 * 2048
#define      PI                             3.141592653
#define      MAX_VECTOR_LENGTH              10000
typedef struct Complex
{
    double rl;              //实部
    double im;              //虚部
}Complex;
class fft : public QObject
{
    Q_OBJECT
public:
    explicit fft(QObject *parent = nullptr);
    //傅里叶转换 频域
    bool fft1(QVectorinVec, const int len, QVector &outVec);
   int get_computation_layers(int  num);
   bool is_power_of_two(int  num);
   void test();
signals:
public slots:
};
#endif // FFT_H

.cpp:

#include "fft.h"
#include 
fft::fft(QObject *parent) : QObject(parent)
{
}
bool fft::fft1(QVector inVec, const int len, QVector &outVec)
{
    if ((len <= 0) || (inVec.isEmpty()) || ( outVec.isEmpty()))
        return false;
    if (!is_power_of_two(len))
        return false;
    Complex         *pVec = new Complex[len];
    Complex         *Weights = new Complex[len];
    Complex         *X = new Complex[len];
    int                   *pnInvBits = new int[len];
    //memcpy(pVec, inVec, len*sizeof(Complex));
    for(int i = 0; i < len;i++)
    {
        pVec[i].im = inVec.at(i).im;
        pVec[i].rl = inVec.at(i).rl;
    }
    // 计算权重序列
    double fixed_factor = (-2 * PI) / len;
    for (int i = 0; i < len / 2; i++) {
        double angle = i * fixed_factor;
        Weights[i].rl = cos(angle);
        Weights[i].im = sin(angle);
    }
    for (int i = len / 2; i < len; i++) {
        Weights[i].rl = -(Weights[i - len / 2].rl);
        Weights[i].im = -(Weights[i - len / 2].im);
    }
    int r = get_computation_layers(len);
    // 计算倒序位码
    int index = 0;
    for (int i = 0; i = 0; m--) {
            index += (1 && (i & (1 << m))) << (r - m - 1);
        }
        pnInvBits[i] = index;
        X[i].rl = pVec[pnInvBits[i]].rl;
        X[i].im = pVec[pnInvBits[i]].im;
    }
    // 计算快速傅里叶变换
    for (int L = 1; L <= r; L++) {
        int distance = 1 << (L - 1);
        int W = 1 <> L;
        int N = len / B;
        for (int b = 0; b < B; b++) {
            int mid = b*N;
            for (int n = 0; n < N / 2; n++) {
                int index = n + mid;
                int dist = index + distance;
                pVec[index].rl = X[index].rl + (Weights[n*W].rl * X[dist].rl - Weights[n*W].im * X[dist].im);                      // Fe + W*Fo
                pVec[index].im = X[index].im + Weights[n*W].im * X[dist].rl + Weights[n*W].rl * X[dist].im;
            }
            for (int n = N / 2; n < N; n++) {
                int index = n + mid;
                pVec[index].rl = X[index - distance].rl + Weights[n*W].rl * X[index].rl - Weights[n*W].im * X[index].im;        // Fe - W*Fo
                pVec[index].im = X[index - distance].im + Weights[n*W].im * X[index].rl + Weights[n*W].rl * X[index].im;
            }
        }
        for(int i = 0; i< len;i++)
        {
            X[i].im = pVec[i].im;
            X[i].rl = pVec[i].rl;
        }
    }
    for(int i = 0; i < len;i++)
    {
        outVec[i].im = pVec[i].im;
        outVec[i].rl = pVec[i].rl;
    }
    if (Weights)      delete[] Weights;
    if (X)                 delete[] X;
    if (pnInvBits)    delete[] pnInvBits;
    if (pVec)           delete[] pVec;
    return true;
}
int fft::get_computation_layers(int num)
{
    int nLayers = 0;
    int len = num;
    if (len == 2)
        return 1;
    while (true) {
        len = len / 2;
        nLayers++;
        if (len == 2)
            return nLayers + 1;
        if (len < 1)
            return -1;
    }
}
bool fft::is_power_of_two(int num)
{
    int temp = num;
    int mod = 0;
    int result = 0;
    if (num  1)
    {
        result = temp / 2;
        mod = temp % 2;
        if (mod)
            return false;
        if (2 == result)
            return true;
        temp = result;
    }
    return false;
}

第二点注意

FFT的输出数据是要取半的！
过了FFT，我们得到了同样多个数的数据点。
但是！我们只能取他们的一半。根据采样定理，频率高于0.5采样率的数据点过FFT是无法解析正常的。
FFT的数据点从第0个到最后一个一一对应着0~采样率，频率分辨率为：采样率/FFT点数
举个例子：如果你的采样率是20khz，点数是4096，那么在第2047点的时候就是10khz的频率对应的点了，再往后的点数没有可用价值。
实际上，如果非要画出来，数据点是中心对称的：
在这里插入图片描述

第三点注意

FFT的输出是实实在在的复数
FFT输入的点是个实数（即使输入要求填写虚部，那虚部就为零）
而FFT的输出是实实在在的复数（实部虚部均有用处）
我们要求信号的各种幅值的时候，就需要对他们进行取模运算(勾股定理)。

for(auto i = 0;i<out_.size()/2;i++)
        {
            x1<<i;
            //进行取模
            y1<<sqrt(out_[i].rl * out_[i].rl+out_[i].im * out_[i].im);
        }

到这里，FFT和数据取半，求模就结束了，本文图片来源：https://www.jianshu.com/p/b2f64234cc3b，在此声明。
下一篇我们聊聊乘恢复系数和除不同系数。
欢迎大家关注，点赞哦，您的支持是我加速更新和为您写出更好文章的动力！

作者：whstudio123

fft 数据工程

1024 个赞