以下內容引用鏈接：https://blog.csdn.net/baidu_37352210/article/details/79596633

(注意：通過如下內容可知，將序列信號進行傅里葉變換后，得到的頻譜圖上各k值(1~N/2)對應的振幅，觀察主要振幅，并得到其信號主要分量的周期N/k)

# 離散時間傅里葉變換的python實現

import numpy as np

import math

import pylab as pl

import scipy.signal as signal

import matplotlib.pyplot as plt

sampling_rate=1000

t1=np.arange(0, 10.0, 1.0/sampling_rate)

x1 =np.sin(15*np.pi*t1)

# 傅里葉變換

def fft1(xx):

# t=np.arange(0, s)

t=np.linspace(0, 1.0, len(xx))

f = np.arange(len(xx)/2+1, dtype=complex)

for index in range(len(f)):

f[index]=complex(np.sum(np.cos(2*np.pi*index*t)*xx), -np.sum(np.sin(2*np.pi*index*t)*xx))

return f

# len(x1)

xf=fft1(x1)/len(x1)

freqs = np.linspace(0, sampling_rate/2, len(x1)/2+1)

plt.figure(figsize=(16,4))

plt.plot(freqs,2*np.abs(xf),'r--')

plt.xlabel("Frequency(Hz)")

plt.ylabel("Amplitude($m$)")

plt.title("Amplitude-Frequency curve")

plt.show()

plt.figure(figsize=(16,4))

plt.plot(freqs,2*np.abs(xf),'r--')

plt.xlabel("Frequency(Hz)")

plt.ylabel("Amplitude($m$)")

plt.title("Amplitude-Frequency curve")

plt.xlim(0,20)

plt.show()

此處實現的是傳統的傅里葉變換，這種方法實際已經不用了，現在使用快速傅里葉變換，其實兩種是等價的，但是快速傅里葉變換時間復雜度要小很多。

總結

以上是生活随笔為你收集整理的离散傅里叶变换python_使用python实现离散时间傅里叶变换的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。