Matlab 从FFT中提取信号频率

我不熟悉Matlab和FFT。
我需要从幅度和频率都不同的信号中提取主频。我试着去趋势，然后进行FFT以获得频率，但无法消除0Hz处的大峰值（直流分量？）。我在信号上使用了diff函数，得到的信号通过FFT处理。在这种情况下，FFT输出的峰值不在零。我比较了两条FFT曲线，似乎除了零点处的峰值外，这两条曲线显示出相似（不相同）的频谱。我想知道diff函数是否是一种有效的（并且非常有效的）去趋势化方法，或者我在这里丢失了一些信息？换句话说，对信号进行微分是否对其频率有任何影响：[code>diff（sin（omega.t））=cos（omega.t）-频率没有变化]

---

非常感谢

通过区分信号，您实际上应用了一种高通滤波器，一种不太智能的高通滤波器，它会破坏您的信号。相反，您可以尝试其他一些过滤器，例如：

b=fir1(32,2*0.01/fs,'high');
a=1;
FilteredX=filtfilt(x,a,b)

其中：

x是你的原始信号

FilteredX是经过滤波的信号

fs-您的采样频率

---

通过这种方式，你可以过滤掉任何低于0.01的频率，并且几乎不会损害频谱的其余部分，从而让你可以根据自己的意愿检测峰值。

通过区分信号，你实际上应用了一种高通滤波器，一种不太智能的高通滤波器，它会破坏你的信号。相反，您可以尝试其他一些过滤器，例如：

b=fir1(32,2*0.01/fs,'high');
a=1;
FilteredX=filtfilt(x,a,b)

其中：

x是你的原始信号

FilteredX是经过滤波的信号

fs-您的采样频率

---

通过这种方式，您将过滤掉任何低于0.01的频率，并且几乎不会损害频谱的其余部分，从而允许您根据需要检测峰值。

信号的离散傅里叶变换

X

由

如果我们把你得到的信号的第一个差值

Sum[ exp(2*pi*i*k*n/N) * (x(n) - x(n-1)) ]

你可以重新安排给我

(1 - exp(2*pi*i*k/N)) * Sum[ exp(2*pi*i*k*n/N) * x(n) ]

i、 它是原始傅里叶变换的倍数。在

k=0

情况下（即零频率分量），乘法器为零，这解释了为什么这会消除

k=0

处的峰值

但是请注意，乘法器取决于

k

的值，因此您不会得到相同的信号-您不能仅通过第一个差分来消除尖峰。将与连续傅里叶变换进行比较，其中，如果g=F（F）和h=F（df/dx），则

---

i、 e.导数的傅里叶变换是原始函数的傅里叶变换，乘以ik。

信号的离散傅里叶变换

X

由以下公式定义（按比例）

如果我们把你得到的信号的第一个差值

Sum[ exp(2*pi*i*k*n/N) * (x(n) - x(n-1)) ]

你可以重新安排给我

(1 - exp(2*pi*i*k/N)) * Sum[ exp(2*pi*i*k*n/N) * x(n) ]

i、 它是原始傅里叶变换的倍数。在

k=0

情况下（即零频率分量），乘法器为零，这解释了为什么这会消除

k=0

处的峰值

但是请注意，乘法器取决于

k

的值，因此您不会得到相同的信号-您不能仅通过第一个差分来消除尖峰。将与连续傅里叶变换进行比较，其中，如果g=F（F）和h=F（df/dx），则

---

i、 e.导数的傅里叶变换是原始函数的傅里叶变换，乘以ik。

我猜你是在区分信号，因为当你区分任何函数时，常数或0Hz分量消失。还要考虑到FFT不是理想的傅里叶变换（但它是使用的），因此频谱可能会略有不同。我猜你区分信号是因为当你区分任何函数时，常数或0Hz分量会消失。还要考虑到FFT不是理想的傅里叶变换（但它是使用的傅里叶变换），因此频谱可能会略有不同。好答案，+1。另外，值得注意的是，由于傅里叶分量乘以

ik

，相应的功率谱分量按系数

k^2

缩放。因此，当取第一个差分时，你是在降低低频信号方差的比例，而在高频信号方差的比例增加。如果你有高频噪音，这是一件坏事；如果你大部分都是低频噪音，这是一件好事。好答案，+1。另外，值得注意的是，由于傅里叶分量乘以

ik

，相应的功率谱分量按系数

k^2

缩放。因此，当取第一个差分时，你是在降低低频信号方差的比例，而在高频信号方差的比例增加。如果你有高频噪音，这是一件坏事；如果你有大部分低频噪声，这是一件好事。