Python 用加窗位移和带通计算FFT

我有一个包含1000个传感器读数的列表（采样率=10Hz）：

我需要使用一个窗口函数（即Kaiser窗口）来获得该列表子集的光谱分析

因此，我想得到一个列表，其中，FFT是通过该数据的多个子采样器计算的（比如说100个结果），位移窗口为50个读数（每个极限重叠25个读数），因此，在频域上得到20个结果

然后，我想对3个频带（比如1-2Hz，2-4Hz，4-8Hz）应用带通加权函数

最终结果应该是一个二维列表，其中第一个维度是“频带”，第二个维度是该频带的振幅值（实部）

bands = [[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],[1,...],[1,...]]

有人能帮我吗

编辑：好的，让我们把问题分开：

1） 给定一个列表=[1,2,3,4,5,6,7,8]。如何创建此类2D列表：list2D=[[1,2,3,4]，[3,4,5,6]，[5,6,7,8]？这是制作置换窗口的第一个问题

2） 对于这个列表2D的每个元素（第一维度）：我怎样才能将FFT分析与加窗函数（一个更“考虑”中间值的FFT）结合起来

3） 对于每个FFT结果，我如何制作一个带通滤波器，例如将频谱实部的离散结果转换为频率间隔的平均值？

对于第1部分）和第2部分），请查看以下示例：

import numpy as np
import scipy as sci
from scipy.signal import blackman
from scipy.signal import hanning

a = np.array([1,2,3,4,5,6,7,8])


b = np.empty([2, int(len(a)/2)], dtype=complex)
b[0,:] = a[0:int(len(a)/2)]
b[1,:] = a[(int(len(a)/2)-1):-1]

res = np.empty([2, int(len(a)/2)], dtype=complex)

# create blackman window
w = blackman(int(len(a)/2))
# you could also use a hanning window:
# w = hanning(int(len(a)/2))

for i in range(2):
    res[i,:] = sci.fftpack.fft(b[i,:] * w)

这是你想要的吗？至于第三部分，我不太确定你需要什么

对于第1）部分和第2）部分，请看以下示例：

import numpy as np
import scipy as sci
from scipy.signal import blackman
from scipy.signal import hanning

a = np.array([1,2,3,4,5,6,7,8])


b = np.empty([2, int(len(a)/2)], dtype=complex)
b[0,:] = a[0:int(len(a)/2)]
b[1,:] = a[(int(len(a)/2)-1):-1]

res = np.empty([2, int(len(a)/2)], dtype=complex)

# create blackman window
w = blackman(int(len(a)/2))
# you could also use a hanning window:
# w = hanning(int(len(a)/2))

for i in range(2):
    res[i,:] = sci.fftpack.fft(b[i,:] * w)

---

---

这是你想要的吗？至于第三部分，我不太确定你需要什么

您可能想看看OpenCV。我没有在Python中使用它，但是C/C++中的FFT（或者更确切地说是离散傅立叶变换）看起来相当公平。问题是我所有的其他代码都是用Python开发的（而且有很多）。。。我已经在与numpy和scipy合作完成这项工作……我很确定OpenCV有Python绑定/库，但我还没有尝试过。比如，看看这里的库：除此之外，“有人能帮我吗”太宽泛了，你需要完善你的问题。我的上一个版本就足够了？请给我一个“元帮助”，这样我可以进一步完善我的疑问。你可能想看看OpenCV。我没有在Python中使用它，但是C/C++中的FFT（或者更确切地说是离散傅立叶变换）看起来相当公平。问题是我所有的其他代码都是用Python开发的（而且有很多）。。。我已经在与numpy和scipy合作完成这项工作……我很确定OpenCV有Python绑定/库，但我还没有尝试过。比如，看看这里的库：除此之外，“有人能帮我吗”太宽泛了，你需要完善你的问题。我的上一个版本就足够了？请给我一个“元帮助”，这样我就可以进一步完善我的疑问……这几乎是完美的！很多THK！对于3）我想要的是得到一个“频带”内所有频率的平均振幅（即1Hz和4Hz之间所有频率的平均振幅值），对于该频带，取数组res，求和np.abs（res[I，j]）**2，并根据求和的单元数进行偏差。正当当然，首先你需要定义一个时间轴，否则不管怎样，用赫兹来谈论一个频率是没有意义的。频率步长至少与-df=2*np.pi/（int（len（a）/2）*dt成正比，其中dt是时间步长和时间阵列中的int（len（a）/2）点数。另外请注意，如果时域信号是实信号，则FFT信号将是对称的。这意味着你得到了正频率和负频率。只需选择积极的一面，然后你就可以进入第三部分了！非常感谢！这是天衣无缝的！我已经使用了abs值进行FFT。这几乎是完美的！很多THK！对于3）我想要的是得到一个“频带”内所有频率的平均振幅（即1Hz和4Hz之间所有频率的平均振幅值），对于该频带，取数组res，求和np.abs（res[I，j]）**2，并根据求和的单元数进行偏差。正当当然，首先你需要定义一个时间轴，否则不管怎样，用赫兹来谈论一个频率是没有意义的。频率步长至少与-df=2*np.pi/（int（len（a）/2）*dt成正比，其中dt是时间步长和时间阵列中的int（len（a）/2）点数。另外请注意，如果时域信号是实信号，则FFT信号将是对称的。这意味着你得到了正频率和负频率。只需选择积极的一面，然后你就可以进入第三部分了！非常感谢！这是天衣无缝的！我已经使用了abs值进行FFT。