0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

FFT卷積是什么?FFT卷積基本過程描述

冬至子 ? 來源:雷達(dá)系統(tǒng)工程師 ? 作者:忠于夢(mèng)想 ? 2023-07-04 11:42 ? 次閱讀

信號(hào)與系統(tǒng)基礎(chǔ)之卷積定理:頻域乘積相當(dāng)于時(shí)域卷積,千萬不要問我什么,可以去看看教材上的公式推導(dǎo)。

運(yùn)算效率對(duì)比分析,使用FFT快速卷積法(實(shí)線)明顯比時(shí)域卷積乘法次數(shù)要少,一般而言64點(diǎn)以上,F(xiàn)FT法就具有優(yōu)勢(shì)。

FFT卷積基本過程描述:設(shè)信號(hào)x長(zhǎng)度n,卷積系數(shù)h長(zhǎng)度為k,則時(shí)域卷積結(jié)果長(zhǎng)度為L(zhǎng)=n+k-1,為了采用高效的基2型FFT算法,需要將信號(hào)和系數(shù)均在末尾補(bǔ)零擴(kuò)展到最接近的2的N次方長(zhǎng)度m(比如n=32,k=16,則L=32+16-1=47,最近的2的N次方為64),然后分別做m點(diǎn)FFT變換到頻域后再復(fù)乘,最后IFFT變回時(shí)域。

圖片

從上理論就講說這么多,更詳細(xì)的可看看相關(guān)專著書籍,接下來用matlab仿真來看看運(yùn)算過程的中間環(huán)節(jié)是什么樣;

clc;
clear;
%%設(shè)定信號(hào)參數(shù)
T=10e-6;           %信號(hào)長(zhǎng)度:us
f0=3e6;           %信號(hào)1:3MHz
f1=8e6;           %信號(hào)2:8MHz
fs=80e6;            %信號(hào)采樣率:MHz
t=-T/2:1/fs:T/2-1/fs; %時(shí)間序列


%加載fdatool設(shè)計(jì)的濾波器FIR系數(shù)
load("coef.mat");
%濾波器頻率響應(yīng)
freqz(coef,1,200,fs);
%低通濾波器參數(shù):3MHz帶寬,截止頻率4MHz,帶外抑制80dbc

圖片

信號(hào)和變量長(zhǎng)度

圖片

信號(hào)長(zhǎng)度800,系數(shù)長(zhǎng)度134,則卷積結(jié)果長(zhǎng)度為800+134-1=933,因此需要補(bǔ)零擴(kuò)展到1024點(diǎn);

%生成信號(hào):模擬采樣過程
if_sig=cos(2*pi*f0*t)+cos(2*pi*f1*t);
%加入白噪聲SNR=30dB
if_sig=awgn(if_sig,30,'measured');    
% if_sig=round(8192*if_sig); %中頻信號(hào)
plot(if_sig);title('原始信號(hào)');

圖片

圖片

plot(coef);title('濾波器系數(shù)的時(shí)域');
coef_fft = fft(coef,1024);
len=length(coef_fft);
f_x=(0:len-1)*fs/len;%頻率序列
f_x=f_x/1e6;
plot(f_x(1:len/2+1),10*log10(abs(coef_fft(1:len/2+1))));
title('濾波器系數(shù)的頻域');
xlabel('頻率/MHz');ylabel('幅度/dB');

圖片

圖片

此處留一個(gè)坑,下回繼續(xù)

sig_fft = fft(if_sig,1024);
plot(f_x,20*log10(abs(sig_fft)));
title('原始信號(hào)做1024點(diǎn)FFT');
xlabel('頻率/MHz');ylabel('幅度/dB');

圖片

%頻域相乘,注意此處為復(fù)數(shù)乘法
conv_fft = sig_fft.*coef_fft;
plot(f_x,20*log10(abs(conv_fft)));
title('信號(hào)和系數(shù)頻域乘積后');
xlabel('頻率/MHz');ylabel('幅度/dB');

圖片

上圖為頻域?yàn)V波后結(jié)果,可以看到8MHz的帶外信號(hào)被濾除,剩下3MHz的帶內(nèi)信號(hào);接下來就是變換回時(shí)域波形。

%IFFT變換還原到時(shí)域
fft_filter_out = ifft(conv_fft);
plot(fft_filter_out);
title('FFT卷積頻域?yàn)V波后的信號(hào)波形');

圖片

為了方便對(duì)比,下邊給出通過時(shí)域卷積方式的運(yùn)算結(jié)果

%時(shí)域卷積方式濾波
conv_filter_out = conv(if_sig,coef);
plot(conv_filter_out);xlim([1,1200]);
title('時(shí)域卷積方式濾波后的信號(hào)波形');

圖片

從上面時(shí)域處理、頻域處理的結(jié)果可以看到,兩者處理后時(shí)域處理的結(jié)果和頻域處理后的前933個(gè)點(diǎn)的結(jié)果相同。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 低通濾波器
    +關(guān)注

    關(guān)注

    14

    文章

    471

    瀏覽量

    47289
  • FFT
    FFT
    +關(guān)注

    關(guān)注

    15

    文章

    433

    瀏覽量

    59256
  • 信號(hào)處理器
    +關(guān)注

    關(guān)注

    1

    文章

    250

    瀏覽量

    25232
  • MATLAB仿真
    +關(guān)注

    關(guān)注

    4

    文章

    175

    瀏覽量

    19891
  • fir濾波器
    +關(guān)注

    關(guān)注

    1

    文章

    94

    瀏覽量

    19013
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    什么是卷積碼? 什么是卷積碼的約束長(zhǎng)度?

    小。與分組碼不同,卷積碼編碼后的n 個(gè)碼元不僅與當(dāng)前段的k 個(gè)信息元有關(guān),還與前面的N ?1段信息有關(guān),各碼字間不再是相互獨(dú)立的,碼字中互相關(guān)聯(lián)的碼元個(gè)數(shù)為n ? N 。同樣,在譯碼過程中不僅
    發(fā)表于 05-30 16:06

    FFT與DFT計(jì)算時(shí)間的比較及圓周卷積代替線性卷積的有效性實(shí)

    實(shí)驗(yàn)二 FFT與DFT計(jì)算時(shí)間的比較及圓周卷積代替線性卷積的有效性實(shí)驗(yàn):一 實(shí)驗(yàn)?zāi)康?:掌握FFT基2時(shí)間(或基2頻率)抽選法,理解其提高減少乘法運(yùn)算次數(shù)提高運(yùn)算速度的原理。2:掌握
    發(fā)表于 12-29 21:52

    卷積特性(卷積定理).ppt

    卷積特性(卷積定理).ppt
    發(fā)表于 10-03 23:09

    卷積特性(卷積定理).zip

    卷積特性(卷積定理).zip
    發(fā)表于 10-04 11:36

    CNN之卷積

    的局部一個(gè)一個(gè)比對(duì)時(shí)的計(jì)算過程,便是卷積操作什么是卷積對(duì)圖像(不同的數(shù)據(jù)窗口數(shù)據(jù))和濾波矩陣(一組固定的權(quán)重:因?yàn)槊總€(gè)神經(jīng)元的多個(gè)權(quán)重固定,所以又可以看做一個(gè)恒定的濾波器filter)做內(nèi)積(逐個(gè)元素
    發(fā)表于 10-17 10:15

    卷積神經(jīng)網(wǎng)絡(luò)一維卷積的處理過程

    。本文就以一維卷積神經(jīng)網(wǎng)絡(luò)為例談?wù)勗趺磥磉M(jìn)一步優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)使用的memory。文章(卷積神經(jīng)網(wǎng)絡(luò)中一維卷.
    發(fā)表于 12-23 06:16

    簡(jiǎn)談卷積—幽默笑話談卷積

    作弊中,為了讓照片同時(shí)像兩個(gè)人,只要把兩人的圖像卷積處理即可,這就是一種平滑的過程,可是我們?cè)趺床拍苷嬲压胶蛯?shí)際建立起一種聯(lián)系呢,也就是說,我們能不能從生活中找到一種很方便且具體的例子來表達(dá)公式
    發(fā)表于 05-25 18:08

    利用FFT IP Core實(shí)現(xiàn)FFT算法

    利用FFT IP Core實(shí)現(xiàn)FFT算法 摘要:結(jié)合工程實(shí)踐,介紹了一種利用FFT IP Core實(shí)現(xiàn)FFT的方法,設(shè)計(jì)能同時(shí)對(duì)兩路實(shí)數(shù)序列進(jìn)行256點(diǎn)
    發(fā)表于 01-16 10:04 ?6876次閱讀
    利用<b class='flag-5'>FFT</b> IP Core實(shí)現(xiàn)<b class='flag-5'>FFT</b>算法

    什么是卷積_卷積的意義

    卷積的定義 卷積是兩個(gè)變量在某范圍內(nèi)相乘后求和的結(jié)果。 如果卷積的變量是序列x(n)和h(n),則卷積的結(jié)果 ,其中星號(hào)*表示卷積。 當(dāng)時(shí)序
    發(fā)表于 11-28 17:54 ?16w次閱讀
    什么是<b class='flag-5'>卷積</b>_<b class='flag-5'>卷積</b>的意義

    卷積特性(卷積定理)

    卷積特性(卷積定理)
    發(fā)表于 12-06 14:28 ?0次下載

    FFT三峰插值修正的電能計(jì)量新算法

    綜合自乘窗和自卷積窗的優(yōu)勢(shì),設(shè)計(jì)出一種Hanning自乘一卷積窗函數(shù),其具有較優(yōu)的主瓣和旁瓣性能?;贖anning自乘一卷積FFT三峰插值修正公式、
    發(fā)表于 03-10 10:31 ?1次下載

    一維卷積、二維卷積、三維卷積具體應(yīng)用

    由于計(jì)算機(jī)視覺的大紅大紫,二維卷積的用處范圍最廣。因此本文首先介紹二維卷積,之后再介紹一維卷積與三維卷積的具體流程,并描述其各自的具體應(yīng)用。
    發(fā)表于 05-08 10:29 ?4717次閱讀
    一維<b class='flag-5'>卷積</b>、二維<b class='flag-5'>卷積</b>、三維<b class='flag-5'>卷積</b>具體應(yīng)用

    詳解卷積神經(jīng)網(wǎng)絡(luò)卷積過程

    卷積過程卷積神經(jīng)網(wǎng)絡(luò)最主要的特征。然而卷積過程有比較多的細(xì)節(jié),初學(xué)者常會(huì)有比較多的問題,這篇文章對(duì)卷積
    的頭像 發(fā)表于 05-02 15:39 ?1.8w次閱讀
    詳解<b class='flag-5'>卷積</b>神經(jīng)網(wǎng)絡(luò)<b class='flag-5'>卷積</b><b class='flag-5'>過程</b>

    卷積神經(jīng)網(wǎng)絡(luò)的基本原理、結(jié)構(gòu)及訓(xùn)練過程

    、訓(xùn)練過程以及應(yīng)用場(chǎng)景。 一、卷積神經(jīng)網(wǎng)絡(luò)的基本原理 卷積運(yùn)算 卷積運(yùn)算是卷積神經(jīng)網(wǎng)絡(luò)的核心,它是一種數(shù)學(xué)運(yùn)算,用于提取圖像中的局部特征。
    的頭像 發(fā)表于 07-02 14:21 ?1906次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)計(jì)算過程和步驟

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)是一種深度學(xué)習(xí)模型,廣泛應(yīng)用于圖像識(shí)別、視頻分析、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算過程和步驟
    的頭像 發(fā)表于 07-03 09:36 ?395次閱讀