La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

fft

Trasformata di Fourier veloce

Sintassi

Y = fft(X)

Y = fft(X,n)

Y = fft(X,n,dim)

Descrizione

Y = fft(X) calcola la trasformata di Fourier discreta (DFT) di X utilizzando un algoritmo della trasformata di Fourier veloce (FFT). Y ha la stessa grandezza di X.

• Se X è un vettore, fft(X) restituisce la trasformata di Fourier del vettore.

• Se X è una matrice, fft(X) tratta le colonne di X come vettori e restituisce la trasformata di Fourier di ciascuna colonna.

• Se X è un array multidimensionale, fft(X) tratta i valori lungo la prima dimensione dell’array, la cui grandezza non è uguale a 1, come vettori e restituisce la trasformata di Fourier di ciascun vettore.

Y = fft(X,n) restituisce la DFT a n punti.

• Se X è un vettore e la lunghezza di X è minore di n, X viene riempita con zeri finali fino alla lunghezza di n.

• Se X è un vettore e la lunghezza di X è maggiore di n, X viene troncata alla lunghezza di n.

• Se X è una matrice, ciascuna colonna è trattata come nel caso vettoriale.

• Se X è un array multidimensionale, la prima dimensione dell’array, la cui dimensione non è uguale a 1, viene trattata come nel caso vettoriale.

Y = fft(X,n,dim) restituisce la trasformata di Fourier lungo la dimensione dim. Ad esempio, se X è una matrice, fft(X,n,2) restituisce la trasformata di Fourier a n punti per ciascuna riga.

Esempi

Segnale rumoroso

Individuare i componenti di frequenza di un segnale immerso nel rumore e le ampiezze dei picchi di frequenza utilizzando la trasformata di Fourier.

Specificare i parametri di un segnale con una frequenza di campionamento di 1 kHz e una durata del segnale di 1,5 secondi.

Fs = 1000;            % Sampling frequency                    
T = 1/Fs;             % Sampling period       
L = 1500;             % Length of signal
t = (0:L-1)*T;        % Time vector

Creare un segnale contenente un offset CC di ampiezza 0,8, una sinusoide a 50 Hz di ampiezza 0,7 e una sinusoide a 120 Hz di ampiezza 1.

S = 0.8 + 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);

Corrompere il segnale con un rumore bianco casuale a media zero e varianza pari a 4.

X = S + 2*randn(size(t));

Tracciare il segnale rumoroso nel dominio del tempo. I componenti di frequenza non sono visivamente evidenti nel grafico.

plot(1000*t,X)
title("Signal Corrupted with Zero-Mean Random Noise")
xlabel("t (milliseconds)")
ylabel("X(t)")

Calcolare la trasformata di Fourier del segnale.

Y = fft(X);

Poiché le trasformate di Fourier implicano numeri complessi, tracciare la magnitudine complessa dello spettro fft.

plot(Fs/L*(0:L-1),abs(Y),"LineWidth",3)
title("Complex Magnitude of fft Spectrum")
xlabel("f (Hz)")
ylabel("|fft(X)|")

Il grafico mostra cinque picchi di frequenza, compreso il picco a 0 Hz per l'offset CC. In questo esempio, si presume che il segnale avrà tre picchi di frequenza a 0 Hz, 50 Hz e 120 Hz. In questo caso, la seconda metà del grafico è il riflesso speculare della prima metà, senza includere il picco a 0 Hz. Il motivo è che la trasformata discreta di Fourier di un segnale nel dominio del tempo ha una natura periodica, in cui la prima metà del relativo spettro è in frequenze positive e la seconda metà è in frequenze negative, con il primo elemento riservato alla frequenza zero.

Per i segnali reali, lo spettro fft è uno spettro a due lati, dove lo spettro nelle frequenze positive è il coniugato complesso dello spettro nelle frequenze negative. Per mostrare lo spettro fft nelle frequenze positive e negative, è possibile utilizzare fftshift. Per una lunghezza pari di L, il dominio di frequenza inizia dal negativo -Fs/2 della frequenza di Nyquist fino a Fs/2-Fs/L, con una spaziatura o risoluzione di frequenza di Fs/L.

plot(Fs/L*(-L/2:L/2-1),abs(fftshift(Y)),"LineWidth",3)
title("fft Spectrum in the Positive and Negative Frequencies")
xlabel("f (Hz)")
ylabel("|fft(X)|")

Per trovare le ampiezze dei tre picchi di frequenza, convertire lo spettro fft in Y nello spettro ad ampiezza unilaterale. Poiché la funzione fft include un fattore di scala L tra il segnale originale e quello trasformato, ridimensionare Y dividendolo per L. Prendere la magnitudine complessa dello spettro fft. Lo spettro di ampiezza a due lati P2, dove lo spettro nelle frequenze positive è il coniugato complesso dello spettro nelle frequenze negative, ha la metà delle ampiezze di picco del segnale nel dominio del tempo. Per convertire lo spettro unilaterale, prendere la prima metà dello spettro a due lati P2. Moltiplicare lo spettro delle frequenze positive per 2. Non è necessario moltiplicare P1(1) e P1(end) per 2 in quanto queste ampiezze corrispondono, rispettivamente, alle frequenze zero e Nyquist e non possiedono coppie di coniugati complessi nelle frequenze negative.

P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

Definire il dominio di frequenza f per lo spetto unilaterale. Tracciare lo spettro di ampiezza unilaterale P1. Come previsto, le ampiezze sono vicine a 0,8, 0,7 e 1, ma non sono esatte a causa del rumore aggiunto. Nella maggior parte dei casi, i segnali più lunghi producono migliori approssimazioni di frequenza.

f = Fs/L*(0:(L/2));
plot(f,P1,"LineWidth",3) 
title("Single-Sided Amplitude Spectrum of X(t)")
xlabel("f (Hz)")
ylabel("|P1(f)|")

Ora, prendere la trasformata di Fourier del segnale originale non corrotto e recuperare le ampiezze esatte a 0,8, 0,7 e 1,0.

Y = fft(S);
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

plot(f,P1,"LineWidth",3) 
title("Single-Sided Amplitude Spectrum of S(t)")
xlabel("f (Hz)")
ylabel("|P1(f)|")

Impulso gaussiano

Convertire un impulso gaussiano dal dominio del tempo al dominio della frequenza.

Specificare i parametri di un segnale con una frequenza di campionamento di 44,1 kHz e una durata del segnale di 1 ms. Creare un impulso gaussiano con una deviazione standard di 0,1 ms.

Fs = 44100;         % Sampling frequency
T = 1/Fs;           % Sampling period
t = -0.5:T:0.5;     % Time vector
L = length(t);      % Signal length

X = 1/(0.4*sqrt(2*pi))*(exp(-t.^2/(2*(0.1*1e-3)^2)));

Tracciate l'impulso nel dominio del tempo.

plot(t,X)
title("Gaussian Pulse in Time Domain")
xlabel("Time (t)")
ylabel("X(t)")
axis([-1e-3 1e-3 0 1.1]) 

Il tempo di esecuzione della fft dipende dalla lunghezza della trasformata. Le trasformate che presentano solo fattori primi piccoli comportano tempi di esecuzione significativamente più rapidi rispetto a quelle che presentano fattori primi grandi.

In questo esempio, la lunghezza del segnale L è 44,101, che è un numero primo piuttosto grande. Per migliorare la prestazione della fft, individuare una lunghezza di input che sia la potenza prossima di 2 dalla lunghezza del segnale originale. Chiamando fft con questa lunghezza di input, l’impulso X viene riempito di zeri finali fino alla lunghezza specificata della trasformata.

n = 2^nextpow2(L);

Convertire l'impulso gaussiano nel dominio della frequenza.

Y = fft(X,n);

Definire il dominio della frequenza e tracciare le frequenze uniche.

f = Fs*(0:(n/2))/n;
P = abs(Y/sqrt(n)).^2;

plot(f,P(1:n/2+1)) 
title("Gaussian Pulse in Frequency Domain")
xlabel("f (Hz)")
ylabel("|P(f)|")

Onde cosiniche

Confrontare le onde cosiniche nel dominio del tempo e nel dominio della frequenza.

Specificare i parametri di un segnale con una frequenza di campionamento di 1 kHz e una durata del segnale di 1 secondo.

Fs = 1000;                    % Sampling frequency
T = 1/Fs;                     % Sampling period
L = 1000;                     % Length of signal
t = (0:L-1)*T;                % Time vector

Creare una matrice in cui ciascuna riga rappresenta un'onda cosinica con frequenza scalata. Il risultato X è una matrice 3x1000. La prima riga ha una frequenza d'onda pari a 50, la seconda riga ha una frequenza d'onda pari a 150 e la terza riga ha una frequenza d'onda pari a 300.

x1 = cos(2*pi*50*t);          % First row wave
x2 = cos(2*pi*150*t);         % Second row wave
x3 = cos(2*pi*300*t);         % Third row wave

X = [x1; x2; x3];

Tracciare le prime 100 voci di ciascuna riga di X in una singola figura in ordine e confrontare le frequenze.

for i = 1:3
    subplot(3,1,i)
    plot(t(1:100),X(i,1:100))
    title("Row " + num2str(i) + " in the Time Domain")
end

Specificare l’argomento dim per utilizzare fft lungo le righe di X, ossia per ciascun segnale.

dim = 2;

Calcolare la trasformata di Fourier dei segnali.

Y = fft(X,L,dim);

Calcolare lo spettro bilaterale e quello unilaterale di ciascun segnale.

P2 = abs(Y/L);
P1 = P2(:,1:L/2+1);
P1(:,2:end-1) = 2*P1(:,2:end-1);

Nel dominio della frequenza, tracciare lo spettro di ampiezza unilaterale per ciascuna riga in un'unica figura.

for i=1:3
    subplot(3,1,i)
    plot(0:(Fs/L):(Fs/2-Fs/L),P1(i,1:L/2))
    title("Row " + num2str(i) + " in the Frequency Domain")
end

Fase delle sinusoidi

Creare un segnale composto da due sinusoidi di frequenza 15 Hz e 40 Hz. La prima sinusoide è un'onda cosinica con fase $-\pi /4$, mentre la seconda è un'onda cosinica con fase $\pi /2$. Campionare il segnale a 100 Hz per un 1 s.

Fs = 100;
t = 0:1/Fs:1-1/Fs;
x = cos(2*pi*15*t - pi/4) + cos(2*pi*40*t + pi/2);

Calcolare la trasformata di Fourier del segnale. Tracciare la magnitudine della trasformata come una funzione di frequenza.

y = fft(x);
z = fftshift(y);

ly = length(y);
f = (-ly/2:ly/2-1)/ly*Fs;
stem(f,abs(z))
title("Double-Sided Amplitude Spectrum of x(t)")
xlabel("Frequency (Hz)")
ylabel("|y|")
grid

Calcolare la fase della trasformata, eliminando i valori di piccola entità della trasformata. Tracciare la fase come una funzione di frequenza.

tol = 1e-6;
z(abs(z) < tol) = 0;

theta = angle(z);

stem(f,theta/pi)
title("Phase Spectrum of x(t)")
xlabel("Frequency (Hz)")
ylabel("Phase/\pi")
grid

Interpolazione della FFT

Interpolare la trasformata di Fourier di un segnale tramite il riempimento con zeri.

Specificare i parametri di un segnale con una frequenza di campionamento di 80 kHz e una durata del segnale di 0,8 s.

Fs = 80;
T = 1/Fs;
L = 65;
t = (0:L-1)*T;

Creare una sovrapposizione di un segnale sinusoidale di 2 Hz e delle sue armoniche superiori. Il segnale contiene un'onda cosinica di 2 Hz, un'onda cosinica di 4 Hz e un'onda sinusoidale di 6 Hz.

X = 3*cos(2*pi*2*t) + 2*cos(2*pi*4*t) + sin(2*pi*6*t);

Tracciare il segnale nel dominio del tempo.

plot(t,X)
title("Signal superposition in time domain")
xlabel("t (ms)")
ylabel("X(t)")

Calcolare la trasformata di Fourier del segnale.

Y = fft(X);

Calcolare lo spettro di ampiezza unilaterale del segnale.

f = Fs*(0:(L-1)/2)/L;
P2 = abs(Y/L);
P1 = P2(1:(L+1)/2);
P1(2:end) = 2*P1(2:end);

Nel dominio della frequenza, tracciare lo spettro unilaterale. Poiché il campionamento temporale del segnale è piuttosto breve, la risoluzione di frequenza della trasformata di Fourier non è abbastanza precisa per evidenziare la frequenza di picco vicino a 4 Hz.

plot(f,P1,"-o") 
title("Single-Sided Spectrum of Original Signal")
xlabel("f (Hz)")
ylabel("|P1(f)|")

Per valutare meglio le frequenze di picco, è possibile aumentare la lunghezza della finestra di analisi riempiendo di zeri il segnale originale. Questo metodo interpola automaticamente la trasformata di Fourier del segnale con una risoluzione di frequenza più precisa.

Individuare una nuova lunghezza di input che sia la potenza prossima di 2 dalla lunghezza del segnale originale. Riempire il segnale X con zeri finali per estenderne la lunghezza. Calcolare la trasformata di Fourier del segnale riempito con zeri.

n = 2^nextpow2(L);
Y = fft(X,n);

Calcolare lo spettro di ampiezza unilaterale del segnale riempito. Poiché la lunghezza del segnale n è aumentata da 65 a 128, la risoluzione di frequenza diventa Fs/n, ossia 0,625 Hz.

f = Fs*(0:(n/2))/n;
P2 = abs(Y/L);
P1 = P2(1:n/2+1);
P1(2:end-1) = 2*P1(2:end-1);

Tracciare lo spetto unilaterale del segnale riempito. Questo nuovo spettro mostra le frequenze di picco vicino a 2 Hz, 4 Hz e 6 Hz con una risoluzione di frequenza di 0,625 Hz.

plot(f,P1,"-o") 
title("Single-Sided Spectrum of Padded Signal")
xlabel("f (Hz)")
ylabel("|P1(f)|")

Argomenti di input

X — Array di input

vettore | matrice | array multidimensionale

Array di input, specificato come vettore, matrice o array multidimensionale.

Se X è una matrice 0x0 vuota, fft(X) restituisce una matrice 0x0 vuota.

Tipi di dati: double | single | int8 | int16 | int32 | uint8 | uint16 | uint32 | logical
Supporto numeri complessi: Sì

n — Lunghezza della trasformata

[] (predefinito) | scalare intero non negativo

Lunghezza della trasformata, specificata come [] o come scalare intero non negativo. La definizione di uno scalare intero positivo per la lunghezza della trasformata può migliorare la prestazione della fft. La lunghezza è di norma specificata come una potenza di 2 o come un valore che può essere scomposto in un prodotto di numeri primi piccoli (con fattori primi non maggiori di 7). Se n è inferiore alla lunghezza del segnale, fft ignora i valori rimanenti del segnale dopo la n-esima voce e restituisce il risultato troncato. Se n è 0, fft restituisce una matrice vuota.

Esempio n = 2^nextpow2(size(X,1))

Tipi di dati: double | single | int8 | int16 | int32 | uint8 | uint16 | uint32 | logical

dim — Dimensione lungo la quale operare

scalare intero positivo

Dimensione lungo la quale operare, specificata come scalare intero positivo. Se non si specifica la dimensione, per impostazione predefinita viene considerata la prima dimensione dell'array la cui grandezza è maggiore di 1.

• fft(X,[],1) opera lungo le colonne di X e restituisce la trasformata di Fourier di ciascuna colonna.

  

• fft(X,[],2) opera lungo le righe di X e restituisce la trasformata di Fourier di ciascuna riga.

  

Se dim è maggiore di ndims(X), fft(X,[],dim) restituisce X. Quando n è specificato, fft(X,n,dim) esegue il riempimento o il troncamento di X alla lunghezza di n lungo la dimensione dim.

Tipi di dati: double | single | int8 | int16 | int32 | uint8 | uint16 | uint32 | logical

Argomenti di output

Y — Rappresentazione nel dominio della frequenza

vettore | matrice | array multidimensionale

Rappresentazione nel dominio della frequenza, restituita come vettore, matrice o array multidimensionale.

Se X è di tipo single, fft calcola in modo nativo a precisione singola e anche Y è di tipo single. Diversamente, Y viene restituito come tipo double.

La dimensione di Y è la seguente:

• Per Y = fft(X) o Y = fft(X,[],dim), la dimensione di Y è uguale alla dimensione di X.

• Per Y = fft(X,n,dim), il valore di size(Y,dim) è uguale a n, mentre la grandezza di tutte le altre dimensioni rimane come in X.

Se X è reale, Y è simmetrico coniugato e il numero di punti unici in Y è ceil((n+1)/2).

Tipi di dati: double | single

Ulteriori informazioni

Trasformata di Fourier discreta di vettore

Y = fft(X) e X = ifft(Y) implementano rispettivamente la trasformata di Fourier e la trasformata di Fourier inversa. Per X e Y di lunghezza n, queste trasformate sono definite come segue:

$$\begin{array}{l}Y(k)={\displaystyle \sum _{j=1}^{n}X}(j)W_n^{(j-1)\text{}(k-1)}\\ X(j)=\frac{1}{n}{\displaystyle \sum _{k=1}^{n}Y}(k)W_n{}^{-(j-1)\text{}(k-1)},\end{array}$$

dove

$$W_n=e^{(-2\pi i)/n}$$

è una delle radici n dell’unità.

Suggerimenti

• Il tempo di esecuzione della fft dipende dalla lunghezza della trasformata. Le trasformate che presentano solo fattori primi piccoli (non superiori a 7) comportano tempi di esecuzione significativamente più rapidi rispetto a quelle in numero primo o che presentano fattori primi grandi.

• Per la maggior parte dei valori di n, le DFT con input reale richiedono approssimativamente la metà del tempo di calcolo delle DFT con input complesso. Tuttavia, quando n presenta fattori primi grandi, la differenza di velocità è minima o nulla.

• È eventualmente possibile aumentare la velocità di fft utilizzando la funzione di utilità fftw. Questa funzione controlla l'ottimizzazione dell'algoritmo utilizzato per calcolare una FFT di una particolare grandezza e dimensione.

Algoritmi

Le funzioni FFT (fft, fft2, fftn, ifft, ifft2, ifftn) sono basate su una libreria chiamata FFTW [1] [2].

Riferimenti

[1] FFTW (https://www.fftw.org)

[2] Frigo, M., and S. G. Johnson. “FFTW: An Adaptive Software Architecture for the FFT.” Proceedings of the International Conference on Acoustics, Speech, and Signal Processing. Vol. 3, 1998, pp. 1381-1384.

Funzionalità estese

Generazione di codice C/C++

Genera codice C e C++ con MATLAB® Coder™.

Note su utilizzo e limitazioni:

• Per le limitazioni relative ai dati di dimensioni variabili, vedere Variable-Sizing Restrictions for Code Generation of Toolbox Functions (MATLAB Coder).

• Per l’output MEX, MATLAB^® Coder™ utilizza la libreria che MATLAB utilizza per gli algoritmi della FFT. Per impostazione predefinita, per il codice C/C++ standalone, il generatore di codice produce codice per gli algoritmi della FFT invece di chiamate alla libreria della FFT. Per generare chiamate a una specifica libreria della FFTW installata, fornire una classe di richiamo alla libreria della FFT. Per maggiori informazioni su una classe di richiamo alla libreria FFT, vedere coder.fftw.StandaloneFFTW3Interface (MATLAB Coder).

• Per la simulazione di un blocco MATLAB Function, il software di simulazione utilizza la libreria che MATLAB utilizza per gli algoritmi della FFT. Per impostazione predefinita, per la generazione di codice C/C++, il generatore di codice produce codice per gli algoritmi della FFT invece di chiamate alla libreria della FFT. Per generare chiamate a una specifica libreria della FFTW installata, fornire una classe di richiamo alla libreria della FFT. Per maggiori informazioni su una classe di richiamo alla libreria FFT, vedere coder.fftw.StandaloneFFTW3Interface (MATLAB Coder).

• Utilizzando la Code Replacement Library (CRL), è possibile generare codice ottimizzato che viene eseguito sui processori ARM^® Cortex^®-A con estensione Neon. Per generare questo codice ottimizzato, è necessario installare Embedded Coder^® Support Package for ARM Cortex-A Processors (Embedded Coder). Il codice generato per ARM Cortex-A utilizza la libreria Ne10. Per maggiori informazioni, vedere Ne10, Condizioni per le funzioni di MATLAB per il supporto di processori ARM Cortex-A (Embedded Coder).

• Utilizzando la Code Replacement Library (CRL), è possibile generare codice ottimizzato che viene eseguito sui processori ARM Cortex-M. Per generare questo codice ottimizzato, è necessario installare Embedded Coder Support Package for ARM Cortex-M Processors (Embedded Coder). Il codice generato per ARM Cortex-M utilizza la libreria CMSIS. Per maggiori informazioni, vedere CMSIS, Condizioni per le funzioni di MATLAB per il supporto di processori ARM Cortex-M (Embedded Coder).

Generazione di codice GPU
Genera codice CUDA® per GPU NVIDIA® con GPU Coder™.

Ambiente basato su thread

Esegui il codice in background usando MATLAB® backgroundPool oppure accelera il codice con Parallel Computing Toolbox™ ThreadPool.

Questa funzione supporta completamente gli ambienti basati su thread. Per maggiori informazioni, vedere Run MATLAB Functions in Thread-Based Environment.

Array GPU

Accelera il codice mediante esecuzione su un’unità di elaborazione grafica (GPU) con Parallel Computing Toolbox™.

La funzione fft supporta parzialmente gli array di GPU. Alcune sintassi della funzione vengono eseguite su una GPU quando i dati di input sono specificati come un gpuArray (Parallel Computing Toolbox). Note su utilizzo e limitazioni:

• L’output Y è sempre complesso, anche se tutte le parti immaginarie sono pari a zero.

Per maggiori informazioni, vedere Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Array distribuiti

Partiziona array di grandi dimensioni nella memoria combinata del cluster con Parallel Computing Toolbox™.

Note su utilizzo e limitazioni:

• Per gli array distribuiti, invece di utilizzare un algoritmo parallelo della FFT, fft raccoglie i vettori su un singolo worker per eseguire la FFT di lunghezza primaria. Per le FFT vettoriali di lunghezza elevata, possono verificarsi errori fuori memoria.

Per maggiori informazioni, vedere Run MATLAB Functions with Distributed Arrays (Parallel Computing Toolbox).

Cronologia versioni

Introduzione prima di R2006a

Vedi anche

Funzioni

• fft2 | fftn | fftw | fftshift | ifft | interpft

Argomenti

• Fourier Transforms

Siti web esterni

• Analisi di Fourier (Risorse didattiche MathWorks)
• Convoluzione nell’elaborazione di segnali digitali (Risorse didattiche MathWorks)