例题1：周期信号的傅里叶级数表示
主题句：理解周期信号的傅里叶级数分解是学习傅里叶变换的基础。
解析： 考虑一个周期为 (T) 的周期信号 (f(t))，我们可以将其分解为一系列正弦波和余弦波的叠加，即： [ f(t) = \frac{a0}{2} + \sum{n=1}^{\infty} [a_n \cos(2\pi n f_0 t) + b_n \sin(2\pi n f_0 t)] ] 其中，(a_0, a_n, b_n) 分别为傅里叶系数。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义周期信号
T = 1 # 周期
f_0 = 2 # 基波频率
t = np.linspace(0, T, 1000)
# 傅里叶系数
a_0 = 1
a_n = np.array([0.5 * np.cos(2 * np.pi * n * f_0 * t) for n in range(1, 5)])
b_n = np.array([0.5 * np.sin(2 * np.pi * n * f_0 * t) for n in range(1, 5)])
# 信号合成
f_t = (a_0 / 2) + np.sum(a_n + b_n, axis=0)
# 绘制信号
plt.plot(t, f_t)
plt.title('周期信号的傅里叶级数表示')
plt.xlabel('时间 t')
plt.ylabel('幅度')
plt.show()
例题2：非周期信号的傅里叶变换
主题句：傅里叶变换可以用来分析非周期信号。
解析： 非周期信号的傅里叶变换通常使用积分表示，即： [ F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t} dt ] 其中，(F(\omega)) 为傅里叶变换结果。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义非周期信号
f = np.exp(-np.linspace(0, 5, 1000) / 5)
# 傅里叶变换
F = np.fft.fft(f)
# 绘制频谱
plt.plot(np.fft.fftfreq(len(f), d=1), np.abs(F))
plt.title('非周期信号的傅里叶变换')
plt.xlabel('频率 f')
plt.ylabel('幅度')
plt.show()
例题3：离散傅里叶变换
主题句：离散傅里叶变换（DFT）在数字信号处理中非常重要。
解析： 离散傅里叶变换将一个时间序列转换为其对应的频域表示，公式如下： [ X[k] = \sum_{n=0}^{N-1} x[n] e^{-j\frac{2\pi kn}{N}} ] 其中，(X[k]) 为离散傅里叶变换结果，(N) 为数据点数。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义离散信号
x = np.array([1, 2, 3, 4, 5])
# 离散傅里叶变换
X = np.fft.fft(x)
# 绘制频谱
plt.plot(np.fft.fftfreq(len(x), d=1), np.abs(X))
plt.title('离散傅里叶变换')
plt.xlabel('频率 f')
plt.ylabel('幅度')
plt.show()
例题4：傅里叶逆变换
主题句：傅里叶逆变换可以将频域信号转换回时域。
解析： 傅里叶逆变换公式如下： [ x[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] e^{j\frac{2\pi kn}{N}} ] 其中，(X[k]) 为离散傅里叶变换结果。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义离散信号
x = np.array([1, 2, 3, 4, 5])
# 离散傅里叶变换
X = np.fft.fft(x)
# 傅里叶逆变换
x_inv = np.fft.ifft(X)
# 绘制信号
plt.plot(x, 'o', label='Original Signal')
plt.plot(x_inv, 'o', label='Inverted Signal')
plt.title('傅里叶逆变换')
plt.xlabel('时间 n')
plt.ylabel('幅度')
plt.legend()
plt.show()
例题5：频谱分析
主题句：频谱分析可以帮助我们了解信号中包含哪些频率成分。
解析： 通过分析信号的频谱，我们可以识别出信号中包含的频率成分及其幅度。在实际应用中，这有助于我们了解信号的性质。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义信号
t = np.linspace(0, 2*np.pi, 1000)
f = np.sin(2*np.pi*5*t) + np.sin(2*np.pi*10*t)
# 频谱分析
f_freq = np.fft.fft(f)
f_freq = np.abs(f_freq) / len(f)
f_freq = f_freq / f_freq.max() * 100
# 绘制频谱
plt.stem(np.fft.fftfreq(len(f), d=1), f_freq, 'r')
plt.title('频谱分析')
plt.xlabel('频率 f')
plt.ylabel('幅度 (%)')
plt.show()
例题6：信号滤波
主题句：信号滤波可以帮助我们去除信号中的噪声或不需要的频率成分。
解析： 滤波器可以将信号中的特定频率成分过滤掉，从而得到更纯净的信号。常见的滤波器有低通滤波器、高通滤波器、带通滤波器等。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import butter, lfilter
# 定义信号
t = np.linspace(0, 10, 1000)
f = np.sin(2*np.pi*5*t) + np.random.randn(1000) # 添加噪声
# 设计低通滤波器
N = 5 # 滤波器阶数
Wn = 1 # 截止频率
b, a = butter(N, Wn)
# 滤波信号
f_low = lfilter(b, a, f)
# 绘制滤波前后信号
plt.plot(t, f, label='Original Signal')
plt.plot(t, f_low, label='Low-pass Filtered Signal')
plt.title('信号滤波')
plt.xlabel('时间 t')
plt.ylabel('幅度')
plt.legend()
plt.show()
例题7：信号调制与解调
主题句：调制与解调是通信系统中常用的技术。
解析： 调制可以将信息信号加载到载波信号上，解调则将信息信号从载波信号中提取出来。常见的调制方式有调幅（AM）、调频（FM）和调相（PM）。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义载波信号
f_carrier = 10
t_carrier = np.linspace(0, 2*np.pi, 1000)
# 定义信息信号
f_message = 5
t_message = np.linspace(0, 2*np.pi, 1000)
message = np.sin(2*np.pi*f_message*t_message)
# 调制
modulated = message * np.cos(2*np.pi*f_carrier*t_carrier)
# 解调
message_rec = np.real(np.fft.ifft(modulated))
# 绘制调制与解调信号
plt.plot(t_message, message, 'o', label='Message Signal')
plt.plot(t_carrier, modulated, 'o', label='Modulated Signal')
plt.plot(t_message, message_rec, 'o', label='Recovered Message Signal')
plt.title('信号调制与解调')
plt.xlabel('时间 t')
plt.ylabel('幅度')
plt.legend()
plt.show()
例题8：信号的相位谱
主题句：信号的相位谱可以帮助我们了解信号中频率成分的相位信息。
解析： 信号的相位谱可以通过傅里叶变换的相位信息得到，公式如下： [ \phi(\omega) = \arctan\left(\frac{b_n}{a_n}\right) ] 其中，(a_n, b_n) 分别为傅里叶变换的实部和虚部。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义信号
t = np.linspace(0, 2*np.pi, 1000)
f = np.sin(2*np.pi*5*t) + np.sin(2*np.pi*10*t)
# 傅里叶变换
F = np.fft.fft(f)
F_mag = np.abs(F)
F_phi = np.angle(F)
# 绘制相位谱
plt.figure(figsize=(8, 4))
plt.plot(np.fft.fftfreq(len(f), d=1), F_phi)
plt.title('信号的相位谱')
plt.xlabel('频率 f')
plt.ylabel('相位 (rad)')
plt.grid(True)
plt.show()
例题9：信号的功率谱
主题句：信号的功率谱可以帮助我们了解信号中包含哪些频率成分及其功率分布。
解析： 信号的功率谱可以通过傅里叶变换的幅度平方得到，公式如下： [ P(\omega) = |F(\omega)|^2 ] 其中，(F(\omega)) 为傅里叶变换结果。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义信号
t = np.linspace(0, 2*np.pi, 1000)
f = np.sin(2*np.pi*5*t) + np.sin(2*np.pi*10*t)
# 傅里叶变换
F = np.fft.fft(f)
F_mag = np.abs(F)
# 绘制功率谱
plt.figure(figsize=(8, 4))
plt.plot(np.fft.fftfreq(len(f), d=1), F_mag**2)
plt.title('信号的功率谱')
plt.xlabel('频率 f')
plt.ylabel('功率 (dB)')
plt.grid(True)
plt.show()
例题10：信号的相位偏移
主题句：信号的相位偏移会影响信号的波形和性能。
解析： 信号的相位偏移是指信号中不同频率成分的相位差异。相位偏移可能导致信号失真，影响信号传输和接收。
代码示例：
import numpy as np
import matplotlib.pyplot as plt
# 定义信号
t = np.linspace(0, 2*np.pi, 1000)
f = np.sin(2*np.pi*5*t) + np.sin(2*np.pi*10*t)
# 相位偏移
phi = np.pi / 4
f_shifted = f * np.exp(1j * phi)
# 绘制相位偏移信号
plt.figure(figsize=(8, 4))
plt.plot(t, np.abs(f), label='Original Signal')
plt.plot(t, np.abs(f_shifted), label='Phase-shifted Signal')
plt.title('信号的相位偏移')
plt.xlabel('时间 t')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()