### 使用 Python 实现 FFT 并计算 SNR 为了实现 FFT 计算以及基于 FFT 结果计算信噪比 (Signal-to-Noise Ratio, SNR)，可以按照以下方法操作。整个过程分为两个部分：一是使用 `NumPy` 或 `SciPy` 进行 FFT 计算；二是根据 FFT 的结果提取信号和噪声功率，进而计算 SNR。 #### 1. FFT 计算 下面是一个完整的代码示例，展示如何使用 `NumPy` 和 `Matplotlib` 来计算 FFT 并绘制频谱图： ```python import numpy as np import matplotlib.pyplot as plt # 创建时间序列数据 fs = 400 # 采样频率 (Hz) t = np.linspace(0, 1, fs, endpoint=False) # 时间向量 frequencies = [5, 25] # 频率成分 signal = sum([np.sin(2 * np.pi * freq * t) for freq in frequencies]) # 合成信号 # 添加高斯白噪声 np.random.seed(0) noise = np.random.normal(0, 1, signal.shape) noisy_signal = signal + noise # 对含噪信号进行 FFT 变换 fft_result = np.fft.fft(noisy_signal) fft_freqs = np.fft.fftfreq(t.shape[-1], d=1/fs) # 获取单边频谱 positive_fft_freqs = fft_freqs[:len(fft_freqs)//2] positive_fft_magnitude = 2.0 / len(fft_result) * np.abs(fft_result[:len(fft_result)//2]) # 绘制原始信号及其频谱 plt.figure(figsize=(12, 6)) plt.subplot(2, 1, 1) plt.plot(t, noisy_signal) plt.title('Noisy Signal') plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.subplot(2, 1, 2) plt.plot(positive_fft_freqs, positive_fft_magnitude) plt.title('Frequency Spectrum of Noisy Signal') plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude') plt.tight_layout() plt.show() ``` 以上代码生成了一个包含多个频率成分的时间域信号，并对其添加了高斯白噪声。接着通过对该含噪信号进行 FFT 转换来得到其频谱表示[^1]。 --- #### 2. 计算 SNR SNR 是衡量信号质量的重要指标之一，可以通过以下公式定义： \[ \text{SNR} (\text{dB}) = 10 \cdot \log_{10}\left(\frac{\text{Signal Power}}{\text{Noise Power}}\right) \] 其中， - **Signal Power**: 信号的均方值。 - **Noise Power**: 噪声的均方值。 以下是具体的实现代码： ```python def calculate_snr(signal, noisy_signal): """ 计算信噪比 (SNR)。 参数: signal: 纯净信号数组 noisy_signal: 含有噪声的信号数组 返回: snr_db: 信噪比 (单位: dB) """ # 计算信号功率 signal_power = np.mean(np.square(signal)) # 计算噪声 noise = noisy_signal - signal # 计算噪声功率 noise_power = np.mean(np.square(noise)) # 避免除零错误 if noise_power == 0: return float('inf') # 若无噪声，则返回无穷大 # 计算 SNR snr_linear = signal_power / noise_power snr_db = 10 * np.log10(snr_linear) return snr_db # 测试函数 snr_value = calculate_snr(signal, noisy_signal) print(f'Calculated SNR: {snr_value:.2f} dB') ``` 在此代码中，我们先分离出纯净信号与含噪信号之间的差异作为噪声，再分别求解两者的功率并代入公式得出最终的结果[^2]。 --- #### 3. 安装依赖项注意事项 如果遇到无法导入所需模块的情况，请确保已正确安装所有必要的库。例如，在某些环境中仅安装普通的 `numpy` 版本可能会导致后续使用 `scipy` 出错。此时建议卸载原有版本并改用带有 Intel Math Kernel Library 支持的增强型包 (`numpy+mkl`)。可以从官方资源或可信第三方站点下载对应平台下的 wheel 文件后运行 pip install 命令完成替换升级[^3]。 另外还需确认已经成功加载如下几个核心组件： - `numpy`: 数组运算基础工具； - `matplotlib`: 数据可视化绘图框架； - `scipy`: 科学计算扩展功能集合（尽管当前例子未直接调用它，但未来可能需要用到更高级别的处理手段）。 --- ### 总结 综上所述，借助 Python 生态圈内的强大科学计算能力，能够便捷地达成从原始模拟波形构建直至深入剖析内部结构特征这一系列目标。不仅限于此处列举的基础案例演示，随着实践经验积累和技术水平提升，还可以探索更多复杂场景下适用的技术方案。 ---