I have to calculate numerically the 2nd derivative of a Gaussian function:
I've read every question on this topic here, but can't come to a good result. I've chosen NumPy as my tool of choice.
我们教授的指示:
- Get an
x
大小数组N = 128
有步骤dx = 1
. So, -64, -63, ..., 62, 63
。计算f(x)
- 执行 FFT
f(x)
并接收转换后的数组f_m
.
- Multiply
f_m
by , where is imaginary unit, is degree of derivation and
- 执行逆 FFT 以接收导数。
- 在某些 FFT 实现中,您可能必须按比例缩放
1/n
(但这是现在最小的问题)
现在这是我的代码,尽可能简单。
import numpy as np
# Set some parameters
n = 128
dx = 1
a = 0.001
# Create x, calculate f(x) and its FFT
x = np.arange(-n/2, n/2) * dx
psi = np.exp(-a * x * x)
f_m = np.fft.fft(psi)
# k_m creation according to professor (point 3. in my instruction)
k_m = np.arange(-n/2, n/2, dtype=float)
k_m[:int(n / 2)] = (2 * np.pi * k_m[:int(n / 2)]) / (n * dx)
k_m[int(n / 2):] = (2 * np.pi * (k_m[int(n / 2):] - n)) / (n * dx)
# Multiply f_m by (j * k_m)^q. For q=2, this is -k_m^2
f_m *= -k_m * k_m
# Inverse FFT on the result to get the second derivative and scale by 1 / n
f_m = np.fft.ifft(f_m) / n
我无法得到的一件事是结果仍然有虚部,所以有些东西是不对的。有人可以帮忙吗?
编辑:克里斯·卢恩戈的答案有效。
这部分是错误的:
k_m = np.arange(-n/2, n/2, dtype=float)
步骤 3 中的说明讲述了m
从 0 到n-1
。代码应该如下所示:
k_m = np.arange(0, n, dtype=float)
half = int(n / 2) + 1; # notice the + 1 here!
k_m[:half] = (2 * np.pi * k_m[:half]) / (n * dx)
k_m[half:] = (2 * np.pi * (k_m[half:] - n)) / (n * dx)
FFT 产生一个输出,其中第一个元素(索引 0)是 0 频率,而不是频率-n/2
.
您当前的版本k_m
如果您使用数组可能是正确的fftshift
将 0 频率仓移到阵列的中间,尽管我不完全确定这一点(也许-n
后半部分应该删除吗?)。
最后,除以n
这里没有必要:
f_m = np.fft.ifft(f_m) / n
NumPy IFFT 已经标准化。
并记住情节f_m.real
,在验证虚部几乎为零之后(这些值应仅由于数字舍入误差而不同于零)。
如果你做a
稍微大一点,例如a=0.005
,那么您的输入高斯完全适合输入信号,并且您不会因过滤被切断的信号而产生丑陋的边缘效应。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)