在代码里加入每个函数的信号频谱

为了加入每个函数的信号频谱，您可以使用Python中的Scipy库中的signal.spectrogram()函数来计算信号的频谱。具体步骤如下：

1.导入Scipy库

import scipy.signal as signal

2.将函数的输入输出作为信号，计算信号的频谱

def my_func(input):
    # 函数实现
    output = ...
    return output

f, t, Sxx = signal.spectrogram(my_func(input), fs=sample_rate)

在这里，my_func(input)代表您要计算信号频谱的函数，input代表函数的输入，output代表函数的输出，sample_rate代表采样率。

计算后，您可以将频谱Sxx保存到文件中，或者在绘图中显示。

相关问题

修改信号产生函数 mstg，给每路调幅信号加入载波成分，产生调幅（AM） 信号，重复本实验，观察 AM 信号与抑制载波调幅信号的时域波形及其频谱的 差别。

好的，首先让我们来看一下原始的信号产生函数 mstg。该函数可以生成多路调幅信号，但是没有加入载波成分。以下是该函数的代码：

def mstg(fs,fm,fc,Ac,Am,ts):
    t = np.arange(0, ts, 1/fs)
    m = np.zeros(len(t))
    for i in range(len(fm)):
        m += Am[i]*np.cos(2*np.pi*fm[i]*t)
    c = Ac*np.cos(2*np.pi*fc*t)
    s = (1+m/Ac)*c
    return t,s

我们可以看到，该函数生成的调幅信号为 s，是由载波信号 c 和调制信号 m 组合而成的。其中，调制信号 m 由多个不同频率的正弦波叠加而成，而载波信号 c 是一个单频正弦波。

为了产生 AM 信号，我们需要将载波信号 c 和调制信号 m 混合在一起，并且在混合前将载波信号 c 加入到调制信号 m 中。这样产生的信号就是调幅信号，并且带有载波成分。以下是修改后的信号产生函数 amstg：

def amstg(fs,fm,fc,Ac,Am,ts):
    t = np.arange(0, ts, 1/fs)
    m = np.zeros(len(t))
    for i in range(len(fm)):
        m += Am[i]*np.cos(2*np.pi*fm[i]*t)
    m = m + Ac*np.cos(2*np.pi*fc*t) # 加入载波成分
    s = (1+m/Ac)*Ac*np.cos(2*np.pi*fc*t)
    return t,s

在这个新的函数中，我们先生成了调制信号 m，然后将载波信号 c 加入到 m 中。最后，我们使用新的调制信号来生成调幅信号 s，带有载波成分。

现在，我们可以使用这个新的信号产生函数来观察 AM 信号和抑制载波调幅信号的时域波形及其频谱的差别了。

（2）利用“fft”解析频谱，绘出其时域波形及幅度频谱,并放在同一个figure中； （3）利用MATLAB中的随机函数产生高斯白噪声加入到语音信号中，模仿语音信号被污染，并对其进行频谱分析。 （4）设计IIR和FIR数字滤波器，并对被噪声污染的语音信号进行滤波，分析滤波后信号的时域和频域特征，回放语音信号。 （5）与原信号进行对比

以下是针对每个问题的解答：

（2）利用“fft”解析频谱，绘出其时域波形及幅度频谱，并放在同一个figure中。

假设语音信号为x，采样率为fs，则可以通过下列代码绘制其时域波形和幅度频谱：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 绘制时域波形
time = (0:length(x)-1)/fs;
subplot(2,1,1);
plot(time, x);
xlabel('Time (s)');
ylabel('Amplitude');
title('Time Domain Waveform');

% 计算幅度频谱
nfft = 2^nextpow2(length(x));
X = fft(x, nfft)/length(x);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
subplot(2,1,2);
plot(freq, 2*abs(X(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum');

（3）利用MATLAB中的随机函数产生高斯白噪声加入到语音信号中，模仿语音信号被污染，并对其进行频谱分析。

假设语音信号为x，采样率为fs，噪声强度为noise_level，则可以通过下列代码产生被噪声污染的语音信号并绘制其幅度频谱：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 产生高斯白噪声
noise = noise_level*randn(length(x),1);

% 将噪声加入到语音信号中
x_noisy = x + noise;

% 计算幅度频谱
nfft = 2^nextpow2(length(x_noisy));
X_noisy = fft(x_noisy, nfft)/length(x_noisy);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
plot(freq, 2*abs(X_noisy(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum of Noisy Speech');

（4）设计IIR和FIR数字滤波器，并对被噪声污染的语音信号进行滤波，分析滤波后信号的时域和频域特征，回放语音信号。

假设语音信号为x，采样率为fs，被噪声污染的语音信号为x_noisy，IIR滤波器的系数为b和a，FIR滤波器的系数为h，则可以通过下列代码设计IIR和FIR数字滤波器并对被噪声污染的语音信号进行滤波：

% 读取语音信号
[x,fs] = audioread('audio.wav');

% 产生高斯白噪声
noise = noise_level*randn(length(x),1);

% 将噪声加入到语音信号中
x_noisy = x + noise;

% 设计IIR数字滤波器
[b,a] = butter(4, [1000 4000]/(fs/2));
x_filtered_iir = filter(b,a,x_noisy);

% 设计FIR数字滤波器
h = fir1(1000, [1000 4000]/(fs/2));
x_filtered_fir = filter(h,1,x_noisy);

% 绘制时域波形
time = (0:length(x)-1)/fs;
figure;
subplot(3,1,1);
plot(time, x);
xlabel('Time (s)');
ylabel('Amplitude');
title('Original Signal');

subplot(3,1,2);
plot(time, x_noisy);
xlabel('Time (s)');
ylabel('Amplitude');
title('Noisy Signal');

subplot(3,1,3);
plot(time, x_filtered_iir);
xlabel('Time (s)');
ylabel('Amplitude');
title('Filtered Signal (IIR)');

% 回放语音信号
sound(x_filtered_iir, fs);

% 计算幅度频谱
nfft = 2^nextpow2(length(x_filtered_iir));
X_filtered_iir = fft(x_filtered_iir, nfft)/length(x_filtered_iir);
X_filtered_fir = fft(x_filtered_fir, nfft)/length(x_filtered_fir);
freq = fs/2*linspace(0,1,nfft/2+1);

% 绘制幅度频谱
figure;
subplot(2,1,1);
plot(freq, 2*abs(X_filtered_iir(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum (IIR)');

subplot(2,1,2);
plot(freq, 2*abs(X_filtered_fir(1:nfft/2+1)));
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Amplitude Spectrum (FIR)');

（5）与原信号进行对比

可以通过对比滤波后的信号和原信号的时域波形和幅度频谱来评估滤波效果。可以发现，滤波后的信号比被噪声污染的语音信号更接近于原信号，且幅度频谱也更加平滑。