python怎么分離與合并復(fù)數(shù)矩陣的實(shí)部虛部

我們知道python的支持復(fù)數(shù)，也知道復(fù)數(shù)矩陣的存在，那么我們可以把復(fù)數(shù)矩陣分離成實(shí)部和虛部嗎？接下來這篇文章告訴你python怎么分離復(fù)數(shù)矩陣！

需求

在進(jìn)行數(shù)字信號(hào)處理的過程中，我們往往有對(duì)短時(shí)傅里葉變換頻譜(spectrogram)進(jìn)行分析的需求。

常見的分析手段對(duì)應(yīng)歐拉公式分為兩種，要么使用模與相位的形式，要么使用實(shí)部虛部。

本文分享一個(gè)簡單的將復(fù)數(shù)光譜圖分解為實(shí)部與虛部以及將兩個(gè)部分重新合并為一個(gè)復(fù)數(shù)矩陣的過程，以下為python代碼。

import numpy as np
import librosa

 

# load the original wav

test_wave, _ = librosa.load("../RecFile_1_20200617_153719_Sound_Capture_DShow_5_monoOutput1.wav", sr=44100)

# calculate the complex spectrogram stft

spectrogram_test_wav = librosa.stft(test_wave, n_fft=735*2, win_length=735*2, hop_length=735)

 

# calculate the real part of the spectrogram

real_spectrogram = spectrogram_test_wav.real

# calculate the imaginary part of the spectrogram

imaginary_spectrogram = spectrogram_test_wav.imag

 

# combine these two parts

reconstruction_spectrogram = real_spectrogram + 1j * imaginary_spectrogram

print(np.array_equal(spectrogram_test_wav, reconstruction_spectrogram))

其中l(wèi)ibrosa庫為常用的音頻處理庫。

上述代碼實(shí)現(xiàn)了對(duì)wavfile進(jìn)行短時(shí)傅里葉變換，分離出實(shí)部虛部并重新合并的過程。

最終的輸出為True, 證明了經(jīng)過這些步驟過后，重構(gòu)的復(fù)數(shù)矩陣與初始的光譜圖是一致的。

以上就是python分離復(fù)數(shù)矩陣的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。