我正在尝试通过频谱减法来增强超声波信号。信号在时域中并且包含噪声。我将信号划分为 2 µs 的汉明窗，并计算了这些帧的傅里叶变换。然后我选择了 3 个连续的帧，我将其解释为噪声。我对这 3 帧的幅度谱进行了平均，并从每一帧的幅度谱中减去该平均值。然后我将所有负幅值谱定义为零，并通过将新幅值谱与相位谱相结合来重建增强的傅立叶变换。这给了我每帧一系列复数。现在我想通过使用傅里叶逆变换将这个系列转换回时域。但是，此操作为我提供了我不知道如何使用的复数。
我在几篇文章中读到，从傅里叶逆变换获得复数输出是正常的。然而，复数的使用是分开的。有人说要忽略虚部，因为它应该非常小（e-15），但在我的情况下它不可忽略（0.01-0.5）。老实说，我现在只是不知道如何处理这些数字，因为我希望傅里叶逆变换只能给我实数。并希望有非常小的虚构部分，但不幸的是..
# General parameters
#
total_samples = length(time_or) # Total numbers of samples in the current series
max_time = max(time_or) # Length of the measurement in microseconds
sampling_freq = 1/(max_time/1000000)*total_samples # Sampling frequency
frame_length_t = 2 # In microseconds (time)
frame_length_s = round(frame_length_t/1000000*sampling_freq) # In samples per frame
overlap = frame_length_s/2 # Overlap in number of frames, set to 50% overlap
#
# Transform the frame to frequency domain
#
fft_frames = specgram(amp, n=frame_length_s, Fs=125, window=hamming(frame_length_s), overlap=overlap)
mag_spec=abs(fft_frames[["S"]])
phase_spec=atan(Im(fft_frames[["S"]])/Re(fft_frames[["S"]]))
#
# Determine the arrival time of noise
#
cutoff= 10 #determine the percentage of the signal that has to be cut off
dnr=us_data[(length(us_data[,1])*(cutoff/100)):length(us_data[,1]), ]
noise_arr=(length(us_data[,1])-length(dnr[,1])+min(which(dnr[,2]>0.01)))*0.008
#
# Select the frames for noise spectrum estimation
#
noise_spec=0
noise_spec=mag_spec[,noise_arr]
noise_spec=noise_spec+mag_spec[, (noise_arr+1)]
noise_spec=noise_spec+mag_spec[, (noise_arr+2)]
noise_spec_check=noise_spec/3
#
# Subtract the estimated noise spectrum from every frame
#
est_mag_spec=mag_spec-noise_spec_check
est_mag_spec[est_mag_spec < 0] = 0
#
# Transform back to frequency spectrum
#
j=complex(real=0, imaginary=1)
enh_spec = est_mag_spec*exp(j*phase_spec)
#
# Transform back to time domain
#
install.packages("pracma")
library("pracma")
enh_time=fft(enh_spec[,2], inverse=TRUE)
我希望有人知道如何处理这些复数。也许我之前在处理方法上犯了一个错误，但我已经检查了很多次，对我来说似乎很可靠。这是该过程的最后一步（也是最后一步），真正希望在傅里叶逆变换后获得良好的时域信号。