傅里叶滤波窗口选择(滤波器)
来源:互联网 发布:r230清零软件 编辑:程序博客网 时间:2024/05/23 22:47
引言
最近在做信号处理相关的研究工作,由于并不是相关专业出身,进展缓慢。查阅了许多资料,资料越看越多,也获得了一些收获。现在以博文的形式记录下来与大家分享,博文内容蜻蜓点水,但都留下了引文出处,若需要可以进一步查看。
窗口函数(window function)
数字信号处理中通常是取其有限的时间片段进行分析,而不是对无限长的信号进行测量和运算。信号的截断产生了能量泄漏,而用
窗口函数(也称为变迹函数或渐变函数)是在某些选定间隔外都为零值的数学函数[1]。在典型应用中,窗口函数通常是非负、圆滑、钟形曲线,并要求该函数能够足够快的趋近零。窗口函数的应用包括信号的谱分析、修改、再合成,有限脉冲响应滤波器的设计,以及波束形成和天线设计。
谱泄漏对频谱图的影响的大小取决于时域图中边界上的不连续程度。加窗方法可以将这种不连续最小化。泄漏与窗口函数频谱的两侧旁瓣有关,对于窗口函数的选用总的原则是,要从保持最大信息和消除旁瓣的综合效果出发来考虑问题,尽可能使窗口函数频谱中的主瓣宽度应尽量窄,以获得较陡的过渡带;旁瓣衰减应尽量大,以提高阻带的衰减,但通常都不能同时满足这两个要求。频谱中的如果两侧瓣的高度趋于零,而使能量相对集中在主瓣,就可以较为接近于真实的频谱。不同的窗口函数对信号频谱的影响是不一样的,这主要是因为不同的窗口函数,产生泄漏的大小不一样,频率分辨能力也不一样。信号的加窗处理,关键问题是在于根据信号的性质和研究目的来选用窗口函数。表1 是几种常用的窗函数的比较。
频谱(frequency spectral)
时间序列
在物理学中,信号可能是波,如:电磁波、声波或机构的震动。信号的功率谱密度
谱泄漏(Spectral leakage)
频谱泄漏是由FFT算法中的一个假设导致的,即持续精确地重复时间记录,且时间记录中包含的信号在对应时间记录长度的间隔内呈周期性。若时间记录的周期数为非整数, 便违反该假设,导致频谱泄漏。另一种看法是,信号的非整数周期频率分量未与频谱频率线之一精确吻合[4]。
对
引用
[1] https://en.wikipedia.org/wiki/Window_function#cite_note-1
[2] https://en.wikipedia.org/wiki/Spectral_leakage
[3] https://en.wikipedia.org/wiki/Spectral_density#Explanation
[4]http://www.ni.com/white-paper/4278/zhs/
- 傅里叶滤波窗口选择(滤波器)
- 滤波的概念和作用(滤波器、掩模、核、模板、窗口是一个意思)
- 滤波的概念和作用(滤波器、掩模、核、模板、窗口是一个意思)
- 一些保边滤波器搜集(中值滤波、双边滤波、导向滤波等)
- 滤波器选择
- PCL体素滤波器加双窗口显示滤波前后结果
- pcl学习——滤波(直通滤波器与统计滤波器)
- 双边滤波器、高斯滤波
- MedianBlur(中值滤波/百分比滤波器)
- MedianBlur(中值滤波/百分比滤波器)
- MedianBlur(中值滤波/百分比滤波器)
- 图像滤波与滤波器基础知识
- 方框滤波、均值滤波、高斯滤波等滤波器详解
- 滤波电容的选择(调试中)
- 我的OpenCV学习笔记(10):空域滤波之锐化滤波器
- 自适应滤波器中的期望信号是什么?(引用维纳滤波)
- 高斯滤波器理解与图像滤波
- 灰度图像--频域滤波 滤波器
- PING的工作流程
- orcal图形数据的一些总结
- Python-learning-SMACH-QA
- 构造方法有哪些特点及他的作用?
- php、java实现桥接模式
- 傅里叶滤波窗口选择(滤波器)
- spring 国际化demo遇到的问题
- gradle差异环境协同开发
- 名企笔试:百度2017春招笔试真题编程题(度度熊回家)2017-05-18 算法爱好者
- Cross-Scale Cost Aggregation for Stereo Matching
- bzoj1010 toy玩具装箱 (斜率优化dp)
- Dlib库【10】——计算积分,读取xml显示
- Python-learning-SMACH-1-GettingStarted
- 专访微软沈向洋:人工智能需既有“智商”也有“情商”