信号处理理解及滤波器&窗函数原理
来源:互联网 发布:汉服出租淘宝 编辑:程序博客网 时间:2024/06/05 20:08
1.时间窗函数要足够宽(栅栏效应)
上图所示,两个频率为f1和f2的调幅信号,用fw1和fw2采样频率相同。可以理解为,w1和w2是在时域或频域图的宽度。比如,w1采了100个点,w2为1000个点,w1=10*w2,可以表示更细的点,f1和f2的位置没有变,但细节变了。时间窗函数足够宽,包含了包络整个周期,有了足够的信息量,就能更精确地确定频谱,即采样的点数要足够长。
2.频谱分辨率
取上面的信号来看,高的频率分辨率,即高的采样频率,如w2>w1,则能将f1和f2分开。换一种说法,假如f1-f2=df,则df在w1和w2长度中占的比例是不同的,所以会将两个信号拉开。由于采样频率提高,得到更多的信息,频谱信息自然更好。窗函数足够宽,可以看为采样的整个数量要长,提高频谱分辨率可看为采样的密度要提高。
3. 谱泄露
谱泄露是指,由于对一段无限长周期信号截取(窗),得到的这一段信号如果首尾拼接,产生的新的无限长周期与原信号不一样的。上图时域看,是因为在t0和tw处的信号f(t0) != f(tw)。
从频谱看,本是单音的谱信号,能量分散到周围。所以叫谱泄露。
-------------------------------------我是灵魂的分割线------------------------------------------------------------
[FFT] matlab中关于FFT的使用(理解频率分辨率、补零问题)
一.调用方法
X=FFT(x);
X=FFT(x,N);
x=IFFT(X);
x=IFFT(X,N)
用MATLAB进行谱分析时注意:
(1)函数FFT返回值的数据结构具有对称性。
例:
N=8;
n=0:N-1;
xn=[4 3 2 6 7 8 9 0];
Xk=fft(xn)
→
Xk =
39.0000 -10.7782 + 6.2929i 0 - 5.0000i 4.7782 - 7.7071i 5.0000 4.7782 + 7.7071i 0 + 5.0000i -10.7782 - 6.2929i
Xk与xn的维数相同,共有8个元素。Xk的第一个数对应于直流分量,即频率值为0。
(2)做FFT分析时,幅值大小与FFT选择的点数有关,但不影响分析结果。在IFFT时已经做了处理。要得到真实的振幅值的大小,只要将得到的变换后结果乘以2除以N即可。
二.FFT应用举例
例1:x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t)。采样频率fs=100Hz,分别绘制N=128、1024点幅频图。
clf;
fs=100;N=128; %采样频率和数据点数
n=0:N-1;t=n/fs; %时间序列
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号
y=fft(x,N); %对信号进行快速Fourier变换
mag=abs(y); %求得Fourier变换后的振幅,其实这里仅取了fft计算结果的实部
f=n*fs/N; %频率序列
subplot(2,2,1),plot(f,mag); %绘出随频率变化的振幅
xlabel('频率/Hz');
ylabel('振幅');title('N=128');gridon;
subplot(2,2,2),plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅
xlabel('频率/Hz');
ylabel('振幅');title('N=128');gridon;
%对信号采样数据为1024点的处理
fs=100;N=1024;n=0:N-1;t=n/fs;
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号
y=fft(x,N); %对信号进行快速Fourier变换
mag=abs(y); %求取Fourier变换的振幅
f=n*fs/N;
subplot(2,2,3),plot(f,mag); %绘出随频率变化的振幅
xlabel('频率/Hz');
ylabel('振幅');title('N=1024');gridon;
subplot(2,2,4)
plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅
xlabel('频率/Hz');
ylabel('振幅');title('N=1024');gridon;
运行结果:
fs=100Hz,Nyquist频率为fs/2=50Hz。整个频谱图是以Nyquist频率为对称轴的。并且可以明显识别出信号中含有两种频率成分:15Hz和40Hz。由此可以知道FFT变换数据的对称性。因此用FFT对信号做谱分析,只需考察0~Nyquist频率范围内的幅频特性。若没有给出采样频率和采样间隔,则分析通常对归一化频率0~1进行。另外,振幅的大小与所用采样点数有关,采用128点和1024点的相同频率的振幅是有不同的表现值(因为采样也加入了能量?),但在同一幅图中,40Hz与15Hz振动幅值之比均为4:1,与真实振幅0.5:2是一致的。为了与真实振幅对应,需要将变换后结果乘以2除以N。
例2:x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t),fs=100Hz,绘制:
(1)数据个数N=32,FFT所用的采样点数NFFT=32;
(2)N=32,NFFT=128;
(3)N=136,NFFT=128;
(4)N=136,NFFT=512。
clf;fs=100; %采样频率
Ndata=32; %数据长度
N=32; %FFT的数据长度
n=0:Ndata-1;t=n/fs; %数据对应的时间序列
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %时间域信号
y=fft(x,N); %信号的Fourier变换
mag=abs(y); %求取振幅
f=(0:N-1)*fs/N; %真实频率
subplot(2,2,1),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅
xlabel('频率/Hz');ylabel('振幅');
title('Ndata=32 Nfft=32');grid on;
Ndata=32; %数据个数
N=128; %FFT采用的数据长度
n=0:Ndata-1;t=n/fs; %时间序列
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);
y=fft(x,N);
mag=abs(y);
f=(0:N-1)*fs/N; %真实频率
subplot(2,2,2),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅
xlabel('频率/Hz');ylabel('振幅');
title('Ndata=32 Nfft=128');grid on;
Ndata=136; %数据个数
N=128; %FFT采用的数据个数
n=0:Ndata-1;t=n/fs; %时间序列
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);
y=fft(x,N);
mag=abs(y);
f=(0:N-1)*fs/N; %真实频率
subplot(2,2,3),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅
xlabel('频率/Hz');ylabel('振幅');
title('Ndata=136 Nfft=128');grid on;
Ndata=136; %数据个数
N=512; %FFT所用的数据个数
n=0:Ndata-1;t=n/fs; %时间序列
x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t);
y=fft(x,N);
mag=abs(y);
f=(0:N-1)*fs/N; %真实频率
subplot(2,2,4),plot(f(1:N/2),mag(1:N/2)*2/N);%绘出Nyquist频率之前的振幅
xlabel('频率/Hz');ylabel('振幅');
title('Ndata=136 Nfft=512');grid on;
结论:
(1)当数据个数和FFT采用的数据个数均为32时,频率分辨率较低,但没有由于添零而导致的其他频率成分。
(2)由于在时间域内信号加零,致使振幅谱中出现很多其他成分,这是加零造成的。其振幅由于加了多个零而明显减小。
(3)FFT程序将数据截断,这时分辨率较高(相当于加宽了窗,时域采集了更多的点)。
(4)也是在数据的末尾补零,但由于含有信号的数据个数足够多,FFT振幅谱也基本不受影响。
对信号进行频谱分析时,数据样本应有足够的长度,一般FFT程序中所用数据点数与原含有信号数据点数相同,这样的频谱图具有较高的质量,可减小因补零或截断而产生的影响。
- 信号处理理解及滤波器&窗函数原理
- 信号处理——滤波器
- Linux信号处理机制及处理函数
- 信号处理中的滤波器的阶数和谐波的理解
- 信号及信号处理
- 信号及信号处理
- 信号及信号处理
- sigaction函数及信号的处理方式
- 信号处理小结(2):滤波器
- 信号处理学习笔记之自适应滤波器
- 信号处理函数的返回及信号的发送
- 双边滤波器原理及实现
- 信号编程之信号发送及信号处理函数遇到不可重入函数
- linux信号处理原理
- [数字信号处理]使用窗函数设计FIR滤波器
- 数字图像处理之低通滤波器实现原理及方法(Matlab)
- 数字图像处理之低通滤波器实现原理及方法(Matlab)
- 双边滤波器的原理的理解
- JS事件
- 0.OD-基础操作
- Direct2d CPU占用过高的问题。
- 十大触目惊心的jQuery幻灯片特效插件
- jsonerror
- 信号处理理解及滤波器&窗函数原理
- PB环境下分布式应用程序的开发
- Linux下的多线程编程
- Instagram对比评测:让山寨惭愧的用心移植
- mysql 还原数据库
- Oracle 如何找回已经删除了的表记录
- 做程序基础很重要
- Convert.ToInt16(s);int.Parse(s);和(int)s的区别
- 代码重构