Estymacja widma na podstawie FT: Różnice pomiędzy wersjami

Z Brain-wiki
Linia 15: Linia 15:
  
 
Przepiszmy wzór na współczynniki szeregu Fouriera
 
Przepiszmy wzór na współczynniki szeregu Fouriera
 +
  
 
<math>
 
<math>
 
c_{k} = \frac{1}{T}\int_{0}^{T} s(t) e^\frac{2\pi i k t}{T} d t  
 
c_{k} = \frac{1}{T}\int_{0}^{T} s(t) e^\frac{2\pi i k t}{T} d t  
 
</math>
 
</math>
 +
  
 
Ponieważ sygnał jest teraz dyskretny, całka zamieni się na sumę pól prostokątów o bokach równych wartości funkcji podcałkowej w zadanych punktach <math>x(nT_s)e^{(2i{\pi}knT_s/T)}</math> i odległości między punktami <math>T_s</math>:
 
Ponieważ sygnał jest teraz dyskretny, całka zamieni się na sumę pól prostokątów o bokach równych wartości funkcji podcałkowej w zadanych punktach <math>x(nT_s)e^{(2i{\pi}knT_s/T)}</math> i odległości między punktami <math>T_s</math>:
 +
  
 
<math>
 
<math>

Wersja z 08:19, 29 paź 2021


AS/ Estymacja widma na podstawie Transformaty Fouriera

Dyskretna Transformata Fouriera (DFT)

W praktycznych zastosowaniach mamy do czynienia z sygnałami próbkowanymi o skończonej długości. Transformata Fouriera działająca na takich sygnałach nazywana jest Dyskretną Transformatą Fouriera, a algorytm najczęściej wykorzystywany do jej obliczania to szybka trasnsformata Fouriera (fast Fourier transform FFT). Formułę na współczynniki transformaty Fouriera można otrzymać z szeregu Fouriera. Załóżmy, że sygnał który chcemy przetransformować składa się z [math]N[/math] próbek.

[math] s =\{ s[0],\dots,s[n],\dots s[N-1]\}[/math]

i próbki pobierane były co [math]T_s[/math] sekund. Zakładamy, że analizowany sygnał [math]s[/math] to jeden okres nieskończonego sygnału o okresie [math]T=N\cdot T_s[/math]. Wprowadźmy oznaczenie:

[math]s[n]=s(n T_s)[/math].

Przepiszmy wzór na współczynniki szeregu Fouriera


[math] c_{k} = \frac{1}{T}\int_{0}^{T} s(t) e^\frac{2\pi i k t}{T} d t [/math]


Ponieważ sygnał jest teraz dyskretny, całka zamieni się na sumę pól prostokątów o bokach równych wartości funkcji podcałkowej w zadanych punktach [math]x(nT_s)e^{(2i{\pi}knT_s/T)}[/math] i odległości między punktami [math]T_s[/math]:


[math] \hat{s}[k] = \frac{1}{NT_s}\sum_{n=0}^{N-1}s(nT_s)e^{2i\pi\frac{knT_s}{NT_s}} \; T_s = \frac{1}{N}\sum_{n=0}^{N-1}s[n]e^{2i{\pi}\frac{kn}{N}} [/math]

Praktyczna estymacja widma Fourierowskiego sygnałów

Dla sygnałów dyskretnych obliczamy Dyskretną Transformatę Fouriera (omawianą też szerzej na ćwiczeniach). Kwadrat jej modułu to inaczej periodogram, czyli estymata gęstości widmowej mocy dla sygnałów dyskretnych.

Sygnały z którymi mamy do czynienia w praktyce są nie tylko dyskretne, ale też skończone. Obliczanie transformaty Fouriera dla skończonego odcinka niesie ze sobą dodatkowe komplikacje. Znamy wartości sygnału [math]s[n][/math] dla [math]i=1\ldots N[/math]. Odpowiada to iloczynowi sygnału [math]\left\{s[n]\right\}_{n\in\mathbb{Z}}[/math] z oknem prostokątnym [math]w_p[k][/math]:

[math] w_p[k]=\left\{\begin{array}{rl} 1 & \mathrm{dla} \;k=1 .. N\\ 0 & \mathrm{dla} \;k\lt 0 \vee k\gt N\\ \end{array} \right. [/math]

W efekcie (patrz twierdzenie o splocie) otrzymujemy splot transformaty Fouriera sygnału (nieskończonego) z transformatą Fouriera okna [math]\hat{w}_p[k][/math]. Na przykład dla okna prostokątnego będzie to funkcja postaci [math]sin(x)/x[/math], która może wprowadzić w widmie sztuczne oscylacje, które mylnie możemy zidentyfikować z pikami widma. Dlatego w praktyce stosujemy okna o łagodniejszym przebiegu transformaty Fouriera. Czyli:

  1. Obliczamy iloczyn sygnału [math]s[n][/math] z wybranym oknem [math]w[n][/math], dopasowanym do jego rozmiaru
  2. Obliczamy periodogram sygnału [math]s[n] w[n][/math]


W ogólnym rzypadku, biorąc pod uwagę normalizację okna

[math]w[n] = \frac{1}{\sqrt{\sum_{n=0}^{N-1} (w[n])^2}}w[n][/math]


dostajemy widmo mocy sygnału okienkowanego:

[math] P[k] = \frac{1}{\sum_{n=0}^{N-1} (w[n])^2} \left|\sum_{n=0}^{N-1} s[n]w[n] e^{i\frac{2 \pi }{N} k n}\right|^2 [/math]

Przy założeniu stacjonarności sygnału możemy obliczyć widmo testowaną na ćwiczeniach metodą Welcha, według której dzielimy sygnał na zachodzące na siebie odcinki, każdy odcinek mnożymy przez okno [math]w[n][/math] po czy otrzymane widma uśredniamy. W ten sposób dla każdej częstości mamy po kilka estymat mocy widmowej, wyliczonych z kolejnych odcinków, co pozwala na oszacowanie błędu estymaty.