El reto principal: señales no estacionarias en la estimación espectral

El análisis de frecuencias es una piedra angular del procesamiento de señales digitales (DSP), permitiendo a los ingenieros extraer el contenido de frecuencia de una señal.El clásico transformado de Fourier supone que la señal es estecionario; sus propiedades estadísticas (mean, variabilidad, componentes de frecuencia) permanecen constantes con el tiempo.

Comprender las señales no estacionarias: Naturaleza, Ejemplos y Por qué Importa

Una señal no es estacionaria si su densidad espectral de potencia (PSD) o función de autocorrelación cambia con el tiempo. En la práctica, una señal puede ser no estacionaria debido a:

  • Características de la fuente de tiempo que varia: El tracto vocal humano cambia de forma mientras habla, produciendo formantes que se mueven en frecuencia.
  • Actividad interesante: El pulso de radar existe sólo durante una breve duración; su inicio y compensación deben ser rastreados.
  • Modulación: Las señales de comunicación llevan información en las variaciones de fase o frecuencia (por ejemplo, radio FM).
  • Dinámica no lineal: Los sistemas caóticos, como los patrones meteorológicos, producen espectros de tiempo de variando.

La resolución de la frecuencia de uso es esencial para la resolución de los costos de la frecuencia de tiempo, y la resolución de la frecuencia de tiempo, que se desea, y que no se debe a la verdadera frecuencia instantánea, es una solución de la tolerancia de la frecuencia de tiempo, que es esencial para la resolución de los costos de la frecuencia de tiempo.

Técnicas de frecuencia horaria principales para la estimación especial no estacionaria

Existen varios métodos bien establecidos para estimar el contenido espectral de señales no estacionarias. Cada una tiene puntos fuertes y débiles distintos. A continuación se describen los más utilizados en la práctica.

Transformación de Fourier de corto tiempo (STFT)

El STFT es la extensión más intuitiva de la transformación Fourier a análisis no estacionario. La señal se divide en segmentos cortos y superpuestos (frames) utilizando una función de ventana ], y el FFT se computa para cada segmento de forma independiente. El resultado es una representación bidimensional: tiempo en un eje, frecuencia llamada el otro, y magnitud (o potencia) como

Matemáticamente, el STFT se define como:

donde es la función de ventana centrada en el tiempo . La ventana es típicamente una función real, simétrica (Hamming, Hann, Gaussian) que toca a cero en sus bordes para suavizar la segmentación del tiempo.

Fortaleza: Sencillo para implementar, rápido (a través de FFT), y proporciona una visualización clara. El espectrograma sigue siendo el estándar de oro en el procesamiento de voz y audio. Debilidades:] El tamaño de ventana fija impone un cambio de tiempo entre tiempo y resolución de frecuencia (el límite de tiempo de HeisFT-Gabor).

Transformación de onda (continua y discreta)

El análisis de onda aborda la resolución intercambiando funciones de base corta en frecuencias altas y funciones de base larga en frecuencias bajas. En lugar de una ventana fija, utiliza versiones escaladas y traducidas de un otro wavelet] (por ejemplo, Morlet, Daubechies).La continua transformación de onda (CWT) produce una representación de tiempo menos avanzada (convertida).

]Proyectos: Resolución de frecuencias de tiempo adaptativamente limitadash;excelente para señales con ambos transientes rápidos (impulses) y componentes de variación lenta. El escalograma de onda (magnitud cuadrada del CWT) a menudo revela la estructura que la escala de onda es un elemento intensivo. [[FLT]

Distribución Wigner-Ville (WVD)

El WVD es una representación de frecuencias temporales cuadráticas que proporciona la mejor resolución de frecuencias de tiempo conjunta posible para una señal FM lineal (chirp) de un solo componente. Se define como:

Esencialmente, correlaciona la señal con una versión de tiempo cambiada y reversada de sí misma. Esto produce una representación de alta resolución, pero con un inconveniente crítico: la presencia de [ ] ] para señales multicomponentes. Esos artefactos a menudo ocultan la verdadera estructura de frecuencia del tiempo, limitando el uso práctico a menos que el componente de la señal de los pseudo

Métodos adaptivos y paramétricos

Cuando la estructura de la señal puede ser modelada, métodos adaptables tales como Kalman filters o recursive least squares (RLS) puede seguir los parámetros de tiempo de paso espectrales. Por ejemplo, si la señal se supone que es un proceso de autoregresivo (AR) con parámetros de frecuencias más ajustables.

Aplicación de STFT para las señales no estacionarias

El siguiente paso detallado supone que usted tiene una señal muestrada y el acceso a un entorno DSP como MATLAB, Python (NumPy/SciPy), o un sistema incrustado. El procedimiento STFT se recomienda como punto de partida para la mayoría de las tareas de estimación espectral no estacionarias.

Paso 1: Elija la función de ventana

El tiempo de utilización de la ventana es un factor de seguridad que se puede utilizar . [FLT] La ventana de Hann es un defecto seguro porque proporciona una buena supresión de los sidelobe (-31 dB) a un ancho de lóbulo principal modesto.

Paso 2: Determinar la ventana Largo y la resolución del tiempo

La longitud de la ventana ] afecta directamente la resolución de frecuencias alcanzable: (Hz), donde es la tasa de muestreo. Una ventana más larga da una frecuencia más fina pero menor resolución del tiempo porque cada FFT ahora abarca un intervalo de tiempo más largo. Para señales que cambian rápidamente (por ejemplo, los teléfonos en el habla de 20-40 ms), una distancia dinámica m

Paso 3: Porcentaje de superposición de conjunto

La superposición entre los marcos consecutivos garantiza la continuidad temporal y reduce el riesgo de faltar eventos de corta duración. Una opción estándar es 50% superposición], lo que significa que la ventana cambia por la mitad de su longitud. Sobrelapso superior (75% o 90%) produce un espectrograma más suave pero aumenta la carga computacional. La baja superposición (25%) es más rápida pero puede causar el tiempo-dominio de la representación resultante

Paso 4: Preprocesar la señal (si es necesario)

Para algunas aplicaciones, es beneficioso aplicar pre-emfasis] (llenar para aplanar la inclinación espectral, común en el procesamiento del habla) o desinstalar] (removiendo una constante desviación o baja frecuencia). Tal preprocesamiento puede mejorar la visibilidad de características espectrales importantes.

Paso 5: Ventana, FFT y Tienda

Para cada índice de marco , extraiga el segmento ventanado:

Computar el FFT de longitud (a menudo sin doblar a un poder de dos para la eficiencia computacional). Almacene la magnitud (o magnitud cuadrada) en una matriz donde las filas corresponden a los cubos de frecuencia y columnas para indices de marco.

Paso 6: Normalizar y mostrar

Convertir magnitud en escala logarítmica (por ejemplo, dB) para visualizar mejor los componentes débiles. El espectrograma se muestra normalmente con frecuencia en el eje vertical, tiempo en el eje horizontal, e intensidad (o color) que representa la densidad espectral de potencia. La mayoría de las bibliotecas de software ofrecen una función integrada o que automatiza estos pasos.

Métodos avanzados en la práctica: Cuando STFT no es suficiente

A pesar de su ubicuidad, el STFT puede no resolver transitorios rápidos cuya duración es más corta que la longitud de la ventana, o señales con frecuencia instantánea muy variable (por ejemplo, FM polinomio de alto orden). En tales casos, considere estas alternativas:

  • Transformación continua de ondas (CWT): Excelente para vibraciones sísmicas donde persisten componentes de baja frecuencia y los transientes de alta frecuencia son breves. Muchas bibliotecas (p. ej., PyWavelets, MATLAB Wavelet Toolbox) proporcionan funciones CWT listas para usar.
  • ] Distribución Wigner-Ville con suavizado del núcleo: La distribución de pseudo lisa Wigner-Ville (SPWVD) reduce los plazos cruzados aplicando ventanas de suavizado de tiempo y frecuencia separadas. Ofrece una mejor resolución que el espectrograma para señales con interferencia moderada a largo plazo.
  • Filtros de notch adaptivos o filtros Kalman: Para el seguimiento en tiempo real de una o varias frecuencias de tiempo (por ejemplo, armónicos de línea de energía en un sensor ruidoso), un filtro de notch adaptativo con una actualización de cuadrados menos medios (LMS) puede ser computacionalmente barato y eficaz.
  • Proseguir o escasas representaciones de frecuencias temporales: Si sospecha que la señal puede ser representada como una suma de unos pocos átomos (Gabor o chirplet), algoritmos codiciosos como la búsqueda de coincidencia pueden descomponer la señal directamente. Esto se utiliza en el análisis biomédico de señales (por ejemplo, detección de picos en EEG).

Consideraciones prácticas: ruido, resolución y computación

Sensibilidad de ruido y robo

Todos los métodos de frecuencia temporal se degradan en presencia de ruido. El espectrograma, siendo un método lineal (valoridad cuadrada de STFT), es relativamente robusto al ruido de banda ancha en comparación con los métodos cuadráticos (WVD) que amplifican el ruido debido a la naturaleza bilineal. Si el ruido domina, considere pre-filtrar la señal o utilizar el umbral de medición sincrónico de tiempo (simultético).

Elección de la longitud de la ventana vs.

Un error común es asumir que cualquier señal no estacionaria puede ser analizada con una longitud de ventana fija. Para señales altamente no estacionarias (por ejemplo, canciones de aves con modulación de frecuencia rápida), la selección de ventanas adaptativas es beneficiosa. Algunas implementaciones utilizan una ventana de longitud variable que acorta durante los transitorios rápidos y alarga durante segmentos constantes computación2

Recursos computacionales y limitaciones en tiempo real

Para los sistemas DSP integrados con una capacidad de memoria y procesamiento limitada, el STFT con una longitud de ventana fija es la opción más práctica. El FFT está altamente optimizado en hardware y software. La transformación de onda (especialmente CWT) puede ser pesada; si se necesita un rendimiento en tiempo real, el DWT implementado a través de los bancos de filtros es más eficiente.

Resultados de interpretación: Evite la sobreinterpretación

Las representaciones de frecuencia temporal suelen contener características que son artefactos del método en lugar de componentes de señal verdaderos. Los lobos laterales de ventana en el espectrograma y los efectos fronterizos en el oleoducto transforman todos requieren una interpretación cuidadosa. Validar los hallazgos comparando dos métodos independientes (por ejemplo, esqueografía y escalograma de oleoducto) en los mismos datos.

Conclusión: Selección de la herramienta correcta para las señales del mundo real

[LT] La estimación espectacular de las señales no estacionarias es una habilidad esencial para cualquier ingeniero de DSP. Short-Time Fourier Transform con un espectrograma sigue siendo el método más utilizado debido a su simplicidad, velocidad y salida intuitiva. Debe ser su primera herramienta para analizar cualquier señal de contenido desconocido de la estabilidad.

Al entender los cambios entre resolución, robustez de ruido y coste computacional, puede elegir con confianza el método adecuado para su aplicación específica. Las referencias a continuación proporcionan más detalles sobre la implementación y las fundaciones teóricas.

Para una mayor inmersión en el análisis de STFT y espectrograma, vea el libro de texto DSP autorizado por Oppenheim y Schafer Procesamiento de señales de tiempo libre. Para la teoría de ondas, la referencia clásica es el libro de Mallat Un tour de espectro de Wavecigram .