La sfida principale: Segnali non stazionari nella stima dello spettro

La stima dello spettro di tempo di riferimento è una pietra angolare dell'elaborazione del segnale digitale (DSP), che consente agli ingegneri di estrarre il contenuto di frequenza di un segnale. La classica trasformazione di Fourier assume che il segnale sia stazionerio; le sue proprietà statistiche (mean, variance, componenti di frequenza) rimangono costanti nel tempo. Tuttavia, molti segnali del mondo reale sono

Comprendere segnali non stazionari: Natura, esempi e perché si Matters

Un segnale non stazionario se la sua densità spettrale di potenza (PSD) o la funzione di autocorrelazione cambia con il tempo.

  • Caratteristiche di sorgente di tempo:[ Il tratto vocale umano cambia forma mentre parla, producendo formanti che si muovono in frequenza.
  • Attività intermittente:[ Un impulso radar esiste solo per una breve durata; il suo insorgere e l'offset devono essere tracciati.
  • Modulation:[]] I segnali di comunicazione portano informazioni in variazioni di fase o di frequenza (ad esempio, radio FM).
  • Dinamici non lineari:[ Sistemi caotici, come i modelli meteorologici, producono spettri di tempo che si diffondono.

Per esempio, l'applicazione di un FFT standard a un segnale di ceppo (frequenza che aumenta linearmente con il tempo) produce un ampio picco diffuso che non rappresenta la frequenza istantanea vera. Pertanto, specializzato distribuzioni di frequenza di tempo-frequenza] (TFFDs di calcolo) sono essenziali.

Principali tecniche di frequenza temporale per la stima non stazionaria dello spettro

Esistono diversi metodi ben consolidati per stimare il contenuto spettrale dei segnali non stazionari, ciascuno ha punti di forza e di debolezza distinti, i più comunemente utilizzati nella pratica sono descritti di seguito.

Trasformazione di Fourier a breve tempo (STFT)

Il segnale è diviso in segmenti brevi e sovrapposti (frame) utilizzando una funzione finestra], e il FFT è calcolato per ogni segmento in modo indipendente. Il risultato è una rappresentazione bidimensionale: il tempo su un asse, la frequenza sull'altro, e la magnitudine (o la potenza) come mappa di coloreF

Matematicamente, lo STFT è definito come:

dove è la funzione finestra incentrata in tempo [[]. La finestra è in genere una funzione simmetrica reale (Hamming, Hann, Gaussian) che tocca a zero ai suoi bordi per regolare la segmentazione del tempo.

Strengths: Semplice da implementare, veloce (tramite FFT), e fornisce una chiara visualizzazione. Lo spettrogramma rimane lo standard oro nel linguaggio e nell'elaborazione audio. Debolezze: La dimensione fissa della finestra impone un trade-off tra tempo e frequenza di risoluzione (il limite di tempo di Heisenberg-Gabor, ma breve).

Trasformazione di Wavelet (continuo e discreto)

L'analisi delle onde si rivolge al trade-off della risoluzione utilizzando funzioni di base brevi alle alte frequenze e funzioni di base a basse frequenze. Invece di una finestra fissa, utilizza versioni scalate e tradotte di un wavelet [ ma di una wavelet] (ad esempio, Morlet, Daubechies)].

Aggiungimenti: Adattare risoluzione di frequenza temporale — eccellente per i segnali con entrambi i trasmettitori veloci (impulsi) e lentamente i componenti variabili. La scala di calcolo dell'onda (magnitude squared of CWT) spesso rivela la struttura che lo spettrogramma si diffa. Scelte le onde disvantFaddentali:

Distribuzione Wigner-Ville (WVD)

Il WVD è una rappresentazione di frequenza temporale quadratic[] che fornisce la migliore risoluzione di frequenza di tempo congiunta possibile per un segnale FM lineare singolo componente (chirp).

In sostanza, correla il segnale con una versione time-shifted e time-reversed di se stessa. Questo rende una rappresentazione ad alta risoluzione, ma con un inconveniente critico: la presenza di cross-terms] per segnali multicomponenti. Quei artefatti spesso oscurano la vera struttura di frequenza temporale, limitando l'uso pratico a meno che il segnale non abbia un solo componente specializzato Cohen

Metodi adattivi e parametri

Quando la struttura del segnale può essere modellata, metodi adattativi come Kalman filtri] o recursive minor quadrati (RLS) possono monitorare i parametri spettrali di tempo-variante. Per esempio, se il segnale è assunto per essere un processo autoregressivo (AR) con i parametri di frequenza di campionamento lentamente possono essere aggiornati.

Attuazione passo-passo di STFT per segnali non stazionari

Il seguente percorso dettagliato presuppone che si abbia un segnale campionato [ e l'accesso a un ambiente DSP come MATLAB, Python (NumPy/SciPy), o un sistema incorporato. La procedura STFT è consigliata come punto di partenza per la maggior parte delle attività di stima spettrale non stazionarie.

Passo 1: Scegli la funzione finestra

La finestra determina i trade-off tra spettrale e larghezza principale del lobo. Per la parola e l'audio, una finestra Hann] è un default sicuro perché fornisce una buona soppressione del sidelobe (-31 dB) a una larghezza dello stesso modesta.

Passo 2: Determinare la lunghezza della finestra e la risoluzione del tempo

La lunghezza della finestra influisce direttamente sulla risoluzione di frequenza raggiungibile: (Hz), dove è la velocità di campionamento. Una finestra più lunga dà i contenitori di frequenza più sottili ma la risoluzione più bassa del tempo perché ogni FFT ora abbraccia un intervallo di tempo più lungo.

Passo 3: Impostare il percentuale di sovrapposizione

Un sovrapposizione standard è 50% sovrapposizione[], il che significa che la finestra si sposta di metà della sua lunghezza. La sovrapposizione più elevata (75% o 90%) produce uno spettrogramma più liscio ma aumenta il carico computazionale. La sovrapposizione inferiore (25%) è più veloce ma può causare artefatti di rappresentazione tempo-dominico nel tempo risultante.

Passo 4: Preprocessare il segnale (se necessario)

Per alcune applicazioni, è benefico applicare pre-enfasi (filtrando per appiattire l'inclinazione spettrale, comune nel trattamento dei discorsi) o ] che si discosta [] (rimozione di una deriva costante di offset o bassa frequenza).

Passo 5: Finestra, FFT e Store

Per ogni indice di frame , estrarre il segmento finestrato:

Compiti il FFT di lunghezza (spesso zero-paggiunta ad una potenza di due per l'efficienza computazionale). Conservare la magnitudine (o la magnitudine quadrata) in una matrice dove le righe corrispondono a cassoni di frequenza e colonne per inquadrare indici.

Passo 6: Normalizzare e visualizzare

Converti la magnitudine in scala logaritmica (ad esempio dB) per visualizzare meglio i componenti deboli. Lo spettrogramma viene tipicamente visualizzato con frequenza sull'asse verticale, tempo sull'asse orizzontale e intensità (o colore) che rappresentano la densità spettrale di potenza. La maggior parte delle librerie software offrono una funzione integrata o ]]] che automatizza questi passaggi.

Metodi avanzati in pratica: quando STFT non è abbastanza

Nonostante la sua ubiquità, lo STFT potrebbe non risolvere i transienti veloci la cui durata è più breve della lunghezza della finestra, o segnali con frequenza istantanea molto variabile (ad esempio, FM polinomiale ad alto ordine).

  • Trasformazione d'onda continua (CWT):[] Eccellente per le vibrazioni sismiche dove i componenti a bassa frequenza persistono e i transienti ad alta frequenza sono brevi. Molte librerie (ad esempio, PyWavelets, MATLAB Wavelet Toolbox) forniscono funzioni CWT pronte all'uso.
  • Distribuzione di Wigner-Ville con levigatura del kernel:[ La distribuzione di Wigner-Ville (SPWVD) lisciata pseudo (SPWVD) riduce i cross-term applicando finestre di livellamento separate di tempo e frequenza.
  • Filtri di notch adattivo o filtri Kalman:[ Per il monitoraggio in tempo reale di una o di qualche frequenza di tempo-varying (ad esempio, armoniche di linea di potenza in un sensore rumoroso), un filtro di notch adattativo con un aggiornamento minimo di quadrati (LMS) può essere computazionalmente economico ed efficace.
  • Inseguimento di un'inseguimento o rappresentazioni di frequenza di tempo radi: Se si sospetta che il segnale possa essere rappresentato come una somma di pochi atomi (Gabor o chirplet), algoritmi avidi come la ricerca corrispondente può decomporre il segnale direttamente.

Considerazioni pratiche: rumore, risoluzione e computazione

Sensibilità del rumore e Robustezza

Lo spettrogramma, essendo un metodo lineare (dimensione quadrata di STFT), è relativamente robusto al rumore a banda larga rispetto ai metodi quadratici (WVD) che amplificano il rumore a causa della natura bilineare. Se il rumore domina, considera il pre-filtrare il segnale o l'utilizzo di una media temporale-sincrono (se sono disponibili più prove).

Scelta della lunghezza della finestra vs. Stationarity segnale

Un errore comune è quello di assumere che qualsiasi segnale non stazionario può essere analizzato con una lunghezza fissa della finestra. Per segnali altamente non stazionari (ad esempio, canzoni di uccello con modulazioni rapide di frequenza), la selezione di finestre adattative è utile. Alcune implementazioni utilizzano una finestra di costruttivi variabile-finestra]] che accorcia durante i trasmettitori di velocità e allungamenti durante i segmenti costanti.

Risorse computazionali e vincoli in tempo reale

Per i sistemi DSP incorporati con memoria e potenza di elaborazione limitata, lo STFT con una lunghezza fissa della finestra è la scelta più pratica. L'FT è altamente ottimizzato in hardware e software. La trasformazione dell'onda (soprattutto CWT) può essere pesante; se è necessario prestazioni in tempo reale, il DWT implementato tramite banche di filtri è più efficiente.

Risultati interpretativi: Evitare l'interpretazione eccessiva

Le rappresentazioni di frequenza temporale contengono spesso caratteristiche che sono artefatti del metodo piuttosto che componenti del segnale vero. I cross-terms nel WVD, lobi laterali di finestra nello spettrogramma, e gli effetti di bordo nella wavelet trasformano tutti richiedono un'interpretazione attenta.

Conclusione: Selezione dello strumento giusto per i segnali reali

La stima spettrale per i segnali non parametrici[6] è un'abilità essenziale per qualsiasi ingegnere DSP. Il Short-Time Fourier Transform[ con uno spettrogramma rimane il metodo più ampiamente usato per la sua semplicità, velocità e output intuitivo.

Comprendendo i trade-off tra risoluzione, robustezza del rumore e costi computazionali, è possibile scegliere con fiducia il metodo appropriato per la vostra applicazione specifica.

Per un'immersione più profonda in STFT e spettrogramma di analisi, vedere il manuale d'autorevole DSP di Oppenheim e Schafer Discrete-Time Signal Processing[. Per la teoria delle wavelet, il classico riferimento è il libro di Mallat Un tour d'onda del Signal Processing.