Понимание дискретной трансформации Фурье

Дискретное преобразование Фурье (DFT) является одним из самых мощных и часто используемых инструментов в инструменте обработки сигналов инженера. По своей сути DFT преобразует последовательность дискретных образцов времени конечной длины в представление одного и того же сигнала в частотной области. Это преобразование позволяет инженерам исследовать спектральное содержание сигналов, идентифицировать доминирующие частоты, фильтровать шум и проектировать системы, которые эффективно работают в определенных частотных диапазонах.

В отличие от непрерывного преобразования Фурье, которое работает на непрерывных функциях, DFT работает с выборочными данными, что делает его идеально подходящим для цифровых систем. Каждый современный осциллограф, анализатор спектра, аудиокодек и программно-определяемое радио опирается на ту или иную форму DFT или его быструю реализацию, Fast Fourier Transform (FFT). Без DFT многие из цифровых систем связи и обработки сигналов, которые мы принимаем как должное, не были бы осуществимы.

Зачем инженерам нужен DFT

Сигналы реального мира — аудио, вибрация, электромагнитные волны — часто лучше всего понимаются с точки зрения их частотного содержания. Механический вибрационный сигнал может содержать гармоники от вращающихся машин; аудиосигнал может состоять из нескольких музыкальных нот; возвращение радара может нести доплеровские сдвиги. DFT обеспечивает четкий, количественный способ разложения этих сигналов на их составляющие частоты. Инженеры используют эту информацию для:

  • Идентификация системы: определение частотной реакции фильтров, усилителей и систем управления.
  • Обнаружение неисправностей: выявление характерных частотных паттернов, которые указывают на износ подшипника, дисбаланс или несоответствие во вращающемся оборудовании.
  • Сжатие данных: эффективно представляет сигналы, отбрасывая незначительные частотные компоненты (например, сжатие изображения JPEG).
  • Конструкция системы связи: Модулирование и демодулирование сигналов (например, OFDM в Wi-Fi и 4G/5G).

Математические определения DFT

DFT берет последовательность xnnN реальных или сложных образцов и производит выходную последовательность Xk] комплексных чисел N, которые представляют амплитуду и фазу каждого частотного компонента. Стандартная формула:

Xk = Σn=0N−1xn-jN[[FLT]]]

где:

  • xn является входным образцом в момент времениn
  • Xk — частотно-доменное значение при частотном индексеk
  • N — общее количество образцов (длина DFT)
  • j — воображаемая единица (√-1)
  • e-jθ = cosθ —j sinθ (формула Эйлера)

Выход Xk] является комплексным числом. Его величина |XkkkN][[FLT]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]][[FLT]]][[FLT]]][[FLT]][[FLT]]][[FLT]]][[FLT]]][

Толкование DFT Output

Когда вы вычисляете DFT длины N, выходные индексы k = 0, 1, 2, ..., N−1 соответствуют частотам от 0 до частоты Никвиста (половина частоты выборки). Первая половина вывода (индексы от 0 до N/2−1) содержит положительные частоты; вторая половина содержит отрицательные частоты (для реально оцениваемых входов это сложные сопряжения положительных частот и часто отбрасываются на практике). бин-разрыв (разрешение частоты) это:

Δf =fs/N

где fs — частота выборки. Для получения более точного разрешения частоты необходимо либо увеличить частоту выборки, либо, чаще, увеличить количество выборокN.

Ключевые свойства DFT

DFT — это не просто формула, это линейная алгебраическая операция с несколькими полезными свойствами, которые инженеры используют регулярно.Понимание этих свойств помогает в разработке эффективных алгоритмов и интерпретации результатов.

линейность

Если добавить две последовательности, то DFT суммы равняется сумме отдельных DFT. Аналогично масштабирование последовательности масштабирует её DFT по одному и тому же фактору. Это свойство позволяет инженерам накладывать эффекты частотной области, упрощая анализ сложных сигналов, составленных из множества источников.

Симметрия для реальных сигналов

Когда входная последовательность xn является реальной (как в случае с большинством физических сигналов), выход DFT проявляет сопряженную симметрию: Xk =Xk—k.k]. Следовательно, инженерам часто требуется исследовать только первую половину бункеров DFT для реальных сигналов, удваивая эффективное разрешение частоты за вычислительное усилие.

Циклическая свертка собственности

Умножение в частотной области соответствует циклической свертке в временной области. Это свойство является основой алгоритмов быстрой свертки, используемых в цифровой фильтрации, корреляции и согласованной фильтрации. Выполняя FFT, умножая спектры, а затем обратный FFT, инженер может реализовать линейную свертку намного быстрее, чем прямые методы временной области для длинных последовательностей.

Теорема Парсеваля

Общая энергия сигнала во временной области равна общей энергии в частотной области (масштабируется на 1/]N). Инженеры используют это для проверки того, что никакая энергия не теряется при обработке или для вычисления мощности в конкретных частотных диапазонах путем суммирования квадратов величин DFT-вкладышей.

Применение DFT в инженерии

DFT появляется практически в каждой дисциплине электротехники и машиностроения. Ниже приведены несколько ключевых областей применения, изученных более глубоко.

Цифровая обработка сигналов и коммуникации

В коммуникациях DFT является математическим двигателем, лежащим в основе многократного распределения ортогонального частотного отдела (OFDM), используемого в Wi-Fi (IEEE 802.11), 4G LTE и 5G NR. OFDM разделяет высокоскоростной поток данных на множество более медленных параллельных потоков, каждый из которых модулируется на отдельной ортогональной поднесущей. DFT (и его обратная) эффективно генерирует и демодулирует эти поднесущие без необходимости сотен отдельных осцилляторов. Анализаторы спектра и анализаторы векторных сигналов также используют методы на основе DFT для отображения спектральной заполняемости сигналов и измерения параметров, таких как занятая полоса пропускания и мощность соседнего канала.

Обработка изображений и видео

При обработке изображений двумерный DFT (2D-DFT) разлагает изображение на пространственные частотные компоненты. Низкие частоты представляют плавные вариации интенсивности; высокие частоты представляют края, текстуры и мелкие детали. Инженеры используют это для проектирования фильтров изображений (например, гауссовых фильтров низких частот для обезвреживания, фильтров высоких частот для усиления края) и для сжатия изображения. Стандарт JPEG использует дискретный козиновый трансформатор (ближайший родственник DFT с только реальными коэффициентами) для преобразования блоков пикселей в частотные коэффициенты, которые затем квантовываются и кодируются энтропией. Аналогичные принципы применяются к видеокодекам, таким как H.264 и HEVC.

Анализ вибрации и мониторинг состояния

Инженеры-механики полагаются на вибрационный анализ на основе DFT для мониторинга состояния вращающихся машин, таких как насосы, двигатели, турбины и компрессоры. Датчик (акселерометр) захватывает формы вибрационных временных волн, а DFT раскрывает частотный спектр вибрации. Конкретные частоты неисправностей, такие как фундаментальная частота вращения, частоты пропуска лопастей или частоты дефектов несущей, появляются в качестве пиков в спектре. Отслеживая изменения этих пиков с течением времени, инженеры могут прогнозировать сбои и планировать техническое обслуживание до катастрофического сбоя. Эта практика, известная как техническое обслуживание на основе условий, экономит отрасли миллионы долларов ежегодно. Для более глубокого погружения в анализ вибрации см. NI ресурсы мониторинга состояния .

Аудио и акустическая инженерия

Аудиоинженеры используют DFT для визуализации звуковых спектров, реализации эквалайзеров, проектирования аудиоэффектов (реверберации, сдвига тона) и выполнения шумоподавления. Анализаторы спектра в реальном времени на основе FFT являются важными инструментами в производстве музыки, акустических измерениях и дизайне слуховых аппаратов. DFT также позволяет извлекать такие функции, как мелькочастотные цепстральные коэффициенты (MFCC), используемые в распознавании речи и поиске музыкальной информации.

Радар, сонар и сейсмический анализ

В радиолокационных и гидролокационных системах ДФТ используется для извлечения дальности, скорости и направления от отраженных сигналов. Методика, называемая импульсно-доплеровской обработкой, многократно передает короткие импульсы и вычисляет ДФТ принятого эхопоезда для измерения доплеровского сдвига частоты, что указывает на радиальную скорость цели. Сейсмические инженеры используют ДФТ для анализа колебаний грунта от землетрясений и для проектирования конструкций, способных выдерживать конкретные диапазоны частот встряхивания.

Быстрая трансформация Фурье (FFT)

Прямое вычисление DFT с использованием его определения требует O(]N2) сложных умножений и дополнений, что становится непрактичным даже для скромных N (например, N = 106 потребует 1012]. Быстрое преобразование Фурье, чаще всего алгоритм Кули-Туки, сводит это к O(NN2N) операций — ошеломляющее улучшение для больших наборов данных.

FFT достигает этой скорости, рекурсивно разделяя DFT на более мелкие DFT. Он использует симметрию и периодичность сложных экспоненциальных чисел (часто называемых «суставными факторами») для устранения избыточных вычислений. Наиболее широко используемый вариант требует, чтобы длина последовательности N была мощностью двух, хотя современные библиотеки реализуют FFT смешанного радиуса, которые эффективно обрабатывают произвольные композиционные длины. Для авторитетного объяснения алгоритмов FFT ссылаются на статью Fast Fourier Transform Wikipedia .

Сегодня FFT реализована в аппаратном и программном обеспечении на всех вычислительных платформах. Библиотеки, такие как FFTW (Fest Fastier Transform на Западе) предоставляют высоко оптимизированные процедуры, которые автоматически выбирают лучший алгоритм для заданного размера и симметрии. Анализ FFT в реальном времени со скоростью выборки миллионов образцов в секунду теперь распространен во встроенных системах и обработке сигналов на основе FPGA.

Практические соображения при использовании DFT

Применение DFT к сигналам реального мира требует тщательного изучения нескольких проблем, которые могут исказить представление частотной области, если не обрабатываться правильно.

окно

DFT по своей сути предполагает, что входная последовательность является периодической с периодом N. Если сигнал содержит компоненты частоты, которые не являются точными целыми кратными фундаментальной частоте (Δf), происходит спектральная утечка — энергия от одной частоты «утекает» в соседние узлы, размазывая спектр. Для борьбы с утечкой инженеры умножают сигнал на функцию окна (например, Хэмминг, Ханнинг, Блэкман или Кайзер) перед применением DFT. Окно сужает края последовательности, уменьшая разрывы и сводя к минимуму спектральную утечку за счет немного более широких основных долей. Выбор правильного окна включает компромиссы между шириной главной доли (разрешение частоты) и подавлением боковой доли (динамический диапазон).

Нулевая оплата

Нулевая посадка — добавление нулей к концу последовательности до вычисления DFT — не улучшает истинное частотное разрешение (способность разделять две близко расположенные частоты), но обеспечивает более плавную интерполяцию спектра, облегчая визуальную идентификацию спектральных пиков. Это общий метод улучшения внешнего вида диаграммы спектра мощности.

Масштабирование и нормализация

Различные реализации DFT используют различные соглашения масштабирования. Некоторые масштабируют прямое преобразование на 1/N или обратное преобразование на 1/N; некоторые вообще не масштабируются. Инженеры должны соответствовать выбранной конвенции, особенно при выполнении нескольких преобразований в цепи. Неспособность учесть масштабирование приводит к амплитудным ошибкам как во временных, так и в частотных областях.

отвращение

Если отобранный сигнал содержит частоты выше половины частоты отбора проб (частота Nyquist), эти высокочастотные компоненты будут псевдонимами в низкочастотные контейнеры, повреждая выход DFT. Правильная фильтрация против сглаживания перед ADC обязательна. В цифровой обработке, децимации и интерполяции также требуют ухода, чтобы избежать псевдонимирования.

Связанные трансформации

Хотя DFT чрезвычайно универсален, несколько связанных преобразований лучше подходят для конкретных задач:

  • Дискретная трансформация косинуса (DCT): Использует только реальные косинусные функции, с лучшим уплотнением энергии для большинства естественных изображений и аудио. Используется в JPEG, MP3 и многих видеокодеках.
  • Кратковременная Фурье-трансформация (STFT): Применяет DFT к коротким, перекрывающимся оконным сегментам сигнала, производя спектрограмму временной частоты. Необходима для анализа нестационарных сигналов, таких как речь или музыка.
  • Дискретное преобразование волн (DWT): Предоставляет анализ с несколькими разрешениями как во времени, так и на частоте. Часто используется для деноизации, сжатия и извлечения признаков, где неоднородное разрешение частоты полезно.
  • Герцель алгоритм: Вычисляет один DFT-связь эффективно, полезно для обнаружения специфических тонов (например, DTMF сигнализации в телефонии) без вычисления полного DFT.

Заключение

Дискретная Фурье Трансформация остается краеугольным камнем инженерного анализа и проектирования. Его способность раскрывать частотную структуру сигналов лежит в основе бесчисленных технологий - от смартфона в вашем кармане до промышленных систем мониторинга вибрации, которые поддерживают безопасный запуск заводов. Инженеры, которые осваивают DFT, получают мощный объектив, с помощью которого можно просматривать и манипулировать миром отобранных сигналов. По мере того, как скорости цифровой обработки данных и библиотеки FFT становятся все более эффективными, DFT будет только расти в важности, позволяя новым приложениям в искусственном интеллекте, автономных системах и передовых коммуникациях. Чтобы стать действительно опытными, инженерам предлагается внедрять DFT с нуля на языке, таком как Python или C, экспериментировать с оконным и нулевым наложением, а затем исследовать богатую экосистему инструментов (MATLAB, SciPy, GNU Radio), которые основываются на этом фундаментальном преобразовании. Для тщательного теоретического введения статья FLT:0]Discrete Fourier Transform Wikipedia обеспечивает отличную отправную точку, в то время как Аналоговые устройства «Учёный и инженерный гид по