Spectral Analiz Nedir?

Spectral analiz, bir zaman alan sinyalinin frekans bileşenlerine uygun olması sürecidir. Dijital sinyal işleme (DSP), bu, farklı frekanslarda ne kadar enerji içerir, bu frekanslar arasındaki faz ilişkileri ile birlikte, sonuç, sinyal davranışını anlamak için kullanılan frekans-bölge gösterimidir, tasarım filtreleri, algılama kalıpları ve gürültülü verilerden anlamlı bilgiler çıkarır.

Matematiksel analiz temeli Fourier Dönüşümü, zaman bir frekans işlevine bir işleve hizmet ediyor. Sürekli sinyaller için, Fourier Dönüşümü belirli bir frekans aralığı için tam bir frekans kesintisi sağlar.Modern donanım ve yazılım neredeyse her zaman DFT aynı amacı kullanıyor ancak DFT, OKT'den gelen hesaplama karmaşıklığı azaltır (ON2), gerçek zamanlı olarak analiz etmek için her biri.

Fourier Dönüşümünün ötesinde, diğer spektroskop analiz teknikleri belirli kısıtlamalara hitap etmek için mevcuttur. Örneğin, güç spektroskopi (PSD) bir konuşma veya müzikle ilgili olarak, kısa çerçeveler ve hesaplamalar için sinyalleri genişletir, frekans çözünürlüğünün maliyetine göre değişir.For signaled scales of DFT cans (STFT) - Kısa Zamanlı Fourier Dönüşümleri (STFT) her çerçeve için sinyalleri ve hesaplar, her çerçeve için bir spektrumu azaltır, frekansın zaman içinde nasıl geliştiğini gösterir.

Başka bir güçlü yaklaşım, değişken büyüklükteki pencereleri her zaman ve frekans yerelleştirme sağlamak için kullanan dalgacık dönüştürücüdür. Wavelets Geçici olaylar veya keskin sonsuzluklarla sinyalleri analiz eder, çünkü düşük frekanslı detayı olmadan yüksek frekanslı patlamaları yakalayabilirler. Parametrik yöntemler, kısa veri kayıtları için yüksek çözünürlük sunar, bunları radar ve seism gibi uygulamalarda değerli hale getirirler.Her teknik, düşük frekanslı maliyetle şarj edilebilirlik sağlar.

Anahtar Matematiksel Vakıflar

Fourier Dönüşümü ve Variants

Fourier sürekli bir sinyal x (t) için dönüştürür x (f) = ⁇ x (t) e^{-j2}}ft} dt. Uygulamada, DFT'ye giden ayrı örneklerle çalışırız: X[k] = ⁇ {n=0} x [n] e-j2}}kn/N ⁇ Bu dizinin tam tersi, tam bir dizi resimde tam tersi değildir.

FFT ayrı bir dönüşüm değil, ancak DFT'yi hesaplamak için verimli bir algoritmadır. En yaygın FFT, Cooley-Tukey algoritması, defalarca DFT'nin boyut N'u küçük DFT'lere kırarsa, twiddle faktörlerinde takip eder.Gerçek dünya sinyalleri için birçok DSP kütüphanesi, güç-iki uzunlukları verimli bir şekilde ele alan FFT uygulamaları sunar, ancak modern algoritmaları en az yavaşla birlikte en az DFT'leri kırabilir.

Power Spectral Yoğun Yoğunluk Estimation

DFT amplitüd ve fazı ortaya çıkarırken, birçok uygulama sadece frekanslardaki güç dağılımı hakkında bakım sağlar. Power Spectral Influence (PSD) bir sinyalin gücünün frekansıyla nasıl dağıtıldığını açıklar.For deterministic sinyalleri için, PSD sadece |X(f)|2. rastgele veya stochastic sinyalleri için, PSD'nin tam olarak tekrarlanabilir olması gerekir.

  • [FONT:0)Periodogram: [DFT(x[n])|2 / (N·fs) Basit ama yüksek oranda varyan ve N artışları ile bir araya gelmez çünkü varyanlık sürekli kalır.
  • [FONT=0]Welch'in Yöntemi: [Dönetici: [Döneticileri bölmeye bölen sinyalleri bölmeye bölen, her segmentin periyodik olarak işlem süresini hesaplar ve ortalamaları azaltır. aşırılık (tipik olarak% 50 veya% 75) daha düşük frekans çözünürlüğüdür.
  • [FONT:0)Multitaper Yöntemi: [Döntgen:[Döntgen:0) Aynı verilerden çok bağımsız tahminler üretmek için, o zaman ortalamalar onları sağlar.Bu, keskin zirvelerle sinyallerin iyi bir dengesi sağlar.

Doğru PSD estimatörü, sinyalin doğasına ve analiz hedeflerine bağlıdır. Frekans çözünürlüğü kritiktir ve sinyal uzun bir süre boyunca sabit olabilir, uygun pencereli uzun bir DFT yeterli olabilir.Eğer sinyal istasyonların istasyon dışı olup olmadığı, STFT veya dalga bazlı yaklaşımlar daha uygun.

Dijital Uygulama için Pratik Teknikler

Pencereleme Fonksiyonlar

Pencereyi azaltmak için gereklidir. Pencere fonksiyonu w[n] uzun L'nin uzunluğu DFT'den önce sinyalle çarpıktır. Sonuç, ana lob genişliği arasında bir ticaret-offdur (bu, frekans çözünürlüğü belirler) ve yan lob seviyesi (bu, yüzde kaç enerji sızıntılarının nasıl bir yan yana binlere kadar düştüğünü belirler).

  • [FONT:0)Rectangular penceresi:[Dönemli: 1) No kaset, en yüksek çözünürlük (en yüksek ana loblar), ancak çok yüksek yan loblar (-13 dB), önemli sızıntıya neden oluyor.
  • [Hanning (Hannn) penceresi: İyi taraf baskı (-31 dB) orta ana lob genişletici. genel amaçlı olarak kullanılan spektral analiz için kullanılır.
  • [FONT=0)Hamming penceresi: [Dönetici: [Dönetici] Hann'a benzer ama biraz daha düşük yan loblar (-43 dB) ve konuşma işlemede sıklıkla kullanılan daha yüksek bir ilk yan lob.
  • [FONT=0]Blackman penceresi: [Dönetici: [Dönder: 1] Daha düşük yan loblar (-58 dB) daha geniş bir ana lob maliyetinde, dinamik aralıklar kritik olduğunda, zayıf sinyalleri güçlü olanları tespit etmek gibi.
  • [FONT=0)Kaiser Pencere: [Dönetici: 0:1] Atıcı parametre LR, ticaretten kontrol eden - daha yüksek LR daha düşük yan loblar verir, ancak daha geniş ana loblar genellikle hassas kontrol gerektiğinde tercih edilir.

Kontrping segmentlerini kullanırken (NS'nin yönteminde olduğu gibi), pencereler, sabit devre dışı bırakma özelliğinin, pencereli segmentlerin toplamının amplifikasyon olmadan orijinal sinyali yeniden yapılandırmasını sağlamak için sabit bir şekilde olmalıdır.

Zero-Padding ve Interpolation

Zero- ⁇ , DFT'nin frekans binlerini artırmak için bir sinyale sıfırlar uygulamaktadır. Bu, sinyal uzunluğu ve pencere ile belirlenir - ancak spektrumu düzgünleştirir ve DFT binleri dörtlü veya sink tabanlı yöntemler kullanarak daha net bir şekilde bulmalarına yardımcı olur. Örneğin, ses algılamasında, ses akışı veriminde geçici olarak üst-bin doğruluk.

C ⁇ Verimliliği

Gerçek zamanlı uygulamalar için, FFT uzunluğu, örnek oranı ve işlem yöntemi dengeli olmalıdır. Birçok DSP işlemciler donanım FFT hızlandırıcıları içerir.Genel amaçlı CPUler, FFTW gibi kütüphaneler (Batıda en hızlı Fourier Dönüşümleri) otomatik olarak giriş boyutuna ve donanıma dayalı en uygun algoritmayı seçer.In gömülü sistemlerde sabit nokta FFT uygulamaları da yaygındır.

Across Engineering ve Science

Ses ve Akustik

Ses mühendisliğinde, spektral analizler eşitleme, kompresyon, gürültü azaltma ve oda akustik analizlerini yapar. Bir müzikal performans göstergelerinin nasıl geliştiği, saha düzeltmesi ve kaynak ayrımı gibi araçların tespit edilmesine olanak sağlar. işitme yardım tasarımında, algoritmaların şekillendirmesi, işitme kaybı için performemik emisyon test kullanımı spektral analizleri tespit etmek için ölçümler veya sızıntıları tespit etmek için ölçümler yapar.

Telekomünikasyon ve Radar

Kablosuz iletişimde, spektral analiz kanal genişliğini ölçmek için kullanılır ve frekans frekans frekansını birden fazlaxing (OF) Spectrum analizörleri FFT tabanlı ölçümlere frekans üzerinden sinyal gücünü görüntülemek için dayanmaktadır. Radar sistemleri kullanımı pul-Doppler işleme: Bir dizi profil yavaş zamanlı eksende bir FFT kullanarak frekans geçişlerini hızlandırmak için FFT tabanlı ölçümler.

Biyomedikal İşaret İşleme

Elektroensepografi (EEG) analizi, beyin devletlerini sınıflandırmak için yoğun bir şekilde analize dayanıyor. Alpha dalgaları (8-12 Hz) sağlık merkezini gösterir, beta dalgaları (13-30 Hz) aktif konsantrasyon gösterir ve delta dalgalarını gösterir (0.5-4 Hz) derin uykuda değişkenlik (HRV) ile ilgili olarak, düşük frekanslıların yüksek frekanslıların gücünü yansıtan değişkenlik oranı.

Titreşim Analizi ve Yapısal Sağlık İzleme

Rotating makineleri -motorlar, türbinleri, dişliler - belirli frekans bileşenleri ile titreşim sinyalleri. Spetral analiz, dengesiz, yanlışlama, takma takmak, takmak veya harmonik yapıdaki değişikliklerle ilgili olarak analiz edilir.Bir spektrum (grup filtreleme ve sonra FFT'yi alarak) özellikle yerel hataları tespit etmek için etkilidir.

Seismology and Geofizik

Jeofonlar tarafından kaydedilen sismik sinyallerin Fourier spektrumu, farklı dalga tiplerinin frekans içeriğini ortaya çıkarır (P- dalgalar, S- dalgalar, yüzey dalgaları) Farklı istasyonlar arasındaki fark ve sitelerdeki temsilleri gösterir.In oil search, ⁇ dekompozit temasları ince yataklar ve akışkanlar - yüksek frekanslar kalın tabakaları vurgulamaya eğilimlidir, yüksek frekanslar iyi detayları ortaya koyarken. Sürekli dalgalar gibi İleri teknikler.

Meydanlar, Pitfalls ve Overcome Them

Spetral Leakage ve Pencerecilik-offs

Dikkatli pencere ile bile, bazı sızıntı kaçınılmazdır. Güçlü bir sinüsoidal bileşeni yakındaki zayıf bileşenleri maskeleyebilir.Eğer sinyal hem sabit hem de geçici bileşenleri içeriyorsa, tek bir pencere uzunluğu ikisine de uygun olmayabilir.Bir çözüm çok çözünürlüklü analiz kullanmaktır: birkaç pencere uzunluğu ile işlem spektrumu ve sonuçları bir araya getirmektir.

Olmayanlar ve Transient Signals

Zaman içinde frekans içeriği değişiklikleri olan sinyaller (örneğin, konuşma, hızlama sırasında motor titreşimleri) zaman frekansı analiz gerektirir. Sabit bir pencere uzunluğu ile STFT, kısa bir pencere (harika değeri) veya ölçeklendirme (parçalı güç spektrumu) için uzun bir pencere, yüksek frekanslarda ve uzun pencereler kullanarak bunu aşmaktadır.

Gürültü ve Low Signal-to-Noise Orantı

Gürültü bozukları, özellikle de ilgi sinyali zayıf olduğunda. Birden fazla spektrum (Sert’in yönteminde olduğu gibi) varyansamasını azaltır, ancak Rotational In Techniqueances aracılığıyla sabitlenebilir ve sinyalin sabit olduğu durumlarda, gürültü zemininin altında bir miktar sinüsoidin (Multiple Signal Classification) veya ESPRIT (Ingraphic In Techniqueances aracılığıyla sinyal parametrelerinin algılanması) tarafından bilinmelidir.

Aliasing ve Sampling Gereksinimler

Nyquist-Shannon örnekleme teoremi, örnekleme oranının en az iki kat daha yüksek frekansta mevcut olması gerektiğini belirtir.Eğer bu durum ihlal edilirse, yüksek frekanslı bileşenler taban ve yozlaşmış spektrumlara katlanır (düşük geçit) örneklemeden önce uygulanmalıdır.

Modern Trendler ve Gelişmiş Yöntemler

Spectral Analiz için Derin Öğrenme

Neural networks can learn to perform spectral analysis tasks without explicit basis functions. For example, autoencoders can denoise spectrograms, and convolutional networks can classify signals based on their spectral content. However, these black-box methods lack the mathematical guarantees of Fourier-based approaches and require large labeled datasets. They are most useful when the signal characteristics are poorly understood or vary in complex, non-linear ways.

Tartışmacı Sensing ve Sparse Recovery

Bir sinyal frekans alanında (örneğin, sadece birkaç önemli frekans bileşeni içerir), sıkıştırıcı algılama teknikleri, tam FFT katlarının gerektirdiğinden daha az örnekle yeniden yapılandırılabilir.Bu özellikle de MRG gibi uygulamalarda değerlidir.

GPU-Accelerated ve Real-Time Spectral Analysis

Grafik işleme birimleri (GPUs) büyük ölçüde paralel FFT'leri gerçekleştirebilir, yüksek bant genişliği sinyallerinin gerçek zamanlı olarak analiz edilmesine olanak sağlar. Yazılım tanımlı radyolar (SDRs) genellikle GPU tabanlı FFT'leri gerçek zamanlı olarak görüntülerle birleştirir.For very long FFTs (milyonlar) Apache Spark gibi hesaplama çerçeveleri büyük sensör ağlarından gelen verileri işlemek için kullanılmıştır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Spectral analiz, dijital sinyal işlemedeki en güçlü ve yaygın kullanılan araçlardan biri olarak kalır. Klasik Fourier'den modern parametrik ve derin öğrenme yaklaşımlarına dönüşerek, bir sinyal işleme donanımının frekansının mühendislik, bilim ve tıptaki sayısız uygulamalarını ortaya çıkarır. Başarı sadece pencereye dikkat gerektirir, çözünürlük, gürültü ve sabitlik.

Daha fazla okuma için klasik metinleri bakınız:0)Discrete-Time Signal Processing by Oppenheim and Schafer), pratik kılavuz [[Dönetici İstatistik El Kitabı Spectral Analiz[Döneticileri hakkında [Düzdüşükümlülükte pencere fonksiyonlarının ayrıntılı genel bakışı[Döneticileri)