信号处理 |
您所在的位置:网站首页 › 典型信号的傅里叶变换理论 › 信号处理 |
一、DTFT、DFT、FFT、DFS的关系
1、DTFT与DFT的关系
在实际应用中,计算机只能处理离散信号,所以对连续信号 x ( t ) x(t) x(t)进行时域采样,得到一组离散样本 x ( n ) x(n) x(n),对它进行傅里叶变换得到 X ( w ) = ∑ n = − ∞ ∞ x ( n ) e − j w n X(w)=\sum_{n=-∞}^{∞} x(n)e^{-jwn} X(w)=n=−∞∑∞x(n)e−jwn 上式即为离散时间傅里叶变换(DTFT),由于变换后得到的频域值仍然是连续的,继续对频域进行采样,得到 X ( k ) = ∑ n = 0 N − 1 x ( n ) e − j 2 π k n N X(k)=\sum_{n=0}^{N-1} x(n)e^{-j\frac{2\pi k n}{N}} X(k)=n=0∑N−1x(n)e−jN2πkn 上式就是离散傅里叶变换(DFT)。目前计算机中常用的快速傅里叶变换(FFT),就是DFT的快速算法。 也就是说:DFT是DTFT的离散化,DTFT在频域是连续的,在归一化ω轴上是连续的,以2π为周期。 2、DFS与DFT的关系离散傅里叶级数(DFS)是针对周期序列的,即无限长序列; 而将DFS取出一个周期就是DFT,即DFT是有限长序列; 实际上,DFT就是DFS在一个周期内的取值,一个序列的DFT实际上就是这个序列的频谱在一个周期内等间隔采样的样点值。 二、DFT的实质离散傅里叶变换:DFT(Discrete Fourier Transform) 其实质是有限长序列傅里叶变换的有限点离散采样,从而实现了频域离散化,使数字信号处理可以在频域采用数值运算的方法进行,这样就大大增加了数字信号处理的灵活性。 更重要的是,DFT有多种快速算法,统称为快速傅里叶变换(Fast Fourier Transform,FFT),从而使信号的实时处理和设备的简化得以实现。 三、DFT的定义设 x ( n ) x(n) x(n)是一个长度为 M M M的有限长序列,则定义 x ( n ) x(n) x(n)的 N N N点离散傅里叶变换为 X ( k ) = D F T [ x ( n ) ] = ∑ n = 0 N − 1 x ( n ) W N k n k = 0 , 1 , ⋯ , N − 1 X(k)=DFT[x(n)]=\sum_{n=0}^{N-1}x(n)W_{N}^{kn} \qquad k=0,1,\cdots,N-1 X(k)=DFT[x(n)]=n=0∑N−1x(n)WNknk=0,1,⋯,N−1 X ( k ) X(k) X(k)的离散傅里叶逆变换(Inverse Discrete Fourier Transfrom,IDFT)为 x ( n ) = I D F T [ X ( k ) ] = 1 N ∑ k = 0 N − 1 X ( k ) W N − k n n = 0 , 1 , ⋯ , N − 1 x(n)=IDFT[X(k)]={1\over N}\sum_{k=0}^{N-1}X(k)W_{N}^{-kn} \qquad n=0,1,\cdots,N-1 x(n)=IDFT[X(k)]=N1k=0∑N−1X(k)WN−knn=0,1,⋯,N−1 式中, W N = e − j 2 π N W_{N}=e^{-j \frac{2\pi}{N}} WN=e−jN2π, N N N称为 D F T DFT DFT变换区间长度, N ≥ M N\ge M N≥M。 四、DFT的物理意义DFT与傅里叶变换和Z变换的关系: 设序列 x ( n ) x(n) x(n)的长度为 M M M,其 Z Z Z变换和 N ( N ≥ M ) N(N\ge M) N(N≥M)点DFT分别为 X ( z ) = Z T [ x ( n ) ] = ∑ n = 0 M − 1 x ( n ) z − n X(z)=ZT[x(n)]=\sum_{n=0}^{M-1}x(n)z^{-n} X(z)=ZT[x(n)]=n=0∑M−1x(n)z−n X ( k ) = D F T [ x ( n ) ] N = ∑ n = 0 M − 1 x ( n ) W N k n k = 0 , 1 , ⋯ , N − 1 X(k)=DFT[x(n)]_N=\sum_{n=0}^{M-1}x(n)W_{N}^{kn} \qquad k=0,1,\cdots,N-1 X(k)=DFT[x(n)]N=n=0∑M−1x(n)WNknk=0,1,⋯,N−1 比较上面二式可得关系式 X ( k ) = X ( z ) ∣ z = e j 2 π N k k = 0 , 1 , ⋯ , N − 1 (1) X(k)=X(z)\Big|_{z=e^{j\frac{2\pi}{N}k}} \qquad k=0,1,\cdots,N-1 \tag{1} X(k)=X(z)∣∣∣z=ejN2πkk=0,1,⋯,N−1(1) 或 X ( k ) = X ( e j ω ) ∣ ω = 2 π N k k = 0 , 1 , ⋯ , N − 1 (2) X(k)=X(e^{j\omega})\Big|_{\omega=\frac{2\pi}{N}k} \qquad k=0,1,\cdots,N-1 \tag{2} X(k)=X(ejω)∣∣∣ω=N2πkk=0,1,⋯,N−1(2) (1)式表明序列 x ( n ) x(n) x(n)的 N N N点 D F T DFT DFT是 x ( n ) x(n) x(n)的 Z Z Z变换在单位圆上的 N N N点等间隔采样。(2)式则说明 X ( k ) X(k) X(k)为 x ( n ) x(n) x(n)的傅里叶变换 X ( e j ω ) X(e^{j\omega}) X(ejω)在区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上的 N N N点等间隔采样。这就是DFT的物理意义。 由此可见,DFT的变化区间长度N不同,表示对 X ( e j ω ) X(e^{j\omega}) X(ejω)在区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上的采样间隔和采样点数不同,所以DFT的变换结果不同。 xn=boxcar(4); M=1024; % DFT变换区间长度 Xw=fft(xn,M); % fft函数在xn后面补零,返回xn的M点DFT变换结果向量 wk=2*(0:M-1)/M; X8k=fft(xn,8); % 计算xn的8点DFT X16k=fft(xn,16); % 计算xn的16点DFT subplot(3,2,1); plot(wk,abs(Xw)); title('(a)x(n)的幅频特性曲线 ');xlabel('\omega/\pi');ylabel('|X(e^j^\omega)|');axis([0,2,0,4.5]); subplot(3,2,3); k=0:7; stem(k,abs(X8k),'.'); title('(b)x(n)的8点DFT');xlabel('k');ylabel('|X(k)|');axis([0,8,0,4.5]); subplot(3,2,5); k=0:15; stem(k,abs(X16k),'.') title('(c)x(n)的16点DFT');xlabel('k');ylabel('|X(k)|');axis([0,16,0,4.5]);所谓信号的谱分析,就是计算信号的傅里叶变换。连续信号与系统的傅里叶分析不便于直接用计算机进行计算,使其应用受到限制。而DFT是一种时域和频域均离散化的变换,适合数值运算,成为用计算机分析离散信号和系统的有力工具。对连续信号和系统,可以通过时域采样,应用DFT进行近似谱分析。 1、用DFT对连续信号进行谱分析 1.1 实际应用DFT所面临的问题工程实际中,经常遇到连续信号 x a ( t ) x_a(t) xa(t),其频谱函数 X a ( j Ω ) X_a(jΩ) Xa(jΩ)也是连续函数。为了利用DFT对 x a ( t ) x_a(t) xa(t)进行频谱分析,先对 x a ( t ) x_a(t) xa(t)进行时域采样,得到 x ( n ) = x a ( n T ) x(n)=x_a(nT) x(n)=xa(nT),再对 x ( n ) x(n) x(n)进行DFT,得到的 X ( k ) X(k) X(k)则是 x ( n ) x(n) x(n)的傅里叶变换 X ( e j ω ) X(e^{j\omega}) X(ejω)在频率区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上的 N N N点等间隔采样。这里 x ( n ) x(n) x(n)和 X ( k ) X(k) X(k)均为有限长序列。 然而,由傅里叶变换理论知道,若信号持续时间有限长,则其频谱无限宽;若信号的频谱有限宽,则其持续时间必然为无限长。所以严格地讲,持续时间有限的带限信号是不存在的。因此,按采样定理采样时,上述两种情况下的采样序列 x ( n ) = x a ( n T ) x(n)=x_a(nT) x(n)=xa(nT)均应为无限长,不满足DFT的变换条件。 实际上对频谱很宽的信号,为防止时域采样后产生频谱混叠失真,可用预滤波器滤除幅度较小的高频成分,使连续信号的带宽小于折叠频率。对于持续时间很长的信号,采样点数太多,以致无法存储和计算,只好截取有限点进行DFT。 由上述可见,用DFT对连续信号进行频谱分析必然是近似的,其近似程度与信号带宽、采样频率和截取长度有关。实际上从工程角度看,滤除幅度很小的高频成分和截取幅度很小的部分时间信号是允许的。因此,在下面分析中,假设 x a ( t ) x_a(t) xa(t)是经过预滤波和截取处理的有限长带限信号。 1.2 对实际连续信号的预处理及假设设连续信号 x a ( t ) x_a(t) xa(t)持续时间为 T p T_p Tp,最高频率为 f c f_c fc。 x a ( t ) x_a(t) xa(t)的傅里叶变换为 X a ( j Ω ) X_a(jΩ) Xa(jΩ),对 x a ( t ) x_a(t) xa(t)进行时域采样得到 x ( n ) = x a ( n T ) x(n)=x_a(nT) x(n)=xa(nT), x ( n ) x(n) x(n)的傅里叶变换为 X ( e j ω ) X(e^{j\omega}) X(ejω)。 由假设条件可知 x ( n ) x(n) x(n)的长度为 N = T p T = T p F s N=\frac{T_p}{T}=T_p F_s N=TTp=TpFs 式中, T T T为采样间隔, F s = 1 T F_s=\frac{1}{T} Fs=T1为采样频率。 用 X ( k ) X(k) X(k)表示 x ( n ) x(n) x(n)的N点DFT,下面推导出 X ( k ) X(k) X(k)与 X a ( j Ω ) X_a(jΩ) Xa(jΩ)的关系,最后由此关系归纳出用 X ( k ) X(k) X(k)表示 X a ( j Ω ) X_a(jΩ) Xa(jΩ)的方法,即用DFT对连续信号进行谱分析的方法。 1.3 用DFT表示连续信号傅里叶变换的推导过程时域离散信号的傅里叶变换和模拟信号傅里叶变换之间的关系为: X ( e j ω ) = X ^ ( j Ω ) ∣ Ω = ω T = 1 T ∑ k = − ∞ ∞ X a ( j ω − 2 π k T ) X(e^{j\omega})=\hat X(j\Omega)\Big|_{\Omega=\frac{\omega}{T}}=\frac{1}{T}\sum_{k=-∞}^{∞}X_a(j\frac{\omega-2\pi k}{T}) X(ejω)=X^(jΩ)∣∣∣Ω=Tω=T1k=−∞∑∞Xa(jTω−2πk) 由上式知道, x ( n ) x(n) x(n)的傅里叶变换 X ( e j ω ) X(e^{j\omega}) X(ejω)与 x a ( t ) x_a(t) xa(t)的傅里叶变换 X a ( j Ω ) X_a(jΩ) Xa(jΩ)满足如下关系: X ( e j ω ) = 1 T ∑ m = − ∞ ∞ X a [ j ( ω T − 2 π T m ) ] X(e^{j\omega})=\frac{1}{T}\sum_{m=-∞}^{∞}X_a\Big[j({\omega \over T}-\frac{2\pi}{T}m)\Big] X(ejω)=T1m=−∞∑∞Xa[j(Tω−T2πm)] 将 ω = Ω T \omega=\Omega T ω=ΩT代入上式,得到: X ( e j Ω T ) = 1 T ∑ m = − ∞ ∞ X a [ j ( Ω − 2 π T m ) ] = 1 T X ~ a ( j Ω ) (3) X(e^{j\Omega T})=\frac{1}{T}\sum_{m=-∞}^{∞}X_a\Big[j(\Omega-\frac{2\pi}{T}m)\Big]=\frac{1}{T}\tilde X_a(j\Omega) \tag{3} X(ejΩT)=T1m=−∞∑∞Xa[j(Ω−T2πm)]=T1X~a(jΩ)(3) 式中 X ~ a ( j Ω ) = ∑ m = − ∞ ∞ X a [ j ( Ω − 2 π T m ) ] \tilde X_a(j\Omega)=\sum_{m=-∞}^{∞}X_a\Big[j(\Omega-\frac{2\pi}{T}m)\Big] X~a(jΩ)=m=−∞∑∞Xa[j(Ω−T2πm)] 表示模拟信号频谱 X a ( j Ω ) X_a(j\Omega) Xa(jΩ)的周期延拓函数。 由 x ( n ) x(n) x(n)的N点DFT的定义有 X ( k ) = D F T [ x ( n ) ] N = X ( e j ω ) ∣ ω = 2 π N k k = 0 , 1 , ⋯ , N − 1 (4) X(k)=DFT[x(n)]_N=X(e^{j\omega})\Big|_{\omega=\frac{2\pi}{N}k} \qquad k=0,1,\cdots,N-1 \tag{4} X(k)=DFT[x(n)]N=X(ejω)∣∣∣ω=N2πkk=0,1,⋯,N−1(4) 将(4)式代入(3)式,得到: X ( k ) = X ( e j 2 π N k ) = 1 T X ~ a ( j 2 π N T k ) = 1 T X ~ a ( j 2 π T p k ) k = 0 , 1 , ⋯ , N − 1 (5) X(k)=X(e^{j\frac{2\pi}{N}k})=\frac{1}{T}\tilde X_a(j\frac{2\pi}{NT}k)=\frac{1}{T}\tilde X_a(j\frac{2\pi}{T_p}k) \qquad k=0,1,\cdots,N-1 \tag{5} X(k)=X(ejN2πk)=T1X~a(jNT2πk)=T1X~a(jTp2πk)k=0,1,⋯,N−1(5) (5)式说明了 X ( k ) X(k) X(k)与 X a ( j Ω ) X_a(jΩ) Xa(jΩ)的关系。 1.4 将以自变量ω表示的关系转换为以频率f为自变量为了符合一般的频谱描述习惯,以频率 f f f为自变量,整理(5)式。 令 { X a ′ ( f ) = X a ( j Ω ) ∣ Ω = 2 π f = X a ( j 2 π f ) X ~ a ′ ( f ) = X ~ a ( Ω ) ∣ Ω = 2 π f = X ~ a ( 2 π f ) \begin{cases} X'_a(f)=X_a(j \Omega)\Big|_{ \Omega=2\pi f}=X_a(j2\pi f )\\ \tilde X'_a(f)=\tilde X_a(\Omega)\Big|_{ \Omega=2\pi f}=\tilde X_a(2\pi f ) \end{cases} ⎩⎪⎨⎪⎧Xa′(f)=Xa(jΩ)∣∣∣Ω=2πf=Xa(j2πf)X~a′(f)=X~a(Ω)∣∣∣Ω=2πf=X~a(2πf) 则(5)式变为 X ( k ) = 1 T X ~ a ′ ( f ) ∣ f = k T p = 1 T X ~ a ′ ( k F ) k = 0 , 1 , ⋯ , N − 1 (5) X(k)=\frac{1}{T}\tilde X'_a(f)\Big|_{f=\frac{k}{T_p}}=\frac{1}{T}\tilde X'_a(kF) \qquad k=0,1,\cdots,N-1 \tag{5} X(k)=T1X~a′(f)∣∣∣f=Tpk=T1X~a′(kF)k=0,1,⋯,N−1(5) 由此可得 X ~ a ′ ( k F ) = T X ( k ) = T ⋅ D F T [ x ( n ) ] N k = 0 , 1 , ⋯ , N − 1 (6) \tilde X'_a(kF)=TX(k)=T\cdot DFT[x(n)]_N \qquad k=0,1,\cdots,N-1 \tag{6} X~a′(kF)=TX(k)=T⋅DFT[x(n)]Nk=0,1,⋯,N−1(6) 式中,F表示对模拟信号频谱的采样间隔,所以称之为频率分辨率, T p = N T T_p=NT Tp=NT为截断时间长度。 F = 1 T p = 1 N T = F s N F=\frac{1}{T_p}=\frac{1}{NT}=\frac{F_s}{N} F=Tp1=NT1=NFs 1.5 对推导结果的分析(6)式表明可以通过对连续时间采样并进行DFT再乘以T,得到模拟信号频谱的周期延拓函数在第一个周期
[
0
,
F
s
]
[0,F_s]
[0,Fs]上的N点等间隔采样
X
~
a
′
(
k
F
)
\tilde X'_a(kF)
X~a′(kF)。 但直接由分析结果 X ( k ) X(k) X(k)看不到 X a ( j Ω ) X_a(jΩ) Xa(jΩ)的全部频谱特性,而只能看到N个离散采样点的谱线,这就是所谓的栅栏效应。对实信号,其频谱函数具有共轭对称性,所以分析正频率频谱就足够了。不存在频谱混叠失真时,正频率 [ 0 , F s / 2 ] [0,F_s/2] [0,Fs/2]的频谱采样为 X ~ a ′ ( k F ) = T X ( k ) = T ⋅ D F T [ x ( n ) ] N k = 0 , 1 , ⋯ , N / 2 \tilde X'_a(kF)=TX(k)=T\cdot DFT[x(n)]_N \qquad k=0,1,\cdots,N/2 X~a′(kF)=TX(k)=T⋅DFT[x(n)]Nk=0,1,⋯,N/2 如果 x a ( t ) x_a(t) xa(t)持续时间无限长,上述分析中要进行截断处理,所以会产生所谓的截断效应,从而使谱分析产生误差。 1.6 举例说明截断效应理想低通滤波器的单位冲激响应 h a ( t ) h_a(t) ha(t)及其频响函数 H a ( f ) H_a(f) Ha(f)如下图: 图中
h
a
(
t
)
=
s
i
n
[
π
(
t
−
α
)
]
π
(
t
−
α
)
α
=
T
p
2
h_a(t)=\frac{sin[\pi(t-\alpha)]}{\pi(t-\alpha)} \qquad \alpha=\frac{T_p}{2}
ha(t)=π(t−α)sin[π(t−α)]α=2Tp H ( k F ) = T ⋅ D F T [ h ( n ) ] 0 ≤ k ≤ 16 H(kF)=T\cdot DFT[h(n)] \qquad 0\leq k \leq 16 H(kF)=T⋅DFT[h(n)]0≤k≤16 其中, h ( n ) = h a ( n T ) R 32 ( n ) h(n)=h_a(nT)R_{32}(n) h(n)=ha(nT)R32(n)。 H ( k F ) H(kF) H(kF)如上图(c)黑点所示。由图可见,低频部分近似理想低通频响特性,而高频误差较大,且整个频响都有波动。这些误差就是由于对 h a ( t ) h_a(t) ha(t)截断所产生的,所以通常称之为截断效应。为减少这种截断误差,可适当加长 T p T_p Tp,增加采样点数N或用窗函数处理后再进行DFT。 1.7 谱分析范围及频率采样间隔在对连续信号进行谱分析时,主要关心两个问题,即谱分析范围和频率分辨率。 谱分析范围为 [ 0 , F s / 2 ] [0,F_s/2] [0,Fs/2],直接受采样频率 F s F_s Fs的限制。为了不产生频谱混叠失真,通常要求信号的最高频率 f c ≤ F s / 2 f_c\leq F_s/2 fc≤Fs/2。频率分辨率用频率采样间隔 F F F描述, F F F表示谱分析中能够分辨的两个频率分量的最小间隔。显然, F F F越小,谱分析就越接近 X a ( j f ) X_a(jf) Xa(jf),所以 F F F越小,频率分辨率越高。 1.8 DFT对连续信号谱分析的参数选择原则在已知信号的最高频率 f c f_c fc(即谱分析范围)时,为了避免频率混叠现象,要求采样速率 F s F_s Fs满足下式: F s > 2 f c F_s>2f_c Fs>2fc 谱分辨率 F = F s / N F=F_s/N F=Fs/N,如果保持采样点数 N N N不变,要提高频谱分辨率(减小 F F F)就必须降低采样频率,采样频率的降低会引起谱分析范围变窄和频谱混叠失真。如维持 F s F_s Fs不变,为提高频谱分辨率可以增加采样点数 N N N,因为 N T = T p NT=T_p NT=Tp, T = 1 / F s T=1/F_s T=1/Fs,只有增加对信号的观察时间 T p T_p Tp,才能增加 N N N。 T p T_p Tp和 N N N的选择: N > 2 f c F N>\frac{2f_c}{F} N>F2fc T p ≥ 1 F T_p\ge \frac{1}{F} Tp≥F1 2、用DFT对离散信号(序列)进行谱分析单位圆上的Z变换就是序列的傅里叶变换,即 X ( e j w ) = X ( z ) ∣ z = e j w X(e^{jw})=X(z)\Big|_{z=e^{jw}} X(ejw)=X(z)∣∣∣z=ejw X ( e j w ) X(e^{jw}) X(ejw)是 w w w的连续周期函数。如果对序列 x ( n ) x(n) x(n)进行 N N N点DFT得到 X ( k ) X(k) X(k),则 X ( k ) X(k) X(k)是在区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上对 X ( e j w ) X(e^{jw}) X(ejw)的 N N N点等间隔采样,频谱分辨率就是采样间隔 2 π / N 2\pi/N 2π/N。因此序列的傅里叶变换可利用DFT(即FFT)来计算。 对周期为N的周期序列 x ~ ( n ) \tilde x(n) x~(n),根据周期序列的傅里叶变换表达式知,其频谱函数为 X ( e j ω ) = F T [ x ~ ( n ) ] = 2 π N ∑ k = − ∞ ∞ X ~ ( k ) δ ( ω − 2 π N k ) X(e^{j\omega})=FT[\tilde x(n)]=\frac{2\pi}{N}\sum_{k=-∞}^{∞}\tilde X(k)\delta (\omega-\frac{2\pi}{N}k) X(ejω)=FT[x~(n)]=N2πk=−∞∑∞X~(k)δ(ω−N2πk) 其中 X ~ ( k ) = D F S [ x ~ ( n ) ] = ∑ n = 0 N − 1 x ~ ( n ) e − j 2 π N k n \tilde X(k)=DFS[\tilde x(n)]=\sum_{n=0}^{N-1}\tilde x(n)e^{-j\frac{2\pi}{N}kn} X~(k)=DFS[x~(n)]=n=0∑N−1x~(n)e−jN2πkn 由于 X ~ ( k ) \tilde X(k) X~(k)以N为周期,因而 X ( e j ω ) X(e^{j\omega}) X(ejω)也是以 2 π 2\pi 2π为周期的离散谱,每个周期有N条谱线,第k条谱线位于 ω = ( 2 π / N ) k \omega=(2\pi/N)k ω=(2π/N)k处,代表 x ~ ( n ) \tilde x(n) x~(n)的k次谐波分量。而且,谱线的相对大小与 X ~ ( k ) \tilde X(k) X~(k)成正比。 由此可见,周期序列的频谱结构可用其离散傅里叶级数系数 X ~ ( k ) \tilde X(k) X~(k)表示。由DFT的隐含周期性知道,截取 x ~ ( n ) \tilde x(n) x~(n)的主值序列 x ( n ) = x ~ ( n ) R N ( n ) x(n)=\tilde x(n)R_N(n) x(n)=x~(n)RN(n),并进行N点DFT,得到: X ( k ) = D F T [ x ( n ) ] N = D F T [ x ~ ( n ) R N ( n ) ] = X ~ ( k ) R N ( k ) X(k)=DFT[x(n)]_N=DFT[ \tilde x(n)R_N(n) ]=\tilde X(k)R_N(k) X(k)=DFT[x(n)]N=DFT[x~(n)RN(n)]=X~(k)RN(k) 所以可用 X ( k ) X(k) X(k)表示 x ~ ( n ) \tilde x(n) x~(n)的频谱结构。 3、用DFT进行谱分析的误差问题DFT(实际中用FFT计算)可用来对连续信号和数字信号进行谱分析。在实际分析过程中,要对连续信号采样和截断,有些非时限数据序列也要截断,由此可能引起分析误差。 3.1 混叠现象 对连续信号进行谱分析时,首先要对其采样,变成时域离散信号后才能用DFT(FFT)进行谱分析。采样速率 F s F_s Fs必须满足采样定理,否则会在 w = π w=\pi w=π(对应模拟信号 f = F s / 2 f=F_s/2 f=Fs/2)附近产生频谱混叠现象。这时用DFT分析的结果必然在 f = F s / 2 f=F_s/2 f=Fs/2附近产生较大误差。因此,理论上必须满足 F s ≥ 2 f c F_s≥2f_c Fs≥2fc( f c f_c fc为连续信号的最高频率)。对 F s F_s Fs确定的情况,一般在采样前进行预滤波,滤除高于折叠频率 F s / 2 F_s/2 Fs/2的频率成分,以免发生频率混叠现象。 3.2 栅栏效应N点DFT是在频率区间 [ 0 , 2 π ] [0,2\pi] [0,2π]上对时域离散信号的频谱进行N点等间隔采样,而采样点之间的频谱是看不到的。这就好像从N个栅栏缝隙中观看信号的频谱情况,仅得到N个缝隙中看到的频谱函数值。因此称这种现象为栅栏效应。 由于栅栏效应,有可能漏掉(挡住)大的频谱分量。为了把原来被“栅栏”挡住的频谱分量检测出来,就必须提高频率分辨率。 (1)对有限长序列,可以在原序列尾部补零。 (2)对无限长序列,可以增大截取长度及DFT变换区间长度,从而使频域采样间隔变小,增加频域采样点数和采样点位置,使原来漏掉的某些频谱分量被检测出来。 (3)对连续信号的谱分析,只要采样率 F s F_s Fs足够高,且采样点数满足频率分辨率要求(前述参数选择原则),就可以认为DFT后得到的离散谱的包络近似代表原信号的频谱。 3.3 截断效应实际中遇到的序列 x ( n ) x(n) x(n)可能是无限长的,用DFT对其进行谱分析时,必须将其截短,形成有限长序列 y ( n ) = x ( n ) w ( n ) y(n)=x(n)w(n) y(n)=x(n)w(n), w ( n ) w(n) w(n)称为窗函数,长度为N。 w ( n ) = R N ( n ) w(n)=R_N(n) w(n)=RN(n),称为矩形窗函数。 根据傅里叶变换的频域卷积原理,有 Y ( e j w ) = F T [ y ( n ) ] = 1 2 π X ( e j w ) ∗ W ( e j w ) = 1 2 π ∫ − π π X ( e j θ ) W ( e j ( w − θ ) ) d θ Y(e^{jw})=FT[y(n)]=\frac{1}{2\pi}X(e^{jw})*W(e^{jw})=\frac{1}{2\pi}\int_{-\pi}^{\pi}X(e^{j\theta})W(e^{j(w-\theta)})\,d\theta Y(ejw)=FT[y(n)]=2π1X(ejw)∗W(ejw)=2π1∫−ππX(ejθ)W(ej(w−θ))dθ 其中 X ( e j w ) = F T [ x ( n ) ] W ( e j w ) = F T [ w ( n ) ] X(e^{jw})=FT[x(n)] \qquad W(e^{jw})=FT[w(n)] X(ejw)=FT[x(n)]W(ejw)=FT[w(n)] 对矩形窗函数
w
(
n
)
=
R
N
(
n
)
w(n)=R_N(n)
w(n)=RN(n),有
W
(
e
j
w
)
=
F
T
[
w
(
n
)
]
=
e
−
j
w
N
−
1
2
s
i
n
(
w
N
/
2
)
s
i
n
(
w
/
2
)
=
W
g
(
w
)
e
j
φ
(
w
)
W(e^{jw})=FT[w(n)]=e^{-jw\frac{N-1}{2}}\frac{sin(wN/2)}{sin(w/2)}=W_g(w)e^{j\varphi(w)}
W(ejw)=FT[w(n)]=e−jw2N−1sin(w/2)sin(wN/2)=Wg(w)ejφ(w)
W
g
(
w
)
=
s
i
n
(
w
N
/
2
)
s
i
n
(
w
/
2
)
W_g(w)=\frac{sin(wN/2)}{sin(w/2)}
Wg(w)=sin(w/2)sin(wN/2) 由此可见,截断后序列的频谱 Y ( e j w ) Y(e^{jw}) Y(ejw)与原序列 X ( e j w ) X(e^{jw}) X(ejw)必然有差别,这种差别对谱分析的影响主要表现在如下两个方面: 3.3.1 泄露原来序列 x ( n ) x(n) x(n)的频谱是离散谱线,经截断后,使原来的离散谱线向附近展宽,通常称这种展宽为泄露。显然,泄露使频谱变模糊,使谱分辨率降低。 从上图中可以看出,频谱泄露程度与窗函数幅度谱的主瓣宽度直接相关,而在所有的窗函数中,矩形窗的主瓣是最窄的,但其旁瓣的幅度也最大。所以,在窗函数长度N相同时,用矩形窗截取,产生的泄露最小。 3.3.2 谱间干扰在主谱线两边形成很多旁瓣,引起不同频率分量间的干扰(简称谱间干扰),特别是强信号谱的旁瓣可能湮没弱信号的主谱线,或者把强信号谱的旁瓣误以为是另一频率的信号的谱线,从而造成假信号,这样就会使谱分析产生较大偏差。由于矩形窗的旁瓣最大,所以,用矩形窗截取时,产生的谱间干扰最大。 泄露与谱间干扰由于泄露和谱间干扰是由信号截断引起的,因此称之为截断效应。矩形窗 ∣ ω ∣ < 2 π N |\omega| |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |