Estoy haciendo un análisis de espectro de una señal variable en el tiempo con un cambio de frecuencia de 200 Hz a 10 kHz. Estoy usando la FFT para analizar el componente de frecuencia en la señal. Mis preguntas son:
La frecuencia de muestreo de la señal es de 44,1 kHz.
Dado que está trabajando con una frecuencia de muestreo fija, la longitud de su FFT (que requerirá que su ventana tenga el mismo ancho) aumentará su resolución de frecuencia. El beneficio de tener una resolución de frecuencia más fina es doble: el aparente es que obtiene una resolución de frecuencia más fina, por lo que puede distinguir dos señales que tienen una frecuencia muy cercana. La segunda es que, con una resolución de frecuencia más alta, su piso de ruido FFT será más bajo. El ruido en su sistema tiene una potencia fija, no relacionada con la cantidad de puntos de su FFT, y esa potencia se distribuye uniformemente (si hablamos de ruido blanco) a todos sus componentes de frecuencia. Por lo tanto, tener más componentes de frecuencia significa que la contribución de ruido individual de sus contenedores de frecuencia se reducirá, mientras que el ruido integrado total permanece igual. lo que resulta en un piso de ruido más bajo. Esto le permitirá distinguir un rango dinámico más alto.
Sin embargo, existen inconvenientes en el uso de una FFT más larga. La primera es que necesitará más potencia de procesamiento. La FFT es un algoritmo O(NlogN), donde N es el número de puntos. Si bien puede que no sea tan dramático como el DFT ingenuo, el aumento de N comenzará a sangrar su procesador, especialmente si está trabajando en los confines de un sistema integrado. En segundo lugar, cuando aumenta N, gana resolución de frecuencia mientras pierde resolución de tiempo. Con una N más grande, necesita tomar más muestras para llegar al resultado de su dominio de frecuencia, lo que significa que necesita tomar muestras durante más tiempo. Podrá detectar un rango dinámico más alto y una resolución de frecuencia más fina, pero si está buscando estímulos, tendrá una idea menos clara de CUÁNDO ocurrió exactamente ese estímulo.
El tipo de ventana que debe usar es un tema completamente diferente, del cual no estoy tan informado para darle una respuesta a CUÁL es mejor. Sin embargo, diferentes ventanas tienen diferentes características de salida, de las cuales la mayoría (si no todas) son posprocesamiento reversible del resultado de FFT. Algunas ventanas pueden hacer que sus componentes de frecuencia se desvanezcan en los contenedores laterales (si no me equivoco, la ventana de Hanning hace que sus componentes aparezcan en tres contenedores), otras pueden brindarle una mejor precisión de frecuencia al tiempo que introducen algún error de ganancia en sus componentes. Esto depende completamente de la naturaleza del resultado que está tratando de lograr, por lo que investigaría un poco (o algunas simulaciones) para llegar a cuál es el mejor para su aplicación específica.
Entonces, lo primero es lo primero, la frecuencia de muestreo debe ser al menos el doble de la frecuencia máxima de la señal que es (44.1kHz> 2x10kHz). A continuación, si la longitud de la ventana en el dominio del tiempo es T, la resolución de frecuencia con FFT es exactamente 1/T. La resolución en el dominio de la frecuencia usando la FFT no tiene nada que ver con la frecuencia de muestreo en el dominio del tiempo. Pero como se señaló en la respuesta anterior, la ventana de dominio del tiempo no puede ser demasiado grande porque perdería información sobre las señales espurias que aparecen solo momentáneamente. Así que tiene que haber un compromiso entre la resolución de frecuencia y la detección de señales espurias. Por último, FFT no es el único algoritmo que toma una señal del dominio del tiempo al dominio de la frecuencia. Si busca alta resolución en el dominio de la frecuencia con un número limitado de muestras en el dominio del tiempo, puede utilizar técnicas de estimación espectral de alta resolución como MUSIC y ESPIRIT. Estos también se utilizan para la estimación de la dirección de llegada (DOA), que es bastante similar al problema de estimación espectral.
vasiliy
nitina
scott seidman
vasiliy
chris stratton
audacity
(vea el menú de importación de datos sin procesar) y pruebe las diferentes opciones y vea qué resultados le gustan más, luego haga su propia implementación. También tenga en cuenta que si bien es fácil pensar que las FFT se evalúan secuencialmente, en realidad puede superponerlas para producir un resultado con la misma frecuencia que cada muestra, en lugar de solo cada [FFTSIZE] muestras. Por supuesto, múltiples evaluaciones simultáneas aumentan la carga computacional.björn roche
travisbartley
scott seidman
travisbartley
scott seidman