首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >为什么使用FFT在信号中舍入频率值?

问为什么使用FFT在信号中舍入频率值?
EN

Stack Overflow用户
提问于 2019-02-15 17:19:19
回答 3查看 627关注 0票数 1

因此,我试图找出如何在实践中使用DFT来检测信号中普遍存在的频率。我一直在努力思考什么是傅里叶变换以及DFT算法是如何工作的,但显然我还有很多路要走。我编写了一些代码来生成一个信号(因为我的目的是与音乐一起工作,我生成了一个主要的C和弦,因此产生了奇怪的频率值),然后尝试回到频率数字。这是我的代码

代码语言:javascript
复制
sr = 44100 # sample rate
x = np.linspace(0, 1, sr) # one second of signal
tpi = 2 * np.pi
data = np.sin(261.63 * tpi * x) + np.sin(329.63 * tpi * x) + np.sin(392.00 * tpi * x)
freqs = np.fft.fftfreq(sr)
fft = np.fft.fft(data)
idx = np.argsort(np.abs(fft))
fft = fft[idx]
freqs = freqs[idx]
print(freqs[-6:] * sr)

这给了我[-262. 262. -330. 330. -392. 392.],它不同于我编码的频率(261.63,329.63和392.0)。我做错了什么?我该如何解决?

EN

回答 3

Stack Overflow用户

回答已采纳

发布于 2019-02-19 22:24:17

实际上,如果帧持续T秒,则DFT的频率为k/T Hz,其中k是整数。因此,过采样不会提高估计频率的准确性,只要这些频率被识别为DFT大小的最大值。相反,考虑较长的帧长度为100 s会导致DFT频率之间的间隔为0.01Hz,这可能足以产生预期的频率。可以用功率密度来估计一个峰值的频率作为它的平均频率。。

​

图1:即使在应用了Tuckey窗口之后,加窗信号的DFT也不是Dirac的总和:峰值底部仍然存在一些光谱泄漏。在估计频率时,必须考虑到这种功率。

另一个问题是,帧的长度不是信号周期的倍数,这可能不是周期性的。然而,DFT的计算就好像信号是周期性的,但在帧的边缘是不连续的。它诱发了称为谱泄漏的突发频率。加窗是解决这类问题和缓解人工间断相关问题的参考方法。实际上,窗口的值在帧的边缘附近不断下降到零。有一个窗口函数列表和许多窗口函数都可以在scipy.signal中使用。窗口应用于:

代码语言:javascript
复制
tuckey_window=signal.tukey(len(data),0.5,True)
data=data*tuckey_window

那时,最大震级的频率仍然是262,330和392。应用窗口只会使峰值更加可见:窗口信号的DFT具有三个可分辨的峰值,每个峰值具有中心瓣和侧瓣,这取决于窗口的DFT。这些窗口的瓣是对称的:因此,中心频率可以计算为峰值的平均频率,相对于功率密度。

代码语言:javascript
复制
import numpy as np
from scipy import signal
import scipy

sr = 44100 # sample rate
x = np.linspace(0, 1, sr) # one second of signal
tpi = 2 * np.pi
data = np.sin(261.63 * tpi * x) + np.sin(329.63 * tpi * x) + np.sin(392.00 * tpi * x)

#a window...
tuckey_window=signal.tukey(len(data),0.5,True)
data=data*tuckey_window

data -= np.mean(data)
fft = np.fft.rfft(data, norm="ortho")

def abs2(x):
        return x.real**2 + x.imag**2

fftmag=abs2(fft)[:1000]
peaks, _= signal.find_peaks(fftmag, height=np.max(fftmag)*0.1)
print "potential frequencies ", peaks

#compute the mean frequency of the peak with respect to power density
powerpeak=np.zeros(len(peaks))
powerpeaktimefrequency=np.zeros(len(peaks))
for i in range(1000):
    dist=1000
    jnear=0
    for j in range(len(peaks)):
        if dist>np.abs(i-peaks[j]):
             dist=np.abs(i-peaks[j])
             jnear=j
    powerpeak[jnear]+=fftmag[i]
    powerpeaktimefrequency[jnear]+=fftmag[i]*i


powerpeaktimefrequency=np.divide(powerpeaktimefrequency,powerpeak)
print 'corrected frequencies', powerpeaktimefrequency

得到的估计频率分别为261.6359 Hz、329.637 Hz和392.0088 Hz,远远优于262、330和392 Hz,满足了这种纯无噪声输入信号所需的0.01Hz精度要求。

票数 3
EN

Stack Overflow用户

发布于 2019-02-16 18:11:06

DFT结果箱在频率上被Fs/N分离,其中N是FFT的长度。因此,DFT窗口的持续时间限制了DFT结果的频率中心间距的分辨率。

但是,对于在低噪声(高信噪比)中分离良好的频率峰值,可以通过在DFT结果箱之间插值DFT结果来估计频率峰值位置,而不是增加数据的持续时间。你可以尝试抛物线插值的粗频率峰值位置估计,但加窗的正弦插值(本质上香农-惠特克重建)将提供更好的频率估计精度和分辨率(给定一个足够低的噪音地板周围的频率峰值(S),例如,没有附近的正弦在你的人造波形情况)。

票数 2
EN

Stack Overflow用户

发布于 2019-02-15 18:23:34

因为你想获得0.01赫兹的分辨率,你将需要采样至少100秒的数据。你将能够分解频率高达22.05 kHz。

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/54714169

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档