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
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?
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:
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。
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。
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)。
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。
https://stackoverflow.com/questions/54714169
复制相似问题