• 离散傅里叶级数的最高频率和频率分辨率


    离散傅里叶级数公式:

    正变换:[{ m{X(k) = }}sumlimits_{n = 0}^{N - 1} {x(n){e^{ - jfrac{{2pi }}{N}nk}}} ]

    逆变换:[{ m{x(n) = }}frac{1}{N}sumlimits_{n = 0}^{N - 1} {X(k){e^{jfrac{{2pi }}{N}nk}}} ]

    可以发现,离散傅里叶级数公式跟采样时间没有关系,这样当离散时域序列包含时间信息时,在频率域就显示不出计算得出的到底是多大的频率。所以无法得知傅里叶级数运算得到的频率N个数值代表的是什么频率值。可以对离散傅里叶级数作一下改进。

    从离散傅里叶级数的逆变换公式中,我们可以看出相当于是幅值为X(k)的一系列正弦信号还原了原时域信号。X(k)所对应的频率可由下面分析得出。每跨度一个时域采样点,时域上经历的时间是T,而正弦信号转动的角度是[frac{{2pi }}{N}k]

    那么可得出正弦信号的角频率是[frac{{2pi k}}{{NT}}]

    因为k的取值范围是0到N-1,所以能够取到的最大频率就是2*pi*(N-1)/(N*T)吗?答案是不对。我们可以通过计算发现,第i个频率和第(N-i)个频率是一样的,所以实际我们能测到的最大频率如下,如果N为偶数,则最大频率是

    [frac{{2pi imes frac{{ m{N}}}{2}}}{{{ m{NT}}}}{ m{ = }}frac{pi }{{ m{T}}}],如果N为奇数,则最大频率是[frac{{2pi imes frac{{{ m{N - 1}}}}{2}}}{{{ m{NT}}}}{ m{ = }}frac{pi }{{ m{T}}} imes frac{{{ m{N - 1}}}}{{ m{N}}}]

    可以发现,最大检测频率跟采样周期T有关,这跟事实相符,因为采样间隔越短,能够分辨的频率就越高。这跟香农采样定理是吻合的,香农采样定理:为了不失真地恢复模拟信号,采样频率应该不小于模拟信号频谱中最高频率的2倍。也就是当我们以周期T采样时,我们能分辨的最高频率只有采样频率的1/2。

    接下来我们再看一下频率分辨率,可以从不同正弦信号的角频率间隔得出,为[frac{{2pi }}{{{ m{NT}}}}],我们可以得出一个结论,频率分辨率只和NT有关,N为采样个数,T为采样点间时间间隔,而NT表示的是采样的总时间,也就是说频率分辨率跟采样的总时间有关,采样时间越长,频率分辨率越高。

    总结一下,影响最大频率的是采样时间间隔,影响频率分辨率的是采样总时间。

    我们再来看一下离散傅里叶变换,最大频率也是pi/T,频率分辨率为无穷小,因为NT为无穷大。

  • 相关阅读:
    一个MMORPG的常规技能系统
    as3.2版本中中jar生成方法
    lua中的weak table
    lua中使用table实现类和继承
    Javascript-设计模式_代理模式
    Javascript-设计模式_职责链模式
    Javascript-设计模式_策略模式
    前端安全第四期
    前端安全第三期
    前端安全第二期
  • 原文地址:https://www.cnblogs.com/wolfox/p/9996624.html
Copyright © 2020-2023  润新知