Спектральный анализ на ограниченном интервале времени. Оконные функции

Привет, сегодня поговорим про спектральный анализ на ограниченном интервале времени оконные функции, обещаю рассказать все что знаю. Для того чтобы лучше понимать что такое спектральный анализ на ограниченном интервале времени оконные функции , настоятельно рекомендую прочитать все из категории Цифровая обработка сигналов.

Спектр ограниченного во времени сигнала

Пусть имеется сигнал который бесконечен во времени. В простейшем случае мы можем задать этот сигнал как гармоническое колебание с частотой . Преобразование Фурье этого сигнала будет представлять собой дельта-импульс на частоте сигнала, т.е. . Исходный сигнал и его спектр показаны на рисунке синим цветом. На практике мы не можем произвести расчет спектра путем численного интегрирования по всей оси времени (разумеется за исключением когда мы можем получить аналитическое выражение для спектра сигнала, как в приведенном примере), поэтому мы зафиксируем интервал времени на котором будем рассчитывать спектр сигнала. Таким образом мы получим сигнал , который совпадает с исходным на интервале времени , но вне интервала наблюдения считаем. Математически, можно представить как произведение исходного бесконечного сигнала и прямоугольного импульса длительностью, . Спектр же сигнала , согласно свойствам преобразования Фурье будет равен свертке спектров исходного сигнала и спектра прямоугольного импульса :

(1)

В выражении (1) было использовано фильтрующее свойство дельта-функции. Сигнал и его спектр показаны на рисунке 1 красным цветом.

Рисунок 1: Спектр ограниченного во времени сигнала

Таким образом, вместо дельта-импульса спектр превратился в функцию типа , (спектр прямоугольного импульса функции ) причем ширина лепестка зависит от длительности интервала анализа, как это наглядно показано на рисунке 2.

Рисунок 2: Изменение спектра с увеличением интервала анализа

Если увеличивать интервал анализа до бесконечности, то спектр будет сужаться и стремиться к дельта-импульсу. Прямоугольный импульс назовем оконной функцией.

Теперь рассмотрим случай ДПФ. ДПФ ставит в соответствие отсчетам сигнала отсчетов спектра, взятых на одном периоде повторения спектра: Отсчеты сигнала, взятые через равные промежутки времени где - частота дискретизации (рад/с). Таким образом интервал анализа, тогда спектральные отсчеты берутся через интервал Ширина главного лепестка спектра (смотри рисунок 1) равна тогда можно рассмотреть два случая. Первый случай частота сигнала совпадает с -ой частотой спектра (верхний график рисунка 3). При дискретизации получим только отсчет на частоте по амплитуде соответствующий амплитуде сигнала, остальные спектральные отсчеты будут равны нулю, так как моменты дискретизации спектра совпадут с нулями спектра оконной функции. Второй случай когда частота не совпадает ни с одной частотой из сетки спектральных отсчетов (нижний график рисунка 3). В этом случае спектр сигнала «размывается». Вместо одного спектрального отсчета получаем множество отсчетов, так как дискретизация производится уже не в нулях спектра функции окна, и все боковые лепестки проявляются в спектре. Кроме того амплитуда спектральных отсчетов также уменьшается.

Рисунок 3: ДПФ при совпадении и несовпадении частоты сигнала и сетки частот спектра

Размазывание спектра негативный эффект, с которым необходимо бороться. Покажем это на примере. Пусть имеется два гармонических сигнала на частотах и , причем амплитуда сигнала на частоте много меньше амплитуды сигнала на частоте . Ограничение интервала анализа приведет к тому, что спектры «размажутся», и сигнал на частоте будет не заметен под боковым лепестком сигнала с частотой , как это показано на рисунке 4.

Рисунок 4: Сигнал малой амплитуды не заметен под боковым лепестком другого сигнала

Очевидно, для того чтобы обнаружить слабый сигнал необходимо устранить боковые лепестки в спектре, которые возникают когда мы ограничили сигнал прямоугольным окном. Значит чтобы устранить эти лепестки необходимо устранить их в спектре оконной функции , то есть надо изменить оконную функцию, а именно сделать ее более гладкой, как это показано на рисунке 5.

Рисунок 5: Гладкая весовая функция

При гладкой оконной функции в спектре не наблюдается боковых лепестков (или их уровень существенно понижается), однако имеет место расширение основного лепестка спектра по сравнению с прямоугольным окном . Таким образом мы вроде бы побороли боковые лепестки, и смогли обнаружить слабые сигналы (смотри рисунок 6), которые раньше терялись в боковых лепестках, но заплатили за это расширением основного лепестка.

Рисунок 6: При гладкой весовой функции слабые сигналы не теряются в боковых лепестках

Мы рассмотрим еще одно свойство оконной функции, а именно коэффициент ослабления . Для пояснения коэффициента ослабления рассмотрим постоянную составляющую оконной функции на интервале :

(2)

(3)

Коэффициентом ослабления называют отношение постоянной составляющей заданной функции окна, к постоянной составляющей прямоугольного окна :

(4)

Смысл коэффициента ослабления заключается в том, что амплитуды всех спектральных составляющих после умножения на оконную функцию уменьшаются в раз по сравнению с прямоугольным окном. Коэффициент ослабления выражают в логарифмической шкале:

(5)

В случае цифрового спектрального анализа имеется отсчетов оконной функции взятых через промежуток Тогда интеграл в выражении (4) заменяется на сумму:

(6)

Для того, чтобы учесть коэффициент ослабления после ДПФ необходимо каждый спектральный отсчет поделить на.

Основные частотные характеристики спектра оконной функции

Обобщим основные частотные характеристики спектра оконной функции, позволяющие сравнивать различные окна между собой. Для этого рассмотрим нормированную амплитудно-частотную характеристику оконной функции, представленную на рисунке 7.

Рисунок 7: Нормированная АЧХ оконной функции

Нормирование амплитуды производится для учета коэффициента ослабления : . Таким образом все АЧХ будут иметь максимум равный единице (0 дБ) на нулевой частоте. Поскольку ширина главного лепестка зависит от длительности окна во времени (смотри рисунок 2), то введена нормировка частоты:

(7)

1. Нормированная ширина главного лепестка АЧХ по уровню 0,5 (-3 дБ) определяется как нормированная полоса при которой .

2. Нормированная ширина главного лепестка АЧХ по нулевому уровню . Согласно рисунку 5.

3. Максимальный уровень боковых лепестков .

Можно заметить, что прямоугольного окна равна 2. Тогда можно ввести параметр, показывающий во сколько раз нормированная ширина главного лепестка АЧХ по нулевому уровню заданного окна шире чем прямоугольного окна. Обозначим этот параметр как . В зависимости от параметра окна делят на окна высокого разрешения и окна низкого разрешения .

Основные свойства оконной функции и их характеристики

Наименование окна	Выражение в дискретном виде:	Примечание
Прямоугольное окно (rectangle window)		Окно высокого разрешения минимальная ширина главного лепестка, но максимальный уровень боковых лепестков
Синус-окно		Окно высокого разрешения
Окно Ланцоша (Lanczos window), или sinc - окно		Окно высокого разрешения
Окно Барлетта (Bartlett window), или треугольное окно		Окно высокого разрешения
Окно Ханна (Hann window)		Окно высокого разрешения
Окно Барлетта — Ханна (Bartlett–Hann window)		Окно высокого разрешения
Окно Хемминга (Hamming window)		Окно высокого разрешения. Наилучшее окно при
Окно Блэкмана (Blackman window)		Окно высокого разрешения.
Окно Блэкмана — Харриса (Blackman–Harris window)		Окно низкого разрешения
Окно Наталла (Nuttall window)		Окно низкого разрешения
Окно Блэкмана — Наталла (Blackman–Nuttall window)		Окно низкого разрешения
Окно с плоской вершиной (Flat top window)		Окно низкого разрешения
Окно Гаусса (Gaussian window)		Свойства окна зависят от параметра

Наименование окна				, дБ	, дБ
Прямоугольное окно (rectangle window)	2	0,89	1	-13	0
Синус-окно	3	1,23	1,5	-23	-3,93
Окно Ланцоша (Lanczos window), или sinc - окно	3,24	1,3	1,62	-26,4	-4,6
Окно Барлетта (Bartlett window), или треугольное окно	4	1,33	2	-26,5	-6
Окно Ханна (Hann window)	4	1,5	2	-31,5	-6
Окно Барлетта — Ханна (Bartlett–Hann window)	4	1,45	2	-35,9	-6
Окно Хемминга (Hamming window)	4	1,33	2	-42	-5,37
Окно Блэкмана (Blackman window)	6	1,7	3	-58	-7,54
Окно Блэкмана — Харриса (Blackman–Harris window)	8	1,97	4	-92	-8,91
Окно Наталла (Nuttall window)	8	1,98	4	-93	-9
Окно Блэкмана — Наталла (Blackman–Nuttall window)	8	1,94	4	-98	-8,8
Окно с плоской вершиной (Flat top window)	10	3,86	5	-69	0
Окно Гаусса (Gaussian window)	8	1,82	4	-65	-8,52
Окно Гаусса (Gaussian window)	3,4	1,2	1,7	-31,5	-4,48
Окно Гаусса (Gaussian window)	2,2	0,94	1,1	-15,5	-0,96

Выводы

Надеюсь, эта статья про спектральный анализ на ограниченном интервале времени оконные функции, была вам полезна, счастья и удачи в ваших начинаниях! Надеюсь, что теперь ты понял что такое спектральный анализ на ограниченном интервале времени оконные функции и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Цифровая обработка сигналов