Lab. Własności DFT
Transkrypt
Lab. Własności DFT
Wstęp do cyfrowego przetwarzania sygnałów – laboratorium Temat: Własności DFT Imię i nazwisko: Data ćwiczenia: Data oddania sprawozdania: Ocena: 1. Głównym celem ćwiczenia było zapoznanie się z własnościami DFT. Przekształcenie to dane jest wzorem: N −1 X ( m) = ¦ x ( n) e −j 2πnm N n=0 DFT pozwala na wyznaczenie widma sygnału dyskretnego. Ponadto posiada analogiczne właściwości jak ciągła transformata Fouriera, czyli między innymi: – jest przekształceniem linowym – posiada dyskretny odpowiednik twierdzenia o przesunięciu – jest przekształceniem jednoznacznym (z widma można odzyskać pierwotny sygnał) 2. Wyznaczenie widma sygnału dyskretnego sprowadza się do wykonania operacji DFT na skończonym wektorze próbek sygnału. W praktyce dokonuje się tego przy pomocy funkcji okien. Ciąg wejściowy jest przemnażany przez funkcję okna, w wyniku czego zostają wyizolowane próbki, na podstawie których liczona jest DFT. Iloczyn sygnałów w dziedzinie czasu objawia się splotem widma sygnału z widmem funkcji okna w dziedzinie częstotliwości. Jak się okazuje, kształt okna nie pozostaje bez znaczenia, gdyż ma on bezpośredni wpływ na kształt widma okna. Z kolei kształt widma okna ma duży wpływ na jakość DFT, co zostanie pokazane poniżej. W pierwszym przykładzie wyznaczono widmo sygnału sinusoidalnego o częstotliwości 6,25 Hz, próbkowanego z częstotliwością 100 Hz. Częstotliwość przebiegu dobrano tak, aby w przedziale 64 próbek uzyskać całkowitą wielokrotność okresów przebiegu sinusoidalnego (rys. 1). W tym celu napisano krótki program w środowisku MatLab: fs = 100; t = 0:1/fs:0.63; f = 400/64; x = 0.5 * sin (2*pi*f*t); X = fft (x); X_mag = abs (X); stem (X_mag); rys. 1 De facto jest to idealny przypadek analizy sygnału przy użyciu okna prostokątnego. Idealny ze względu na całkowitą wielokrotność okresów sygnału w analizowanym ciągu próbek. Jak widać na rysunku 2, widmo sygnału zawiera jeden prążek dla m=4, odpowiadający częstotliwości podstawowej badanego sygnału (fa = m*fs / N = 4*100/64 = 6,25). O ile w przypadku idealnym nie ma żadnych problemów z prawidłowym wyznaczeniem widma, tak w przypadkach różnych od idealnego pojawia się problem przecieku widma. Przeciek widma jest jedną z cech charakterystycznych DFT. Powoduje on, że wyniki DFT stanowią jedynie aproksymację rzeczywistych widm oryginalnych sygnałów poddanych próbkowaniu. rys. 2 Istnieją sposoby minimalizacji przecieku, chociażby poprzez zastosowanie rozmaitych funkcji okien, aczkolwiek nie można go wyeliminować całkowicie. (C) 2004 STUDENT.NET.PL :: Wszelkie prawa zastrzeżone Okienkowanie zmniejsza przeciek DFT przez zminimalizowanie amplitudy listków bocznych funkcji Sa. Im okno jest bardziej ciągłe, tym amplituda listków bocznych jest mniejsza, a tym samy redukowany jest przeciek. Np. użycie okna Hanninga będzie dawało lepsze rezultaty niż okna prostokątnego, gdyż okno Hanninga jest ciągłe (nie posiada takich punktów nieciągłości jak okno prostokątne). W następnej części ćwiczenia wyznaczono widmo dla różnych sygnałów w celu zbadania zjawiska przecieku widma oraz wpływu okienkowania na jakość DFT (redukcję zjawiska przecieku). Na początek zbadano widmo sygnału będącego sumą dwóch przebiegów sinusoidalnych o częstotliwościach f1=10 Hz i f2=20 Hz, spróbkowanych z częstotliwością 100 Hz. DFT było liczone dla ciągu 64 próbek ograniczonego odpowiednim oknem. Warto tutaj zaznaczyć, badany sygnał ten nie będzie posiadał całkowitej wielokrotności okresów w przedziale 64 próbek, bo T1=1/f1=0.1, T2=1/f2=0.05, natomiast wektor „czasu” zawiera wartości od 0 do 0.63 co 0.01, więc nie ma całkowitej wielokrotności żadnego z okresów. Objawi się to przeciekiem widma w każdym z analizowanych przypadków. Rysunki 3 i 4 zawierają wykres modułu widma dla badanego przebiegu po zastosowaniu okna Hanninga. Widmo na rys. 4 wyznaczono dla stłumionej składowej o f1=10 Hz. Jak widać DFT oddaje zmiany amplitud składowych. rys. 3 rys. 4 Następnie wyznaczono widmo dla takiego samego sygnału [ 0.2 * sin (2*pi*10*t) + sin (2*pi*20*t)], używając okna prostokątnego: rys. 5 rys. 6 Jak widać na rys. 5, rezultat jest znacznie gorszy niż niż w przypadku z zastosowaniem okna Hanninga. Co prawda prążki główne są bardzie wyeksponowane, ale ogólnie widmo jest bardziej „rozmyte”. W tym przykładzie obie częstotliwości składowych sygnału są odległe od siebie o 10 Hz, co pozwala na rozróżnienie ich na wykresie modułu widma. Jednakże w przypadku, gdy tę częstotliwości będą w małej odległości od siebie, rozróżnienie prążków może stać się trudne, a nawet niemożliwe. Doskonale ilustruje to kolejny przykład. Dokonano obliczenia DFT dla sygnału będącego sumą sinusoid o częstotliwościach f1=17 Hz i f2=20 Hz. Na rysunku 6 można zaobserwować moduł DFT dla tego sygnału. Nie jest możliwe rozróżnienie (C) 2004 STUDENT.NET.PL :: Wszelkie prawa zastrzeżone sąsiednich prążków, gdyż są one ze sobą zlane. Należy zatem zbadać, czy zastosowanie innego okna poprawi jakość DFT (zredukuje przeciek widma). W kolejnym przykładzie policzono DFT dla takiego samego przebiegu, ale z użyciem okna Bartletta. rys. 7 rys. 8 Jak widać na rys. 7, zastosowanie okna Bartletta spowodowało lekką poprawę. Można, chociaż z pewną trudnością, dostrzec dwa główne prążki. Jeszcze jednym sposobem pozwalającym na poprawę jakości DFT jest zwiększenie ilości próbek analizowanego sygnału. Na rys. 8 przedstawiono moduł DFT dla tego samego sygnału co w poprzednim przykładzie, aczkolwiek złożonego ze 128 próbek (dwa razy więcej niż w poprzednim przykładzie). Na rysunku dają się już rozróżnić oba główne prążki, tak więc zamierzony cel został osiągnięty. 3. Wnioski końcowe. Jak pokazano na powyższych przykładach rodzaj okna ma znaczący wpływ na jakość DFT, a tym samym na intensywność przecieku widma. Również zwiększenie ilości próbek sygnału pozytywnie wpływa na poprawę jakości DFT (redukcję przecieku widma). (C) 2004 STUDENT.NET.PL :: Wszelkie prawa zastrzeżone