测试信号处理-谱分析基础知识

测试信号处理 - 谱分析基础知识

简介

信号

• 定义：对信息的表达形式
• 分类：
  • 随机、确定：只能通过统计特征加以描述或者可以解析表示
  • 连续、离散：根据信号的自变量（往往是时间）是否离散
  • 能量型号、功率信号——看看是否绝对可积
    $$energy:\int |x(t){|}^{2}dt<\infty$$
    $$energy:\sum |x(n){|}^2<\infty$$
    $$power:\frac{1}{T}{\int }_0^T|x(t){|}^{2}dt<\infty$$
    $$power:\frac{1}{N}\sum |x(n){|}^2<\infty$$
• 离散时间傅里叶变换：运用在离散确定信号。之后本门课主要接触离散随机信号

信号与测试系统

测试

测试信号分析任务

• 软件处理的功能:
  • 信号采集、显示、存储
  • 去噪：微小运动产生基线漂移的低频干扰，还有高频和工频
  • 波形检测（参数提取）：模式识别
  • 实际应用

测试信号分析与处理的理论

1. 信号与系统

   • 信号采集(AD、抽样定理、多抽样率)
   • 系统分析（系统描述、传递函数、转移函数、单位冲击响应）
   • 线性系统理论（系统激励和响应的关系）

2. 测试信号分析

   • 信号分析（变换技术、时频域分析）
   • 信号的估计（针对随机信号、估计理论、相关函数和谱功率估计）
   • 信号建模（AR、MA、ARMA）
   • 快速算法（FFT、FC、R）

3. 测试信号处理

   • 滤波技术
   • 特殊算法——抽取、差值、信号重建

测试信号分析与处理的实现

1. 流程：信号-传感器-放大器-AD-DSP（数字信号处理装置）-DA
2. 应用：略

离散傅里叶变化（DFT)

一个很好的参考,对FT、DFT的讲解

基础公式

对于有限长度序列（一维信号）,傅里叶变换，拉普拉斯变换，Z变换与离散傅里叶变换分别用以下三个关系式表示

$$X(e^j\omega )=\sum _0^{n=N-1}x(n)e^{j-\omega n}$$
$$X(z)=\sum _0^{n=N-1}x(n)z^{-n}$$
$$X(k)=\sum _0^{n=N-1}x(n)e^{-jk\frac{2\pi n}{N}}$$

离散傅里叶变换逆变换是
$$x(n)=\frac{1}{N}\sum _0^{k=N-1}X(k)e^{jk\frac{2\pi n}{N}}$$
核函数多个负号，多一个参数$\frac{1}{N}$，也有更一致的形式（都乘$\frac{1}{\sqrt{N}}$)

Z变换注记：z域是s域的进一步映射，z变换和拉普拉斯变换通过某种映射连接在一起

欧拉公式：$e^{ix}=cosx+isinx$

奇异函数：$\delta (0)=\infty$(1/dt)

$${\int }_{\infty }^{\infty }{e}^{\pm j\Omega t}=2\pi \delta \Omega$$
$$\int \delta (t)x(t)=x(0)$$

四种傅里叶变换

FS 傅里叶级数 连续+周期

$$X(K{\Omega }_0)=\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}x(t)e^{-jk{\Omega }_{0}t}dt$$
$$x(t)=\sum _{k=-\infty }^{\infty }X(k{\Omega }_0)e^{jk{\Omega }_{0}t}$$

频谱是离散的谱，所以不能使用积分进行反变换，换言之是通过$\delta$函数将其梳开。
频谱间隔是${\Omega }_0=\frac{2\pi }{T}$，如果周期趋近于无限大就会变成连续谱

exp：周期方波函数的傅里叶级数：$X(k{\Omega }_0)=\frac{A\tau }{T}\frac{sin(k{\Omega }_0\tau /2)}{k{\Omega }_0\tau /2}$，其中$\tau$是窗宽，A是幅值

规律：时域连续周期、频域离散非周期。

存在条件:$power:\frac{1}{T}{\int }_0^T|x(t){|}^{2}dt<\infty$

FT 傅里叶变换 连续+非周期

$$X(j\Omega )={\int }_{-\infty }^{\infty }x(t)e^{-j\Omega t}dt$$
$$x(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }X(j\Omega )e^{j\Omega t}d\Omega$$

可以认为$T\to \infty ,{\Omega }_0\to 0,k{\Omega }_0\to \Omega$

exp：矩形窗函数：$X(k{\Omega }_0)=A\tau \frac{sin(\Omega \tau /2)}{\Omega \tau /2}$，其中$\tau$是窗宽，A是幅值，主瓣宽度为$\frac{4\pi }{\tau }$

存在条件: $energy: \int |x(t)|^2dt < \infty $。周期信号一般不是能量信号,所以使用傅里叶级数分析

exp：冲激串，时域的间隔为T，幅值为A，频域的间隔为$\frac{2\pi }{T}$,幅值为A$\frac{2\pi }{T}$

• 量纲
  • $X(j\Omega )$在$\Omega$处的频谱密度
  • $X(k{\Omega }_0)$在第k次谐波的谐波幅度的大小
• 联系
  • 周期和非周期函数的包络是一样的——怎么统一到傅里叶变换上？
  • 通过引入冲激函数$\delta$，通过对傅里叶级数做傅里叶变换就可以得到其连续频谱形式，因为傅里叶级数只有基函数（e指数函数）带有t，而基函数是可以用奇异函数展开的
  • 本质是在基函数上使用积分内积运算
  • 复正弦-w的e指数函数

【FT基本性质】【时频物理量总是互为倒数、共轭变化】
奇偶函数-虚实函数
扩宽-压缩
函数形式变换对

1. 线性
2. 奇偶虚实性：基函数$e^{-j\Omega t}=cos(\Omega t)-jsin(\Omega t)$
   在频域里，$X(\Omega t)=X^{\ast }(-\Omega t)$
   x是偶函数：X虚部为0，是实函数
   x是实函数：幅度谱是偶函数，相位谱是基函数
3. 对称性,大X和小x互为傅里叶变换对，只是量纲和虚实有些不一样
   $F(X(jt))=2\pi x(-\Omega )$
4. 时移特性：$F(x(t\pm t_0))=X(j\Omega )e^{\pm j\Omega t_0}$ 幅度谱不变，相位移动，时间提早（左移），则相位超前
5. 频移特性：$F(x(t)e^{\pm j\Omega t_0})=X(j\Omega \mp {\Omega }_0)$ 。如果是与信号乘以正余弦信号，那么频谱一分为二，左右平移${\Omega }_0$，这个结论可以用上述公式通过欧拉得到。
6. 尺度变换: $F(x(at))=\frac{1}{|a|}X(j\frac{\Omega }{a})$
7. 最有用的：卷积定理
   $$x\ast y={\int }_{-\infty }^{\infty }x(\tau )y(t-\tau )d\tau$$ $$F(x\cdot y)=X\ast Y$$ $$F(X\ast Y)=x\cdot y\frac{1}{2\pi }$$
8. 帕塞瓦定理（能量守恒）：$Energy(x(t))=Energy(X(\omega ))\frac{1}{2\pi }$ 公式中的系数就是为了能量守恒

---

DTFT 离散时间傅里叶变换 离散+非周期

$$X(e^{j\omega })=\sum _{k=-\infty }^{\infty }x(n)e^{-jk\omega }$$ $$x(n)=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X(e^{jk\omega })d\omega$$

其中$\omega =\Omega T_s,t=n{T}_s$，也就是把FT中的连续信号变成连续的。Ts是采样时间间隔。记$\Omega =w\pi f$是实际频率，而$\omega =\omega T_s$是弧度频率（圆周频率）, 归一化平频率则是$f^{\prime }=\frac{f}{f_s}$。

s平面的虚轴是z平面单位圆，X的周期是$2\pi$，所以只需要$-\pi$$到\pi$积分就可以了。
DTFT和FT的联系（为什么会产生周期）：对非周期函数用周期梳状函数进行了采样，原本FT是非周期函数的X，采样完之后，相当原本的X在因为每个梳状函数产生了移位，因此会成为周期为$\omega =2\pi$的，周期性延拓的函数。

矩形窗信号常常用来加窗截取有效计算范围，时域上相乘，频域上卷积，卷积的的准确性要求频域的主瓣窄。

性质

(1)-(6) 都和FT的行之一样

线性卷积
$y(n)=\sum x(k)h(n-k)$
(7). 相关定理 （FT应该也有）
$R_{xy}(m)=\sum x(n)y(n+m)$
$DTFT[R_{x}y]=X^{\ast }(e^{jw})Y(e^{jw})$
$R_{xy}(m)={\lim }_{N\to \infty }\frac{1}{N}\sum x(n)y(n+m)$

(8). 帕赛瓦定理
时域功率 - 自相关函数为0时候的值
频域功率 - 时域功率函数的DTFT
$$\frac{1}{2\pi }{\int }_{-\pi }^{\pi }|S(e^{j\omega }){|}^2=\sum _{-\infty }^{\infty }|x(n){|}^2$$
FT-LT
LT是广义的单边傅里叶变换

DFS 离散傅里叶级数 离散+周期 生成DFS

$$X(K)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}nk}$$$$x(k)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}nk}$$

认为周期是N，时间上间隔是$T_s$,频域的周期也是$N$,间隔是${\Omega }_0$
$$n,k=-\infty ,...,\infty$$

DFT：离散傅立叶变换

如果认为信号的w间隔没有必要那么小，那么频谱就是离散的，这样来看可以得到离散时间傅里叶变换的近似形式，也就就是DFT。也可以认为，实际上是给一个无现场信号加窗，认为它成为一个有限长信号。

$$X(K)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}nk}$$$$x(k)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}nk}$$

$$n,k=0,...,N-1$$

1. DFT的由来、定义、性质

DFS的n和k实际上没必要取到无穷，而是取其中的一个周期参与运算即可。

原理上，x和X各取一个周期的数据参与运算就可以还原完整序列。
需求上，计算机需要有限长离散数据。

记
$$W_N=e^{-j\frac{2\pi }{N}}$$
有
$$X(K)=\sum _{n=0}^{N-1}x(n)W_N^{nk}$$$$x(k)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)W_N^{-nk}$$

• 这里认为所有信号都是余弦信号有限求和构成（无限和破坏周期），因此认为是以$2\pi$做周期

• DFT 中，对离散信号采样，N个点内，实信号是以$\frac{N}{2}$为偶对称，相位谱以$\frac{N}{2}$奇对称。因此有效数据点只有$\frac{N}{2}$个,N点只是为了计算。

• 如果不满足采样定理，在$\frac{N}{2}$以后可能会产生频率交叠,课上所说的实际频率是指信号的实际频率分量。

• 循环移位
  这里的以为是已经进行周期延拓的信号进行的移位
  $$DFT(x(n+m))=W_N^{-km}X(k)$$$$IDFT(X(k+m))=W_N^{km}x(k)$$

  • 实际上频移是$mmodN$

• 卷积运算(循环卷积，需要均为N点序列)
  $$y(n)=\sum _{k=0}^{\infty }x(kmodN)h(n-kmodN)$$

• 如果要计算线性卷积（N和M点序列），可以对周期序列补0，补到L个零（L=N+M-1)，按循环卷积计算，再去前N个值即线性卷积结果。

2. DFT的分辨率

• 窗的宽度越小越好，频域的窄则频域的分辨率高，时域的窄则时域的分辨率更高。窗函数要是太宽，也会发生频域泄露，直接导致不准。

• 比较关注的是频率分辨率（因为DFT的时域分辨率肯定是不准的）

• 频率分辨率：区别开两个离的很近的谱峰的能力

  1. FT
     设x的长度为T(有限长），$X_T$的分辨率为$\frac{2}{T}$Hz。
     矩形窗函数的主瓣宽度为$\Delta \Omega =\frac{4\pi }{T}$

  2. DTFT
     设抽样间隔为$T_S$，$N=\frac{T}{T_s}$，X的分辨率$\Delta \Omega =\frac{4\pi }{N}$
     要分辨出两个${\omega }_1,{\omega }_2$,需要满足$\frac{4\pi }{|{\omega }_1-{\omega }_2|}\le N$
     矩形窗函数的主瓣宽度为$\Delta \Omega =\frac{4\pi }{N}$，其他窗函数乘成一个>1的系数

  3. DFT
     超明显 $\Delta f=\frac{f_s}{N}$
     增加数据量长度就可以提高分辨率
     采样频率提升可以提升最高频率的范围，采样数据量提升可以提升分辨率，好的分析应该是二者同时增大
     补零可以让数据长度变成2的整次数次幂，可以起到一定的插值作用

  • 补零：补零就是将原序列后增加0，使原序列增长。使DFT有更高密度的谱，但是没有给出一个更高分辨率的谱，可以减轻栅栏效应。
  • 因为没有增加新的信息，所以增加的分辨率是伪分辨率，提高的只是计算分辨率。

  整周期采样+采样定理+分辨率

3. DFT的快速算法FFT

通过$W_{nk}$的周期性简化复数幂次计算，然后通过变换求和顺序（逐次分两组），再次降低复数乘法计算量，因此成为一个递归的算法。

---

核心公式总结

LT
$$X(s)={\int }_0^{\infty }x(t)e^{-st}dt$$$$s=j\Omega$$
ZT(z变换是采样信号做的Laplace变换，相当于DTFT和FT的关系)
$$X(z)=\sum _o^{\infty }x(n)z^{-n}$$$$z=e^{s{T}_s}=e^{(\sigma +j\Omega )T_s}=r{e}^{j\Omega T_s}$$
FT（连续+非周期）-> 非周期连续谱
$$X(j\Omega )={\int }_{-\infty }^{\infty }x(t)e^{-j\Omega t}dt$$$$x(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }X(j\Omega )e^{j\Omega t}d\Omega$$
FS（连续+周期）-> 非周期离散谱（间隔为${\Omega }_0=\frac{2\pi }{T}$）
$$X(K{\Omega }_0)=\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}x(t)e^{-jk{\Omega }_{0}t}dt$$$$x(t)=\sum _{k=-\infty }^{\infty }X(k{\Omega }_0)e^{jk{\Omega }_{0}t}$$
DTFT（不连续+非周期）–抽样定理–> 周期连续谱(周期为$2\pi$，$\omega =\Omega T_s$，单位是弧度，时域间隔是$T_s$,频域周期是${\omega }_s={\Omega }_s{T}_s=2\pi$）

$$X(e^{j\omega })=\sum _{k=-\infty }^{\infty }x(n)e^{-jk\omega }$$ $$x(n)=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X(e^{jk\omega })d\omega$$
DFS（不连续+周期）-> 周期离散谱（时域间隔为$T_s$,频域周期为${\Omega }_s=N{\Omega }_0$，间隔为${\Omega }_0$,N个点）
$$X(K)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}nk}$$$$x(k)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}nk}$$
DFT（连续函数->不连续的周期函数,只是为了便于在计算机上实现，本质DFS）
$$X(K)=\sum _{n=0}^{N-1}x(n)e^{-j\frac{2\pi }{N}nk}$$$$x(k)=\frac{1}{N}\sum _{k=0}^{N-1}X(k)e^{j\frac{2\pi }{N}nk}$$

在DFS、DFT中的量
${\Omega }_s=N{\Omega }_0$
$T=N{T}_s$
${\Omega }_s=\frac{2\pi }{T_s}$
时域的间隔和频域的周期互为倒数,频域的周期和时域的离散间隔互为倒数，这些量隐含在x和X中，自变量是n和k
$x(n)=x(n{T}_s)$
$X(k)=X(k{\Omega }_0)$

变量取值范围

Z变换：整个z平面
DTFT：单位元
DFT：单位元上的N个离散的点