有关压电陶瓷的导电性的应用——乐谱识别初步之解读频率（初稿）

目录

一：呈现思路——通过压电陶瓷实现乐谱识别初步之解读频率获得音调（显示简谱的1-7）

1：使用数据采集器采集电压

2：根据波形计算频率 

3：根据频率得到对应的音调

二：算法部分（用C语言实现）

1：实时读取文件数据

2：通过FFT算法实现电信号频率解读：

3：实时读取数据从而实现频率计算

---

---

一：呈现思路——通过压电陶瓷实现乐谱识别初步之解读频率获得音调（显示简谱的1-7）

1：使用数据采集器采集电压

通过接线将数据采集器与压电陶瓷相连，数据采集器采集电信号并通过串口将波形或数据流传输到电脑的软件DAQ12里面，设置电平在正负10V之间，可以在DAQ122中采集到压电陶瓷因振动产生的电压波形以及一系列采样点。并将采样数据保存到电脑文件夹中。

2：根据波形计算频率 

通过C语言实现实时读取包含有电压信号数据的文件夹，通过代码实现实时解读数据从而实时显示频率。

3：根据频率得到对应的音调

 收集不同大调下不同音调的对应频率，通过代码将计算好的频率与音调频率库进行比对，从而输出得到压电陶瓷振动产生的电信号频率所对应乐理中的音调。

 备注：乐谱识别应用的最终目标是：通过向压电陶瓷播放音频，可以在软件上显示乐理简谱，从而实现乐谱可视化。以上提到的思路只是实现：对压电陶瓷放一个音，可以在电脑上显示其对应的音调并以简谱的1-7进行显示，而无法识别节拍进而无法形成简谱。至于如何识别音频中的停顿和节拍，将在下一篇文章中进行分析。

二：算法部分（用C语言实现）

1：实时读取文件数据

注意：(1)光读取文件数据是不够的，只有做到实时读取文件数据才能够实时将压电陶瓷的电信号频率进行解读而向用户实时反馈外界音频产生的音调。

           (2)此部分介绍基本的代码框架，实际代码请见二-3：实时读取数据从而实现频率计算

以下提供两种较为精确的实时读取文件数据的方法——

1. 读取目录列表。使用opendir()、readdir()和closedir()函数可以读取一个目录下的所有文件和文件夹。我们可以循环调用readdir()来获取目录项,判断其类型后进行处理。

DIR *dir;  
struct dirent *entry;

dir = opendir("path/to/folder"); 
while ((entry = readdir(dir)) != NULL) {
    if (entry->d_type == DT_REG) {  // 普通文件
        // 处理文件
    } else if (entry->d_type == DT_DIR) { // 子文件夹
        // 处理文件夹 
    }
}
closedir(dir);

2.监视目录事件。使用inotify API可以监视目录中的添加、删除和修改事件。当检测到事件时,相应处理函数会被调用。这可以实现文件夹数据的实时读取。

int fd = inotify_init();
inotify_add_watch(fd, "path/to/folder", IN_CREATE | IN_DELETE | IN_MODIFY); 

while (1) {
    // 等待事件发生
    int len = read(fd, buf, BUF_LEN);
    // 处理事件 
    for (p = buf; p < buf + len; ) {
        handle_event(p);
        p += sizeof(struct inotify_event) + event->len;
    } 
}

以上两种代码均采用C库函数实现，除此之外也可以采用跨平台的开源音频 I/O 库，如`PortAudio` 库实现文件的实时读取。

2：通过FFT算法实现电信号频率解读：

#include <math.h>
#define N 1024            // 信号采样点数
#define fs 1000            // 采样频率

int main() {
    double data[N];      // 存放采样信号
    double freq[N/2];    // 频谱计数器
    double T=1/fs;        // 采样周期
    
    // 读取采样信号到data数组
    read_signal_data(data); 
    
    // 傅里叶变换,计算信号的频谱
    for (int k=0; k<N/2; k++) {
        for (int n=0; n<N; n++) {
            freq[k] += data[n] * cos(2*PI*k*n/N); 
        }
        freq[k] = 2*freq[k]/N;
    }
    
    // 寻找频谱最大值,得到信号的基本频率
    double max_freq = 0;
    int freq_idx = 0;
    for (int k=0; k<N/2; k++) {
        if (freq[k] > max_freq) {
            max_freq = freq[k];
            freq_idx = k;
        }
    }
    double f = freq_idx * fs / N;  // 计算频率
    
    printf("The frequency of the signal is: %f Hz\n", f);
} 

以上是用C语言完成的——在拿到一段波形后对其进行频域解析的代码。其中需注意，此段代码提供的信号采样点数为1024，采样频率为1000，与实际用到的采样率是不相符的，在实际编写的时候需要用户自定义。(自定义部分需见二-3：实时读取数据从而实现频率计算)

FFT是一种实现傅里叶变换的高效算法。它利用傅里叶变换的基本思想,通过分解一个复杂的信号为多个简单正弦波之和来分析信号的频率成分。

相比于通过测量周期来计算频率，采用傅里叶变换的思想计算频率是更好的选择，因为：

1.  只要采样点数N足够大，傅里叶变换可以得到更加精确的频率结果。而周期测量法会产生更大误差（只能得到一个整数倍的频率值）。我们实验所采用的数据采集器的最高采样率可达200KHZ，利用傅里叶变换可以将频率计算的更为精确。

2. 傅里叶变换法可以同时检测出信号中的多个频率成分,更加全面。周期测量法只能得到一个主要频率。在面对较为复杂多变的外部环境时，傅里叶变换也许能帮助我们实现不同声源下的多频率实时解读。从而为解决后续研究中可能出现的多乐器演奏的频率识别提供思路。

3：实时读取数据从而实现频率计算

#include <stdio.h>
#include <string.h>
#include <math.h>
#include <sys/inotify.h>

#define SAMPLE_RATE     10000   // 采样率
#define EVENT_SIZE      sizeof(struct inotify_event) 
#define EVENT_BUF_LEN   1024 * (EVENT_SIZE + 16)
#define FFT_SIZE        1024     // FFT大小

// 计算频率
double fft_calc_freq(double *data, int size) {
    // Hamming窗函数
    for (int i = 0; i < size; i++) {
        data[i] *= 0.54 - 0.46 * cos(2 * PI * i / (size - 1)); 
    }

    // FFT变换 
    double re, im;
    for (int i = 0; i < size; i++) {
        re = data[2*i];
        im = data[2*i + 1];
        data[2*i]     = re + im;
        data[2*i + 1] = re - im;
    }
    int j = 0;
    for (int i = 1; i < size - 1; i++) {
        int bit = size / 2;
        for (; j >= bit; bit /= 2)  
            j -= bit;  
        j += bit;
        if (i < j) {  
            re = data[2*i];  
            im = data[2*i + 1];
            data[2*i]     = data[2*j];  
            data[2*i + 1] = data[2*j + 1];  
            data[2*j]     = re;  
            data[2*j + 1] = im;  
        }
    }

    // 查找最大幅值和对应索引
    double max_amp = 0;
    int max_idx = 0; 
    for (int i = 0; i < size; i++) {
        if (data[i] > max_amp) {
            max_amp = data[i];
            max_idx = i;
        }
    }

    // 计算频率
    double freq = max_idx * (SAMPLE_RATE / size);  
    return freq; 
}

int main() {
    // 创建inotify实例,监视data_folder
    int fd = inotify_init();
    inotify_add_watch(fd, "data_folder", IN_CREATE);

    // 事件缓冲区 
    char event_buf[EVENT_BUF_LEN];     
    while (1) {
        // 读取事件,检测文件创建
        int len = read(fd, event_buf, EVENT_BUF_LEN);  
        
        // 事件结构体
        struct inotify_event *event;
        char *ptr;
        for (ptr = event_buf; ptr < event_buf + len;  
                     ptr += EVENT_SIZE + event->len) {  
            event = (struct inotify_event *)ptr;
            if (event->mask & IN_CREATE) {  // 新文件创建
                // 读取新文件采样数据
                double data[FFT_SIZE]; 
                read_data("newfile", data, FFT_SIZE); 

                // 计算频率
                double freq = fft_calc_freq(data, FFT_SIZE);
                printf("Freq: %.2f Hz\n", freq); 
            }
        }
    }
}

这是一个实现实时频率计算的完整C语言程序。主要步骤为:

1. 使用inotify API监视数据文件夹,检测新文件创建事件。

2. 一旦检测到新文件,读取采样数据并 Windowing。

对数据进行窗函数(Windowing)处理——

采样数据为等间隔采样得到的时间域信号离散序列。但这种序列的突变点会导致频域的泄露,影响频率计算的精确性。所以,我们通常会在傅里叶变换之前,对采样数据应用一个窗函数来进行平滑处理,减少频域泄露的影响。常用的窗函数有:- Hamming窗:适中主瓣宽度,较小的副瓣幅值,用于一般信号分析。
- Hanning窗:与Hamming窗类似,主瓣稍宽,副瓣更小,用于一般信号分析。
- Blackman窗:主瓣最宽,副瓣最小,用于测量较精确频率的信号,适用于频率较密集的信号。
- Rectangular窗:简单的面积归一化,频域泄露严重,不常用。在这里,我们选择了Hamming窗来进行信号平滑处理,减少突变导致的频率计算误差。Hamming窗函数表达式为:w(n) = 0.54 - 0.46cos(2πn/N), 0 ≤ n ≤ N-1其中N为序列长度。所以,“读取采样数据并 Windowing” 的完整过程是:1. 从文件读取原始采样数据序列data[]。2. 对该序列应用Hamming窗函数,得到data_windowed[]。3. 对data_windowed[]进行FFT变换,得到频域幅值谱。4. 在幅值谱中查找最大值来计算频率。这样通过对原始采样数据应用窗函数平滑处理,可以在一定程度上减少频率计算误差,得到更加准确的结果。这是信号处理和频域分析中很常用的一种技术手段。

3. 对数据进行FFT变换,得到频域的幅值谱。

4. 在幅值谱中查找最大值,计算对应频率。

5. 显示计算出的实时频率结果。6. 重复上述步骤,持续监测文件变化和计算频率。

---