Fourier分析入门——第13章——信号分析

采样频率 Fs 的一半(即奈奎斯特频率) 当信号的频率超过奈奎斯特频率时,高频部分无法被正确采样,导致信号在频谱中的频率成分“折返”到较低频率。表示从 0 Hz 到奈奎斯特频率的频率分量,负频率部分通常与正频率部分对称,不被显示。在采样前,使用低通滤波器来限制信号的频率成分,去除高于奈奎斯特频率的部分。根据采样定理,选择足够高的采样频率(至少是信号最高频率的两倍)。此时,奈奎斯特频率为。,表示可以在采样信号中有效还原的最高频率成分。如果信号中的频率成分超过奈奎斯特频率,就会产生一种叫做。,即高频信号会被误解为低频信号,使得重建后的信号失真。 阅读详情

目录

第13章 信号分析

13.1 引言

13.2 加窗(windowing)

13.3 用一系列窗口采样(Sampling with an array of windows)

13.4 混叠现象(Aliasing)

13.5 通过插值重建(Reconstruction by interpolation)

13.6 非点采样(Non-point sampling)

13.7 覆盖系数规则(The coverage factor rule)


第13章 信号分析

13.1 引言

信号分析通常涉及两个或多个波形的加法、乘法或卷积。由于这些操作中的每一个在频域中都有其对应项,因此通常可以通过从空间/时间域和频域查看问题来更深入地了解信号分析的结果。 前一章列出的几个定理,尤其是卷积定理,是在通信工程的背景下推导出来的,用于回答诸如“如果时间信号以这样那样的方式被操纵,它的Fourier变换会发生什么变化?”这样的问题。在本章中,我们通过考察加窗(windowing)和采样(sampling)的常见操作来演示这种通用方法的实用性。

13.2 加窗(windowing)

加窗是将一个信号乘以另一个函数的过程,除了某些有限的时间或空间间隔外,任何地方的值为零。 这个操作如图 13.1 所示,其中为所有 x 定义的任意信号函数 s(x) 乘以矩形窗口函数 w(x),除了区间 -a 到 a 之外,该函数在任何地方都为零。

 ---------------------------------------------图13.1 加窗卷积频谱---------------------------------------

形成乘积 g(x) = s(x)w(x) 类似于通过正好可以显示(reveals)原始波形的一小部分的一个“窗口”查看信号。请注意,由于图 13.1 中的每个函数都是在所有时间范围内定义的,因此每个函数都可以进行Fourier变换操作以产生如图所示的相应频谱。任何具有Fourier变换的窗口都可以通过下面给出的通用方法对其进行分析。

根据卷积定理,s(x)w(x)乘积的Fourier变换等于原函数的频谱S( f  )和窗口函数的频谱W( f  )的卷积。即,

G( f  ) =  S( f  ) * W( f  ) ---------------------------------------------------------------[13.1]

回顾一下,一般情况下,频谱函数 S( f  ) 和 W( f  ) 是复数值。如果我们将这些频谱函数显式地表示成实分量和虚分量之后,并应用卷积的分配律属性,我们求得由四个单独卷积组成的解

   G( f  ) =  {Re[S( f  )] + i Im[S( f  )]} * {Re[W ( f  )] + i Im[W ( f  )]}

           = Re[S( f  )] * Re[W ( f  )] –Im[S( f  )* Im[W ( f  ) +

i { Re[S( f  )]* Im[W ( f  )]+ Im[S( f  )]* Re[W ( f  )]}-------------------------------[13.2]

假如窗口关于原点对称,正如图13.1中的情况,则 W( f  ) 的虚数部分是0(按对称参数),因此,等式[13.2]缩减为

Re[S( f  )] * Re[W ( f  )] + i { Im[S( f  )]* Re[W ( f  )]}-------[13.3]

如果卷积被认为是一种拖尾(smearing)或模糊化(blurring)操作,那么这个结果表明加窗的效果是模糊原始信号的频谱,其模糊量与窗口的宽度成反比。

前述结论的一个重要例子是正弦信号 s(x) = cos(2\pi f_0x) ,通过宽度为w的矩形窗口观察, 根据等式[11.12]和[11.16],其具有Fourier变换 w sinc( wf ) 。在这种情况下,

cos(2\pi f_{0}x) \leftrightarrow \frac{\delta(f-f_0 )+\delta(f+f_0 )}{2} (信号)----------------------------------[13.4]

rect(x/w) \leftrightarrow w sinc( wf )  (窗口)---------------------------------------[13.5]

cos(2\pi f_0x) rect(x/w) \leftrightarrow \frac{\delta(f-f_0 )+\delta(f+f_0 )}{2} * w sinc( wf ) (卷积)-----------[13.6]

在以上这些等式中,这个特别的函数 rect( x )定义为

rect( x ) = \left\{\begin{matrix} 1(-0.5\leqslant x\leqslant0.5)\\ 0(other \hspace{0.2cm}x) \end{matrix}\right.-----------------------------------------[13.7]

应用卷积的分配律属性,再加上δ 函数的筛选(sifting)属性,这个卷积的频谱简化为

cos(2\pi f_0x) rect(x/w) \leftrightarrow \frac{w sinc(f-f_0 )+w sinc(f+f_0 )}{2} ----------------------[13.8]

换句话说,对正弦波加窗的效果是将频谱从带宽为零的纯 δ 函数更改为带宽与窗口宽度成反比变化的 sinc 函数 sin(πx)/πx 。 图 13.2 中说明了一个具体示例,其中通过持续时间为 2 秒的窗口查看 2 Hz 正弦波。 Gabor 函数是对正弦曲线加窗的另一个示例,但具有Gauss曲线而不是矩形曲线。

 ---------------------------------------图 13.2 加窗一个正弦函数-------------------------------------------------

13.3 用一系列窗口采样(Sampling with an array of windows)

连续波形的点采样可以看作是将波形乘以位于需要采样点的 x 值处的一系列单位δ函数。如果样本点等距分布,则各个δ函数看起来就像梳齿。 因此,将连续函数 comb(x) 定义为——表示样本之间值为零的单位距离分隔的单位δ函数的总和,这样做是有益的。即,

\mathsf{comb}(x) = \int_{-\infty}^{\infty}\delta(x-n) ----------------------------------------------------------[13.9]

由于comb(x)是一个具有单位周期的周期函数,所以comb(x)的Fourier变换为comb( f  )也就不足为奇了。因此,空间/时间域中的采样操作对应于信号频谱与comb( f  )函数的卷积。 如图 13.3 所示(未显示结果的虚部),此卷积复制了频域中每个 δ 函数周围的原始频谱。 我们可以如下定量地表述这个结果。如果 d 是采样器之间的距离,则

s(x) ↔ S( f  )(信号) ---------------------------------------------[13.10]

comb(x/d ) ↔ | d | comb( fd  ) (采样器) -------------------------[13.11]

s(x) comb(x/d ) ↔ S( f  ) * | d | comb( fd  )(卷积) ---------------[13.12]

图 13.3 显示了采样率 R 等于信号带宽 W 两倍的临界情况。

 ----------------------------------------------图 13.3 采样卷积频谱-----------------------------------------

得出这个结果的另一种方法是从一系列窄脉冲的Fourier级数开始(图 11.2)。 广义等式 [11.9] 对于宽度为 W、高度为 1/W 且单位面积超过单位间隔 L = 1 的脉冲,产生系数值为 a_k=0 且 a_k = sin( \pi kW )/ \pi kW = sinc(kW) 。在极限情况下,当脉冲宽度 W 接近零时,所有谐波系数将具有相同的幅度 a_k = sinc(0) = 1 。因此,comb(x) 的Fourier级数将为 

\mathsf{comb}(x) = 1 + 2\sum_{k=0}^{\infty} cos(2 \pi kx)=\sum_{k=-\infty}^{\infty}[e^{-i(2\pi kx)}-e^{-i(2\pi kx)}]------------[13.13]

由于信号与 comb(x) 的乘法一次可以处理一个谐波,调制定理的应用表明,与 k 次谐波相乘将使信号频谱的幅度减半并将其向右平移(正频率方向)和向左平移(负频率方向)一定的量,其结果等于第 k 次谐波的频率。对所有谐波进行此操作的结果是在采样频率的每个谐波处复制信号频谱。

理解频谱 S( f  ) 存在多个副本是很重要的,因为采样函数 s(x) 是一个连续函数,采样点之间的所有点的值为零。这与第 3 章和第 4 章中样本点之间的信号未知的情况非常不同。在那种情况下,数据是离散的,而不是连续的,因此Fourier频谱也是离散的,具有有限数量的谐波。 采样理论的经典工程应用通常将被采信号视为连续的模拟信号,通过模拟设备进行滤波、放大和传输。然而,如果样本代表模数转换的输出,则样本之间的信号值是不确定的,而不是零,并且采样数据的频谱是有限的,只有一个信号频谱副本,而不是 无限多份。

13.4 混叠现象(Aliasing)

如图 13.3 所示,如果被采样信号的带宽 w 比频谱中δ函数之间的距离大,则复制的副本将重叠。 这就是前面第7章遇到的混叠(Aliasing)现象。要避免混叠,要求w < R/ 2,也就是信号的带宽必须小于采样频率的一半。 临界值 R/2 称为Nyquist频率(Nyquist frequency),它是采样过程的一个属性,而不是被采样的信号。 从图形的角度来看,Shannon采样定理表明,只要复制的频谱不重叠,就可以无误地恢复原始频谱。第 13.5 节中描述了一种从采样值中复原(retrieving)原始信号的简单方法。由采样元素晶格(lattice)欠采样引起的二维空间混叠具有与阵列几何形状相关的附加自由度(例如正方形或三角形晶格,并且可能旋转)。 图 13.4 显示了由样本点的三角格(样本之间为零值)产生的混叠示例。 这些Fourier光谱被计算为正弦光栅图案(一对δ函数)的光谱与采样阵列(逆晶格)的光谱的卷积。如果采样点阵是样本间距为S的三角形,则逆点阵是间距常数为 2/(S\sqrt{3}) 的三角形,但相对于采样点阵进行了转置和旋转。显示了三种采样配置的示例光谱。 A 行描述了对空间频率略高于采样阵列标称Nyquist频率的垂直或水平光栅进行采样的情况。连续正弦光栅的光谱在左侧面板中由一对圆圈(垂直光栅)和一对十字(水平光栅)表示,加上原点处的另一个 δ 函数,表示光栅的平均亮度。 中心面板显示 0° 方向的采样晶格的光谱中心部分,这将光谱晶格置于 30°方向。 以原点为中心的圆是Nyquist极限概念的二维扩展。我们称这个圆为Nyquist环,因为环的半径表示采样输出可以忠实表示的连续输入的最高空间频率。 严格来说,三角晶格的Nyquist环是一个由最近邻规则定义的六边形:六边形内的所有点都比任何其他晶格节点更接近原点。在这里,我们做出简化的假设,即Nyquist环是圆形的,其半径等于标称Nyquist频率(对于三角形晶格为 0.54/S )。

---------------------------图13.4 将采样光栅(右列)的Fourier光谱计算为连续光栅(左列)的光谱与采样点的三角晶格(中间列)的光谱的卷积的图形描述。 A 行和 B 行中的光栅频率略高于采样阵列的奈奎斯特频率。 C 行中的光栅频率是奈奎斯特频率的两倍。 B 和 C 中的采样阵列相对于 A 中的阵列旋转 15 度。--------------------

图 13.4 的右侧面板显示了对左侧面板和中间面板进行卷积以计算采样刺激的空间频谱的结果。 卷积创建源光谱的多个副本,一个副本以阵列光谱中的每个点为中心。 为了将此面板用作预测欠采样产生的混叠模式的图形方法,我们将注意力集中在Nyquist环的内部,因为这是满足采样定理的空间频率域。 当源光栅超过阵列的Nyquist频率时,采样激励的频谱将落在Nyquist环之外。然而,以附近格点为中心的源光谱的其他副本可能落在Nyquist环内,因此伪装成Nyquist极限以下的低频光栅。欠采样时高频成分伪装成低频成分的过程有时称为频谱泄漏或折叠,是混叠的本质。B 行中描绘的刺激光谱与 A 行中的光栅频率相同,但旋转了 15°。C 行中描绘的频谱也适用于旋转光栅,但空间频率是Nyquist频率的两倍。

如第 13.C 节所述,存在Nyquist环外的频谱部分是因为采样光栅被假定为连续的,采样点之间的值为零。 这将是一个合适的模型,例如,由针孔孔径的重叠阵列掩蔽的光栅模型,因为针孔之间的强度将为零。然而,对于在视网膜上成像的连续光栅被光感受器阵列采样时产生的离散神经图像,这将是一个不合适的模型。 尽管视觉世界在空间上是连续的,即使被针孔阵列掩盖,视觉神经元离散阵列携带的神经图像在空间上也是离散的。更一般地说,模拟采样的空间连续域和数字采样的空间离散域之间的差异对于描述它们各自的频谱具有重要影响,因为连续函数具有无限带宽,而离散函数具有有限带宽。

总之,离散数字采样图像的频谱将仅包含Nyquist环内的那些空间频率。不需要后续处理去除超过Nyquist极限的高空间频率分量,因为它们不存在于采样图像中。例如,没有必要假设一种生理机制在后感受器视觉系统中强加一个“可见窗口”以去除超出光感受器Nyquist极限的频谱的高频部分,因为这些频率不存在于由光感受器产生的神经图像中。然而,如下面第 13.5 节所述,假设采样图像是连续的通常是一种有用的技巧,目的是可视化神经欠采样如何产生混叠。 这样的计算是有效的,因为尽管离散采样图像中不存在高频,但Nyquist环内的低频(包括混叠)对于离散采样器与连续采样器完全相同,后者将零权重分配给样本之间的所有点。

13.5 通过插值重建(Reconstruction by interpolation)

为了从采样信号中恢复出原始信号,只需要将采样信号通过低通滤波器发送(假设复制的光谱不重叠)。如第 12 章所述,输出信号将等于采样信号与滤波器脉冲响应的卷积。等效地,输出频谱将是输入频谱与滤波器传输函数的乘积。理想的低通滤波器具有矩形传输函数 rect(f/w),其中 w 是滤波器的带宽。这种滤波器的脉冲响应是 wsinc(wx),它意味着可以通过将采样信号与 sinc(wx) 函数进行卷积来恢复原始信号,如图 13.5 所示。 因此,sinc(x) 函数通常称为插值函数。公共域程序 interpsinc.m 在 Matlab 中实现了这种插值方法。

-------------------------------图 13.5 频谱加窗插值--------------------------

13.6 非点采样(Non-point sampling)

经常出现这样的情况,即信号不是在单个点上采样,而是在某个有限的间隔或孔径上采样。 根据具体情况,可以采用两种不同的方式制定采样操作。在其中的第一个采样(图 13.6)中,采样是输入与连续采样函数的乘积,其中图 13.3 的 δ 函数被非零宽度的脉冲所取代。 这种情况下的输出是通过Fourier变换在频域中描述的连续函数。第二种情况,进一步描述,导致离散输出适当地由离散Fourier级数而不是Fourier变换描述。

当所有采样元素的大小相同时,为了确定图 13.5 中采样信号的频谱,我们将采样器数组描述为与加权函数卷积的δ函数数组,该加权函数考虑了采样元素的范围。例如,如果采样元素在整个采样持续时间内对输入进行平均加权,则采样函数 q(x) 的一维描述将是

q(x) = rect( x/r ) * comb(x/d )---------------------------------[13.14]

在此表达式中,参数 r 是采样孔径的(正)半径,参数 d 是采样器之间的(正)距离。

使用与上面第 13.3 节中相同的方法,我们可以将此采样问题公式化如下。

s(x) ↔ S( f  )(信号) ---------------------------------------------[13.15]

rect( x/r ) * comb(x/d ) ↔ | r |sinc(fr). d comb( fd  )(采样器)-----[13.16]

s(x).( rect( x/r ) * comb(x/d ))↔ S( f  )* [ r sinc(fr). d comb( fd )](卷积) ---------------[13.17]

根据等式 [13.16],采样器的非零宽度的影响是用 sinc( f  ) 函数调制 comb( f  ) 频谱,如图 13.6 所示。结果,信号频谱的高频副本被衰减(attenuated)。

要考虑的第二种场景是当离散采样元件(传感器)将输入积分到我们可能称为接受域(receptive field)的某个有限区域时的情况。例如,视网膜图像由感光器采样,感光器在直径明显大于零的入口孔径上整合光。 如果这些采样元件紧密排列,则采样阵列的中心间距等于单个采样元件的直径。 物理约束可能会阻止各个传感器实际重叠,但有时这些物理约束并不适用。 例如,锥形感光器在视网膜上不重叠,但当通过眼睛的光学系统投射到物体空间时,它们的接受域确实重叠。图 13.7 显示了一个具体示例,用于刺激重叠接受域的物理对象以产生视锥细胞反应或视神经反应的离散神经图像。类似的情况出现在天文学中,其中具有重叠覆盖天空的接收天线阵列用于对到达地球表面的无线电波或光波进行采样。

 -------------------------------图 13.7 采样器重叠阵列的生理学示例。 离散神经图像产生于对视网膜图像 i(x) 进行采样。 视网膜内的空间整合为视神经 (A) 的中间神经元和输出神经元的重叠神经接受域提供了机会。 当投射到物体空间 (B) 时,即使感光器传感器的接受域也会发生重叠。---------------------------

最简单的分析案例是当单个传感器对落在其接受域上的刺激的加权组合做出线性响应时的情况。在这种情况下,单个传感器对输入信号 i(x) 的响应 r 将通过在传感器的接收域上对输入与加权函数 w(x) 的乘积进行积分来找到。即,

r=\int \limits_{receptive field}i(x)w(x)dx------------------------------------------------------[13.18]

如果阵列中的每个传感器都具有相同的特性,那么我们可以应用移位定理来确定阵列中第 j 个元素的加权函数 w_j(x) ,该元素具有以位置 x_j 为中心的接受区,

w_j = w(x - x_j ) -----------------------------------------------------------------------[13.19]

这个对应的响应 r_j 可通过结合 [13.18] 和 [13.19] 而求得,给出

r_j =\int \limits_{receptive field}i(x)w(x-x_j)dx---------------------------------------------[13.20]

体现在等式[13.20]中的结果,可以从一个更熟悉的有利位置来看,暂时忽略采样图像是离散的这一事实,如图 13.8A 所示。 也就是说,考虑用连续空间变量 u 代替 x_j 。 那么方程[13.20]可以改写为

r(u) =\int \limits_{receptive field}i(x)w(x-u)dx ------------------------------------------[13.21]

这被认为是互相关性积分。换句话说,我们寻求的离散函数是通过输入与传感器的接收加权函数的互相关进行插值的。 因此,我们可以通过评估采样器数组中表示的那些特定位置 x_j 处的互相关结果来复原离散函数。使用标准的五角星 (★) 符号表示互相关,这个结果写为

r_j = [w(x) \bigstar i(x)]|_{x= x_j} -----------------------------------------------------------[13.22]

用卷积 (✳) 代替笨拙的互相关运算产生

r_j = [w(x) * i(x)]|_{x= x_j} ----------------------------------------------------------[13.23]

总之,离散采样图像是通过首先将输入与传感器接受域的空间或时间加权函数进行卷积,然后在传感器阵列占据的位置对结果进行采样来求得的。要了解这是如何工作的,请考虑为点源输入求得采样输出的问题。如果我们用脉冲增量 ( δ ) 函数表示此输入 i(x),则脉冲函数的筛选特性会产生

r_j = [w(-x) * \delta(x)]|_{x= x_j}

= w(-x_j)----------------------------------------------------------------------------[13.24]

换句话说,这个等式表示线性传感器的同质阵列响应点激励的采样输出等于它们的共同接收加权函数,反映在原点附近,并在阵列占据的那些位置进行计算。该输出可能称为采样阵列的离散点扩散函数 (PSF)(图 13.8B)。这个离散的 PSF关于原点反射,因为右侧的神经元根据左侧的加权函数做出响应。

等式[13.24]的生理应用如图 13.8 所示。 离散神经图像被视为三个顺序处理阶段后的结果。首先,对象 o( x ) 被光学过滤(通过与 p( x ) 卷积,即光学 p.s.f.)以产生光学视网膜图像。接下来,该视网膜图像经过神经过滤(通过与神经 p.s.f. n( x ) = w(-x) 卷积)以形成假设的连续神经图像。 最后,输出神经元(神经节细胞)阵列对连续神经图像进行点采样,以生成离散神经图像,准备好通过视神经传输到大脑。注意等式[13.23]中体现的观点的变化。最初,视网膜的输出阶段被描绘成一组有限的、重叠的接受域,它们同时对视网膜图像进行采样和过滤。 现在这个双重功能被分成两个不同的阶段:通过接受域进行神经过滤,然后用一系列点采样器进行采样。因此我们看到,非点采样器的神经过滤等同于更传统的过滤形式,例如光学模糊提供的过滤。

-------------------------------图 13.8 重叠有限采样与过滤图像的点采样的等效性。 对象被光学过滤以产生连续的视网膜图像,该图像由神经接受域再次过滤以产生在离散点(A)采样的假设的连续神经图像。 对于点源,生成的神经图像是一个离散的响应数组,称为采样数组 (B) 的离散点扩散函数。---------------------------

13.7 覆盖系数规则(The coverage factor rule)

由于有限采样器包含低通滤波元件,因此如果接受域与阵列间距相比相对较宽,则它们可能成为有效的抗混叠滤波器。 通过使用 Bracewell 的等效带宽定理,我们可以在不详细了解接受域加权函数形状的情况下定量地发展这个思想。 该定理基于中心坐标定理,指出滤波器的等效宽度与等效带宽的乘积为1。 根据定义,函数的等效宽度是高度等于中心纵坐标且面积与函数的面积相同的矩形的宽度。在本文中,传感器的等效宽度是接受域的等效直径 d_E (图 13.9A)。该滤波器在频域中的等效宽度是理想的低通滤波器的宽度,其高度和面积与接受域的Fourier 变换相同(图 13.9B)。等效截断频率(cutoff frequency) f_C (a.k.a “带宽”)将会是等效带宽(从 f_C 延伸到  f_C )的一半,因此(根据等效带宽定理) ,f_C = \frac{1}{2}d_E 。为了避免混叠(aliasing),滤波器的截断频率 f_C 必须小于由阵列的特征间距 S 设置的Nyquist频率(0.5/S)。因此,当 d_E>2S 时,即,当等效接收域半径超过域间距时(见图13.10),可以避免混叠现象。

 -----------------------------图13.9 (左图)示例一维接收域加权函数 w(x) = sinc(x/d),d = 0.5 以及面积和高度与 w(x) 相等的等效矩形轮廓。(右图)接收域加权函数的Fourier变换为 W( f  ) = 宽度为 1/ d、带宽为 1/2 d 的矩形。----------------

-----------------------------图13.10 接收域, 图 13.9 中的接收域加权函数数组,间距等于接收域的等效半径。 这是在离散响应数组中避免混叠所需的最小间距-----------------------------------

类似的推理思路也适用于二维接收域,在图 13.11A 中,接收域由一系列正方形瓷砖(tiles)镶嵌(tessellated)而成,每个瓷砖包含视觉神经元的圆形接收域。 假设域的径向(radial)对称性,将 Bracewell 定理推广到二维接收域,表明等效宽度与等效带宽的乘积为 4/π ,因此(按以上的标准),单个神经元的截断频率为 4/(\pi d_E) 。阵列的Nyquist频率会随光栅方向略有不同,但 0.5/S 仍然是一个有用的下限。 因此,抗混叠要求是 d_E > 8S/ \pi 。 换句话说,如果感受野的等效半径超过 4/π 乘以感受野间距,则可以避免混叠。 在此分析假定的近似水平内,4/π与单位相同,因此避免混叠的一维和二维要求基本相同。 因此,我们从这些论点中得出结论,有效的抗混叠过滤要求接收域的半径大于接收域之间的间距(即 R > S )。 图 13.10B 描绘了临界情况 (R = S),以及同时处于阵列Nyquist频率和神经光学滤波器截止频率的光栅刺激。

----------------------------------图 13.11 方形阵列的圆形接收域覆盖域。 (A) 域被细分为最近邻区域。 S = 字段之间的间距,R = 每个字段的半径。 (B) 个别接收域的截止空间频率恰好与阵列的Nyquist频率相匹配的临界情况。 θ = 阵列Nyquist频率下的光栅周期----------------------------------------

神经生理学家(Neurophysiologists)非常清楚混叠(aliasing)对于视觉系统保真度(fidelity)的重要性,因此设计了一种称为“覆盖因子(coverage factor)”的简单测量方法来评估给定的视网膜结构是否允许混叠。从概念上讲,阵列的覆盖因子衡量存在多少重叠。对于一维阵列,覆盖等于字段的宽度与间距之比。 此处这个度量的效用在于,它在单个参数中封装了大小与间距之比作为混叠决定因素的重要性。用这些术语来说,上述结果表明覆盖率必须大于统一性才能避免混叠。 换句话说,接收域必须重叠。

对于二维阵列,覆盖范围必须更大以防止混叠。 为了计算覆盖率,我们将域细分为最近邻区域(也称为 Voronoi 或 Dirichlet 区域),如图 13.11A 中的方形阵列所示,然后定义

Coverage = \frac{Area \hspace{0.2cm} of \hspace{0.2cm} receptive \hspace{0.2cm} field}{Area \hspace{0.2cm} of \hspace{0.2cm} tile} = \frac{\pi R^2}{S^2} -------------------------------------[13.25]

对于六边形阵列,瓷砖的面积为 0.5S^2/\sqrt{3} 因此覆盖范围为 2\pi(R/S)^2/\sqrt{3} 。这种重叠测量的效用在于,它将接收域大小与接收域间距之比作为混叠的决定因素。对于图 13.11B 所示的临界情况,R = S,因此覆盖因子等于π(对于方形阵列)或  2\pi(R/S)^2/\sqrt{3} (对于六角阵列)。 换句话说,如果覆盖率小于大约 3,我们可以预期会产生混叠。生理学证据表明,为了避免完全混叠,覆盖率可能必须高达 4.5 到 6,因为猫和猴子的视网膜神经节细胞继续对高于噪声水平的光栅做出响应,其空间频率比他们估计的高 1.5 到 2 倍 等效直径。这种对非常高频率的响应可能代表一种“虚假分辨率”,其中响应的相位反转,当接收域分布具有尖角或多个灵敏度峰值时,这是可以预期的。

内容来源:

<< Fourier Analysis for Beginners>> Larry N. Thibos

傅里叶Fourier变换fft-python-scipy-幅值-辐角-相位(一) 基础回顾 Fourier变换就是将周期信号沿正交基分解,而一组良好的正交基就是正弦/余弦函数,完备的正交基为 ej2πntT或e2πnf0t\displaystyle e^{j\frac {2 \pi n t}{T}} 或 e^{2 \pi n f_0t}ejT2πnt​或e2πnf0​t , 正交容易证明,完备性证明复杂。 基于此,连续域上的Fourier变换可以写为 F(ω)=∫−∞+∞f(t)e−jωtdt\displaystyle F(\omega) = \int_{-\infin}^{+\infi 阅读详情

相关推荐

【 MATLAB 】信号处理工具箱之 fft 案例分析

上篇博文:【 MATLAB 】信号处理工具箱之fft简介及案例分析介绍了MATLAB信号处理工具箱中的信号变换 fft 并分析了一个案例,就是被噪声污染了的信号的频谱分析。 这篇博文继续分析几个小案例: Gaussian Pulse 这个案例是将高斯脉冲从时域变换到频域,高斯脉冲的信息在下面的程序中都有注释: clc clear close all % Convert a Gaussia...

Reborn Lee 6127

什么是信号分析和信号处理?

信号是一种传载信息的函数,需要对信号进行分析和处理,才能获得有用的信息。因此,什么是信号分析和信号处理?

我不是多啦A梦的博客 2102

【Fourier变换】从电路理论到信号处理:傅里叶变换的工程应用解析

本文深入解析傅里叶变换在工程领域的核心应用,从电路分析到信号处理,揭示其时频转换的强大功能。通过实际案例展示如何利用傅里叶变换性质(如微分/积分特性、频域平移等)解决电路设计、通信调制和滤波器优化等问题,并分享工程实践中的混叠防护和窗函数选择经验。

weixin_28678151的博客 388

信号分析方法

1.傅里叶变换及其性质 非周期信号傅里叶变换: 常见傅里叶变换: 时域 傅里叶变换 1 常用傅里叶变换性质: 1.对称性: 2.时移特性 3.频移特性 4.尺度变换 5.时域微分 6.奇偶虚实性:(实函数的幅度谱时偶函数,相位谱是奇函数) 7.卷积定理(时域有限信号可以表示为一个矩形窗和另一个信号的城乘积,由矩形窗的频

qq_43732211的博客 3385

加窗互相关(corrgram):计算加窗互相关-matlab开发

计算两个信号 A 和 B 之间的加窗互相关,直至达到预定义的滞后。 用法类似于 Matlab 函数 SPECGRAM。

奈奎斯特频率(Nyquist frequency)

奈奎斯特频率(Nyquist frequency)

Fourier分析入门——第12章——Fourier变换的性质

Fourier变换的性质

ComputerInBook的专栏 1444

2017年电赛题目-自适应滤波器

电赛题目解析之自适应滤波器 首先来看看题目: 2017全国大学生电子设计竞赛题目 这道题有很多发挥空间,本文将介绍三种电路: 数字电位器移相模拟电路 压控移相模拟电路 数字方法 一、数字电位器移相模拟电路 对于前级的加法器比较简单,这里贴出一种使用OPA209实现的常规做法: 输入端分别输入A信号和B信号就可以实现A+B,因为信号频率很低不涉及到阻抗匹配问题,所以这种接法没............

电气小能手的博客 2万+

连续信号与系统频域分析的matlab实现,实验十三 连续信号与系统频域分析的MATLB实现...

实验十三 连续信号与系统频域分析的MATLB实现 实验十三 连续信号与系统频域分析的 MATLAB 实现70实验十三 连续信号与系统频域分析的 MATLAB 实现一、实验目的 1. 掌握连续时间信号频谱特性的 MATLAB 分析方法;2.掌握连续系统的频率响应 MATLAB 分析方法方法。二、实验原理 1. 连续时间信号的频谱---傅里叶变换非周期信号的频谱密度可借助傅里叶变换作分析。傅里叶正变换...

weixin_39673051的博客 803

FINN vs GFED vs GFAS vs QFED:四大火灾排放清单实战对比(含Python数据处理代码)

本文针对GFED、FINN、GFAS、QFED四大主流火灾排放清单,提供了实战对比分析与Python数据处理代码。通过量化对比东南亚农业火点与亚马逊雨林大火两个典型场景,揭示了不同清单在时空分辨率、算法内核和应用场景上的核心差异,并给出了基于研究目标、区域和模型的清单选择决策框架,帮助研究人员为空气质量模拟或火灾影响评估挑选最合适的数据源。

s3t4u的博客 424

JS逆向实战:从宿务航空机票搜索到参数签名算法解析

在现代Web应用开发中,前端与后端的数据交互安全是核心技术环节。其原理通常涉及参数签名、令牌验证等机制,用于防止未授权访问和数据篡改。这些技术的核心价值在于保障接口调用的合法性与数据完整性,广泛应用于电商、金融、旅行预订等对数据安全要求较高的场景。以机票搜索为例,网站常通过动态生成的签名参数来验证请求来源。本文以宿务太平洋航空为案例,深入解析其搜索请求中关键参数(如signature)的生成逻辑,并演示如何通过浏览器开发者工具进行断点调试、变量追踪,最终使用Node.js与crypto-js库本地复现完整请

weixin_26642481的博客 752

Fourier分析:改变世界的诗

Fourier分析:改变世界的诗   按时间顺序讲,Fourier分析的起源应当首推Fourier本人.Fourier是逻辑上的起始人物,他对数学、科学以及我们当代生活的影响是不可估量的,然而他并不是一位职业数学家或科学家,它所做的巨大贡献都是忙里偷闲完成的.但人们认为他是世界上至少是法国最伟大的科学家之一.      Fourier的全名叫Jean Baptiste Joseph Fouri

1043

五子棋AI实战:极大极小搜索、Alpha-Beta剪枝与禁手实现

博弈树搜索是双人零和博弈AI的经典决策框架,其核心思想是假设对手最优应对,通过递归遍历走法空间寻找最优解。极大极小搜索配合Alpha-Beta剪枝,能在不影响决策结果的前提下将搜索量降至平方根级别,大幅提升搜索效率。在五子棋场景中,还需处理黑棋禁手规则,包括双三、双四和长连判定,并将其融入搜索框架。评估函数基于棋型识别对局面打分,走法排序和迭代加深进一步优化剪枝效果。这些技术共同构成了一个可运行的五子棋AI,适用于棋类AI入门与博弈搜索实践。

weixin_29054399的博客 133

python信号分析_信号分析系统python实现版本 - 下载 - 搜珍网

文件名大小更新时间Signal-analysis-system-master02018-11-05Signal-analysis-system-master\.idea02018-11-05Signal-analysis-system-master\.idea\markdown-navigator02018-11-05Signal-analysis-system-master\.idea\mark...

weixin_39586353的博客 198

OpenCV安装配置教程VS2022(超级顺利)

博主最开始没打算写这篇博客,只是想简单的在网上找一下最新版的OpenCV的安装配置教程,适用于VS2022的,但是我搜了一早上,也没搜到一个能让我成功安装配置的,看了很多很多文章,根本就没有几篇有用的。所以没办法了,只能自己研究了,于是就整理了这篇博客,希望能帮到和我一样的人,这就是博主一直信奉的利他精神!

weixin_47367099的博客 5万+

基于FPGA 外置qspi Flash的读写

fpga上实现flash读写代码

weixin_43498765的博客 4958

信号处理的本质是什么?从零基础到精通,收藏这篇就够了!

信号处理的宗旨是“将信号中蕴涵的信息变得显然”,从数学角度分析, 信号即是某个物理量x的函数f(x), 信号所蕴含的信息需要通过此类函数予以揭示. 自然地可将f(x)投影到其所在空间中的一组基函数上, 由投影系数或加权系数来构成函数f(x)在变换域上的表示。投影基函数选取的不同, 实质上是从不同角度对信号加以分析, 因此可以选取简单的基函数, 利用其所具备的性质来揭示函数f(x)的性质。一定程度上, 合理的信号表示方法可以直接得到我们需要的信号中所蕴含的信息。木马免杀问题与防御********必知必会。

leah126的博客 1033

【kubernetes】kubernetes kubeadm init 错误了 怎么回退?

因为虚拟机设置问题首先报错:然后我根据文章修改了核数。重启后,查看VIP运行所在机器,发现机器没有变化然后重新执行初始化后面报错了根据提供的信息,问题主要集中在 kubelet 未能成功启动控制平面组件,导致初始化过程超时。以下是可能的原因及相应的排查步骤:原因 1:kubelet 未运行或运行状态异常正如错误提示所指出,kubelet 可能未运行或处于不健康状态。请按照提示执行以下命令检查 kubelet 的状态和服务日志:根据输出结果,判断 kubelet 是否正常运行。后续一大堆错误。

九师兄 121

利用matlab命令画出以下信号的波形,北京理工大学信号与系统实验报告3信号的频域分析.docx...

北京理工大学信号与系统实验报告3信号的频域分析.docx 实验3信号的频域分析(综合型实验)一、实验目的1)深入理解信号频谱的概念,掌握信号的频域分析方法。2)观察典型周期信号和非周期信号的频谱,掌握其频谱特性。二、实验原理与方法1连续周期信号的频谱分析如果周期信号满足DIRICHLET条件,就可展开为傅里叶级数的形式,即(1)0TJKTKXCE(2)001TEJKTKTCXD...

weixin_35014204的博客 1591

【Bug已解决】Codex Desktop 报错 Computer Use 插件不可用的解决方案

方案适用场景推荐指数让 Codex 自查修复首选的快速尝试方式⭐⭐⭐⭐⭐清理插件缓存重启明确怀疑是本地缓存损坏⭐⭐⭐⭐彻底卸载重装前两个方案无效时的进阶方案⭐⭐⭐⭐检查安全软件拦截企业电脑/装有严格安全软件的环境⭐⭐⭐确认账号权限范围排除功能本身未开放的可能性⭐⭐⭐Codex Desktop 报Computer Use 插件不可用的本质是客户端内置的插件资源在本地未被正确解包或注册到插件市场索引中,而不是真的缺少安装包。优先尝试让 Codex 自身检测并修复本地插件环境。

一键难忘的博客 5985

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

傅里叶分析的历史背景

Fourier分析的背景

ComputerInBook的专栏 1684

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Fourier Transform

The Fourier transform is a generalization of the complex Fourier series in the limit as infty" src="http://mathworld.wolfram.com/images/equations/FourierTransform/Inline1.gif" width="38" height="14

fanbird2008的专栏 1714

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

数字信号处理的思考

请看代码: 1 clf;fs=100; %采样频率 2 Ndata=128; %数据长度 3 N=256; %FFT的数据长度 4 n=0:Ndata-1;t=n/fs; %数据对应的时间序列 5 %x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %时间域信号 6 x=0.5*sin(2*pi*20*t); 7 y=ff...

weixin_34051201的博客 115

信号与系统MATLAB实验:连续信号的采样与恢复

【代码】信号与系统MATLAB实验:连续信号的采样与恢复。

lengmei1的博客 3192

【论文阅读笔记】Fine Classification Method for Massive Microseismic Signals Based on Short-Time Fourier Tran

【论文阅读笔记】Fine Classification Method for Massive Microseismic Signals Based on Short-Time Fourier Transform and Deep Learning

qq_44653420的博客 1322

开源信号处理算法库SP++

转载地址:https://my.oschina.net/zmjerry/blog/13049 张明 发布于 2011/02/12 09:13 SP++ (Signal Processing in C++) 是一个关于信号处理与数值计算的开源C++程序库,该库提供了信号处理与数值计算中常用算法的C++实现。SP++中所有算法都以C++类模板方法实现,以头文件形式组织而成,所以不需要用户进行本地编...

weixin_42142612的博客 2682
上一篇: Fourier分析入门——第12章——Fourier变换的性质
下一篇: Fourier分析入门——第14章——Fourier光学
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值