超级会员免费看
信号处理中的频谱分析与数字滤波
1. 信号的频谱分析
1.1 基本概念和公式
在信号处理中，频谱分析是理解信号特性的重要手段。对于信号 (f(x)) 和 (g(x))，它们的均值分别由以下公式定义：
[F(x)=\frac{1}{N}\sum_{i = 1}^{N}f(x)]
[G(x)=\frac{1}{N}\sum_{k = 1}^{N + k}g(x)]
它们的均方根（RMS）值则由以下公式给出：
[\sigma_{f(x)}=\sqrt{\frac{1}{N}\sum_{i = 1}^{N}[f(x)-F(x)]^2}]
[\sigma_{g(x)}=\sqrt{\frac{1}{N}\sum_{k = 1}^{N + k}[g(x)-G(x)]^2}]
1.2 周期信号的傅里叶级数表示
每个周期为 (T_p) 的周期信号 (x(t)) 都可以用傅里叶级数表示为一系列谐波波形的和：
[x(t)=a_0+\sum_{k = 1}^{n}(a_k\cos(k\omega t)+b_k\sin(k\omega t))]
其中，(\omega=\frac{2\pi}{T_p}) 是对应于信号周期 (T_p) 的角频率，(n) 在理论上是无穷大，但在实际应用中总是有限的整数。系数 (a_k) 和 (b_k) 由以下积分确定：
[a_k=\frac{2}{T_p}\int_{0}^{T_p}x(t)\cos(k\omega t)dt]
[b_k=\frac{2}{T_p}\int_{0}^{T_p}x(t)\sin(k\omega t)dt]
信号也可以用各个频谱分量的振幅和相位来表示：
[x(t)=\sum_{k = 1}^{n}X_k\sin(k\omega t+\phi_k)]
其中，(X_k=\sqrt{a_k^2 + b_k^2})，(\phi_k=\arctan(\frac{a_k}{b_k}))。
1.3 信号频谱的复形式表示
信号的频谱分量还可以用复形式表示：
[X(f_k)=\frac{1}{T_p}\int_{-T_p/2}^{T_p/2}x(t)\exp(-j2\pi f_kt)dt]
其中，(T_p) 是信号 (x(t)) 的周期，(f_k = kf_1 = k/T_p) 是第 (k) 次谐波的频率。通过逆傅里叶变换可以重建信号的时间历程：
[x(t)=\sum_{k = -n}^{n}X(f_k)\exp(j2\pi f_kt)]
1.4 采样信号的频谱分析
1.4.1 非周期采样信号
非周期采样信号，其等间隔时间周期为 (T_s = 1/f_s)，其频谱由离散傅里叶变换（DFT）确定：
[X(f)=\sum_{n = -\infty}^{\infty}x(t_n)\exp(-j2\pi ft_n)]
其中，(t_n = nT_s = n/f_s) 是各个采样点的时间。非周期采样信号的频谱是周期性的，周期为 (1/f_s)，原始信号频谱的副本会围绕采样频率 (f_s) 的整数倍对称出现。
1.4.2 周期采样信号
周期采样信号的频谱由以下公式给出：
[X(k)=\frac{1}{N}\sum_{n = 0}^{N - 1}x(nT_s)\exp(-j\frac{2\pi nk}{N})]
其中，(k) 是整数（谐波阶数），(n) 是整数，(N) 是在变换后的周期信号 (x(t)) 的周期 (T_p) 内，以等时间间隔 (T_s) 采样的样本数。重建后的信号时间历程为：
[x(t)=\sum_{k = 0}^{N - 1}X(k)\exp(j\frac{2\pi nk}{N})]
周期采样信号的频谱也是不连续且周期性的。采样点数 (N) 必须根据采样定理选择，即信号 (x(t)) 的最高有效谐波分量在其周期内必须采样两次以上。
1.5 评估频谱特性的参数
为了评估分析信号的频谱特性，使用以下参数：
-
振幅谱
：(\vert X_k\vert) 定义为信号第 (k) 次谐波分量的绝对值。对于电压信号，通常以 dB 为单位表示，参考电压电平可以是 1 V（dBV）、1 mV（dBm）或 1 mV（dBmV）。
-
功率谱
：(\vert X_k\vert^2) 定义为信号谐波分量振幅的平方。对于电压信号，功率谱表示相应谐波分量在 1 Ω 电阻上的平均功率。功率谱通常以 dBW、dBmW 为单位表示。
-
能量谱密度
：(\vert X_k\vert^2\cdot t/\Delta t) 表示信号频谱在频率范围 (\Delta f) 内的部分能量，主要用于非平稳脉冲信号的分析。
-
功率谱密度
：(\vert X_k\vert^2/\Delta t) 表示信号频谱在频率范围 (\Delta f) 内的部分频谱功率，用于分析平稳信号的特性。
-
功率倒谱
：定义为功率谱或频谱功率密度的对数的傅里叶变换的绝对值的平方：
[C(\tau)=\vert F{\log[S(f)]}\vert^2]
其中，(F{\cdot}) 是傅里叶变换符号，变量 (\tau) 具有时间维度，称为倒频率。倒谱分析特别适用于功率谱具有多个部分功率谱乘积或商特征的现象分析。
1.6 时间窗处理
在非相干采样情况下，即采样点数 (N) 不是采样信号周期的整数倍时，频谱分析会出现与相干采样信号分量不对应的频谱分量，这种现象称为频谱泄漏。可以通过使用时间窗来部分抑制频谱泄漏。常见的时间窗有矩形窗、汉宁窗、汉明窗和布莱克曼 - 哈里斯窗等。
矩形窗的频率特性除了在零频率轴周围对称分布的主瓣外，还有额外的旁瓣，最大的两个旁瓣比主瓣振幅低 13 dB。矩形窗的频率响应为：
[G(f)=\frac{\sin(\pi fT_p)}{\pi fT_p}]
其零点位于 (1/T_p)、(2/T_p) 等频率处，在零频率处有最大值 (1/T_p)。
时间窗的宽度 (T_p) 决定了频谱分析仪的频率分辨率。对于矩形窗，频率带宽 (BW = 1/T_p)。不同时间窗的主要参数如下表所示：
| 窗口类型 | 主瓣抑制 | 等效噪声带宽（ENBW） |
| — | — | — |
| 矩形（Boxcar） | 13 dB | 1.00 |
| 三角形（Barlettovo） | 25 dB | 1.27 |
| 汉宁（Hanning） | 32 dB | 1.51 |
| 汉明（Hamming） | 43 dB | 1.37 |
| 布莱克曼 - 哈里斯（Blackman - Harris） | 58 dB | 2.01 |
2. 信号的数字滤波
2.1 滤波的基本概念
信号滤波用于抑制或突出信号的部分频谱。可以使用模拟滤波器或数字滤波器进行信号滤波。模拟滤波器由电阻、电容和运算放大器组成，通过负反馈和正反馈实现其传输特性。数字滤波器则基于离散傅里叶变换（DFT）和 Z 变换的算法来生成其传输特性。
2.2 滤波器的类型和特性
根据滤波器的传输频率特性，可分为低通滤波器、高通滤波器、带通滤波器和带阻滤波器。这些滤波器的归一化振幅 - 频率特性如下图所示：
graph LR
classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
A(低通滤波器):::process --> B(高通滤波器):::process
B --> C(带通滤波器):::process
C --> D(带阻滤波器):::process
滤波器的通带由其上下截止角频率确定，在这些频率处，滤波器的传输与参考传输相差 3 dB。带通滤波器还定义了带宽 (\Delta\omega=\omega_h-\omega_d) 和平均角频率 (\omega_0=\sqrt{\omega_d\omega_h})。带通滤波器的品质因数 (Q=\frac{\omega_0}{\Delta\omega})。
2.3 滤波器频率特性的近似
常用贝塞尔、巴特沃斯和切比雪夫多项式来近似滤波器的频率特性。
2.3.1 贝塞尔低通滤波器
(n) 阶贝塞尔低通滤波器的频率特性由以下方程表示：
[F_{LP1}(j\omega)=\frac{1}{1 + j\frac{\omega}{\omega_0}}]
[F_{LP2}(j\omega)=\frac{1}{1 + j\frac{\omega}{\omega_0}-\left(\frac{\omega}{\omega_0}\right)^2}]
[F_{LP3}(j\omega)=\frac{1}{1 + j2.5\frac{\omega}{\omega_0}-15\left(\frac{\omega}{\omega_0}\right)^2 - j15\left(\frac{\omega}{\omega_0}\right)^3}]
[F_{LP4}(j\omega)=\frac{1}{1 + j3.7\frac{\omega}{\omega_0}-21\left(\frac{\omega}{\omega_0}\right)^2 - j105\left(\frac{\omega}{\omega_0}\right)^3 + 105\left(\frac{\omega}{\omega_0}\right)^4}]
输出信号相对于输入信号的相移近似与滤波器阶数 (n) 和频率成正比，群延迟近似与滤波器阶数成正比。
2.3.2 巴特沃斯低通滤波器
(n) 阶巴特沃斯低通滤波器的频率特性由以下方程表示：
[F_{LP}(\omega)=\frac{1}{1 + \left(\frac{\omega}{\omega_0}\right)^{2n}}]
与贝塞尔滤波器相比，巴特沃斯滤波器的振幅 - 频率特性下降更陡峭，过渡特性有轻微过冲，过冲随滤波器阶数增加而增大。
2.3.3 切比雪夫低通滤波器
切比雪夫低通滤波器的振幅 - 频率特性下降最陡峭，但在截止频率以下的频率处有波纹。其频率传输由以下方程近似：
[F_{LP}(\omega)=\frac{1}{\sqrt{1 + \epsilon^2C_n^2\left(\frac{\omega}{\omega_0}\right)}}]
其中，(C_n) 是 (n) 阶切比雪夫多项式，(\epsilon) 决定了通带内振幅 - 频率特性的比例波纹。当 (C_n = 1) 时，振幅 - 频率特性的波纹振幅为 (A_1=\frac{1}{\sqrt{1 + \epsilon^2}})。
2.4 模拟滤波器与数字滤波器的关系
模拟滤波器的传输在频域中由其传递函数定义：
[H(\omega)=\frac{Y(\omega)}{X(\omega)}]
其中，(X(\omega)) 和 (Y(\omega)) 分别是滤波器输入和输出信号的频谱。滤波器输出电压的时间历程由其过渡特性 (h(t)) 与输入信号 (x(t)) 的乘积给出：
[y(t)=h(t)\cdot x(t)]
数字滤波器的传输由基于 Z 变换的传递函数定义：
[H(z)=\frac{Y(z)}{X(z)}]
其中，(X(z)) 和 (Y(z)) 分别是滤波器输入和输出信号的频谱。滤波器输出信号的采样时间序列由滤波器的过渡特性 (h(n)) 与输入信号的采样时间序列的乘积确定：
[y(n)=h(n)\cdot x(n)=\sum_{k = 0}^{N}b_kx(n - k)]
数字滤波器的传递函数可以表示为多项式的商：
[H(z)=\frac{B(z)}{A(z)}=\frac{b_0 + b_1z^{-1}+b_2z^{-2}+\cdots + b_Nz^{-N}}{1 + a_1z^{-1}+a_2z^{-2}+\cdots + a_Mz^{-M}}]
如果 (A(z) = 1)（(a_i = 0)），则传递函数表示有限脉冲响应（FIR）滤波器的传输，FIR 滤波器总是稳定的，但为了实现通带和阻带之间更大的陡峭度，需要选择更高阶的多项式 (B)，这会延长滤波器对输入信号时间变化的响应时间。如果 (A(z)\neq1)（(a_i\neq0)），则传递函数表示无限脉冲响应（IIR）滤波器的传输，IIR 滤波器通常不一定稳定，但可以用较低阶的多项式实现相同的频率特性陡峭度，从而缩短输出信号的稳定时间。
2.5 数字滤波器的结构
2.5.1 FIR 滤波器结构
FIR 数字滤波器的基本结构包括直接形式和转置形式。直接形式由延迟元件 (z^{-1})、加权元件 (b_n) 和加法器 (\Sigma) 连接而成，转置结构是直接形式的对偶连接，其输入和输出互换，连接节点与加法器互换。两种结构的传递函数和输出信号分别为：
[H(z)=b_0 + b_1z^{-1}+b_2z^{-2}]
[y(n)=b_0x(n)+b_1x(n - 1)+b_2x(n - 2)]
通过串联或并联排列 FIR 滤波器，可以实现更高阶滤波器的传输。串联时，总传输为各个基本滤波器结构传输的乘积：
[H_s(z)=H_0(z)\cdot H_1(z)\cdots H_k(z)]
并联时，总传输为各个基本滤波器结构传输的和：
[H_p(z)=H_0(z)+H_1(z)+\cdots + H_k(z)]
2.5.2 IIR 滤波器结构
IIR 数字滤波器也有直接形式和转置形式。两种结构的传递函数为：
[H(z)=\frac{b_0 + b_1z^{-1}+b_2z^{-2}}{1 + a_1z^{-1}+a_2z^{-2}}]
与 FIR 滤波器类似，IIR 滤波器的基本结构也可以用于实现更高阶的滤波器。
2.6 数字滤波器的应用与选择
在实际应用中，需要根据具体的需求来选择合适的数字滤波器。以下是一些常见的应用场景以及对应的滤波器选择建议：
-
音频处理
：在音频信号处理中，常常需要对声音进行降噪、增强等操作。对于平滑音频信号和去除高频噪声，低通滤波器是一个不错的选择。例如，在录制音乐时，使用低通滤波器可以去除不必要的高频杂音，使音频更加纯净。如果需要突出音频中的高音部分，可以使用高通滤波器。
-
通信系统
：在通信领域，信号的频谱非常复杂，需要精确地控制信号的频率范围。带通滤波器常用于选择特定频率范围内的信号，以确保通信的准确性和稳定性。例如，在无线通信中，带通滤波器可以选择所需的频段，避免干扰信号的影响。
-
图像处理
：在图像处理中，数字滤波器可以用于图像的平滑、锐化等操作。例如，使用低通滤波器可以对图像进行平滑处理，减少图像中的噪声；而高通滤波器则可以增强图像的边缘和细节。
在选择数字滤波器时，还需要考虑滤波器的阶数、截止频率、波纹等参数。一般来说，阶数越高，滤波器的性能越好，但计算复杂度也会相应增加。截止频率决定了滤波器允许通过的频率范围，需要根据具体的应用需求进行调整。波纹则影响了滤波器在通带内的平坦度，对于一些对信号精度要求较高的应用，需要选择波纹较小的滤波器。
2.7 数字滤波器的设计步骤
设计数字滤波器通常需要以下几个步骤：
1.
确定滤波器的类型和性能指标
：根据具体的应用需求，确定滤波器的类型（如低通、高通、带通、带阻）以及所需的性能指标，如截止频率、波纹、阻带衰减等。
2.
选择合适的近似方法
：根据滤波器的性能要求，选择合适的近似方法，如贝塞尔、巴特沃斯、切比雪夫等。不同的近似方法具有不同的特点，需要根据具体情况进行选择。
3.
计算滤波器的系数
：根据所选的近似方法和性能指标，计算滤波器的系数。这可以通过数学公式或专业的滤波器设计软件来完成。
4.
实现滤波器
：将计算得到的系数应用到数字滤波器的结构中，实现滤波器的功能。可以使用编程语言（如 Python、MATLAB 等）或硬件描述语言（如 Verilog、VHDL 等）来实现。
5.
验证和优化滤波器
：对设计好的滤波器进行验证，检查其是否满足性能指标要求。如果不满足，可以对滤波器的系数或结构进行优化，直到达到满意的效果。
以下是一个使用 Python 实现简单低通 FIR 滤波器的示例代码：
import numpy as np
import scipy.signal as signal
import matplotlib.pyplot as plt
# 设计低通 FIR 滤波器
order = 50 # 滤波器阶数
cutoff_freq = 0.2 # 截止频率
b = signal.firwin(order, cutoff_freq)
# 生成测试信号
t = np.linspace(0, 1, 1000)
x = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 50 * t)
# 应用滤波器
y = signal.lfilter(b, 1, x)
# 绘制原始信号和滤波后的信号
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(t, x, label='Original Signal')
plt.title('Original Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.legend()
plt.subplot(2, 1, 2)
plt.plot(t, y, label='Filtered Signal', color='orange')
plt.title('Filtered Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
plt.legend()
plt.tight_layout()
plt.show()
2.8 频谱分析与数字滤波的结合应用
频谱分析和数字滤波在很多领域都有广泛的结合应用。例如，在故障诊断中，可以先对采集到的振动信号进行频谱分析，找出故障特征频率。然后，使用数字滤波器对信号进行滤波，去除干扰信号，突出故障特征信号，从而更准确地诊断故障。
以下是一个频谱分析与数字滤波结合应用的流程图：
graph LR
classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
A(信号采集):::process --> B(频谱分析):::process
B --> C{是否存在故障特征频率?}:::process
C -->|是| D(数字滤波):::process
C -->|否| E(继续监测):::process
D --> F(故障诊断):::process
F --> G(采取措施):::process
2.9 总结
频谱分析和数字滤波是信号处理中非常重要的技术。频谱分析可以帮助我们了解信号的频率成分，而数字滤波则可以对信号进行处理，去除干扰信号，突出有用信号。通过合理地选择和设计数字滤波器，可以提高信号处理的效果，满足不同应用场景的需求。
在实际应用中，需要根据具体的需求和信号特点，选择合适的频谱分析方法和数字滤波器。同时，还需要注意滤波器的性能指标和设计步骤，以确保滤波器的有效性和可靠性。随着科技的不断发展，频谱分析和数字滤波技术也将不断创新和完善，为各个领域的信号处理提供更强大的支持。
总之，掌握频谱分析和数字滤波技术对于从事信号处理相关工作的人员来说是非常必要的。希望本文能够帮助读者更好地理解和应用这些技术。
扫一扫
739
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
