文档章节

功率谱和频谱的区别、联系

天蚕宝衣
 天蚕宝衣
发布于 2017/04/10 09:50
字数 2454
阅读 23
收藏 1
点赞 0
评论 0

功率谱:信号先自相关再做FFT。

频    谱:信号直接做FFT。

一. 区别

1. 一个信号的频谱,只是这个信号从时域表示转变为频域表示,只是同一种信号的不同的表示方式而已,而功率谱是从能量的观点对信号进行的研究,其实频谱和功率谱的关系归根结底还是信号和功率、能量等之间的关系。

2. 频谱是个很不严格的东西,常常指信号的Fourier变换,是一个时间平均(time average)概念;功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析),所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息,但是丢掉了相位信息,所以频谱不同的信号其功率谱是可能相同的。

3. 功率谱是随机过程的统计平均概念,平稳随机过程的功率谱是一个确定函数;而频谱是随机过程样本的Fourier变换,对于一个随机过程而言,频谱也是一个“随机过程”。(随机的频域序列)

4. 功率概念和幅度概念的差别。此外,只能对宽平稳的各态历经的二阶矩过程谈功率谱,其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛;而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。

二. 联系

1. 功率谱可以从两方面来定义,一个是自相关函数的傅里叶变换,另一个是时域信号傅氏变换模平方然后除以时间长度。第一种定义就是常说的维纳辛钦定理,而第二种其实从能量谱密度来的。根据parseval定理,信号傅氏变换模平方被定义为能量谱,能量谱密度在时间上平均就得到了功率谱。

2. 在频域分析信号分两种:

2.1 对确定性信号进行傅里叶变换,分析频谱信息。
2.2 随机信号的傅里叶信号不存在,转向研究它的功率谱。随机信号的功率谱和自相关函数是傅里叶变换对(即维纳辛钦定理)。功率谱估计有很多种方法。

以下转自小木虫。有些概念还不太明白,留作以后研究用。
最近听老师讲课,提到功率谱是把信号的自相关作FFT,我才发现自己概念上的一个误区:我一直以为功率谱和频谱是同一个概念,以为都是直接作FFT就可以了。

那么

功率谱:信号先自相关再作FFT
频谱:信号直接作FFT。

三. 讨论

这两者从公式上看是不同的,那么从物理意义上呢?哪个表示信号在各个频率上的能量?那另一个又是什么呢?

欢迎大家讨论:P
[ Last edited by bslt on 2009-5-18 at 11:06 ]

作者:Yorkxu
(1)信号通常分为两类:能量信号和功率信号;
(2)一般来讲,能量信号其傅氏变换收敛(即存在),而功率信号傅氏变换通常不收敛,当然,若信号存在周期性,可引入特殊数学函数(Delta)表征傅氏变换的这种非收敛性;
(3)信号是信息的搭载工具,而信息与随机性紧密相关,所以实际信号多为随机信号,这类信号的特点是状态随机性随时间无限延伸,其样本能量无限。换句话说,随机信号(样本)大多属于功率信号而非能量信号,它并不存在傅氏变换,亦即不存在频谱;
(4)若撇开搭载信息的有用与否,随机信号又称随机过程,很多噪声属于特殊的随机过程,它们的某些统计特性具有平稳性,其均值和自相关函数具有平稳性。对于这样的随机过程,自相关函数蜕化为一维确定函数,前人证明该确定相关函数存在傅氏变换;
(5)能量信号频谱通常既含有幅度也含有相位信息;幅度谱的平方(二次量纲)又叫能量谱(密度),它描述了信号能量的频域分布;功率信号的功率谱(密度)描述了信号功率随频率的分布特点(密度:单位频率上的功率),业已证明,平稳信号功率谱密度恰好是其自相关函数的傅氏变换。对于非平稳信号,其自相关函数的时间平均(对时间积分,随时变性消失而再次退变成一维函数)与功率谱密度仍是傅氏变换对;
(6)实际中我们获得的往往仅仅是信号的一段支撑,此时即使信号为功率信号,截断之后其傅氏变换收敛,但此变换结果严格来讲不属于任何“谱”(进一步分析可知它是样本真实频谱的平滑:卷积谱);
(7)对于(6)中所述变换若取其幅度平方,可作为平稳信号功率谱(密度)的近似,是为经典的“周期图法”;
(8)FFT是DFT的快速实现,DFT是DTFT的频域采样,DTFT是FT的频域延拓。人们不得已才利用DFT近似完成本属于FT的任务。若仅提FFT,是非常不专业的
[ Last edited by Yorkxu on 2009-9-21 at 12:05 ]
作者:嵌入式
弱弱的问下,二楼中第八条,ft,dtft是指什么?
作者:evertime
ft:傅里叶变换(Fourier transform)
dtft:离散时间傅里叶变换
作者:yunyan1067
回复二楼
谢谢!很长见识!;)
作者:pper1837
二楼为信号达人啊!佩服!
作者:sunyuanxin
功率谱指的是信号在每个频率分量上的功率,频谱其实是一个幅度谱,只信号在各个分量上的幅度值。因为通信中一般对于信号的分析都是把信号看作电压值。所以功率就是电压的平方再除以电阻值。为了分析简单归一化,令R=1,这时候功率谱就是频谱模的平方了。模也就是实部分量和虚部分量平方和的开方。
作者:gyy_0303
:o,学到好多,呵呵
作者:sanxiabb
:):) 温故而知新
作者:shamozhihu9378
讲的很好啊
作者:giftdreamer
楼上几位讲的太好了,茅塞顿开!:D

以下转自新浪梅子的博客

频谱是个很不严格的东西,常常指信号的Fourier变换,
是一个时间平均(time average)概念
功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析),所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息,但是丢掉了相位信息,所以频谱不同的信号其功率谱是可能相同的。有两个重要区别:
1。功率谱是随机过程的统计平均概念,平稳随机过程的功率谱是一个确定函数;而频谱是随机过程样本的Fourier变换,对于一个随机过程而言,频谱也是一个“随机过程”。(随机的频域序列)
2。功率概念和幅度概念的差别。此外,只能对宽平稳的各态历经的二阶矩过程谈功率谱,其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛;
而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。
 
功率谱
周期运动在功率谱中对应尖锋,混沌的特征是谱中出现"噪声背景"和宽锋。它是研究系统从分岔走向混沌的重要方法。在很多实际问题中(尤其是对非线性电路的研究)常常只给出观测到的离散的时间序列X1, X2, X3,...Xn,那么如何从这些时间序列中提取前述的四种吸引子(零维不动点、一维极限环、二维环面、奇怪吸引子)的不同状态的信息呢?我们可以运用数学上已经严格证明的结论,即拟合。我们将N个采样值加上周期条件Xn+i=Xi,则自关联函数(即离散卷积)为然后对Cj完成离散傅氏变换,计算傅氏系数。 Pk说明第k个频率分量对Xi的贡献,这就是功率谱的定义。当采用快速傅氏变换算法后,可直接由Xi作快速傅氏变换,得到系数 然后计算,由许多组{Xi}得一批{Pk'},求平均后即趋近前面定义的功率谱Pk。 从功率谱上,四种吸引子是容易区分的,如图12 (a),(b)对应的是周期函数,功率谱是分离的离散谱 (c)对应的是准周期函数,各频率中间的间隔分布不像(b)那样有规律。 (d)图是混沌的功率谱,表现为"噪声背景"及宽锋。考虑到实际计算中,数据只能取有限个,谱也总以有限分辨度表示出来,从物理实验和数值计算的角度看,一个周期十分长的解和一个混沌解是难于区分的,这也正是功率谱研究的主要弊端。
转自:http://hi.baidu.com/nianshaowushi/blog/item/4507fe36283e4c310b55a991.html

© 著作权归作者所有

共有 人打赏支持
天蚕宝衣
粉丝 18
博文 237
码字总数 178069
作品 0
天津
白噪声\高斯噪声\高斯白噪声的区别

白噪声,就是说频谱为一常数;也就是说,其协方差函数在delay=0时不为0,在delay不等于0时值为零;换句话说,样本点互不相关。 所以,“白”与“不白”是和分布没有关系的。当随机的从高斯分...

天蚕宝衣
2017/04/10
56
0
深入浅出解释FFT(七)——fft求频谱图和功率谱密度图

频谱图: 声音频率与能量的关系用频谱表示。在实际使用中,频谱图有三种,即线性振幅谱、对数振幅谱、自功率谱。线性振幅谱的纵坐标有明确的物理量纲,是最常用的。对数振幅谱中各谱线的振幅...

wordwarwordwar
2017/04/02
0
0
433Mhz LoRa/FSK 频谱波形分析(频谱分析仪测试LoRa/FSK带宽、功率、频率误差等)

1、测试环境 频谱分析仪:安捷伦N9020A 无线通信频段:433M Hz 射频芯片:Sx1278 2、测试方法 测试方法:模仿测试机构的步骤:使用频谱分析仪,设置频谱分析仪参数为RBW = 300Hz,VBW = 1kH...

HowieXue
01/29
0
0
433MHz LoRa/FSK 无线频谱波形分析(频谱分析仪测试LoRa/FSK带宽、功率、频率误差等)

1、测试环境 频谱分析仪:安捷伦N9020A 无线通信频段:433M Hz 射频芯片:Sx1278 2、测试方法 测试方法:模仿测试机构的步骤:使用频谱分析仪,设置分析仪参数分别为RBW = 300Hz,VBW = 1kH...

howiexue
01/29
0
0
声学特征(二) MFCC特征原理

https://blog.csdn.net/xmdxcsj/article/details/51228791 基本含义 MFCC是Mel-Frequency Cepstral Coefficients的缩写,顾名思义MFCC特征提取包含两个关键步骤:转化到梅尔频率,然后进行倒...

wanyangyang0914
05/13
0
0
plp特征提取原理和方法

LPC(Linear Predictive Coding,线性预测分析):由于语音信号的发音特性,提取特征后的帧与帧之间是不独立的,那么我们可以用前面的帧或后面的帧预测当前帧。所求的的预测系数就是我们要用到...

长平狐
2013/03/12
457
0
MFCC一些知识与Kaldi中的MFCC特征解读

因为想用Kaldi去实现一个GMM-UBM的说话人识别和loglike打分,所以想把Kaldi计算的统计量对一对, 看能不能把二进制文件里的数值单独拿出来,自己写个代码做结合Kaldi中的MAP做统计量计算,然...

robingao1994
04/20
0
0
白噪声

白噪声,是一种功率谱密度为常数的随机信号或随机过程。即,此信号在各个频段上的功率是一样的。由于白光是由各种频率(颜色)的单色光混合而成,因而此信号的这种具有平坦功率谱的性质被称作...

天蚕宝衣
2017/04/10
41
0
基于深层神经网络的语音 增强方法研究

近年来,随着深层神经网络(在语音识别领域的成功应用,给了语音增强任务的研宄人员很多启发。的深层非线性结构可以被设计成一个精细的降噪滤波器。同时基于大数据训练,可以充分学 习带噪语...

chenxiao60
2016/06/07
187
0
语音特征参数MFCC提取过程详解

折腾了好几天,看了很多资料,终于把语音特征参数MFCC搞明白了,闲话少说,进入正题。 一、MFCC概述 在语音识别(Speech Recognition)和话者识别(Speaker Recognition)方面,最常用到的语...

找一片天空散步
2014/01/15
0
12

没有更多内容

加载失败,请刷新页面

加载更多

下一页

用Python绘制红楼梦词云图,竟然发现了这个!

Python在数据分析中越来越受欢迎,已经达到了统计学家对R的喜爱程度,Python的拥护者们当然不会落后于R,开发了一个个好玩的数据分析工具,下面我们来看看如何使用Python,来读红楼梦,绘制小...

猫咪编程
16分钟前
0
0
Java中 发出请求获取别人的数据(阿里云 查询IP归属地)

1.效果 调用阿里云的接口 去定位IP地址 2. 代码 /** * 1. Java中远程调用方法 * http://localhost:8080/mavenssm20180519/invokingUrl.action * @Title: invokingUrl * @Description: * @ret......

Lucky_Me
39分钟前
1
0
protobuf学习笔记

相关文档 Protocol buffers(protobuf)入门简介及性能分析 Protobuf学习 - 入门

OSC_fly
昨天
0
0
Mybaties入门介绍

Mybaties和Hibernate是我们在Java开发中应用的比较多的两个ORM框架。当然,目前Mybaties正在慢慢取代Hibernate,这是因为相比较Hibernate而言Mybaties性能更好,响应更快,更加灵活。我们在开...

王子城
昨天
2
0
编程学习笔记之python深入之装饰器案例及说明文档[图]

编程学习笔记之python深入之装饰器案例及说明文档[图] 装饰器即在不对一个函数体进行任何修改,以及不改变整体的原本意思的情况下,增加函数功能的新函数,因为这个新函数对旧函数进行了装饰...

原创小博客
昨天
0
0
流利阅读笔记33-20180722待学习

黑暗中的生物:利用奇技淫巧快活生存 Daniel 2018-07-22 1.今日导读 如果让你在伸手不见五指的黑暗当中生存,你能熬过几天呢?而大千世界,无奇不有。在很多你不知道的角落,有些生物在完全黑...

aibinxiao
昨天
6
0
Hystrix降级逻辑中如何获取触发的异常

通过之前Spring Cloud系列教程中的《Spring Cloud构建微服务架构:服务容错保护(Hystrix服务降级)》一文,我们已经知道如何通过Hystrix来保护自己的服务不被外部依赖方拖垮的情况。但是实际...

程序猿DD
昨天
1
0
gin endless 热重启

r := gin.New()r.GET("/", func(c *gin.Context) {c.String(200, config.Config.Server.AppId)})s := endless.NewServer(":8080", r)s.BeforeBegin = func(add string) ......

李琼涛
昨天
1
0
JAVA模式之代理模式

平时一直在用spring,spring中最大的特效IOC和AOP,其中AOP使用的就是代理模式.闲着无聊,随手写了一个代理模式,也记录下代理模式的实现Demo. 比如现在有一个场景是:客户想要增加一个新的功能,...

勤奋的蚂蚁
昨天
0
0
ES15-JAVA API 索引管理

1.创建连接 创建连接demo package com.sean.esapi.client;import java.net.InetSocketAddress;import org.elasticsearch.action.get.GetResponse;import org.elasticsearch.clien......

贾峰uk
昨天
0
0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部