Адаптація перетворення Фур’є для відтворення неперіодичних сигналів

  • Денис Хомюк
  • Володимир Самотий
Ключові слова: швидке перетворення Фур’є, апроксимація функцій, неперіодичні сигнали, генетичні алгоритми, машинне навчання, алгоритми оптимізації, цифрове оброблення сигналів.

Анотація

Швидке перетворення Фур’є (FFT) — це широко використовуваний метод оброблення сигналів, який забезпечує ефективне обчислення дискретного перетворення Фур’є (DFT) сигналу. FFT було вперше опубліковано в 1965 році [1] і з тих пір стало важливим інструментом для інженерів і вчених, які працюють у різних областях, включаючи цифрове оброблення сигналів, телекомунікації та оброблення звуку. FFT забезпечує швидкий і ефективний спосіб аналізу та представлення сигналів у частотній області, що може виявити важливу інформацію про базові сигнали, наприклад частотний вміст і амплітуду. Незважаючи на численні переваги, FFT має деякі обмеження, коли мова йде про апроксимацію неперіодичних функцій. Неперіодичні сигнали є звичайним явищем в реальному світі, і їх точна апроксимація необхідна для багатьох застосувань, таких як оброблення сигналів мовлення та стиснення аудіо. Однак FFT припускає, що сигнали, які він обробляє, є періодичними, що унеможливлює апроксимацію неперіодичних сигналів. Метою цієї статті є комплексний огляд обмежень використання FFT для апроксимації неперіодичних функцій та обговорення потенційних майбутніх напрямків вдосконалення.

Посилання

James W. Cooley, John W. Tukey (1965). An algorithm for the machine calculation of complex https://doi.org/10.1090/S0025-5718-1965-0178586-1

Vaseghi, S. V. (2005). Advanced digital signal processing and noise reduction. John Wiley & Sons, https://doi.org/10.1002/0470094966

Stoica, P., & Moses, R. L. (2005). Spectral analysis of signals. Pearson Prentice Hall. ISBN 0-13-113956-8.

Geoffrey C. Scott , et al. (1987). FFT Performance in the Presence of Noise, 34(6), 424 - 429, https://doi.org/10.1109/TBME.1987.326058

Ingram J. Brown (2009). A wavelet tour of signal processing: the sparse way. Investigación Operacional 30(1). Gale Document Number: GALEIA360358815.

K. M. M. Prabhu (2014). Window Functions and Their Applications in Signal Processing, CRC https://doi.org/10.1201/b15570

Srinivasan, S. S., & Divya, M. (2015). Adaptive windowing technique for reducing leakage in FFT spectrum analysis. 2015 IEEE International Conference on Signal Processing, Informatics, Communication and Energy Systems (SPICES), 1-5.

Denis Selimović, Jonatan Lerga, Péter Kovács, Jasna Prpić-Oršić (2022). Improved parametrized multiple window spectrogram with application in ship navigation systems, https://doi.org/10.1016/j.dsp.2022.103491

Xuerong Ye; Yifan Hu; Junxian Shen; Rui Feng; Guofu Zhai (2020). An Improved Empirical Mode Decomposition Based on Adaptive Weighted Rational Quartic Spline for Rolling Bearing Fault Diagnosis, IEEE Access 8, 123813 - 123827, https://doi.org/10.1109/ACCESS.2020.3006030

Hadhrami Ab. Ghani et al. (2020). A review on sparse Fast Fourier Transform applications in image processing. International Journal of Electrical and Computer Engineering, 10(2), 1346-1351, doi: 10.11591/ijece.v10i2.pp1346-1351.

https://doi.org/10.11591/ijece.v10i2.pp1346-1351

Xin Li, Zengqiang Ma, De Kang, Xiang Li. (2020). Fault diagnosis for rolling bearing based on https://doi.org/10.1016/j.measurement.2020.107554

Опубліковано
2023-12-25