频率分辨率、频率间隔与频率采样密度

  1. 频率分辨率 ( F res F_{\text{res}} Fres)

    • 频率分辨率 F res F_{\text{res}} Fres 与采样周期 T T T 和采样点数 N N N 有关,公式为:
      F res ∼ 1 N T [ Hz ] F_{\text{res}} \sim \frac{1}{NT} \quad [\text{Hz}] FresNT1[Hz]
  2. 频率间隔 ( Δ F \Delta F ΔF)

    • 频率间隔 Δ F \Delta F ΔF 与采样周期 T T T 有关,公式为:
      Δ F = N Δ F res = 1 T = F s [ Hz ] \Delta F = N \Delta F_{\text{res}} = \frac{1}{T} = F_s \quad [\text{Hz}] ΔF=NΔFres=T1=Fs[Hz]
  3. 频率分辨率和频率间隔的关系

    • 频率分辨率由观测时间的长度决定。
    • 频率间隔由采样周期决定。
  4. 提高采样率的影响

    • 增加采样率会扩展频率间隔。
  5. 增加观测时间的影响

    • 增加观测时间可以提高频率分辨率。
  6. 零填充的影响

    • 零填充不会改变频率分辨率,只会增加DFT的点数,从而使得频率轴上的点更密集。
    • 频率分辨率由观测时间的长度决定,零填充不会增加这个长度。

示例 (DFT 分辨率)

两个具有接近频率的复指数信号,频率分别为 F 1 = 10 F_1 = 10 F1=10Hz 和 F 2 = 12 F_2 = 12 F2=12Hz,采样间隔为 T = 0.02 T = 0.02 T=0.02秒。考虑不同数据长度 L = 10 , 15 , 30 , 100 L = 10, 15, 30, 100 L=10,15,30,100,并进行零填充到 512 点。

在这里插入图片描述

N = 10 N = 10 N=10

DFT 使用 N = 10 N = 10 N=10并进行零填充到 512 点。未分辨: F 2 − F 1 = 2 F_2 - F_1 = 2 F2F1=2Hz < 1 / ( N T ) = 5 < 1/(NT) = 5 <1/(NT)=5Hz。

  • N = 10 N = 10 N=10: 数据长度为 10。
  • 零填充到 512 点: 将数据长度扩展到 512 点。
  • 未分辨: 两个频率 F 1 F_1 F1 F 2 F_2 F2之间的差值为 2 Hz,小于频率分辨率 1 / ( N T ) 1/(NT) 1/(NT),即 5 Hz。因此,这两个频率在 DFT 中无法分辨。

N = 15 N = 15 N=15

DFT 使用 N = 15 N = 15 N=15并进行零填充到 512 点。未分辨: F 2 − F 1 = 2 F_2 - F_1 = 2 F2F1=2Hz < 1 / ( N T ) ≈ 3.3 < 1/(NT) \approx 3.3 <1/(NT)3.3Hz。

  • N = 15 N = 15 N=15: 数据长度为 15。
  • 零填充到 512 点: 将数据长度扩展到 512 点。
  • 未分辨: 两个频率 F 1 F_1 F1 F 2 F_2 F2之间的差值为 2 Hz,小于频率分辨率 1 / ( N T ) 1/(NT) 1/(NT),即约 3.3 Hz。因此,这两个频率在 DFT 中无法分辨。

N = 30 N = 30 N=30

DFT 使用 N = 30 N = 30 N=30并进行零填充到 512 点。分辨: F 2 − F 1 = 2 F_2 - F_1 = 2 F2F1=2Hz > 1 / ( N T ) ≈ 1.7 > 1/(NT) \approx 1.7 >1/(NT)1.7Hz。

  • N = 30 N = 30 N=30: 数据长度为 30。
  • 零填充到 512 点: 将数据长度扩展到 512 点。
  • 分辨: 两个频率 F 1 F_1 F1 F 2 F_2 F2之间的差值为 2 Hz,大于频率分辨率 1 / ( N T ) 1/(NT) 1/(NT),即约 1.7 Hz。因此,这两个频率在 DFT 中可以分辨。

N = 100 N = 100 N=100

DFT 使用 N = 100 N = 100 N=100并进行零填充到 512 点。分辨: F 2 − F 1 = 2 F_2 - F_1 = 2 F2F1=2Hz > 1 / ( N T ) = 0.5 > 1/(NT) = 0.5 >1/(NT)=0.5Hz。

  • N = 100 N = 100 N=100: 数据长度为 100。
  • 零填充到 512 点: 将数据长度扩展到 512 点。
  • 分辨: 两个频率 F 1 F_1 F1 F 2 F_2 F2之间的差值为 2 Hz,大于频率分辨率 1 / ( N T ) 1/(NT) 1/(NT),即 0.5 Hz。因此,这两个频率在 DFT 中可以分辨。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/63307.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Lua面向对象 实现 超详细注释 实现构造函数,析构函数,只读类模板等功能

Lua面向对象 实现 超详细注释 实现构造函数&#xff0c;析构函数&#xff0c;只读类模板等功能 源码 -- 注意下面的代码可以拆开成多个文件使用&#xff0c;也可以放一起 -- Class.lualocal _class {}-- 将Source变成只读表并返回 function MakeTableReadOnly(Source)local …

线性回归方程模型

一、项目要求 以个人为单位,实现AI识别的算法: 调查某市出租车使用年限和该年支出维修费用(万元),得到数据如下: 使用年限(x) 2 3 4 5 6 维修费用(y) 2.2 3.8 5.5 6.5 7.0 求线性回归方程由1中结论预测第10年所支出的维修费用 3.说明自己选中预测的原因和过程中的收获 说…

【OpenDRIVE_Python】使用python脚本读取txt指定内容,输出OpenDRIVE数据中对应的信息

示例代码说明&#xff1a; 读取txt指定内容如地物id&#xff0c;输出OpenDRIVE数据中的对应地物id和名称name信息为xml文件 import xml.dom.minidom from xml.dom.minidom import parse from xml.dom import Node import sys import os # 读取OpenDRIVE文件路径 xml_filepath…

什么是DBD设备?

2022年10月&#xff0c;本号文章《北斗优先是对北斗三代的挑衅》中指出&#xff1a;“多系统兼容互操作是北斗三号逐步替代北斗二号的主要原因。北斗优先是对北斗三代的挑衅。”现在想来&#xff0c;当时还是太年轻&#xff0c;格局没有打开。 2023年12月&#xff0c;本号文章…

uviewplus中的时间单选框up-datetime-picker的在uni-app+vue3的使用方法

uviewplus中的时间单选框up-datetime-picker的使用方法 前言 在实际开发中,我们经常需要使用时间选择器来让用户选择特定的时间。本文将详细介绍uviewplus中up-datetime-picker组件的使用方法,特别是在处理年月选择时的一些关键实现&#xff0c;因为官方有很多相关的功能和方法…

高质量翻译在美国推广移动应用中的重要性

美国的移动应用市场是世界上竞争最激烈、利润最高的市场之一&#xff0c;为开发者提供了接触数百万潜在用户的机会。然而&#xff0c;进入这个市场需要的不仅仅是创新技术或令人信服的想法&#xff1b;它要求与目标受众进行有效地沟通和文化契合。在这个过程中&#xff0c;高质…

基于Python的PDF批量转化工具

一、开发的缘由 最近&#xff0c;有网友想让我帮他做一个批量把png, docx, doc, pptx, ppt, xls, xlsx文件转化为PDF格式的软件&#xff0c;完全傻瓜式的操作&#xff0c;把文件拖进去就进行转化那种&#xff0c;简单实用。之前&#xff0c;有过一个vbs的文件&#xff0c;可以…

模型案例:| 手机识别模型!

导读 2023年以ChatGPT为代表的大语言模型横空出世&#xff0c;它的出现标志着自然语言处理领域取得了重大突破。它在文本生成、对话系统和语言理解等方面展现出了强大的能力&#xff0c;为人工智能技术的发展开辟了新的可能性。同时&#xff0c;人工智能技术正在进入各种应用领…

【Copilot 】TAB keybinding not working on JetBrains Client

pycharm ssh 远程到ubuntu24.04 发现tab就是tab,无法输出copilot给出的自动补全到便捷器里。禁用host的copilot插件,重新启动ide就好了。解决办法 参考大神的办法删除主机和客户端插件中的 Copilot插件。 仅在客户端中重新安装 Copilot 插件。 我只是禁用也可以 对比了键盘映…

【Linux】程序的编译过程

程序的翻译过程 预处理&#xff08;头文件展开&#xff0c;条件编译&#xff0c;宏替换&#xff0c;去注释&#xff09;编译 &#xff1a;把c变成汇编语言汇编 &#xff1a;把汇编变成二进制&#xff08;不可执行&#xff0c;二进制目标文件&#xff09;链接 &#xff1a;把自…

Trunk链路操作题

Trunk链路操作题 论证&#xff1a;

【计算机网络】实验7:默认路由和特定主机路由以及路由环路问题

实验 7&#xff1a;默认路由和特定主机路由以及路由环路问题 一、 实验目的 了解默认路由以及特定主机路由。 了解静态路由配置错误导致的路由环路问题。 二、 实验环境 • Cisco Packet Tracer 模拟器 三、 实验内容 1、默认路由以及特定主机路由 (1) 第一步&#xff…

特殊的数学性质

一个数模9的结果等于它的每一位数相加和模9

JSP知识点总结

jsp九大对象 在jsp中内置了9个对象&#xff0c;无需创建该对象即可使用。其名称为固定名称。 1.out输出对象 - 属于JspWriter print(): 输出 flush(): 刷新 close(): 关闭 2.request请求对象 - 属于HttpServletRequest getParameter(): 获取请求的参数 setCharacterEncodin…

电子信息工程自动化 基于单片机的居室安全报警系统

摘要 本课题设计了基于STM32F103C6T6单片机为主控核心的居室安全报警系统。为了解决家庭居室的安全监控&#xff0c;通过温湿度芯片SHT30、烟雾传感器MQ-2、天然气传感器MQ-4来获取居室的温湿度、烟雾、天然气含量&#xff0c;使用了一个热释电传感器、菲涅耳透镜、红外传感信…

【vue3 for beginner】Pinia基本用法:存储user的信息

&#x1f308;Don’t worry , just coding! 内耗与overthinking只会削弱你的精力&#xff0c;虚度你的光阴&#xff0c;每天迈出一小步&#xff0c;回头时发现已经走了很远。 &#x1f4d7;概念 Pinia 简介 Pinia 是一个用于 Vue.js 应用的状态管理库&#xff0c;是 Vuex 的…

使用Goland对6.5840项目进行go build出现异常

使用Goland对6.5840项目进行go build出现异常 Lab地址: https://pdos.csail.mit.edu/6.824/labs/lab-mr.html项目地址: git://g.csail.mit.edu/6.5840-golabs-2024 6.5840运行环境: mac系统 goland git clone git://g.csail.mit.edu/6.5840-golabs-2024 6.5840 cd 6.5840/src…

React基础知识四 Hooks

什么是hooks&#xff1f; (coderwhy) hooks是react 16.8&#xff08;2019年&#xff09;出的新特性。 react有两种形式来创建组件——类式和函数式。在hooks之前类式组件就是react最主流的编程方式。 这个时候&#xff0c;函数式组件是非常鸡肋的&#xff0c;几乎没什么用。因…

电子病历静态数据脱敏路径探索

一、引言 数据脱敏&#xff08;Data Masking&#xff09;&#xff0c;屏蔽敏感数据&#xff0c;对某些敏感信息&#xff08;比如patient_name、ip_no、ad、no、icd11、drug等等 &#xff09;通过脱敏规则进行数据的变形&#xff0c;实现隐私数据的可靠保护。电子病历作为医疗领…

AIGC 012-Video LDM-更进一步,SD作者将LDM扩展到视频生成任务!

AIGC 012-Video LDM-Stable Video diffusion前身&#xff0c;将LDM扩展到视频生成任务&#xff01; 文章目录 0 论文工作1论文方法实验结果 0 论文工作 Video LDM作者也是Stable diffusion的作者&#xff0c;作者在SD的架构上进行扩展&#xff0c;实现了视频的生成。后续在Vid…