Questions tagged «frequency»

这是我对切达干酪了解DSP时遇到的难题之一，那么对负频率的物理解释是什么？ 如果您在某个频率上有一个物理音调并且是DFT，那么您会在正负两个频率上都得到结果-为什么以及如何发生？这是什么意思？ 编辑：2011年10月18日。我提供了自己的答案，但问题扩展到包括为何必须存在负频率的根源。

83 frequency 

有人能用简单的英语陈述频率响应和脉冲响应之间的区别吗？

71 frequency  impulse-response  linear-systems  frequency-response 

我在Android应用商店中寻找吉他调音器。我发现一个调谐器应用程序声称它比其他应用程序更快。它声称无需使用DFT就可以找到频率（我希望我仍然有该规范的URL）。 我从来没有听说过这个。您可以在不使用DFT或FFT算法的情况下获取音频信号并计算频率吗？

34 audio  fft  frequency  dft 

该问题是从Stack Overflow 迁移而来的，因为可以在Signal Processing Stack Exchange上回答。 迁移 8年前。 该快速傅立叶变换需要操作，而快速小波变换需要。但是，FWT具体计算什么呢？O（N ）ø（Ñ日志ñ）O(Nlog⁡N)\mathcal O(N \log N)ø（Ñ）O(N)\mathcal O(N) 尽管经常将它们进行比较，但FFT和FWT似乎是苹果和橘子。据我了解，将STFT（随时间变化的小块FFT）与复杂的Morlet WT进行比较会更合适，因为它们都是基于复杂正弦波的时频表示（如果我错了，请纠正我） ）。通常以如下图显示： （另一个例子） 左图显示STFT如何随时间推移彼此堆叠在一起的一堆FFT（此表示形式是频谱图的起点），而右图显示二进线WT，其在高频和更高频率下具有更好的时间分辨率低频下的分辨率（此表示称为比例图）。在此示例中，STFT的是垂直列数（6），并且单个 FFT运算可从样本中计算出系数的单个行。总共是8个FFT，每个6点，或时域中的48个采样。O（N log N ）N NñNNø（Ñ日志ñ）O(Nlog⁡N)\mathcal O(N \log N)ñNNñNN 我不明白的是： 单个 FWT数学运算可以计算多少个系数，它们在上面的时频图上位于什么位置？ ø（Ñ）O(N)\mathcal O(N) 一次计算可以填充哪些矩形？ 如果我们使用这两者来计算等时的时频系数块，是否可以获得相同数量的数据？ FWT是否仍比FFT效率更高？ 使用PyWavelets的具体示例： In [2]: dwt([1, 0, 0, 0, 0, 0, 0, 0], 'haar') Out[2]: (array([ 0.70710678, …

26 frequency  fft  wavelet 

我的问题是：在和弦声学乐器的多声道单通道录音中，哪种和弦声音数学模型可以使单个音符发生变化（即音高变化）？通过“改变和弦音频中的音符”，我的意思是使用celeony的Melodyne软件中所谓的“ 直接音符访问 ”功能来编辑声音。 根据Wikipedia的说法，Melodyne用于模拟在声学（因而复杂的音色）乐器上演奏的单线旋律的音频信号的方式类似于Henning Thielemann在他的论文中所描述的，即“ 在单音中解开相位和时间 ”。我找不到关于复音乐器的音频信号模型的任何参考资料。根据Peter Neubacker 在Youtube上的一次采访（见下文），Melodyne的用于编辑和弦音频的功能需要一种不同于Thielemann描述的方法。 从另一个YouTube剪辑中获得的一个线索是，Neubacker的模型与仅一种乐器的音频记录（即，仅钢琴，仅吉他，仅弦乐器，仅管乐等）的录音效果更好。另一个提示是另一个剪辑，它显示了不仅可以改变音符的音高，而且还可以改变音符的（开始和结束）时机。 以下是youtube视频的录音笔录，其中提到“和弦材料需要一种不同的方法”（以防您没有时间从22:00开始观看）。 问题是由哪个Melodyne引起的：如何从这样的3维形式[用手打手势]中获得声音？这样，声音就可以摆脱对连续时间的依赖了吗？这个雕塑实际上就是由此产生的……这是一块塑料……。它直接来自音乐数据。这个对象是[在琵琶上摘一个音符]这个音符。最好从左到右将其可视化。时间沿着这个方向运行（从左到右手势）。这就是振幅（用手指相对的拇指示意大和小）。如果我打开它，它表示任何给定实例的声音音色。您可以在此处非常清楚地看到某种结构（指向雕塑底部的横截面），该结构有些三角形。那是因为在这种声音中 由于Melodyne尚不存在，而我只是在尝试将声音转换为这种形状，因此我使用这种声音工作了将近一年。...我内心深处都知道这种声音。这也很好地说明了本地声音。我不仅可以播放[点击鼠标]的声音，还可以输入任意一点的声音，并根据自己的需要缓慢或快速地移动声音。我什至可以在声音中徘徊，或者向前或向后移动，所以如果我在这里检查一个地方，请绕开它。...十年前还很新。 最近添加了dna（直接注释访问）。有了它，我也可以编辑和弦音乐。换句话说，我可以单独编辑同时发声的音符，例如吉他录音。如果现在我弹一个小和弦[在屏幕上选择[Poly-> Separate Notes]，我们在这里看到我刚刚作为独立实体演奏的3个音符。让我们再听一遍[计算机演奏和弦]。现在，好像将手指移到更高的品格上一样，我可以举起这一个音符[在屏幕上拖动音符；电脑演奏大和弦]。对于分开的音频，我可以隔离此音符，现在可以随意向上或向下移动它到我想要的任何音高。 为什么以前没有人能够以这种方式隔离复杂材料中的单个音调？老实说我不知道​​。在科学中，自然趋势是从简单的事物开始，例如正弦波或单个音符，然后首先进行分析，以发现何时该材料变得更加复杂，或者必须对整个系统进行处理。不起作用。我的方法是不同的。我实际上是从复杂的信号开始的，只有当我想详细研究某些东西时，才回到简单的信号上，但是首先，我必须对现实中实际发生的事情有一个总体印象。 秘密可能就在于此吗？呵呵，这实际上是一卷。石头最初提出的问题是我如何将给定的声音转换为三维形式。在这里，我已将声音的各个采样值排列成螺旋形，在此用一，二，三等表示。事实证明，如果在点之间进行插值（沿螺旋形手势），就会出现一个景观，该景观也代表声音中的各个横截面（雕塑的手势横截面）。 卷多大了？12年。所以这个想法是Melodyne的源泉，在我们今天所看到的一切中……？是的，但是这种将声音盘绕的方式将不再用于复音材料，这需要一种不同的方法。

24 frequency 

我正在研究Gabor过滤器，但是当我使用Google过滤器进行搜索时，我的文章非常冗长而复杂。谁能帮我找到有关它的简单说明，或推荐阅读的网站或文章？我想了解此过滤器，以便在Matlab中使用它。

20 filters  frequency 

我正在运行Morlet连续小波变换。我有wscalogram信号，现在我想要绘制频率幅值，如下图所示。但是我不知道该怎么做： 我已经使用scal2freqMATLAB函数将标度转换为伪频率。另外，我的信号中的某些频率具有较大的阻尼比（4％），因此它们在图中不太清晰可见。如何夸大这些高阻尼模式？ 我正在使用MATLAB，这是我的代码： % Import the text4.txt to matlab workspace. and save it under name "data" t=linspace(0,30,301); Fs=ceil(inv(t(2)-t(1))); x=data(:,4); % use x=data(:,3),x=data(:,5) too. first column is time,second is refrence wname = 'morl'; scales = 1:1:256; coefs = cwt(x,scales,wname,'lvlabs'); freq = scal2frq(scales,wname,1/Fs); surf(t,freq,abs(coefs));shading('interp'); axis tight; xlabel('Seconds'); ylabel('Pseudo-Frequency (Hz)'); axis([0 30 0 …

14 frequency-spectrum  frequency  wavelet 

我正在尝试找出如何（如果可能）以类似FFT的方式提取任意音频样本（通常是音乐）的频率分量，但是在我对FFT算法的研究中，我了解到它遭受了一些困扰为此目的有严格的限制。 FFT存在3个问题： 因为FFT二进制分辨率等于您的窗口大小，所以要获得相当合理的精度（例如1 Hz），您需要一个不合理的长窗口（例如1秒）。这意味着您无法快速检测到瞬态或新引入的频率。这也意味着使用更快的CPU和更高的采样率无法解决问题-限制本质上与时间有关。 人们对数地感知频率，但是FFT仓是线性间隔的。例如，在我们听力的低端，相差20hz 很大，而在高端处，相差20hz是不可察觉的。因此，要获得低频所需的精度，我们必须计算的远远超过高频所需的精度。 这些问题中的一些可以通过在FFT区间之间进行插值来解决。这可能适用于许多音乐音频，因为频率通常会相隔很远，因此不会有超过1个频率泄漏到一对音槽中。但这并非总是如此，特别是对于打击乐器之类的非谐音。因此，插值实际上只是猜测。 根据我对DFT / FFT算法的了解，输出（仓幅度）实际上是每个仓频率下正弦/余弦的相关性。令我吃惊的是，如果可以重新设计算法，使bin频率非线性地间隔（即，我们将一组不同的正弦/余弦相关联），那么我们就可以在所有频率上达到听觉相等的分辨率。这是可能的，还是基于我对所涉及数学的不完全理解而做的梦pipe以求？ 我想我也可以通过在每个感兴趣的频率上关联正弦/余弦来用蛮力解决问题。这可能吗？什么样的效率？能解决我的问题吗？ 是否有其他方法可以实现信号的更准确，实时的频率分解？CPU效率是一个关注点，但不是主要关注点-我对在理论上是否可以做到这一点感兴趣。但是，在现代台式机上实时可行的方法是理想的。

14 fft  audio  frequency  music  real-time 

内容： （免责声明：这不是通信问题）。 我正在尝试估计真实的周期性信号的基本频率。通过将原始信号与脉冲信号进行匹配滤波来构造此信号。（匹配的过滤器）。结果信号具有以下特征： 这是周期性的。（基本为1 /周期），这就是我试图估计的值。 它是不固定的时间。具体地，周期脉冲的幅度可以在幅度上变化。（例如，一个脉冲可以为低，而另一个脉冲可以为高，而下一个脉冲又可以为低，并且在该介质之后一个，等等）。 我相信它的频率是固定的（只要您接受变化的幅度，但不改变频带）。 它具有谐波失真。我的意思是，（如果我错了，请纠正我），但是信号中的单个脉冲不是正弦波，而是像高斯，三角形，半抛物线等“笨拙”的形状。 。 我正在尝试估计该信号的基本频率。 当然，有时原始信号不过是噪声而已，但它仍会通过路径并得到匹配滤波。（稍后会详细介绍）。 我尝试过的 现在，我知道许多基本的频率估算器，例如 自相关方法 YIN及其所有依赖项 FFT方法。 等等， 尹：我还没有尝试过尹。 FFT方法：FFT方法将为您提供所有谐波和基波，但是我注意到，由于基波并不总是最高峰，因此它特别挑剔，特别是对于这种非平稳业务。很快，您会发现自己试图确定多个峰中的哪个峰是基本峰，这成为一个难题。 自相关：自相关方法似乎比FFT方法要好，但是它仍然对时域信号的幅度不规则敏感。自相关方法测量中心波瓣到下一个最高波瓣之间的距离。该距离对应于基本距离。但是，在非平稳情况下，此副瓣可能太低，您可能会在某些阈值方案中错过它。 然后我想到也许可以使用像MUSIC这样的子空间方法来估计基本面。经过测试，我发现它确实确实给出了一些非常不错的结果-它在与信号基频相对应的频率处稳健地（甚至在非平稳情况下）达到峰值。（将您要查找的信号数设置为2，它将检索基本信号-即，选择信号协方差矩阵的2个最高特征向量（对应于特征值的最大值），丢弃它们，然后构造从剩余的噪声子空间中，将您的假设复杂正弦曲线投射到它们上，进行倒数运算，瞧，这是一个很好的伪频谱）。 问题与解答： 话虽如此，我仍然想理解为什么它会更好。 在MUSIC中，我们丢弃信号子空间并使用噪声子空间。在我看来，信号子空间的特征向量实际上是某种“最适合”的-实际上它们是最佳匹配滤波器。因此：为什么不直接使用信号子空间特征向量呢？（我知道它不再是MUSIC了，但是为什么使用噪声子空间更好呢？） 最后，最后一个问题是，尽管这种方法对于非平稳信号（如上所定义）似乎更健壮，但问题在于，即使系统中只有噪声，我现在总是会得到答案！（如上所述，当您没有周期性信号时，原始的预匹配滤波信号有时可能只是白噪声）。 可能存在什么方法来抵消这种情况？我尝试查看特征值，在只有信号的噪声与有信号的情况下，它们的衰减还有更多的“曲率”，但我担心它可能不够鲁棒。 奖金： 协方差矩阵的特征向量何时正弦于VS？是什么决定它们是否是正弦曲线？他们为什么不摆正呢？还是在此处插入其他形状的信号？

14 frequency  frequency-spectrum  autocorrelation 

我想知道如何确定一系列数据是否为周期性数据。 我想使用傅立叶变换/级数。我的数据看起来不定期 [111100001111000110010101010000101] 或定期 [11001100110011001100] 我需要确定它是自动的 我可以执行哪些类型的分析或计算来确定信号是否为周期性的？

12 frequency  signal-analysis 

我能否获得有关如何使频率轴从负频率变为正频率（以赫兹为单位）的帮助，这将成为FFT结果中的x轴，但是给定了偶数长度FFT或奇数长度FFT。我在使用MATLAB时遇到了一些麻烦。（假设您知道采样频率f_s）。

12 frequency-spectrum  frequency 

我正在寻找解决以下问题的算法：给定嘈杂的.wav声音捕获（麦克风上有风和摩擦噪声），如何检测柔和鼓声的BPM？ 我尝试过搜索该主题，但由于用于分析和生成指纹ID的大量mp3相关软件，结果非常差。他们都没有提供有关如何实际执行操作的信息。 我知道消除噪声的算法，但是仍然使我面临检测BPM的问题。而且，根据解决BPM问题的方式，可能甚至不需要去噪（由于鼓的频率往往较低，而噪声的频率较高，因此简单的低通可能就足够了）。

12 audio  algorithms  noise  frequency 

我在大学里学到的傅立叶变换和傅立叶逆变换的定义是 F（Ĵ ω ）= ∫∞- ∞F（吨）Ë- Ĵ ω ŧ dŤF（Ĵω）=∫-∞∞F（Ť）Ë-ĴωŤ dŤ F(j\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t}\ dt F（t ）= 12个π∫∞- ∞F（Ĵ ω ）ÈĴ ω ŤdωF（Ť）=1个2π∫-∞∞F（Ĵω）ËĴωŤdω f(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}F(j\omega)e^{j\omega t} d\omega 该公约的主要特点是 非单位变换；频域单位为弧度（变量为ωω\omega） “时域”单位为时间（变量为）ŤŤt 函数转换用大写字母表示（与）˚FFFFFFf 所述在严格表示该函数是一个傅立叶变换˚F （Ĵ ω ）ĴĴjF（Ĵ ω ）F（Ĵω）F(j\omega) 当然，通常的EE约定。j = − 1---√Ĵ=-1个j=\sqrt{-1} 如今，我使用了非常不同的约定，本质上是在维基百科上使用的约定 ： ˚F（X）=＆Integral; ∞ - ∞ ˚F（ξ）ëĴ2πξXdξF^（ξ）= …

12 fourier-transform  frequency 

图1.（c）仅显示了从MAGNITUDE光谱重建的测试图像。可以说，低频像素的强度值比高频像素高。 图1.（d）仅显示从PHASE光谱重建的测试图像。可以说，高频（边缘，线条）像素的强度值比低频像素更大。 为什么在仅从MAGNITUDE光谱重建的测试图像和仅从PHASE光谱重建的测试图像之间存在这种强度变化（或交换）的神奇矛盾，它们组合在一起形成原始测试图像？ clc; clear all; close all; i1=imread('C:\Users\Admin\Desktop\rough\Capture1.png'); i1=rgb2gray(i1); f1=fftn(i1); mag1=abs(f1); s=log(1+fftshift(f1)); phase1=angle(f1); r1=ifftshift(ifftn(mag1)); r2=ifftn(exp(1i*phase1)); figure,imshow(i1); figure,imshow(s,[]); figure,imshow(uint8(r1)); figure,imshow(r2,[]); r2=histeq(r2); r3=histeq(uint8(r2)); figure,imshow(r2); figure,imshow(r3);

11 image-processing  matlab  fft  fourier-transform  frequency 

我想知道如何计算带宽： 恒定（真实）的正弦音调 一个（真实的）正弦脉冲。 问题就这么简单，但是我很难确定恒定音调的带宽应该从什么开始，从那里开始脉冲的带宽应该是多少。 在频域中，存在一个恒定的真实频率频率，它是两个增量函数，分别位于和，但是如何计算其带宽呢？ffffff−f−f-f 此外，关于脉冲，这是时间上的矩形函数，因此在频域中是正弦，所以它的带宽不就是，其中是脉冲的持续时间吗？1T1T\frac{1}{T}TTT

11 frequency-spectrum  frequency  bandwidth