🌊 Ряд Фур'є

Будь-який periodичний сигнал можна розкласти на суму чистих синусоїд — це і є ряд Фур'є. Лівий графік показує обертові фазори: кожне коло крутиться на своїй гармонічній частоті, а кінець останнього фазора малює сигнал. Правий графік — сигнал (зелений) та ідеальна ціль (сірий). Внизу — частотний спектр. Зверніть увагу на феномен Гіббса: перевищення ~9% на розривах, яке не зникає навіть при нескінченно великій кількості гармонік. 🇬🇧 English

Форма сигналу

Частотний спектр

Гармонік1
Макс. похибка—
Перевищення Гіббса—

Як це працює

Коефіцієнти Фур'є для прямокутної хвилі (±1, період 2π): a_n = 4/(nπ) для непарного n, нуль — для парного. Кожен обертовий фазор має довжину, рівну своїй амплітуді. Збільшуючи N, часткова сума наближається до цільової хвилі — але ніколи повністю не досягає кутів. Це 9%-не перевищення в точках розриву — феномен Гіббса (Дж. В. Гіббс, 1899). Він впливає на аудіоінженерію (дзвін поблизу транзієнтів), стиснення зображень (JPEG артефакти на краях) та числові PDE-розв'язувачі.

Про перетворення Фур'є

Перетворення Фур'є перетворює сигнал із часової області (амплітуда відносно часу) на частотну область (амплітуда відносно частоти), розкриваючи спектральний вміст, прихований у будь-якій хвильовій формі. Неперервне перетворення Фур'є визначається як F(ω) = ∫ f(t) e^(-iωt) dt, а обернене перетворення відновлює вихідний сигнал. Дискретне перетворення Фур'є (ДПФ) застосовується до дискретизованих сигналів з N відліками, вимагаючи O(N²) операцій — що стало практично здійсненним завдяки алгоритму швидкого перетворення Фур'є (ШПФ), який зменшує це до O(N log N).

ШПФ, опубліковане Кулі та Тьюкі у 1965 році, вважається одним із найважливіших алгоритмів XX століття. Рекурсивно розкладаючи N-точкове ДПФ на менші перетворення, ШПФ обробляє 1 мільйон точок приблизно за 0,02 секунди замість 3 годин. Ключові властивості включають лінійність, теорему про згортку (множення в частотному просторі дорівнює згортці у часовому просторі), теорему Парсеваля (енергія зберігається між областями) та властивість зсуву (затримка в часі спричиняє зсув фази в частотній області).

Цей симулятор дозволяє будувати сигнали часової області, додаючи компоненти, обчислювати та відображати їхній частотний спектр, застосовувати віконні функції для зменшення спектрального просочування та спостерігати, як фільтрація в частотній області змінює сигнал часової області. Застосування охоплюють обробку аудіо, стиснення зображень (JPEG), радіозв'язок, медичну візуалізацію (МРТ), сейсмологію та вилучення ознак у машинному навчанні.

Часті запитання

Що показує частотний спектр сигналу?

Частотний спектр показує, скільки енергії міститься на кожній частоті сигналу. Чиста синусоїда на 440 Гц дає єдиний пік на 440 Гц у спектрі. Складний музичний акорд показує піки на кількох гармонічно пов'язаних частотах. Прямокутна хвиля показує енергію на основній частоті та всіх непарних гармоніках з амплітудою, що спадає як 1/n. Шум має енергію, розподілену по всіх частотах (білий шум) або з певною спектральною формою. Спектр виявляє періодичності, гармонічні зв'язки та частотні складові, які не очевидні в необробленому сигналі часової області.

Що таке спектральне просочування і як віконні функції його зменшують?

Спектральне просочування виникає, коли ДПФ неявно припускає, що сигнал повторюється періодично, але сигнал у межах вікна аналізу не починається і не закінчується на одному й тому ж значенні. Розрив на межі вікна розсіює енергію чистого тону по сусідніх частотних бінах, приховуючи близькі спектральні особливості. Віконні функції (Ганна, Хеммінга, Блекмана) плавно згладжують сигнал до нуля на обох кінцях, усуваючи розрив. Це обмінює частотну роздільність (трохи розширені піки) на зменшене просочування (пригнічені бічні пелюстки), причому різні вікна оптимізують різні компроміси.

Чому ШПФ настільки швидше за ДПФ?

ДПФ обчислює кожну з N частотних складових як суму N відліків часової області, вимагаючи загалом N² множень. Для N=1 000 000 це 10¹² операцій. ШПФ використовує властивості симетрії та періодичності ДПФ, щоб рекурсивно розкласти обчислення: N-точкове ДПФ розбивається на два N/2-точкові ДПФ, кожне з яких розбивається на N/4-точкові ДПФ, і так далі для log₂(N) рівнів. Загальна кількість операцій стає N·log₂(N) ≈ 20 000 000 для N=1 000 000 — прискорення у 50 000 разів, що зробило обробку сигналів у реальному часі практично можливою.

Який зв'язок між роздільністю за часом і роздільністю за частотою?

Принцип невизначеності час-частота (аналогічний принципу Гейзенберга в квантовій механіці) стверджує, що Δt·Δf ≥ 1/(4π): неможливо одночасно досягти довільно гарної роздільності за часом і за частотою. Коротке вікно аналізу дає хорошу роздільність за часом (ви знаєте, коли відбуваються події), але погану роздільність за частотою (піки розмиті). Довге вікно дає чітку частотну роздільність, але розмазує перехідні події в часі. Цей компроміс є фундаментальним для будь-якого спектрального аналізу і мотивує часо-частотні представлення, такі як вейвлети та короткочасне перетворення Фур'є (спектрограми).

Як перетворення Фур'є уможливлює МРТ-візуалізацію?

МРТ-сканери вимірюють перетворення Фур'є тіла пацієнта, яке називають k-простором. Радіочастотні імпульси збуджують ядра водню, які випромінюють сигнали на частоті, пропорційній силі місцевого магнітного поля. Застосовуючи градієнтні магнітні поля, кожне просторове положення кодується на унікальній частоті — тобто виявлений сигнал є перетворенням Фур'є розподілу густини водню. Застосування оберненого ШПФ до даних k-простору відтворює анатомічне зображення. Сучасні техніки паралельної візуалізації та MRI зі стисненим зондуванням дискретизують k-простір нерівномірно, щоб скоротити час сканування, зберігаючи якість зображення.