Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONCEPTOS
dominio del tiempo. Tales transformaciones puede ser aplicado en una amplia variedad de campos,
desde geofísica a la astronomía, desde el análisis de señales sonoras a las concentraciones de CO2
conveniente que el practicante experimental encontrará útil. En las dos primeras partes de este
artículo, discutiremos los conceptos asociados con la transformada rápida de Fourier (FFT), una
murciélago y la presión atmosférica a nivel del mar Diferencias en el Océano Pacífico. La FFT
proporciona un algoritmo eficiente para implementar la DFT y, como tal, nos centraremos en ella.
Esta transformación se ejecuta fácilmente; de hecho, casi todas las matemáticas disponibles
El paquete de software lo incluye como una función integrada. Algunos libros están dedicados
Fourier y el FFT. Reunimos aquí algunos de los elementos básicos que los usuarios necesitan para
aplicar e interpretar la FFT y su inversa (IFFT). Evitaremos las descripciones de la matriz de Fourier,
que se encuentra en el corazón del proceso DFT,11 y el análisis del algoritmo Cooley-Tukey12 (o
cualquiera de varios otros algoritmos comparables), que proporciona un medio para transformando la
El algoritmo Cooley-Tukey hace que la FFT sea extremadamente útil al reducir el número de cálculos
de algo del orden de n2 a n log(n), lo que obviamente proporciona una enorme reducción en el
tiempo de cálculo. Es tan útil, de hecho, que la FFT hizo Computing in Science & Ingeniería de la lista
de los 10 mejores algoritmos en un artículo que señaló que el algoritmo es, "quizás, el algoritmo más
Haar. Sin embargo, en este artículo, nos concentramos sobre la aplicación e interpretación de la FFT.
N – 1. (Algunas implementaciones de FFT no requieren que N sea una potencia de 2. Este número
de puntos es, sin embargo, óptimo para el algoritmo velocidad de ejecución.) Aunque es poco
probable que cualquier conjunto de datos dado tener el número de sus puntos de datos precisamente
igual a 2n, cero relleno (que describimos con más detalle en la siguiente sección) proporciona un
medio para lograr este número de muestras sin perder información. Como restricción adicional,
limitamos nuestra discusiones a series temporales de valor real, ya que la mayoría de los flujos de
datos son real. Cuando los datos en el dominio del tiempo son reales, los valores de los espectros de
amplitud o potencia a cualquier frecuencia negativa son los mismos que los de la frecuencia positiva
El núcleo de la FFT es una suma de exponenciales complejas. Asociado con este proceso son
convenciones para la normalización, signo y rango. Aquí presentamos lo que consideramos ser una
buena práctica, pero nuestras elecciones no son universales. Usuarios siempre debe verificar las
la frecuencia; N, el número de muestras en el dominio del tiempo; y fj, las frecuencias de Fourier. El
número de muestras por ciclo (spc) para una frecuencia particular componente con período T en el
particular son otras dos piezas de información que son útiles porque nos recuerdan la adecuación de
la frecuencia de muestreo o de la muestra de datos. Algunas relaciones entre estos parámetros son:
El
período T representa sólo una frecuencia, pero, como discutir más tarde, debe haber más de 2 spc
para el más alto componente de frecuencia de la señal muestreada. Este ancho de banda- frecuencia
espaciamiento en el el dominio de frecuencia f es el inverso del tiempo total muestreado, por lo que
siguiente (con i = ):
La
X(fN/2) = X(f–N/2) de modo que el transform se define en ambos extremos del intervalo cerrado de
Algunas implementaciones de FFT e IFFT usan diferentes normalizaciones o firmar convenios. Por
ejemplo, algunas implementaciones colocar el factor 1/N en la conversión FFT en lugar de con el
IFFT. Algún lugar 1/ en ambas conversiones procesos, y algunos invierten los signos en las
exponenciales
de las transformadas; este cambio de signo invierte el signo del componente de fase. Además,
algunas implementaciones tome el rango para k de 0, …, N/2. Debido a que las Ecuaciones 2 y 3
representan la frecuencia y dominios de tiempo de la misma señal, la energía en los dos casos debe
donde X = fft(x). El último término del lado derecho no es generalmente separado de la suma como
está aquí; hacemos esto porque debe haber solo N términos a considerar en ambas sumas, no N en
uno y N + 1 en el otro. Recuerda eso porque estamos tratando con datos de valor real, podemos
explotar un simetría y presentar los datos de frecuencia solo de 0 a N/2; esta simetría es la fuente del
factor de dos asociado con la suma. A diferencia de los otros términos, el +N/2 el valor de frecuencia
no es independiente y fue asignado, como se indicó anterior, al valor de –N/2. Si se incluye el término
+N/2 en la suma, en efecto, contaríamos dos veces el término, por lo que sacamos el término N/2 de
la suma para evitar esto. De Por supuesto, si N es grande, es probable que esta diferencia sea
mínima. Hay dos formas comunes de mostrar una FFT. Uno es el espectro de amplitud, que presenta
Dada la simetría de las series en tiempo real, la presentación estándar restringe el rango de k a
Sin
sinusoidal de frecuencia única con dos intervalos de muestreo diferentes. En un caso, el intervalo t se
múltiplo de f, y uno el punto de la transformada está asociado con la frecuencia verdadera (ver los
círculos en la Figura 1a). Sin embargo, en cualquier aplicación FFT, estamos tratando con una serie
temporal de longitud finita. Los proceso de restringir los datos en el dominio del tiempo (multiplicar los
Figura 1. Espectros de amplitud de una onda sinusoidal de frecuencia única. Se muestran dos
representaciones de una onda sinusoidal de frecuencia 0.5 en cada parte de la figura. En cada caso,
los círculos se basan en una serie de tiempo donde el número de puntos de muestra N = 32 pero el
paso de tiempo es ligeramente diferente: (a) N t = 8, por lo que nc = 4; (b) N t = 7,04, por lo que nc =
3,52, donde nc es el número total de ciclos. Las líneas continuas proporcionan una vista de estos
mismos espectros con cero relleno. Esta forma está más cerca de lo que se esperaría de un continuo
en lugar de un transformada discreta de Fourier. Los ejemplos con relleno cero revelan detalles que
podrían no haberse esperado, dada la apariencia del estuche sin relleno.
los datos y multiplicando por cero en otro lugar—un ejemplo de ventana, discutido más adelante)
introduce lóbulos laterales en la frecuencia dominio. Estos lóbulos laterales se denominan fugas.
Aunque hay fuga, porque solo hay una frecuencia asociado con la onda sinusoidal transformada,
podríamos esperar ser capaz de estimar esa frecuencia con una ponderación promedio de todos los
correcta.
En general, el proceso FFT genera valores complejos en el dominio de la frecuencia a partir de los
valores reales en el dominio del tiempo. Si transformamos ondas seno o coseno donde consideramos
un número entero de ciclos, las magnitudes de transformación son idéntico. Sin embargo, en el
dominio de la frecuencia, una curva sinusoidal es representado solo con valores imaginarios y una
curva coseno sólo con valores reales. Cuando el número de ciclos no es entero o si hay un cambio
de fase, tanto real como imaginario las partes aparecen en la transformada tanto del seno como del
coseno. Relleno cero El relleno cero es una técnica comúnmente utilizada asociada con FFT. Dos
usos frecuentes son hacer que el número de datos puntos en el dominio del tiempo muestra una
potencia de dos y para mejorar interpolación en el dominio transformado (por ejemplo, almohadilla
cero, como su nombre lo indica, significa agregar un cadena de ceros a los datos. No hace ninguna
diferencia si los ceros se añaden al final (procedimiento típico), en el principio, o dividido entre el
principio y el final de la dominio del tiempo del conjunto de datos. Un uso muy común de este
proceso es ampliar los datos de series de tiempo para que el número de muestras se convierte en
una potencia de dos, haciendo que el proceso de conversión más eficiente o, con algún software,
muestras, incluso si su los valores son cero: el espectro de frecuencia resultante contendrá más
puntos de datos para el mismo rango de frecuencia. Como consecuencia, la transformación con
relleno cero contiene más datos puntos que el sin relleno; como resultado, el proceso general actúa
imagen detallada en el espacio de frecuencia puede indicar inesperado detalle (ver, por ejemplo, la
Figura 2). como el numero de ceros aumenta, la FFT representa mejor la serie de tiempo
transformada continua de Fourier (CFT). Como señalamos anteriormente, el relleno cero introduce
más puntos en el mismo rango de frecuencia y proporciona interpolación entre puntos asociados con
la funda sin relleno. Cuando los puntos de datos están más juntos, claramente, existe la posibilidad
ese detalle desapercibido podría ser revelado (como la Figura 1a muestra). En la Figura 2, vemos el
efecto de cuadriplicar el número de puntos para dos casos diferentes. las transforma de los datos con
relleno cero contienen la misma información que los datos no rellenados, y cada cuarto punto de los
datos rellenados coincide con el punto de datos sin relleno correspondiente. el intermedio los puntos
proporcionan interpolación.
En la Figura 2, vemos una aplicación de esa interpolación capacidad cuando consideramos una
señal que consta de dos estrechamente frecuencias mentirosas. En la Figura 2a, aunque el sobre es
dibujado más claramente, el relleno cero no tiene el poder para resolver las dos frecuencias
asociadas a este caso. En Figura 2b, los picos están suficientemente separados para que la
interpolación revela los dos picos, mientras que el no acolchado los datos aparentemente no lo
hicieron. Este ejemplo nos recuerda que un representación gráfica que conecta puntos de datos
adyacentes con líneas rectas puede ser engañoso. El relleno cero también se puede realizar en la
de datos en el dominio del tiempo, que podría ser útil en la interpolación entre muestras (ver Figura
3). El relleno cero también se usa en asociación con la convolución. o correlación y con núcleos de
Alias Al realizar una FFT, es necesario ser consciente de la rango de frecuencia que compone la
señal para que muestreemos el señal más de dos veces por ciclo de la frecuencia más alta asociada
con la señal En la práctica, esto podría significar filtrar las señales para bloquear cualquier
componente de señal con una frecuencia por encima de la frecuencia de Nyquist (2 · tsample)–1
antes de realizar una transformación Si no restringimos la señal de esta manera, las frecuencias más
similar a lo que los cinéfilos experimentan cuando las ruedas en pantalla de un vehículo en
Figura 3. El efecto del relleno cero en el dominio de la frecuencia sobre los datos en el dominio del
tiempo. Los datos de frecuencia (los datos sin relleno caso en la Figura 2a) se rellenó con ceros
hasta cuatro veces su original longitud. Mostramos los datos originales en el dominio del tiempo sin
24 cuadros por segundo, solo tiene un límite de Nyquist de 12 Hz; ningún las frecuencias más altas
presentes aparecerán como frecuencias más bajas. Supongamos que podemos observar fácilmente
un punto en una rueda (no en el centro) que gira pero no se traslada. a un ritmo lento tasa de
rotación, cada cuadro sucesivo de nuestra película muestra el observable punto que avanza desde el
cuadro anterior. (La fracción de una rotación completa y la tasa de muestreo están relacionadas; l
número de muestras por rotación es el inverso de la fracción de una rotación por muestra). A medida
pliegue de frecuencia de Nyquist volver al rango de frecuencia permitido y aparecer como más bajo
frecuencias En este ejemplo, donde la frecuencia de Nyquist es 8 Hz, una frecuencia real de 9 Hz
el ángulo entre nuestro punto observado en fotogramas sucesivos aumenta. Cuando el ángulo
alcanza los 180 grados, o dos muestras por rotación, la tasa de rotación percibida es máxima la
rueda gira a la frecuencia de Nyquist. Al pasar por el límite de Nyquist, como la frecuencia va de fNy
– a fNy + (donde << fNy), la dirección de rotación parece cambiar de avance a retroceso mientras el
la tasa de rotación sigue siendo la misma. Más aumentos en la rotación hacer que la rueda parezca
continuar girando en un sentido inverso pero a un ritmo decreciente. cuando el real velocidad de
muestreo es solo una vez por rotación. (Otro ejemplo de una muestra por rotación y una tasa de
el objeto giratorio aparece en reposo y la velocidad del destello y velocidad de rotación son iguales).
Si la frecuencia de rotación continúa para aumentar, la rueda volverá a parecer que gira en el
dirección de rotación original. Para hacer esto más concreto, considere dos rotación constante
velocidades, una de 170 grados entre cuadros sucesivos y uno de 190 grados. Observamos solo la
posición actual en cada cuadro, así que cuando calculamos una secuencia de valores, llévatelos
mod(360). Si calculamos valores para los 170 grados caso, obtenemos 0, 170, 340, 150, 320, 130, y
así sucesivamente. Si calculamos valores para el caso de 190 grados, obtenemos 0, 190, 20, 210,
40, 230, y así sucesivamente, pero no veríamos el 190- rotación de grados. No observamos un
aumento mayor que 180 grados (para ángulos mayores que eso, los datos se submuestrean). Para el
caso de 190 grados, veríamos un 170- paso de grado, pero con la rotación en la dirección opuesta.
Para considerar una rotación inversa, restamos la rotación hacia adelante ángulo de rotación de 360.
rotación hacia adelante de 350 grados es equivalente a un 10- paso de grado en la dirección inversa.
Así que para nuestro 190 grados caso, los números se convierten en 0, 360 – 190 = 170, 360 – 20 =
340, 360 – 210 = 150, y así sucesivamente. La Tabla 1 proporciona un resumen. Las magnitudes de
estos ángulos de rotación son idénticas. a los datos de 170 grados. Así, veríamos el 190- caso de
grado como equivalente al caso de 170 grados en términos de velocidad de rotación, pero con la
dirección de rotación invertida. Los El gráfico de la Figura 4 ayuda a demostrar este tipo de
Frecuencias asociadas con el primer tramo del diente de sierra curva tienen más de dos muestras
por ciclo, y la frecuencias aparentes y reales son iguales. Una vez que el real frecuencia excede la
correspondiente a una dirección de rotación inversa. A 16 Hz, con una muestra por rotación, la
frecuencia vuelve a aumentar. Si tomamos la FFT de tres ondas coseno de amplitud 1 que tienen
frecuencias de 3.5, 12.5 y 19.5 Hz y donde establecemos N = 16 y t = 1/N (por lo que la frecuencia
de Nyquist es 8 Hz), tenemos obtener FFT idénticos, uno de los cuales se muestra en la Figura 5. El
número de muestras por ciclo para estas frecuencias es 4.57, 1,28 y 0,82. Solo la frecuencia más
baja está adecuadamente representada; los dos casos de mayor frecuencia tienen menos de dos
muestras por ciclo y, en consecuencia, se hacen pasar por frecuencias más bajas, apareciendo en el
rango permitido entre 0 Hz y la frecuencia de Nyquist. Para el ejemplo con el tres frecuencias
diferentes, seleccionamos deliberadamente la más alta frecuencias para que sus FFT sean idénticas
a las de la frecuencia más baja. Con referencia a la Figura 4, notamos que en las frecuencias 12,5 y
vemos las curvas reales que corresponden a las tres frecuencias y los puntos donde se produce el
muestreo. Si realizamos una FFT seguida de una IFFT para cualquiera de las tres curvas (dado el
muestreo especificado), el algoritmo devolvería el mismo resultado en cada caso, el cual, sin otra
información, se interpretaría como la caso de frecuencia más baja. Si las magnitudes de los
coeficientes de Fourier se aproximan cero (aproximadamente como 1/f) a medida que la frecuencia
se acerca a la Frecuencia de Nyquist (un cero entre lóbulos no calificaría), entonces hay una buena
posibilidad de que haya ocurrido. Sin embargo, un valor distinto de cero no implica que la creación de
alias ha sucedido necesariamente. Los coeficientes de Fourier en La Figura 5 no llega a cero incluso
en la muestra adecuada caso. El relleno cero de este ejemplo mostrará mucho más detalles, pero la
transformación sigue siendo distinta de cero en el Nyquist frecuencia. Relación con la serie de
Fourier Hay una conexión directa entre lo real y lo imaginario. partes de la información de frecuencia
de una FFT y los coeficientes en una serie de Fourier que representaría la correspondiente señal en
una sola frecuencia la onda coseno es real. Así, en una serie de Fourier de la señal en el dominio del
tiempo, esperaríamos que las partes reales de la frecuencia información que se asociará con la serie
coseno y las partes imaginarias con series de senos. Este es, de hecho, el caso. Una ecuación para
(representado por círculos). Las FFT de las frecuencias 3,5 Hz, 12,5 Hz y 19,5 Hz son idénticas para
el caso en que la frecuencia de Nyquist sea de 8 Hz. el sólido la curva muestra la transformación con
relleno cero.
Figura 6. Una vista del muestreo de tres curvas de coseno. Coseno curvas con frecuencias de 3,5
Hz, 12,5 Hz y 19,5 Hz son se muestra, con los puntos marcados que representan aquellos en los que
se produce el muestreo (t = 1/N y N=16). Solo la frecuencia más baja curva se muestrea
adecuadamente, con más de dos muestras por ciclo. En este caso, la FFT para cada curva sería
indicar una señal con una frecuencia de 3,5 Hz. Para mayor claridad, nosotros mostrar sólo las
Para el caso N = 2n, ak representa la parte real de la transformada señal, bk la parte imaginaria, nt el
frecuencia. Una forma alternativa en términos de magnitud y fase también es posible. Dado que:
donde hk = ak +ibk y las Hj son las magnitudes de hj, las serie está dada por:
Figura 7. Una comparación de la señal original en el dominio del tiempo y su reconstrucción parcial
como una serie de Fourier. La señal original (curva punteada) y los primeros 10 términos de una
serie de Fourier (curva sólida) calculada usando coeficientes del original FFT de la señal.
Figura 8. Las formas de cuatro ventanas diferentes. Desde el lado, vemos un rectangular (rojo),
Hamming (azul), Hann (verde) y Blackman (magenta), respectivamente. Aplicaremos tres de estas
En la Figura 7, vemos la señal de onda cuadrada (un ciclo de un onda cuadrada que oscila entre 0 y
1 con tiempos iguales alta y baja) a transformar, así como la señal construida de los primeros 10
Obtendríamos una forma de onda idéntica si tomamos la IFFT de un truncamiento de la FFT original,
donde todos los coeficientes de la FFT con un índice mayor que el número de términos deseados
Ventanas: Las ventanas son útiles para extraer y/o suavizar datos. Una ventana es típicamente una
función simétrica suave y positiva que tiene un valor de uno en su máximo y se aproxima a cero en
los extremos. (Una ventana puede tener una discontinuidad en su primera derivada, dándole una
forma de V invertida, tal ventana se refiere a veces como una "tienda" o dos discontinuidades para
una forma rectangular o trapezoidal.) Aplicamos ventanas multiplicando datos en el dominio del
tiempo por la ventana función. Por supuesto, cada vez que se aplica una ventana, se altera al menos
algunos de los datos. Suavizar ventanas, por ejemplo, reduce la amplitud de los datos en el dominio
del tiempo tanto al principio como al final del conjunto de datos en ventana. Un efecto de este
comparativas de cuatro ventanas de uso frecuente. Mostramos el efecto de aplicar tres de esas
ventanas a una secuencia de onda sinusoidal de la Figura 9. Veamos las expresiones para cuatro
ventanas comunes:
Las ventanas de Hamming y Hann difieren en un solo parámetro: si los coeficientes correspondientes
se escriben – (1 – ), entonces es 0.54 para la ventana de Hamming y 0.5 para la Hann. El hecho de
que un ligero cambio en el valor del parámetro da lugar a dos ventanas diferentes insinúa la
laterales aumentan significativamente en amplitud. Como aumenta de 0,5 a 0,54, los tamaños
relativos de los lóbulos laterales cambio. El primer conjunto de lóbulos laterales de Hann tiende a ser
significativamente mayores que las del caso Hamming, pero posteriores Los lóbulos laterales de
Hann disminuyen rápidamente en magnitud y volverse significativamente más pequeños que los
bastante ir a cero en los puntos finales de la ventana, mientras que el Rectangular, Las ventanas de
Hann y Blackman lo hacen. Varios otros También existen ventanas, incluidas Bartlett (función de
tienda), Welch (parabólico), Parzen (cúbico por partes), Lanczos (lóbulo central de una función seno),
gaussiana y Kaiser (que usa una función modificada función de Bessel). Cada una de estas ventanas
frecuencias son el ancho total a la mitad del máximo del pico central y el magnitud relativa del pico
central a la de los lóbulos laterales. Un La FFT de la señal sin ventana tiene el pico central más
estrecho, pero también tiene una fuga considerable que se descompone lentamente. las curvas para
los casos de Hamming y Blackman muestran un centro más amplio picos pero lóbulos laterales
significativamente más pequeños. La ventana de Blackman tiene la mayor relación entre la altura del
pico y la altura del primer lóbulo lateral. No hay una declaración resumida final que diga que debe
use la ventana x en todos los casos; las circunstancias lo deciden. En el análisis de chirrido de
murciélagos que examinaremos en la segunda parte de esta serie, Usaremos una ventana
trapezoidal isósceles. Tal ventana no es generalmente recomendado, pero para el caso de bat-chirp,
es el mejor elección. (Una curva de campana de coseno dividida, una forma de ventana de Hann
para el inicio y final de la curva con una magnitud de uno en el interior, daría esencialmente los
mismos resultados). Como ejemplo del efecto de las ventanas en la transformación, aplicar una
ventana de Blackman a los datos en el dominio del tiempo asociados con la figura 1b. Dos efectos de
aplicar esta ventana, como La figura 10 muestra que la fuga se reduce considerablemente y que el
pico central se ensancha. Obtención de lo necesario El detalle para observar estas características
requiere relleno cero. En la segunda parte de esta serie, hablaremos sobre la autorregresión análisis
variaciones de la presión atmosférica a nivel del mar en el océano Pacífico. Si hay interés en las
variable magnitudes, el precio del cerdo, o los mercados financieros, o si el el interés está en el
filtrado, las correlaciones o las convoluciones, Fourier transforma proporcionan una muy poderosa y,
el tres ejemplos por separado, desplazar el segundo y el tercero en el tiempo, y suma el conjunto,
con el efecto de que los tres ejemplos aparecen secuencialmente en el tiempo; porque cada ejemplo
es cero fuera de su zona de ventana, los resultados no interfieren. Los tres ventanas tienen el mismo
ancho, pero como muestra la Figura 8, la ventana de Blackman aumenta en magnitud más
lentamente que los otros, y podemos observar el efecto sobre el seno señal de onda La diferencia
Figura 10. Los efectos de las ventanas como se ven en la transformación espacio. La FFT del
ejemplo de 3,52 ciclos de la Figura 1 y la resultado de multiplicar datos en el dominio del tiempo y un
Blackman ventana antes de tomar la FFT se muestran sin relleno cero (círculos) y con relleno cero
(curvas sólidas). la ventana La forma reduce las fugas pero tiene un lóbulo central más ancho.