LA TRANSFORMADA RÁPIDA DE FOURIER PARA EXPERIMENTALISTAS, PARTE I:

CONCEPTOS

LA TRANSFORMADA DISCRETA DE FOURIER (DFT) PROPORCIONA UN MEDIO PARA

TRANSFORMAR DATOS MUESTRADOS EN EL DOMINIO DEL TIEMPO A UNA EXPRESIÓN DE

ESTE DATO EN LA FRECUENCIA

dominio. La transformada inversa invierte el proceso, convirtiendo datos de frecuencia en datos en el

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

en la atmósfera. En el transcurso de tres artículos, nuestro objetivo es proporcionar un resumen

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

implementación de la DFT. En la tercera parte, analizaremos dos aplicaciones: el chirrido de un

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

exclusivamente a la FFT,1–3 mientras que otros sobre procesamiento de señales,4–6 series

temporales,7, 8 o métodos numéricos9,10 incluyen secciones importantes sobre el análisis de

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

discreta en la transformada rápida de Fourier.

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

ubicuo en uso hoy.”13 La descomposición entrelazada Se puede aplicar el método utilizado en el

algoritmo de Cooley-Tukey a otras transformaciones ortogonales como la de Hadamard, Hartley y

Haar. Sin embargo, en este artículo, nos concentramos sobre la aplicación e interpretación de la FFT.

Elementos Fundamentales Como regla general, los datos a transformar consisten en N

uniformemente puntos espaciados xj = x(tj), donde N = 2n con n entero, y tj = j t donde j varía de 0 a

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

correspondiente. De este modo,

si la serie temporal es real, la mitad de las 2n frecuencias contienen toda la información de

frecuencia. En las representaciones típicas, el el dominio de la frecuencia contiene N/2 + 1 muestras.

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

convenciones de su software particular opción para que puedan interpretar adecuadamente el

calculado transformadas y espectros relacionados. La ecuación 1 muestra algunas relaciones

simples entre parámetros como t, el intervalo de tiempo de muestreo; f, el espaciado en el dominio de

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

dominio del tiempo y (en algunos

casos) el número total de ciclos (nc) en el registro de datos para un componente de frecuencia

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

límite se llama la frecuencia de Nyquist y es igual a la mitad de la frecuencia de muestreo. El

espaciamiento en el el dominio de frecuencia f es el inverso del tiempo total muestreado, por lo que

la resolución de tiempo y frecuencia no pueden ser simultáneamente mejorado. Así, la frecuencia

máxima representada es f · N/2 = 1/(2 · t), o la frecuencia de Nyquist.

Podemos expresar la transformada de varias maneras. Comúnmente La forma utilizada es la

siguiente (con i = ):

donde xj representa los datos en el dominio del tiempo y Xk su representación en el dominio de la

frecuencia. Expresamos la IFFT como:

La

FFT se replica periódicamente en el eje de frecuencia con un período de 1/ t; en consecuencia,

X(fN/2) = X(f–N/2) de modo que el transform se define en ambos extremos del intervalo cerrado de

–1/(2 t) a + 1/(2 t). Este intervalo a veces se denomina banda Nyquist.

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

ser lo mismo. La relación de Parseval expresa esta igualdad.

Para datos reales, podemos expresar la relación como

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

las magnitudes de los valores complejos de la FFT en función de la frecuencia:

Dada la simetría de las series en tiempo real, la presentación estándar restringe el rango de k a

valores positivos: k = 0, 1, …, N/2. Una forma igualmente común de representar la transformada es

con un espectro de potencia (o periodograma), que se define como

Sin

embargo, ninguna de estas representaciones espectrales es universal. Por ejemplo, algunas

convenciones colocan un 1 en el numerador en lugar de un 2 para el espectro de amplitud. el

periodograma a veces se representa con un factor de 2 en el numerador en lugar de 1 o como los

términos individuales expresados en la relación de Parseval (Ecuación 4).

En la Figura 1, como ejemplo del proceso FFT, mostramos el espectro de amplitud de una onda

sinusoidal de frecuencia única con dos intervalos de muestreo diferentes. En un caso, el intervalo t se

elige para hacer nc integral, y en el otro, no integral. Si nc es integral, f es necesariamente un

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

datos por uno sobre el rango donde deseamos mantener

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

puntos en el dominio de la frecuencia. Tal promedio, sin embargo, no produciría la frecuencia

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 en el dominio del tiempo, mejorar la interpolación en el dominio de la frecuencia). El relleno

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,

simplemente posible. Porque el espaciado de los datos en el dominio de la frecuencia es

inversamente proporcional al número de muestras en el tiempo dominio, aumentando el número de

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

como una función de interpolación de frecuencia. El resultado, más

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

frecuencia dominio. La transformada inversa da como resultado un aumento en la número de puntos

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

filtro, que discutimos más adelante en este artículo.

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

altas no se muestrearán adecuadamente y disfrazarse de señales de baja frecuencia. Este efecto es

similar a lo que los cinéfilos experimentan cuando las ruedas en pantalla de un vehículo en

movimiento aparentemente se congela o gira en la dirección incorrecta. La cámara, que funciona a la

frecuencia de muestreo de:

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

relleno (cajas) y la transformada rápida de Fourier inversa de la zeropadded datos de frecuencia

(puntos). El proceso de relleno vuelve a actuar como una función de interpolación.

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

que aumenta la velocidad de rotación,

Figura 4. Frecuencia aparente en función de la verdadera frecuencia. Frecuencias mayores que el

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

aparecería como 7 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

rotación es el doble de la frecuencia de Nyquist, la aparente la tasa de rotación es cero y la tasa de

muestreo es solo una vez por rotación. (Otro ejemplo de una muestra por rotación y una tasa de

rotación cero aparente es usar un estroboscopio para determinar la velocidad de rotación de un

objeto. Con un destello por rotación,

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.

El resultado es la magnitud de la ángulo de giro en sentido inverso. por ejemplo, un ángulo de

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

comportamiento. En el ejemplo que se muestra en la Figura 4, la frecuencia de Nyquist es de 8 Hz.

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

frecuencia de Nyquist, la frecuencia aparente comienza a disminuir, con la pendiente negativa

correspondiente a una dirección de rotación inversa. A 16 Hz, con una muestra por rotación, la

frecuencia aparente es cero. Con aumentos adicionales en la frecuencia verdadera, la aparente 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

19,5 Hz aparecerían en el segundo y terceras patas de la curva de diente de sierra. lo aparente la

frecuencia de la línea de 12,5 Hz es 8 – (12,5 – 8); En general, la frecuencia fuera de rango f

verdadera parecería tan evidente como lo indica

donde k = 1, 2, …, y k se selecciona para traer fparent dentro el rango 0 … fNy. En la Figura 6,

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

probabilidad de que no se haya producido la creación de alias. Si no es cero, podemos considerar la

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

el dominio del tiempo. Como señalamos anteriormente, para el condiciones establecidas, la

transformada de un seno de frecuencia única onda es imaginaria, mientras que la transformada de

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

recrear la señal original como Fourier.

Figura 5. La FFT de una onda de un coseno de amplitud de 3,5 Hz donde N = 16 y t = 1/N

(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

primeras cinco muestras. serie de la información de frecuencia es:

Para el caso N = 2n, ak representa la parte real de la transformada señal, bk la parte imaginaria, nt el

número de términos a incluir en la serie (donde nt < N/2), y f el espaciamiento en el dominio de la

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

ventanas a una secuencia de onda sinusoidal en la Figura 9.

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

términos de una serie de Fourier usando el coeficientes de la FFT según la Ecuación 8.

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

(aquí, nt = 10) se establecen en cero.

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

suavizado es reducir las fugas en el dominio de la frecuencia. En la figura 8, mostrar gráficas

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

sensibilidad de el proceso de creación de ventanas al valor de . Si disminuye de 0.5, los lóbulos

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

lóbulos laterales de Hamming. En cuanto a la apariencia general, la ventana de Hamming no

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

tiene características particulares. Dos puntos de comparación particularmente útiles en el espacio de

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

espectral y el método de máxima entropía, convolución, y filtrado. En la tercera y última entrega,

presentaremos algunas aplicaciones, incluyendo el análisis de un el chirrido de los murciélagos y las

variaciones de la presión atmosférica a nivel del mar en el océano Pacífico. Si hay interés en las

concentraciones de CO2 en el atmósfera, niveles de ozono, número de manchas solares, estrella

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,

para muchos, una esencial herramienta algorítmica.

Figura 9. Una comparación de los efectos (de izquierda a derecha) de un ventana rectangular,

Hamming y Blackman en un seno secuencia de ondas Por conveniencia de visualización, calculamos

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

entre Hamming y Blackman la ventana también es evidente.

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.