Метод Фурье в цифровой обработке решении информации. Спектральный анализ

3. Применения преобразования Фурье
Преобразование Фурье используется во многих областях науки — в физике, теории чисел, комбинаторике, обработке сигналов, теории вероятностей, статистике, криптографии, акустике, океанологии, оптике, геометрии, и многих других. В обработке сигналов и связанных областях преобразование Фурье обычно рассматривается как декомпозиция сигнала на частоты и амплитуды, то есть, обратимый переход от временно́го пространства (time domain) в частотное пространство (frequency domain). Богатые возможности применения основываются на нескольких полезных свойствах преобразования:
– Преобразования являются линейными операторами и, с соответствующей нормализацией, также являются унитарными (свойство, известное как теорема Парсеваля или, в более общем случае как теорема Планшереля, или в наиболее общем как дуализм Понтрягина).
– Преобразования обратимы, причём обратное преобразование имеет практически такую же форму, как и прямое преобразование.
– Синусоидальные базисные функции (вернее, комплексные экспоненты) являются собственными функциями дифференцирования, что означает, что данное представление превращает линейные дифференциальные уравнения с постоянными коэффициентами в обычные алгебраические. (Например, в линейной стационарной системе частота — консервативная величина, поэтому поведение на каждой частоте может решаться независимо.)
– По теореме о свёртке, преобразование Фурье превращает сложную операцию свёртки в простое умножение, что означает, что они обеспечивают эффективный способ вычисления основанных на свёртке операций, таких как умножение многочленов и умножение больших чисел.
– Дискретная версия преобразования Фурье может быстро рассчитываться на компьютерах, используя алгоритм быстрого преобразования Фурье (БПФ, англ. FFT).

4. Преобразование Фурье
Анализ Фурье закладывает основы многих методов, применяющихся в области цифровой обработки сигналов (ЦОС). По сути дела, преобразование Фурье (фактически существует несколько вариантов таких преобразований) позволяет сопоставить сигналу, заданному во временной области, его эквивалентное представление в частотной области. Наоборот, если известна частотная характеристика сигнала, то обратное преобразование Фурье позволяет определить соответствующий сигнал во временной области.
Семейство преобразований Фурье (преобразование Фурье, ряды Фурье, дискретные ряды Фурье и дискретное преобразование Фурье) представлено на рисунке 5. С течением времени принятые определения получили развитие в зависимости от того, является ли сигнал непрерывно-апериодическим, непрерывно-периодическим, дискретно-апериодическим или дискретно-периодическим

Рисунок 5 – Семейство преобразований фурье
Единственный член этого семейства, который имеет отношение к цифровой обработке сигналов, – это дискретное преобразование Фурье, которое оперирует дискретной по времени выборкой периодического сигнала во временной области. Для того чтобы быть представленным в виде суммы синусоид, сигнал должен быть периодическим. Но в качестве набора входных данных для ДПФ доступно только конечное число отсчетов (N). Эту дилемму можно разрешить, если мысленно поместить бесконечное число одинаковых групп отсчетов до и после обрабатываемой группы, образуя, таким образом, математическую (но не реальную) периодичность, как показано на рисунке 6.

Рисунок 6 – БПФ периодического сигнала
Для спектрального представления непериодических (импульсных) сигналов, заданных на конечном интервале, непосредственно воспользоваться рядом Фурье нельзя. Для гармонического разложения сигнала мысленно дополняют его такими же импульсными сигналами до периодического с некоторым интервалом.

Рисунок 7 – БПФ не периодического сигнала
Рисунок 6 отражает ситуацию, когда происходит периодическое продолжение сигнала. Разрывы, которые образуются в конечных точках выборки, приводят к расширению спектра анализируемого сигнала вследствие появления дополнительных гармоник. Для решения проблемы расширения спектра, а также усиления частотной характеристики входного сигнала используют функцию окна. Входные отсчеты по времени умножаются на соответствующую функцию окна, что влечет за собой обнуление сигнала на краях выборки, как показано на рисунке 8.

Рисунок 8 – Применение функции окна на входной сигнал
Все описанные выше этапы преобразования являются обязательными для построения спектрального анализа любого входного сигнала. Также, стоит отметить, что применение БПФ имеет смысл, если число элементов в анализируемой последовательности, т.е. размер самой выборки, является степенью числа 2.