了解如何在Raspberry Pi Pico上以高達500 kHz的頻率采樣并根據捕獲的數據計算快速傅立葉變換。

硬件部件：

Raspberry Pi Pico× 1個

在此項目中，我們將使用一些特殊功能以極快的速度從Raspberry Pi Pico的模數轉換器（ADC）捕獲數據，然后對數據進行快速傅立葉變換。這是許多項目的常見任務，例如涉及音頻處理或廣播的項目。

很可能您已經有了一個想要從中收集數據的傳感器。就我而言，我有一個麥克風連接到Pico的A0輸入。如果您只是來這里學習，則可以使模擬輸入懸空而無任何連接。

您可以在GitHub上找到完整程序。

1.背景

Raspberry Pi Pico如此有用的一個主要原因是其眾多的硬件功能使處理器從執行常規I / O任務中解放出來。在我們的例子中，我們將使用Pico的直接內存訪問（DMA）模塊。這是一項硬件功能，可以自動化任務，涉及以極快的速度將大量數據進出內存到IO。

可以將DMA模塊配置為在準備好樣本后立即將它們從ADC中取出。以最快的速度，您可以在高達0.5 MHz的頻率下采樣！

收集所有這些數據后，您可能需要對其進行一些處理。一個常見的任務是將您的信息從時域轉換到頻域以進行進一步處理。就我而言，我有一個麥克風，我想從該麥克風收集音頻樣本，然后計算樣本中包含的最大頻率分量。最常用的算法是快速傅立葉變換。

2. ADC采樣代碼

如果您還沒有這樣做，我強烈建議您在GitHub上克隆Raspberry Pi的pico-examples庫。這是我用來開始的所有采樣代碼的地方。以下代碼的很大一部分來自此存儲庫中的dma_capture示例。

我將介紹軟件的一些關鍵要素，以解釋發生了什么。您可以在“代碼”部分找到完整的程序。

// set sample rate

adc_set_clkdiv（CLOCK_DIV）;

這條線確定ADC收集樣本的速度。“ clkdiv”是指時鐘分頻，它使您可以分割48 MHz基本時鐘，以更低的速率進行采樣。目前，一個樣本需要96個循環來收集。這樣得出的最大采樣率是每秒48、000、000個循環/每個樣本96個循環=每秒500、000個樣本。

為了降低采樣速度，可以增加時鐘分頻。將CLOCK_DIV設置為960將使每個樣本的循環數增加10倍，從而每秒產生50000個樣本。您猜到了，將CLOCK_DIV設置為9600可以得到每秒5 000個樣本。

void sample（uint8_t *capture_buf） {

adc_fifo_drain（）;

adc_run（false）;

dma_channel_configure（dma_chan， &cfg，

capture_buf， // dst

&adc_hw-》fifo， // src

NSAMP， // transfer count

true // start immediately

）;

gpio_put（LED_PIN， 1）;

adc_run（true）;

dma_channel_wait_for_finish_blocking（dma_chan）;

gpio_put（LED_PIN， 0）;

}

該功能實際上是從ADC收集樣本。處理器復位ADC，排空緩沖區，然后開始采樣。它還將在采樣期間打開LED，以便您查看正在發生的情況。

3. FFT代碼

// get NSAMP samples at FSAMP

sample（cap_buf）;

// fill fourier transform input while subtracting DC component

uint64_t sum = 0;

for （int i=0;i《NSAMP;i++） {sum+=cap_buf［i］;}

float avg = （float）sum/NSAMP;

for （int i=0;i《NSAMP;i++） {fft_in［i］=（float）cap_buf［i］-avg;}

上面的這一部分用ADC的采樣填充cap_buf數組，然后對其進行預處理以進行傅立葉變換庫。對于許多應用程序，在對數據進行傅里葉變換之前，先從數據序列中減去平均值是有利的。否則，任何直流電平（信號偏移會超過零）將導致輸出頻點接近零而具有巨大的幅度。我使用的庫KISS FFT期望信號具有浮點類型，因此我在減去均值的同時也轉換了樣本。

// compute fast fourier transform

kiss_fftr（cfg ， fft_in， fft_out）;

// compute power and calculate max freq component

float max_power = 0;

int max_idx = 0;

// any frequency bin over NSAMP/2 is aliased （nyquist sampling theorum）

for （int i = 0; i 《 NSAMP/2; i++） {

float power = fft_out［i］.r*fft_out［i］.r+fft_out［i］.i*fft_out［i］.i;

if （power》max_power） {

max_power=power;

max_idx = i;

}

}

float max_freq = freqs［max_idx］;

printf（“Greatest Frequency Component： %0.1f Hz\n”，max_freq）;

下一部分將計算FFT，然后計算輸出數據中的最大頻率分量。FFT的輸出是復數值，因此要獲得可用的功率值，可以取復結果的大小。

還要注意的是，與其循環遍歷FFT的所有NSAMP輸出值，我們僅對NSAMP / 2進行裝箱。由于奈奎斯特采樣定理，任何大于采樣率1/2的頻率都將被混疊在一起，因此這些bin對我們沒有用。這是信號處理的基本結果，如果您不熟悉，則值得進一步研究！

就音頻而言，人耳通常可以聽到高達20 kHz左右的頻率。我使用的CLOCK_DIV值為960，產生的采樣率為50 kHz。因此，我可以捕獲的最大非混疊頻率為25 kHz，這應該綽綽有余！

// BE CAREFUL： anything over about 9000 here will cause things

// to silently break. The code will compile and upload， but due

// to memory issues nothing will work properly

#define NSAMP 1000

需要指出的最后一點代碼是NSAMP或收集的樣本數。在信號處理中，在較高和較低數量的樣本之間存在一個基本的權衡。更多的樣本將花費更長的時間來收集和處理，但是會產生更高分辨率的傅里葉變換。更少的樣本將導致更短的采樣周期和更快的處理，但是您的傅立葉變換將更加精細。

對于Pico，我發現分配過多的內存會導致難以調試的失敗。如果您將NSAMP設置得太大，您的Pico將沒有足夠的內存來分配給保存樣本的陣列。該代碼仍然可以編譯和上傳，但是您可能會得到一些奇怪的行為。在我的示例中，將NSAMP保持在9000以下似乎很好。

3.編譯和上傳

如果尚未下載，請下載Raspberry Pi Pico入門。這是一個堅實的資源，可為您提供設置構建系統，編譯C / C ++代碼并將其上傳到Pico所需的一切。

以下所有說明均適用于macOS / Linux，但我想Windows上的CMake也有類似的過程。

要編譯我的代碼，請先在GitHub上下載我的存儲庫。

導航到adc_fft目錄

創建一個名為“ build”的目錄

在其中導航，然后鍵入“ cmake 。./”

輸入“ make”，如果正確安裝了Pico構建系統，則所有內容均應編譯

將您的Pico放入引導加載程序模式，然后將adc_fft.uf2文件拖放到出現的驅動器中

那應該是全部！您可以通過USB監視程序的輸出。它將在從A0采樣的數據中輸出最大頻率分量，并且LED應該快速閃爍。
責任編輯:pj