在計(jì)算傅里葉變換之前對(duì)信號(hào)去趨勢(shì)是一種常見的做法,特別是在處理時(shí)間序列時(shí)。在這篇文章中,我將從數(shù)學(xué)和視覺(jué)上展示信號(hào)去趨勢(shì)是如何影響傅里葉變換的。
這篇文章的目的是讓介紹理解什么是常數(shù)和線性去趨勢(shì),為什么我們使用它們,以及它們是如何影響信號(hào)的傅里葉變換的。
傅里葉變換快速回顧
我們將使用傅里葉變換的如下定義:對(duì)于輸入序列x[n],當(dāng)n=0到n時(shí),傅里葉變換的第k個(gè)系數(shù)為以下復(fù)數(shù):
常量去趨勢(shì)
序列x[n]可以分解如下:將其寫成兩個(gè)信號(hào)的和:“常數(shù)部分”等于信號(hào)的平均值,“平均值周圍的可變性”部分給出實(shí)際信號(hào)與其平均值之間的差值:
對(duì)于所有樣本n,我們有:
首先,求x均值的傅里葉變換
這是一個(gè)簡(jiǎn)單的序列,所以在k=0處x的均值為0,在其他地方的值也為0。
使用下面代碼繪制所有指數(shù)也可以看到為什么它們的和總是為0(除了k=0)。
import numpy as np
import matplotlib.pyplot as plt
N = 10
ns = np.arange(N)
fig, axes = plt.subplots(1, N//2+1, figsize=(18,8), sharex=True, sharey=True)
for k in range(0, N//2+1):
eiks = np.exp(-2*1J*np.pi*ns/N*k)
pretty_ax(axes[k])
plot_sum_vector(eiks, axes[k])
axes[k].set_title(f'k={k}')
axes[k].set_aspect('equal')
fig.suptitle(f'Complex plot of the $e^{{-2ipi kn/N}}$ families')
現(xiàn)在我們把x的傅里葉變換寫成這樣,分為兩部分
分解x的傅里葉變換,結(jié)果是2個(gè)傅里葉變換的和:“可變性”部分的傅里葉變換,以及k=0時(shí)等于平均值的系數(shù)。
也就是說(shuō)x的傅里葉變換等于其可變性在均值附近的傅里葉變換的和,再加上除k = 0處之外的序列,這個(gè)序列都為0,所以他的均值是x。
這就常數(shù)去趨勢(shì),是在進(jìn)行傅里葉變換之前去除信號(hào)的均值。對(duì)于傅里葉系數(shù),就傅里葉系數(shù)而言,它對(duì)應(yīng)于將k = 0系數(shù)設(shè)置為0。
k = 0的系數(shù)始終等于信號(hào)的平均值,可以使用下面方法證明:
線性去趨勢(shì)
方法與前面相同:將輸入信號(hào)寫為2個(gè)部分的和:“線性”部分,以及圍繞該線性部分的其余變化:
這里的線性部分是從最小二乘擬合計(jì)算。利用指數(shù),可以將線性部分寫為:
其中b是信號(hào)的平均值。讓我們來(lái)看看它的傅里葉變換:
線性部分的傅里葉變換為,給定傅里葉變換的線性性質(zhì):
線性去趨勢(shì)包括在進(jìn)行傅里葉變換之前去除x的線性部分:它從結(jié)果中去除aFT(n)+b項(xiàng),其中a是常數(shù)因子(對(duì)應(yīng)于線性擬合的斜率),F(xiàn)T(n)是線性序列[0,1,…]的傅里葉變換,b是信號(hào)的平均值(因此第一個(gè)傅里葉系數(shù)將為0,就像常數(shù)去趨勢(shì)一樣)。
python代碼
在Python中使用numpy和scipy實(shí)現(xiàn)非常簡(jiǎn)單。
Scipy在它的signal 包中提供了detrend函數(shù),帶有一個(gè)類型參數(shù)來(lái)指定我們是想讓信號(hào)保持常量趨勢(shì)還是線性趨勢(shì)。
在下面的例子中,創(chuàng)建了一個(gè)長(zhǎng)度為20個(gè)樣本的信號(hào),其中包含一個(gè)前導(dǎo)系數(shù)為2的線性部分,一個(gè)噪聲,一個(gè)偏移量為4的正弦部分。
import numpy as np
from scipy.signal import detrend
import matplotlib.pyplot as plt
N = 20
# create a sample signal, with linear, offset, noise and sinus parts
ys = np.arange(N) * 2 + 4 + np.random.randn(N) + 4*np.sin(2*np.pi*np.arange(N)/5)
# constant and linear detrend
ys_c = detrend(ys, type='constant')
ys_l = detrend(ys, type='linear')
fig, axes = plt.subplots(1, 2)
ax = axes[0]
ax.plot(ys, label='raw')
ax.plot(ys_c, label='constant-detrended')
ax.plot(ys_l, label='linear-detrended')
ax.legend()
ax.set_title('Input signal')
ax = axes[1]
# we use rfft since our input signals are real
ax.plot(np.abs(np.fft.rfft(ys)))
ax.plot(np.abs(np.fft.rfft(ys_c)))
ax.plot(np.abs(np.fft.rfft(ys_l)))
ax.set_title('Module of Fourier-transform')
在左邊我們有原始輸入信號(hào),以及它的常數(shù)去趨勢(shì)和線性去趨勢(shì)版本。
常數(shù)去趨勢(shì)有效地去除信號(hào)的平均值,使其在0附近居中。線性去趨勢(shì)不僅去掉了信號(hào)的平均值,而且還去掉了它的線性趨勢(shì)(又名“直線斜率”)。從視覺(jué)上看,在線性去趨勢(shì)信號(hào)上比在原始信號(hào)上更容易發(fā)現(xiàn)正弦部分。
右邊是每個(gè)信號(hào)的傅里葉變換模塊:如果不去除趨勢(shì),我們得到藍(lán)色模塊。使用常數(shù)去趨勢(shì)法去除平均值可以有效地將0系數(shù)設(shè)置為0,這在大多數(shù)情況下使得圖表更容易分析。自線性去趨勢(shì)的結(jié)果是最好的:輸出傅里葉系數(shù)很好地顯示了輸出頻譜中的頻率,線性去趨勢(shì)的主要優(yōu)點(diǎn)是它大大減少了頻譜泄漏。
線性信號(hào)的傅里葉變換
對(duì)于不同的K值,我們可以很容易地畫出線性信號(hào)Kn (K為斜率)的傅里葉變換:
import numpy as np
import matplotlib.pyplot as plt
N = 10
ns = np.arange(N)
Ks = [-5, 2, 5]
fig, axes = plt.subplots(len(Ks), N//2+1, figsize=(18,8), sharex=True, sharey=True, gridspec_kw={'hspace':0, 'wspace':0})
for i, K in enumerate(Ks):
xs = K*np.arange(N)
for k in range(0, N//2+1):
Zs = xs * np.exp(-2*1J*np.pi*ns/N*k) / N
ax = axes[i, k]
pretty_ax(ax)
plot_sum_vector(Zs, ax)
ax.set_aspect('equal')
ax.set_xlabel(f'k={k}')
axes[i, 0].set_ylabel(f'K={K}')
fig.tight_layout()
對(duì)于給定的k值,用紅色箭頭表示的傅里葉系數(shù)總是對(duì)齊的,并且等于一個(gè)比例。所以輸出頻譜中被去掉的部分總是序列[0,1,…N]的傅里葉變換的部分,其比例因子由線性擬合的斜率給出。
總結(jié)
在這篇文章中,我們介紹了常量和線性去趨勢(shì):它們分別由去除輸入信號(hào)的平均值或線性擬合組成。在計(jì)算傅里葉變換之前的預(yù)處理步驟有助于使輸出譜更容易解釋。
去除信號(hào)的平均值使第0個(gè)系數(shù)為0。結(jié)果圖更容易檢查,因?yàn)榇蠖鄶?shù)情況下,平均值與頻譜的其余部分相比可能相當(dāng)大。如果我們?nèi)サ暨@個(gè)系數(shù),y軸的尺度就更容易設(shè)定。
線性去趨勢(shì)除了去掉平均值也去掉了信號(hào)中的總體趨勢(shì),這通常是原始信號(hào)的主導(dǎo)部分,這樣可以去掉其他成分例如季節(jié)行為等,所以如果需要對(duì)季節(jié)性進(jìn)行分析還需要另外的處理。
-
信號(hào)處理器
+關(guān)注
關(guān)注
1文章
254瀏覽量
25351 -
最小二乘法
+關(guān)注
關(guān)注
0文章
22瀏覽量
8478 -
python
+關(guān)注
關(guān)注
56文章
4807瀏覽量
85042 -
頻譜儀
+關(guān)注
關(guān)注
7文章
342瀏覽量
36256 -
傅里葉變換
+關(guān)注
關(guān)注
6文章
442瀏覽量
42711
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論