信号频率

跳频系统基本原理 　　在广阔地域使用短波通信，都希望通信话路畅通和保密。然而他们常遇到窃听、电子对抗、信道拥塞等问题。常规短波电台用固定频率发射和接收，因而无法避开窃听、人为干扰、信道阻塞。这些问题必须利用跳频技术才能彻底克服。通常我们所接触到的无线通信系统都是载波频率固定的通信系统，如无线对讲机，汽车移动电话等，都是在指定的频率上进行通信，所以也称作定频通信。这种定频通信系统，一旦受到干扰就将使通信质量下降，严重时甚至使通信中断。 　　例如：电台的广播节目，一般是一个发射频率发送一套节目，不同的节目占用不同的发射频率。有时为了让听众能很好地收听一套节目，电台同时用几个发射频率发送同一套节目。这样，如果在某个频率上受到了严重干扰，听众还可以选择最清晰的频道来收听节目，从而起到了抗干扰的效果。但是这样做的代价是需要很多额谱资源才能传送一套节目。如果在不断变换的几个载波频率上传送一套广播节目，而听众的收音机也跟随着不断地在这几个频率上调谐接收，这样，即使某个频率上受到了干扰，也能很好地收听到这套节目。这就变成了一个跳频系统。 　　另外在敌我双方的通信对抗中，敌方企图发现我方的通信频率，以便于截获所传送的信息内容，或者发现我方通信机所在的方位，以便于引导炮火摧毁。定频通信系统容易暴露目标且易于被截获，这时，采用跳频通信就比较隐蔽也难以被截获。因为跳频通信是“打一枪换一个地方

https://blog.csdn.net/anqijiayou/article/details/79835853 Python下opencv使用笔记（图像频域滤波与傅里叶变换） 2018-04-06 19:07:26 一只程序喵 阅读数 980 更多 分类专栏： python+opencv 本文转载自 https://blog.csdn.net/on2way/article/details/46981825 首先谢谢原创博主了，这篇文章对我帮助很大，记录下方便再次阅读。 Python下opencv使用笔记（图像频域滤波与傅里叶变换） 前面曾经介绍过空间域滤波，空间域滤波就是用各种模板直接与图像进行卷积运算，实现对图像的处理，这种方法直接对图像空间操作，操作简单，所以也是空间域滤波。 频域滤波说到底最终可能是和空间域滤波实现相同的功能，比如实现图像的轮廓提取，在空间域滤波中我们使用一个拉普拉斯模板就可以提取，而在频域内，我们使用一个高通滤波模板（因为轮廓在频域内属于高频信号），可以实现轮廓的提取，后面也会把拉普拉斯模板频域化，会发现拉普拉斯其实在频域来讲就是一个高通滤波器。 既然是频域滤波就涉及到把图像首先变到频域内，那么把图像变到频域内的方法就是傅里叶变换。关于傅里叶变换，感觉真是个伟大的发明，尤其是其在信号领域的应用，对于傅里叶变换的理解，要是刚接触这个东西

前言 　　语言是一种复杂的自然习得的人类运动能力。成人的特点是通过大约100块肌肉的协调运动，每秒发出14种不同的声音。说话人识别是指软件或硬件接收语音信号，识别语音信号中出现的说话人，然后识别说话人的能力。特征提取是通过将语音波形以相对最小的数据速率转换为参数表示形式进行后续处理和分析来实现的。因此，可接受的分类是从优良和优质的特征中衍生出来的。Mel频率倒谱系数(MFCC)、线性预测系数(LPC)、线性预测倒谱系数(LPCC)、线谱频率(LSF)、离散小波变换(DWT)和感知线性预测(PLP)是本章讨论的语音特征提取技术。这些方法已经在广泛的应用中进行了测试，使它们具有很高的可靠性和可接受性。研究人员对上述讨论的技术做了一些修改，使它们更不受噪音影响，更健壮，消耗的时间更少。总之，没有一种方法优于另一种，应用范围将决定选择哪种方法。 本文主要的关键技术：mel频率倒谱系数(MFCC)，线性预测系数(LPC)，线性预测倒谱系数(LPCC)，线谱频率(LSF)，离散小波变换(DWT)，感知线性预测(PLP) 1 介绍 　　人类通过言语来表达他们的感情、观点、观点和观念。语音生成过程包括发音、语音和流利性[1,2]。这是一种复杂的自然习得的人类运动能力，在正常成年人中，这项任务是通过脊椎和颅神经连接的大约100块肌肉协调运动，每秒发出大约14种不同的声音

梅尔倒谱系数（MFCC） 　　梅尔倒谱系数（Mel-scale FrequencyCepstral Coefficients，简称MFCC）。依据人的听觉实验结果来分析语音的频谱， MFCC分析依据的听觉机理有两个 第一Mel scale：人耳感知的声音频率和声音的实际频率并不是线性的，有下面公式 $$f_{mel}=2595*\log _{10}(1+\frac{f}{700})$$ $$f = 700 (10^{f_{mel}/2595} - 1)$$ 式中$f_{mel}$是以梅尔(Mel)为单位的感知频域（简称梅尔频域），$f$是以$Hz$为单位的实际语音频率。$f_{mel}$与$f$的关系曲线如下图所示，若能将语音信号的频域变换为感知频域中，能更好的模拟听觉过程的处理。 第二临界带（Critical Band）：把进入人耳的声音频率用临界带进行划分，将语音在频域上就被划分成一系列的频率群，组成了滤波器组，即Mel滤波器组。 　　研究表明 ，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响较大。两个响度不等的声音作用于人耳时，则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受，使其变得不易察觉，这种现象称为 掩蔽效应 。 　　由于频率较低的声音（ 低音 ）在内耳蜗基底膜上行波 传递距离 大于 频率较高的声音（ 高音

1、引言 2、有源滤波器 滤波就是根据频率对信号进行筛选。滤波器的功能是使输入信号中特定范围内的频率成分通过，抑制信号中的其他频率成分。 2.1滤波器的分类与分析方法 3、滤波器的分析方法 来源： https://blog.csdn.net/weixin_42771934/article/details/100860731

小波变换网文精粹：小波变换教程(九) 原文：ROBI POLIKAR. THE ENGINEER'S ULTIMATE GUIDE TO WAVELET ANALYSIS：The Wavelet Tutorial 网址：http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html 译文转自：http://blog.163.com/renfengyuee@126/blog/static/359431362010911852159/ 九、小波变换基础：短时傅立叶变换(二) 下面这幅图有助于你更好的理解这一点： 图2.7 彩色的类似高斯函数的是窗函数。t=t1’时刻的窗为红色，t=t2’时刻的窗为蓝色，t=t3’ 的窗为绿色。这些都是对不同时刻的不同的傅立叶变换的响应。因此，我们就得到了信号的一个时频表示(TFR)。 可能理解这一点最好的方式是举例子。首先，因为我们的变换是对时间和频率的函数（不像傅立叶变换，仅仅是对频率的函数），它是二维的（如果加上幅度则是三维）。以下图所示的非平稳信号为例： 图 2.8 在这个信号中，在不同时刻有四个频率分量。0-250ms内信号的频率为300Hz，其余每个250ms的间隔的信号频率分别为200Hz，100Hz和50Hz。很明显，这是一个非平稳信号，让我们看一看它的短时傅立叶变换： 图 2.9

序言 　　 这篇笔记是阅读《基于OMAP-L138的异步电动机轴承故障检测系统研究》后写的笔记，如果有什么问题，请大佬们多多指教哈（说 了我也看不懂 ）。 主要思路 　　 轴承故障约占电机故障的30%-40%，滚动轴承的损伤形式主要有：疲劳脱落，磨损，腐蚀，胶合，塑性变形，断裂，保持架损坏。因此对轴承故障的分析很重要，笔记从5个方面来叙述我的所感所得。 轴承故障的三种检测方式； 故障信号处理方法； 滚动轴承故障的定子电流频谱特征； 自适应滤波及连续细化傅里叶变换结合的方法； 基于SVD和ADES算法的轴承故障诊断方法。 一：轴承故障的三种检测方式 温度分析法 ：对轴承载荷，转速，润滑的变化比较敏感，对轴承润滑不良导致的过热的情况尤其敏感。但是只有当故障恶化到一定程度时才会起作用，并且不适合腐蚀，疲劳脱落等局部伤类故障。 振动分析法 ：安装振动传感器，采集轴承振动始于信号，变换频域进行频谱分析，最后再通过对比判断故障。当轴承故障振动信号频谱包括特征频率，通过特征频率的识别来判断轴承是否出现故障。 定子电流信号分析法 ：对一相定子电流信号进行频谱分析，通过与正常定子电流信号频谱对比判断故障。缺点是容易受背景噪音，负荷波动等因素的干扰。 二：故障信号处理方法 快速傅里叶变换 ：默认具备一些复数相关知识（ 不具备也没关系） 　 傅里叶变换（ https://www.cnblogs.com

内存系列二：深入理解硬件原理 https://www.cnblogs.com/tcicy/p/10087457.html忘记转这一篇了 内存相关的东西 其实理解了挺好的..cache还有main memory 本篇文章承接上文继续介绍DDR内存的硬件原理，包括如何寻址，时序和时延以及可以为提高内存的效能可以有哪些方法。 上次虽然解决了小张的问题，却引发了他对内存原理的兴趣。这不他又来找我了，说我还欠他一个解释。这次我们约在一个咖啡馆见面，这次内容有点深入，我带了些图片，小张也点了一大杯美式，计划大干一场。看着他认真的样子，我也决定毁人不倦，把他也带入IT工程师的不归路。。。 寻址(addressing) 为了了解前几天说的几个延迟参数，不得不介绍下DIMM的寻址方式。也许你发现了上次介绍Rank和chip的关系时，有个Bank/Column/row我们没有讲到，它们和如何寻址密切相关。还记得上次的图片吗？ 这次我们来看看rank和Chip里面有什么，如下图： 这是个DDR3一个Rank的示意图。2GB的内存共有16个chip，每个chip容量为128MB。我们把左边128MB Chip拆开来看，它是由8个Bank组成，每个Bank核心是个一个存储矩阵，就像一个大方格子阵。这个格子阵有很多列（Column）和很多行（Row），这样我们想存取某个格子，只需要告知是哪一行哪一列就行了

什么是频谱? 频谱图的横坐标和纵坐标分别表示什么意思？横坐标是时间，纵坐标是幅度（电平）。 时域（时间域）——自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x（t）是描述信号在不同时刻取值的函数。 频域（频率域）——自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。 对信号进行时域分析时，有时一些信号的时域参数相同，但并不能说明信号就完全相同。因为信号不仅随时间变化，还与频率、相位等信息有关，这就需要进一步分析信号的频率结构，并在频率域中对信号进行描述。 动态信号从时间域变换到频率域主要通过傅立叶级数和傅立叶变换实现。周期信号靠傅立叶级数，非周期信号靠傅立叶变换。 其实高频和低频就是信号变化的频率， 对于声音来说其变化是一维的，是时域信号即信号大小随着时间的变化而变化， 对于图像来说其变化是二维的，是空域信号即信号随着空间坐标的变化而变化， 空域的高频可以理解为细节信号，比如当一幅大图缩小n倍后，图像的细节就看不到了， 我们就可以理解为高频信号被滤掉了，而剩下的图像部分就可理解为低频了。 所谓高频，是指一个信号的变化速度较快，这是一个相对概念。在图像上来说， 就是一片图像的亮度变化较多且明显 ；在音频领域，是指一个震荡频率较低的声波；在电学领域，是指可以被电感严重阻碍的交变电流。换句话说，某一

我们眼中的世界就像皮影戏的大幕布，幕布的后面有无数的齿轮，大齿轮带动小齿轮，小齿轮再带动更小的。 在最外面的小齿轮上有一个小人——那就是我们自己。 我们只看到这个小人毫无规律的在幕布前表演，却无法预测他下一步会去哪。 而幕布后面的齿轮却永远一直那样不停的旋转，永不停歇。 ——这就是对傅里叶世界观的描述。 你眼中看似落叶纷飞变化无常的世界，实际只是躺在上帝怀中一份早已谱好的乐章。 下面进入正式环节↓↓↓↓↓↓ 傅里叶公式： 其中： 这就是鼎鼎大名的傅里叶公式！ 简单的理解： 每一个信号，在某个特定的配方下， 都可以由简单的正弦曲线组成 。傅里叶男爵猜测任意周期函数都可以写成三角函数之和。具体需要多少呢？无数个！【嘿， 上帝才不会让你这么简单的就发现他】 （插入题外话：为什么是男爵呢？傅里叶大佬曾经跟着拿破仑混过） 傅里叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的 无限叠加。 而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。 深入理解看这里：https://www.matongxue.com/madocs/619.html 为什么信号分析采用傅里叶变换？ 时域信号在经过傅立叶变换的分解之后，变为了不同正弦波信号的叠加，我们再去分析这些正弦波的频率，可以将一个信号变换到频域。