我目前面临以下问题:我想近似傅立叶变换一个(比方说,) 功能通过计算离散傅里叶变换,仅使用固定数量的采样点。这些点可以任意远离原点。此外,我们不关心计算成本,因此可以完全免费选择网格。
网格的最佳(关于最小化误差)选择是什么?
我猜这个选择取决于带宽的. 这是否意味着 Nyquist-Shannon 强制网格比?
此外,我还发现了关于稀疏傅立叶变换采样的文献,以防已知稀疏性(压缩传感)。但是由于我的信号在频域中似乎没有稀疏支持,所以我看不出这些方法如何适用于我的情况。
我目前面临以下问题:我想近似傅立叶变换一个(比方说,) 功能通过计算离散傅里叶变换,仅使用固定数量的采样点。这些点可以任意远离原点。此外,我们不关心计算成本,因此可以完全免费选择网格。
网格的最佳(关于最小化误差)选择是什么?
我猜这个选择取决于带宽的. 这是否意味着 Nyquist-Shannon 强制网格比?
此外,我还发现了关于稀疏傅立叶变换采样的文献,以防已知稀疏性(压缩传感)。但是由于我的信号在频域中似乎没有稀疏支持,所以我看不出这些方法如何适用于我的情况。
这可以分为采样频率和窗口两个问题。
1) 由奈奎斯特定理给出所需的采样频率为和是信号中的最大频率。当使用 ADC 对实际信号进行采样时,通常会有一个低通滤波器来确保频率上限。
2) 功能通常定义为. 但是,您只能将有限部分传递给 DFT。DFT 不是时间离散傅里叶变换,而是傅里叶级数。因此,它是在周期信号上定义的。
如果您的信号实际上是周期性的,那么在整个周期内执行 DFT 是有利的。从 DFT 的角度来看,您传递给它的信号会无限重复,并且当您传递一个不完整的周期时,将会出现边界效应,导致出现的频率不在原始信号中。
如果您的信号有时间限制,则所有信号都应包含在您传递给 DFT 的向量中。
如果信号既不是时间限制也不是周期性的,理论上你需要一个无限长的 DFT,类似于定义为的实际傅里叶变换. 由于这是不可能的,因此可以采用光谱密度估计技术。然后可以使用频谱图可视化数据,显示随时间变化的频率内容。这取决于你想要达到的目标,真的。