Pertimbangkan sinyal noise Gaussian putih .
Jika kita mengambil sampel sinyal ini dan menghitung transformasi Fourier diskrit, apa statistik dari amplitudo Fourier yang dihasilkan?
Pertimbangkan sinyal noise Gaussian putih .
Jika kita mengambil sampel sinyal ini dan menghitung transformasi Fourier diskrit, apa statistik dari amplitudo Fourier yang dihasilkan?
Jawaban:
Kita dapat melakukan perhitungan menggunakan beberapa elemen dasar teori probabilitas dan analisis Fourier. Ada tiga elemen (kami menunjukkan kepadatan probabilitas dari variabel acak pada nilai sebagai ):
Diberikan variabel acak dengan distribusi , distribusi variabel yang diskalakan adalah .
Distribusi probabilitas dari jumlah dua variabel acak sama dengan konvolusi distribusi probabilitas dari puncak. Dengan kata lain, jika kemudian dimana menunjukkan konvolusi.
Transformasi Fourier dari belitan dua fungsi sama dengan produk transformasi Fourier dari kedua fungsi tersebut. Dengan kata lain:
Nyatakan proses acak sebagai . Pengambilan sampel diskrit menghasilkan urutan nilaiyang kami anggap tidak berkorelasi secara statistik. Kami juga menganggap itu untuk masing-masing adalah Gaussian didistribusikan dengan standar deviasi . Kami menunjukkan fungsi Gaussian dengan standar deviasi oleh simbol jadi kami akan mengatakan itu .
Amplitudo transformasi Fourier diskrit didefinisikan sebagai
Oleh karena itu, distribusi adalah konvolusi berganda atas fungsi :
Tidak jelas bagaimana melakukan konvolusi berganda, tetapi menggunakan aturan # 3 itu mudah. Mendenotasikan transformasi Fourier dari suatu fungsi oleh kita punya
Transformasi Fourier dari Gaussian dengan lebar adalah Gaussian lain dengan lebar , jadi kita dapatkan
Karena itu kami telah menghitung distribusi probabilitas dari bagian nyata dari koefisien Fourier . Ini adalah Gaussian didistribusikan dengan standar deviasi. Perhatikan bahwa distribusi tidak tergantung pada indeks frekuensi, yang masuk akal untuk kebisingan tidak berkorelasi. Dengan simetri, bagian imajiner harus didistribusikan persis sama.
Secara intuitif kami berharap penambahan lebih banyak integrasi akan mengurangi lebar distribusi noise yang dihasilkan. Namun, kami menemukan bahwa standar deviasi dari distribusi tumbuh sebagai. Ini hanya karena pilihan kami untuk normalisasi transformasi Fourier diskrit. Jika kita malah menormalkannya seperti ini
import numpy as np; np.std(np.real(np.sum(np.random.normal(0, 1, (10000, 10000)) * np.exp(1.0j * 2 * np.pi * np.linspace(0, 1, 10000) * 50), axis=1)))
. Ketika saya melakukan ini, saya mendapatkan output 70
, yang sama denganseperti seharusnya. Mungkin Anda dapat membandingkan simulasi Anda dengan garis itu.
Saya ingin mencoba lagi jawaban @ DanielSank. Kami pertama kali mengira itu dan iid Its Discrete Fourier Transform kemudian:
Kami ingin menghitung distribusi Untuk memulai, kami mencatatnya sejak itu adalah white Gaussian noise, itu simetris sirkular, sehingga bagian nyata dan imajiner dari Fourier Transform-nya akan didistribusikan sama. Karena itu, kita hanya perlu menghitung distribusi bagian yang asli dan kemudian menggabungkannya dengan bagian imajiner.
Jadi kami berpisah menjadi bagian yang nyata dan imajiner. Kita punya:
Dimana:
Dan:
Sekarang kami berupaya menurunkan distribusi dan . Seperti dalam jawaban @ DanielSank, kami mendefinisikan:
Jadi kita bisa menulis:
Ini memungkinkan kita untuk dengan mudah menerapkan fakta berikut tentang kombinasi linear dari variabel acak Gaussian. Yaitu, kita tahu bahwa:
Bersama-sama, ini menyiratkan hal itu . Sekarang kita bekerja pada penjumlahan. Kita tahu itu:
Ini menyiratkan bahwa:
Jadi kami telah menunjukkan bahwa:
Sekarang kami menerapkan argumen yang sama . Menyalahgunakan notasi kami, kami menulis ulang:
Mengulangi argumen yang sama, dan mencatat bahwa Gaussian adalah distribusi simetris (sehingga kita dapat mengabaikan perbedaan tanda), memberi kita:
Sejak demikian juga. Karena itu sejak itu, kita mendapatkan:
Jadi kami telah menunjukkan bahwa:
Dengan simetri lingkaran, kita juga tahu bahwa:
Jadi sejak itu , akhirnya kami tiba di:
Oleh karena itu mengambil DFT membagi varians dengan panjang jendela DFT - dengan asumsi jendela adalah persegi panjang tentu saja - yang merupakan hasil yang sama seperti pada jawaban @ DanielSank.
C(n,k)^2=N/2
?