Menentukan tingkat kebisingan sinyal dalam domain frekuensi

Apakah ada cara yang diterima untuk menentukan tingkat kebisingan suatu sinyal dengan melihatnya di domain frekuensi? Apakah ini masalah rata-rata semua nampan, atau median, atau beberapa perhitungan yang lebih kompleks seperti yang dijelaskan dalam pertanyaan di bawah ini?

Apa kriteria terbaik untuk menentukan puncak frekuensi?

Saya ingin menentukan lantai kebisingan untuk menetapkan ambang batas untuk menentukan apakah sinyal saya mengandung frekuensi tertentu atau tidak.

frequency-domain

— Dan Sandberg
sumber

Apa karakteristik kebisingannya? Apakah itu putih atau berwarna?

— Jason R

White noise, meskipun saya ingin mendengar bagaimana jawabannya berbeda untuk warna lain juga.

— Dan Sandberg

White noise lebih mudah untuk dikarakterisasi karena Anda mengharapkannya datar dalam domain frekuensi. Saya seharusnya bertanya sebelumnya, tetapi apa karakteristik sinyal Anda? Berapa banyak band yang diisi oleh sinyal versus noise? Apakah sinyalnya selalu ada, atau apakah Anda memiliki kesempatan untuk mengamati kebisingan saja?

— Jason R

Sinyal terdiri dari frekuensi yang jatuh di pusat-bin ketika melakukan FFT (tidak ada kebocoran spektral). Mengabaikan efek kebisingan dan saluran, setiap frekuensi maksimum atau pada tingkat kebisingan. Jika empat dari kemungkinan n frekuensi "menyala" maka masing-masing frekuensi harus memiliki 1/4 dari kekuatan seluruh sinyal (sekali lagi, mengabaikan lantai kebisingan)

— Dan Sandberg

@DanSandberg: Tanpa fungsi windowing, teorema Parseval memungkinkan Anda menghitung energi dalam waktu atau frekuensi langsung dari domain lain. Untuk fungsi fft Python, misalnya: rms(fft(x))/sqrt(n) = rms(x) contoh di sini Jadi Anda harus memutuskan seperti apa sinyal Anda dalam domain frekuensi, menghapusnya, mengukur nilai sisa, dan mengalikannya dengan sqrt (n) untuk mendapatkan lantai kebisingan RMS, misalnya.

— endolith

Jawaban:

Anda perlu menormalkan data Anda berdasarkan jenis jendela yang Anda gunakan untuk mendapatkan representasi domain frekuensi data. Normalisasi berbeda tergantung pada apakah Anda mengukur pita sempit (puncak sinyal Anda) atau sinyal broadband (noise). Setelah data dinormalisasi dengan benar, kekuatan sinyal pita sempit dapat dibaca langsung dari data. Pengukuran kebisingan harus diperkirakan dari "lantai kebisingan" dari data frekuensi yang dinormalisasi. Perkiraan kekuatan kebisingan Anda akan 6dB kurang dari lantai kebisingan. Untuk diskusi terperinci,

Buka tautan ini: http://www.fhnw.ch/technik/ime/publikationen

Unduh kertas "" Cara menggunakan FFT untuk simulasi dan pengukuran sinyal dan noise ".

— pengguna2718
sumber

Karena noise Anda gaussian, maka spektrum dayanya datar. Anda mungkin memiliki beberapa puncak spektrum sinyal, sehingga harus dihindari. Saya akan mengusulkan median dari sampel spektrum daya atau rata-rata alpha-dipangkas dari sampel spektrum daya, atau akhirnya rata-rata antar kuartil. Semua perkiraan ini kuat, Anda dapat memilih yang paling cocok.

— mbaitoff
sumber