ترجمه فارسی عنوان مقاله

پردازش سیگنال دیجیتال

عنوان انگلیسی

Recursive sliding discrete Fourier transform with oversampled data

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
52837	2014	5 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Digital Signal Processing, Volume 25, February 2014, Pages 275–279

فهرست مطالب ترجمه فارسی

چکیده

مقدمه

تبدیل فوریه گسسته بازگشتی کشویی

مقدار نهایی چند نمونه ای

تصحیح خطا

ضریب پردازش

جدول 1 : ضرایب رشته های محاسباتی برای k=1,2,4,8 . تمامی زمان های پردازشی نشان داده شده مربوط به k=1 است و نشان دهنده افزایش بیش از حد در زمان محاسبه جفت نمونه ها است .

شکل 1 : دیاگرام نرخ نمونه برداری برای k=1,2,4 . نقاط تو پر نمایش دهنده نمونه برداری با نرخ k=1 است . نقاط تو خالی نمایش دهنده نمونه های اضافی بدست آمده برای k=2,4 است .

بهره پهنای باند

شکل 2 : نمایش فرکانس – زمان سه سیگنال تولید شده برای k=1,2,4 . هر نمودار نرخ نمونه برداری و پهنای باند متفاوتی را نشان می دهد .

نسبت بهره به ضریب پهنای باند سیگنال

جدول 2 : بهره پهنای باند نسبت به تعداد نمونه ورودی تعریف شده توسط k . هر قدر k افزایش یابد مقادیر بیش از حد اضافی محدودیت نمونه برداری را ایجاد می کنند که موجب جلوگیری از مقیاس خطی نرخ نمونه برداری می شود .

نتیجه گیری

ترجمه کلمات کلیدی

تبدیل فوریه گسسته، تبدیل فوریه گسسته بازگشتی تبدیل، تبدیل فوریه گسسته کشویی ، تبدیل فوریه در حال اجرا ، به روز رسانی طیفی

کلمات کلیدی انگلیسی

Discrete Fourier transform, Recursive discrete Fourier transform, Sliding discrete Fourier transform, Running Fourier transform, Spectral updating

ترجمه چکیده

تبدیل فوریه گسسته (DFT) نقش اساسی برای تحلیل سیگنال بازی می کند . برای مثال یک کاربرد متداول عبارت است از تبدیل فوریه سریع برای محاسبه تجزیه طیف در روش بلوک به بلوک . هر چند استفاده از تکنیک تبدیل فوریه گسسته بازگشتی که به نوبه خود محاسبه وضوح خوب فرکانس زمان را میسر می کند بدست آوردن نمونه به نمونه را فعال می نماید . خروجی طیف موجود در روش نمونه به نمونه با استفاده از ترکیب خصوصیات شیفت زمان فوریه تفاوت بین جدیدترین نمونه ورودی و خروجی در زمان استفاده طول بازه محدود بدست آمده است . همانگونه که با پردازش تاخیر در هر نمونه ورودی بیشترین نرخ نمونه برداری را مشخص خواهد کرد برای حفظ روش نمونه برداری در فرآیند هماهنگ سازی ، محدودیت نمونه برداری بر روی سخت افزار نهایی اجرا می شود . این کار رویکرد بازگشتی را یک قدم به جلوتر می برد و پردازش نمونه های متعدد اکتسابی را در نمونه برداری بیش از حد برای یدست آوردن طیف خروجی میسر می کند . این کار نشان می دهد که محاسبه تجزیه ریز به ریز طیف در هنگام افزایش پهنای باند سیگنال قابل استفاده با نرخ نمونه برداری بالاتر امکان پذیر است . نتایج نشان می دهند که پردازش بالا با فاکتور های بهبود یافته پهنای باند سیگنال تا 6.7x با پردازش 8 نمونه در هر تکرار زیر خطی را افزایش می دهد .

ترجمه مقدمه

تبدیل فوریه گسسته نقشی اساسی برای تحلیل سیگنال بازی می کند . بطور مرسوم نمونه ها در روش بلوک پردازشی بدست می آیند و پردازش می شوند بطوری که تعداد نمونه ها در هر طیف بدست آمده تابعی از تفکیک طیفی مطلوب است . نتیجه ، خروجی تاخیر دار با جزئیات زمان معین توسط کنترل بلوک و نرخ پردازشی است . برای بهبود تفکیک زمان و فرکانس ، ما هم به کنترل و پردازش داده های بلوک در نرخ بالاتر و هم متناوبا استفاده از روش های تبدل فوریه بازگشتی نیاز داریم [1-4] . اتخاذ تکنیک های تبدیل فوریه گسسته متحرک بازگشتی دستیابی نمونه به نمونه قابلیت انعطاف محاسبه تفکیک ریز فرکانس - زمان را میسر می کند . برای دستیابی به طیف خروجی موجود با استفاده از جدیدترین نمونه ورودی به روز رسانی نمونه به نمونه از خصوصیت شیفت زمان فوریه استفاده می کند . برای حفظ روش نمونه برداری در فرآیند همزمان سازی ، محدودیت نمونه برداری بر روی سخت افزار نهایی اجرا می شود . تاخیر در پردازش هر نمونه ورودی بیشترین نرخ نمونه برداری مجاز برای خروجی به روز شده در یک دوره نمونه تکی را مشخص خواهد کرد [5] . این کار با نمونه های بدست آمده چند گانه مجاز در نرخ های نمونه برداری بالاتر از نمونه های ورودی تکی همزمان شده است ، هر چند با دستیابی به پردازش همزمان چنین تکنیکی را یک قدم جلوتر می برد (اگرچه با حاشیه) . این مطلب به نوبه خود نشان می دهد که افزایش نرخ نونه برداری با هدف افزایش پهنای باند قابل استفاده سیگنال و همینطور دستیابی به تجزیه ریز زمان – فرکانس امکان پذیر است . بخش 2 درباره DFT بازگشتی صحبت می کند و کار قبلی در زمینه ای شامل تصحیح خطا برای محاسبه بیت محدود را مشخص می کند . بخش 3 درباره استفاده از نمونه های چندگانه برای بروز رسانی طیف و هزینه ها و فواید استفاده از نرخ نمونه برداری بالاتر صحبت می کند .

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

The Discrete Fourier Transform (DFT) has played a fundamental role for signal analysis. A common application is, for example, an FFT to compute a spectral decomposition, in a block by block fashion. However, using a recursive, discrete, Fourier transform technique enables sample-by-sample updating, which, in turn, allows for the computation of a fine time–frequency resolution. An existing spectral output is updated in a sample-by-sample fashion using a combination of the Fourier time shift property and the difference between the most recent input sample and outgoing sample when using a window of finite length. To maintain sampling-to-processing synchronisation, a sampling constraint is enforced on the front–end hardware, as the processing latency per input sample will determine the maximum sampling rate. This work takes the recursive approach one step further, and enables the processing of multiple samples acquired through oversampling, to update the spectral output. This work shows that it is possible to compute a fine-grained spectral decomposition while increasing usable signal bandwidths through higher sampling rates. Results show that processing overhead increases sub-linearly, with signal bandwidth improvement factors of up to 6.7× when processing 8 samples per iteration.