#1 楼
它比您想象的要简单。当我们离散化频率时,我们得到了频率仓。因此,当您离散化傅立叶变换时:$$ e ^ {-j \ omega} \ rightarrow e ^ {-j {2 \ pi k} / {N}} $$我们的连续频率变成$ N $个离散仓。 br />这正是以下事实成立的原因:$$ n ^ {th} bin = n * \ dfrac {sampleFreq} {num(DFT points)} $$ Hz。
#2 楼
频率仓是频率轴的一部分$ [f_1,f_h] $,通常是通过傅立叶分析得出的,它从很小的频率范围“收集”振幅,幅度或能量。由于数据离散化(可能是由于采样),通常不可能为实轴上的每个频率分配精确的幅度。例如,可以从采样频率和傅立叶变换的分辨率导出频率仓。但是,计算幅度的一部分可能归因于bin范围中未包含的实际信号的频率。与这种现象相关的术语可以是泄漏,拖尾,混叠,开窗,并且取决于用于获得这些振幅的工具。下图演示了一个实例:对纯正弦采样,并通过矩形窗口进行分析。尽管可能会期望一个峰值,但是可以通过连续傅立叶变换在完整的连续时间信号上获得一个峰值,但该峰值无法通过FFT精确定位,并且会泄漏到相邻的仓中。段$ [f_l,f_h] $通常被称为单个频率,例如中频$ \ frac {f_l + f_h} {2} $或最低频率$ f_l $,但不要忘记它是一个间隔,而不是一个数字。传统上,频率槽的大小均匀,不重叠,并且覆盖整个频谱。有时,它们可能会以某种方式重叠,从而变得不均匀,例如,当该术语(很少)用于多速率滤波器组时。
#3 楼
FFT是一种计算DFT的方法。 DFT是对有限长度向量的转换,可产生相同数量的结果。但是,可以加窗到有限长度以便馈入FFT的正弦波频率范围是无限的。因此,FFT的每个结果矢量元素主要与该频率连续体的一小段相关联,而不是与一个点(FFT bin中心频率)相关。有时这些bin被理想化为固定宽度的矩形过滤器。但是,每个FFT结果仓的实际形状不是矩形桶,而是Sinc形状或类似于任意非矩形窗口函数(可选地已应用)的变换的形状。请注意,这些结果仓的体积可能比FFT仓之间的距离宽,并且尾部(阻带)会在结果的整个宽度附近尾随。这些尾巴有时被称为“泄漏”。
评论
$ \ begingroup $
我不明白你的第二段。请详细说明“频率块”与FFT返回的阵列元素之一之间的区别(如果有)。
$ \ endgroup $
–user5108_Dan
2015年11月9日在22:14
$ \ begingroup $
FFT结果数组元素是关联仓的光谱内容的摘要。以及与与该元素相关联的基础向量的相关性。
$ \ endgroup $
– hotpaw2
2015年11月10日,0:22
$ \ begingroup $
容器中的带窗口的纯正弦曲线通常比外部的东西与基向量具有更高的相关性(尽管这取决于所应用的窗口)。
$ \ endgroup $
– hotpaw2
2015年11月10日,0:30
#4 楼
很好的信息。从中以及对采样音频的了解,垃圾箱中的最高频率不能超过采样率的一半(以Hz为单位)。同样,根据此堆栈对话,0是最低的bin频率(又称为DC分量)。第一个链接还深入描述了泄漏并对此进行了补偿。
评论
$ \ begingroup $
那么每个bin代表什么频率?例如,如果上面的公式得出一个bin为1,000hz(假设宽度为1 hz),那么bin代表1000.000至1000.999还是居中-例如999.5至1000.5?
$ \ endgroup $
– Roger Binns
17年7月13日在17:20
$ \ begingroup $
检查此问题的答案stackoverflow.com/questions/10754549/…。每个容器的宽度为SAMPLE_RATE / NUM_POINTS(Hz)。并且它是垃圾箱的中心,因此其范围是中心之前的半箱和中心之后的半箱。还要检查此en.wikipedia.org/wiki/Histogram,它对“ bin”一词有一些解释。
$ \ endgroup $
–凡人
18年5月22日在10:59