دانلود ترجمه مقاله تبدیل فوریه گسسته متحرک بازگشتی با دیتای نمونه برداری شده – مجله الزویر

• بخشی از 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 ۶.٧x با پردازش ٨ نمونه در هر تکرار زیر خطی را افزایش می دهد .
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[١-۴] . اتخاذ تکنیک های تبدیل فوریه گسسته متحرک بازگشتی دستیابی نمونه به نمونه قابلیت انعطاف محاسبه تفکیک ریز فرکانس – زمان را میسر می کند.

• بخشی از مقاله انگلیسی:

Abstract

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.

 Introduction

The Discrete Fourier Transform (DFT) has played a fundamental role for signal analysis. Traditionally, samples are acquired and processed in a block-processing fashion, where the number of samples required per spectral update is a function of the desired spectral resolution. The result is a delayed output with the time resolution determined by the block capture and processing rate.

To improve time and frequency resolution, we need to either capture and process the block data at a higher rate, or, alternatively, utilise recursive Fourier transform methods [1–4]. Adopting Recursive Sliding discrete Fourier Transform techniques enables sample-by-sample updating with the flexibility of allowing the computation of finer time–frequency resolution. The sample-bysample updating uses the Fourier time shift property to update an existing spectral output using the most recent input sample. To maintain sampling-to-processing synchronisation, a sampling constraint is enforced on the front–end hardware. The processing latency per input sample will determine the maximum sampling rate permitted to allow an updated output in a single sample period [5].

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله