作者：桂。
时间：2017-03-05 19:29:12
链接：http://www.cnblogs.com/xingshansi/p/6506405.html
声明：转载请注明出处，谢谢。
前言
|
本文为Hilbert变换分析的补充，主要介绍Hilbert变换中的端点效应，内容拟分两部分展开： 1）Gibbs现象介绍； 2）端点效应分析； 内容为自己一家之言，其中不合理的地方，希望各位告诉我，反正改不改是我的事(●‘?‘●) |
一、Gibbs现象
关于Gibbs的理论推导，可以参考郑君里的《信号与系统》上册（第二版，P97~101），里边有详细的理论分析。也可参考：维基百科，里边有一张图很形象：
给出对应的代码（用该程序，借助MATLAB便可以生成.gif图）：
%% 代码介绍======================================================================== %% Title: % 1) Fourier series approximation of square wave. % 2) Demonstration of Gibbs phenomenon (verification of Fig. 3.9 of [1]) %% Author: % Ankit A. Bhurane ([email protected]) %% Expression: % The Fourier series approximation of a square wave signal existing between % -Tau/2 to Tau/2 and period of T0 will have the form: % % Original signal to be approximated: % : % __________:__________ A % | : | % | : | % | : | % __________| : |__________ % -T0/2 -Tau/2 0 Tau/2 T0/2 % : % : % % Its Fourier series approximation: % % Inf % ___ % A*Tau \ / sin(pi*n*Tau/T0) % r(t) = ------- | | ------------------ exp^(j*n*2*pi/T0*t) | % T0 /___ \ (pi*n*Tau/T0) / % n = -Inf % % The left term inside summation are the Fourier series coeffs (Cn). The % right term is the Fourier series kernel. % Tau: range of square wave, T: period of the square wave, % t: time variable, n: number of retained coefficients. % %% Observations: % 1) As number of retained coefficients tends to infinity, the approximated % signal value at the discontinuity converge to half the sum of values on % either side. % 2) Ripples does not decrease with increasing coefficients with % approximately 9% overshoot. % 3) Energy in the error between original and approximated signal, reduces % as the number of retained coefficients are increased. % %% References: % [1] Oppenheim, Willsky, Nawab, "Signals and Systems", PHI, Second edition % [2] Dean K. Frederick and A. Bruce Carlson, "Fourier series" section in % Linear systems in communication and control %% Last Modified: Sept 24, 2013. %% Copyright (c) 2013-2014 | Ankit A. Bhurane %%
clc; clear all; close all;
% Specification
A = 1; % Peak-to-peak amplitude of square wave
Tau = 10; % Total range in which the square wave is defined (here -5 to 5)
T0 = 20; % Period (time of repeatation of square wave), here 10
C = 200; % Coefficients (sinusoids) to retain
N = 1001; % Number of points to consider
t = linspace(-(T0-Tau),(T0-Tau),N); % Time axis
X = zeros(1,N); X(t>=-Tau/2 & t<=Tau/2) = A; % Original signal
R = 0; % Initialize the approximated signal
k = -C:C; % Fourier coefficient number axis
f = zeros(1,2*C+1); % Fourier coefficient values
% Loop for plotting approximated signals for different retained coeffs.
for c = 0:C % Number of retained coefficients
for n = -c:c % Summation range (See equation above in comments)
% Sinc part of the Fourier coefficients calculated separately
if n~=0
Sinc = (sin(pi*n*Tau/T0)/((pi*n*Tau/T0))); % At n NOTEQUAL to 0
else
Sinc = 1; % At n EQUAL to 0
end
Cn = (A*Tau/T0)*Sinc; % Actual Fourier series coefficients
f(k==n) = Cn; % Put the Fourier coefficients at respective places
R = R + Cn*exp(1j*n*2*pi/T0.*t); % Sum all the coefficients
end
R = real(R); % So as to get rid of 0.000000000i (imaginary) factor
Max = max(R); Min = min(R); M = max(abs(Max),abs(Min)); % Maximum error
Overshoot = ((M-A)/A)*100; % Overshoot calculation
E = sum((X-R).^2); % Error energy calculation
% Plots:
% Plot the Fourier coefficients
subplot 211; stem(k,f,‘m‘,‘LineWidth‘,1); axis tight; grid on;
xlabel(‘Fourier coefficient index‘);ylabel(‘Magnitude‘);
title(‘Fourier coefficients‘);
% Plot the approximated signal
subplot 212; plot(t,X,t,R,‘m‘,‘LineWidth‘,1); axis tight; grid on;
xlabel(‘Time (t)‘); ylabel(‘Amplitude‘);
title([‘Approximation for N = ‘, num2str(c),...
‘. Overshoot = ‘,num2str(Overshoot),‘%‘,‘. Error energy: ‘,num2str(E)])
pause(0.1); % Pause for a while
R = 0; % Reset the approximation to calculate new one
end
简而言之：
- 对于跳变的点，傅里叶变换的分量只能是能量收敛，而不是一致（幅度）收敛；
- 对于跳变的点，如门函数/方波，信号由低频到高频众多分量组合而成。
故对于连续时域信号，Fourier级数只能无限项逼近，不能完全一致。
二、端点效应
A-理论解释
借用之前博文的一张图：
连续信号到离散信号需要进行采样，由于有无穷多项，采样率对于高频的部分（因为无穷多项）难以满足Nyquist采样定理，因此会出现失真，这也就是端点效应的理论解释。失真的根本原因在时域采样，频域采样步骤只不过影响频域分辨率，即所谓的栅栏效应，但不是造成失真的根本原因。
B-现象分析
为了验证理论，此处采样一个正弦信号进行分析，按连续信号来看其Hilbert变换应该是余弦信号。
给出代码：
clc;clear all;close all; fs = 2000; f0 = 80; t = 0:1/fs:.1; sig = sin(2*pi*f0*t); sig_ref = -cos(2*pi*f0*t); sig_hilbert = hilbert(sig); figure; subplot 311 plot(t,sig,‘k‘,‘linewidth‘,2);hold on; plot(t,sig_ref,‘r.-‘,‘linewidth‘,2);hold on; plot(t,imag(sig_hilbert),‘b‘,‘linewidth‘,2);hold on; legend(‘原信号‘,‘余弦信号‘,‘Hilbert变换信号‘,‘localization‘,‘best‘); ylim([-2,2]); grid on; %频谱 f = linspace(0,fs,length(t)); subplot 312 plot(f,abs(fft(sig)),‘k‘);hold on; plot(f,abs(fft(sig_hilbert)),‘r‘);hold on; legend(‘原信号‘,‘Hilbert变换信号‘,‘localization‘,‘best‘); grid on;
对应的结果图：
时域：
可以看到明显的端点效应（说是端点效应，如果间断点在中间位置，一样会有该效应，毕竟都是Nyquist定理下的误差嘛）。
频域：
采样率取得够大了，理论上正弦信号Hilbert之后应该是一个单边的冲击。但频谱显示，峰值旁边的一个点，幅度达到160.6，这也印证了能量的泄露。
发现端点效应，与前文理论对应：Hilbert就是一个频域的变相器，本质也是fourier变换，是不是也因为跳变点（即信号中的Gibbs问题）？观察频谱，峰值旁边的点，幅值有160.5大小，我们计算原信号
2*sig(1)-sig(2)
得到结果是：-0.4820，而对于没有的点，应该是默认是0的，因此端点算是一个跳变点了。
下面再做一组实验，验证我的推断：
思路——只要保证2sig(1)-sig(2)逼近0，理论上是不是就没有边界效应了？
此时：2*sig(1)-sig(2)=1.5873e-05，再来看看结果图：
再来看看频谱，没错，峰值旁边的点压的很小（6.183e-13），符合预期。
此处代码：
clc;clear all;close all; fs = 20000; f0 = 80; t = 0.01255:1/fs:.1;%t = 0.0252:1/fs:.1则没有跳变。 sig = sin(2*pi*f0*t); 2*sig(1)-sig(2) sig_ref = -cos(2*pi*f0*t); sig_hilbert = hilbert(sig); figure; subplot 211 plot(t,sig,‘k‘,‘linewidth‘,2);hold on; plot(t,sig_ref,‘r.-‘,‘linewidth‘,2);hold on; plot(t,imag(sig_hilbert),‘b‘,‘linewidth‘,2);hold on; legend(‘原信号‘,‘余弦信号‘,‘Hilbert变换信号‘,‘localization‘,‘best‘); ylim([-2,2]); grid on; %频谱 f = linspace(0,fs,length(t)); subplot 212 plot(f,abs(fft(sig)),‘k‘);hold on; plot(f,abs(fft(sig_hilbert)),‘r‘);hold on; legend(‘原信号‘,‘Hilbert变换信号‘,‘localization‘,‘best‘); ylim([0 6000]); grid on;
基于这个基本要点，很多方法对信号：预测、延拓、镜像等操作，以消除或者降低端点效应。为什么用2*sig(1)-sig(2)呢，这是因为实验的函数为sin，在0附近sinx~x ，严格意义上应该是2*f(1)-f(2)≈ 0 。f是函数表达式，而且实际中信号不是单一频点，仅仅通过两个点判断也是不够的。
只是消除端点方法不同，但端点现象的本质一致。
多说一句：Hilbert将双边谱压成单边，这让频域滤波等操作方便了不少。
参考：
Gibbs phenomen:https://en.wikipedia.org/wiki/Gibbs_phenomenon