精华内容
下载资源
问答
  • 2013-05-01 22:16:47

    qq聊天程序中,有用到多个聊天窗口对象发送消息,共同传给主窗口socket来发送。

    可以在发送按钮下发射信号,

     

    void chatDialog::on_m_sendBtn_clicked()
    {
        emit sendMessageSignal(this,this->friendID);//发送聊天信息信号
    }
    

    主窗口接收,connect(chatDlg,SIGNAL(sendMessageSignal(chatDialog*,QString)),this,SLOT(sendChatMessage(chatDialog*,QString)));

    void MainWindow::sendChatMessage(chatDialog* pchatDlg, QString friendID)
    {
        chatDialog* pDlg = qobject_cast<chatDialog*>(QObject::sender());//获得发送信号的源对象
        qDebug()<<pchatDlg;//通过传参获得
        qDebug()<<pDlg;//通过函数获得
        qDebug()<<friendID;
    }


    这里要说明的是,要获得信号发送者的方法有两种,一种是通过传递参数chatDialog* ,

    另一种是通过qobject_cast<chatDialog*>(QObject::sender())函数。

    见上例源码:获得的指针是一样的,如下图:

    特此记录。

    更多相关内容
  • 如何得到信号的幅度谱和相位谱

    万次阅读 2020-06-14 11:20:42
    如果想要不失真的恢复原基带信号,则采样频率要大于最高频率的两倍,该采样频率被称为奈奎斯特采样率。采样率越高,则采样周期越小,则信号越平滑。但是采样率不是越高越好,随着采样率的提高。信号处理的时间会变...

    1 奈奎斯特采样率

            如果想要不失真的恢复原基带信号,则采样频率要大于最高频率的两倍,该采样频率被称为奈奎斯特采样率。采样率越高,则采样周期越小,则信号越平滑。但是采样率不是越高越好,随着采样率的提高。信号处理的时间会变长。

    2 fftshift说明

    以下是Matlab的帮助文件中对fftshift的说明:
          Y = fftshift(X) rearranges the outputs of fft, fft2, and fftn by moving the zero-frequency component to the center of the array. It is useful for visualizing a Fourier transform with the zero-frequency component in the middle of the spectrum. For vectors, fftshift(X) swaps the left and right halves of X.
      fftshift的作用是让正半轴部分和负半轴部分的图像分别关于各自的中心对称。因为直接用fft得出的数据与频率不是对应的,fftshift可以纠正过来.

    3 频谱图的横坐标如何和真实的频率对应

       频谱的横坐标为f,其中f=([0:L-1])*Fs/L-Fs/2。其中,L表示序列的长度,即总的采样点数;Fs表示采样频率。
       为什么通过f=([0:L-1])-Fs/2就可以实现横坐标表示真实频率呢?因为FFT之后的频谱图的横坐标为n,n=0,1,2… N-1。实际我们通过MATLAB画信号的频谱图时,横坐标的范围为0 ~ Fs。现在的问题转化为两者之间如何对应。n/L表示单位化,再乘以Fs表示单位距离所对应的的频率大小。所以可以用([0:L-1])*Fs/L来对应真实的频率。

    4 频谱图的纵坐标如何和真实的幅度值对应

       P=abs(Y)/L; % 换算成实际的幅度。
       根据功率信号FFT得到的频谱图是功率谱,能量信号FFT得到的频谱图是能量谱。由于正弦信号是一个功率信号,所以FFT得到的频谱图是功率谱。
    在这里插入图片描述在这里插入图片描述

    5 源代码

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %            幅度谱和相位谱
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    clc; 
    clear all;
    close all;
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %               参数设置
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    fs=2e6;             % 采样频率(Hz)
    N=1000;             % 采样点数
    f1=2e4;             % 信号频率
    f2=5e4;
    t=0:1/fs:(N-1)/fs;  % 采样时刻 
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %              原始信号
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    s=3*cos(2*pi*f1*t+pi*0.25)+5*cos(2*pi*f2*t+pi*0.5);% 原始信号
    figure(1)
    plot(t,s,'b');grid minor;
    xlabel('时间t');ylabel('幅度值');
    title('原始信号');
    
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %             傅里叶变换
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    Y = fftshift(fft(s)); 
    L=length(s);
    P=abs(Y)/L;          % 换算成实际的幅度
    f=(0:L-1)*fs/L-fs/2; % 换算成实际的频率值
    figure(2)
    plot(f,P); grid minor;  
    xlabel('频率f/Hz');ylabel('幅度');
    title('幅度-频率曲线图');
    
    Pyy=[];
    for i=1:N
        Pyy(i)=phase(Y(i))*180/pi; % 计算相位
    end
    figure(3)
    plot(f,Pyy); grid minor;  
    xlabel('频率f/Hz');ylabel('相位值');
    title('相位-频率曲线图');
    

    6 仿真结果


    1)采样后的序列的时域波形
    在这里插入图片描述

          根据上图可知,采样之后的序列是周期序列,其周期是0.1ms,即频率为10KHz。
    为两个频率分量(f1=2e4; f2=5e4;)的最小公倍数。



    2)采样后的序列的幅度谱

    在这里插入图片描述

          1、想想有没有频谱展宽现象?
          2、为什么是双边谱(正负频率都有频率分量)? 具体见博客《实信号到解析信号的方法》



    3)采样后的序列的相位谱

    在这里插入图片描述

    展开全文
  • 文章目录一、信号的合成和分解(一)傅里叶级数(二)将正弦波合成方波二、信号的相关性及傅里叶系数的计算(一)信号的相关性(二)傅里叶系数(三)相关性的验证及幅值、相位的计算三、信号的分解从信号合成到信号...


    一、信号的合成和分解


    • 任何信号都可以由正弦波合成,反之,任何信号都可以分解为正弦波的叠加,这是傅里叶变换告诉我们的。

    (一)傅里叶级数

    • 由公式

    在这里插入图片描述

    • 可以知道一个信号可以由正弦波叠加而成

    (二)将正弦波合成方波

    • 使用matlab生成基波及3、5、7、9、11次谐波
    w=1000;%基波频率,单位Hz
    f1=sin(2*pi*w*t);%基波信号
    f3=sin(2*pi*3*w*t)/3;%3次谐波信号
    f5=sin(2*pi*5*w*t)/5;%5次谐波信号
    f7=sin(2*pi*7*w*t)/7;%7次谐波信号
    f9=sin(2*pi*9*w*t)/9;%9次谐波信号
    f11=sin(2*pi*11*w*t)/11;%11次谐波信号
    

    matlab生成及次谐波

    • 将基波及3、5、7、9、11次谐波进行叠加
    f=f1+f3+f5+f7+f9+f11;
    

    几次谐波叠加而成的方波

    • 这里只是使用了基波及3、5、7、9、11次谐波来叠加,已经可以看得出方波的雏形了,如果使用更多的13、15、17、19。。。次谐波来叠加则会更向方波,事实上一个完整的方波是无限多、无限高次谐波的叠加。另外提一点,即使使用无限多、无限高次谐波来合成方波仍会发现会在间断点出现剑锋,大概是9%的偏差,这个现象叫做吉伯斯现象,因为当谐波次数取得很大时,间断点尖峰下的面积趋近于零,在均方的意义上合成波形与原方波真值没有区别。
      回到顶部

    二、信号的相关性及傅里叶系数的计算


    (一)信号的相关性

    • 所谓信号的相关性,就是一个信号与一个固定频率信号相乘,如果该信号含有固定频率信号的频率成分,那么乘积的结果作积分不为零,反之为零。因为随机信号不含有固定的频率,所以一个随机信号与任意一个固定频率信号相乘做积分结果为零,这正是傅里叶变换能消除随机干扰的原因

    (二)傅里叶系数

    • 由傅里叶系数计算公式
      在这里插入图片描述
    • 可知要计算傅里叶系数就是将原信号与一个固定频率的信号进行相乘然后求积分,我们知道任何一个信号都是由正弦波叠加而成的,我们只要将一个信号与一个已知频率的信号相乘求积分,就知道了在该信号中这个频率的分量,这个过程其实就是求傅里叶系数
      回到顶部

    (三)相关性的验证及幅值、相位的计算

    • 使用matlab生成相关函数,该相关函数的频率与合成信号的三次谐波频率相同
    f_cos=cos(2*pi*3*w*t);%相关函数,用于与合成信号作相关
    f_sin=sin(2*pi*3*w*t);%相关函数,用于与合成信号作相关
    
    • 这里提一点,为什么要用两个信号(cos、sin)来乘呢?你可以把这个过程当做信号的分解,其实这两个信号(cos、sin)是两个正交信号,相当于把原信号分解到两个正交信号上
      相关函数

    • 将相关信号与合成信号相乘

    f_relaven_cos=f.*f_cos;%将合成信号与相关函数相乘,得到实部
    f_relaven_sin=f.*f_sin;%将合成信号与相关函数相乘,得到虚部
    

    在这里插入图片描述

    • 将相乘后的信号求积分
    sum_data_cos=sum_len(f_relaven_cos,N);%实部求和
    sum_data_cos=sum_data_cos/N;
    sum_data_sin=sum_len(f_relaven_sin,N);%虚部求和
    sum_data_sin=sum_data_sin/N;
    

    在这里插入图片描述

    • 求幅值,我们的三次谐波中的幅值正好是一除以三再除以二也就是1.66666666666666…,得出结论原信号与该频率的信号相关,并且原信号中该频率成分分量的幅值为1.666666666666666,
    sum_data=sqrt(sum_data_cos^2+sum_data_sin^2);
    

    在这里插入图片描述
    在这里插入图片描述

    • 若要从能量的角度解释,就是原信号中该频率分量的成分所占能量为0.0278
    sum_data_energy=sum_data_cos^2+sum_data_sin^2;
    

    在这里插入图片描述

    • 再来求一下相角
    angle_data=atan(sum_data_sin/sum_data_cos)*180/pi;
    

    在这里插入图片描述

    • 初始相位是零看不出结果,我们将三次谐波进行移相,再求相角,注意这时候可能合成的已经可能不是正弦波了

    在这里插入图片描述
    在这里插入图片描述

    三、信号的分解


    从信号合成到信号分解

    • 前面的验证我们知道任何一个信号都可以由正弦波合成,那么反过来,任何信号都可以分解为正弦波的叠加。那么问题来了,怎样分解呢?答案就是傅里叶变换。但是傅里叶变换太复杂了,有没有更简单的理解方式呢?我们可以从傅里叶级数出发。
    • 我们知道,欲求一个信号中某种频率的分量,只要将这个信号与欲求频率的信号相乘求积分就能得到这个信号中该频率的含量
    • 再反过来,欲知一个信号中含有那些频率成分及各成分的分量,那就将这个信号与任意频率的信号相乘求积分(作相关),就能得到该信号中所含的所有频率成分及各个分量大小。
    • 但是,与任意频率作相关,这个计算量也太大了吧。。。所以只需要对那奎斯特采样频率一半的信号作相关就够了,并且将任意频率抽取,即每隔多少频率求一次相关,这就是频谱分辨率,怎么越来越像傅里叶变换,没错这就是傅里叶变换。但是傅里叶变换是连续的,在数字系统中无法使用,所以要用离散傅里叶变换,但是离散傅里叶变换计算量还是很大,于是根据离散傅里叶变换的奇、偶、虚、实特特性,快速傅里叶变换诞生了,并且加速了数字信号处理的发展。

    最后

    • 本文从信号的合成、分解、相关及傅里叶级数的计算,一非常浅显的方式对信号进行分析,最后引出傅里叶变换、离散傅里叶变换和快速傅里叶变换,之后的内容便是对傅里叶变换、离散傅里叶变换和快速傅里叶变换进行探讨和实现,欲知后事如何请待下回分解。

    声明:本文仅作为个人技术交流,所述如有不当之处,欢迎读者批评指正!
    转载请注明出处:https://blog.csdn.net/qq_39432978/article/details/89391212


    回到顶部

    展开全文
  • 信号与频谱

    千次阅读 2019-09-30 09:58:26
    身为一名通信专业出生的我,居然淡忘了信号的基本知识,今天带大家回顾一下,通俗易懂。 信号(singal)简介 我们在生活中经常遇到信号。比如说,股票的走势图,心跳的脉冲图等等。在通信领域,无论是的GPS、手机语音...

    身为一名通信专业出生的我,居然淡忘了信号的基本知识,今天带大家回顾一下,通俗易懂。

    信号(singal)简介

    我们在生活中经常遇到信号。比如说,股票的走势图,心跳的脉冲图等等。在通信领域,无论是的GPS、手机语音、收音机、互联网通信,我们发送和接收的都是信号。最近,深圳地铁通信系统疑似与WiFi信号冲突,也就是地铁的天线收到了WiFi的信号,而误把该信号当作地铁通信信号。我们的社会信息化,是建立在信号的基础上的。
    信号:最近三年的沪指指数
    信号是随着时间或者空间变化的序列。在信号处理中,我们常用“信号”来特指一维信号,也就是只随单一一个时间或空间维度变化的序列,这样的信号在数学上可以表示成f(t)或者f(x)这样一个函数。与一维信号形成对应的是多维信号,比如说图像是二维信号,它随x,y两个空间维度变化,从数学上表示成为f(x, y)。下面在没有特别声明的情况下,都使用“信号”来代指一维信号。
    尽管信号的使用如此广泛,但信号从数学意义上来并没有什么神秘的地方,只是普通的序列(函数)。信号处理的方法可以通用于任何一个领域的信号(无论是通信、金融还是其他领域),这也是信号处理的魅力所在。

    简谐波(simple harmonic)

    正弦波(sine wave)和余弦波(cosine wave)统称为简谐波。简谐波是自然界最常见的波动。
    在这里插入图片描述
    正弦波
    正弦波可以写成函数的形式:w=2πf
    在这里插入图片描述
    可以看到,一个简谐波三个参数,振幅(A, amplitude)、频率(f,frequency)、相位(phi, phase)。这三个参数分别控制正弦波的不同特征。通过调整它们,我们可以得到不同的正弦波信号。
    在这里插入图片描述
    左上:原始 左下:2倍频率 右上:2倍振幅 右下:相位移动
    可以看到,频率高,“山峰”越密集。振幅高,“山峰”越高。相位改变,“山峰”的位置左右移动。(朋友说我是"用音量控制音调":唱歌本应该改变频率高低的时候,却在改变振幅的高低。)
    余弦波(cosine wave)函数形式与正弦波类似,用cos表示。我们可以通过改变正弦波来从正弦波获得余弦波。

    傅立叶变换 (Fourier Transform)

    简谐波虽然简单,但对信号处理具有重要意义。傅立叶是一名工程师,他发现,任何信号实际上都可以通过简谐波相加近似得到。也就是傅立叶定理(Fourier inversion theorem):
    任何一个信号都可以由简谐波相加得到
    在这里插入图片描述
    因此,复杂的信号可以分解成为许多个简单的简谐波。一个信号由多个频率的简谐波相加得到。组成信号的某个简谐波,称为信号的一个分量(component)。
    比如下图,显示了我们如何用简谐波的叠加来不断趋近蓝色的信号:
    在这里插入图片描述
    傅立叶变换是一套固定的计算方法,用于算出信号的各个分量(也就是下面的an,bn)。在信号处理时,可以将信号进行傅立叶变换,转换为简谐波的组合。通过分别控制各个频率上的简谐波分量,我们可以更加有效的进行信号处理。比如说,我们通信的时候可以使用高频的简谐波信号。但是接收信号的天线可能会收到其他频率的干扰信号。这个时候,我们可以对接收到的混合信号做傅立叶变换,只提取目标高频的分量。这是降低信号噪音的常用方法。傅立叶变换的过程有些复杂,但已经有大量的程序可以帮你进行。你所需要的只是输入信号,计算机会帮你算出它的各个分量。(给输入,傅里叶变换会给出输出,不用太计较变换的原理)
    比如说,如果信号f(x)是周期性的,我们可以将它变换成:
    在这里插入图片描述
    也就是说,一个信号可以看做许多简谐波的和。上面的a,b是可以通过原信号求得的参数为:
    在这里插入图片描述
    a, b代表了信号在各个频率上的简谐波分量的强弱(以及相位)。这样,信号就分解为了简谐波的和。由于简谐波比较容易理解,我们可以通过研究这些分量,来明白复杂信号背后的机制。

    频谱(frequency spectrum)

    通过傅立叶变换,我们可以得到一个信号f(t)的不同频率的简谐波分量。每个分量的振幅,代表了该分量的强弱。将各个频率分量的强弱画出来,可以得到信号的频谱。比如下图是从每天降水序列中得到的频谱:
    在这里插入图片描述
    可以看到,以1年为周期的简谐波分量有一个明显的高峰。也就是说,一年周期的分量有比较强。这是有物理原因的。因为降水总是以一年四季为周期有规律的变化。通过信号->Fourier Transform->频谱,我们可以从简谐波分量的角度,理解复杂信号是由哪些简谐机制合成的。
    百度百科上的介绍(参考):https://baike.baidu.com/item/%E9%A2%91%E8%B0%B1%E5%88%86%E6%9E%90/9851343?fr=aladdin

    频谱是指一个时域的信号在频域下的表示方式,可以针对信号进行傅里叶变换而得,所得的结果会是以分别以幅度及相位为纵轴,频率为横轴的两张图,不过有时也会省略相位的信息,只有不同频率下对应幅度的资料。有时也以“幅度频谱”表示幅度随频率变化的情形,“相位频谱”表示相位随频率变化的情形。
    简单来说,频谱可以表示一个信号是由哪些频率的弦波所组成,也可以看出各频率弦波的大小及相位等信息。

    信号若随着时间变化,且可以用幅度来表示,都有其对应的频谱。包括可见光(颜色)、音乐、无线电波、振动等都有这様的性质。当这些物理现象用频谱表示时,可以提供一些此信号产生原因的相关信息。例如针对一个仪器的振动,可以借由其振动信号频谱的频率成分,推测振动是由哪些元件所造成。

    频谱分析是一种将复噪声号分解为较简单信号的技术。许多物理信号均可以表示为许多不同频率简单信号的和。找出一个信号在不同频率下的信息(可能是幅度、功率、强度或相位等)的作法就是频谱分析。

    频谱分析可以对整个信号进行。不过有时也会将信号分割成几段,再针对各段的信号进行频谱分析。周期函数(例如)最适合只考虑一个周期的信号来进行频谱分析。傅里叶分析中有许多分析非周期函数时需要的数学工具。

    一个函数的傅里叶变换包括了原始信号中的所有信息,只是表示的型式不同。因此可以用反傅里叶变换重组原始的信号。若要完整的重组原始信号,需要有每个频率下的幅度及其相位,这些信息可以用二维向量、复数、或是极座标下的大小及角度来表示。在信号处理中常常考虑幅度的平方,也就是功率,所得的就是功率谱密度。

    实际上,大部分的仪器及软件都用快速傅里叶变换来产生频谱的信号。快速傅里叶变换是一种针对采样信号计算离散傅里叶变换的数学工具,可以近似傅里叶变换的结果。

    随机性信号(或噪声)的傅里叶变换也是随机性的。需要利用一些取平均值的方式来得到其频率分布(frequency distribution)。一般来说会将资料依一定的时间分段,将各段资料进行傅里叶变换,再将变换后的幅度或幅度平方(幅度平方较常用)平均,以得到傅里叶变换的平均值。在处理取様的时域资料时,常用上述的作法,配合离散傅里叶变换来处理,这种处理方式称为Welch法(Welch’s method)。若所得的频谱是平的,此信号会视为“白噪声”,不过许多信号在时域下看似噪声,却可以借由这样的处理方式得到一些频域的信息。

    图像处理(Image Processing)

    傅立叶变换同样可用于多维信号。把傅立叶变换用于二维信号,即图像:
    在这里插入图片描述
    左边是二维信号(图像,f(x,y))。黑白可以用数值表示,即信号值。右边是二维图像的频谱。X轴表示x方向的频率,Y轴表示y方向的频率,黑白表示不同频率分量的振幅强弱。在下面一行中,Lenna被故意加上了噪声,并引起频谱的相应变化。频谱的中心代表了低频信号的振幅,频谱远离中心的地方代表了高频信号的振幅。 我们下面和加入噪声的图像比较。
    在这里插入图片描述
    (Lenna和她的频谱)
    现在,在图像中加入噪声。可以看到,原图像中各处增加了许多小“斑点”。这些斑点和原来的信号混合在一起。我们很难将一一指出这些噪音点。但另一方面,这些噪音又有一定的特征:这些噪音的空间尺度(即尺寸)很小。
    这一对图像噪音的理解,可以从频谱中得到确认。从右图的频谱中可以看到,高频信号(非中心部分)明显增强。高频分量正对应空间尺度小的信号。可见,噪声在频谱中,集中在高频这一特定区域。这样,在与原图像混合在一起的噪声,在频谱上则和图像区分开。通过高频滤波技术,就可以过滤掉噪声。这也是图像降噪的一大方法。
    (如果对图像处理有所了解,那么一定会知道Lenna的大名。她是一位阁楼(Playboy)女郎,但又是图像处理界的女神。你可以搜索"Lenna full image"来找到全图。Lenna现在是一名老太太了,她“见证”了图像处理的发展。

    总结

    信号可以分解为不同频率的简谐波分量。这有助于我们更好的理解复杂的信号。傅立叶变换是信号处理(以及图像处理)的基础工具。通过傅里叶变换,我们可以获得信号的频谱。
    频谱为我们提供了理解信号的另一个视角。在频率的世界里,我们可以发现很多原信号中一些可能被忽视的信息,比如降水的季节变化,比如增强的噪声。

    展开全文
  • 4. 学习MATLAB中信号表示的基本方法及绘图函数的调用,实现对常用连续时间信号的可视化表示,加深对各种电信号的理解。 5. 加深理解采样对信号的时域和频域特性的影响;验证信号与系统的基本概念、基本理论,掌握...
  • 语音信号处理教程及Matlab代码 ...这种产品问世之后,又首先在语音信号处理应用中得到最有效的推广应用。语音信号处理产品的商品化对这样的处理器有着巨大的需求,因此它反过来又进一步推动了微电子技术的发展。
  • 信号与线性系统分析》第一章知识概要:信号与系统的概述
  • Android手机得到信号强度信息

    千次阅读 2015-04-08 16:09:19
    Android手机得到信号强度信息 本文档讲述如何使用通过Android系统来得到手机信号强度等信息 Android手机得到信号强度信息 背景介绍相关调研查找源码代码实现总结 背景介绍 公司的主题业务...
  • 数字信号处理基础----信号的调制

    千次阅读 多人点赞 2020-09-06 20:51:44
      在频域上观察,单音信号有两个频率分量分别是ω0, -ω0,载波信号有两个频率分量分别是10ω0, -10ω0,根据频域卷积定理,时域相乘对应,频率的卷积,于是可以看到,相乘后得到的频谱,将单音信号的频谱分别...
  • 我们在学习阶跃信号与冲激信号之前,我们首先要知道什么是奇异信号? 什么是奇异信号? 解释:函数本身有不连续点(跳变点)或其导数与积分有不连续点的一类函数统称为奇异信号或奇异函数。而我们下面所要介绍的...
  • 对爆破信号进行EMD分解,得到信号的各IMF分量,对主分量信号进行Hilbert变换并求取包络线,准确识别出立井爆破雷管实际微差间隔时间并获得信号的Hilbert时频谱。分析表明:HHT方法自适应性强,适合于对立井爆破信号进行...
  • GPS信号的中的GPGGA的数据

    千次阅读 2020-09-12 05:03:16
    根据论文中的要求,我们所需要的经度纬度和高度来自GPS信号的中的GPGGA的数据。所以提取这三个信息主要是对GPGGA中的数据进行整理。 GPGGA的数据格式如下所示: 然后关于卡尔曼滤波的,也参考我发你的论文...
  • 值得说明的是相位谱:如下两图,相位谱是从上往下看,距离频率轴最近的波峰(红点),投影到下平面(投影点用粉点表示),将投影得到的时间差依次除以所在频率的周期,再乘以2π(整周相位),就得到了相位谱。...
  • 今天主要讲一下在STM32中如何利用dsp库进行快速傅里叶计算,从而得出信号的频谱幅值以及相位。 一、Matlab简单搭建 1.谐波检测搭建 通过50Hz正弦波叠加100Hz、200Hz的正弦波得到叠加后畸变的波形,这个波形主要用来...
  • 学习探究--实信号与复信号

    万次阅读 多人点赞 2020-10-22 21:59:03
    一、实信号与复信号的定义 1、实信号:物理可实现的信号常常是时间t(或k)的实函数(或序列),其在各时刻的函数(或序列)值为实数,这样的信号称为实信号。 2、复信号:函数(或序列)值为复数的信号称为复信号,...
  • 信号变成解析信号的实现方法

    千次阅读 2020-09-05 21:50:56
    (1)由于实信号具有共轭对称的频谱,从信息的角度来看,其负频谱部分是冗余的,将实信号的负频谱部分去掉,只保留正频谱部分的信号,其 频谱不存在共轭对称性,所对应的时域信号应为复信号。 (2) 现代通信信号有各种...
  • 离散时间信号:模拟信号经过采样得到的时间上离散、幅值上连续的信号,简称为离散信号,也称为抽样信号或序列。 量化:采用一组数码(如二进制数码)来逼近离散信号的幅值,将其转换为数字信号。 数字信号:离散信号...
  • 信号与频谱之正弦信号和复信号

    千次阅读 2020-05-26 15:18:15
    信息传输的过程就是信号变换和处理的过程,如何观察这个过程信号发生的变化:一种方法是在时域观察信号波形的变化,另一种方法是在频域观察信号频谱的变化。  任何复杂的信号都可以分解成一系列不同频率的基本信号...
  • 模拟信号和数字信号有什么区别

    千次阅读 2021-07-25 01:14:26
    二进制码受噪声的影响小,易于有数字电路进行处理,所以得到了广泛的应用。自变量是离散的、因变量也是离散的信号,这种信号的自变量用整数表示,因变量用有限数字中的一个数字来表示。在计算机中,数字信号的大小...
  • 互斥信号量与信号量的理解

    万次阅读 多人点赞 2018-09-17 10:10:24
    等待信号的任务在有信号以后也是按照等待列表中优先级最高的任务先得到信号处理。有关信号量的具体数据结构参考事件控制块ECB的内容,具体操作参考信号量函数等。在此不做介绍 下面这个图说明了以上的例子:(有图...
  • Matlab 实现信号滤波

    万次阅读 多人点赞 2020-11-30 10:07:26
    文章目录项目介绍代码实现1、导入信号2、加入噪声3、绘制原始信号的时域、频域4、滤波4.1 移动平均滤波4.2 中值滤波4.3 维纳滤波4.4 自适应滤波4.5 巴特沃斯滤波4.5.1 低通滤波4.5.2 高通滤波4.5.3 带通滤波 ...
  • matlab计算信号时域、频域、时频域特征参数

    万次阅读 多人点赞 2020-04-19 16:49:43
    %计算信号的时域特征 m=mean(a); %平均值 r=rms(a); %有效值 p=peak(a); %峰值 c=crestfactor(a); %峰值因子 k=kurtosis(a); %峭度 s=shapefactor(a); %波形因子 i=impulsefactor(a); %脉冲因子 m...
  • MATLAB对语音信号分析,语音信号的反折和平移,与正弦信号相加相乘。语音信号的频谱分析。对语音信号抽样,对门信号抽样及其抽样信号绘制。 语音信号的反折和平移,与正弦...% 得到L为语音信号的“长度” t0=(L-1)/F...
  • 先看看模拟信号与离散信号之间的关系,这里的离散信号是指由模拟信号采样得到的离散信号(这是得到离散信号的方式之一),我想看看它们频率之间的关系? 以正弦信号为例: 从上面的手稿中可以看出,由模拟信号...
  • 数字信号处理基础----信号的抽取和插值

    万次阅读 多人点赞 2020-09-10 22:45:42
      这一篇博客中将会介绍信号的 速率变换 和 抽取、插值 等操作。这些内容在FPGA进行数字处理的时候那是相当有用,解决了我在AD/DA和信号频率这些问题上的诸多疑问。其实这些问题,主要需要关注两个率,一个是信号...
  • 文章目录系列教程总目录概述6.1 信号量的特性6.1.1 信号量的常规操作6.1.2 信号量跟队列的对比6.1.3 两种信号量的对比6.2 信号量函数6.2.1 创建6.2.2 删除6.2.3 give/take6.3 示例12: 使用二进制信号量来同步6.4 ...
  • 别急,百度百科上有说:信号量(Semaphore),有时被称为信号灯,是在多线程环境下使用的一种设施,是可以用来保证两个或多个关键代码段不被并发调用。在进入一个关键代码段之前,线程必须获取一个信号量;一旦该关键...
  • FreeRTOS信号

    千次阅读 2022-01-05 20:40:39
    信号量用于控制共享资源访问的场景相当于一个上锁机制, 代码只有获得了这个锁的钥匙才能够执行。 信号量的另一个重要的应用场合就是任务同步,用于任务与任务或中断与任务之间的同步。 在执行中断服务函数的时候...
  • 来自专治PCB疑难杂症总群(添加杨医生微信号:johnnyyang206可入群讨论)微友的疑难杂症:关于PCB设计时,如何确定信号bus是否需要等长处理?另外Tr,Td对于等长有什么影响?   袁医生从骨髓里来分析下到底你说的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 575,726
精华内容 230,290
关键字:

怎么获得信号