线性调频Z变换 CZT

这篇具有很好参考价值的文章主要介绍了线性调频Z变换 CZT。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  • 线性调频Z变换(chirp Z-transform)

【1. 原理】

1.1 公式推导

  • Z 变换公式:
    X ( z ) = ∑ n = 0 N − 1 x ( n ) z − n X(z)=\sum_{n=0}^{N-1}x(n)z^{-n} X(z)=n=0N1x(n)zn
  • z = z k = A W − k = ( A 0 e j θ 0 ) ( W 0 e − j φ 0 ) − k = ( A 0 e j θ 0 ) ( W 0 − k e j φ 0 k ) , k = 0 , 1... , M − 1 z=z_k=AW^{-k}=\left(A_0e^{j\theta_0}\right)\left(W_0e^{-j\varphi_0}\right)^{-k}=\left(A_0e^{j\theta_0}\right)\left(W_0^{-k}e^{j\varphi_0k}\right),k=0,1...,M-1 z=zk=AWk=(A0ejθ0)(W0ejφ0)k=(A0ejθ0)(W0kejφ0k),k=0,1...,M1,M代表欲分析的频谱的点数,M不一定等于N。代入上式化简,得到 CZT 变换公式
    C Z T ( z k ) = ∑ n = 0 N − 1 x ( n ) z k − n = ∑ n = 0 N − 1 x ( n ) ( A W − k ) − n = ∑ n = 0 N − 1 x ( n ) ( A 0 − n e − j θ 0 n ) ( W 0 n k e − j φ 0 n k ) , k = 0 , 1... , M − 1 \begin{aligned}CZT(z_k)&=\sum_{n=0}^{N-1}x(n)z_k^{-n}\\&=\sum_{n=0}^{N-1}x(n)(AW^{-k})^{-n}\\&= \sum_{n=0}^{N-1}x(n)\left(A_0^{-n}e^{-j\theta_0n}\right)\left(W_0^{nk}e^{-j\varphi_0nk}\right),k=0,1...,M-1\end{aligned} CZT(zk)=n=0N1x(n)zkn=n=0N1x(n)(AWk)n=n=0N1x(n)(A0nejθ0n)(W0nkejφ0nk),k=0,1...,M1
    其中, z k = A W − k z_k=AW^{-k} zk=AWk A = A 0 e j θ 0 A=A_0e^{j\theta_0} A=A0ejθ0 W = W 0 e − j φ 0 W=W_0e^{-j\varphi_0} W=W0ejφ0
    z k = A W − k = A 0 W 0 − k e j ( θ 0 + k φ 0 ) \\z_k=AW^{-k}=A_0W_0^{-k}e^{j(\theta_0+k\varphi_0)} zk=AWk=A0W0kej(θ0+kφ0)
    z 0 = A 0 e j θ 0 , z 1 = A 0 W 0 − 1 e j ( θ 0 + φ 0 ) \\z_0=A_0e^{j\theta_0},\\ z_1=A_0W_0^{-1}e^{j(\theta_0+\varphi_0)} z0=A0ejθ0,z1=A0W01ej(θ0+φ0)
    z 2 = A 0 W 0 − 2 e j ( θ 0 + 2 φ 0 ) z_2=A_0W_0^{-2}e^{j(\theta_0+2\varphi_0)} z2=A0W02ej(θ0+2φ0)
    ⋯ \cdots
    z M − 1 = A 0 W 0 − ( M − 1 ) e j [ θ 0 + ( M − 1 ) φ 0 ] z_{M-1}=A_0W_0^{-(M-1)}e^{j[\theta_0+(M-1)\varphi_0]} zM1=A0W0(M1)ej[θ0+(M1)φ0]

1.2 z k z_k zk​ 所在的路径

  • A = A 0 e j θ 0 A=A_0e^{j\theta _0} A=A0ejθ0 为起始点位置。
    A 0 A_0 A0 :起始点半径,通常 A 0 ≤ 1 A_0\leq1 A01,表示在圆内, A 0 = 1 A_0=1 A0=1 表示在单位圆上。
    θ 0 \theta_0 θ0:起始点相位角,可正可负。
  • z k = A 0 W 0 − k e j ( θ 0 + k φ 0 ) z_k=A_0W_0^{-k}e^{j(\theta_0+k\varphi_0)} zk=A0W0kej(θ0+kφ0) 是 z 平面一段螺线上的等分角上某一采样点。
    W 0 W_0 W0:螺线的伸展率。
    W 0 > 1 W_0>1 W0>1:随 k 的增加螺旋线向内盘旋。
    W 0 < 1 W_0<1 W0<1:随 k 的增加螺旋线向外盘旋。
    W 0 = 1 W_0=1 W0=1:对应半径为 A 0 A_0 A0 的一段圆弧,若又有 A 0 = 1 A_0=1 A0=1, 则这段圆弧是单位圆的一部分。
  • φ 0 \varphi_0 φ0 是两相邻点之间的角频率差。
    φ 0 < 0 \varphi_0<0 φ0<0:表示 z k z_k zk 的路径是顺时针旋转。
    φ 0 > 0 \varphi_0>0 φ0>0:表示 z k z_k zk 的路径是逆时针旋转。

1.3 CZT的特点

  • 输入序列长N及输出序列长M不需要相等。
  • N及M不必是高度合成数,二者均可为素数。
  • z k z_k zk 的角间隔是任意的,频率分辨率也是任意的。
  • 围线不必是z平面.上的圆,在语音分析中螺旋围线具有某些优点。
  • 起始点 z 0 z_0 z0 可任意选定,因此可以从任意频率上开始对输入数据进行窄带高分辨率的分析。
  • CZT 是一个一般化的DFT:若 A=1,M=N,可用CZT来计算DFT,即使N为素数时也可以。

【2. CZT的实现步骤】

2.1 线性卷积

  • 利用 Bluestein 等式 n k = 1 2 [ n 2 + k 2 − ( k − n ) 2 ] nk=\frac{1}{2}[n^2+k^2-(k-n)^2] nk=21[n2+k2(kn)2],代入CZT公式,得:
    C Z T ( z k ) = ∑ n = 0 N − 1 x ( n ) A − n W n k = ∑ n = 0 N − 1 x ( n ) A − n W n 2 2 W k 2 2 W − ( k − n ) 2 2 = W k 2 2 ∑ n = 0 N − 1 { [ x ( n ) A − n W n 2 2 ] W − ( k − n ) 2 2 } , k = 0 , 1... , M − 1 \begin{aligned}CZT(z_k)&= \sum_{n=0}^{N-1}x(n)A^{-n}W^{n k}\\ &= \sum_{n=0}^{N-1}x(n)A^{-n}W^{\frac{n^{2}}{2}}W^{\frac{k^{2}}{2}}W^{-\frac{(k-n)^{2}}{2}}\\ &=W^{\frac{k^2}{2}}\sum\limits_{n=0}^{N-1}\{[x(n)A^{-n}W^{\frac{n^2}{2}}]W^{-\frac{(k-n)^2}{2}}\},k=0,1...,M-1\end{aligned} CZT(zk)=n=0N1x(n)AnWnk=n=0N1x(n)AnW2n2W2k2W2(kn)2=W2k2n=0N1{[x(n)AnW2n2]W2(kn)2},k=0,1...,M1
  • g ( n ) = x ( n ) A − n W n 2 2 , 0 ≤ n ≤ N − 1 , h ( n ) = W − n 2 2 g(n)=x(n)A^{-n}W^{\frac{n^2}{2}},0≤n≤N-1,h(n)=W^{-\frac{n^2}{2}} g(n)=x(n)AnW2n2,0nN1h(n)=W2n2,代入上式,得到:
    C Z T ( z k ) = W k 2 2 ∑ n = 0 N − 1 g ( n ) h ( k − n ) , k = 0 , 1... , M − 1 CZT(z_k)=W^{\frac{k^2}{2}}\sum_{n=0}^{N-1}g(n)h(k-n),k=0,1...,M-1 CZT(zk)=W2k2n=0N1g(n)h(kn),k=0,1...,M1
  • 在上式中, ∑ n = 0 N − 1 g ( n ) h ( k − n ) \sum_{n=0}^{N-1}g(n)h(k-n) n=0N1g(n)h(kn)是线性卷积,故上式可理解为:
    C Z T ( z k ) = W k 2 2 g ( k ) ∗ h ( k ) , k = 0 , 1... , M − 1 CZT(z_k)=W^{\frac{k^2}{2}}g(k)*h(k),k=0,1...,M-1 CZT(zk)=W2k2g(k)h(k),k=0,1...,M1
  • 综上所述,CZT 的计算过程可化简为 :
    线性调频Z变换 CZT
    即:让 x(n) 乘 A − n W n 2 2 A^{-n}W^{\frac{n^2}{2}} AnW2n2 成为 g(n) ,g(n) 再与 h ( n ) = W − n 2 2 h(n)=W^{-\frac{n^2}{2}} h(n)=W2n2 进行线性卷积,卷积的结果再与 W k 2 2 W^{\frac{k^2}{2}} W2k2 相乘,得到最终CZT变换的结果。

2.2 循环卷积

  • 将线性卷积用循环圆卷积进行计算,从而可以变换到频域用FFT进行快速运算。下面为CZT的实现流程图。
    线性调频Z变换 CZT
  • 选择一个最小数 L,使其满足 L ≥ N + M − 1 L\geq N+M-1 LN+M1,同时又满足 L = 2 m L=2^m L=2m
  • g ( n ) g(n) g(n) 尾补零变成列长为L的序列
    g ( n ) = { A − n W n 2 2 x ( n ) 0 ≤ n ≤ N − 1 0 N ≤ n ≤ L − 1 g(n)=\begin{cases}A^{-n}W^{\frac{n^2}{2}}x(n)&0\leq n\leq N-1\\ 0&N\leq n\leq L-1\end{cases} g(n)={AnW2n2x(n)00nN1NnL1
  • g ( n ) g(n) g(n) 的 FFT
    G ( r ) = ∑ n = 0 L − 1 g ( n ) e − j 2 π L n r , 0 ≤ r ≤ L − 1 G(r)=\sum\limits_{n=0}^{L-1}g(n)e^{-j\frac{2\pi}{L}nr},0\leq r \leq L-1 G(r)=n=0L1g(n)ejL2πnr0rL1
  • h ( n ) h(n) h(n) 补零加长,周期延拓成L点的序列
    h ( n ) = { W − n 2 2 0 ≤ n ≤ M − 1 0 M ≤ n ≤ L − N W − ( L − n ) 2 2 L − N + 1 ≤ n ≤ L − 1 h(n)=\left\{\begin{array}{cc}W^{-\frac{n^2}{2}}&0\leq n\leq M-1\\ 0&M\leq n\leq L-N\\ W^{-\frac{(L-n)^2}{2}}&L-N+1\leq n\leq L-1\end{array}\right. h(n)= W2n20W2(Ln)20nM1MnLNLN+1nL1
  • h ( n ) h(n) h(n) 的 FFT
    H ( r ) = ∑ n = 0 L − 1 h ( n ) e − j 2 π L n r , 0 ≤ r ≤ L − 1 H(r)=\sum_{n=0}^{L-1}h(n)e^{-j\frac{2\pi}{L}nr},0\leq r \leq L-1 H(r)=n=0L1h(n)ejL2πnr0rL1
  • G ( r ) G(r) G(r) H ( r ) H(r) H(r) 的乘积 Q ( r ) Q(r) Q(r) Q ( r ) Q(r) Q(r)为 L 点频域离散序列。
    Q ( r ) = G ( r ) ⋅ H ( r ) , 0 ≤ r ≤ L − 1 Q(r)=G(r)\cdot H(r),0\leq r \leq L-1 Q(r)=G(r)H(r)0rL1
  • Q ( r ) Q(r) Q(r) 的 IFFT
    q ( r ) = I D F T [ Q ( r ) ] , 0 ≤ r ≤ L − 1 q(r)=IDFT[Q(r)],0\leq r\leq L-1 q(r)=IDFT[Q(r)]0rL1
  • q ( r ) q(r) q(r) 的前M个点得到 q(k),最后求出 X ( z k ) X(z_k) X(zk)
    X ( z k ) = W k 2 2 ⋅ q ( k ) , 0 ≤ k ≤ M − 1 X(z_k)=W^{\frac{k^2}{2}}\cdot q(k),0\leq k\leq M-1 X(zk)=W2k2q(k)0kM1

【3. CZT的应用】

3.1 通过 CZT 变换求 DFT

  • 当满足如下条件时, z k z_k zk 均匀分布在单位圆上,可由 CZT X ( z k ) = ∑ n = 0 N − 1 x ( n ) ( A 0 − n e − j θ 0 n ) ( W 0 n k e − j φ 0 n k ) , k = 0 , 1... , M − 1 X(z_k)=\sum_{n=0}^{N-1}x(n)\left(A_0^{-n}e^{-j\theta_0n}\right)\left(W_0^{nk}e^{-j\varphi_0nk}\right),k=0,1...,M-1 X(zk)=n=0N1x(n)(A0nejθ0n)(W0nkejφ0nk),k=0,1...,M1,进一步求 DFT X ( k ) = ∑ n = 0 N − 1 x ( n ) e − j 2 π k n N , k = 0 , 1 , 2... N − 1 X(k)=\sum_{n=0}^{N-1}x(n)e^{-j2\pi \frac{kn}{N}},k=0,1,2...N-1 X(k)=n=0N1x(n)ej2πNkn,k=0,1,2...N1
    1、 M = N M=N M=N
    2、 A = A 0 e j θ 0 = 1 ⟹ A 0 = 1 , θ 0 = 0 ∘ A=A_0e^{j\theta_0}=1\Longrightarrow A_0=1,\theta_0=0^\circ A=A0ejθ0=1A0=1θ0=0
    3、 W = W 0 e − j φ 0 = e − j 2 π N ⟹ W 0 = 1 , φ 0 = 2 π N W=W_{0}e^{-j\varphi_{0}}=e^{-j\frac{2\pi}{N}}\Longrightarrow W_0=1,\varphi_0=\frac{2\pi}{N} W=W0ejφ0=ejN2πW0=1,φ0=N2π
  • 如果取 A 0 = 1 A_0=1 A0=1 θ 0 \theta_0 θ0为任意值,则所求的DFT是一段任意频率范围的频谱,也就是单位圆上某一段的频谱。这与直接计算DFT求整个频率范围的频谱是不一样的,即使调整N的大小,例如增加N,也只是增加了一段频率范围的计算量而已。

3.2 对信号的频谱进行细化分析

  • 其中对窄带信号频谱或对部分感兴趣的频谱进行细化分析。 z k z_k zk 必须在z平面的单位圆上, A 0 = 1 A_0=1 A0=1 W 0 = 1 W_0=1 W0=1,即:
    z k = A 0 W 0 − k e j ( θ 0 + k φ 0 ) = e j ( θ 0 + k φ 0 ) z_{k}=A_{0}W_{0}^{-k}e^{j(\theta_{0}+k\varphi_{0})}=e^{j(\theta_{0}+k\varphi_{0})} zk=A0W0kej(θ0+kφ0)=ej(θ0+kφ0)
    θ 0 \theta_0 θ0 由感兴趣的起始频率决定。
    φ 0 \varphi_0 φ0 由频率分辨率决定。
    M 由 φ 0 \varphi_0 φ0 和频率采样的范围决定。

3.3 求解Z变换X(z)的零、极点

  • 用于语音信号处理过程中。
  • 利用不同半径同心圆,进行等间隔采样,令 W 0 = 1 W_0=1 W0=1 θ 0 = 0 \theta_0=0 θ0=0 φ 0 = 2 π N \varphi_0=\frac{2\pi}{N} φ0=N2π,改变 A 0 A_0 A0,计算
    20 lg ⁡ ∣ X ( z k ) ∣ = 20 lg ⁡ ∣ X ( r e j ω ) ∣ ω = 2 π N k , k = 0 , 1 , . . . N − 1 20\operatorname{lg}|X(z_k)|=20\operatorname{lg}|X(re^{j\omega})|_{\omega=\frac{2\pi}{N}k},k=0,1,...N-1 20lgX(zk)=20lgX(re)ω=N2πk,k=0,1,...N1
    其中, 20 lg ⁡ ∣ X ( r e j w ) ∣ ( d B ) 20\lg|X(re^{jw})|(dB) 20lgX(rejw)dB的峰值决定 X(z) 的极点,谷值决定零点。

3.4 使用CZT进行Keystone变换

  • 当满足以下条件:
    1、 M = N M=N M=N
    2、 A = A 0 e j θ 0 = 1 ⟹ A 0 = 1 , θ 0 = 0 ° A=A_0e^{j\theta_0}=1\Longrightarrow A_0=1, \theta_0=0° A=A0ejθ0=1A0=1,θ0=
    3、 W = W 0 e − j φ 0 = e − j f 0 + f f 0 2 π M ⟹ W 0 = 1 , φ 0 = f 0 + f f 0 2 π M W=W_{0}e^{-j\varphi_{0}}=e^{-j\frac{f_0+f}{f_0}\frac{2\pi}{M}} \Longrightarrow W_0=1,\varphi_0=\frac{f_0+f}{f_0}\frac{2\pi}{M} W=W0ejφ0=ejf0f0+fM2πW0=1,φ0=f0f0+fM2π
    然后按照CZT的计算步骤进行计算。使用此方法可以大大减小Keystone变换的计算量。

【4.相关文献】

线性调频Z变换
Keystone学习笔记(5)——Keystone变换的实现方法
文章来源地址https://www.toymoban.com/news/detail-428602.html

到了这里,关于线性调频Z变换 CZT的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性调频信号的解线调(dechirp,去斜)处理matlab仿真

    线性调频信号的回波模型 对于线性调频脉冲压缩雷达,其发射信号为: s ( t ) = r e c t ( t T ) e x p ( j π μ t 2 ) begin{equation} s(t)=rect(frac{t}{T})exp(jpi mu t^2) end{equation} s ( t ) = rec t ( T t ​ ) e x p ( jπ μ t 2 ) ​ ​ 其中 r e c t ( t T ) = { 1 , 0 ≤ t ≤ T 0 , o t h e r w i s e . begin{equation} re

    2024年01月20日
    浏览(46)
  • LabVIEW仿真单频脉冲信号+线性调频信号+高斯白噪声信号

    本文基于 LabVIEW 仿真了单频脉冲信号(先导脉冲)和线性调频信号,全程伴有高斯白噪声。 单频脉冲信号由 正弦信号 * 脉冲信号 组合而成。 正弦信号 采样数 = 仿真信号时间总长度(s) * 采样率(Hz) 幅值 = 仿真信号幅度峰峰值(Vpp) / 2 相位 = 0 周期数 = 单频脉冲-频率(Hz) * 仿真信

    2024年02月12日
    浏览(44)
  • 第六章,线性变换,1-线性变换、表示矩阵、线性算子

    玩转线性代数(32)线性变换的相关概念的笔记,相关证明以及例子见原文 一个将向量空间V映射到向量空间W的映射L,如果对所有的 v 1 , v 2 ∈ V v_1,v_2in V v 1 ​ , v 2 ​ ∈ V 及所有的标量 α alpha α 和 β beta β ,有 L ( α v 1 + β v 2 ) = α L ( v 1 ) + β L ( v 2 ) L(alpha v_1+beta v_2)=alph

    2024年02月10日
    浏览(45)
  • 高等代数(七)-线性变换03:线性变换的矩阵

    § 3 § 3 §3 线性变换的矩阵 设 V V V 是数域 P P P 上 n n n 维线性空间, ε 1 , ε 2 , ⋯   , ε n varepsilon_{1}, varepsilon_{2}, cdots, varepsilon_{n} ε 1 ​ , ε 2 ​ , ⋯ , ε n ​ 是 V V V 的一组基, 现在我们来建立线性变换与矩阵的关系. 空间 V V V 中任一向量 ξ xi ξ 可以经 ε 1 , ε 2 , ⋯  

    2024年02月20日
    浏览(53)
  • 克拉克变换(Clarke Transformation)逆变换矩阵的求法

    一个平面向量,用a(1,0),b( − 1 2 , 3 2 -frac{1}{2},frac{sqrt3}{2} − 2 1 ​ , 2 3 ​ ​ ),c( − 1 2 , − 3 2 -frac{1}{2},-frac{sqrt3}{2} − 2 1 ​ , − 2 3 ​ ​ )这三个单位向量线性表示,显然有无穷多种解,即某一特解加上N倍的(a+b+c)零向量 根据a,b,c向量的空间对称性可知 a ⃗ + b ⃗ + c ⃗

    2024年02月09日
    浏览(50)
  • 仿射变换(affine transformation)

    多面体编译(polyhedral compilation)会使用到仿射变换(affine transformation)的知识,这里介绍下仿射变换的数学原理。 线性变换: 对于变换 f f f 是一个线性变换,则对于任意向量 w ⃗ vec{w} w 和 v ⃗ vec{v} v 满足: f ( w ⃗ + v ⃗ ) = f ( w ⃗ ) + f ( v ⃗ ) f(vec{w}+vec{v})=f(vec{w})+f(

    2023年04月08日
    浏览(34)
  • 线性代数本质系列(二)矩阵乘法与复合线性变换,行列式,三维空间线性变换

    本系列文章将从下面不同角度解析线性代数的本质,本文是本系列第二篇 向量究竟是什么? 向量的线性组合,基与线性相关 矩阵与线性相关 矩阵乘法与复合线性变换 三维空间中的线性变换 行列式 逆矩阵,列空间,秩与零空间 克莱姆法则 非方阵 点积与对偶性 叉积 以线性

    2024年02月02日
    浏览(54)
  • 小波变换(wavelet transform)

     小波变换跟时间有关,横坐标是时间,纵坐标是频率。 真实世界的数据或者信号经常表现出缓慢变化的趋势或因瞬态而出现的震荡,另一方面,图像具有被边缘中断或者对比度突然变化的平滑区域,傅里叶变换不能有效代表突然的变化,这是因为傅里叶变换将数据表示为未

    2024年02月07日
    浏览(40)
  • 线性代数(六) 线性变换

    《线性空间》定义了空间,这章节来研究空间与空间的关联性 函数是一个规则或映射,将一个集合中的每个元素(称为自变量)映射到另一个集合中的唯一元素(称为因变量)。 一般函数从 “A” 的每个元素指向 “B” 的一个函数 它不会有一个 “A” 的元素指向多于一个

    2024年02月09日
    浏览(50)
  • css-transform2D变换

    CSS transform 属性允许你旋转,缩放,倾斜或平移给定元素。 常用的 transform 属性有下面几个 属性 说明 translate(0, 0) 位移 rotate(0deg) 旋转 scale(1) 缩放 skew(0deg) 斜切 transform的说明文档 :https://developer.mozilla.org/zh-CN/docs/Web/CSS/transform 下面分别说一下这几个方法 translate() 位移 translat

    2023年04月08日
    浏览(35)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包