Sinyal İşleme — Fourier Dönüşümü, Filtreler ve Örnekleme

Sinyal işleme, bir sinyali analiz etmek veya değiştirmek ve böylece ondan yararlı bilgi çıkarmak anlamına gelir. Bir sinyal; değişen bir gerilim, bir ses kaydı, bir titreşim ya da bir dedektörün ölçtüğü ışık olabilir. Uygulamada temel sorular şunlardır: hangi frekanslar mevcut, hangi kısımlar korunmalı ve sinyali hata oluşturmadan sayısal olarak depolamak için ne kadar hızlı örnekleme yapılmalıdır?

İşin büyük kısmını üç fikir yapar. Fourier dönüşümü frekans içeriğini gösterir. Filtreler sinyalin bazı kısımlarını geçirir, diğerlerini bastırır. Örnekleme, sürekli bir sinyali sayısal veriye dönüştürür; ancak bu, yalnızca örnekleme hızı ihtiyaç duyduğunuz frekanslar için yeterince yüksekse mümkündür.

Zaman alanı ve frekans alanı

Zaman alanında, sinyalin anbean nasıl değiştiğine bakarsınız. Bu bakış açısı, bir darbenin ne zaman geldiği ya da bir sensörün ne zaman ani sıçrama yaptığı gibi zamanlamanın önemli olduğu durumlarda kullanışlıdır.

Frekans alanında ise aynı sinyale frekans bileşenlerinin bir karışımı olarak bakarsınız. Bu bakış açısı; yavaş sürüklenmeyi hızlı salınımdan ayırmak, baskın bir tonu belirlemek veya bir filtrenin ne yapacağını anlamak istediğinizde yararlıdır.

Bu iki görünüm aynı sinyali tanımlar. Sadece farklı sorulara cevap verirler.

Fourier dönüşümü size ne söyler

Fourier dönüşümü, bir sinyali sinüzoidal bileşenler cinsinden yeniden yazar. Basitçe söylemek gerekirse, her bir frekanstan ne kadar bulunduğunu sorar.

Sürekli bir $x(t)$ sinyali için dönüşüm şu şekilde yazılır:

$$X(f) = \int_{-\infty}^{\infty} x(t)e^{-i 2\pi f t}\,dt$$

Bu fikri iyi kullanmak için bu integrali elle hesaplamanız gerekmez. Temel sezgi şudur: karmaşık bir dalga biçimi çoğu zaman daha basit salınımların birleşimi olarak anlaşılabilir.

Bir mikrofon sinyali $200\ \mathrm{Hz}$'lik bir uğultu ve $2000\ \mathrm{Hz}$'lik bir ton içeriyorsa, zaman alanındaki grafik karmaşık görünebilir; ancak frekans alanı görünümü bu frekansların yakınında tepe noktaları gösterebilir. Gerçekte ne olduğunu görmenin en hızlı yolu çoğu zaman budur.

Filtreler bir sinyali nasıl değiştirir

Bir filtre, farklı frekansların bir sistemden ne kadar güçlü geçtiğini değiştirir.

• Alçak geçiren filtre, düşük frekansları geçirir ve yüksek frekansları azaltır.
• Yüksek geçiren filtre, yüksek frekansları geçirir ve düşük frekansları azaltır.
• Bant geçiren filtre, seçilmiş bir aralığı geçirir ve bunun dışındaki frekansları azaltır.

Bu tanım frekansa bağlıdır. Filtrenin otomatik olarak neyin "gürültü" olduğunu bildiği anlamına gelmez. Bir filtre ancak kaldırmak istediğiniz kısım, korumak istediğiniz kısımdan frekans bakımından ya da filtrenin kullanmak üzere tasarlandığı başka bir özellik bakımından ayrılıyorsa işe yarar.

Bu yüzden filtreler ses temizleme, sensör yumuşatma, haberleşme sistemleri ve ölçüm cihazlarında karşımıza çıkar.

Örnekleme hızı neden önemlidir

Örnekleme, sürekli-zamanlı bir sinyalin ayrık zamanlarda kaydedilmesi sürecidir. Korumanız gereken en yüksek frekans $f_{\max}$ ise, örnekleme hızı şu koşulu sağlamalıdır:

$$f_s > 2f_{\max}$$

İdeal örnekleme modelinde aliasing oluşmaması için bu gereklidir. Bu eşik olan $2f_{\max}$, Nyquist hızıdır.

Aliasing, yüksek frekanslı içeriğin örneklemeden sonra daha düşük bir frekans gibi görünmesi demektir. Bu gerçekleştiğinde, örneklenmiş veri sizi yanlış sinyale götürebilir.

Gerçek sistemlerde mühendisler genellikle çıplak minimumun üzerinde örnekleme yapar ve çoğu zaman sayısallaştırmadan önce bir anti-alias filtresi kullanır. Bu ek pay önemlidir çünkü gerçek sinyaller kusursuz biçimde bant sınırlı değildir.

Çözümlü örnek: bir sensörden yüksek frekanslı gürültünün kaldırılması

Bir sıcaklık sensörünün yavaş değişmesi gerektiğini, ancak ölçülen gerilimin hızlı bir elektriksel dalgalanma içerdiğini varsayalım. Basit bir model şöyledir:

$$x(t) = 2 + 0.3\sin(2\pi \cdot 1\, t) + 0.05\sin(2\pi \cdot 60\, t)$$

Burada sabit $2$ terimi taban seviyesidir, $1\ \mathrm{Hz}$ terimi ilgilendiğiniz yavaş fiziksel değişimi temsil eder ve $60\ \mathrm{Hz}$ terimi istenmeyen girişimdir.

Fourier dönüşümü bakış açısı, sinyalin üç ana frekans konumunda enerji taşıdığını söyler:

• sabit kaymadan gelen $0\ \mathrm{Hz}$
• yavaş sıcaklık değişiminden gelen $1\ \mathrm{Hz}$
• girişimden gelen $60\ \mathrm{Hz}$

Amacınız yavaş eğilimi korumaksa, alçak geçiren bir filtre yardımcı olabilir; çünkü yararlı kısım düşük frekanstadır ve girişim çok daha yüksek frekanstadır. $1\ \mathrm{Hz}$'in oldukça üzerinde ama $60\ \mathrm{Hz}$'in oldukça altında bir kesim frekansı seçmek, yavaş değişimi büyük ölçüde korurken dalgalanmayı azaltır.

Şimdi örneklemeyi düşünün. Eğer $f_s = 20\ \mathrm{Hz}$ ile örnekleme yaparsanız, Nyquist hızı $10\ \mathrm{Hz}$ olur. $60\ \mathrm{Hz}$ bileşeni bu sınırın üzerindedir; dolayısıyla örneklemeden önce kaldırılmazsa, örneklenmiş veri onu doğru biçimde temsil edemez. İdeal bir aliasing hesabında, $20\ \mathrm{Hz}$ ile örneklenen $60\ \mathrm{Hz}$'lik bir sinüzoid tam olarak tekrar eden örnek noktalarına denk gelir; bu yüzden örneklerde tamamen kaybolabilir bile. Bu, özgün girişimin zararsız olduğu anlamına gelmez. Sadece örnekleme sürecinin onu yanıltıcı bir şekilde gizlediği anlamına gelir.

Bu örnek üç fikri bir araya getirir:

• Fourier dönüşümü istenmeyen bileşeni belirlemenize yardımcı olur
• filtre, bu bileşen ayrı bir frekans aralığında bulunduğu için onu kaldırır
• örnekleme kuralı, sayısallaştırmadan önce ön filtrelemenin neden önemli olduğunu söyler

Sinyal işlemede yaygın hatalar

Fourier dönüşümünü eksiksiz bir tablo gibi görmek

Gerçek ölçümler sonludur, gürültülüdür ve çoğu zaman zamanla değişir. Bir frekans grafiği yararlıdır, ancak yine de ölçülen verinin bir yorumudur; gerçekliğin kusursuz bir parmak izi değildir.

Neyin korunması gerektiğini belirtmeden filtreleme yapmak

Alçak geçiren bir filtre yüksek frekanslı gürültüyü azaltır, ama aynı zamanda gerçek yüksek frekanslı sinyali de azaltır. Bir filtrenin "iyi" olması ancak açık bir amaca göre değerlendirildiğinde anlamlıdır.

Nyquist hızını rahat bir tasarım hedefi sanmak

$f_s > 2f_{\max}$ ideal minimum koşuldur. Uygulamada bu sınıra fazla yakın çalışmak, ideal olmayan filtreler ve gerçek dünyadaki sinyal içeriği için çok az pay bırakır.

Örneklemenin bilgi oluşturduğunu varsaymak

Örnekleme yalnızca zaten var olanı kaydeder. Hız çok düşükse, sayısallaştırma sonradan eksik ayrıntıyı geri getirmez.

Sinyal işleme nerelerde kullanılır

Sinyal işleme, ölçümlerin veya dalgaların bilgi taşıdığı her yerde karşımıza çıkar. Fizik ve mühendislikte buna mikrofonlar, sismometreler, radyo alıcıları, ECG ve EEG cihazları, optik dedektörler ve kontrol sistemleri dahildir.

Özellikle ham sinyalin doğrudan okunamadığı durumlarda çok yararlıdır. Karmaşık bir dalga biçimine bakıp kalmak yerine, dönüşümler, filtreler ve örnekleme kuralları kullanarak onu yorumlanabilir bir şeye dönüştürürsünüz.

Benzer bir sinyal işleme problemi deneyin

Şöyle bir sinyal alın:

$$x(t) = \sin(2\pi \cdot 5\, t) + 0.4\sin(2\pi \cdot 40\, t)$$

Ardından iki pratik soru sorun: alçak geçiren bir filtre hangi frekansı korumaya çalışır ve tam sinyal için hangi örnekleme hızı Nyquist sınırının rahatça üzerinde olur? Yararlı bir sonraki adım, bu fikri transfer functions ile karşılaştırmak ve sistemlerin frekans alanında sinyalleri nasıl şekillendirdiğini görmektir.