Цифровая Обработка Сигналов На Python

СКАЧАНО С WWW.SHAREWOOD.BIZ - ПРИСОЕДИНЯЙСЯ!
Аллен Б. Дауни
Think DSP
Цифровая обработка сигналов на Python
Think DSP
Digital Signal Processing in Python
Allen В. Downey
Beijing Cambridge Farnham Kбln Sebastopol Tokyo

• • • • •
O"REILLY
ThinkDSP
Алл.ен Б. Дауни
Москва, 2017 "

1с;::и
УДК 534:004.438Python
ББК 22.32с
Д21
Д21 Аллен Б. Дауни

Think DSP. Цифровая обработка сигналов на Python / пер. с англ.
Бряндинский А. Э. - М . : ДМ К Пресс, 2017. - 160 с.: ил.
ISBN 978-5-97060-454-0
Изучить обработку сигналов легко - достаточно знания основ

математики и программирования на Python. Обычно изучение этой
сложной темы начинают с теории, а в основу данной книги положены
сугубо практические примеры. Уже в первой главе звук будет разло
жен на гармоники, которые модифицируются и создают новые звуки.
Кроме того, в книге рассмотрены: периодические сигналы и их спек
тры; гармоническая структура простого сигнала; чирпы и иные звуки
с изменяющимся во времени спектром; шумовые сигналы и естествен
ные источн ики шума; дискретное косинусное преобразование (ДКП)
для сжатия информации; дискретное и быстрое преобразования
Фурье для спектрального анализа, а также многое другое.
Издание будет полезно всем, кто интересуется цифровой обработ
кой сигналов.
УДК 534:004.438Python
ББК 22.32с
Authorized Russian translation of the English edition of Think DSP, ISBN

9781491938454 © 2016 Allen В. Downey. This translation is puЬ\ished and sold
Ьу permission of O'Reilly Media, Inc., which owns or controls а\1 rights to puЬ\ish
and sell the same.
Все права защищены. Любая часть этой книги не может быть воспроиз
ведена в какой бы то ни было форме и какими бы то ни было средствами без
письменного разрешения владельцев авторских прав.
Материал, изложенный в данной книге, многократно проверен. Но, по
скольку вероятность технических ошибок все равно существует, издательство
не может гарантировать абсолютную точность и правильность приводимых
сведений. В связи с этим издательство не несет ответственности за возможные
ошибки, связанные с использованием книги.
ISBN 978-1-49193-845-4 (англ.) © 2016 Allen В. Downey

ISBN 978-5-97060-454-0 (рус.) © Оформление, перевод на русский язык,
издание, ДМК Пресс, 2017
�····-----
Оr.nав.nение
Введение .................. ................. .......... ........ .... 8 .
Предисловие к русскому и зданию ................................... ".............. 8

Для кого эта книга? ....................... . ................................................. 9
Работа с кодом ................................................................................ 9
Условные обозначения в этой книге .............................................. 11
Список корреспондентов .............................................................. 12
Глава 1 . Звуки и сиrналы ...... ......... .. .... .. ......... 14 . . . .
Периодические сигналы .......................................................... . . .... 14

Разложение в спектр ..................................................................... 16
Сигналы .
...................... ................................................................. 18
Чтение и запись сигналов .............................................................. 20
Спектры ........................................................................................ 20
Объекты Wave ................................................................................ 21
Объекты Sigпa1· .............................................................................. 22
Упражнения ................................................................................... 24
Глава 2. Гармоники. .. . ... .. . . ... . .. . ...... .... .......... 25

.. . . . .
Треугольный сигнал ...................................................................... 25

Прямоугольный сигнал .................................................................. 27
Биения (алиасинг) " . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Вычисление спектра ............. ........................................................ 31
Упражнения ................................................................................... 33
Глава 3. Апериодические сигналы ....................... 35

Линейный чир п .............................................................................. 35
Экспоненциальный чирп ............................................................... 37
Спектр чирпа ................................................................................. 38
Спектрограмма ............................................................................. 39
Предел Габора ............................................................................. . . 40
Утечка ........................................................................................... 41
Окна .............................................................................................. 42
Реализация спектрограмм ............................................................ 44
" ••.... Оrnавпен и е
Упражнени я .... .. .... . ... .. . . .............. ... ... . . . ...... .

. . ........................... . .. . . . 46
Глава 4. Шум .................................................. . 48 .
Некоррелированный шум .
.. . . .. .. . . . . . .................................... . . ... . . . . . . . 48
Интегральный спектр ......... " . . " . . . . . . . . . . . . . . . " " . . . . . . . . . . . . . . . . . . . " . . . . " . . " . . . 51
Броуновский шум .
. . . . . . . . . . .. . . . . . . . . . . . . . . . . . .
... . . . ... .. . ...
. . ... . .. ..
.... .. . . 52 . .... . . . . .
Розовый шум . ........... " " . . . . . . . . . . . . . . . " " " " " . . . . . . . " . . . . . . . . . . . . " " . . . . . . " . . " . . . 55
Гауссов шум ........ "................"""...............".............. ""."." ...."... 57
Упражнени я . . . " " . . . . . . . . . . . . . . . . . . " . . " . . . . . . . . . . . " " . . . . . . . . . . . . . . . . . . . . . . . . " . . . . . . . . . . . 59
Гпава 5. Автокорреляция .......... . ...... . .

. ... .. . .. ........ 61
Коррел я ци я ................. " .. " " . . . . . . . . . . . . . . . . . . " . . . . . . . . . "" . . . . . . . . . . . . " . . . . . " .. " 61
Последовательная корреля ци я . ... 64
.. . . . . . . . . . ......................................
Автокоррел я ци я " . . " " . . . . . . . . . . . . . . . . . . . . " . . " . . . . . . . . . " . . . . . . . . . . " . . . . . . . . . . . . . 65

......
Автокоррел яция периодически х сигналов "."""""""".".""""""" 66

Коррел я ци я как скалярное прои зведение """""""" " " " . " . " " " " . " 70
Использование NumPy """"...............".........."............." 71
..............
Упражнени я . . . .... ....... . . . ............."". . . . . . . . . . . . . . . . . ". . . . . . .•.... " ..............." 72
Глава 6. Дискретное косинусное преобразование . .. 74

Синтез . . . . . . . . . ...... . . . . . . ... . . . ....... . ........... . . . . . . . .... . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 74
Синтез с массивами ........ " . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . " " . . . . . . . . . . . . " . . . . . . . 75
Анали з . . . . .. . . . .. . . . 77
... . . .................................... . .. . . ..... ......... . . . . . . . . . .. . .. ..
Ортогонал ьные матрицы "" """""""..""""."""""..""""""."""" 78 .
ДКП-IV " . . . . . . . . . . . . . . " " . . . . . . . " . . " " . . . . . . . . . . . . . . . . " . . . . . . . . . . . . . " . . . . . . . . . . " . . " 80
.......
Обратное ДКП """ ......."".."................"" ......... "......"....".." 81

. . .......
Класс Dct....................................................................................... 82
Упражнения . . ... . . . .. . . ... . ............. ........ . ... . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . 83
. . . .
Глава 7. Дискретное преобразование Фурье ......... 85

Комплексные экспоненты.............................................................. 85
Комплексные сигналы ...""" . . . ." ." . . . . . . ."" . . . . ." " . . " . . . . . ." 87 " . . . . " " . ." " .
Задача синтеза """" """""" "" """" """."""."" """.""."."""." 88 . . .
Синтез с матрицами . . . . . . . . . . . . . . .. . ... . ......... " . . " . . . " . . . . . . . . . . . . . . " . . . . . . . . . . . . . 90

Задача анализа "" . . . . . . . " . . . . . . . . . . . . . . . . " " " " . . . . . . . . . . . . . . " . . . . . " " . . . . . . " . . . . . . . 92
Эффективный анали з . 92
....................................... . .. . ............ . . . ........ .
ДПФ .......... . . . .. . . . . . . . . . . . .... . . .............................................................. 93

Периодич ность ДПФ . . . . . . ... . . .
.. . ......... . ........................... . ................ 95
ДПФ реальны х сигналов . . .. " . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . " " . . . . . . . . . . . " . " . . . 96
Упражнени я...." ... " .... "" . . ... . .... . .. . . . . " " .. . . . . . . . . . ... . . . ... . . . . . . . ... . . . . . . . . . . . . . 98
Оrлавлен и е 11111••"
Глава 8. Фильтрация и свертка .......... ............... ... 99
Сглаживание ................................................................................. 99
Свертка ....................................................................................... 102
Частотная область.. " " ... " ............. " ..... " " " ... " ........................ " ... 103
Теорема о свертке""" ... " ......... " .. " ... " " " " ... " ... " " ... " " ... " ... " " ". 104
Гауссов фильтр ... " "......." ..... " .... " ... " " .. " ... " "." " " ... " ..... " ... " " ... 106
Эффективная свертка ...................................................... .......... 108 .
Эффективная автокорреляция .................................................... 109

Упражнения"." ... " " " " " ... " ....... " " ..... " " ................... " .. "." ..... " ... 111
Глава 9. Дифференцирование и интегрирование ... 112

Конечные разности """""""""" " " " " " " ". " " " " " " " " " " " " " " " " " 112
Частотная область ....... " ....... " " " ..... " " " " ........ " " " ... "." " "." ........ 1 13
Дифференцирование .................................................................. 1 15
Интегрирование .......................................................................... 117
Нарастающая сумма """""""" " " " " " " " " " " " " " " " " " " " " ". " " " " 119
Интегрирование шума................................................................. 122
Упражнения .......................................................... ...................... 123
.
Глава 1 О. Линейные стационарные системы ....... 125

Сигналы и системы " " " " " " " " " " " " " " " " " " " " " " " " . " " " " " " " " " " 125
Окна и фильтр� .............. " " ............... " ............ " " .......... " ..... " ..... 127
Акустическая характеристи ка...................................................... 128
Системы и свертка.""""""""""""""""".""""""""""""""""" 131
Доказательство теоремы о свертке"""""""""""""""""""""". 134
Упражнени я ................................................................................. 136
Глава 11. Модуляция и выборка (квантование) . . .. 138

Свертка с и мпульсами ................................................................. 138
Амплитудная модул я ци я."" ......................... " .. " ..... " ... " " ... " ....... 139
Выборка ...... .......... ..... . ............................. ....... ..... ........ ..... . 142
. . . . . . . . .
Биени я .......................... .............................. ................. ............ 145

. . .
Интерп ол я ци я " .......... " " " " ..... " .. " " ..... " " ... " .. " ..... " " ... " ... " " ... " 148
Итог ... " ............. " " ..... " ........... " " " ..... " .. " ..... " ..... " " ........ " " ....... 150
Упражнени я ................................................................................. 151
Предметный указатель .................................... 153
Об авторе ...................................................... 159
Об обложке.................................................... 159
В ведение 1111•••"
У книги есть один недостаток - не введено понятие аналитического
сигнала. Но большинство читателей от этого только выигрывает! Ведь,
изучив материал книги, им будет заметно проще перейти от обработки
записи звука скрипки к об работке нестационарных случайных сигналов -
от радиолокаторов или гидроакустических станций до ультразвуковых
диагностических приборов или масс-спектрометров и газоанализаторов.
Для кого эта книга?

Примеры и соответствующий код для этой книrи написаны на Python.
Надо знать основы Python и основы объектно-ориентированного
программирования - хотя бы уметь применять объекты, пусть и не
свои собственные.
Если язык Python вам еще не знаком, можно начать с книги Аллена
Б. Дауни (Allen В. Downey) Тhink Python (это введение в Python для
тех, кто никогда ранее не программировал) или с книrи Марка Луца
(Mark Lutz) Leaming Python - она удобнее для людей с опытом про
граммирования.
В книге широко использованы NumPy и SciPy, и все используемые
в них функции и структуры данных подробно объясняются. А если
они уже известны, то это хорошо.
Предполагается, что читатель знаком с основами математики, в
том числе с комплексными числами. Весь матанализ помнить не нуж
но; достаточно понятий об интегрировании и дифференцировании.
По мере использования линейной алгебры все будет подробно объ
яснено.
Раб ота с кодо м

Код и образцы звуков, используемые в этой книге, доступны в репо
зитории GitHub: h t t p s : / / g i thub . com/ Al l e n Do wne y / Th i n k DSP. Для
тех, кто не знаком с Git и GitHub, поясним: Git - это система управ
ления версиями, в которой можно работать с входящими в проект
файлами. Коллекция файлов под контролем Git называется •репо
зиторий•. GitHub это хостинг для хранения репозиториев Git, и у
-
него удобный веб-интерфейс.

На домашней странице репозитория автора в GitHub с кодом мож
но работать несколькими способами:
•
создать копию репозитория на GitHub, нажав кнопку •вилка•
(fork). Если аккаунта на GitHub еще нет, его надо завести. По-
" •••... � В ведение
еле разветвления (копии) появится новый, личный репозито

рий GitHub; в нем удобнее отслеживать код при работе с этой
книгой. Затем можно клонировать свой репозиторий, скопи
ровав файлы на компьютер;
•
клонировать репозиторий автора. Для этого аккаунт GitHub
не нужен, но записать изменения обратно в GitHub уже нельзя;
• скачать файлы в архиве ZIP, нажав кнопку в правом нижнем
углу страницы GitHub (если использовать Git нежелательно).
Весь код в книге работает без трансляции и в Python 2, и в Python 3.
Эта книга разработана с помощью Anaconda компании Continuum
Analytics (Continuum Analytics, компания) - свободного дистрибу
тива Python, включающего все нужные для запуска кода пакеты (и
многое другое). Устанавливается Anaconda легко. По умолчанию эта
платформа ставится на уровне пользователя, а не на системном, так
что права администратора не нужны. Она поддерживает и Python 2,
и Python 3. Anaconda можно скачать из h t t p : / / co n t i nuum . i o / do wn
loads.
Если использовать Anaconda нежелательно, то понадобятся следу-
ющие пакеты:
•
NumPy для работы с числами (ht tp : / / www . numpy . org);
• SciPy для научных вычислений (http : / /www . scipy . org ) ;
•
Matplotlib для визуализации ( http : / /matplotlib . org ) .
Эти пакеты часто используются, но они не входят ни в один дис
трибутив Python, и в некоторых средах их бывает трудно установить.
Если будут проблемы с их установкой, рекомендуется прибегнуть к
Anaconda или одному из других дистрибутивов Python, включающих
эти пакеты.
Большинство упражнений - это Руthоn-скрипты, но в некоторых
также используется •блокнотJupyter». Ознакомиться сJupyter и изу
чить его можно на http : / / jupyte r . org.
Есть три способа работы с блокнотамиJuруtеr:
1. ЗапуститьJuруtеr на своем компьютере.
Если Anaconda установлена, то и Jupyter, вероятно, установ
лен по умолчанию. Проверьте это, запустив сервер из команд
ной строки:
$ jupyter noteЬook
Если он не установлен, его можно установить в Anaconda:

$ conda inatall jupyter
В ведение 11111••"
При запуске сервера он запустит веб-браузер по умолчанию
или же создаст новую вкладку в уже открытом окне браузера.
2. ЗапуститьJuруtеr в Binder.
Binder - это служба, запускающаяjuруtеr на виртуальной ма
шине. По ссылке http : / /myЬinde r . org/ repo/Al lenDowney/
Thin kDSP открывается домашняя страница Jupyter с блокно
тами для этой книrи, а также дополнительными данными и
скриптами.
Скрипты можно запускать и изменять их для запуска соб
ственного кода, но виртуальная машина будет временной. Лю
бые изменения пропадут, если пауза в работе с ней продлится
более часа.
3. Просмотреть блокноты на nbviewer.
В книге также приводятся ссылки на nbviewer, с его помощью
можно просматривать код и результаты. Это удобно для чте
ния блокнотов и прослушивания примеров, но ни изменить
код, ни запустить его, ни использовать интерактивные видже
ты нельзя.
Удачи в работе!
Условные о бозначения в этой книге

В этой книге используются следующие типографские соглашения:
Курсив
Выделение новых терминов и особо значимых фрагментов
текста.
Жирный шрифт
Используется для обозначения сочетаний клавиш, элементов
программного интерфейса.
М оно ширинный шрифт
Используется для обозначения URL-aдpecoв и адресов элек
тронной почты, листингов программ, имен файлов, расши
рений файлов, а также элементов программ, таких как имена
переменных и функций, типов данных, инструкций и ключе
вых слов.
МОно-.рИННlоlЙ D�lllolЙ �арифт
Отображает набираемые пользователем команды или иной
текст.
111•••1111 В ведение
Список корреспондентов
Предложения или замечания по поводу книги направляйте на
downey@allendowney . com. Если на основе ваших сообщений будут
сделаны изменения, то автора сообщения добавят в список коррес
пондентов (при отсутствии специальных условий).
Желательно указывать хотя бы часть предложения, в котором об
наружена ошибка, - так ее легче найти. Можно сослаться и на номер
страницы или название раздела, хотя это осложняет поиск. Спасибо
за понимание!
• Прежде чем автор приступил к написанию этой книги, идеи,
которые легли в ее основу, развивались в общении с Булосом
Хэрбом (Boulos Harb) из Google и с Аурелио Рамосом (Aurelio
Ramos), ранее работавшим в Harmonix Music Systems.
• Во время осеннего семестра 20 1 3 года Натан Линц (Nathan
Lintz) и Ян Дэниэр (lan Daniher) работали со автором над не
зависимым учебным проектом и помогли с первым изданием
этой книги.
• На DSР-форуме Reddit пользователь под ником Ramjetsound
wave помог решить проблему с реализацией броуновского
шума. Другой участник форума, andodli, нашел опечатку.
• Весной 20 1 5 года этот материал преподавался совместно с
проф. Оскаром Мур-Мирандой (Oscar Mur-Miranda) и проф.
Сиддхартаном Говиндасами (Siddhartan Govindasamy). Оба
внесли много предложений и исправлений.
• Сайлас Гигер (Silas Gyger) исправил арифметическую ошибку.
• Джузеппе Мазетти (Giuseppe Masetti) прислал ряд полезных
замечаний.
Особая благодарность техническим рецензентам - Эрику Петерсу
(Eric Peters), Брюсу Ливенсу (Bruce Levens) и Джону Винсенту Qohn
Vincent) - за многие полезные замечания, разъяснения и исправле-
ния.
Также благодарность Freesound, источнику многих звуков, исполь
зуемых в книге, и пользователям Freesound, предоставившим их. Не
которые из них включены в репозиторий GitHub этой книги, причем
использованы оригинальные имена файлов, так что источники легко
найти.
К сожалению, большинство пользователей Freesound не указывает
своих имен, поэтому здесь можно привести только их ники. Образцы
В ведение 11111••111
звуков, используемые в книге, были предоставлены пользователями
Freesound - iluppai, wcfl 1 О, thirsk, docquesting, kleeb, landup, zippi 1 ,
themusicalnomad, bcjordan, rockwehrmann, marcgascon7, jcveliz.
Спасибо им всем!
----···
r11ава 1.
Звуки и сиrна11ы
Сигнал представляет собой изменяющуюся во времени величину. Это

определение довольно абстрактно, так что начнем с конкретного при
мера - звука. Звук - это изменение давления воздуха. Звуковой сиг
нал - изменения давления воздуха во времени.
Микрофон - это устройство, воспринимающее такие изменения
и генерирующее соответствующий звуку электрический сигнал. Ди
намик - это устройство, принимающее электрический сигнал и про
изводящее звук. Микрофоны и динамики называются преобразова
теля.ми, так как они преобразуют сигналы из одноrо вида в другой.
Эта книга посвящена обработке сигналов, то есть процессам их син
теза, преобразования и анализа. Для изучения наиболее удобны зву
ковые сигналы, но все рассматриваемые методы применимы и к элек
тронным сигналам, и к механическим вибрациям, и к сигналам вообще.
Они также применимы к сигналам, изменяющимся не во времени,
а в пространстве, как, скажем, изменение высот профиля местности.
Методы применимы и к многомерным сигналам, таким как изобра
жения, то есть сигналам, изменяющимся в двумерном пространстве.
Так, фильм - это сигнал, меняющийся в двумерном пространстве и во
времени.
Начнем с простого одномерного звука.
Код для главы 1 находится в репозитории этой книги, в блокноте
chap O l . ipynb (см. раздел «Работа с кодом» на стр. 9). Его также мож
но просмотреть на http : / / t i n y u r l . com/ t h i n kdsp O l .
П е р и одич ес кие си гна л ы

Начнем с периодических сигналов, то есть с сигналов, повторяющих
ся через некоторый период времени. Например, колокол после удара
вибрирует, издавая звук. Если записать этот звук и построить график
преобразованного сигнала, получится кривая, показанная на рис. 1.1.
П ериодические си rнаnы 1111•••1D1
1.0
0.5
о.о
- 0 .5
-1.0 � � � � �
� � �
о. оо-о- - 0-
. 0 0 1- -
-.� 0 0 .,.--
о 2 о. о'"'""
___,. о_,.. .,.
оз=--____ .. о -____
04 - 0 . ооб"' ,---
о._,. о"'оs=-----:-
Вр е мя (с) +7
Рис. 1 . 1 . Сегмент звукозаписи колокола
Этот сигнал напоминает синусоиду, то есть он похож на тригоно

метрическую функцию синус.
Видно, что это ·периодический сигнал. Интервал выбран так; чтобы
показать три полных повтора, или цикла. Длительность каждого цик
ла, называемая периодом, составляет около 2,3 мс.
Частота сигнала - число циклов в секунду, она обратна периоду.
За единицу частоты приняты циклы в секунду, или герц, сокращенно
•Гц•. (Строго говоря, число циклов - безразмерная величина, поэто
му герц - ЭТО •ЦИКЛОВ в секунду•.)
Частота этого сигнала около 439 Гц - чуть ниже 440 Гц, стандартной
высоты тона для оркестровой музыки. Музыкальное имя этой ноты -
А (ля), или, точнее, А4. В американской системе нотации числовой

суффикс указывает, из какой октавы нота. А4 - это А выше среднего
С. А5 - на октаву выше. Подробнее см. https : / / ru . wi kipedia . org/
w i k i /Америка н ская_система_но т ации.
Колебания зубцов камертона - это форма простого гармони
ческого движения, поэтому сигнал похож на синусоиду. Большинство
музыкальных инструментов производят периодические сигналы, но
форма этих сигналов не синусоидальная. Например, на рис. 1 .2 по
казан сегмент записи звука скрипки, на которой играют 3-ю часть
струнного квинтета No 5 ми-мажор Боккерини.
" ••.... � Гnааа 1. З вуки и сиrнаnы
О.О
-0.5
-1.0
�О-. � О О 4- �-О
О Оl�� О-. � �00-5
. О Об�-0-0
�-О� . � . � 07
+ 1.302
Время (с)
Рис. 1 . 2 . Сегмен т записи звука скрипки
Видно, что сигнал периодический, но форма сигнала заметно слож

нее. В англоязычной литературе форму периодического сигнала на
зывают wavefопп. В русском научно-техническом лексиконе такого
понятия нет. Ведь сигнал - он и есть сигнал. И он может иметь самую
разную форму.
Сигналы большинства музыкальных инструментов сложнее сину
соиды. От формы сигнала зависит музыкальный тембр, определяю
щий восприятие качества звука. Люди обычно воспринимают сложные
сигналы как богатые, теплые, более интересные, чем синусоидальные.
Разложение в спект р
Самая важная тема этой книги - разложение в спектр. Суть ее в том,
что любой сигнал можно представить суммой синусоид с разными
частотами.
Самая важная математическая идея в этой книге - дискретное
преобразование Фурье (ДПФ). Оно берет сигнал и выдает его спектр.
Спектр - это набор синусоид, составляющих сигнал.
А самый важный алгоритм в этой книге быстрое преобразование
-
Фурье (БПФ) - эффективнейший способ вычисления ДПФ.

Например, на рис. 1 .3 показан спектр записи звука скрипки по
рис. 1 .2. Ось х - область частот, составляющих сигнал. Ось у показы
вает размахи, или амплитуды, составляющих спектра.
Разп оженне • спектр
3500
3000
2500
�
� 2000
2
:1:
<( 1500
1000
500
2000 4000 6000 8000 10000

Частота _( Гц)
Рис. 1 .3. С пектр сегмента записи звука скрипки
Компонента с самой низкой частотой называется основной часто

той. Основная частота этого сигнала - около 440 Гц (на самом деле
чуть ниже, или •площе•).
В данном сигнале у основной частоты самая большая амплитуда,
так что это еще и доминирующая частота. Обычно воспринимаемая
высота звука определяется основной частотой, даже если она и не до
минирующая.
Другие пики в спектре находятся на частотах 880, 1320, 1760 и
2200, и это целые кратные основной. Эти компоненты называются
гармониками, потому что они музыкально гармоничны с основной:
•
880 - частота А5, на одну октаву выше основной. Октава - это
удвоение частоты;
•
1320 - приблизительно Е6, которая выше А5 ровно на квин
ту. Про музыкальные интервалы и про чистую квинту можно
пpoчecть здecь: https:/ / ru . wi kipedia . org/wiki /Интepвaл_
(музыка);
•
1 760 - это А6, на две октавы выше основной;
• 2200 - примерно С17, на большую терцию выше А6.
Эти гармоники - ноты аккорда А-мажор, хоть они и не все в одной
октаве. Некоторые из них не совсем точны, поскольку ноты, состав
ляющие •западную• музыку, были нормализованы для равномерной
темперации (см. https:/ / ru . wikipedia . org/wiki / Paвнoмepнo_
темперирова нный_строй ) .
С иrнал ы 11111••111
ся выборкой, или отсчетом, хотя понятия •кадр• и •выборка• иногда
взаимозаменяемы.
signal -дает make_wave, возвращающий новый объект wave:
wave = mix . ma k e_wav e ( duration=0 . 5 , start=O , framera t e= l l 0 2 5 )
duration - длина wave в секундах.

start - время старта в секундах.
f rame rа te - число (целое) кадров в секунду, а также число выборок
в секунду.
1 1 025 кадров в секунду - одна из многих частот выборки, обыч
но используемых в звуковых файлах разных форматов, включая
Waveform Audio File (WAV) и МРЗ.
В этом примере обрабатывается сигнал от t = О до t = 0,5 в 5513 кад
рах с равным интервалом (поскольку 5513 - это половина от 1 1 025).
Время между кадрами, или шаz, составляет 1/1 1 025 секунд (около
91 мкс).
wave поддерживает метод plot, использующий pyplot. Сигнал
можно вывести на печать вот так:
wav e . plot ( )
pyplot . show ( )
pyplot - это Уасть matp l o t l ib; он включен во многие дистрибути

вы Python, и его всегда можно доустановить.
1.5
1.0
0.5
о.о
-0.5
-1.0 -
-1.5 -.__--�--�--�--�---'----�--'
О.ООО 0.001 0.002 0.003 0.004 0.005 0.006
Время (с)
Рис. 1.4. Сегмент сигнала из смеси двух синусоид
" ••.... � Гла1 а 1. Э1уки и си rнал ы
При freq = 440 за 0,5 секунды пройдет 220 периодов, так что при
печати этот участок будет представлен сплошной заливкой. Меньшее
число периодов можно вывести, используя segment он копирует не -
кий сегмент wave и возвращает новый вариант:

period = mix . period
segment = wave . s egment ( s t a r t = O , du r a t i on=pe r i od* З )
period - это свойство s ignal ; он возвращает период в секундах.

start и duration выражены в секундах. В этом примере из mix
копируются первые три периода. Результат - объект wаvе.
На графике segment выглядит как на рис. 1 .4. В этом сигнале две
частотных компоненты; он сложнее сигнала камертона, но проще
скрипичного.
Чтение и запись сигналов

thinkdsp предоставляет read wave, читающий WАV-файл и возвра
щающий wave:
v i o l i n_wave = t h i n kdsp . read_wave ( ' i nput . wav ' )
А wave поддерживает write, записывающий WАV-файл:

wave . wr i t e ( filename= ' output . wav ' )
Прослушать wave можно на любом мультимедиа-проигрывателе,

воспроизводящем WАV-файлы. На Uniх-системах это aplay, простой
и надежный, включенный во многие дистрибутивы Linux.
В thinkdsp также есть play_wave, запускающий мультимедийный
проигрыватель как подпроцесс:
t h i n kdsp . p l a y_wave ( fil ename= ' output . wav ' , pl ayer= ' ap l a y ' )
По умолчанию он использует aplay, но можно указать и другой

проигрыватель.
Спектры
wave поддерживает make_spect rum, возвращающий спектр� spec
trum:
spect rum = wave . ma ke_spect rum ( )
А Spect rum поддерживает plot:

ОбиктwWаvе 1111•••1В11
spect rum . p lot ( )
t h i n kpl ot . show ( )
thinkplot - написанный автором модуль, и это обертка для не

которых функций в pyplot. Он есть в репозитории этой книги (см.
раздел •Работа с кодом• на стр. 9).
Spectrum предоставляет три метода, изменяющих спектр:
low_pas s применяет фильтр нижних частот (ФНЧ), то есть
компоненты выше частоты среза ослабляются на некую ве.nи
чину.
•
high_pass применяет фильтр верхних частот (ФВЧ), то есть
ослабляются компоненты ниже частоты среза.
•
band_ s top применяет полосно-заграждающий фильтр ( Ф ПЗ);
он ослабляет компоненты в полосе частот между двумя часто
тами среза.
В этом примере все частоты выше 600 ослабляются на 99%:
spect rum . l ow_pa s s ( cu t o f f= б O O , factor=0 . 0 1 )
Фильтр НЧ удаляет •яркие• высокочастотные звуки, и результат

звучит глуше, •темнее•. Услышать это можно, если преобразовать
Spect rum обратно в wave и воспроизвести:
wave = spect rum . ma ke_wave ( )
wave . p lay ( ' temp . wav ' )
Метод play записывает wave в файл, а затем воспроизводит его.

В блокноте Jupyter можно использовать make_audio, создающий
аудиовиджет для проигрывания звука.
О бъекты Wave
В thinkdsp.py нет ничего сложного. Большинство функций в нем -
лишь тонкие обертки на функциях из NumPy и SciPy.
Основные классы в thinkdsp - это s ignal, wave и Spect rum. Имея
signal, можно сделать wave. Имея wave, можно сделать Spect rum, и
наоборот. Эти соотношения показаны на рис. 1 .5.
Рис. 1 . 5 . Соотношения классов в thinkdsp

Гn ааа 1. З вуки и cнrнanw
У объекта wave есть три атрибута: ys NumРу-массив, содержа

-
щий значения сигнала; ts массив моментов выборки или преобра

-
зования сигнала; framerate число выборок в единицу времени. За

-
единицу времени обычно принимаются секунды, хотя допустимы и

другие варианты. В одном из примеров это будут дни.
wave также имеет три свойства, доступные только для чтения:
start, end и duration. Если изменить ts, эти свойства изменятся со
ответственно.
Изменить сигнал можно, явно изменив ts и ys. Например:
wave . ys *= 2
wave . t s += 1
Первая строка вдвое увеличивает размах, делая сигнал громче.

Вторая строка сдвигает сигнал во времени, замедляя начало на 1 се
кунду.
Но wave дает методы, выполняющие множество общих операций.
Например, можно записать эти же два преобразования так:
wave . s c a l e ( 2 ) wave . s h i f t ( l )
Эти и другие методы описаны на веб-странице h t t li': / / g reen tea

pre s s . com/ thinkdsp . html.
Объ екты Signal

s i gnal это родительский класс, предоставляющий функции, общие
-
для всех типов сигналов, таких как make_wave. Дочерние классы на
следуют эти методы и дают evaluate, оценивающий сигнал в задан
ные моменты времени.
Например S inusoid это дочерний класс s i gnal с таким опреде
-
лением:
c l a s s S i nu s o i d ( s i gnal ) :
def _init_ ( self, freq=440, апр= l . О , offset=O, func=np . s i n):

s i gnal . �i n i t� ( s e l f )
S e l f . freq = freq
se l f . amp = amp
se l f . o f f s e t = o f f s e t
se l f . func = func
Параметрами _init_ будут:

freq
Частота в циклах в секунду, или герцах.
Обиктw Signal 11111••11!1
amp
Амплитуда. Единицы амплитуды произвольны: обычно их вы
бирают так, что 1,0 соответствует максимуму входного уровня
с микрофона или максимальному уровню на выходе.
of f set
Указывает, в какой части своего периода сигнал начинается;
offset указывается в радианах.
func
Функция Python, используемая для оценки сигнала в опреде
ленный момент времени. Обычно это np . s i n или np . cos, то
есть синусоидальный или косинусоидальный сигнал.
Как и многие init-методы, этот просто •откладывает• параметры
•на потом•.
s ignal дает make_wave следующим образом:
de f make_wave ( se l f , duration=l , start=O , framerate-1 1 0 2 5 ) :
n - round ( du r a t i o n * f ramerate )
ts = s t a r t + np . a range ( n ) / f ramerate
ys = s e l f . eva l u a t e ( t s )
return wave ( ys , t s , f rame r a t e = f ramerate )
Start и duration - время начала и длительность в секундах.

framerate - Число кадров (выборок) в секунду.
n - число выборок, а t s - массив времен выборки NumPy.
Для расчета ys сигнал make_wave вызывает функцию evaluate,
получаемую из S inusoid:
def evaluate(self, ts):
pha s e s = PI2 * S e l f . f req * ts + s e l f . o f f s e t
ys = self.amp * self.func(phases)
return ys
Раскрутим ее до одного шага по времени:

1. self . freq частота в циклах в секунду, а каждый элемент t s
-
дает время в секундах, поэтому и х произведение будет числом

циклов от начала.
2. PI2 - константа, хранящая 2п. Умножение на PI2 преобразует
циклы в фазу. Можно рассматривать фазу как •число радиа
нов от начала•. Каждый цикл равен 2п радиан.
З. Sel f . о f fsеt - это фаза в моментt-0. На графике это выглядит
как сдвиг сигнала по оси времени влево или вправо.
4. Если sel f . func есть np . si или np . cos, то результатом будет
значение в интервале между - 1 и+1.
�···----
r11ава 2.
rармон ики
В этой главе представлено несколько новых сигналов; рассмотрены

их спектры и гармоническая структура - набор синусоид, из которых
они состоят.
Рассмотрено также одно из наиболее важных явлений в цифровой
обработке сигналов биения (aliasing, алиасинz). Кроме того, подроб
-
нее объяснена работа класса Spect rum.

Код для этой главы находится в репозитории книги, в блокноте
chap0 2 . ipynb (см. раздел �Работа с кодом• на стр. 9). Код можно
просмотреть и на веб-странице http : / / t inyur l . com/thinkdsp0 2 .
Треугольный сигнал
У синусоиды только одна частотная компонента, поэтому в ее спектре
лишь один пик. Более сложные сигналы, вроде записи звука скрипки,
показанной на рис. 1 .2, дают ДПФ со множеством пиков. В этом раз
деле исследуется связь между формой сигналов и их спектрами.
Начнем с треугольного сигнала, похожего на спрямленную версию
синусоиды. На рис. 2. 1 показан треугольный сигнал частотой 200 Гц.
Генерацию треугольного сигнала начнем с thinkdsp . Triangle
Signa l:
c l a s s TriangleSigna l ( S i n u s o i d ) :
de f evaluate ( s e l f , t s ) :
cycles = Se l f . freq * t s + s e l f . o f f s e t / P I 2
frac , _ = np . modf ( c y c l e s )
y s = np . abs ( frac - 0 . 5 )
ys = norma l i z e ( unbias ( ys ) , s e l f . amp )
return ys
TriangleSignal наследует _init_ от S inusoid, поэтому он при

нимает те же аргументы: freq, amp и o f fset.
Разница лишь в eva luate. Как и ранее, t s обозначает последова
тельность моментов времени, в которых оценивается сигнал.
Гnава 2. Гармоники
1.0
0.5
О.О
-0.5
-1.0.
�.,,... � �
7 оо,,---.,.-..,..,._-,,..
о. о ,.
о._.,оо ..,
4- ..,.
О�. оо.,.,
б,---..,,
о� . о"""ое,,-"""'
- о"".0 1 0 - 1 4
0 . ,- о ,...,
.,,-..,.--
-'с ---.,
Время (с)
Рис. 2. 1. Сегмент треугольного сигнала частотой 200 Гц
Есть много способов создания треугольного сигнала. Детали не

важны, но вот как работает evaluate:
1 . cyc l e s - число циклов со времени начала. np.modf разделяет
число циклов на дробную часть frac и целую часть, которая
игнорируется 1•
2. frac - это последовательность, растущая в пределах от О до 1 с
заданной частотой. Вычитание 0,5 меняет пределы на -0,5 и
0,5. Абсолютное значение дает сигнал, меняющийся от 0,5 до О.
3. unЬias смещает сигнал так, что он центрируется по О; затем
norma l i ze масштабирует его до заданной амплитуды amp.
Вот код, генерирующий сигнал, показанный на рис. 2. 1 :
s i gnal = t h i n kdsp . T riangleS igna l ( 2 0 0 )
s i gnal . p l o t ( )
Теперь возьмем s ignal, сделаем wave и рассчитаем его Spectrum:

wave = s i gnal . make_wave ( du r a t i on=0 . 5 , frame rate= l O O O O )
spect rum . p l o t ( )
На рис. 2.2 показаны два вида результата; вид справа отмасшта

бирован - четче видны гармоники. Как и ожидалось, самый высокий
пик - на основной частоте, 200 Гц, но есть дополнительные пики гар
моник на частотах, целых кратных 200.
1
Знак подчеркивания в имени переменной - это соглашение: «Не намерен использовать
это значение"
Пр11моуrоn�.ный снrнаn 11111••11111
2500 �-�-�--�-�-� 500 �-�-�--�-�-�
2000 400
"' 1500 300
�"'
"
j 1000 200
500. 100
0
о
1 1
1000 2000 3000 4000 5000 °о
l
1000
1 1
2000
1 1 •
3000 4000 5000
Частота (Гц) Частота (Гц)
Рис . 2.2. Спектр треугольного сигнала 200 Гц, с двумя шкалами
по вертикали . У правого об резана основная , чтоб ы четче показать
гармоники
Но сюрприз в том, что нет четных пиков: 400, 800 и т. д. У тре

уrольноrо сигнала есть только нечетные гармоники, кратные основ
ной частоте (в этом примере - 600, 1000, 1400 и т. д.).
Еще одна особенность этоrо спектра - взаимосвязь между ампли
тудой и частотой гармоник. Их амплитуда спадает пропорционально
квадрату частоты. Например, отношение частот первых двух гармо
ник (200 и 600 Гц) - 3, а соотношение амплитуд будет примерно 9.
Соотношение частот следующих двух гармоник (600 и 1 000 Гц) - 1 ,7,
а соотношение амплитуд будет примерно 1 ,722 - 2,9. Эта взаимосвязь
называется гармонической структурой.
Прямоугол ьн ы й сиг нал

thinkdsp также предоставляет SquareS igna l, то есть прямоуголь
ный сиrнал. Вот определение класса:
c l a s s SquareS ignal(S i nu s o i d ) :
de f eva l uate(s e l f , t s ) :
cycles = Se l f . freq * ts + s e l f . o f f s e t / P I 2
f r a c , _ = np . modf ( c ycl e s )
ys = s e l f . amp * np . s i gn(unb i a s(frac ) )
return ys
Как и TriangleSignal, SquareSignal наследует init от

Sinusoid и принимает те же параметры.
Гnа в а 2. Гармоники
И метод eval ua te похож. Вновь cycles число циклов со времени

-
старта, frac дробная часть, растущая от О до 1 за каждый период.

-
unЬias сдвигает frac так, что он растет от -0,5 до 0,5, причем

np.s ign сопоставляет отрицательные величины с - 1 , а положитель
ные с + 1 . Умножение на arnp дает прямоугольный сигнал, меняю
-
щийся от -arnp до +arnp.

На рис. 2.3 показаны три периода прямоугольного сигнала часто
той 100 Гц, а на рис. 2.4 представлен его спектр.
0.5
о.о
-0.5
-1.0 ._____,
О.ООО 0.005 0.010 0.015 0.0 2 0 0.02 5 0.030
Время (с)
Рис. 2. 3. Сегмент прямоугольного сигнала 100 Гц
3000
2 500
� 2000
�
:s:
� 1500
"
<{
1000
500
2000 3000 5000

Частота (Гц)
Рис. 2. 4 . Сп ектр прямоугольного сигнала 1 00 Гц
Биени• (алиасинr)
Как и треугольный сигнал, прямоугольный содержит только не

четные гармоники, поэтому пики приходятся на 300, 500 и 700 Гц
и т. д. Но амплитуда гармоник спадает медленнее - точнее, пропор
ционально частоте (а не квадрату частоты).
В упражнениях в конце этой главы можно исследовать другие сиг
налы и гармонические структуры.
Биения (алиасинг)
Примеры для предыдущего раздела выбраны так, чтобы все было по
нятно. А вот этот раздел вас может и озадачить.
Для начала рассмотрим рис. 2.5.
2500 500
2000 400
1 500 300
"'
q
�
" ·
"
с:
:i: 1000 200
<(
500 100
о �-�
о ..,.
1 00 0-...,.
.,..
20 0�
0 -,...
30..,..
1
., 00�-4..,.
оо""о�
"
1
-'
5000
о 1
о�-1'"'
1
20
о�-='
00..,_
1
.,.
0�0. �3
,_,
•
оо�-4..,.
о..., ОО
.1
о�.,,.,.
..,. 5000
Рис . 2 . 5 . Спектр треугол ьного сигнала 1 100
Гц при 10 ООО выборок
в секунду. В ид справа масштабирован дл я выявления гармоник
Гармоники сигнала должны быть 3300, 5500, 7700 и 9900 Гц. На

рисунке, как и ожидалось, есть пики на 1 1 00 и 3300 Гц, но третий
пик - на 4500, а не на 5500 Гц. Четвертый пик находится на 2300, а не
на 7700 Гц. И если посмотреть внимательно, то пик, который должен
быть на 9900, на самом деле приходится на 1 00 Гц. Что произошло?
Проблема в том, что при взятии выборок из сигнала в дискретные
моменты времени теряется информация о том, что было между вы
борками. Для низкочастотных компонент это не проблема, потому
что выборок за период достаточно много.
Но если сигнал 5000 Гц при 10 ООО кадров в секунду, то у нас будет
только две выборки за период. Этого достаточно, а вот если частота
сигнала еще выше, то возникнут проблемы.
... . ..... 1 Глава 2. Гармоники
Чтобы понять почему, сгенерируем косинусоидальные сигналы

4500 и 5500 Гц, а скорость выборки возьмем 10 ООО кадров в секунду:
framerate = 1 0 0 0 0
s i gnal = t h i n kdsp . Co s S ignal ( 4 5 0 0 )

du ration = s i gna l . p e r i od * 5
segment = s i gnal . ma ke_wave ( du r a t i o n , f ramerate=framerate )
segmen t . p l o t ( )
s i gn a l = t h i n kdsp . Co s S ignal ( 5 5 0 0 )
segment = s i gnal . ma ke_wave ( du r a t i o n , f ramerate=framerate )
s egment . p l o t ( )
Результат показан на рис. 2.6. Оба s i gnal выведены тонкими се

рыми линиями, а выборки - вертикальными линиями, чтобы упро
стить сравнение двух wave. Тут-то и обнаруживается: s igna l разные,
а wave одинаковые!
-
Выборки с частотой 10 ООО кадров в секунду из сигнала 5500 Гц не

отличимы от выборок из сигнала 4500 Гц. По этой же причине сигнал
7700 Гц неотличим от сигнала 2300 Гц, а сигнал 9900 Гц от сигнала -
100 Гц.
1.0 -
0.5
\
1 \ 1- 4500 1
о.о J
! 1 ·
-0.5
\ ; /
- 1 . 0 ��- /��-/��
0 . 0000 0.0001 0 . 00 0 2 0 . 0003 0 . 0004 0 . 0005 0 . 0006 0 . 0007
0.5
1
о.о
i�емя
1 i
(с)
-0.5
- 1 . 0 ��
0.0000 0.0001 0 . 0002 0.0003 0 . 0004 0 . 00 0 5 0 . 0006 0 . 00 0 7
Time ( s )
Рис. 2 .6. Косинус-сигналы 4500 и 5500 Гц, вы борка 10 ООО кадров
в секунду. Вы борки одинаковы при разных сигналах
Вычисnе ние спектра 1111•••11J1
Этот эффект называется биениями, или шиасинzом (aliasing), по
тому что выборки из сигнала с высокой частотой кажутся выборками
из сигнала с низкой.
В этом примере самая высокая частота, которую еще можно обра
ботать, составит 5000 Гц (половина частоты дискретизации). Частоты
выше 5000 Гц •заворачиваются• вокруг 5000 Гц, так что этот порог
иногда называют частотой заворота. Встречается также термин час
тота Найквиста; см. http : / / ru . wi kipedia . org/wi ki /Чacтoтa_
Найквиста.
Заворот повторяется, когда частота биений оказывается меньше
нуля. Например, пятая• гармоника треуrольноrо сигнала 1 100 Гц со
ставит 12 1 00 Гц. Заворот на 5000 Гц даст - 2 1 00 Гц, но на О Гц будет
новый заворот, и он даст 2 1 00 Гц. В самом деле, на рис. 2.4 заметен
небольшой пик на 2 1 00 Гц, а также следующий, на 4300 Гц.
В ы числение спектра
Метод make_spectrum у объекта wave уже встречался. Применим
его еще раз (некоторые детали рассмотрены ниже):
from np . f f t import r f f t , r f ft freq
f class wave :
de f make_spect rum ( s e l f ) :
n = len ( s e l f . ys )
d = 1 / s e l f . f ramerate
hs = r f f t ( se l f . ys )
f s = r f f t freq ( n , d )
return Spect rum ( h s , f s , s e l f . f ramerate )
Параметр s e l f это объект wave; n количество выборок в сиг

- -
нале, а d обратная частоте кадров величина, то есть время между

-
выборками.
np . f f t это модуль NumPy, дающий функции для быстрого преоб
-
разования Фурье (БПФ) - эффективный алгоритм вычисления дис

кретного преобразования Фурье (ДПФ).
make_spect rum использует r f ft, то есть •действительное БПФ•,
поскольку wave содержит действительные числа, а не комплексные.
Ниже рассмотрено полное БПФ, обрабатывающее комплексные
сигналы (см. раздел сДПФ реальных сигналов• на стр. 96). Резуль
тат rfft, обозначаемый hs, это NumРу-массив комплексных чисел,
-
1 По счету, то есть одиннадцатая кратная основной. - Прим. ред.

1&11 •••1111 Глава 2. Гармоники
представляющих амплитуду и фазу каждой частотной компоненты

в сигнале.
Результат rfftfreq, обозначаемый fs, - это массив, содержащий
частоты, соответствующие hs.
Разберемся с содержимым hs рассмотрим два способа представ
-
ления комплексных чисел:

• комплексное число - сумма действительной и мнимой частей,
часто в виде х + iy, где i - мнимая единица, Г-f. х и у следует
понимать как координаты в декартовой системе;
•
комплексное число - это также произведение модуля и ком
плексной экспоненты - АеiФ, где А - модуль, а ф угол в ради -
анах, называемый также аргументом. А и ф следует понимать

как полярные координаты.
Каждое значение в hs соответствует частотной компоненте: размах
пропорционален амплитуде соответствующей компоненты; а угол -
это фаза.
Класс Spect rum содержит два свойства только для чтения, amps
и angles, возвращающие NumРу-массивы, представляющие ампли
туды и углы hs. На графиках объект Spectrum обычно представлен
как amps относительно fs. Но иногда полезно отобразить и a ng l e s
относительно fs.
Можно получить действительные и мнимые части hs, но обыч
но они не нужны. Проще рассматривать ДПФ как вектор амплитуд
и фаз, записанный в виде комплексных чисел.
Для изменения Spectrum можно обращаться прямо к hs. Напри
мер:
spect rum . h s * = 2
spectrum . h s [ spect rum . f s > cuto f f ] = О
Первая строка умножает элементы hs на 2, удваивая амплитуды

всех компонент. Вторая строка обнуляет те элементы hs, частота ко
торых превышает некий порог.
Но Spect rum также дает методы для таких вот операций:
spectrum . s c a l e ( 2 ) spectrum . l ow_pa s s ( cu to f f )
Документацию п о этим и другим методам можно найти н а веб

странице http : / /greenteapres s . com/ thinkdsp . html .
На этом этапе уже должно быть понятно, как работают классы
s ignal , wave, Spect rum. А вот разговор о том, как работает быстрое
преобразование Фурье, растянется на несколько следующих глав.
Уn ражнени•
11111••Е1
Упражнен и я
Решения этих упражнений находятся в блокноте chap02 soln.ipynb.
Упражнение 2. 1
Для Jupyter надо загрузить chap02 . ipynb и примеры. Этот блок
нот можно также просмотреть на веб-странице http : / / tinyurl .
com/ thinkdsp02.
Упражнение 2.2
Пилообразный сиrнал линейно нарастает от - 1 до 1 , а затем резко
падает до - 1 и повторяется. См. http : / /en . wikipedia . org/wi ki /
Sawtooth_wave (на англ. яз.).
Напишите класс, называемый SawtoothS ignal , расширяющий
signal и предоставляющий eva luate для оценки пилообразного
сигнала.
Вычислите спектр пилообразного сиrнала. Как соотносится его
гармоническая структура с треугольным и прямоугольным сигна
лами?
Упражнение 23
Создайте прямоугольный сиrнал 1 100 Гц и вычислите wave с вы
борками 10 ооо· кадров в секунду. Постройте спектр и убедитесь, что
большинство гармоник •завернуты• из-за биений. Слышны ли по
следствия этого при проигрывании?
Возьмите объект spectrum и распечатайте несколько первых зна
чений spectrum. fs. Убедитесь, что они начинаются с нуля, то есть
Spect rum.hs [ O J - амплитуда компоненты с частотой О. Но что это
значит?
Проведите такой эксперимент:
1. Создайте треугольный сигнал с частотой 440 Гц и wave дли
тельностью 0,0 1 секунд. Распечатайте сигнал.
2. Создайте объект Spect rum и распечатайте Spectrum.hs [ О 1 .
Каковы амплитуда и фаза этого компонента?
3. Установите Spectrum . hs [ О ] = 1 0 0 . Как эта операция повли
яет на сиrнал? Подсказка: Spectrum дает метод, называемый
make_wave, вычисляющий wave, соответствующий Spect rum.
Напишите функцию, принимающую Spect rum как параметр и из
меняющую его делением каждого элемента hs на соответствующую
Гnааа 2. Гармоники
частоту из f s. -Подсказка: поскольку деление на ноль не определено,

нaдo зaдaть spectrum . hs [ O J
= О.
Проверьте эту функцию, используя прямоугольный, треугольный
или пилообразный сигналы:
1. Вычислите 'S ресtrum и распечатайте его.
2. Измените Spect rum, вновь используя свою функцию, и распе
чатайте его.
3. Используйте Spectrum . make_wave, чтобы сделать wave из из
мененного Spectrum, и прослушайте его. Как эта операция по
влияла на сигнал?
У треугольных и прямоугольных сигналов есть только нечетные
гармоники; в пилообразном сигнале есть и четные, и нечетные гармо
ники. Гармоники прямоугольных и пилообразных сигналов уменьша
ются пропорционально 1//; гармоники треугольных сигналов - про
порционально 1/.f. Можно ли найти сигнал, состоящий из четных
и нечетных гармоник, спадающих пропорционально 1/.f?
Подсказка: для этого есть два способа. Можно собрать желаемый
сигнал из синусоид, а можно взять сигнал со спектром, похожим на
необходимый, и изменять его параметры.
�1 · · · " - - -
r.naвa 3.
Аnери од и 11 е ск ие с и r на 11•1
До сих пор были рассмотрены сигналы периодические, непрерывно

повторяющиеся. И их частотные компоненты не изменяются во вре
мени. В этой главе рассмотрены сигналы апериодические, частотные
компоненты которых изменяются во времени, - другими словами,
практически все звуковые сигналы.
В этой главе также представлены спектрограммы - распространен
ный способ визуализации апериодических сигналов.
Код для главы 3 находится в репозитории этой книги, в блокноте
chapO з . ipynb (см. раздел •Работа с кодом• на стр. 9). Также код мож
но просмотреть на веб-странице http : / / t inyurl . com/thinkdspO З .
Л иней ны й ч и р п
Рассмотрим чирп, сигнал с переменной частотой. thinkdsp дает
signal, называемый Chi rp, который создает синусоиду с частотой,
линейно изменяющейся в некотором диапазоне.
Вот пример с перестройкой от 220 до 880 Гц, то есть на две октавы -
от АЗ до А5:
s i gnal = t h i n kdsp . Ch i rp ( s t a rt=2 2 0 , end=8 8 0 )
wave = s i gna l . ma ke_wave ( )
На рис. 3. 1 показаны сегменты периода этого сигнала - в начале,

в середине и в конце. Очевидно, что частота увеличивается.
Вначале рассмотрим, как устроен Chirp. Вот определение класса:
c l a s s C h i rp ( s ignal ) :
de f init ( s e l f , s t a r t = 4 4 0 , end= B B O , amp=l . 0 ) :

se l f . s t a r t = s t a r t
se l f . end = end
se l f . amp = amp
start и end - частоты в герцах, в начале и в конце чирпа; amp -

амплитуда.
Гnааа 3 . Апериодические си rи аnы
1.0 f r
0.5
о.о
-0.5
- 1.0
��-�-�-�� \J \J
о 0 10 500 502 504 506 500 510 900 902 904 906 900 910
Время (мс)
Рис . 3 . 1 . Чирn-сигнал в начале, в середине и в конце
Вот функция, обрабатывающая сигнал:

de f eva luate ( s e l f , t s ) :
f reqs = np . l i n space ( s e l f . s t a r t , se l f . end, len ( t s ) - 1 )
return s e l f . _eva luate ( t s , f reqs )
ts это последовательность моментов времени обработки сигна

-
ла; для упрощения предполагается, что они равномерны.

Если длина ts есть n, ero можно представить как последователь
ность из п- 1 интервалов времени. Для вычисления частоты на каж
дом интервале используется np . l inspace, возвращающая NumРу
массив из п- 1 значений между start и end.
_eva luate - частный метод, производящий остальные расчеты• :
de f _eva luate ( s e l f , t s , freqs ) :
dts = np . di f f ( t s )
dph i s = P I 2 * f reqs * dts
pha s e s = np . cumsum ( dph i s )
pha s e s = np . i n s e r t (phase s , О , 0 )
ys = s e l f . amp * np . cos ( phase s )
return ys
np . di f f вычисляет разницу между соседними элементами ts,

возвращая длину каждого интервала в секундах. Если элементы ts
равноотстоящие, все значения dts одинаковы.
1
Если имя метода начинается с символа подчеркивания, это означает, что он •частный•,
то есть не является частью АР!, который должен использоваться вне определения класса.
Э кспоненцнаnь ны й чнрп 11111••111111
Далее надо выяснить, насколько меняется фаза за каждый интер
вал. В разделе •Объекты Signal• на стр. 22 показано, что при постоян
ной частоте фаза ф линейно растет с течением времени:
ф = 2тrft
Если частота - функция времени, изменение фазы за дискрет вре
мени Лt составит:
Лф - 2тrf(t)Лt
В Python, поскольку freqs содержит /(t), а dts - интервалы вре
мени, можно записать:
dph i s = P I 2 * f reqs * dts
Теперь, поскольку dphi s содержит изменения фазы, можно полу

чить полную фазу на каждом отрезке времени, суммируя изменения:
phases = np . cumsum ( dph i s )
phases = np . i n s e r t ( phase s , О, 0)
np.cumsum вычисляет нарастающую сумму, но она начинается не

с О. Поэтому np . insert добавляет этот О в начало.
Результат - массив NumPy, где i-ый элемент содержит сумму из
первых i значений dphis, то есть полную фазу в конце i-ro интерва
ла. Наконец, np : cos вычисляет амплитуду сигнала в зависимости от
фазы (фаза выражается в радианах).
Вспомнив матанализ, можно заметить, что предел при устремле
нии Лt к нулю будет:
dф - 2rr/(t) dt
Деление на dt дает:
dф/dt = 2тr/(t)
Другими словами, частота есть производная от фазы. И наоборот,
фаза - это интеграл от частоты. То есть cumsum, примененный для
перехода от частоты к фазе, аппроксимирует интегрирование.
Экспонен ци ал ьн ы й ч и р п
Слушая этот чирп, можно заметить, что высота звука сначала резко
нарастает, а затем рост замедляется. Чирп занимает две октавы, но
первую он пролетает всего за 2/3 s, а вторую - в два раза медленнее.
Причина в том, что восприятие высоты звука зависит от логариф
ма частоты. В результате слышимый между двумя нотами интервал
зависит от соотношения их частот, а не от их разницы. Интервал -
" ••.... � Г11аеа З. Апериодические си rнапы
музыкальный термин для воспринимаемой разницы между двумя

тонами.
Например, октава интервал, где соотношение частот двух тонов
-
равно 2. Так, интервал от 220 до 440 Гц - одна октава, и интервал от

440 до 880 Гц - также одна октава. Разница по частоте больше, а соот
ношение одинаковое.
В результате, если частота увеличивается линейно, как у линейно
го чирпа, воспринимаемая высота звука растет логарифмически.
Если нужно, чтобы воспринимаемая высота звука росла линейно,
частота должна расти по экспоненте. Сиrнал такого типа называется
экспоненциальным чирпом.
Вот определение класса ExpoChi rp:
c l a s s ExpoC h i rp ( Ch i rp ) :
de f eva l uate ( s e l f , t s ) :
s t a r t , end = np . log l O ( s e l f . s t a rt ) , np . l o g l O ( s e l f . end)
f reqs = np . l ogspace ( s t a r t , end, len ( t s ) - 1 )
return se l f . _eva luate ( t s , f reqs )
В отличие от np . l i n space, эта версия eva luate использует

np . l ogspace, создающий набор равноотстоящих логарифмов частот,
то есть частота растет экспоненциально.
Все остальное повторяет Chirp. Вот код для его получения:
s i gnal = t h i n kdsp . ExpoC h i rp ( s ta r t =2 2 0 , end=8 8 0 )
wave = s i gnal . make_wave ( du r a t i o n= l )
Примеры можно прослушать в сhар О З . ipynb и сравнить линей

ные чирпы с экспоненциальными.
Спектр чирпа
Выясним, что получится при вычислении спектра чирпа. Вот пример,
создающий односекундный однооктавный чирп и его спектр:
s i gnal = t h i n kdsp . Ch i rp ( s ta r t = 2 2 0 , end= 4 4 0 )
wave = s i gnal . ma ke_wave ( du r a t i o n= l )
На рис. 3.2 показан результат. В спектре есть компоненты на каж

дой частоте от 220 до 440 Гц с вариациями размаха, похожими на око
Саурона (см. http : / / en . wi kipedi a . org/wi ki / Sauron).
Спектр - практически плоский от 220 до 440 Гц, а это указывает
на то, что в данном диапазоне равное изменение частоты сигнала
С nектро rрамма 1111••·--
занимает равное время. Исходя из рисунка можно догадаться, как вы
глядит спектр экспоненциального чирпа.
В этом спектре видны особенности структуры сигнала, но соотно
шение между частотой и временем скрыто. Например, глядя на спектр,
нельзя сказать, меняется ли частота вверх, вниз или в обоих направ
лениях.
300
g
"'
250
"
J
с:
200
150 .
100
50
100 200 300 400 500 600 700
Частота ( Гц)
Рис. 3.2. Спектр односе кундного однооктавного чирпа
С пектр огр а мм а
Чтобы проявить связь между частотой и временем, можно разбить
чирп на сегменты и построить спектр каждого сегмента. Результат
называется кратковременным преобразованием Фурье (КВПФ).
Есть несколько способов визуализации КВПФ, но наиболее рас
п ространены спектрогра.ммы , у которых на оси х время, а на оси у -
частоты. Каждый столбец на спектрограмме показывает спектр ко
роткого сегмента, а для представления амплитуд используются цвет
или оттенки серого.
В качестве примера вычислим спектрограмму такого чирпа:
signal = thinkdsp . Ch i rp ( s t a r t =2 2 0 , end=4 4 0 )
wave = s i gna l . ma ke_wave ( du r a t i o n= l , f ramerate= 1 1 0 2 5 )
wave дaeт ma ke_spectrogram, возвращающий объект Spect rogram:

spect rogram = wave . ma ke_spe c t rogram ( s eg_l ength= 5 1 2 )
spect rogram . p lot ( h igh=7 0 0 )
Глава Э . Апериодические си гналы
seg_ length количество выборок в каждом сегменте. Выберем

-
5 1 2, поскольку БПФ наиболее эффективен при числе выборок, крат

ном степени 2.
На рис. 3.3 показан результат. По оси х время от О до 1 секунды.
-
По оси у частота от О до 700 Гц. Верхняя часть спектрограммы огра

-
ниченна, так как полный диапазон достигает 55 1 2,5 Гц половины -
частоты выборки.
700 ,------�---�---.
600
500
З'
!::. 400
:" '
g
� · 300
:т
200
100
i.o 0.2 0.4 О.б 0.8 1.0

Время (с)
Рис. 3.3. С пектрограмма односекундного однооктавного чирпа
По спектрограмме четко видно, что с течением времени частота
увеличивается линейно. Однако обратите внимание, что пик в каж
дом столбце размыт на две-три клетки. Это размытие отражает огра
ниченное разрешение спектрограммы.
Предел Габора
Разрешение по времени спектрограммы зависит от длительности сег
ментов, соответствующих ширине ячеек спектрограммы. Каждый
сегмент состоит из 5 1 2 кадров, а всего их 1 1 02 5 за секунду, длитель
-
ность каждого сегмента составляет около 0,046 секунд.

Разрешение по частоте это частотный интервал между элемен
-
тами спектра с одинаковой высотой ячеек. При 5 1 2 кадрах получим

256 частотных компонент в диапазоне от О до 55 12,5 Гц, а интервал
между компонентами будет 2 1 ,6 Гц.
В общем представлении, если п длина сегмента, спектр содержит
-
п/2 компонент. Если частота кадров r, максимальная частота спек-

-
Уrечка 11111••"
тра будет r/2. То есть разрешение по времени будет n/r, а разрешение
по частоте составит:
r/2 / n/2
что дает r/п.
В идеале при быстрых изменениях частоты нужно хорошее разре
шение по времени. А при малых изменениях частоты нужно хорошее
разрешение по частоте. Но и то и другое вместе получить нельзя. За
метим, что разрешение по времени п/rобратно разрешению по часто
те r/n, так что если одно меньше, то другое больше.
Например, если удвоить длину сегмента, то вдвое улучшится раз
решение по частоте (что хорошо), но во столько же раз ухудшится раз
решение по времени (что плохо). Повышение частоты кадров также
не поможет: будет больше выборок, но увеличится и диапазон частот.
Такой компромисс называют пределом Габора, и это фундаменталь
ное ограничение данного типа частотно-временного анализа.
Уте ч ка
Ниже рассматривается работа ma ke_ spect rogram; работа его основа
на на окнах; но прежде чем их изучать, разберемся с утечкой - именно
из-за нее нужны окна.
Дискретное преобразование Фурье (ДПФ), используемое для вы
числения Spect rum, обрабатывает сигналы, предполагая их перио
дичность; то есть конечный сегмент считается полным периодом бес
конечного, непрерывно повторяющегося сигнала. На практике это
предположение часто ложно, и отсюда возникают проблемы.
Одна из распространенных проблем - разрыв между началом и кон
цом сегмента. При ДПФ предполагается, что сигнал периодический,
поэтому начало и конец сегмента неявно соединяются в петлю. Если
конец не совпадет с началом, то из-за разрыва в сегменте появятся до
полнительные частотные компоненты, которых нет в сигнале.
Рассмотрим в качестве примера синусоидальный сигнал, содержа
щий только одну компоненту с частотой 440 Гц:
s i gnal = t h i n kdsp . S i n S ignal ( f req=4 4 0 )
Если в сегменте будет целое число периодов, конец сегмента плав

но соединится с началом, и ДПФ отработает хорошо:
duration = s i gna l . pe r i od • 3 0
wave = s igna l . ma ke_wave ( du r a t i o n )
Глава Э . Апериодические си rналw
На рис. 3.4 (слева) показан результат. Как и ожидалось, есть оди н

пик на 440 Гц.
Но если длительность не кратна периоду, возникают осложнения.
Если du ration s i gnal . pe r iod * 3 0 , 2 5 , то сигнал начинается с О,
=
а заканчивается на 1 .
Н а рис. 3.4 (в центре) показан спектр этого сегмента. Опять же ви
ден пик на 440 Гц, но теперь появились некие компоненты, которые
«размазаны� в диапазоне от 240 до 640 Гц. Эту «размазню� и назы
вают утечкой спектра, поскольку некоторая часть энергии основной
частоты утекает в другие частоты.
На рис. 3.4 (справа) показан спектр сигнала, прошедшего окно.
С ним утечки сократились заметно, но не полностью.
400 350 200 ,---�-�-�-.--,
350 300
300 150
250
250
200
200 100
150
150
100
100 50
50 50
о
о 0
200 400 600 800 0 200 400 600 800 200 400 600 800
Рис. 3.4. С пектры периодического сегмента синусоиды (сл ева ) ,
апериодического сегмента ( в центре ) и апериодического сегмента
с окном (справа)
В нашем примере утечка происходит от того, что ДПФ взято как

бы от периодического сегмента, а он с разрывом.
О кна
Утечки можно уменьшить, сглаживая разрыв между началом и кон
цом сегмента, и один из способов добиться этого - использование
окон.
О кна
1111•••Е1
Окно это функция, преобразующая апериодический сегмент в не
-
что похожее на периодическое. На рис. 3.5 (вверху) показан сегмент,

где начало и конец сигнала соединяются с разрывом.
На рис. 3.5 (в центре) показано окно Хэмминга одна из наиболее
-
распространенных оконных функций. Совершенных оконных функ

ций нет, но в том или ином случае некоторые из них оптимальны, а
окно Хэмминга - это окно-•вездеход•.
На рис. 3.5 (внизу) показан результат умножения окна на ориги
нальный сигнал. Там, где окно близко к 1 , сигнал не изменяется. Там,
где окно близко к О, сигнал ослабляется. Поскольку окно мало на обо
их краях, конец сегмента гладко стыкуется с началом.
-0.5
- 1 . 0 �-
--�----�--�
О .ООО 0.005 0.010 0.015 0.020
1.0
0.5
о.о
-0.5
Время (с)
Рис. 3 . 5. Сегмент синусоиды ( вверху ) , окно Хэмминга ( средний )
и про изведение сегмента и о кна ( внизу)
... . ..... � Глава З. Апернодическне сн rнаnы
Вот как выглядит код. wave дает window, включающее окно Хэм
минга:
f c l a s s wave :
de f wi ndow ( s e l f , w i ndow ) :
s e l f . ys * = wi ndow
А в NurnPy есть hammi ng, вычисляющая окно Хэмминга заданной

длины:
wi ndow = np . hamming ( l en ( wave ) J
wave . wi ndow ( window )
NurnPy дает функции для вычисления других оконных функций,

включая bart l e t t , Ы a c kman, hann i ng и kai s e r . В одном из упраж
нений в конце главы можно поэкспериментировать с этими окнами.
Реализа ция спектрограмм

Теперь, разобравшись с окнами, перейдем к make_ spectrogram. Вот
метод wave, вычисляющий спектрограммы:
t c l a s s wave :
de f make spect rogram ( s e l f , seg length ) :
windo w = np . hamming ( seg_l en gth J
·
i , j = О , seg_l ength
s tep = seg_length / 2
spec_map = ( 1
wh i l e j < len ( s e l f . ys ) :
segmen t = s e l f . s l i ce ( i , j )
s egmen t . wi ndow ( wi ndow )
t = ( s egment . s t a r t + s egmen t . en d ) / 2
spe c_map [ t ] = segme n t . ma ke_spect rum ( )
i += s tep
j += s tep
return Spect rogram ( spec_map , seg_l ength )
Это самая длинная функция в книге, так что если в ней разобрать
ся, все остальное покажется простым.
Параметр s e l f - это объект wave; seg_l ength - количество вы
борок в каждом сегменте.
wi ndow - окно Хэмминга с той же длиной, что и у сегментов.
i и j - индексы фрагментов, выбираемых из сигнала; s tep - смеще
ние между сегментами. Поскольку s tep - это половина seg_length,
Реаn и заци• сnектроrрамм 1111•••Е1
сегменты наполовину перекрываются. На рис. 3.6 показано, как вы
глядят перекрывающиеся окна.
spec _map - это указатель, сопоставляющий метки времени со
Spect rum.
100 200 300 400 500 600 700 600

Индекс
Рис. 3.6. П ерекрывающиеся окна Хэмминга
Внутри петли whi l e выбирается •срез• сигнала и накладывается

окно; затем строится объект Spe ct rum и добавляется в spec_map. Но
минальное время каждого сегмента t, - это середина сегмента.
Затем увеличиваются i и j - до тех пор пока j не выйдет за преде
лы wave.
Наконец, метод создает и возвращает объект Spect rogram. Вот
определение класса:
c l a s s Spect rogram ( obj e ct ) :
de f �i n i t� ( s e l f , spec_ma p , seg_length ) :
se l f . spe c_map = spe c_map
se l f . s eg_l ength = seg_l ength
Как и многие методы _i n i t_, этот просто сохраняет параметры

как атрибуты.
Spect rogram дает plot, генерирующий псевдоцветной рисунок со
временем по оси х и частотой по оси у.
Так реализован Spect rogram.
" •••••• 1 Глава 3. Апериодические сиrналw
Упражнения
Решения этих упражнений находятся в блокноте chap O З soln.ipynb.
Запустите и прослушайте примеры из блокнота сhарО З . ipynb.
Вы найдете его в репозитории этой книги, а также на веб-странице
http : / / t inyurl .com/ thinkdsp O З .
В примере с утечкой замените окно Хэмминга одним из окон, пре
доставляемых NumPy, и посмотрите, как они влияют на утечку. См.
h t tp : / / do c s . s c i p y . o r g / do c / nump y / r e fe re n c e / rou t i n e s . w i n -
dow . html .
Напишите класс, называемый S awtoothCh i rp, расширяющий
Chirp и переопределяющий evaluate для генерации пилообразно
го сигнала с линейно увеличивающейся (или уменьшающейся) час
тотой.
Подсказка: надо совместить функции evaluate из Chirp и
SawtoothS igna l .
Нарисуйте эскиз спектрограммы этого сигнала, а затем распеча
тайте ее. Эффект биений должен быть очевиден, а если сигнал вни
мательно прослушать, то биения можно и услышать.
Создайте пилообразный чирп, меняющийся от 2500 до 3000 Гц,
и на его основе сгенерируйте сигнал длительностью 1 с и частотой
кадров 20 кГц. Нарисуйте, каким примерно будет Spe ct rum. Затем
распечатайте Spect rum и посмотрите, правы ли вы.
В музыкальной терминологии глиссандо это нота, меняющаяся от
-
одной высоты до другой, то есть своеобразный чирп.

Найдите или запишите звук глиссандо и распечатайте спектро
грамму первых нескольких секунд. Для справки: •Rhapsody in Blue�
Джорджа Гершвина начинается с известного глиссандо на кларнете,
и ее можно скачать с http : / / a rchive . org/de ta i l s / rhapЫue 1 1 92 4 .
Тромбонист играет глиссандо, непрерывно дуя в мундштук и дви
гая кулису тромбона. При этом общая длина трубы меняется, а игра
емая нота обратно пропорциональна этой длине.
Упражнени•
Если предположить, что музыкант двигает кулису с постоянной

скоростью, как будет меняться во времени частота?
Напишите класс, называемый T romЬoneG l i s s , расширяющий
Chirp и предоставляющий eva luate. Создайте сигнал, имитирую
щий глиссандо на тромбоне от СЗ до FЗ, и обратно до СЗ. СЗ - 262 Гц;
FЗ - 349 Гц.
Напечатайте спектрограмму полученного сигнала. На что похоже
глиссандо на тромбоне - на линейный или же экспоненциальный
чирп?
Сделайте или найдите запись серии гласных звуков и посмотрите
на спектрограмму. Сможете ли вы различить разные гласные?
- - - - ·· · ��
r11ава 4.
Шум
В английском языке шум означает нежелательные или неприятные

звуки. (А в русском - еще и повод к выпивке! 1 ! Прим. ред.) В контек
-
сте же обработки сигналов это слово используется в двух значениях:

1 . Как и в бытовом употреблении, слово «шум• может означать
нежелательный сигнал любого рода. Если два сигнала мешают
друг другу, то один из них относительно другого рассматрива
ется как шум.
2. Ш ум - это также сигнал, содержащий компоненты с самыми
разными частотами, но не имеющий гармонической структу
ры периодических сигналов, рассмотренных . в предыдущих
главах.
В настоящей главе будет рассматриваться именно второй вариант.
chap0 4 . ipynb (см. раздел «Работа с кодом• на стр. 9). Также можно
просмотреть код на веб-странице http : / / t i n yurl . com/ thinkdsp 0 4 .
Не ко ррели ров анный шу м

Разберемся с шумом самым простым способом - сгенерируем его.
Для начала попробуем некоррелированны й равномерный шум ( U ncor
related Uniform Noise, UU-шум). « Равномерный• означает, что сигнал
содержит случайные значения из равномерного распределения, то
есть в заданных пределах каждое значение равновероятно. «Некорре
лированный• означает, что значения независимые, то есть из одного
значения нельзя получить сведения о других.
Вот класс, дающий U U-шум:
c l a s s Uncorre l a tedUn i fo rmNo i s e ( _No i s e ) :
de f eva l uate ( se l f , t s ) :
ys = np . random . un i form ( - se l f . amp , se l f . amp , len ( t s ) )
return ys
Н екоррелиро 1анн w й wум lllll••llfl
Uncorre latedUn i formNoi s e наследует _Noise, наследующий
signal.
Как обычно, для оценки сигнала функция evaluate берет время
из ts. Она использует np . random . uniform, создающий значения из
равномерного распределения. В этом примере значения находятся
в диапазоне между -amp и amp.
Следующий пример генерирует UU-шум с длительностью 0,5 се
кунды на скорости 1 1 025 выборок в секунду:
s i gnal = thinkdsp . Uncorre l atedUn i fo rmNo i s e ( )
wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 5 , f ramerate= 1 1 0 2 5 )
При прослушивании этот сигнал звучит как шум, слышимый при

перестройке радио между станциями. На рис. 4. 1 показано, как вы
глядит сигнал. Он действительно кажется случайным.
1 .0
0.5
о.о
-0.5
Время (с)
- 1.0 � � __._ _,
О . 0 0---- ____�
0 . 02 4 ___0 .О б____
.О- о .'-
ов___ О . 1 0
0
Рис. 4. 1 . С игнал некоррелированного равномерного шума
Рассмотрим его спектр:

Spect rum = wave . ma ke_Spe ct rum ( )
Spect rum . p l ot_powe r ( )
Spectrum . plot_power похож на Spectrum . plot, с тем отличием,

что он выводит мощность, а не амплитуду. Мощность - это квадрат
амплитуды. В этой главе вместо амплитуды используется мощность,
поскольку в работе с шумами так правильнее.
На рис. 4.2 показаны результаты. Как и сам сигнал, спектр выгля
дит случайным. Он и в самом деле случайный, но, употребляя этот
Глава .4 . Ш ум
термин, следует быть точным. О шумовом сигнале или о его спектре

необходимо знать как минимум три вещи:
1. Распределение.
Распределение случайного сигнала - это набор возможных зна
чений и их вероятностей. Например, в равномерном шумовом
сигнале набор значений лежит в диапазоне от - 1 до 1, причем
любые значения равновероятны. Альтернатива - гауссов шум
с возможными значениями в диапазоне от минус до плюс бес
конечности, но наиболее вероятны значения около О, и вероят
ность спадает по гауссовой, или •колоколообразной•, кривой.
2. Корреляция.
Зависит ли одно значение сигнала от прочих или не зависит?
В U U-шуме значения независимы. Альтернатива - броунов
ский шум, в нем каждое его новое значение есть сумма преды
дущего и случайного шага. Так, если значение сигнала в некий
момент времени велико, то следующее будет большим, а если
мало, то будет малым.
3. Связь между мощностью и частотой.
В спектре UU-шума мощность на всех частотах распределена
одинаково; то есть средняя мощность одинакова на всех часто
тах. Альтернатива - розовый шум, его мощность обратно про
порциональна частоте; то есть мощность на частоте f получает
ся из распределения, среднее которого пропорционально 1//
16000
14000
12000 -
1 0000
"
1-
u
о
"' 8 000
:r
о
:о:
4000
2000
1000 2000 3000 4000 5000

Рис. 4. 2 . С пектр мощности некоррелированного
равномерного шума
И нте rрап"н ы й с пектр 11111••"
Интегральный спектр
У UU-шума связь между мощностью и частотой видна четче, если
смотреть на интегральный спектр. Это функция от частоты /, и она
показывает полную мощность в спектре вплоть до /.
Spectrum предоставляет метод, вычисляющий IntegratedSpectrum:
de f ma ke_i ntegrated_spect rum ( se l f ) :
cs = np . cumsum ( se l f . powe r )
cs / = cs ( - 1 )
return I n tegratedSpect rum ( c s , s e l f . f s )
sel f . power это NumРу-массив, содержащий мощность на каж

-
дой частоте. np . cumsum вычисляет полную сумму всех мощностей.

Деление на последний элемент нормализует интегральный спектр
так, что он лежит в пределах от О до 1 .
Результатом будет IntegratedSpect rum. Вот определение класса:
c l a s s I n tegra tedSpe c t rum ( obj ec t ) :
de f �init� ( s e l f , c s , f s ) :
se l f . c s cs
se l f . f s = f s
Как и Spectrum, IntegratedSpect rum дает plot_power, так что

можно вычислить и напечатать интегральный спектр следующим об
разом:
t:;
:s:
0.8
о
:i:
3'
о
>:
�
>:<
0.б
с;
о
с:
а
"
: 0.4
"'
:i:
�
с:
о
3 0.2
1000 2000 3000 4000 5000

Рис. 4.3. И нтегральный спе ктр некоррелированного
равномерного шума
"•••••• 1 Гnава 4 . Ш ум
integ = spect rum . ma ke_i ntegrated_spect rum ( )

integ.p l o t_power ( )
Результат на рис. 4.3 прямая линия, указывающая на то, что

-
мощность на всех частотах в среднем неизменна. Ш ум с одинаковой

мощностью на всех частотах называется белым шумом, по аналогии
со светом, поскольку смесь света всех видимых (частот) цветов дает
белый свет.
Броуновский шу м
UU-шум не коррелирован, то есть каждое его значение не зависит от
остальных. Ал ьтернатива броуновский шум, в котором каждое зна
-
чение есть сумма предыдущего значения и некоего случайного шага.

Он называется броуновским по аналогии с броуновским движени
ем, в котором движение частиц взвеси в жидкости кажется случай
ным из-за невидимого взаимодействия с жидкостью. Броуновское
движение часто описывается с помощью случайного блуждания ма -
тематической модели пути, на котором расстояние между шагами

описывается случайным распределением.
В одномерном случайном блуждании частица движется вверх или
вниз на случайное расстояние на каждом этапе. Расположение части
цы в любой момент времени определено суммой всех предыдущих
шагов.
Очевиден способ создания броуновского шума: генерировать не
коррелированные случайные шаги, а затем суммировать их. Вот опре
деление класса, реализующего такой алгоритм:
c l a s s Brown i a nNo i s e (_No i s e ) :
de f evaluate ( s e l f , t s ) :
dys = np . random . un i form ( - 1 , 1 , l e n ( t s ) )
ys = np . cumsum ( dys )
ys = norma l i z e ( unbi a s ( ys ) , se l f . amp )
return ys
eva luate использует np . random . uni form для генерации некорре

лированного сигнала и np.cumsum для вычисления полной суммы.
Поскольку сумма может выйти за пределы интервала от - 1 до 1 , на
до использовать unЬias для сдвига среднего значения в О и normal
i z e для получения желаемой максимальной амплитуды.
Вот код, который создает объект BrownianNoise и печатает сиrнал:
s i gnal = t h i n kdsp . Brown ianNo i s e ( )
Броуноаски й wум 11111••В1
wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 5 , f ramerate= l l 0 2 5 )
wave . p lot ( )
На рис. 4.4 показан результат. Сигнал блуждает вверх и вниз, но

видна четкая взаимосвязь между соседними значениями. Большая
амплитуда, как правило, остается большой, и наоборот.
Вре мя (с)
Рис. 4 . 4 . С игнал б роуновского шума
Если спектр броуновского шума вывести в линейном масштабе,

как показано на рис. 4.5 (слева), он выглядит необычно. Почти вся
мощность сосредоточена на низких частотах; компоненты на высоких
частотах почти не видны.
Вид спектра можно увидеть более четко, если вывести мощность
и частоту в двойном логарифмическом масштабе. Вот код:
spect rum . pl ot_powe r ( l i newidth= l , a l pha=0 . 5 )
thinkplot . config ( x s ca l e = ' l og ' , y s c a l e = ' l og ' )
Результат показан на рис. 4.5 (справа). Взаимосвязь между мощ

ностью и частотой размытая, но строго линейная.
Spect rum поддерживает e s t imate_s l ope, использующую SciPy
для вычисления среднего спектра мощности методом наименьших
квадратов:
t c l a s s Spect rum
de f e s t imate_s l ope ( se l f ) :
х = np . l og ( se l f . f s [ l : J )
"•••••• 1 Гnава 4. Шум
у = np . log ( s e l f . power [ l : ] )
t = s c ipy . s t a t s . l i nregre s s ( x , y )
return t
900000 г---�-�-�---�-. 1 06 -
1yi�
800000 1 05
10 •
�r�i 1I1·1
700000
600000 10 3
�
.а
500000 10 2 -
3"
о
:i;; 400000 101
300000 10 °
2 00000 10 · 1
100000 1 0- 2
0
о 1000 2000 3000 4000 5000 � о ·Э 10 1 102
Рис. 4. 5 . С пектр б роуновского шума в линейном ( слева)
и в дво йном л огари ф мическом масштабе ( справа)
Первый компонент спектра отбрасывается, поскольку он соответ

ствует f - О, а log О не определен.
est imate_s l ope возвращает результат из scipy . stats . l inre
gre s s объекта, содержащего оценки уклона и перехода через ноль,
коэффициент определенности (R2 ), величину р и стандартное откло
-
нение. Пока достаточно уклона.

Для броуновского шума уклон спектра мощности равен -2 (в гла
ве 9 показано, почему), так что можно записать соотношение:
log P - k - 2 log/
где Р мощность, / частота, а k
- - - постоянная, которая сейчас не
важна. Потенцируем обе части:
Р = К / /2
где К это е", но и это сейчас не важно. Важно то, что мощность пропор
циональна 1 //2, характерное свойство броуновского шума.
-
Броуновский шум называют также красным шумом по той же при

чине, по которой белый шум называют •белым•. Если собрать види
мый свет из составляющих с мощностью, пропорциональной 1 //2,
большая часть мощности окажется в низкочастотной области спек-
Роэоаw й wум 1111• ••1:И1
тра, то есть в красной. Кроме того, броуновский шум именуют и ко
ричневым шумом, но, видимо, в шутку, так что в дальнейшем мы не
будем использовать это название.
Розо вый шу м
У красного шума взаимосвязь между частотой и мощностью выража
ется следующей формулой:
Р = К / /2
В степени 2 нет ничего особенного. В общем случае можно синте
зировать шум с любой степенью, {3:
Р - К //1'
При f3 = О мощность неизменна на всех частотах, и в результате бу
дет белый шум. При f3 - 2 мы имеем красный шум.
Если f3 находится в пределах от О до 2, то результат будет между
белым и красным шумом - он называется розовым шумом.
Есть несколько способов получения розового шума. Проще всего
генерировать бе,лый шум и пропускать его через фильтр НЧ со ска
том, соответствующим нужной степени {3. thinkdsp дает класс, пре
доставляющий сигнал вида •розовый шум•:
c l a s s P i n kNo i s e (_No i s e ) :
de f �i n i t� ( s e l f , amp= l . O , beta=l . 0 ) :
se l f . amp = amp
se l f . beta = Ьеtа
amp нужная амплитуда сигнала. beta - нужный показатель степе

-
ни. PinkNoise дает make_wave, генерирующий wave:

de f make_wave ( se l f , du r a t i on = l , s t a r t = O , f ramerate= l l 0 2 5 ) :
s ignal = Uncorre l at edUn i fo rmNo i s e ( )
wave = s ignal . ma ke_wave ( du r a t i o n , s t a r t , f rarnerate )
spect rum . p i n k_fil t e r (beta-sel f . beta )
wave 2 = spect rum . ma ke_wave ( )

wave 2 . unb i a s ( )
wave 2 . norma l i z e ( s e l f . amp )
return wave2
duration длительность сигнала в секундах. start - время на

-
чала сигнала; оно нужно для того, чтобы у ma ke_wave был единый
" •• •••• 1 Гnава .4 . Шум
интерфейс для всех типов сигнала, хотя для случайного шума время
начала не имеет значения. frame rate - количество выборок в се
кунду.
make_ wave создает сигнал белого шума, вычисляет его спектр, при
меняет фильтр с нужной степенью и преобразует отфильтрованный
спектр обратно в сигнал. Затем убирается постоянная составляющая
и нормализуется амплитуда.
Spect rum предоставляет pink_fil ter:
de f p i n k_fil ter ( s e l f , beta=l . 0 ) :
denom = s e l f . f s • • ( beta / 2 . 0 )
denom [ O J = 1
s e l f . h s /= denom
pink_fil ter делит каждый элемент спектра на//J12• Поскольку мощ

ность - это квадрат амплитуды, данная операция делит мощность
каждого компонента нар. Компонент с f = О обрабатывается особо -
исключается деление на О, но этот элемент также и постоянная со
ставляющая сигнала и в любом случае устанавливается в О.
На рис. 4.6 показан результат. Как и броуновский шум, сигнал
блуждает вверх и вниз, причем заметна корреляци� между соседни
мими значениями, но выглядит он •более случайным•. В следующей
главе мы еще раз к этому вернемся для уточнения понятий •корреля
ция• и •более случайный•.
1.0
0.5
о.о
-0.5
0.04 О.Об
Время (с)
Рис. 4. 6. С игнал розового шума с р = 1
Гауссов wум 11111 ••"
Наконец, на рис. 4.7 спектры белого, розового и красного шума по
казаны на общей двойной логарифмической шкале. На этом рисун
ке очевидна взаимосвязь между показателем степени /З и наклоном
спектра.
10'
бел ы й
104
10'
10 2
.о
�
>-
3-
о
10 1
�
10°
10 "
10- 2
i o- ' ° 1
10 10 10 2
Частота (Гц) '

Рис. 4. 7 . С пе ктры белого, розового и красного шума
на двойной логарифмической шкале
Гаусс ов шум
Выше уже был рассмотрен некоррелированный равномерный шум;
мы отметили, что его спектр имеет одинаковую среднюю мощность
на всех частотах, то есть это белый шум.
Но, когда речь идет о белом шуме, не всегда имеется в виду UU
шум. Часто в таких случаях подразумевают некоррелированный гаус
сов шум (UG).
thinkdsp поддерживает реализацию UG-шума:
c l a s s Unco rrelatedGau s s i anNoi s e (_No i s e ) :
de f evaluate ( se l f , t s ) :
ys = np . random . no rma l ( O , s e l f . amp , l en ( t s ) )
return ys
np . random . normal возвращает NumРу-массив значений с гауссо

вым распределением, в данном случае с нулевым средним и стандарт
ным отклонением s e l f . amp. В теории диапазон значений лежит от
" •••••• 1 Гло10 4 . Ш ум
минус до плюс бесконечности, но здесь около 99% значений находят

ся в пределах -3 ". +3.
UG-шум многим похож на UU-шум. У спектра одинаковая сред
няя мощность на всех частотах, поэтому UG-шум также белый. Но
есть интересное свойство: спектр UG-шума - также UG-шум. Точнее,
действительные и мнимые части спектра - некоррелированные гаус
совы значения.
Проверим это утверждение: сгенерируем спектр UG-шума, а затем
•кривую нормального распределения вероятности• и проверим гра
фически, будет ли распределение гауссовым:
s i gnal = t h i n kdsp . Unco r r e l a tedGau s s ianNo i s e ( )
wave = s i gnal . ma ke_wave ( du r a t i o n = 0 . 5 , f ramerate= 1 1 0 2 5 )
spect rum = wave . make_spe c t rum ( )
t h i n k s t a t s 2 . Norma l Probab i l i t y P l o t ( spect rum . real )

t h i n k s t a t s 2 . Norma l Probab i l i t yP l o t ( spect rum . imag )
Norma l ProbaЬ i l i tyPlot содержится в thinks tats2, входящей

в репозиторий этой книги. Подробнее о графиках нормального рапре
деления вероятностей можно прочитать в главе 5 книги Тhink Stats на
сайте http : / / thinkstats2 . с от.
На рис. 4.8 показаны результаты. Серыми линиями обозначена
усредненная линейная модель данных; а темными линиями - сами
данные.
200 200
100 100
"
<t
�
"'
" о
с:
"
<(
- 1 00 - 1 00
- 200 модел ь -200

-действ.
-4 -3 -2 -1 о 1 -4 -3 -2 -1 о 1
Выборка Выборка
Рис. 4. 8. График нормальной вероятности для действительной

и мнимой части спектра гауссова шума
Упражнени• 11111••&1
Прямая линия на графике нормальной вероятности показывает,
что данные взяты из гауссова распределения. За исключением не
которых случайных вариаций на краях эти линии прямые, то есть
спектр UG-шума - также UG-шум.
Спектр UU-шума в первом приближении - также UG-шум. В са
мом деле, согласно центральной предельной теореме, спектры боль
шинства из некоррелированных шумов будут примерно гауссовыми,
пока у распределения конечное среднее и стандартное отклонение, а
количество выборок велико.
Решения этих упражнений находятся в блокноте chap0 4 soln . ipynb.
На сайте Soft Murmur можно послушать множество природных ис
точников шума, включая дождь, волны, ветер, и др. На неб-странице
http : / / asoftmurmur . com/abou t / приведен перечень записей; боль
шинство из них хранится на http : / / freesound . org.
Скачайте некоторые из этих файлов и вычислите спектры каждого
сигнала. Похож ли их спектр мощности на белый, розовый или броу
новский шум? Как спектр меняется во времени?
В шумовом сигнале частотный состав меняется во времени. На
большом интервале мощность на всех частотах одинакова, а на ко
ротком мощность на каждой частоте случайна.
Для оценки долговременной средней мощности на каждой часто
те можно разорвать сигнал на сегменты, вычислить спектр мощно
сти для каждого сегмента, а затем найти среднее по сегментам. Об
этом алгоритме можно прочитать подробнее на странице ht tp : / /
en . wikipedia . org/wiki /Bart lett ' s_method (на англ. яз.).
Реализуйте метод Бартлетта и используйте его для оценки спектра
мощности шумового сигнала. Подсказка: посмотрите на реализацию
make_spect rogram.
На веб-странице httр : / / www . coindes k . com/price можно скачать
в виде СSV-файла исторические данные о ежедневной цене BitCoin.
Откройте этот файл и вычислите спектр цен BitCoin как функцию
времени. Похоже ли это на белый, розовый или броуновский шум?
Глава .4 . Ш ум
Упражнение 4 .4
Счетчик Гейгера - прибор для обнаружения радиации. Когда иони
зирующие частицы попадают в детектор, на его выходе появляются
импульсы тока. Общий выход в определенный момент времени мож
но смоделировать некоррелированным пуассоновым шумом (UP),
где каждая выборка есть случайное число из распределения Пуассо
на, соответствующее количеству частиц, обнаруженных за интервал
измерения.
Напишите класс, называемый UncorrelatedPo i s sonNo i s e , насле
дующий thinkdsp . _Noi se и предоставляющий evaluate. Следует
использовать Np . random . p o i s s o n для генерации случайных вели
чин из распределения Пуассона. Параметр этой функции lam это -
среднее число частиц за время каждого интервала. Можно использо

вать атрибут amp для определения l am. Например, при частоте кадров
1 0 кГц и amp 0,00 1 получится около 1 0 •щелчков• в секунду.
Сгенерируйте пару секунд UP и прослушайте. Для малых значений
amp, например 0,00 1 , звук будет как у счетчика Гейгера. При больших
значениях он будет похож на белый шум. Вычислите и напечатайте
спектр мощности и посмотрите, так ли это.
ие 4.5
ражнен
Впэтой
У главе алгоритм для генерации розового шума концептуаль
но простой, но затратный. Существуют более эффектнвные вариан
ты, например алгоритм Voss-McCartney. Изучите этот способ, реали
зуйте его, вычислите спектр результата и убедитесь, что соотношение
между мощностью и частотой соответствующее.
1•••"___
r11ава 5.
А вто ко рре11•qи•
В предыдущей главе белый шум охарактеризован как •некоррелиро

ванн ый• в предположен ии, что каждое з н ачен ие не зависит от других,
а броуновский шум - как •коррелированный•, поскольку каждое но
вое значение зависит от предыдущего. В этой главе мы определим эти
термины точнее и рассмотрим автокорреляционную функцию - по
лез нейший инструме нт для анализа сигналов.
chap O S . ipynb (см. раздел •Работа с кодом� на стр. 9). Также код мож
но просмотреть на веб-стран ице http : / / t i n yu rl . com/thinkdsp O S .
КорреляЦия
Обыч но корреляция между переменн ыми оз н ачает, что в каждой из
вестной величине есть некоторая информация о другой. Из несколь
ких способов оценки корреляции наиболее известен коэффициент
корреляции Пирсон а - произведе н ие моментов, обыч но обоз начае
мое р. Для двух переменных х и у, содержащих каждая N значений:
р = :Е; (х; - µ) (у; - µУ ) / Napg '

где µ" и µ11 - средн ие от х и у, а а" и ag - их стандартн ые отклон е н ия.
Корреляция Пирсона определена в интервале от - 1 до + 1 (вклю
чительно). Если р положительно, то корреляция положительная, то
есть если одна переменная велика, то и другая тоже велика. Если р от
рицательное, то корреляция отрицательная, - если одна переменная
велика, то другая мала.
Значение р показывает силу корреляции. Если р равно + 1 или - 1 ,
переменные идеально коррелируют, то есть если известна одна, то
можно точно предсказать другую. Если р близко к нулю, корреляция,
вероятно, слабая, так что при одн ом известн ом мало что можн о ска
зать о другом.
Гnааа 5. Аатокорреn1щи11
Принято говорить •вероятно, слабая • из-за возможных (вероят

ных) нелинейных соотношений, не учитываемых коэффициентом
корреляции. Нелинейные соотношения играют важную роль в стати
стике, а в обработке сигналов они редки и далее не рассматриваются.
В Python есть несколько способов вычисления корреляции.
np . corrcoef принимает любое число переменных и вычисляет мат
рицу корреляции, включающую корреляции между каждой парой
переменных.
Вот пример для двух переменных. Во-первых, определим функ
цию, строящую синусоидальные сигналы с разными фазами:
de f ma ke_s ine ( o f f s e t ) :
s i gnal = t h i n kdsp . S i n S ignal ( freq= 4 4 0 , o f f s e t=o f f s e t )
wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 5 , f ramerate= l 0 0 0 0 )
return wave
Затем создадим два сигнала с разными начальными фазами:

wave l = make_s i ne ( o f f s e t= O )
wave 2 = ma ke_s ine ( o f f s e t= l )
На рис. 5. 1 показаны несколько периодов этих сигналов. Когда

один сигнал велик, другой тоже достаточно велик, поэтому ожидаемо,
что они коррелированы:
>>> corr_шatrix = np . corrcoef (wavel . ys , wave2 . ys , ddof=O )
[ [ 1. о . 54 1
[ о . 54 1. 1 1
0. 5 .
о.о
-0. 5 .
- 1.0 ��
О . ООО 0.002 0.004 0.006 0.008 0.010
Время (с)
Рис. 5. 1. Для двух синусо идальных сигналов, отлича ющихся
п о фазе на 1 радиан, коэффициент корреляции - 0 , 54
Корреп1щи1 1111• ••111
Параметр ddo f О означает, что corrcoef следует делить на N, как
=
в уравнении выше, а не на N - 1, как было бы по умолчанию.

Результат - матрица корреляции. Первый элемент - это корреля
ция wave l с самим собой (всегда 1 ). Аналогично последний элемент
это корреляция wave2 с самим собой.
Элементы вне диагонали содержат искомые значения - корреля
цию wave l и wave2. Значение 0,54 указывает, что сила корреляции
умеренная.
С ростом разности фаз корреляция уменьшается вплоть до раз
ности фаз 180 градусов, когда сигналы противофазны, а корреляция
равна - 1 . Затем она вновь увеличивается до тех пор, пока разность
фаз не достигнет 360 градусов. В этот момент замыкается полный
круг и корреляция становится + 1 .
На рис. 5.2 показана связь между корреляцией и разностью фаз
синусоидальных сигналов. Форма этой кривой давно известна - это
косинус.
0.5
"
"'
�
"
" о.о
а.
а.
о
"'
-0.5
Сдв иг (радианы)
Рис. 5 .2 . Корреляция двух синусоидальных сигнал ов
в зависимости от разности фаз между ними. Это косинус
thinkdsp предоставляет простой интерфейс для вычисления кор

реляции между сигналами:
>>> vavel . corr (vave2 )
0 , 54
l'D•• ••111 Гnааа 5. Аатокорреn11 ци11
Последовательная корреля ция

Сигналы - это чаще всего измерения изменяющихся во времени ве
личин. Например, изученные ранее звуковые сигналы - это измере
ния напряжения (или тока), соответствующие изменениям давления
воздуха, воспринимаемым как звук.
Такие измерения почти всегда имеют последовательную корре
ляцию, или корреляцию между любым элементом и следующим за
ним (или предыдущим). Для расчета последовательной корреляции
сигнал можно сдвинуть и вычислить корреляцию сдвинутой версии
с оригиналом:
de f s e r i a l_co r r ( wave , lag=l ) :
n = len ( wave )
yl = wave . ys [ l ag : ]
у2 = wave . ys [ : n - l a g ]
c o r r = np . corrcoe f ( y l , у2 , ddo f= O ) [ О , 1]
return c o r r
serial_corr берет объект wave и целое число lag, задающее на

чальную фазу сигнала, а затем вычисляет корреляцию сигнала с его
сдвинутой копией.
Проверим эту функцию на шумовых сигналах из предыдущей гла
вы. Поскольку UU-шум некоррелированный просто по способу его
создания (даже без учета названия), то
s i gnal = t h i n kdsp . UncorrelatedGau s s i anNo i s e ( )
wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 5 , frame rate= 1 1 0 2 5 )
s e r i a l_co r r ( wave )
Результат этого примера - 0,006, указывающий на очень малую

последовательную корреляцию. При выполнении теста могут полу
читься и другие значения, но они должны быть сравнимо малыми.
В сигнале броуновского шума каждое новое значение есть сумма
предыдущего и случайного шага, поэтому ожидаема сильная после
довательная корреляция:
s i gnal = t h i n kdsp . Brown ianNoi s e ( )
wave = s i gnal . ma ke wave ( du r a t i on=0 . 5 , f ramerate= l l 0 2 5 )
-
И точно, полученный автором результат больше 0,999.

Так как розовый шум есть нечто среднее между броуновским шу-
мом и UU-шумом, можно ожидать и среднюю корреляцию:
s i gnal = t h i n kdsp . P i n kNo i s e ( be t a= l )
wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 5 , f ramerate= l l 0 2 5 )
А1токорреn1цн1
С параметром f3 = 1 последовательная корреляция у автора полу

чилась 0,85 1 . При изменении параметра от f3 = О для U U-шума до {З - 2
для броуновского последовательная корреляция меняется от О почти
до 1, что и показано на рис. 5.3.
0.8
"'
"'
::r
"'
<::
�о О . б
"'
"'
"'
:i:
�
.о
0.4
�
g,"
§ 0.2
с
0.5 1.0 1.5 2.0

Парам ет р роз о в ого ш у ма , (3
Рис. 5. 3 . П оследовательная корреляция для розового шума
в зависимости от параметра
Авто корреляция
В предыдущем разделе корреляция вычислялась между каждым зна
чением и следующим за ним , поэтому элементы массива сдвигали
на 1. Но последовательную корреляцию леrко вычислить и для иных
интервалов.
serial_corr можно рассматривать как функцию, сопоставляю
щую значение lag соответствующей корреляции, и ее можно оценить,
перебирая значения lag в цикле:
de f autoco r r ( wave ) :
lags = range ( l en ( wave . ys ) / / 2 )
corrs = [ s e r i a l_co r r ( wave , l a g ) f o r lag i n lags ]
return lags , corrs
autocorr берет объект wave и возвращает автокорреляционную

функцию как пару последовательностей: l ags - это последователь
ность целых чисел от О до половины длины сигнала; corrs - это зна
чения последовательной корреляции для всех l ag.
Гnава 5. А1токорреn1щи11
На рис. 5.4 показаны автокорреляционные функции для розово

го шума с тремя значениями р. Для малых значений f3 сигнал менее
коррелирован и автокорреляционная функция быстро спадает до ну
ля. Для больших значений последовательная корреляция сильнее и
спадает медленнее. При f3 1 ,7 последовательная корреляция сильна
-
даже для больших lag. Это явление называется зависимост ью даль

него действия; оно указывает, что значение сигнала зависит от многих
предыдущих значений.
1.0
{j = 1.7
{j = 1.0
{j = 0.3
0.8
�
"'
0.6
"'
с;
8.
а.
� 0.4
0.2
800 1000
Lag
Рис. 5 .4. Автокорреляционные функции дл я розового шума
с набором параметров
Автоко рреля ция пе риодических

си г налов
У автокорреляции розового шума интересные математические свой
ства, но пользы от них мало. Автокорреляция периодических сигна
лов полезнее.
Так, на сайте https : / / free s ound . o rg есть запись вокального ис
полнения чирпов; файл включен в репозиторий этой книги ( ht tps : / /
gi thub . com/A l l e n Downe y / T h i n kDS P / Ы oЬ /ma s t e r / code / 2 8 0 4 2_
bcj ordan voi cedownbew . wav ) . Запись можно прослушать в блок
_
ноте J upyteг для этой главы ( chapO 5 . ipynb ) .

На рис. 5.5 показана спектрограмма этого сигнала. Основная часто
та и некоторые из гармоник видны четко. Чирп начинается в районе
500 Гц и спадает примерно до 300 Гц или, грубо, от CS до Е4.
Аатокоррепа циа периодических сиrнапов
4000
3500
3000
� 2 500
:о
� 2000 .
:;J
:r
1 500
1000
500 ......
i.o 0.2 0.4
Время (с)
0.6 о.в 1.0 1.2 1.4
Рис. 5 . 5 . С пектрограмма вокального чирпа
Оценить высоту тона в конкретный момент времени можно по

спектру, но это не очень интересно. Разберемся, взяв короткий сег
мент сиrnала и напечатав его спектр:
du ration = 0 . 0 1
segment = wave . s egmen t ( s ta r t = 0 . 2 , du r a t i on=dura t i o n )
spect rum = segment . make_spect rum ( )
spectrum . p l o t ( h igh= l O O O )
Этот сегмент начинается с 0,2 секунды и длится 0,0 1 секунды. На

рис. 5.6 показан его спектр. Е сть четкий пик около 400 Гц, но точно
определить высоту тона трудно. Длина сегмента - 44 1 выборка, а час
тота кадров 44 100 Гц, поэтому разрешение по частоте - 1 00 Гц (см.
-
раздел сПредел Габора•, стр. 40). Значит, ошибка в высоте тона может
быть до 50 Гц; в музыкальных терминах диапазон от 350 Гц до 450 Гц
составит 5 полутонов, а это большая разница!
Большее разрешение по частоте получим, взяв сегмент подлиннее,
но, поскольку высота тона меняется во времени, получится еще и
сразмытие•; то есть пик •размажется• между начальной и конечной
высотой тона в сегменте, как уже было показано в разделе сСпектр
чирпа• на стр. 38.
Оценим высоту тона точнее, применив автокорреляцию. Если
сигнал периодический, то пик автокорреляции придется на момент,
когда lag равен периоду.
" •• •••• 1 Гnа1а 5. А1токорреn1щн•
40
20
10
100 200 300 400 500 600 700 800 900
Рис. 5 .6. С пектр сегмента вокального чирnа
Рассмотрим, как это работает, напечатав два сегмента одной и той

же записи:
de f p l o t_shi fted ( wave , o f f s e t = 0 . 0 0 1 , s t a r t = 0 . 2 ) :
t h i n kp l ot . preplot ( 2 )
segment l = wave . segmen t ( s ta r t = s t a r t , du rat ion=0 . 0 1 )
segmen t l . pl o t ( l inewi dth=2 , a l pha=0 . 8 )
segme n t 2 = wave . segmen t ( s t a r t = s t a r t - o f f s e t , du ration=0 . 0 1 )

segme n t 2 . sh i f t ( o f f s e t )
segment 2 . p lot ( l i newidth= 2 , alpha=0 . 4 )
corr = segme nt l . co r r ( segmen t 2 )

text = r ' $ \ rho =$ % . 2 g ' % corr
t h i n kp l o t . text ( segment l . s t a r t + 0 . 0 0 0 5 , - 0 . 8 , text )
t h i n kp l o t . config ( x l abe l = ' T ime ( s ) ' )
Один сегмент начинается с 0,2 секунды, другой на 0,0023 се -
кунды позже. На рис. 5.7 показан результат. Сегменты похожи, и их

корреляция 0,99. Из этого результата следует, что период составляет
около 0,0023 секунд, а частота, соответственно, 435 Гц. -
В этом примере период подобран методом проб и ошибок. Процесс

подбора можно автоматизировать, используя автокорреляционную
функцию:
l ags ,· corrs = autocorr ( s egment )
t h i n kp l o t . p l o t ( l ags , c o r r s )
Аатокорреn•ци• периодических си rиаnоа 1111•••В1
1. 0
0.
5
о.о
0
- .5
р= 0.99
-1.0 ..,. -'
___о_2.._
о . 2 оо . 0_ 2 ____
0 . .. ._ 4___
2 0_ 0 .�0 б___
2_ . 2_
ов
о.,,. ---о. 2 10
Время (с)
Рис. 5. 7.Два сегмента чирпа: один начинается
на 0,0023 секунды позже другого
На рис. 5.8 показана автокорреляционная функция сегмента начи

ная с t - 0,2 с. Первый пик появился при lag - 1 0 1 . Вычислим соот
ветствующую этому периоду частоту:
period = lag / s egment . f ramerate
frequency = 1 / period
1 .0
0 .5
"'
"
з
"'
" о .о
"'
а.
а.
о
::.::
0
- .5
-1. О
о�----
5...,_
0 ____ .._
10 0____ 5 0____
1.._ 2..._
оо___,
Lag lи ндек с)
Рис. 5.8. Автокорреляционная функция для сегмента из чирпа
Глава 5. Автокоррелsщия
Искомая основная частота - 437 Гц. Для оценки точности под

бора можно запустить тот же расчет с lag - 1 00 и 1 02, соответству
ющими частотам 432 Гц и 44 1 Гц. Разрешение по частоте у способа
с автокорреляцией менее 1 О Гц, а у спектрального - 1 00 Гц. В му
зыкальных терминах ожидаемая ошибка - около 30 центов (треть
полутона).
Ко рр еля ция как скал я р ное

п р о изведение
В начале главы дано определение коэффициента корреляции Пир
сона:
р = Li (xi - µ) (yi - µУ ) / NupY

Это р уже использовалось для определения и последовательной,
и автокорреляции. Так эти термины используются в статистике, а в
смысле обработки сигналов определения немного иные.
В обработке сигналов обычно обрабатываются сщналы без смеще
ния (постоянной составляющей), их среднее равно О, и нормализо
ванные, со стандартным отклонением, равным 1 . В этом случае опре
деление р упрощается:
р = 1 /N L x y
i i i
Обычно упрощают еще больше:
r - Lixi yi
Это определение корреляции не «стандартизировано• , поэтому ero
интервал не всегда от - 1 до + 1 . Но у него другие полезные свойства.
Если рассматривать х и у как вектора, то это формула скалярного
пpoизвeдeния, x · y. Cм. http : / / en . wi kipedia . o rg/wi ki/ Dot_prod
uct (на англ. яз.)
Скалярное произведение указывает на степень похожести сигна
лов. Если они нормализованы, то их стандартные отклонения равны 1 :
x · y - cos (J
где (J - угол между векторами. И это объясняет, почему на рис. 5.2 -
косинус.
Исnоп�.эование NumPy 1111• •• &1
Использование N u m Py
NumPy дает функцию correlate, вычисляющую корреляцию двух
функций или автокорреляцию одной функции. Ее можно использо
вать для вычисления автокорреляции сегмента из предыдущего раз
дела:
corrs2 = np . correlate ( segment . ys , segmen t . ys , mode= ' s ame ' )
Опция mode указывает correlate, какой нужен интервал l ag. Со

значением ' same ' он будет от -N/2 до N/2, где N - длина массива
сигнала.
На рис. 5.9 показан результат. Он симметричен, потому что два сиг
нала идентичны, и отрицательный lag у одного дает такой же эффект,
как и положительный lag у другого. Для сравнения с результатами
autocorr можно выбрать вторую половину:
N = len ( co r r s 2 )
ha l f = c o r r s 2 ( N / / 2 : ]
30
20
Lag
Рис . 5 . 9 . Автокорреляционная функция, вычисленная с np . correlate
Если сравнить рис. 5.9 с рис. 5.8, то видно, что корреляции, вы
численные с помощью np . correlate, уменьшаются с ростом lag,
Гnава 5. Автокорреn1щнн
поскольку np . correlate использует нестандартное определение

корреляции; с ростом lag количество точек в месте наложения двух
сигналов становится все меньше, и величина корреляции умень
шается.
Это можно исправить, разделив результат на длины ( lengths ) :
lengths = range ( N , N / / 2 , -1)
ha l f / = lengths
И наконец, можно нормализовать результаты так, что корреляция

при lag = О будет равна 1 :
ha l f / = ha l f [ O J
С этими поправками результаты, рассчитанные autocorr и np .

correlate, станут почти одинаковыми. Они по-прежнему отли
чаются на 1 -2%. Причина не важна, но для полноты изложения:
autocorr стандартизирует корреляции независимо для каждого lag,
а np . correlate стандартизирует их все только в конце.
Итак, мы выяснили, что такое автокорреляция и как ее использо
вать для оценки основного периода сигнала, а также рассмотрели два
способа его вычислить.
Решения этих упражнений находятся в блокноте chap 0 5 soln . ipynb.
Блокнот Jupyter этой главы, chap 0 5 . ipynb, содержит приложение,
в котором можно вычислить автокорреляции для различных lag.
Оцените высоты тона вокального чирпа для нескольких времен на
чала сегмента.
Пример кода в chap0 5 . ipynb показывает, как использовать авто
корреляцию для оценки основной частоты периодического сигнала.
Инкапсулируйте этот код в функцию, названную e s t imate_funda
mental, и используйте ее для отслеживания высоты тона записанного
звука.
Проверьте, насколько хорошо она работает, накладывая оценки вы
соты тона на спектрограмму записи.
Уn ражнени11
11111 ••&1
Для упражнений в предыдущей главе были нужны исторические
цены BitCoins, и надо было оценить спектр мощности изменения цен.
Используя те же данные, вычислите автокорреляции цен в платеж
ной системе Bitcoin. Быстро ли спадает автокорреляционная функ
ция? Есть ли признаки периодичности процесса?
В репозитории этой книги есть блокнот jupyter под названием
saxophone . ipynb, в котором исследуются автокорреляция, воспри
ятие высоты тона и явление, называемое подавленная основная. Про
чтите этот блокнот и •погоняйте• примеры. Выберите другой сегмент
записи и вновь поработайте с примерами.
У Ви Харт (Vi Hart) есть отличное видео под названием •Так что же
там с шумами? (Наука и математика звука, частота и высота тона)•.
Она демонстрирует феномен подавленной основной и объясняет, как
воспринимается высота тона (по крайней мере, насколько об этом из
вестно). См. ht tps : / /www . youtube . com/watch ?v=i O DXxNeaQO .
----···
r11ава 6.
Д и ск ретно е ко с и нусн о е
n рео6раэова ние
Тема этой главы - дискретное косинусное преобразование (ДКП),

используемое в М РЗ и соответствующих форматах сжатия музыки,
в JPEG и подобных форматах изображений, в семействе форматов
MPEG для видео.
ДКП во многом похоже на дискретное преобразование Фурье
(ДПФ), использованное выше в спектральном анализе. Изучив рабо
ту ДКП, леrче разобраться в ДПФ.
Вот порядок изучения:
1. Задача синтеза: как построить сигнал из набора частотных
компонент и их амплитуд?
2. Задача синтеза по-новому: вариант с массивами NumPy. На
этом этапе растет скорость и дается представление о следую
щем шаге.
3. Задача анализа: расчет амплитуды каждой частотной компо
ненты, если заданы сигнал и набор частот. Первое решение
концептуально простое, но медленное.
4. Задача с линейной алгеброй: построение более эффективного
алгоритма с ее помощью. Все вопросы будут подробно разо
браны по мере изучения темы, а знание линейной алгебры
упростит и ускорит понимание предмета.
chapO 6 . ipynb (см. раздел « Работа с кодом» на стр. 9). Также код мож
но просмотреть на веб-странице http : / / t i nyurl . com/ thinkdsp0 6.
С интез
Пусть даны список амплитуд и список частот, и надо создать сигнал
в виде суммы этих частотных компонент. С объектами из модуля
С инте з с массивами 11111 ••&1
thinkdsp есть простой способ выполнения этой операции, называе
мой синтезом:
de f s ynthe s i z e l ( amps , f s , t s ) :
componen t s = [ th i n kdsp . Co s S ignal ( freq, amp )
for amp , f req in z ip ( amps , f s ) ]
s ignal = t h i n kdsp . SumS igna l ( * component s )
ys = s i gna l . eva luate ( t s )

return ys
Здесь amps - список амплитуд, f s - список частот, ts - последова

тельность моментов времени, в которых надо оценивать сигнал.
components - список объектов C o s S i gn a l , по одному для каждой
пары амплитуда-частота. SumS ignal - сумма этих частотных компо
нент.
И наконец, evaluate вычисляет значение сигнала в каждый мо
мент времени из t s . Протестируем эту функцию следующим образом:
amps = np . array ( [ 0 . 6 , 0 . 2 5 , 0 . 1, 0 . 05 ) )
fs = ( 1 0 0 , 2 0 0 , 3 0 0 , 4 0 0 )
t s = np . l i n space ( O , 1 , f ramerate )
ys = s ynthe s i a e l ( amps , f s , t s )
wave = thinkdsp . wave ( ys , f rame rate )
В данном примере создается сигнал, содержащий основную часто

ту 1 00 Гц и три гармоники ( 1 00 Гц - это G2 диез). Получается 1 се
кунда этого сигнала в виде 1 1 025 выборок, а результат помещается
в объект wave.
Концептуально синтез - это просто. Но в таком внде он не поможет
в анализе, то есть обратной задаче: как для данного сигнала опреде
лить частотные компоненты и их амплитуды?
Синтез с массивами
Вот еще один способ записи s ynthe s i ze:
de f s ynthes i z e2 ( amp s , f s , t s ) :
args = np . outer ( t s , f s )
М = np . cos ( P I 2 * args )
ys = np . dot ( M , amp s )
return ys
Эта функция очень необычна, но делает то же самое. Рассмотрим,

как она работает:
" ••• llli Глава 6. Дискретное косинусное преобразование
1. np.outer вычисляет тензорное произведение t s и fs. Результа

том будет массив строк для всех элементов ts и столбцов для
всех элементов fs. Каждый элемент массива есть произведе
ние частоты и времени, ft.
2. args умножается на 2л и берется cos, поэтому каждый эле
мент результата есть cos (2л /t). Поскольку ts работает вниз
по столбцам, в каждом столбце будут выборки, взятые с неко
торой скоростью из косинусоидального сигнала определенной
частоты.
3. np.dot поэлементно умножает каждую строку м на amps и скла
дывает произведения. В терминах линейной алгебры матрица
м умножается на вектор amps. В терминах обработки сигналов
вычисляется взвешенная сумма частотных компонент.
На рис. 6. 1 показана структура этих расчетов. Каждая строка ма
трицы м соответствует времени от 0,0 до 1 ,0 секунды; tn время п-й
[��s]
-
строки. Каждый столбец соответствует частотам от 1 00 до 400 Гц;

fk частота k-го столбца.
-
0.25
0. 1
0.05
л
Рис . 6. 1 . Си нтез с массивами
Разметим п-ю строку буквами от а до d; например, а - это

cos [2л ( 1 00) tJ
Результат скалярного произведения ys это вектор с одним
-
элементом на каждую строку м. п-й элемент, помеченный е, это -
сумма произведений:
е = О,ба + О,25Ь + О, 1 с + O,OSd
Аналогично и с другими элементами ys. Так, каждый элемент ys
есть сумма четырех частотных компонент в некий момент времени,
Анапиэ
умноженная на соответствующую амплитуду. А это именно то, что

нам нужно.
Используем код из предыдущего раздела и убедимся, что результа-
ты обеих версий s ynthe s i z e одинаковы:
ys l = s ynthe s i z e l ( amp s , fs, ts)
ys2 = s ynthe s i z e 2 ( amps , fs , t s )
max ( abs ( ys l - ys 2 ) )
Наибольшая разница между ys l и ys2 будет l e - 1 3, и то за счет

ошибки округления.
Вычисления по правилам линейной алгебры делают код быстрее и
компактнее. В линейной алгебре есть краткие обозначения для опера
ций с матрицами и векторами. Например, записать s ynthe s i ze мож
но так:
м = cos (2nt @ /)
у - Ма
где а - вектор амплитуд, t - вектор времен, f - вектор частот, а @ -
символ тензорного произведения двух векторов.
Анали з
Теперь решим задачу анализа. Пусть сигнал задан в виде суммы ко
синусов с неким набором частот. Как найти амплитуду каждой час
тотной компоненты? Иными словами, как, имея ys, ts и fs, восста
новить amps?
В терминах линейной алгебры первый шаг аналогичен синтезу: вы
числим М = cos (2nt @ /). Затем найдем а, при котором у - Ма; иначе -
решим линейную систему. В NumPy есть l i n a l g . s o l ve, делающая
именно это.
Вот как выглядит код:
de f ana l y z e l ( ys , f s , t s ) :
amps = np . l i n a l g . s o lve ( M , ys )
return amps
Первые две строки строят матрицу м, используя ts и fs. Затем

np . linalg . s o l ve вычисляет amp s .
Но здесь есть препона. Решить систему линейных уравнений мож
но, только если матрица квадратная - то есть если число уравнений
(строк) совпадает с числом неизвестных (столбцов).
--·• •1111 Глава 6 . Дискретное косинусное преобра зование
В этом примере только 4 частоты, а выборок из сигнала - 1 1 025.

Поэтому уравнений намного больше, чем неизвестных.
В общем, если в ys более 4 элементов, то при наличии всего 4 час
тот маловероятно, что такой ys можно проанализировать.
Но в данном случае известно, что значения ys фактически получены
как суммы всего 4 частотных компонент, поэтому для восстановления
amps можно использовать любые 4 значения из массива сигнала.
Для простоты используем первые 4 выборки. Взяв значения ys, fs
и t s из предыдущего раздела, запустим ana l yze l :
n = len ( f s )
amp s 2 = a n a l y z e l ( ys [ : n ] , fs , ts [ : n ] )
И, конечно, результат amp s 2 :

(0.6 0 . 25 0.1 0 . 05 ]
Этот алгоритм работает, но медленно. Решение системы линейных

уравнений требует времени пропорционально п3 , где п - число столб
цов в М. Попробуем улучшить ситуацию.
Ортогональные матрицы
Один из способов решения линейных систем - инверсия (обращение)
матрицы. Обратная квадратная матрица М записывается м- 1 , и у нее
есть свойство м- •м = 1. Здесь 1 - единичная матрица, у которой все
диагональные элементы - 1 , а остальные = О.
Таким образом, чтобы решить уравнение у = Ма, можно умножить
обе части на м- 1 • Это даст:
м- •у - м-•ма
Заменим в правой части м- •м на /:
м- •у = la
Но умножение 1 на вектор а дает а, поэтому:
м-•у = а
Значит, если эффективно вычислить м- 1 , то а найдется простым
умножением матриц (используя np . dot ) . Время работы будет про
порционально n2 , что лучше, чем n3 •
Инвертирование матриц вообще - операция медленная, но в не
которых особых случаях - быстрая. В частности, если М ортогонш�ь
ная, то матрица, обратная М, - просто транспонированная М, запи-
О ртоrон ап"н w е матр и цы 11111 ••&1
сываемая МГ. В NumPy транспонирование массива выполняется за
неизменное время. Элементы массива не перемещаются, но создается
•снимок•, изменяющий порядок доступа к элементам.
Опять же, матрица ортогональна, если ее транспонирование бу
дет вместе с тем и ее обращением, то есть МТ м- •. Значит, МТМ - -
], и проверить, ортогональна ли матрица, можно вычислением мrм.

Итак, посмотрим, как выглядит матрица в s ynthe s i z e 2 . В преды
дущем примере в М 1 1 025 строк, поэтому лучше работать с примером
поменьше:
de f tes t l ( ) :
amps = np . arra y ( [ 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 0 5 ] )
N = 4.0
t ime u n i t = 0 . 0 0 1
t s = np . a range ( N ) / N * t ime_u n i t
max_freq = N / t ime_u n i t / 2
fs = np . a range ( N ) / N * max_freq
ys = s ynthe s i z e 2 ( amps , fs, t s )
amps это тот же вектор амплитуд, что и выше. Раз есть четыре ча
-
стотных компоненты, то возьмем выборки сигнала в четырех точках

во времени. Соответственно, М будет квадратной.
ts вектор из равноотстоящих моментов времени в диапазоне от О
-
до 1 . Примем за единицу времени 1 миллисекунду. Это произвольный

выбор, и скоро мы увидим, что он никак не влияет на вычисления.
Поскольку частота кадров - N выборок в единицу времени, частота
Найквиста в этом примере - N / t ime_u n i t / 2 , или 2000 Гц. Так что
fs - вектор равноотстоящих частот от О до 2000 Гц.
С этими значениями ts и f s матрица М будет:
[ (1. 1. 1. 1. 1
(1. о . 707 о. -о . 707 ]
[1. о. -1 . -о . ]
(1. -о . 707 -о . о . 707 ] 1
Заметим, что 0,707 - это приближенно .../2/2, или cos 11/4. Отметим,
что эта матрица симметрична, и элемент (j,k) всегда равен элементу
(kj). Значит, М транспонируется сама в себя, то есть МТ М. -
Но, к сожалению, М не ортогональна. Вычислим МГМ и получим:

[ [ 4. 1. -о . 1.1
[ 1. 2. 1. -о . ]
( -0 . 1. 2. 1.)
[ 1. -о . 1. 2.]]
И она не единичная матрица.

ID •• lllll Глава 6. Дис кретное косннусное п реоб ра зование
Д КП - IV
Но М можно сделать ортогональной при тщательном выборе ts и f s .
Для этого есть несколько способов, поэтому существует несколько
версий дискретного косинусного преобразования (ДКП).
В простейшем случае можно сдвинуть t s и f s на пол-единицы. Эта
версия называется ДКП-/V, где IV римская цифра, указывающая,
-
что это четвертая из восьми версий ДКП.

Вот обновленная версия t e s t l :
de f t e s t 2 ( ) :
amps = np . arra y ( [ 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 05] )
N = 4.0
ts ( 0 . 5 + np . arange ( N ) ) / N
fs = ( 0 . 5 + np . a range ( N ) ) / 2
ys = synthe s i z e 2 ( amps , f s , t s )
По сравнен и ю с предыдущей версией заметны два изменения. Во

первых, к t s и fs прибавили 0,5. Во-вторых, отключение t ime uni t s
упростило выражение для f s .
С этими значениями М будет:
[ [ 0 . 98 1 0 . 831 0 . 556 0 . 195]
[ 0 . 83 1 -0 . 1 95 -0 . 981 -0 . 556 )
[ 0 . 55 6 -0 . 981 0 . 1 95 0 . 831]
[ 0 . 195 -0 . 556 0 . 831 -0 . 981 ] ]
А МГМ станет:
[ [ 2. о. о. о.]
[ о. 2 . -о . о.]
[ о . -о . 2 . -О . ]
[ о. о . -о . 2.]]
Некоторые из недиагональных элементов отображаются как 0 - ,
то есть это малое отрицательное число в представлении с плавающей

точкой. Эта матрица очень близка к 2/; значит, М почти ортогональна,
с точностью до 2. И этого достаточно.
Поскольку М симметричная и почти ортогональная, обращен
ная М будет просто М/2. Вот и запишем более эффективную версию
ana l y z e :
de f a n a l y z e 2 ( ys , f s , t s ) :
amps = np . dot ( M , ys ) / 2
return amp s
Об ратное ДКП 11111 ••"
Вместо использования np . l i nalg . s o l ve достаточно умножить
на М/2.
Совместив test2 и ana l y z e 2 , запишем реализацию ДКП-IV:
de f dct iv ( ys ) :
-
N = len ( ys )
t s = ( 0 . 5 + np . a range ( N ) ) / N
fs = ( 0 . 5 + np . a ra nge ( N ) ) / 2
args = np . outer ( t з , f з )
М = nр . соз ( Р 1 2 * argз )
аmрз = np . dot ( M , уз ) / 2
return аmрз
Вновь ys массив сигнала. Передавать t s и fs как параметры не

-
надо; dct_iv учтет их согласно N, длине ys.

Если все правильно, эта функция решит проблему анализа; она
восстановит amps по ys. Протестируем ее следующим образом:
аmрз = np . array ( ( 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 05 ) )
N = 4.0
t з = ( 0 . 5 + np . arange ( N ) ) / N
fз = ( 0 . 5 + np . a range ( N ) ) / 2
уз = s ynthe s i ze2 ( amps , f з , t з )
аmрз2 = dct iv ( yз )
max ( abs ( amps - аmр з 2 ) )
Начиная с amps синтезируется массив сигнала, а для вычисле

ния amps2 используется dct_iv. Наибольшая разница между amps
и amps2 будет l e - 1 6, то есть на уровне ошибок округления.
О б ратное Д КП
Наконец заметим, что analyze2 и s ynthe s i z e 2 почти идентичны.
Вся разница в том, что в ana l y z e 2 результат делится на 2. Использу
ем это при вычислении обратного ДКП:
de f inverзe d c t iv ( amps ) :
return d ct_i v ( amps ) * 2
inverse_dct_ iv решает проблему синтеза: берется вектор ампли

туд и возвращается массив сигнала, ys. Протестируем это - начнем
с amps, применим i nve rs e_dct_iv и dct_ iv и проверим, что полу
чится именно то, с чего начали:
аmрз = ( 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 0 5 )
ys = inverse dct iv ( amps )
amps2 = dct iv ( ys )
max ( abs ( amps - amp s 2 ) )
И опять наибольшее отличие порядка l e - 1 6.

E!Jl •••llll Гnава 6. Дискретное косинусное n реоб ра эованне
Кл асс Dct
thinkdsp дает класс Dct, который инкапсулирует ДКП так же, как
класс Spect rum инкапсулирует БПФ. Чтобы создать объект Dct,
можно вызвать make_dct для wave:
s i g n a l = t h i n kdsp . T r i an g l e S ignal ( f req= 4 0 0 )
wave = s i g n a l . ma ke_wave ( du r a t i o n = l . O , frame rate= 1 0 0 0 0 )
dct = wave . ma ke_dc t ( )
dct . p l o t ( )
Результатом будет ДКП треугольного сигнала 400 Гц, как показано

на рис. 6.2. Значения ДКП моrут быть и положительными, и отрица
тельными; отрицательное значение в ДКП соответствует инверсному
косинусу, то есть косинусу, сдвинутому на 1 80 градусов.
8000
6000
r::
� 4000
2000
о
1
1 1
о 1000 2000
3000
Рис. 6.2. DCT треугольного сигнала 400 Гц, скорость выборки 1 О кГц
4000 5000
make_dct использует ДКП-11, самый известный тип ДКП, вклю

ченный в s c ipy. f f tpac k:
import s c ipy . f f tpa c k
t c l a s s wave :
de f ma ke_dct ( s e l f ) :
N = len ( s e l f . ys )
h s = s c i p y . f f tpac k . dct ( s e l f . ys , t ype=2 )
fs = ( 0 . 5 + np . a r ange ( N ) ) / 2
return Dct ( h s , f s , s e l f . f ramerate )
Результаты dct хранятся в hs. Соответствующие частоты, вычис

ленные по аналогии с примером в разделе •дКП-IV• (см. стр. 80),
Уn ра•нени1
1111• ••1&
хранятся в fs. И оба массива используются для инициализации объ
екта Dct.
Dct дает make_wave, выполняющий обратное ДКП. Протестируем
эту функцию следующим образом:
wave 2 = dct . ma ke_wave ( )
max ( abs ( wave.ys -wave2 . ys ) )
Наибольшая разница между y s l и ys2 будет l e - 1 6 , на уровне

ошибки округления.
make_wave использует s c ipy f f tpac k . idct:
_
t class Dct
de f make_wave ( se l f ) :
n = len ( se l f . h s )
y s = s c ip y . f ftpack . i dct ( s e l f . hs , t ype= 2 ) / 2 / n
return wave ( ys , f ramerate=s e l f . f ramerate )
По умолчанию обратное ДКП не нормализует результат, поэтому

надо делить на 2N.
Уп р ажнения
Небольшой стартовый код представлен в блокноте chapO б s t a rte r .
ipynb.
Решения находятся в chapO б s o l n . ipynb.
В этой главе утверждается, что ana l y z e l требует времени пропор
ционально п3, а ana l yze2 - пропорционально п 2 • Убедитесь в этом,
запуская их с несколькими разными массивами и засекая время рабо
ты. В блокнотах Jupyter можно использовать •волшебную команду•
% t1-it.
Если печатать зависимость времени работы от размера на лога
рифмической шкале, то получится прямая линия с уклоном 3 для
ana l y z e l и с уклоном 2 для ana l y z e 2 .
Также стоит поупражняться с dct_iv и scipy . f f tpac k . dct.
Одно из основных применений Д КП - это сжатие звука и изобра
жений. В простейшей форме ДКП при сжатии работает следующим
образом:
1. Разбивает длинный сиmал на сегменты.
2. Вычисляет ДКП каждого сегмента.
111 8 •81111 Гnааа 6. Дискретное косинусное преобразование
3. Определяет частотные компоненты с такой амплитудой, что

их не слышно, и удаляет их, сохраняя только оставшиеся час
тоты и амплитуды.
4. При воспроизведении сигнала загружает частоты и амплиту
ды каждого сегмента и применяет обратное ДКП.
Реализуйте версию этого алгоритма и примените его для записи
музыки или речи. Сколько компонент можно удалить до того, как
разница станет заметной?
Для того, чтобы этот метод стал практичным, нужен способ хра
нения прореженного массива, то есть массива, где большинство эле
ментов равно нулю. NumPy (SciPy) дает несколько способов работы
с прореженными массивами; о них можно прочитать на веб-странице
http : / / do c s . s c i p y . o r g / do c / s c i p y / r e f e rence / sp a r s e . html .
В репозитории этой книги есть блокнот jupyter под названием
pha se.ipynb, в котором исследуется влияние фазы на восприятие
звука. Прочтите этот блокнот и •погоняйте• примеры. Выберите
иной сегмент звука и повторите эксперименты. Можно ли найти не
кие общие соотношения в фазовой структуре звука и· его восприятии?
�···----
r11ава 7.
Ди скрет н о е
nре о 6р а э ова н ие Фур•е
Дискретное преобразование Фурье (ДПФ) уже применялось в гла

ве 1 , но его работа не изучалась. Пора этим заняться.
Зная дискретное косинусное преобразование (ДКП), легко по
нять и ДПФ. Вся разница в том, что вместо косинусов используются
комплексные экспоненциальные функции. Рассмотрим комплексные
экспоненты, а затем пройдемся по пунктам главы 6:
1. Задача синтеза: как построить сигнал из набора частотных
компонент и их амплитуд? Задача синтеза эквивалентна об
ратному ДПФ.
2. Задача синтеза по-новому: вариант с массивами NumPy и
умньжением матриц.
3. Задача анализа, эквивалентная ДПФ: расчет амплитуд и фаз
частотных компонент в заданном сигнале.
4. Задача с линейной алгеброй: найти эффективный способ вы
числения ДПФ.
chap07 . ipynb (см. раздел �Работа с кодом• на стр. 9). Также код мож
но просмотреть на веб-странице http : / / t inyurl . com/ thinkdsp0 7 .
Ко мплексные э кспо н енты

Один из самых интересных ходов в математике - обобщение опера
ций разных типов. Например, факториал - это функция, работающая
с целыми числами; простое определение п-факториал это произве
-
дение всех целых чисел от 1 до п.

Интересно попробовать вычислить факториал дробного числа, ска
жем 3,5. Так как простое определение неприменимо, поищем способы
вычисления функции факториала, работающие с дробными числами.
Глава 7 . Дискретное n р в об раэованне Фурье
В 1730 году Леонард Эйлер нашел обобщение функции факториа

ла - это гамма -функция (см. h t tp : / / ru . w i k ipedia . о rg/wi k i / Гам
ма-функция ).
Эйлер также нашел одно из самых полезных обобщений в приклад
ной математике - комплексную экспоненциальную функцию.
Простое определение потенцирования - это последовательное
умножение, например ф3 ф ф ф. Но это определение не годится для
= · ·
дробных степеней.
Потенцирование можно выразить в виде степенного ряда:
еФ = 1 + ф + ф2/2! + ф3/3! + ...
Это определение верно для вещественных чисел, для мнимых чи
сел и, простым расширением, для комплексных чисел. Применив это
определение к чисто мнимому числу iф, получим:
еiФ = 1 + iф - ф2/2 ! - iф3/3! + ...
Перестановкой членов можно показать, что это эквивалентно
еiФ = cos ф + i sin ф
Вывод можно посмотреть на веб-странице h t tp :' / / ru . w i kipedia .
о r g / w i k i / Формула_Эйлера .
Предполагается, что f!Ф - это комплексное число с модулем 1 ; со
ответствующая ему точка на комплексной плоскости всегда располо
жена на единичной окружности. Если представить число как вектор,
то угол ф между вектором и положительной осью х, выраженный в ра
дианах, - это аргумент.
В случае, когда показатель степени - комплексное число, получим:
en+;; = е"f!Ф = АеiФ
где А - действительное число, определяющее модуль (амплитуду), а

fiФ - единичное комплексное число, определяющее угол (фазу).
NurnPy поддерживает версию ехр, работающую с комплексными
числами:
>>> phi - 1 . 5
>>> z = np . exp ( l j * phi )
>>> z
( 0 . 0707+0 . 997j )
Для представления мнимой единицы в Python используется не i ,

а j . Число, оканчивающееся на j , считается мнимым, так что 1 j - это
просто i.
Коммексн wе cи rнanw 1111• ••18
Если аргумент np . ехр мнимый или комплексный, результат также
будет комплексным числом; в частности, np . comp l ex 1 2 8 представле
но двумя 64-разрядными числами с плавающей запятой. В этом при
мере результат будет о . 0 7 0 7 + о . 9 9 7 j .
У комплексных чисел есть атрибуты real и imag:
>>> z . real
0, 0707
>» z . iala9
0, 997
Для получения модуля используются встроенные функции abs

или np . ab s o l u t e :
>» аЬа ( z )
1,0
>>> np . aЬaolute ( z )
1, 0
Для получения угла используется np . angle:

>>> np . anqle ( z )
1,5
Пример подтверждает, что еiФ это комплексное число с модулем 1

и углом ф радиан.
Ко м плексные си г налы
Если ф(t) функция времени, l!ф(.1> - также функция времени. В част
ности:
l!M = cos ф(t) + i sin ф(t)

Эта функция описывает величину, изменяющуюся во времени, то
есть сигнал. В частности, это комплексный экспоненциальный сигнал.
В особом случае, когда частота сигнала постоянна, ф(t) есть 2тr ft,
а результат комплексная синусоида:
-
e''lw/t - cos 2тrft + i sin 2тr/t

В общем случае у сигнала может быть ненулевая начальная фаза
ф0, что дает:
thinkdsp дает реализацию этого сигнала, Comp l e x S i n u s o i d:

c l a s s Comp l e x S i n u s o i d ( S i n u s o i d ) :
de f eva l uate ( se l f , t s ) :
" •••••• 1 Гn ава 7. Ди скретное преоб ра зо вание Фур�.в
pha s e s = P I 2 * Se l f . freq * ts + s e l f . o f f s e t
ys = se l f . amp * np . exp ( l j * phase s )
return ys
Comp l e x S i n u s o i d наследует _in i t_ из S i nu s o i d. Он дает вер

сию eva l u a t e , похожую на S i n u s o i d . eva l u a t e ; вся разница в ис
пользовании np . ехр вместо np . s in.
Результат - NumРу-массив комплексных чисел:
>>> eignal = thinkdap . CoшplexSinueoid ( freq=l , ашр=О . 6 , offeet=l )
>>> wave = ei gna l . шake_wave (dur ation=l , fraшerate=4 )
>>> wave . ye
[ 0 . 324+0 . 505j -0 . 505+0 . 32 4 j - 0 . 3 2 4 - 0 . 505j 0 . 505-0 . 32 4 j ]
Частота этоrо сигнала - 1 цикл в секунду, амплитуда - 0,6 (в аб-

страктных единицах), а фаза - 1 радиан.
В примере сигнал обрабатывается в четырех точках, в интервале от
О до 1 с. Полученные выборки - комплексные числа.
Задача синте з а
Сложные сигналы можно создавать сложением не только действи
тельных, но и комплексных синусоид с разными частотами. Это за
дача синтеза в комплексной форме: как оценить сигнал, имея частоты
и амплитуды каждой комплексной компоненты?
Простейшее решение - создать объекты Comp l e x S i n u s o i d и сло
жить их:
de f s ynthe s i z e l ( amp s , f s , t s ) :
compone n t s = [ t h i n kdsp . ComplexS i n u s o i d ( f req, amp )
for amp , freq in z i p ( amp s , f s ) ]
s i gnal = t h i n kdsp . SumS igna l ( * component s )
y s � s i gn a l .eva luate ( t s )
return ys
Эта функция практически идентична synthe s i z e l в разделе

(!Синтез• (см. стр. 74); вся разница в том, что c o s S i gnal заменен на
Comp l e x S i n u s o id.
Вот пример:
amp s = np . a r r ay ( [ 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 0 5 ) )
fs = ( 1 0 0 , 2 0 0 , 3 0 0 , 4 0 0 )
t s = np . l i n space ( O , 1 , f ramerate )
ys = synthes i z e l ( amps , f s , t s )
Результатом будет:
Задача синтеза 11111 ••&1
[ 1 . 000+0 . 000e+ O O j О . 995+9 . 0 9Зе- 0 2 j 0 . 9 7 9+ 1 . 8 0 3 e - O l j . . . ,
0 . 97 9- l . 8 0 3e-O l j О . 9 9 5 - 9 . 0 9Зе- 0 2 j l . 000-5 . 08 le-15j ]
Попросту говоря, комплексный сигнал - это последовательность

комплексных чисел. Но как его интерпретировать? С действитель
ными сигналами все понятно: величины, изменяющиеся во времени;
например звуковой сигнал - это изменения давления воздуха. Но
обычные измерения никогда не дают комплексных чисел1•
Так что же это такое - комплексный сигнал? У автора нет исчерпы
вающего ответа на этот вопрос. Лучшее, что можно предложить, - два
частных ответа:
1 . Комплексный сигнал есть математическая абстракция, полез
ная при расчетах и анализе, но напрямую она не соответствует
ничему в реальном мире.
2. Комплексный сигнал - это последовательность комплексных
чисел, то есть два сигнала, составляющие действительную
и мнимую части.
Приняв второй вариант, разделим предыдущий сигнал на действи-
тельную и мнимую части:
n = 500
thinkplot . plot ( t s [ : n ] , ys [ : n ] . re a l , label= ' real ' )
thinkplot . p lot ( t s [ : n ] , ys [ : n ] . imag , l abe l = ' imag ' )
- мн и м.
(с)
- 1 .0
.��...,
О . ООО
о----,--;�---,.�с----,--;�---,
,..,._ 0. 0 1 0 0 . 0 1 5 0 . 02 0 0-7=0--
0 . 005
,- . 0 2 5 -=-7�::::
0 . 030
�=�
:;
0.035 0 . 040
Время
Рис. 7. 1 . Действительные и мнимые части смеси
комплексных синусоид
1 Автор категорически неправ, но рассмотрение понятю1 «аналитический сиrнал• выхо
дит за рамки этой книrи. - Прим. ред.
" •• •... , Гп ава 7. Дискретное преобразование Фурье
На рис. 7. 1 показан сегмент результата. Действительная часть есть

сумма косинусов; мнимая часть есть сумма синусов. Сигналы выгля
дят по-разному, но у них одинаковые частотные компоненты и со
отношения между ними. Звучат они одинаково (человек вообще не
слышит разности фаз).
Синте з с матрицами
В разделе «Синтез с массивами• на стр. 75 показано, как выразить
задачу синтеза в терминах перемножения матриц:
PI2 = np . p i * 2
de f s ynthe s i ze2 ( amps , f s , t s ) :

М = np . exp ( l j * P I 2 * args )
ys = np . dot ( M , amps )
return ys
Вновь amp s это NumРу-массив, содержащий последовательность

-
амплитуд.
f s - это последовательность, содержащая частотные компоненты.
ts - это моменты времени, в которые оценивается сигнал.
args содержит тензорное произведение ts и f s , причем ts работа
ет вниз по строкам, а f s - вдоль столбцов (см. рис. 6. 1 ).
Каждый столбец матрицы м содержит комплексные синусоиды
с определенной частотой, обрабатываемые в моменты времени из ts.
При умножении м на амплитуды получится вектор, элементы ко
торого соотносятся с t s . Каждый элемент - это сумма нескольких
комплексных синусоид, оцененных в соответствующие моменты вре
мени.
Вот пример из предыдущего раздела:
>>> уе = eyntheeize2 (aшpe , fe , te )
>>> У•
[ 1 . 0 0 0 +0 . 0 0 0 e + O O j 0 . 9 9 5 + 9 . 0 9Зе- 0 2 j 0 . 9 7 9 + 1 . 803e- O l j . . . ,
0 . 9 7 9 - l . 8 0 3e - O l j 0 . 9 9 5 - 9 . 0 9 З е - 0 2 j 1 . 0 0 0 - 5 . 0 8 1 e - 1 5 j ]
Результат тот же самый.

В этом примере амплитуды действительные, но они могут быть и
комплексными. Как влияет комплексная амплитуда на результат?
Помните, что комплексное число можно выразить двумя способами:
либо сумма действительной и мнимой частей, х + iy, либо произве
дение действительной амплитуды и комплексной экспоненты, АеiФ.
С инте з с матрицами 11111 ••"
Используя второе определение, можно видеть, что происходит при
умножении комплексной амплитуды на комплексную синусоиду.
Для каждой частоты / получим:
Умножение на АеiФ0 умножает амплитуду на А и добавляет фазу ф0•

Проверим это утверждение, выполнив предыдущий пример с ком-
плексными амплитудами:
phi = 1 . 5
amp s 2 = amps • np . exp ( l j • phi )
ys2 = s yn t he s i z e 2 ( amp s 2 , f s , t s )
t h i n kp l o t . p l o t ( t s [ : n ] , ys . real [ : n ] )
thinkplot . p lot ( t s [ : n ] , y s 2 . real [ : n ] )
Так как массив действительных чисел, умножение на

amp s -
np . ехр < 1 j * phi )
возвращает массив комплексных чисел с фазами
phi радиан и теми же амплитудами, что и amp s .
На рис. 7.2 показаны сигналы с разными фазами. При ф0 - 1 ,5 каж
дая частотная компонента получает сдвиг по фазе примерно на чет
верть цикла. Однако у компо н е н т с разными частотами разные цик
лы; в результате каждая компонента сдвигается на разный отрезок
времени. После сложения компонент результирующий сигнал вы
глядит по-другому.
1.0
-
l . O L_�----,-��-�----1=====1
О.ООО 0.005 0 . 010 0.015 0. 020 0 .0 2 5
Время (с)
Рис. 7 .2. Действительная часть двух комплексных сигналов,
отличающихся фазами
Гл а в а 7 . Дискретно е п реоб ра зо вание Фур ье
Теперь, имея более общее решение задачи синтеза - работающее

с комплексными амплитудами, - перейдем к задаче анализа.
Задач а анализа
Задача анализа обратна задаче синтеза: имея последовательность об
разцов, у, и зная частоты, имеющиеся в сигнале, как вычислить ком
плексные амплитуды компонент?
В разделе «Анализ� на стр. 77 показано, как можно решить эту про
блему созданием матрицы синтеза М и решением системы линейных
уравнений, Ма = у, для а:
de f a n a l y z e l ( y s , f s , t s ) :
a r g s = np . o u t e r ( t s , f s )
amps = np . l i n a l g . s o lve ( M , ys )
return amp s
ana l y z e l принимает массив (возможно, комплексный) сигнала ys,

последовательность действительных частот f s и последовательность
реального времени t s . Возвращает последовательнос1:ь комплексных
амплитуд arnp s .
Продолжая предьщущий пример, можно подтвердить, что a n a l y z e 1
восстанавливает именно те амплитуды, которые были заданы. Для за
пуска вычислителя линейной системы м должна быть квадратной, по
этому y s , fs и ts должны быть одинаковой длины. Усечем ys и ts до
ДЛИНЫ f s :
>>> n = len ( fs )
>>> amps2 = analyzel (уа [ : n] , fs , ts [ : n] )
>>> ampa2
[ 0 . 60+0 . j 0 . 2 5-0 . j 0 . 10+0 . j 0 . 05-0 . j ]
Это очень похоже на то, что было в начале, но у каждой компонен

ты есть небольшая мнимая часть, появившаяся из-за ошибок округ
ления.
Эффективный анализ
К сожалению, решение системы линейных уравнений идет медлен
но. ДКП получилось ускорить таким выбором fs и t s , чтобы м стала
ортогональной. Тогда обратная м аналогична транспонированной м;
значит, и ДКП, и обратное ДКП можно вычислить перемножением
матриц.
ДП Ф
Повторим все для ДПФ, но с небольшим изменением. Так как м

комплексная, она должна быть унитарной, а не ортогональной, так
что обратная м будет комплексно-сопряженной к транспонирован
ной м, которую можно вычислить транспонированием матрицы и пе
ременой знака у мнимой части каждого элемента. См. веб-страницу
http : / / ru . w i kipedia . o rg / w i k i / Yнитapнaя_мaтpицa.
В NumPy это делают методы conj и t ranspose. Вот код, вычисля
ющий м для N 4 компонент:
=
N = 4
ts = np . a range ( N ) / N
fs = np . arange ( N )
м = np . exp ( l j * P I 2 * args )
Если м унитарная, то М* М l, где М* сопряженно транспониро

-
ванная м, а 1 единичная матрица. Проверить, унитарна ли м, можно

-
так:
MstarM = M . conj ( ) . t ranspose ( ) . dot ( M )
Результат, с точностью до ошибок округления, будет 4/, поэтому

м унитарная с точностью до дополнительного фактора N, похожего
на дополнительный фактор 2, который появился в ДКП.
Используем этот результат для записи быстрой версии ana l y ze l :
de f ana lyze2 ( ys , f s , t s ) :
amps = M . conj ( ) . t ranspose ( ) . do t ( ys ) / N
return amp s
Протестируем его с соответствующими значениями fs и ts:

N = 4
amps = np . array ( [ 0 . 6 , 0 . 2 5 , 0 . 1 , 0 . 05 ] )
fs = np . a range ( N )
t s = np . arange ( N ) / N
ys = s ynthe s i z e 2 ( amps , f s , t s )
ampsЗ • analyze2 ( ys , f s , t s )
И снова результат правильный, с точностью до ошибок округления:

[ 0 . 60+0 . j 0 . 2 5+0 . j 0 . 1 0 - 0 . j 0 . 05 -0 . j ]
ДПФ
Функцию ana l y z e 2 использовать неудобно, поскольку она работает
только при правильно выбранных fs и t s . Перепишем ее так, чтобы
брать только y s , а f req и собственно t s вычислять.
" •••••• 1 Гnааа 7. Дискретное n реоб раэоаание Фурье
Во-первых, сделаем функцию для вычисления матрицы синтеза, м:

de f s ynthe s i s_ma t r i x ( N ) :
ts = np . a range ( N ) / N
fs = np . arange ( N )
return М
Затем напишем функцию, которая берет ys и возвращает amp s :

de f a n a l y z e З ( ys ) :
N = len ( уз )
М = s ynthe s i s_ma t r i x ( N )
amps = м . conj ( ) . t ranspose ( ) . do t ( ys ) / N
return amps
Почти все готово; a na l y z e З вычисляет что-то близкое к ДПФ с од

ним лишь отличием. Обычное определение ДПФ не требует деления
на N:
def dft ( ys ) :
N = len ( ys )
м = synthe s i s_ma t r i x ( N )
amp s = M . conj ( ) . transpose ( ) . dot ( ys )
return amps
Теперь проверим, что эта версия дает такой же результат, что и

np . f f t . f f t:
>>> dft (ya )
[ 2 . 4+0 . j 1 . 0+0 . j 0 . 4 -0 . j 0 . 2- 0 . j ]
Результат близок к amp s * N. И вот версия в np . f ft:

>>> np . fft . fft (ya )
[ 2 . 4 +0 . j 1 . 0+0 . j 0 . 4 -0 . j 0 . 2-0 . j ]
Они одинаковые, в пределах ошибки округления.

Обратное ДПФ будет почти тем же самым, за исключением того
что транспонировать и сопрягать м не нужно, но здесь необходимо де
лить все на N:
de f idft ( ys ) :
N = len ( ys )
М = s ynthe s i s_ma t r i x ( N )
amps = M . dot ( ys ) / N
return amps
И наконец, можно подтвердить, что dft ( idft ( amps ) ) дает amp s:

>>> у а = idft (uipa)
П ериоднчност�. ДП Ф
>» clft (ye )

[ о . бо+о . j 0 . 25+0 . j 0 . 1 0 - 0 . j o . o 5 -0 . j J
Если вернуться назад, то можно изменить определение ДПФ так,

что оно на N делит, а обратное - не делит. Это более соответствует
данному представлению задач синтеза и анализа.
Или можно изменить определение так, чтобы обе операции делили
на ./N. Тогда ДПФ и обратное ДПФ станут более похожими.
Вернуться в прошлое нельзя (пока!), так что придется смириться
с немного странным соглашением. Для практических целей это не
важно.
Периодично сть ДПФ

В этой главе ДПФ представлено в виде перемножения матриц. Вы
числяется матрица синтеза Ми матрица анализа М * . При умножении
М* на массив сигнала у каждый элемент результата есть произведе
ние строки из М* и у, которые можно записать в виде суммы:
DFT(y)[k] = 1', y[n] exp(-2.nink / N),
п
где k - индекс частоты от О до N - 1 , а п - индекс времени от О до N - 1 .

Так что DFT(y)[k] - это k-й элемент Д П Ф от у.
Обычно это сумма N значений k, в порядке от О до N - 1 . Мож
но оценить ее и для иных значений k, но в этом нет смысла, так как
они начинают повторяться. Иными словами, значение в k то же, что и
в k + N или k + 2N или k - N, и т. д.
Подтвердим это математически, включив k + N в суммирование:
DFT(y)[k + N] = L Y[n] exp(-2Лin(k + N) / N).
"
Поскольку в показателе степени есть сумма, ее можно разбить на

две части:
DFТ(y )[k + N ] =I, y[n] exp(-2mnk / N) exp( -2mnN / N).
п
Во втором члене показатель степени всегда целое кратное 2п, по

этому результат всегда равен 1 и его можно отбросить:
DFT(y)[k + N] = L Y[n] exp(-2.nink 1 N).
п
Видно, что это суммирование эквивалентно DFT(y)[k]. Таким об

разом, ДПФ периодично, с периодом N. Этот результат понадобится
Глава 7. Дискретное преоб ра зование Фурье
вам в одном из упражнений в конце главы: там надо будет реализо

вать быстрое преобразование Фурье (БПФ).
Заметим, что запись ДПФ в виде суммы дает понять, как оно рабо
тает. Если посмотреть на диаграмму в разделе «Синтез с массивами»
(см. стр. 75), видно, что каждый столбец матрицы синтеза сигнала об
рабатывается в определенной временной последовательности. Мат
рица анализа - это сопряженно транспонированная матрица синтеза,
поэтому каждая строка - это сигнал, также вычисляемый в опреде
ленной временной последовательности.
Таким образом, каждая сумма - это корреляция у с одним из сигна
лов в массиве (см. раздел «Корреляция как скалярное произведение»
на стр. 70). То есть каждый элемент ДПФ представляет собой корре
ляцию, которая дает количественную оценку похожести массива сиг
нала у и комплексной экспоненты на определенной частоте.
ДПФ ре ал ьн ы х си г налов
Класс Spe c t rum в t h i n kdsp основан н а np . f t t . r f f t , вычисляющей
«действительное ДПФ»; то есть работающей с реальными сигналами.
ДПФ, представленное в настоящей главе, более общнй случай, - оно
работает с комплексными сигналами.
Что же произойдет, если «полное ДПФ» применить к реальному
сигналу? Рассмотрим пример:
s i gnal = t h i n kdsp . Sawtoot h S i gna l ( freq= 5 0 0 )
wave = s i gna l . ma ke_wave ( du r a t i o n = O . l , f ramerate= l 0 0 0 0 )
hs = dft ( wave . ys )
amps = np . abs o l u t e ( hs )
Этот код создает пилообразный сигнал с частотой 500 Гц, выбор

ки берутся с частотой кадров 10 кГц. hs содержит комплексное ДПФ
сигнала, amp s - амплитуды на каждой частоте. Но каким частотам со
ответствуют эти амплитуды? Посмотрим на тело d f t :
f s = np . a range ( N )
Кажется, что эти значения соответствуют правильным частотам.

Но проблема в том, что d f t не учитывает частоту выборки. В ДПФ
предполагается, что длительность сигнала - это одна единица време
ни, и считается, что частота дискретизации - N в единицу времени.
Получить правильные частоты можно, преобразовав абстрактные
единицы времени в секунды следующим образом:
fs = np . arange ( N ) * f ramerate / N
ДП Ф реап 1он wх сн rнаnов
С этим изменением диапазон частот станет от О до частоты кадров,

10 кГц. Теперь можно напечатать спектр:
thinkp l o t . p lot ( f s , amps )
thinkpl ot . config ( x l abe l = ' f requency ( H z ) ' ,
ylabe l = ' amp l i t ude ' )
На рис. 7.3 показаны амплитуды сигнала для каждой частотной

компоненты, от О до 10 кГц. В левой части рисунка все ожидаемо: до
минирующая частота на отметке 500 Гц и гармоники, спадающие про
порционально 1 //.
300
250
�
/:' 200
�
"'
>: .
<( 150
100
50
0
0 2000 4000 6000 8000 10000
Рис . 7 . 3 . ДПФ 500 Гц пилообразного сигнала

с выборками на частоте 1 О кГц
А в правой части рисунка - сюрприз! После 5000 Гц амплитуда гар

моник начинает снова расти, с пиком на 9500 Гц. Что происходит?
Ответ: биения (алиасинг). Помните, что при частоте кадров
10 ООО Гц частота заворота - 5000 Гц. Как показано в разделе •Сгла
живание• на стр. 99, компонента на 5500 Гц ничем не отличается от
компоненты на 4500 Гц. Значение ДПФ на 5500 Гц то же, что и на
4500 Гц. Аналогичным образом значение на 6000 Гц то же, что и на
4000 Гц, и т. д.
ДПФ реального сигнала симметрично вокруг частоты заворота.
После нее нет никакой полезной информации, поэтому можно сэко
номить время, оценивая только первую половину ДПФ; именно так
и работает np . f f t . r f f t .
Е11 • • ••111 Глава 7 . Дискретное преоб ра зование Фур ье
Упр ажнения
Решения этих упражнений находятся в блокноте chap 0 7 s o l n . ipynb.
В блокноте для этой главы, chap 0 7 . ipynb, представлены дополни
тельные примеры и пояснения. Прочитайте блокнот и запустите код.
В этой главе показано, как выразить ДПФ и обратное ДПФ про
изведениями матриц. Время выполнения этих операций пропорци
онально №, где N - длина массива сигнала. Во многих случаях этого
достаточно, но есть алгоритм и побыстрее - быстрое преобразование
Фурье (БПФ); время его работы пропорционально N log N.
Ключ к БПФ - это лемма Дэниелсона-Ланцоша (Danielson
Lanczos):
DFT(y)(n] = DFT(e)[n] + exp( -2 rrin/N) DFT(o)[n] ,
где DFT(y )[n] - это п-й элемент ДПФ от у, е и о - массивы сигнала,
содержащие соответственно четные и нечетные элементы у.
Эта лемма предлагает рекурсивный алгоритм для ДПФ:
1. Дан массив сигнала у. Разделим его на четные элементы е и
нечетные элементы о.
2. Вычислим DFT е и о, делая рекурсивные вызовы.
3. Вычислим DFT(y ) для каждого значения п, используя лемму
Дэниелсона-Ланцоша.
В простейшем случае эту рекурсию надо продолжать, пока длина у
не дойдет до 1 . Тогда D FT(y ) = у. А если длина у достаточно мала,
можно вычислить его ДПФ перемножением матриц, используя зара
нее вычисленные матрицы.
Подсказка: реализовывать этот алгоритм стоит постепенно, начав
с нерекурсивной версии. На шаге 2, вместо того чтобы делать рекур
сивный вызов, используйте d f t , как показано в разделе •дПФ• на
стр. 93, или np . f f t . f f t . Отладьте шаг 3 и проверьте, согласуются ли
результаты с другими реализациями. Затем добавьте базовый случай
и убедитесь, что он работает. И наконец, замените шаг 2 на рекурсив
ные вызовы.
Примечание: помните, что ДПФ периодично; попробуйте приме
нить np . t i l e .
О БПФ можно прочитать подробнее в Википедии: https : / /
ru . w i k ipedi a . o rg / w i k i / Быc тpoe_пpe oбpaзoвaниe_Фypь e .
m•••----
r11ава 8.
Ф и 11ьт р а ц и • и св ертка
В этой главе будет рассмотрена одна из важных и полезных идей в об

работке сигналов: теорема о свертке. Сначала изучим саму свертку,
а потом перейдем к теореме. Начнем с простейшего случая - со сгла
живания, затем приступим к сложным.
chap 0 8 . ipynb (см. раздел •Работа с кодом• на стр. 9). Также код мож
но просмотреть на веб-странице http : / / t i nyu r l . com/ t h i n kdsp 0 8 .
Сгл аж и в ание
Сглаживание - это операция, удаляющая быстрые изменения сигнала
для выявления общих особенностей. Например, график ежедневных
изменений в цене акций будет выглядеть •зашумленным•, а сглажи
вающий оператор сделает его удобным для понимания тенденции
цен - растут они с течением времени или падают.
Обычный алгоритм сглаживания называют скользящим средним -
оно дает среднее из предыдущих п значений для некоторого п.
Например, на рис. 8. 1 показаны ежедневные цены закрытия акций
Facebook с 17.05.20 1 2 по 08. 1 2.20 15. Серая линия - необработанные
данные, а темная - скользящее среднее за 30 дней. Сглаживание уда
ляет самые резкие изменения и упрощает оценку долгосрочных тен
денций.
Сглаживание применяется и к звуковым сигналам. Например,
начнем с прямоугольного сигнала 440 Гц. В разделе • Прямоугольный
сигнал• на стр. 27 показано, что гармоники прямоугольного сигнала
спадают медленно, в нем много высокочастотных компонент.
Создадим сигнал и два массива wave:
s i gnal = t h i n kdsp . S quareS igna l ( freq= 4 4 0 )
wave = s i gnal . ma ke_wave ( du r a t i on= l , framerate=4 4 1 0 0 )
segment = wave . s egmen t ( durat i on=0 . 0 1 )
" •••••• 1 Глава 8. Фиn�.траци• и свертка
wave - это отрезок сигнала длительностью 1 с; s egmen t - это ко

роткая часть, для удобства вывода графиков.
120
100
80
�·
"' 60
х
"'
:::1
ежедневное
- среднее за 30 дней
200 4 00 600 800 1000 1 2 00
Время (д н и )
Рис. 8. 1. Ежедневные цены закрытия акций Facebook
и их скользящего среднего за 30 дней
Вычислим скользящее среднее этого сигнала, используя окно, по

хожее на те, что описывались в разделе сОкна• на стр. 42. Ранее ис
пользовалось окно Хэмминга - для исключения утечки спектра, вы
званной разрывом между началом и концом сигнала. В общем, для
расчета взвешенной суммы выборок из сигнала можно использовать
окна.
Например, для вычисления скользящего среднего создадим окно
в 1 1 элементов и нормализуем его так, чтобы сумма элементов росла
ДО 1 :
w i ndow = np . ones ( l l )
wi ndow / = sum ( wi ndow )
Теперь вычислим среднее от первых 1 1 элементов путем умноже

ния окна на массив сигнала:
ys = segment . ys
N = len ( ys )
padded = t h i n kdsp . z e ro_pad ( wi ndow, N J
prod = padded * ys
sum ( p rod)
С r11ажи 1ание
padded - это версия окна с нулями, добавленными в конец, что

бы его длина совпала с длиной s e gme n t . y s . Дополнение нулями по
английски называется padding.
prod - это произведение окна на массив сигнала. Поэлементная
сумма произведений - это среднее значение первых 1 1 элементов
массива. Все эти элементы равны 1 , и их среднее - также 1 .
Для вычисления следующего элемента скользящего среднего
•провернем• окно - сдвинем единицы вправо и переставим из конца
в начало один из нулей.
Вновь умножим окно на массив сигнала и получим среднее следу-

ющих 1 1 элементов массива сигнала начиная со второго:
rolled = np . ro l l ( ro l led, 1)
prod = rol led * уз
sum (prod)
Результат - снова 1 .
Остальные элементы вычислим аналогично. Ниже дана функция,
организующая приведенный выше код в цикл и сохраняющая резуль
таты в массив:
de f smooth ( ys , window ) :
N = len ( yз )
smoothed = np . zeroз ( N )
padded = t h i n kdsp . z e ro_pad ( w i ndow , N )
rolled = padded
for i i n range ( N ) :
smoothed [ i ] = з um ( ro l led * уз )
r o l l e d = np . ro l l ( ro l l e d , 1 )
return smoothed
зmoothed это массив, содержащий результат; padded - массив,

-
содержащий окно и достаточное количество нулей, выравнивающее

длину до N; ro l l e d - копия padded, сдвигаемая вправо на один эле
мент за каждый проход цикла.
Внутри цикла уз умножается на r·o l l e d для выбора 1 1 элементов
и их сложения.
На рис. 8.2 показан результат для прямоугольного сигнала. Серая
линия - оригинальный сигнал; темная - сглаженный. Сглаженный
сигнал начинает нарастать, когда начало окна достигает первой сме
ны знака, и спадать, когда окно заканчивается. В результате переходы
менее резкие, а углы тупые. При прослушивании сглаженный сигнал
кажется глуше и звучит менее •rряз-з-зно•.
Гnава 8. Ф нn ьтрацн11 н свертка
1 .0 ....-- .- ....-- -
•
1
0.5
1
1
1
о.о 1 1
1 '
1 1
1 '
•
-0. 5
1 1
- 1 .0 - � � - �
О.ООО 0.002 0.004 0. 006 0.008 0.0 1 0

Время (с)
Рис. 8.2 . П рямоугольный сигнал на 400 Гц (серый )
и 1 1 -элементное скользящее среднее
Свертка
Выполненная выше операция - применение оконной функции к пе
рекрывающимся сегментам сигнала - и есть свертка.
Свертка - настолько распространенная операция, что NumPy дает
реализацию, которая быстрее и проще, чем версия автора:
convolved = np . convo lve ( ys , wi ndow , mode= ' va l i d ' )
smooth2 = t h i n kdsp . wave ( convolved, f ramerate=wave . f ramerate )
np . convo l ve вычисляет свертку массива сигнала с окном. Флаг

режима va l i d указывает, что следует вычислять значения только
при полном перекрытии массива сигнала и окна, поэтому он останав
ливается, когда правый край окна достигает конца массива сигнала.
В остальном результат аналогичен показанному на рис. 8.2.
На самом деле есть еще одно отличие. В предыдущем разделе цикл
вычисляет кросс-корреляцию:
N-1
if i:r g) [п) = °L, Лm ] g[n + m ] ,

m=O
где f - массив сигнала длиной N, g - это окно, т:r - символ кросс

корреляции. Для расчета n-ro элемента результата g сдвигается впра
во, поэтому индекс станет п + т.
Ч а стотна• обnаст�.
Определение свертки немного иное:

N-1
(/ * g)[n] = '2, Лт] g[n - m].

m=O
Символ • обозначает свертку. Разница состоит в индексе при g.

т отрицательное, и суммирование выполняется в порядке, обратном
элементам g (можно сказать, что отрицательные индексы •заверну
лись. на конце массива).
Окно, использованное в этом примере, симметричное, поэтому
кросс-корреляция и свертка дают одинаковый результат. С другими
окнами надо быть осторожнее.
Почему свертка определена так, что окно накладывается с конца?
Тому две причины:
• данное определение естественно во многих областях, особенно
в анализе систем обработки сигналов, и это тема главы 1 0;
• данное определение также является и основой теоремы о
свертке, к которой мы подошли уже совсем близко.
А вот замечание для всезнаек: до сих пор не показаны различия
между сверткой и круговой сверткой. Об этом - ниже.
Ч астотная о бласть
Сглаживание делает фронты в прямоугольных сигналах менее кру
тыми, а звук - слегка приглушенным. Рассмотрим, как эта операция
влияет на спектр. Сначала напечатаем участок спектра оригинально
го сигнала:
Spect rum = wave . ma ke_Spe c t rum ( )
Spect rum . p lot ( colo r=GRAY )
Затем сглаженный сигнал:

convolved = np . convolve ( wave . ys , w i ndow , mode= ' s ame ' )
smooth = thinkdsp . wave ( convo lve d , f rame rate=wave . f rame rate )
spect rum2 = smooth . ma ke_spe c t rum ( )
spect rum2 . plot ( )
Флаг режима same указывает, что результат должен быть той же

длины, что и входные данные. В этом примере у него будет несколько
значений, которые •завернутся•, но пока это не страшно.
На рис. 8.3 показан результат. Основная частота осталась без изме
нений; первые несколько гармоник ослаблены, а высшие гармоники
практически ликвидированы. Так что сглаживание похоже на фильтр
Ш18•8111� Гnава 8 . Фнn �.трацн• и свертка
НЧ, рассмотренный в разделах • Спектры� (стр. 20) и •Розовый шум�

(стр. 55).
з оооо �--�---�---
2 5 000
20000
"'
g1
� 5000
с ·
"
<1:
10000
5000 1
0
1i
000
1 1
0 ��-5��--, 1 0-
00�
0---1� 5�
00�
0 --�
2�
00�
�
00
Рис. 8 . 3 . Сп ектр прямоугольного сигнала до и после сглаживания
Посмотрим, насколько ослаблена каждая компонента - вычислим

соотношение двух спектров:
amps = Spect rum . amps
amp s 2 = Spect rum2 . amp s
r a t i o = amp s 2 / amp s
r a t i o [ amps < 5 6 0 ] = О
thinkplot . p l o t ( ra t i o )
rat i o - это соотношение амплитуд до и после сглаживания. При

малых amp s оно может быть большим и шумным, поэтому для про
стоты стоит обнулить все кроме самих гармоник.
На рис. 8.4 показан результат. Как и ожидалось, соотношение вели
ко для НЧ и мало за частотой среза, в районе 4000 Гц. Но есть одна не
ожиданная особенность - выше частоты среза соотношение •скачет�
от О до О,2. Что это?
Теорема о с вертке
Ответ прост - это теорема о свертке. Математически говоря,
DFT(f * g) = DFT(f) DFT(g),
·
где / - массив сигнала, a g - окно. Теорема о свертке гласит, что ДПФ

от свертки f и g дает тот же результат, что и поэлементное перемноже
ние ДПФ / и ДПФ g.
Теорема о свертке
1111•••Е1
1 . О �---�---�----�---��
о.в
�"'
2
:1:
0.6
"'
QI
"'
:J:
�04
QI
8
u
0.2
Рис. 8. 4 . Соотношение спектров прямоугольного сигнала
до и после с глаживания
Применение операции типа свертки к сигналу подразумевает ра

боту во временной области, ибо сигнал - функция времени. Приме
нение операции типа умножения к ДПФ подразумевает работу в час
тотной области, ибо ДПФ - функция частоты.
Теперь сформулируем теорему о свертке лаконичнее:
Свертка во временной о бласти соответствует умножению в час
тотной области.
И это объясняет рис. 8.4, поскольку при свертке сигнала с окном
спектр сигнала умножается на спектр окна. Для изучения этого явле
ния вычислим ДПФ окна:
padded = zero_pad ( w i ndow , N )
dft_wi ndow = np . f f t . r f f t ( padde d )
thinkplot . p lot ( ab s ( d ft_w i ndow ) )
padded - это сглаживающее окно, дополненное нулями до той же

длины, что и wave; dft_wi ndow - это ДПФ от окна padded.
На рис. 8.5 показан результат, а также соотношения, вычислен
ные в предыдущем разделе. Они точно соответствуют амплитудам
в dft wi ndow. Математически:
abs(DFT(f * g)) / abs(DFT(f) ) - abs(DFТ(g)) .
В этом смысле ДПФ окна называется фильтром. Для любого свер
точноrо окна во временной области существует соответствующий
" • •.... � Гnава 8. Фиnьтраци11 и свертка
фильтр в частотной области. И для любого фильтра, выражаемого че

рез поэлементное умножение в частотной области, есть соответствую
щее окно.
1 .0
ДПФ (о кн о)
соот н оше н ие
- ам пл итуд
0 .8
\
С(
�
:<
"
"
>: 0 . 6
"'
"
:<
:z:
"
;!
� 0.4
оо
u
0.2 .
О О
. 0��.._
50 0_.
О _.__._.._._
1 О_.
00-0........
.._. _._
._.. 1 5�
_. 0...
00....�
._ �-
20 О�
... О ....
О ...
Частота ( Гц)
Рис. 8 . 5 . Соотношение спектров прямоугольного сигнала
до и после сглаживания и ДПФ окна сглаживания
Гауссов ф ил ьтр
Окно скользящего среднего, изученное в предыдущем разделе, есть
фильтр НЧ, но он не очень хорош. ДП Ф сначала резко падает, а потом
заметно колеблется. Эти колебания называют боковыми лепестками,
а появляются они оттого, что окно скользящего среднего похоже на
прямоугольный сигнал и высокочастотные гармоники в его спектре
спадают пропорционально 1//, то есть медленно.
Лучше будет гауссово окно. SciPy дает функции, вычисляющие
много разных сверточных окон, в частности gau s s ian:
gau s s ian = s c ipy . s i gnal . gau s s i a n (M=l l , s td=2 )
gau s s i a n /= sum (gau s s ian )
м - это количество элементов в окне; s t d - стандартное отклоне

ние гауссова распределения, используемое для его вычисления. На
рис. 8.6 показана форма окна: это дискретное приближение гауссова
«колокола•. На том же рисунке показано окно скользящего среднего
из предыдущего примера, иногда называемое прямоугольным• .
1
В амер. лит. - boxcar («товарный вагон•). - Прим. ред.
Гауссов фип �.тр
o.2s 1---�---�----т---:=====:::::i
-п ря м оуголь
н ое
- г а уссо в о
И н декс
Рис. 8.6. Прямоугольное и гауссово окна

Повтор вычислений из предыдущих разделов уже с этим окном да
ет результаты, приведенные на рис. 8.7. Показаны ДПФ гауссова окна
и соотношение.спектров до и после сглаживания.
1.0
1
1
га у ссо в фил ьт р
о.в
\ соот н оше н ие
- а мпли туд
�"
2 0.6
:о:
"'
"'
"
:i:
� 0.4
"'
�
о
о
u
\
0.2 1\
5000
l 1 '1
1 0000 15000 20000
Рис. 8. 7. Соотношение спектров до и после гауссова
сгл аживания и ДПФ окна
Гауссово сглаживание как фильтр НЧ лучше скользящего сред

него. После спада соотношение остается малым, почти без боковых
Глава 8. Фиn�.траци11 и свертка
лепестков, свойственных прямоугольному окну. Так что оно лучше

подавляет высокие частоты.
Оно работает так хорошо потому, что ДПФ гауссовой кривой -
также гауссова кривая. И соотношение спадает пропорционально
exp(-f), а это намного быстрее, чем 1//.
Эффективная с вертка
Одна из причин важности алгоритма БПФ в том, что в сочетании с те
оремой о свертке он дает эффективный способ вычисления свертки,
кросс-корреляции и автокорреляции.
Теорема о свертке гласит:
DFT(f * g) - DFT(f) DFT(g). ·
Поэтому один из способов вычисления свертки:

/ * g = IDFT(DFT(f) DFT(g)), ·
где I DFT - обратное ДПФ. Простая реализация свертки требует вре

мени пропорционально №; алгоритм с БПФ требует времени пропор-
ционально N log N.
·
Проверим это, вычисляя свертки обоими способами. Для примера

возьмем биржевые сводки Facebook, показанные на рис. 8. 1 :
import pandas a s pd
name s = [ ' date ' , ' open ' , ' h igh ' , · � ow ' , ' c l o s e ' , ' vo l ume ' ]
df = pd . read_c sv ( ' fb . c sv ' , heade r= O , name s =name s )
y s = d f . c l o s e . va l u e s ( : : - 1 ]
В этом примере используется Pandas для чтения данных из СSV

файла (входит в репозиторий книги). Знать Pandas вам не обязатель
но: в этой книге оно не пригодится. Но если есть интерес к теме, вы
найдете полезную информацию в Think Stats: h t tp : / / th i n k s t a t s 2 .
com.
Результат, df, - это DataFrame, одна из структур данных, поддер
живаемых Pandas. c l o s e - это NumPy массив, содержащий ежеднев
ные цены закрытия.
Далее создадим гауссово окно и свернем его с c l o s e :
wi ndow = s c i p y . s ignal . gau s s ian ( M= З O , s t d= б )
wi ndow / = wi ndow . s um ( )
smoothed = np . convolve ( y s , w i ndow , mode= ' va l i d ' )
f f t_convo l ve вычисляет то же самое, используя БПФ:

Эффе кти• на• а •токорреn•ци• ....••• "
from np . f ft import f f t , i f ft
de f f f t_convo lve ( s i gna l , wi ndow ) :

f ft_s igna l = f f t ( s i gna l )
f f t_wi ndow = f f t ( wi ndow )
return i f f t ( f f t_signal * f f t_w i ndow )
Проверим это заполнением окна до той же длины, что и y s , а затем

вычислим свертку:
padded = zero_pad ( w i ndow , N )
smoothed2 = f f t_convolve ( ys , padde d )
У результата в начале есть М - 1 фиктивных значений, где М - дли-

на окна. Отсекаются они следующим образом:
М = len ( wi ndow )
smoothed2 = smoothed2 [ M- l : J
Результат совпадает с fft_ convol ve с точностью порядка 12 раз

рядов.
Эффективная автокорреляция
В разделе •Свертка• на стр. 102 приводились определения кросс
корреляции и свертки; было показано, что они почти одинаковы, за
исключением того что в свертке окно обращено.
Теперь, когда есть эффективный алгоритм свертки, используем его
для вычисления кросс-корреляции и автокорреляции. Вычислим ав
токорреляцию цен на акции Facebook на основе данных из предыду
щего раздела:
corrs = np . corre l a t e ( c l o s e , c l o s e , mode= ' s ame ' )
При Mode • s ame • длина результата та же, что и у c l o s e , сообразно

=
лагам от -N/2 до N/2 - 1 . Серая линия на рис. 8.8 показывает результат.

За исключением точки l a g - О пиков не наблюдается, поэтому явной
периодичности в поведении этого сигнала нет. Однако автокорреля
ционная функция спадает медленно, а значит, этот сигнал напоминает
розовый шум, как показано в разделе •Автокорреляция• на стр. 65.
Для вычисления автокорреляции с применением свертки надо
дополнить сигнал нулями до удвоения длины. Это необходимо, по
скольку БПФ основано на предположении периодичности сигнала -
как будто он свернут от конца к началу. Для данных реального време
ни это предположение негодное. Добавление нулей и последующее
усечение результатов удаляет фиктивные значения.
" ••.... , Гnаеа 8. Фиn�.траци11 и свертка
n p . c onvolve
fft_convolve
3000000
!:!� 2 500000 .
"'
с:
"'
а.
а.
о
� 2000000 .
1 500000
1000000 ��-�-�-�-�--�-�-�-��
- 400 -300 - 2 0 0 - 1 00 о 100 200 300 400
Lag
Рис. 8.8. Автокорреляционные функции,
рассчитанные NumPy и f f t_aut o c o r r
Напомним, что свертка обращает направление окна. Учтем это

и изменим направление окна перед вызовом f f t_convo lve, для чего
используем np . flipud, разворачивающий массив NumPy. Результат -
вид на массив, а не копия, так что это быстрая операция:
de f f f t_au tocorr ( s igna l ) :
N = len ( s i gna l )
s i gna l = t h i n kdsp . z e ro_pad ( s i gna l , 2 * N )
wi ndow = np . flipud ( s i gna l )
corrs = f f t_convolve ( s i gna l , w i ndow )

c o r r s = np . r o l l ( co r r s , N / / 2 + 1 ) [ : N J
return c o r r s
Длина результата f f t_convolve будет 2N. Из них первые и послед

ние N/2 значимы; остальные - результат дополнения нулями. Зна
чащие элементы получаем •прокручиванием• результата, выбирая
первые N, соответствующие лагам от -N/2 до N/2 - 1 .
Как показано н а рис. 8.8, результаты f f t_autocorr и np.correlate
идентичны (с точностью до 9 разрядов).
Обратите внимание, что корреляции на рис. 8.8 - большие числа;
их можно нормализовать (между - 1 и 1 ) так, как показано в разделе
•Использование NumPy• на стр. 70.
Стратегия, использованная здесь для автокорреляции, работает
и для кросс-корреляции. И снова надо подготовить сигналы, развер
нув один и дополнив нулями оба, а затем отсечь незначащие части ре-
Уn ражнени11
1111• ••1D1
зультата. Дополнение и отсечение не очень удобны; именно поэтому
библиотеки типа NumPy предоставляют функции, делающие это за
вас.
Решения этих упражнений находятся в блокноте chap08 soln . ipynb.
Блокнот для этой главы - chap0 8 . ipynb. Прочитайте его и запус-
тите код.
В нем есть интерактивный виджет, где можно экспериментировать
с параметрами гауссова окна и изучить их влияние на частоту среза.
Что случится, если при увеличении ширины гауссова окна std не
увеличивать число элементов в окне м?
В этой главе утверждается, что преобразование Фурье гауссовой
кривой - также гауссова кривая. Для дискретного преобразования
Фурье это сотношение приблизительно верно.
Попробуйте его на нескольких примерах. Что происходит с преоб
разованием Фурье, если меняется stct?
В упражнениях к главе 3 изучалось влияние на утечки спектра ок
на Хэмминга и некоторых других, предоставляемых NumPy. Глубже
понять эти окна можно, изучив их ДПФ.
В дополнение к Гауссову окну, использованному в этой главе, соз
дайте окно Хемминга тех же размеров. Дополните окно нулями и на
печатайте его ДПФ. Какое окно больше подходит для фильтра НЧ?
Полезно напечатать ДПФ с логарифмическим масштабом по у.
Поэкспериментируйте с разными окнами и разными размерами
этих окон.
- - - - · · · (;
r11ава 9.
Дифференцирование
и и н теrр иров а н и е
В этой главе мы продолжим рассматривать соотношения между окна

ми во временной области и фильтрами - в частотной.
В частности, будет показана работа окна конечной разности, ап
проксимирующего дифференцирование, и операции накапливающей
суммы, аппроксимирующей интегрирование.
chap O 9 . ipynb (см. раздел «Работа с кодом• на стр. 9). Также код мож
но просмотреть на веб-странице h t tp : / / t i n y u r l . com/ t h i n kdsp 0 9 .
Конечные разно сти

В разделе «Сглаживание• на стр. 99 сглаживающее окно было нало
жено на ежедневные цены акций Facebook и мы показали, что окно
сглаживания во временной области соответствует фильтру НЧ в час
тотной области.
В этом разделе рассмотрим ежедневные изменения цен и покажем,
что вычисление разницы между соседними элементами во временной
области соответствует фильтру ВЧ.
Вот код для чтения данных - сохраним его как сигнал и вычислим
его спектр:
import pandas a s pd
name s = [ ' da t e ' , ' open ' , ' h igh ' , ' l ow ' , ' c l o s e ' , ' volume ' ]
d f = pd . read_c sv ( ' fb . c sv ' , header= O , name s=name s )
ys = d f . c l ose . va l u e s [ : : - 1 ]
c l o s e = t h i n kdsp . wave ( ys , f rame rate= l )
spect rum = wave . make_spect rum ( )
В этом примере используется Pandas для чтения файла CSV; ре

зультат - DataF rame , df, причем в столбцах - цены открытия, закры-
Частотна• о бnасть 1111• ••ВЕ1
тия, максимумы и минимумы цен. Выберем цены закрытия и сохра
ним их в объекте wave. Частоту кадров установим равной 1 выборке
в день.
На рис. 9.1 показаны временной ряд и его спектр. Временной ряд
по виду похож на броуновский шум (см. раздел •Броуновский шум•
на стр. 52). А спектр выглядит как прямая линия, хотя и размытая.
Средний уклон 1 9 что согласуется с броуновским шумом.
-
, ,
lo' �-
--�----�-�
100
�
"'
"' 60
"
::r
40
20
0 10 0 1
о lOO 200 зоо 400 soo 600 100 воо 900 i o· ' io·
Вре мя (дн и ) Ч астота ( 1 /дни )
Рис. 9. 1 . Ежедневные цены закрытия акций Facebook
и спектр этого временного ряда
Теперь вычислим ежедневные изменения цены, используя np . di f f:
di f f = np . di f f ( ys )
change = thinkdsp . wave ( di f f , f rame rate = l )
change_spect rum = change . ma ke_spe c t rum ( )
На рис. 9.2 показаны результирующий сигнал и его спектр. Еже

дневные изменения напоминают белый шум, а оценка уклона спек
тра, -0,06, близка к нулю, что ожидаемо для белого шума.
Ч астот ная о бл аст ь

Вычисления разницы между соседними элементами - это то же, что
и свертка с окном [ 1 , - 1 J Порядок элементов обращен, поскольку
•
свертка обращает окно перед наложением его на сигнал.

Рассмотрим эффект этой операции в частотной области, вычислив
ДПФ окна:
Глава 9 . Дифференцирование и интеrрирование
10 2
§. 2
".
"'
"
::::! о
10'
-2
-4
-б i o · 1 �---_._,_____._,.__�
о lOO 200 зоо 400 soo боо 100 воо 900 1 0- 2 10· 1
В рем я ( дни ) Частота ( 1 /дни )
Рис. 9.2. Ежедневные цены закрытия акций Facebook

и спектр этого временного ряда
d i f f_w i ndow = np . a r r a y ( [ l . O , - 1 . 0 ) )
padded = t h i n kdsp . z e ro_pad ( d i f f_w indow , len ( c l o s e ) )
di f f_wave = t h i n kdsp . wave ( padde d , f ramerate=c l o s e . framerate )
di f f_filter = di f f_wave . ma ke_spect rum ( )
Н а рис. 9.3 показан результат. Окно конечной разности соответ

ствует фильтру ВЧ: ero амплитуда линейно растет в области низких
частот, но скорость ро ста постепенно снижается. Причину мы выяс
ним в следующем разделе.
З . S г.=====�-------, г.====::::;--------1
1
1 0'
! - и нтеграл 1
з.о 1 =��водная
q:
� 2.5 g"' 10 2
" "
с: с:
" "
: 2.0 "'
"
i
"'
:i: 10 1
5 . 1.s
" "
3
о
:i: :i:
u
g 1.0 8
u
10°
0.5
0.1 0.3 0.4 0.5 0.1 0.2 0.5

io ·1 '---�--�-�--�-�
0.2 о.о о.з 0 .4
Частота ( 1 /дн и ) Частота ( 1 /дн и )
Рис. 9.3. Фильтры, соответствующи е операторам ditf
и ditferentiate (слева) и оператору интегрирования
(справа, логарифмический масштаб по у)
Ди фференцирование 11111 ••111'1
Дифференцирование
Окно, использованное в предыдущем разделе, есть численное при
ближение первой производной, поэтому фильтр аппроксимирует
дифференцирование.
Дифференцирование во временной области соответствует просто
му фильтру в частотной области; математика поможет с этим разо
браться.
Возьмем комплексную синусоиду с частотой /:
Ef t) = е2тf1.
Первая производная от Е1 будет:
d/dt (Ef t)) - 2тri/ е2тf1,
что можно переписать следующим образом:
d/dt (E}t)) = 2тri/ Ejt).

Иначе говоря, взятие производной от Е1 соответствует умножению
на 2тri/, то есть на комплексное число с модулем 2тr/ и углом тr/2.
Вычислим.фильтр, соответствующий дифференцированию:
de riv_filter = c l o s e.ma ke_spe c t rum ( )
de riv_filter . h s = P I 2 • l j • de riv_fil ter . f s
Начнем со спектра c l o s e с правильным размером и частотой

кадров, а затем заменим hs на 2тri/. На рис. 9.3 (слева) показан этот
фильтр; он представляет собой прямую линию.
В разделе •Синтез с матрицами• на стр. 90 мы говорили о двой
ственности умножения комплексной синусоиды на комплексное чис
ло: амплитуда в данном случае умножается на 2тr/ и сдвигается фаза -
в нашем примере на тr/2 .
В понятиях операторов и собственных функций каждое Е1 есть
собственная функция оператора дифференцирования, с соответству
ющим собственным значением 2тrif. См. статью в Википедии http : / /
en . wi kipedi a . o r g / w i k i / E igenfun c t i on .
Для тех, кто не знаком с этими понятиями, поясним:
•
Оператор - это функция, берущая одну функцию и возвраща
ющая другую. Например, дифференцирование - это оператор.
•
Функция g есть собственная функция оператора )1, если при
менение )1 к g соответствует умножению функции на скаляр.
То есть JJg .Лg.-
... . ..... 1 Г11ааа 9. Дифференцирование и интеrрироаание
•
В этом случае скаляр Л есть собственное значение, соответст
вующее собственной функции g.
•
Данный оператор может иметь много собственных функций,
каждая со своим собственным значением.
Поскольку комплексные синусоиды - собственные функции опе
ратора дифференцирования, они легко дифференцируемы. Достаточ
но лишь умножения на комплексный скаляр.
Для сигналов со многими компонентами процесс ненамного слож
нее:
1. Выразите сигнал совокупностью комплексных синусоид.
2. Вычислите производную каждой компоненты умножением.
3. Сложите продифференцированные компоненты.
Этот алгоритм очень похож на алгоритм свертки в разделе •Эффек
тивная свертка• на стр. 1 08: вычислить ДПФ, умножить на фильтр
и вычислить обратное ДПФ.
Spe c t rum дает метод, накладывающий дифференцирующий фильтр.
t c l a s s Spect rum :
de f di f fe r e n t i a t e ( s e l f ) :
s e l f . h s * = P I 2 * l j * s e l f . fs
Е го можно использовать для вычисления производной временного

ряда Facebook:
deriv spect rum = c l o s e . ma ke spect rum ( )
-
de riv spect rum . di f fe r e n t i a t e ( )
-
de riv = de riv_spe c t r um . ma ke_wave ( )
На рис. 9.4 сравниваются рассчитанные np . d i f f ежедневные изме

нения цен с вычисленной выше производной. Взяты первые 50 значе
ний во временном ряду, чтобы различия были четко видны.
Производная шумит сильнее, потому что она усиливает высоко
частотные компоненты, как показано на рис. 9.3 (слева). Кроме того,
первые несколько элементов производной очень зашумлены. Про
блема в том, что производная на базе ДПФ предполагает периодич
ность сигнала. При этом последний элемент из временного ряда со
единяется с его первым элементом, а это дает артефакты на краях.
Таким образом:
•
вычисление разности между соседними значениями в сигнале
можно выразить сверткой с простым окном. Результат будет
аппроксимацией первой производной;
•
дифференцирование во временной области соответствует
простому фильтру в частотной области. Для периодических
И нте rриро аание 11111 ••1D1
сигналов это даст точную первую производную. Для некото
рых непериодических сигналов это будет аппроксимация про
изводной.
� - 10
�
"
�
"
20
-
"
:r
..,
:s:: - 3
0
- 40
- 5 00 1
0 20 30 40 50
Время (дни)
Рис . 9 . 4 .
С рав н е н ие ежедн евных изме н е н ий це н , рассчитанных
с np.diff и с применением дифференцирующего фильтра
Использование ДПФ для вычисления производных - это осно

ва спектральных методов решения дифференциальных уравнений
(cм. http : / / en . wi kipedia . o rg/wi k i / Spectra l_rne thod).
В частности, это полезно для анализа линейных стационарных (ин
вариантных во времени) систем, рассматриваемых в главе 10.
И нтегр и ров ание

В предыдущем разделе показано, что дифференцирование во времен
ной области соответствует простому фильтру в частотной области:
каждый компонент умножается на 2mf Поскольку интегрирование
обратно дифференцированию, оно также соответствует простому
фильтру: каждый компонент делится на 2m/.
Вычислим этот фильтр следующим образом:
integ_filter = c l o s e . ma ke_spect rum ( )
integ_fi l t e r . h s = 1 / ( P I 2 • l j • i n teg_fil t e r . f s )
На рис. 9.3 (справа) фильтр для удобства показан в логарифми

ческом масштабе по у.
Spect rurn дает метод, накладывающий интегрирующий фильтр.
" •••••• i Глава 9. Дифференцирование и интеrрирование
1 c l a s s Spect rum :
de f i n tegrate ( s e l f ) :
se l f . h s /= P I 2 * lj * s e l f . fs
Подтвердим, что интегрирующий фильтр точен, применив его к

только что вычисленному спектру производной:
i n teg_Spec t rum = der iv_Spect rum . copy ( )
i n teg_Spec t rum . i ntegrate ( )
Обратите внимание, что при f = О будет деление на О. Результа

том в NumPy будет NaN, особое значение с плавающей запятой, пред
ставляющее 4Не число•. В частном случае проблему можно решить,
установив эту величину в О перед преобразованием спектра обратно
в сигнал:
i n teg_spect rum . h s [ O ] = О
integ_wave = i n teg_spe c t rum . ma ke_wave ( )
На рис. 9.5 показана проинтегрированная производная вместе с

оригинальным временным рядом. Они почти идентичны, но проин
тегрированная производная смещена вниз. Проблема в том, что при
4Насилии• над компонентом с f = О было задано нулевое смещение.
И это неудивительно; обычно при дифференцировании теряется ин
формация о смещении (постоянной составляющей), и интегрирова
ние не может его восстановить. В некотором смысле NaN при f - О
указывает, что этот элемент неизвестен.
1 2 0 г;:::==::!:===:::z::=====z::;-��-,
- цен ы закрыти я
1 00 - и нтегеал производной
80
60
�
"' 40
:i:
"
::::I
20
-20
-40 '---"'--"-'-��-'
о 100 200 300 400 500 600 700 800 900
В ремя (дни )
Рис. 9 . 5 . С равнение оригинального временного ряда
и проинтегрированной производной
Н арасrающа11 сумма
11111 ••1111
Если эту •постоянную интегрирования• добавить, то результаты
будут идентичны, и именно поэтому интегрирующий фильтр обратен
дифференцирующему.
Нар аста ющая сумма

Так же, как оператор d i f f аппроксимирует дифференцирование, на
растающая сумма аппроксимирует интегрирование. Покажем это на
примере с пилообразным сигналом:
s i gnal = t h i n kdsp . Sawtoot h S i gna l ( f req= 5 0 )
in_wave = s i gna l . ma ke_wave ( du r a t i o n = 0 . 1 , f ramerate=4 4 1 0 0 )
На рис. 9.6 представлен этот сигнал и его спектр.

wave дает метод, вычисляющий нарастающую сумму массива сиг
нала и возвращающий новый объект wave:
f c l a s s wave :
de f cumsum ( se l f ) :
ys = np . cumsum ( s e l f . ys )
t s = s e l f . t s . copy ( )
return wave ( ys , t s , s e l f . f ramerate )
Используем его для вычисления нарастающей суммы in _wave:

out wave = in wave . cumsum ( )
ou( :wave.unЬias ( )
На рис. 9.7 показан результирующий сигнал и его спектр. Сообраз

но упражнениям из главы 2, этот сигнал знаком: это параболический
сигнал.
Сравним изображения на рис. 9.6 и 9.7 очевидно, что амплитуды
-
компонентов в спектре параболического сигнала спадают быстрее,

чем в спектре пилообразного. В главе 2 показано, что компоненты
•пилы• спадают пропорционально 1//. Поскольку нарастающая сум
ма аппроксимирует интегрирование, а интеграция фильтрует компо
ненты пропорционально 1//, то компоненты параболического сигна
ла спадают пропорционально 1/j2.
Покажем это на графике, вычислив фильтр, соответствующий на
растающей сумме:
cumsum filter = di f f fil t e r . сору ( )
cumsum=fil te r . h s = 1 / cumsum_fil t e r . h s
-
Поскольку cumsum - это операция, обратная d i f f , начнем с копии

di f f_fil te r, с фильтра, соответствующего операции di f f, и вычислим
обратное h s .
El•• •lll� Глава 9 . Дифференцирование и инте грирование
1 . 0 ,-----..---�--�-�--� lбОО г---�-----�
1 4 00
0.5 1 2 00
1000
о.о 800
600
-0.5 400
200
0 --�
\._
- 1 8. 0 о-�
'=-= �
о
2 ---:
. о=-
о� .0
'""' о .7
4--о- об о�
,-----, . о..,. о . 1· 0 ° oL...:::1!1•"
5 o---1""
oo 0�"'
00 0--1 5�
""' ,.
00 ..,
0- 2 0-
-,..., 00 0...J
'"'
Время (с) Час т от а ( Гц )

Рис. 9.6. Пилообразный сигнал и его спектр
150
100
150000
50
100000
50000
- 50
0
- 1 8.00 0 .02 0 . 04 О.Об 0 .08 0.10 °о 5000 10000 15000 20000
Время (с) Частота (Гц)

Рис. 9 .7. П араболически й сигнал и его спектр
На рис. 9.8 показаны фильтры, соответствующие нарастающей

сумме и интегрированию. Нарастающая сумма - хорошая аппрокси
мация интегрирования, за исключением области высоких частот, где
спад немного круче.
Подтвердить, что это правильный фильтр нарастающей суммы,
можно сравнением его с соотношением спектров out _wave и in _wave:
Н арастающа• сумма
1111•••"
ф ильтр c u m s u m ·
- интегратор
1 02
1
10
�----�----�-�
1
10·
о 5000 1 0000 15000 2 0000
Рис . 9 .8. Фильтры , соответствующие нарастающей

сумме и интегрированию
i n_spect rum = i n_wave . make_spect rum ( )

out_spect r�m = ou t_wave . ma ke_spec t rum ( )
ratio_spec t rum = out_spect rum . ra t i o ( i n_spect rum , thresh= l )
А вот метод, вычисляющий соотношения:

de f ratio ( s e l f , denom , thresh=l ) :
rat io_spect rum = se l f . copy ( )
ratio_spe c t rum . h s / = denom . hs
ratio_spe ct rum . h s [ denom . amps < thre s h ] = np . nan
return r a t i o_spe c t rum
Когда denorn . arnp s мал, полученное соотношение зашумлено и эти

значения установлены в NaN.
На рис. 9.9 показаны соотношения и фильтр, соответствующий на
растающей сумме. Они похожи, и это подтверждает, что инвертиро
вание фильтра d i f f дает фильтр curns urn.
И наконец, подтвердим теорему о свертке, применив фильтр
curnsurn в частотной области:
out_wave2 = ( i n_Spe c t rum * cumsum_fi l te r ) . ma ke_wave ( )
В пределах ошибки округления out_wave2 идентичен out_wave,

вычисленному с помощью curns urn, итак, теорема о свертке работает!
-
Но заметьте, что это верно только для периодических сигналов.

Глава 9. Дифференцирование и интеrрирование
0
1 3 ,---�---��----;::====:::;-i
ф ильтр c u m s u m
. отношение
0
1 2
с(
�
"'
�
>:
"'
"
"' 0 ·.
:r 1 1
"
3
о·
о
:r
о
u
0
1 °
10·' o�---s--'
0� ____--'
00 0 o-0_
0 s o-
___--' o-
o ---
20 o_
_.. oo
---'
1 1
Ча стота (Г ц) 1
Рис . 9 . 9 . Фильтр, соответствую щий н араста ю щей сумм е,

и фактические отношения спектров до и после
И нтегрирование шу м а
В примере из раздела •Броуновский шум>) на стр. 52 броуновский
шум был получен вычислением нарастающей суммы белого шума. Те
перь, изучив влияние cums um в частотной области, проще разобраться
со спектром броуновского шума.
В среднем у белого шума одинаковая мощность на всех частотах.
При вычислении нарастающей суммы амплитуда каждого компонен
та делится на /. Поскольку мощность - это квадрат амплитуды, мощ
ность каждого компонента делится наf. Так что в среднем мощность
на частоте / пропорциональна 1 /f:
Р1 = К / f,
где К - несущественная константа. Логарифмируем обе части:
log Р1 = log К - 2 logf.
Значит, при выводе участка спектра броуновского шума в двой
ном логарифмическом масштабе получится прямая линия с уклоном,
близким к -2.
В разделе • Конечные разности>) на стр. 1 1 2 строился спектр цен
закрытия на акции Facebook, и оценка наклона была близка к - 1 ,9,
Упражнени•
1111• ••Е1
что согласуется с броуновским шумом. У цен на многие акции анало
гичные спектры.
При использовании оператора di f f для расчета ежедневных изме
нений амплитуда каждого компонента умножалась на фильтр, про
порциональный/; значит, мощность каждого компонента умножалась
наf. На двойной логарифмической шкале эта операция прибавляет 2
к уклону спектра мощности, поэтому предполагаемый уклон резуль
тата близок к О, 1 (чуть меньше, ведь di f f аппроксимирует дифферен
цирование).
Решения этих упражнений находятся в блокноте chap0 9soln . ipynb.
Блокнот для этой главы - chapO 9 . ipynb. Прочитайте его и запус
тите код.
В разделе •Нарастающая сумма• на стр. 1 19 отмечено, что некото
рые примеры не работают с апериодическими сигналами. Замените
периодическ�й пилообразный сигнал на непериодические данные
Facebook и посмотрите, что пойдет не так.
Вэтомупражнении изучается влияние di f f и di f fеrеnt iаtе насиг
нал. Создайте треугольный сигнал и напечатайте его. Примените di f f
к сигналу и напечатайте результат. Вычислите спектр треугольного
сигнала, примените di f ferentiate и напечатайте результат. Преоб
разуйте спектр обратно в сигнал и напечатайте его. Есть ли различия
в воздействии di f f и di f ferentiate на этот сигнал?
В данном упражнении изучается влияние cumsum и integrate на
сигнал. Создайте прямоугольный сигнал и напечатайте его. Приме
ните cumsum и напечатайте результат. Вычислите спектр прямоуголь
ного сигнала, примените integrate и напечатайте результат. Преоб
разуйте спектр обратно в сигнал и напечатайте его. Есть ли различия
в воздействии cumsum и integrate на этот сигнал?
В данном упражнении изучается влияние двойного интегрирова
ния. Создайте пилообразный сигнал, вычислите его спектр, а затем
дважды примените integrate. Напечатайте результирующий сигнал
Гл а в а 9 . Ди фф еренцнро аонне н ннтеrрнроаанне
и его спектр. Какова математическая форма сигнала? Почему он на

поминает синусоиду?
В этом упражнении изучается влияние второй разности и второй
производной. Создайте CuЬ i c S igna l , определенный в t h i n kdsp.
Вычислите вторую разность, дважды применив di f f. Как выгля
дит результат? Вычислите вторую производную, дважды применив
di f fe r e n t i a t e к спектру. Похожи ли результаты?
Распечатайте фильтры, соответствующие второй разнице и вто
рой производной, и сравните их. Подсказка: для того чтобы получить
фильтры в одном масштабе, используйте сигнал с частотой кадров 1 .
�···----
r11а ва 1 0 •
.nи н ей н ые сrа ц ионар н •1е

систем••
В настоящей главе представлены основы теории сигналов и систем,

а для примеров взята музыкальная акустика. Раскрывается примене
ние теоремы о свертке при описании линейных стационарных систем,
определение которых дано ниже.
chap l о . ipynb (см. раздел •Работа с кодом• на стр. 9). Также код мож
но просмотреть на веб-странице http : / / t inyurl . com/ thinkdsp l O .
Си г налы и си стемы
В контексте обработки сигналов система это абстрактное представ
-
ление чего-либо имеющего сигнал на входе и создающего сигнал на

выходе.
Например, электронный усилитель принимает электрический сиг
нал на вход и производит усиленный сигнал на выходе.
Также и концертный зал можно считать системой, принимающей
звуки музыки в месте ее проигрывания и производящей немного
иной звук в месте его прослушивания.
Линейная стационарная система• (ЛС) это система с двумя про
-
стыми свойствами:
1. Линейность.
Е сли на вход системы подать два воздействия, то на выходе бу
дет сумма результатов этих воздействий. Математически, если
на входе х1 , то на выходе у 1 , если х2, то у2, причем ах1 + Ьх2 на
входе дадут ау 1 + Ьу2 на выходе, где а и Ь скаляры.
-
1 Это определение соответствует приведенному в статье Википедии: http : / /

en . wi kipedia . org/wi ki / LT I_s ystem_theory (на англ. яэ .).
Глава 1 О. Линейные стационарные системы
2. Неизменность во времени
Свойства системы неизменны во времени и не зависят от со
стояния системы. Так что если воздействия х1 и х2 отличают
ся только временным сдвигом, то появляющиеся на выходе
у 1 и у2 отличаются только этим сдвигом, а в остальном иден
тичны.
Свойства многих физических систем таковы хотя бы в первом при
ближении:
• схемы, содержащие только сопротивления, емкости и индук
тивности, - Л С-системы, с точностью до соответствия компо
нентов своим идеализированным моделям;
•
механизмы, содержащие пружины, массы и демпферы ( амор
тизаторы), - также ЛС-системы, если пружины (сила пропор
циональна смещению) и демпферы (сила пропорциональна
скорости) - линейные;
• среды, передающие звук (включая воздух, воду и твердые
тела), хорошо моделируются как ЛС-системы. И для нас это
самое важное.
Описываются ЛС-системы линейными дифференциальными
уравнениями, причем решениями этих уравнений будут комплекс
ные синусоиды (см. статью в Википедии h t tp : / / en . wi kipedia .
o r g / w i ki / L i n e a r_di f fe r en t i a l_equa t i on на англ. яз.).
Теперь можно составить алгоритм вычисления воздействия ЛС
систем на входной сигнал:
1. Выразить входной сигнал суммой комплексных синусоид.
2. Вычислить соответствующий выходной компонент для каж
дого входного.
3. Сложить выходные компоненты.
Этот алгоритм уже хорошо знаком. Он использовался для свертки
(см. раздел •Эффективная свертка», стр. 108 ) и для дифференциро
вания (см. раздел •дифференцирование», стр. 1 1 5). Этот процесс на
зывается разложение в спектр, поскольку входной сигнал •раслады
вается» на спектральные компоненты.
Для применения этого процесса к ЛС-системе ее надо охаракте
ризовать, определив ее воздействие на каждый компонент входно
го сигнала. Так, для механических систем это легко и просто: надо
•пнуть» систему и записать выходные данные.
Технически говоря, •пинок» - это импульс, а выход системы - им
пульсная характеристика. Удивительно, но одним импульсом можно
О кна и ф ильтры 11111 ••1111
охарактеризовать систему целиком. Для начала вычислим ДПФ им
пульса. Вот массив сигнала с импульсом при t = О:
impu l s e = np . zeros ( 8 )
impu l s e [ O ] = 1
impu l s e_spe ct rum = np . f ft . f ft ( impu l s e )
Массив сигнала выглядит следующим образом:

[ 1. О. О. О. О. О. О. О.]
А вот его спектр:

[ 1 . +0 . j l . +O . j l . +0 . j 1 . +0 . j 1 . +0 . j 1 . +0 . j l . +O . j l . +0 . j ]
Весь спектр единичный, то есть импульс есть сумма компонент

с одинаковыми амплитудами на всех частотах. Этот спектр не следует
путать с белым шумом, у которого одинаковая средняя мощность на
всех частотах, но она колеблется вокруг этого среднего.
При тестировании системы подачей на вход импульса проверяется
реакция системы на всех частотах. И проверять все можно одновре
менно - ведь система линейная, и разные составляющие не влияют
друг на друга.
О кна и ф ильт р ы
Подтвердить, что вышеописанное изучение системы верно, можно
на простом примере: двухэлементное скользящее среднее. Эта опера
ция - по сути, система, принимающая сигнал в виде входных данных
и выдающая на выходе слегка сглаженный сигнал.
В этом примере окно известно, и можно вычислить соответствую
щий фильтр. В реальности часто все не так; в следующем разделе мы
рассмотрим пример, где ни об окне, ни о фильтре заранее ничего не
известно.
Вот окно для вычисления двухэлементного скользящего среднего
(см. раздел •Сглаживание• на стр. 99):
wi ndow_array = np . array ( [ 0 . 5 , 0 . 5 , О , О , О , О , О , 0, ) )
wi ndow = thin kdsp . wave ( window_a r r a y , f ramerate= B )
Найдем соответствующий фильтр вычислением ДП Ф окна:

fil t r = wi ndow . ma ke_spect rum ( fu l l=True )
На рис. 10.1 показан результат. Фильтр, соответствующий окну

скользящего среднего, есть фильтр НЧ, аппроксимирующий гауссо
ву кривую.
Ш1••8111� Гnаеа 1 О . Линейные стацнонарные снстемы
Ч астота
Рис . 1 О . 1 . ДПФ двухэлементного скользящего среднего
Теперь представим, что ни об окне, ни о соответствующем фильтре

ничего не известно, а охарактеризовать систему надо. Сделать это мож
но - подать на вход импульс и измерить импульсную характеристику.
В этом примере импульсная характеристика вычисляется умноже
нием спектра импульса на фильтр и преобразованием результата из
спектра в сигнал:
product = impu l s e_spect rum * fi l t r
fil t e r e d = product . make_wave ( )
Так как в impu l s e_ Spect rum одни единицы, произведение иден

тично фильтру, а отфильтрованный сигнал идентичен окну.
Из этого примера следуют два вывода:
•
посколькуспектр импульса состоит из одних единиц, Д П Ф
импульсной характеристики идентично фильтру, характери
зующему систему;
•
с другой стороны, импульсная характеристика идентична окну
свертки, характеризующему систему.
Акустиче с кая характер истика

Охарактеризовать импульсом акустическую характеристику комна
ты или открытого пространства очень просто - достаточно проколоть
Акустическа• характеристика
1111•••1В1
воздушный шар или выстрелить. Получится входной сигнал, аппрок
симирующий импульс, а слышимый звук саппроксимирует импульс
ную характеристику.
Для примера возьмем запись выстрела, охарактеризуем ком
нату, где был произведен выстрел, а затем применим импульсную
характеристику для имитации воздействия этой комнаты на звук
скрипки.
Этот пример есть в блокноте chap l O . ipynb, размещенном в репо
зитории книги; просмотреть и прослушать примеры можно и на веб
странице http : / / t inyurl . com/ thinkdsp l O .
Вот выстрел:
response = t h i n kdsp . read_wave ( ' l 8 0 9 6 l_kl eeb_gunshot s . wav ' )
response = respon s e . segment ( s ta r t = 0 . 2 6 , du ration=S . 0 )
response . norma l i z e ( )
response . p lot ( )
Тишина перед выстрелом удалена, сегмент начинается с 0,26 с.

На рис. 10.2 (слева) показан сигнал выстрела. Теперь вычислим
ДПФ responce:
transfer = response . make_spect rum ( )
transfer . 'p l o t ( )
На рис. 10.2 (справа) показан результат. Этот спектр соответствует

отклику комнаты; каждая частота в спектре представлена комплекс
ным числом в виде амплитуды и фазы.
2 5 0 �-�-----�--��
1.0
200
0.5
"' 150
о.о
�"
"
с:
>:
<( 100
-0.5
0.5 1.0 1.5 5000 10000 1 5000 20000

В ре мя (с) Час то та (Гц)
Рис. 1 0.2 . Сигнал выстрела

1&1•• •1111 Глава 1 О. Линейные с:rационарные сис:rемы
Этот спектр называется передаточной функцией, поскольку он от

ражает то, как через систему передаются данные со входа на выход.
Теперь можно имитировать воздействие комнаты на звук скрипки.
Возьмем запись скрипки, использованную в разделе �Периодические
сигналы• на стр. 14:
violin = thinkdsp . read_wave ( ' 92 0 02�j cveli z�violin-origional . wav ' )
v i o l i n . truncate ( len ( respons e ) )
v i o l i n . norma l i z e ( )
Звуки скрипки и выстрела записаны с частотой кадров 44 1 00 Гц,

и у них примерно одинаковая длительность. Длины сигналов скрип
ки и выстрела выровнены.
Вычислим ДПФ сигнала скрипки:
spect rum = v i o l i n . ma ke_spect rum ( )
Теперь известны амплитуды и фазы всех частотных компонент

на входе, а также передаточная функция системы. Умножение ее на
spe c t rum даст ДП Ф от выхода, и его можно использовать для вычис
ления выходного сигнала:
output = ( spect rum * t r an s f e r ) . ma ke_wave ( )
output . norma l i z e ( )
output . p l o t ( )
На рис. 10.3 показаны вход (вверху) и выход (внизу) системы. Они

заметно различаются, и разница хорошо слышна. Загрузите chap l O .
ipynb и прослушайте сами.
1 . о г---�--т-�---�----;::===:::.l
0.5
о.о
-0.5
0.5
о.о
-0.5
0.5 1.0 1.5 2.0

В ре м я (с)
Рис. 1 0.3. Сигнал записи скрипки до и после свертки
С и стемы и свертка 11111••1111
В этом примере поражает одно - ощущение присутствия в комнате:
звук такой, как в длинном узком помещении с твердым полом и потол
ком. Оно похоже на крытый стрелковый тир.
Мы до сих пор не упомянули об одной тонкости, которую следо
вало бы отметить. Звук скрипки при записи уже прошел через одну
систему: это студия звукозаписи. Так что в примере на самом деле
вычисляется звучание скрипки после двух преобразований. Для пра
вильной имитации звучания скрипки в другой комнате следовало бы
сначала охарактеризовать ту комнату, где звук скрипки был записан,
и применить функцию, обратную передаточной.
Системы и свертка
Предыдущий пример - вовсе не черная магия, хотя автору до сих пор
немного не по себе.
В предыдущем разделе предложено объяснение достигнутого эф
фекта:
• импульс состоит из компонент с амплитудой 1 на всех частотах;
•
импульсная характеристика содержит сумму откликов систе
мьl 'на все эти компоненты;
• передаточная функция, или ДПФ импульсной характеристи
ки, отражает воздействие системы на каждую частотную ком
поненту в виде амплитуды и фазы;
•
для любого сигнала на входе отклик системы можно опреде
лить, разбив входные данные на компоненты: вычислить от
клик на каждую компоненту и суммировать их.
Если этого мало, то есть еще один способ: свертка! Согласно теоре
ме о свертке, умножение в частотной области соответствует свертке
во временной области. В этом примере выход системы есть свертка
входа и отклика системы.
Вот ключ к пониманию того, почему это сработает:
•
выборки входного сигнала, по сути, - это последовательность
импульсов различной амплитуды;
• каждый входной импульс •порождает• копию импульсной ха
рактеристики, соответствующую времени его появления (по
скольку система стационарна во времени) и его амплитуде;
Н а выходе будет сумма сдвинутых во времени и масштабирован
ных копий импульсной характеристики. Копии складываются, по
скольку система линейная.
Глава 1 О. Линейнwе с:тационарнwе сис:темw
Предположим, что вместо одного выстрела произвели два: один

громкий, с амплитудой 1 при t = О, и один тихий, с амплитудой 0,5
при t - 1 .
Отклик системы вычислим сложением оригинального импульсно
го отклика и его масштабированной и сдвинутой копии. Вот функ
ция, генерирующая сдвинутую и масштабированную копии сигнала:
de f s h i f ted_sca led ( wave , shi f t , facto r ) :
res = wave . copy ( )
res . s h i f t ( sh i f t )
res . s c a l e ( fa c t o r )
return res
Параметр s h i f t временной сдвиг в секундах; f a c t o r коэффи

- -
циент масштабирования. Вот как вычислить отклик на •салют• из

двух выстрелов:
shi f t = 1
factor = 0 . 5
gun2 = respon se + shi fted_s ca l e d ( respo n s e , shi ft , facto r )
На рис. 10.4 показан результат. В блокноте chap l O . ipynb можно

послушать, как это звучит. Видно и слышно, что звучат два выстрела,
притом первый громче второго.
В ре мя (с)
Рис. 1 0.4. Сумма сигнала и его сдвинуто й , масштаб ированной копии
Теперь предположим, что вместо двух стволов взяли сто, и стре

ляют со скоростью 44 1 выстрел в секунду. Вот цикл, вычисляющий
результат:
С исrемы и свертка 11111••1111
dt = 1 / 4 4 1
total = О
for k in range ( 1 0 0 ) :
total += shi fted_s c a l e d ( respon s e , k * dt , 1 . 0)
При 44 1 выстреле в секунду расслышать отдельные выстрелы нель

зя. Вместо этого слышится периодический сиrnал 44 1 Гц. Если прослу
шать этот пример, то звук напомнит вам автомобильный гудок в гараже.
Это подводит к главному выводу: любой сигнал можно представить
серией выборок, каждая из которых есть импульс со своей амплитудой.
В качестве примера начнем с пилообразного сигнала 441 Гц:
s i gnal = t h i n kdsp . SawtoothSigna l ( f req= 4 4 1 )
wave = signal . make_wave (duration=0 . 1 , framerate=response . framerate )
Зациклим пачку импульсов, составляющих пилу, и сложим импульс

ные характеристики:
total = О
for t , у in z i p ( wave . t s , wave . ys ) :
total += s h i fted_s c a l e d ( respon s e , t , у )
В результате это будет звучать как пилообразный сигнал в крытом

тире. Е го можно прослушать в блокноте chap l O . ipynb.
На рис. 10.5 показана схема вычисления, где/- пила, g - импульсная
характеристика, h - сумма сдвинутых и масштабированных копий g.
![О] [ g[O] g ( l ] g (2]
f [l] [ g(O] g[ l ] g[2]
![2] [ g [O] g(l] g [2]
h [ 2]
Рис. 1 0. 5 . Диаграмма суммирования масштабированных
и сдвинутых копий g
Для показанного примера:

h [2] = ЛОJ g[2] + л 1 ] g[ 1 ] + Л2J g[ O ] .
Или, в общем:
N-1
h[n] = L, Лт] g[п - т].

m=O
Это уравнение из раздела •Свертка• на стр. 102. И это свертка/ и g.

Видно, что если вход - /, а импульсная характеристика системы - g,
то выход будет сверткой f и g.
Глава 1 О. Линейные стационарные системы
В целом есть два способа понимать влияние системы на сигнал:

1 . Входной сигнал - это последовательность импульсов, поэто
му на выходе - сумма масштабированных, смещенных копий
импульсной характеристики. Эта сумма есть свертка входного
сигнала и импульсной характеристики.
2. ДПФ импульсной характеристики есть передаточная функ
ция, отражающая влияние системы на амплитуду и фазу
каждой частотной компоненты. ДПФ входного сигнала дает
амплитуду и фазу содержащихся в сигнале частотных ком
понент. Умножение ДПФ входного сигнала на передаточную
функцию дает ДПФ выхода.
Эквивалентность этих утверждений не может быть сюрпризом.
Это же теорема о свертке: свертка f и g во временной области соот
ветствует умножению в частотной области.
При изучении окон сглаживания и разности определение свертки
казалось странным, но теперь ясно, почему оно таково: определение
свертки очевидно и понятно именно в отклике стационарной системы
на сигнал.
Дока з ател ь ство тео р ем ы о све ртке

Час настал. Докажем теорему о свертке, которая гласит:
DFT(f * g) - DFT(f) DFT(g),
где f и g вектора одинаковой длины, N.
Действуем в два этапа:
1 . Покажем, что в особом случае, когда / - комплексные экспо
ненты, свертка с g соответствует умножению f на скаляр.
2. В более общем случае, когда f не комплексные экспоненты, ис
пользуем ДПФ, чтобы выразить его в виде суммы экспонен
циальных компонент, вычислим свертки каждой компоненты
(умножением), а затем сложим результаты.
Эти два шага, вместе взятые, доказывают теорему о свертке. Но
сначала давайте соберем нужные нам части. Пусть G - это ДПФ от g,
тогда:
DFТ(g )[k] = G[k] = L, g[n]exp(-21rink / N),
"
где k - индекс частоты от О до N - 1 , а п - это индекс времени от О до

N - 1 . Результат - NumРу-массив из N комплексных чисел:
Докаэательсrво теоремы о свертке
Пусть / - это обратное ДПФ от F, тогда:
IDFT(F)[n] = /[n] = L, F[k]exp(2яink / N).

k
Вот определение свертки:
(/ * g)[n] = L, Л т ] g[n - m],

т
где т - еще один индекс времени от О до N - 1 . Свертка коммутативна,

так что можно записать:
(f * g)[n] = L, Лn - m] g[m].
т
Теперь рассмотрим особый случай, когда f - комплексная экспо

нента с частотой k, назовем ее е.:
Л п ] - е. [ п ] - exp(2 mnk/N) ,
где k - индекс частоты, а п - это индекс времени.
Подставим е. во второе определение свертки, получим:
(е* * g)[n] = L, exp(2яi(n - m) k / N)g[m].

т
Разделим первую часть на произведение:
( е* * g )[n] = L, exp(2яink / N) exp(-2яimk / N) g[m].

т
Первая половина не зависит от т, поэтому вынесем его из суммы:
(е* * g)[n] = exp(2яink / N) L, exp(-2яimk / N)g[m].

т
Теперь видно, что первый член - это е., а сумма - это G[k] (исполь
зуя т как индекс времени). Теперь можно записать:
Видно, что для каждой комплексной экспоненты, е• свертка c g дает

умножение е. на G[ k ]. В математических терминах каждый е. есть соб
ственный вектор этой операции, а G[k] - соответствующее собствен
ное значение (см. раздел •дифференцирование• на стр. 1 1 5).
Переходим ко второй части доказательства. Е сли входной сигнал /
не будет комплексной экспонентой, можно выразить его как совокуп
ность комплексных экспонент, вычислив его ДПФ, F. Для каждого
Гnава 1 О. Линейные стационарные системы
значения k от О до N 1 выражение f1 k] есть комплексная амплитуда

-
компоненты с частотой k.
Каждая входная компонента есть комплексная экспонента с ам
плитудой .F{k], поэтому каждая выходная компонента есть комплекс
ная экспонента с величиной flk) G[k) , согласно первой части доказа
тельства.
Поскольку система линейная, на выходе просто сумма выходных
компонент:
(/ * g )[n] = L, F[kJG[k]e* [n ).
k
Подстановка в определение ek дает:

(/ * g )[n] = L, F[k JG[k] exp(2лink / N).
k
Правая часть есть обратное ДПФ произведения FG. Таким образом:

(j * g) = IDFT(FG).
Подставим F - DFT(/) и G - DFT(g)
(j * g) = I DFT(D FT(/) D FT(g)) .
И наконец взятие ДПФ обеих частей дает теорему о свертке:
DFT(j * g) = DFT(/) DFT(g) .
... Что и требовалось доказать.
Решения этих упражнений находятся в блокноте chap l O soln . ipynb.
В разделе •Системы и свертка• на стр. 1 3 1 свертка описана как
сумма сдвинутых и масштабированных копий сигнала.
А в разделе •Акустическая характеристика�> на стр. 1 28 умноже
ние ДПФ сигнала на передаточную функцию соответствует круговой
свертке, но в предположении периодичности сигнала. В результате
можно заметить, что на выходе, в начале фрагмента, слышна лишняя
нота, •затекшая1> из конца этого фрагмента.
К счастью, есть стандартное решение этой проблемы. Если перед
вычислением ДПФ добавить достаточно нулей в конец сигнала, эф
фекта •заворота1> можно избежать.
Уп ражненн1
Измените пример в chapl о . ipynb и убедитесь, что дополнение ну

лями устраняет лишнюю ноту в начале фрагмента.
Библиотека Open AIR (свободный эфир) - это •централизован
ный ... онлайн-ресурс для тех, кто интересуется аурализацией и дан
ными акустической импульсной характеристики• (http : / /www .
opena i r l ib . ne t ) . Просмотрите эту коллекцию импульсных харак
теристик и скачайте ту, звучание которой интереснее. Найдите ко
роткие записи с той же частотой дискретизации, что и у скачанной
импульсной характеристики.
Смоделируйте двумя способами звучание записи в том простран
стве, rде была измерена импульсная характеристика, как сверткой са
мой записи с импульсной характеристикой, так и умножением ДПФ
записи на вычисленный фильтр, соответствующий импульсной ха
рактеристике.
- - - -· ·
r11ава 1 1.
МОАУ• • qи• и вы6орка
( кв а н това н и е )
В разделе «Сглаживание� на стр. 99 показано, что при выборках сиг

нала на 10 ООО Гц компонента 5500 Гц ничем не отличается от компо
ненты на 4500 Гц. Здесь частота заворота 5000 Гц, она равна половине
частоты дискретизации. Почему это так, пока не важно.
В этой главе исследуются свойства выборок и представляется те
орема отсчетов (о выборках), в ней объясняются биения и заворот
частот.
Начнем с изучения эффекта свертки с импульсами; это удобно для
изучения амплитудной модуляции (АМ) и полезно для понимания
теоремы отсчетов.
chap l 1 . ipynb (см. раздел « Работа с кодом� на стр. 9). Его также мож
но просмотреть на http : / / t i n yu r l . com/ th i n kdsp-ch l l .
Свертка с и мпул ь сам и

В разделе «Системы и свертка� на стр. 1 3 1 показано, что свертка сиг
нала с пачкой импульсов состоит в сложении смещенных и масшта
бированных копий сигнала.
Для примера загрузим сигнал, звучащий как зуммер:
filename = ' 2 5 3 8 8 7 themu s i ca l nomad pos i ti ve-beeps . wav '
wave = t h i n kdsp . read_wave ( filename )
wave . no rma l i z e ( )
И построим сигнал с четырьмя импульсами:

imp_s ig = t h i n kdsp . Impu l s e s ( [ 0 . 0 0 5 , 0 . 3, 0 . 6, 0 . 9] ,
amp s = [ l , 0 . 5, 0 . 25, 0 . 1 ) )
impu l s e s = imp_s i g . ma ke_wave ( s t a r t = O , du r a t i o n= l . O ,
f rame rate=wave . f ramerate )
Аммитудна• моду111ци1 � ...• •• "
... а затем свернем их:
convolved = wave . convolve ( impu l s e s )
На рис. 1 1 . 1 показаны результаты: в верхнем левом углу - сигнал,

в нижнем левом углу - импульсы, а справа - результат.
Входной сигнал
1.0
0.5
С вертка
о.о 1.0
-0.5 0.5
1.0
о.о
0.8
0.6 -0.5
о.о 0.5 1.0 1.5 2.0 2.5
0.4 Время (с)
0.2
о . о .___.____.___..__.__....___.____,
._
о.о 0.2 0.4 0.6 0.8 1 . 0 1 . 2 1.4
Время (с)
Рис. 1 1 . 1 . Эффект свертки сигнала ( вверху слева)

с пачкой импульсов ( внизу слева) . Результат (справа) есть
сумма смещенных, масштабированных копий сигнала
Результат можно прослушать в chap l l . ipynb; это серия четырех

коротких звуковых сигналов с уменьшающейся громкостью.
Данный пример просто показывает, что свертка сигнала с импуль
сами дает сдвинутые, масштабированные копии. И это понадобится
нам для следующего раздела.
Ам плитуд н а я модуляция
Амплитудная модуляция (АМ) применяется в радиовещании (ДВ,
СВ, КВ) и в других областях. В передатчике косинусоидальный сиг
нал, называемый •несущая•, •модулируется• умножением на по-
Гnава 1 1 . Модуnнцин и выборка (кваитование)
лезный сиrнал (речь, музыка и т. п.). Результатом будет высокочас

тотный сиrнал, пригодный для радиовещания. Диапазон частот для
АМ-радиостанций - 500- 1600 кГц (см. статью в Википедии h t tps : / /
en . w i kipedia . o r g / w i k i /AМ_b roadca s t i n g на англ. яз.).
На стороне приема вещательный сиrнал •демодулируется• для вос
становления оригинального сигнала. Удивительно, но демодуляция так
же основана на умножении вещательного сигнала на сигнал несущей.
Рассмотрим, как это работает, модулируя сигналом несущую 10 кГц.
Вот сигнал:
filename = ' 1 0 5 9 7 7 wcfll O favo r i t e - s ta t i o n . wav '
wave = t h i n kdsp . read_wave (filename )
wave . unЬias ( )
wave . no rma l i z e ( )
А вот несущая:
c a r r i e r_s ig = t h i n kdsp . Co s S ignal ( f req= l O O O O )
c a r r i e r_wave = c a r r i e r_s ig . ma ke_wave ( du r a t i on=wave . du r a t i o n ,
frame rate=wave . f ramerate )
Перемножим массивы сигналов поэлементно с помощью оператора • :

modu l a ted = wave * c a r r i e r wave
Результат не очень впечатляет. Прослушать его можно в chap l 1 .

ipynb.
На рис. 1 1 .2 показано, как выглядит частотная область. Верхняя
часть - спектр оригинального сигнала. Ниже - спектр модулирован
ного сигнала после перемножения с несущей. В нем две копии ориги
нального спектра, сдвинутые на ± 1 О кГц.
Выясним, почему. Вспомним, что свертка во временной области со
ответствует умножению в частотной области. И наоборот, умножение
во временной области соответствует свертке в частотной области. Пе
ремножение сигнала с несущей сворачивает его спектр с ДП Ф несущей.
Так как несущая - просто косинусоидальный сигнал, ее ДПФ -
два импульса, ± 1 О кГц. Свертка с этими импульсами дает смещенные,
масштабированные копии спектра. Заметим, что амплитуды спектра
после модуляции уменьшились. Энергия оригинального сигнала раз
делилась между копиями.
Демодулируем сигнал также умножением на сигнал несущей:
demodu lated = modu lated * c a r r i e r_wave
На рис. 1 1 .2 (третье изображение сверху) показан результат. Вновь
умножение во временной области соответствует свертке в частотной
области, и получаются смещенные, масштабированные копии спектра.
дммитудно11 моду1111ци11
1111•••1111
1 2 0 0 ��
1000
800
600
400
200
o L-.__��----"...
1000
800
600
400
200
O "'-"-�....,...._.;...:;zz--.....__
.. ______=-:z:.......
. ::::шt811
...; ...-�..-..1
1 2 0 0 ��
1000
800
600
400
200
o ��....--
.. ��--�.d;��.._�O&!>--�...-.�--""""��
1200 ��
1000
800
600
400
200
о - 2 0000 - 1 0000 о 10000 20000

Рис. 1 1 . 2 . Пример амплитудной модуляции.
В ерхни й граф ик - спектр си гнала ; п од ним - спе ктр после модуляции ;
далее - спектр после демодуляции ; нижний - демодулированный
сигнал после фильтра НЧ
В модулированном спектре два пика, и они оба раздваиваются

исмещаются на ±20 кГц. При этом две из четырех копий складыва·
ются в О кГц, а другие две оказываются на ±20 кГц.
Глава 1 1 . М одул1щи 11 и вы борка (квантование)
При прослушивании демодулированный сигнал звучит очень хо

рошо. Хоть копии спектра и добавили высокочастотные компонен
ты, отсутствовавшие в оригинальном сигнале, но они так высоки, что
большинство динамиков их не воспроизводит, а большинство людей
их просто не слышит. Если же у вас хорошие колонки и выдающийся
слух, то эту •грязь• можно разобрать.
Избавиться от лишних компонентов можно, применив фильтр НЧ:
demodu l a ted_spect rum = demodu lated . ma ke_spect rum ( fu l l=True )
demodu l a ted_spe ctrum . l ow_pa s s ( l 0 0 0 0 )
fil tered = demodu l a ted_spe ct rum . ma ke_wave ( )
Результат достаточно близок к оригинальному сигналу, но пример

но половина мощности теряется при демодуляции и фильтрации. На
практике это не страшно, потому что гораздо больше энергии теря
ется при передаче и приеме. А результат в любом случае надо усили
вать, так что проблем нет.
В ыбор ка
Амплитудная модуляция пока показана узко - только самые осно
вы, но этого достаточно, чтобы разобраться с выборками. Выборка -
процесс измерения аналогового сигнала в серии моментов времени,

обычно через равные промежутки.
Например, WАV-файлы, использованные в примерах, записаны
выборкой из выходного сигнала микрофона с помощью аналого
цифрового преобразователя (АЦП). Частота выборок у большинства
из них 44, 1 кГц (стандартная частота для звука •СО-качества») или
48 кГц (стандартная для звука DVD).
При 48 кГц частота заворота будет 24 кГц, что выше, чем слышит
большинство людей (см. статью в Википедии https : / /e n . wi kipedia .
org/wi ki / Hearing range на англ. яз.).
В большинстве Этих записей в каждой выборке 16 бит, то есть
2 1 6 уровней. Такой •разрядности• достаточно, и увеличение чис
ла битов(Ьit depth) почти не улучшает качество звука (см. статью
в Википедии h t t p s : / / e n . w i kipedi a . o r g / w i k i / Di g i t a l_audio на
англ. яз.).
Конечно, в приложениях, не связанных со звуком, может потребо
ваться большая частота дискретизации, чтобы охватить более высо
кие частоты, или большая разрядность для воспроизведения сигна
лов с большей достоверностью.
В ыбо рка
Рассматривать эффект выборки начнем с сигнала, квантованного с

частотой 44, 1 кГц, и выберем из него отсчеты, соответствующие час
тоте примерно 1 1 кГц. Это не совсем то же, что выборки из аналого
вого сигнала, но эффект идентичный.
Сначала загрузим запись соло на барабане:
filename = ' 2 6 3 8 6 8 kevc i o amen-brea k - a - 1 6 0 -bpm . wav '
wave = thinkdsp . read_wave ( filename )
wave . norma l i z e ( )
На рис. 1 1 .3 (верхний) показан спектр этого сегмента. А вот функ

ция для выборки из сигнала:
de f sample ( wave , factor=4 ) :
ys = np . z e r o s ( l en ( wave ) )
ys [ : : facto r ] = wave . ys [ : : facto r ]
return t h i n kdsp . wave ( ys , f ramerate=wave . f ramerate )
Используем ее для выбора каждого четвертого элемента:

sampled = samp l e ( wave , 4)
1 2 0 0 ��
1000
800 1
600
400
200
0
- 2 0000 - 1 0000 о 10000 20000
Рис. 1 1 .3. Спектр сигнала до и после выборки
( вверху и внизу соответственно)
" • ••••• 1 Глава 1 1 . Модуn11ци11 и выборка (квантование)
У результата частота :кадров оригинала, но большинство элемен

тов равны нулю. При воспроизведении этот сигнал звучит не очень
хорошо. Процесс выборки добавляет высокочастотные компоненты,
которых не было в оригинале.
На рис. 1 1 .3 (внизу) показан спектр. Он содержит четыре копии
оригинального спектра (выглядят как пять копий, потому что один
спектр •раздвоился• между высокими и низкими частотами).
Выясним, откуда берутся эти копии - представим процесс выборки
как умножение на серию импульсов. Вместо использования s amp le
для выбора каждого четвертого элемента по отдельности используем
эту функцию для серии импульсов, которую иногда называют пачка
импульсов:
de f ma ke_impu l s e s ( wave , facto r ) :

ys = np . z e r o s ( l en ( wave ) )
ys [ : : facto r ] = 1
ts = np . a range ( l en ( wave ) ) / wave . f rame rate
return t h i n kdsp . wave ( ys , t s , wave . f ramerate )
А затем умножим оригинальный сигнал на пачку импульсов:

impu l s e s = ma ke_impu l s e s ( wave , 4)
s ampled = wave * impu l s e s
Результат тот же самый; он по-прежнему звучит не слишком убе

дительно, но причина теперь ясна. Умножение во временной области
соответствует свертке в частотной области. При умножении на пачку
импульсов происходит свертка с ДПФ пачки импульсов. Получается,
что ДПФ пачки импульсов - также пачка импульсов.
На рис. 1 1 .4 показаны два примера. Верхняя строка - пачка им
пульсов из примера с частотой 1 1 025 Гц. ДПФ - пачка из четырех
импульсов, поэтому и получается четыре копии спектра. В нижней
части показана пачка импульсов с меньшей частотой, около 55 12 Гц.
Ее ДПФ - пачка из восьми импульсов. В целом большему числу им
пульсов во временной области соответствует меньшее число импуль
сов в частотной области.
Обобщим сказанное:
• взятие выборок можно представить умножением на пачку им
пульсов;
• умножение на пачку импульсов соответствует свертке с пач
кой импульсов в частотной области;
•
свертка с пачкой импульсов дает несколько копий спектра сиг
нала.
Бненн• 11111••1В1
Пачка им пульсов ДПФ пачки и мпульсов
1.0
о.в
0.6
0. 4
0.2
о . о ��...._��_.__�__.___._��
о.о 0.2 0.4 0.6 0.8 1.0 - 2 0000 - 10000 о 10000 20000
1.0
о.в
О.б
0.4
0.2
о . о �-.....____-�-�---'----��
о.о 0.2 0.4 0.6 о.в 1.0 - 2 00 0 0 - 10000 о 10000 20000
Вре мя (мс) Частота (Гц) 1
Рис. 1 1 . 4 . ДПФ пачки импульсов - та кже пачка импульсов
Б ие н ия
В разделе •Амплитудная модуляция• на стр. 139 после демодуляции
АМ сигнала дополнительные копии спектра убирались при помощи
фильтра НЧ. То же самое можно сделать после взятия выборок, но это
не лучшее решение.
На рис. 1 1 .5 показано, почему. Верхняя часть - спектр сигнала соло
на барабане. В нем есть высокочастотные компоненты, превышающие
1 О кГц. При взятии выборок из этого сигнала его спектр сворачивает
ся с пачкой импульсов (вторая часть) и появляются копии спектра
(третья часть). В нижней части показан результат после применения
фильтра НЧ со срезом на частоте заворота, 55 1 2 Гц.
Шl•••lll� Гnава 1 1 . Модуn1щия и выборка (квантование)
4000 -
3000
2000
1 000
70000 .---т-��--,��-.-��.,....,
60000
50000
40000
30000
2 0000
1 0000
о ,__.._��....�
... ��....,__�
... ��....._.
1 2 0 0 ,.---.-��--,��-.-��.,....,
1000
800
600
400
200
о ��
1 2 0 0 ,.---.-��--,��-.-��.,....,
1000
800
600
400
200
о - 20000 - 10000 о 10000 20000

Рис. 1 1 . 5 . С пектры соло на барабане ( вверху) , серия ( п ачка )

импульсов ( вторая строка) , выборки из си гнала (третья строка)
и результат после фильтра НЧ ( внизу)
Биени11
5000 1- спектр
4000
3000
2000
1000
1600
1400
1 спектр п ос ле
вы бо рки
1
_
1200
1000
800
600
400
200 �
о
lбОО Г-.---��-т-��-,..-��----.--;::========z::::;-�
1 спектр п ос ле !
1
_
1400 ф ильтра
1200
1000
800
600
400
200
о ��
- 20000 - 1 00 0 0 о 10000 2 0000
Рис. 1 1 .6. С пектр соло бас-гитары ( вверху) ,

после выборок ( в середине) и после ф ильтрации (внизу)
При преобразовании результата обратно в сигнал он будет похож
на оригинальный, но появятся две проблемы:
•
из-за фильтра НЧ потеряны компоненты выше 5500 Гц, и в ре
зультате звук приглушен;
• компоненты ниже 5500 Гц тоже не совсем верные, поскольку
присутствуют остатки отфильтрованных копий спектра.
" ••.... � Гnава 1 1 . Модуnяцня и выборка (квантование)
Если спектральные копии после выборки перекрываются, теряется

часть информации о спектре, и его нельзя восстановить точно.
Если же копии не перекрываются, то все работает достаточно хоро
шо. Для второго примера загрузим запись соло бас-гитары.
На рис. 1 1 .6 показан спектр этой записи (верхняя часть), и в нем
нет видимой энергии выше 55 12 Гц. Во второй части показан спектр
выборок сигнала, а в третьей - спектр после фильтра НЧ. Амплиту
да меньше, поскольку некоторая часть энергии отфильтровалась, но
форма спектра почти точно та, что и в начале. И после преобразова
ния обратно в сигнал звучание будет то же.
И нте рполяция
Фильтр НЧ, использованный на последнем шаге - это прямоуголь
ный фильтр (brick wall - �кирпичная стена•); все, что выше частоты
среза, будет удалено полностью, как при разделе кирпичной стеной.
В правой части рис. 1 1 .7 показано, что это за фильтр. Конечно,
умножение на этот фильтр в частотной области соответствует свертке
с окном во временной области. Выясним, что это за окно, вычислив
обратное ДПФ фильтра - оно показано в левой части рис. 1 1-.7.
0 . 3 0 ,.-----�--�-�---.
1.0
0.25
0.20 0.8
0. 1 5 .
0.6
0.10
0.05 0.4
0.2
-0
· \0000 1 . 002 1.00 4 1 .ооб 1 . 008 1.010 ° · 0. 2 0000
-
10000 о 10000 20000
Bpe��jc) Ч !!.�!�та_ ( Гцl .
Рис . 1 1 . 7 . Прямоугольный фильтр НЧ (справа)

и соответствующее окно свертки (слева)
У этой функции есть имя - это нормализованная siпс-функция,

или ее дискретная аппроксимация (см. статью в Википедии h t tps : / /
en . w i k ipedi a . o r g / w i k i / S i n c _ fun c t i on на англ. яз.):
Инте рnоn11 ци11
sinc(x) = sinnx / пх
При применении фильтра НЧ сигнал сворачивается с sinс
функцией. Такую свертку можно понимать как сумму смещенных,
масштабированных копий sinс-функции.
В нуле sinc равен 1, а при каждом целом х он равен О. При сдвиге
sinс-функции сдвигается точка нуля. При масштабировании sinc из
меняется его размах в нуле. Поэтому при суммировании смещенных
масштабированных копий они интерполируют между точками вы
борки.
На рис. 1 1 .8 показано, как это работает на коротком сегменте соло
на бас-гитаре. В верхней части - оригинальный сигнал. Вертикаль
ные серые линии - точки выборок. Тонкие кривые - это смещенные,
масштабированные копии sinс-функции. Сумма этих sinс-функций
идентична оригинальному сигналу.
0.15
0.10
0 . 05
o.oai--�--------....--""!'1--"'!"'I•
-0.05
0 . 0000 0.0001 0 . 0002 0.0003 0 .0004 0.0005 0 . 0006

Время (с) + 1 .004
Рис. 1 1 .8. Крупный план последовательности выборок { вертикальные

серые линии ) , интерп олирующие sinс-функции {тонкие кривые)
и ори гинальный сигнал { более толстые линии вверху)
Повторим еще раз, поскольку это удивительно и важно:

Сумм.а этих siпс-функций идентична ориzинш�ьному сигнш�у.
Был взят сигнал, не содержащий энергии выше 55 1 2 Гц, из него
взяты выборки с частотой 1 1 025 Гц, и удалось получить точный ори
гинальный спектр. Из точного оригинального спектра можно восста
новить точный оригинальный сигнал.
Глава 1 1 . Модул11ци11 н выборка (квантование)
В этом примере сигнал с выборками частотой 44 1 00 Гц был �пере

выбран• с частотой 1 1 025 Гц. После перевыборки разрыв между ко
пиями спектра составляет 1 1 025 кГц.
Если в оригинальном сигнале нет энергии выше 55 1 2 Гц, копии
спектра не перекрываются, информация не теряется, и оригинальный
сигнал можно точно восстановить.
Этот результат известен как теорема Найквиста-Котельникова
Пlеннона (см. https : / / ru . wi kipedia . o r g / w i k i / Teopeмa_Koтeл ь
никoвa ) , или теорема отсчетов, или теорема о выборках.
Этот пример теорему не доказывает, но он поможет вам понять,
о чем она и как она работает.
Обратите внимание, что созданный аргумент не зависит от перво
начальной частоты выборок, 44, 1 кГц. Результат будет таким же, если
выборки из оригинала будут на более высокой частоте, или даже ес
ли оригинал - непрерывный аналоговый сигнал: если выборки взяты
с частотой/, точно восстановить оригинальный сигнал можно только
тогда, когда он не содержит энергии на частотах выше f/2. О таком
сигнале говорят, что у него ограниченная полоса.
И тог
Поздравляем! Вот и конец книги (не считая еще нескольких упраж
нений, приведенных ниже). Прежде чем закрыть книгу, посмотрим,
что осталось позади:
•
изучены периодические сигналы и их спектры, представле
ны ключевые объекты в библиотеке t h i n kdsp: s i gnal, wave
И Spect rum;
• рассмотрена гармоническая структура простых сигналов и за
писей музыкальных инструментов, исследован эффект бие
ний;
• с помощью спектрограмм исследованы чирпы и другие звуки
с изменяющимися во времени спектрами;
• сгенерированы и проанализированы шумовые сигналы, оха
рактеризованы природные источники шума;
•
использована автокорреляционная функция для оценки высо
ты тона и дополнительной оценки шума;
• рассмотрено дискретное косинусное преобразование (ДКП),
полезное для сжатия, а также для понимания дискретного пре
образования Фурье (ДПФ);
Упрожненн•
• использованы комплексные экспоненты для синтеза ком

плексных сигналов, и обращен процесс разработки ДПФ. Если
упражнения в конце главы 7 были выполнены, то реализовано
и быстрое преобразование Фурье (БПФ), один из самых важ
ных алгоритмов ХХ века;
• введено сглаживание, представлены определение свертки и те
орема о свертке, связывающая операции сглаживания во вре
менной области с фильтрацией в частотной области;
• исследованы дифференцирование и интегрирование в виде
линейных фильтров, то есть основы спектральных методов
решения дифференциальных уравнений. Объяснены и неко
торые эффекты, встреченные в предыдущих главах, типа соот
ношения между белым и броуновским шумом;
• изучены начала теории ЛС-систем, а теорема о свертке при
менена для описания таких систем по их импульсной харак
теристике;
• представлена амплитудная модуляция (АМ), играющая важ
ную роль как в радиосвязи, так и в понимании теоремы о вы
борках - неожиданный, но важнейший в цифровой обработке
сиrналов результат.
Итак, получен хороший баланс практических знаний (в работе
с сигналами и спектрами при помощи вычислительных средств) и те
ории (понимание того, как и почему работают выборки и фильтра
ция).
Автор надеется, что книга была полезной. Спасибо за внимание!
Уп р аж нения
Решения этих упражнений находятся в блокноте chap l l s o l n . ipynb.
Упражнение 1 1. 1
Код для этой главы содержится в блокноте chap l 1 . ipynb. Изучите
его и прослушайте примеры.
Упражнение 1 1.2
Крис • Монти• Монтгомери (Chris "Monty" Montgomery) сде
лал отличное видео под названием •D/A and A/D 1 Digital Show and
Tell•. Он демонстрирует теорему о выборках в действии, и пред
ставляет множество другой замечательной информации о выборках.
См. видеоролик https : / / www . youtube . com/watch ?v=c I Q 9 I X S U z uM.
1Ш• • 11111 Глава 1 1. М одуп11ци11 и вы б орка (квантование)
Упражнение 1 1.З
Выше показано, что при взятии выборок из сигнала при слишком
низкой частоте кадров составляющие, большие частоты заворота
дадут биения . В таком случае эти компоненты не отфильтруешь, по
скольку они неотличимы от более низких частот.
Полезно отфильтровать эти частоты до выборки ; фильтр Н Ч , ис
пользуемый для этой цели, называется фильтр сглаживания.
Вернитесь к примеру � с оло на барабане•, примените фильтр НЧ
до выборки, а затем, опять же с помощью фильтра Н Ч , удалите спек
тральные копии, вызванные выборкой . Результат должен быть иден
тичен отфильтрованному сигналу.
��1 • • · " - - -
П р едметн ы й укааате11 •
А Высота тона 1 5
Автокорреляционная функция 69
восприятие 73
отслеживание 72
Автокорреляция 65, 1 09
оценка 67
периодических сиrналов 66
Выстрел 1 28
Акустическая характеристика 1 28
Выход 1 25
Алгоритм Voss McCartney 60
АМ. См. Амми1)'дная модуляция
АммИ1)'да 1 6, 24 г
коммексная 90 Гамма-Функция 86
АммИ1)'дная модуляция 1 39 Гармоники 1 7, 26, 34, 97
Анализ 74, 75, 92 Гармоническая структура 27
Аналого-цифровой преобразователь Гауссово окно 1 1 1
(АЦП) 1 42 Гауссов
Апериодический сиrнал 1 23 фильтр 1 06
Аргумент 32 шум 50, 57
Аудиовиджет 2 1 Герц (Гц) , единица частоты 1 5
АЦП С м . Аналого-цифровой
. Гласный звук 47
преобразователь Глиссандо 46
Б д
Белый шум 52, 1 1 3, 1 27 Двойной логарифмический масштаб
Биения 3 1 , 97 1 52
, 53, 1 22
Боккерини 1 5 Действительное
Боковые лепестки 1 06 БПФ 31
БПФ. См. Быстрое преобразование дискретное преобразование Фурье 96
Фурье Декартова система координат 32
Броуновский шум 50, 52, 64, 1 1 3, 1 22 Демодуляция 1 40
Быстрое преобразование Фурье Дискретное
1 6 , 3 1 , 98, 1 08 косинусное преобразование 74, 82
ДКП-IV 80
в обратное 8 1
Вектор 79 сжатие 83
Вилка {fork) 9 преобразование Фурье
Вир1)'альная машина 1 1 1 6, 25, 74, 85, 94, 1 35
Восприятие высоты тона 73 действительное 96
Временная область 1 05, 1 1 2 обратное 94
Вход 1 25 периодичность 95
Выборка 1 8, 29, 1 33, 1 38, 1 42 полное 96
П редметны й ука затель
Дифференцирование 1 1 5, 1 23 Координаты
ДКП. См. Дискретное косинусное декартова система 32
преобразование полярные 32
Доминирующая частота 1 7 Корреляция 56, 6 1 , 96
Дополнение нулями 1 01 , 1 09, 1 36 автокорреляция 65, 1 09
ДПФ. См. Дискретное преобразование периодических сигналов 66
Фурье коэффициент корреляции Пирсона 70
кросс-корреляция 1 02, 1 09
Е Пирсона 61
последовательная 64
Единичная матрица 78
стандартизирование 72
Корреспондент 1 2
3 Косинус 1 8
Зависимость дальнего действия 66 Котельников Владимир 1 50
Звук 1 4 Коэффициент корреляции Пирсона 70
Красный шум 54
и Кратковременное преобразование Фурье
Изменение размаха 22 (КВПФ) 39
Импульс 1 26, 1 3 1 , 1 33, 1 38, 1 40 Кросс-корреляция 1 02, 1 09
пачка 1 44 Круговая свертка 1 03, 1 36
Импульсная характеристика 1 26, 1 29, 1 31
Интеграл 37 л
Интегральный спектр 5 1 Лемма Дэниелсона-Ланцоша 9/t
Интегрирование 1 1 7, 1 1 9 Линейная
двойное 1 23 алгебра 76, 77
Интервал 37 система 1 25
Интерполяция 1 48, 1 49 стационарная система 1 25
Линейные дифференциальные уравнения
к 1 26
Кадр 1 8 ЛС-система. См. Линейная стационарная
система
Камертон 1 5
Квадратная матрица 77, 78
Квинта 1 7 м
КВПФ 39. См. Кратковременное Массив прореженный 84
преобразование Фурье Масштабирование 1 3 1 , 1 36, 1 39
Кпонирование 1 0 Матрица 76
Комплексная единичная 78
аммитуда 90 квадратная 77
москость 86 корреляции 62
синусоида 87, 1 1 5, 1 1 6 обратная квадратная 78
экспонента 85, 1 34 обращение 78
Комплексное число 32, 87, 90 ортогональная 78, 92
Комплексно-сопряженное 93 перемножение 90, 92
Комплексный симметричная 79
сигнал 89 транспонирование 93
экспоненциальный сигнал 87 унитарная 93
Конечная разность 1 1 2, 1 1 4 Метод Бартлеnа 59
П редметны й ук затеn�.
Механизм 1 26 Подавленная основная 73

Мнимое чисnо 86 Полное дискретное преобразование
Модуль 32, 86, 87 Фурье 96
Модуляция 1 39 Полосно-заграждающий фильтр 2 1
Монтгомери Крис 1 5 1 Полярные координаты 32
Мощность 49, 53, 60 Последовательная корреляция 64
Постоянная составляющая 56, 1 1 8
н Предел Габора 41 , 67
Представление с мавающей точкой 80
Найквист Гарри 1 50
Преобразователь 1 4
Нарастающая сумма 37, 1 1 9, 1 2 1
Производная 3 7 , 1 1 5, 1 1 6
Начальная фаза 24, 87
Прореженный массив 84
Некоррелированный равномерный шум 48
Прямоугольное окно 1 06
Несущая 1 39, 1 40
Прямоугольный
Нормализация 83, 1 1 0
сигнал 27, 99
Нормальное распределение вероятности
58 гармоники 34
фильтр 1 48
Пуассонов шум 60
о
Обработка сигналов 8, 1 8
р
Обратная матрица 78
Обращение матрицы 78 Равномерная темперация 1 7
Окно 4 1 , 43, 1 00, 1 1 4, 1 27 Разложение в спектр 1 6, 1 26
гауссово .1 1 1 Размах, изменение 22
прямоугольное 1 06 Разность фаз 63
сглаживающее 1 05 Разрешение 40
Хэмминга 43, 1 1 1 по времени 40
Око Саурона 38 по частоте 40, 67
Октава 1 7, 38 Разрыв 41
Оператор 1 1 5 Репозиторий 9
Ортогональная матрица 78, 92 Розовый шум 50, 55, 64, 1 09
Основная частота 1 7, 26
Отклик 1 3 1 с
Отсnеживание высоты тона 72 Свертка 1 02, 1 33, 1 40
Оценка высоты тона 67 круговая 1 03
Ошибка округления 8 1 Сглаживание 99
Сглаживающее окно 1 05
п Сдвиг 1 0 1 , 1 36, 1 39
Параболический сигнал 1 1 9 сигнала 64
Пачка импульсов 1 44 во времени 22
Передаточная функция 1 29, 1 34 Сегмент 1 9
Перемножение матриц 90, 92 Сжатие 83
Период 1 5 Сигнал 1 4, 64
Периодический сигнал 1 4, 66 апериодический 1 23
Периодичность 4 1 косинус 1 8
дискретного преобразования Фурье 95 обработка 1 8
Пилообразный сигнал 33, 1 23, 1 33 параболический 1 1 9
гармоники 34 пилообраз ный 33, 34, 1 23, 1 33
П редметны й ука затель
прямоугольный 27, 99 Терция 1 7

гармоники 34 Транспонирование 79, 93
СДВИГ 64 Треугопьный сигнал 25, 82
во времени 22 гармоники 34
синус 1 8 Тромбон 46
случайный 56
с переменной частотой 35 у
треугольный 25, 82
Угол 32, 86, 87
гармоники 34
Унитарная матрица 93
форма 1 6
Усипитель 1 25
Симметричная матрица 79
Установка 1 0
Синтез 74, 75, 88
Утечка спектра 42, 1 00
Синус 1 8
Синусоида 1 5
Система 1 25 ф
линейная стационарная 1 25 Фаза 1 8, 23, 32, 37
Скалярное произведение 70, 76 влияние на восприятие звука 84
Скользящее среднее 99 начальная 24, 87
Скрипка 16, 1 30 Фазовый сдвиг 1 8
Случайное блуждание 52 ФВЧ. См. Фильтр верхних частот
Случайный сигнал 49, 56 Фильтр 1 05, 1 1 5, 1 1 7, 1 27
Смещение 1 1 8 верхних частот 2 1 , 1 1 2
Собственная функция 1 1 5 гауссов 1 06
Собственное значение 1 1 5, 1 35 нижних частот
Собственный вектор 1 35 2 1 , 55, 1 04 , 1 07, 1 27, 1 42
Спектр 1 6, 1 8, 27, 38, 49, 1 03, 1 1 5, полосно-эаграждающий 2 1
1 43 прямоугольный 1 48
мощности 53, 60 сглаживания 1 52
утечка 42 Фильтр верхних частот 1 1 4
Спектральные методы 1 1 7 ФНЧ. См. Фильтр нижних частот
Спектральный анализ 74 Форма сигнала 1 6
Спектрограмма 39, 44 Формула Эйлера 86
Стандартное откпонение 6 1 ФПЗ. См. Фильтр
Степенной р яд 86
полосно-эаграждающий
Схема 1 26
Функция
Счетчик Гейгера 60
передаточная 1 29
собственная 1 1 5
т
Тембр 1 6 х
Темперированный строй 1 5
Характеристика системы 1 26
Тензорное произведение 76, 90
Харт Ви 73
Теорема
Найквиста-Котельникова-UJеннона 1 50
о выборках 1 50 ц
о свертке 1 04, 1 2 1 , 1 3 1 Цены на акции 1 22
доказательство 1 34 FaceЬook 99, 1 09
отсчетов 1 50 Цикп 1 5, 26
П редметны й укэатеn�. 1111• ••DD1
ч ш
Частота 1 5, 24 Шаг 1 9
единица измерения 1 5 Шеннон Клод 1 50
заворота 31 , 97 Шум 48
Найквиста 31 белый 52, 1 1 3, 1 27
Частотная броуновский 50, 52, 64, 1 1 3, 1 22
компонента 20, 74, 78 гауссов (UG) 50, 57
область 1 05, 1 1 3, 1 40 красный 54
Чирп 35, 47 некоррелированный равномерный (UU)
экспоненциальный 38 48, 64
Число пуассонов (UP) 60
комплексное 32, 87, 90 розовый 50, 55, 64, 1 09
мнимое 86
Число битов, разрядность 1 42 3
Эйлер Леонард 86
формула Эйлера 86
Экспоненциальный чирп 38
А G
abs 87 Gn 9
al iasi ng 31 GitНub 9
Апасопdа 1 0
aпgle 87
aplay, проигрыватель 20
iпtegrate 1 23
в
J
Binder 1 1 Jupyter, блокнот 1 0, 2 1
Bitcoiп, платежная система 59, 72
L
с
lag 64, 65
ComplexSiпusoid 87
logspace 38
CosSignal 1 8
cublcsignal, сиrнал 1 24
cumsum 37, 1 23 м
Мatplodib 1 о
D modf 26
Dct 82
diff 1 23 N
NaN 1 1 8
F пbviewer 1 1
NumPy 1 0, 70, 1 02
fft 31
Freesound 1 2, 59, 66
Ш1•• •111� П редметны й укаэатеn ь
р stretch 24
SumSignal 1 8
Padding, дополнение нулями 1 01
Pandas 1 08, 1 1 2
Python 2 1 0
т
Python 3 1 0 transpose 93
s u
SawtoothChirp, класс 46 UG-шум 50, 57
scipy 82 unblas 26
SciPy 1 0 UР-шум 60
signal, класс 1 8 , 22 UU-шум 48, 64
sinс-Функция 1 48
SinSignal 1 8 w
Sinusoid, класс 1 8 , 22 wave 2 1
Son Munnur, сайт 59 wavefonn 1 6
spectrogram 59 wave, объект 1 8
Spectrum 20 WАV-Файл 20, 1 42
с� • • • - - - -
06 а втор е
Аллен Б. Дауни (Allen В. Downey) профессор компьютерных наук
-
в и нженерном колледже Олин. Он преподавал в колледже Уэллсли,

колледже Колби и в Калифорнийском университете Беркли. Полу
чил степень доктора компьютерных наук в Калифорнийском универ
ситете Беркли, а также степени магистра и бакалавра в Массачусет
ском технологическом институте.
06 о6nожке
Животное на обложке Тhink DSP - гладкоклювый ан и ( Crotophaga
ani), большая птица семейства кукушковых. Она распространена во
Флориде, на Багамских и Карибских островах и в некоторых районах
Центральной и Южной Америки.
У гладкоклювого ани черное оперение, длинный хвост и большой
клюв с ребрами. Питаются эти птицы на земле, поедая термитов, на
секомых и даже н ебольших ящериц или лягушек. Предпочитают по
луоткрытые места, где поля соседствуют с зарослями. Рост городов
и вырубка лесов повлияли на ареал распространения ани, но птицы
приспособились к пастбищам при фермах и поедают насекомых и па
разитов, обирая их с шерсти скота.
Этот вид очень социален и всегда живет шумными стаями. В брач
ный период несколько пар гнездятся совместно, поочередно строя
чашеобразное гнездо высоко на дереве. Так же по очереди они выси
живают яйца и кормят птенцов. Каждая самка откладывает 4-7 яиц;
встречались гнезда, в которых насчитывалось до 29 яиц.
Многие из животных на обложках книг O'Reilly находятся под
угрозой исчезновения; сохранение этих видов чрезвычайно важно
для нашей планеты. Е сли вы хотите узнать, как можно им помочь,
посетите сайт anima l s . o r e i l l y . с от.
Изображение на обложке предоставлено Braukhaus Lexi.con.
Книги издательства •дМК Пресс• можно заказать в торгово-издательском
холдинге •Планета Альянс• наложенным платежом, выслав открытку или
письмо по почтовому адресу: 1 15487, r. Москва, 2-й Наrатинский пр-д, д. 6А.
При оформлении заказа следует указать адрес (полностью), по которому
должны быть высланы книги; фамилию, имя и отчество получателя. Жела
тельно также указать свой телефон и электронный адрес.
Эти книги вы можете заказать и в интернет-магазине: www.alians-kniga.ru.
Оптовые закупки: тел. +7 (499) 782-38-89.
Электронный адрес: Ьooks@alians-kniga.ru.
Аллен Б. Дауни
Тhink DSP
Главный редактор Мовчан Д. А.

dmkpress@gmail.com
Перевод с английского Бряндинский А. Э.
Корректор Готлиб О. В.
Верстка Паранская Н. В.
Дизайн обложки Мовчан А. Г.
Формат 60х90 1/16. Гарнитура •Петербург•.

Печать офсетная. Усл. печ. л. 9,8.
Тираж 200 экз.
Веб-сайт издательства: www.дмк.рф

Цифровая Обработка Сигналов На Python

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Цифровая Обработка Сигналов На Python

Загружено:

Авторское право:

Доступные форматы

СКАЧАНО С WWW.SHAREWOOD.BIZ - ПРИСОЕДИНЯЙСЯ!

Beijing Cambridge Farnham Kбln Sebastopol Tokyo

Москва, 2017 "

Д21 Аллен Б. Дауни

Изучить обработку сигналов легко - достаточно знания основ

Authorized Russian translation of the English edition of Think DSP, ISBN

ISBN 978-1-49193-845-4 (англ.) © 2016 Allen В. Downey

Введение .................. ................. .......... ........ .... 8 .

Предисловие к русскому и зданию ................................... ".............. 8

Глава 1 . Звуки и сиrналы ...... ......... .. .... .. ......... 14 . . . .

Периодические сигналы .......................................................... . . .... 14

Глава 2. Гармоники. .. . ... .. . . ... . .. . ...... .... .......... 25

Треугольный сигнал ...................................................................... 25

Глава 3. Апериодические сигналы ....................... 35

Упражнени я .... .. .... . ... .. . . .............. ... ... . . . ...... .

Глава 4. Шум .................................................. . 48 .

Гпава 5. Автокорреляция .......... . ...... . .

Автокоррел я ци я " . . " " . . . . . . . . . . . . . . . . . . . . " . . " . . . . . . . . . " . . . . . . . . . . " . . . . . . . . . . . . . 65

Автокоррел яция периодически х сигналов "."""""""".".""""""" 66

Упражнени я . . . .... ....... . . . ............."". . . . . . . . . . . . . . . . . ". . . . . . .•.... " ..............." 72

Глава 6. Дискретное косинусное преобразование . .. 74

Ортогонал ьные матрицы "" """""""..""""."""""..""""""."""" 78 .

Обратное ДКП """ ......."".."................"" ......... "......"....".." 81

Глава 7. Дискретное преобразование Фурье ......... 85

Задача синтеза """" """""" "" """" """."""."" """.""."."""." 88 . . .

Синтез с матрицами . . . . . . . . . . . . . . .. . ... . ......... " . . " . . . " . . . . . . . . . . . . . . " . . . . . . . . . . . . . 90

ДПФ .......... . . . .. . . . . . . . . . . . .... . . .............................................................. 93

Эффективная автокорреляция .................................................... 109

Глава 9. Дифференцирование и интегрирование ... 112

Глава 1 О. Линейные стационарные системы ....... 125

Глава 11. Модуляция и выборка (квантование) . . .. 138

Биени я .......................... .............................. ................. ............ 145

Предметный указатель .................................... 153

Об авторе ...................................................... 159

Для кого эта книга?

Раб ота с кодо м

него удобный веб-интерфейс.

еле разветвления (копии) появится новый, личный репозито­

Если он не установлен, его можно установить в Anaconda:

Условные о бозначения в этой книге

Сигнал представляет собой изменяющуюся во времени величину. Это

П е р и одич ес кие си гна л ы

Рис. 1 . 1 . Сегмент звукозаписи колокола

Этот сигнал напоминает синусоиду, то есть он похож на тригоно­

А (ля), или, точнее, А4. В американской системе нотации числовой

Рис. 1 . 2 . Сегмен т записи звука скрипки

Видно, что сигнал периодический, но форма сигнала заметно слож­

Фурье (БПФ) - эффективнейший способ вычисления ДПФ.

2000 4000 6000 8000 10000

Компонента с самой низкой частотой называется основной часто­

duration - длина wave в секундах.

pyplot - это Уасть matp l o t l ib; он включен во многие дистрибути­

кий сегмент wave и возвращает новый вариант:

segment = wave . s egment ( s t a r t = O , du r a t i on=pe r i od* З )

period - это свойство s ignal ; он возвращает период в секундах.

Чтение и запись сигналов

А wave поддерживает write, записывающий WАV-файл:

Прослушать wave можно на любом мультимедиа-проигрывателе,

По умолчанию он использует aplay, но можно указать и другой

А Spect rum поддерживает plot:

thinkplot - написанный автором модуль, и это обертка для не­

Фильтр НЧ удаляет •яркие• высокочастотные звуки, и результат

Метод play записывает wave в файл, а затем воспроизводит его.

Рис. 1 . 5 . Соотношения классов в thinkdsp

еле разветвления (копии) появится новый, личный репозито

Этот сигнал напоминает синусоиду, то есть он похож на тригоно

Видно, что сигнал периодический, но форма сигнала заметно слож

Компонента с самой низкой частотой называется основной часто

pyplot - это Уасть matp l o t l ib; он включен во многие дистрибути

thinkplot - написанный автором модуль, и это обертка для не

У объекта wave есть три атрибута: ys NumРу-массив, содержа

щий значения сигнала; ts массив моментов выборки или преобра

Эти и другие методы описаны на веб-странице h t t li': / / g reen tea

TriangleSignal наследует _init_ от S inusoid, поэтому он при

На рис. 2.2 показаны два вида результата; вид справа отмасшта

Но сюрприз в том, что нет четных пиков: 400, 800 и т. д. У тре

Как и треугольный сигнал, прямоугольный содержит только не

Результат показан на рис. 2.6. Оба s i gnal выведены тонкими се

Выборки с частотой 10 ООО кадров в секунду из сигнала 5500 Гц не

Параметр s e l f это объект wave; n количество выборок в сиг

разования Фурье (БПФ) - эффективный алгоритм вычисления дис

Документацию п о этим и другим методам можно найти н а веб

ts это последовательность моментов времени обработки сигна

Теперь, поскольку dphi s содержит изменения фазы, можно полу

Примеры можно прослушать в сhар О З . ipynb и сравнить линей

На рис. 3.2 показан результат. В спектре есть компоненты на каж

5 1 2, поскольку БПФ наиболее эффективен при числе выборок, крат

По оси у частота от О до 700 Гц. Верхняя часть спектрограммы огра

Если в сегменте будет целое число периодов, конец сегмента плав