Détermination du bruit de fond d'un signal dans le domaine fréquentiel

Existe-t-il un moyen accepté de déterminer le bruit de fond d'un signal en le regardant dans le domaine fréquentiel? S'agit-il de faire la moyenne de tous les bacs, ou de la médiane, ou d'un calcul plus complexe comme ceux décrits dans la question ci-dessous?

Quel est le meilleur critère pour déterminer un pic de fréquence?

Je veux déterminer le bruit de fond pour définir un seuil pour déterminer si mon signal contient ou non une fréquence donnée.

frequency-domain

— Dan Sandberg
source

Quelles sont les caractéristiques du bruit? Est-il blanc ou coloré?

— Jason R

Bruit blanc, mais j'aimerais entendre la différence entre les réponses pour les autres couleurs également.

— Dan Sandberg

Le bruit blanc est plus facile à caractériser car vous vous attendez à ce qu'il soit plat dans le domaine fréquentiel. J'aurais dû demander avant, mais quelles sont les caractéristiques de votre signal? Quelle proportion de la bande est remplie par le signal par rapport au bruit? Le signal est-il toujours présent ou avez-vous la possibilité d'observer uniquement du bruit?

— Jason R

Le signal est composé de fréquences qui tombent dans le casier central lors d'une FFT (pas de fuite spectrale). En ignorant le bruit et les effets de canal, chaque fréquence est au maximum ou au niveau de bruit de fond. Si quatre des n fréquences possibles sont "allumées", alors chaque fréquence devrait avoir 1 / 4e de la puissance du signal entier (encore une fois, en ignorant le bruit de fond)

— Dan Sandberg

@DanSandberg: Sans fonction de fenêtrage, le théorème de Parseval vous permet de calculer l'énergie en temps ou en fréquence directement à partir de l'autre domaine. Pour la fonction fft de Python, par exemple: rms(fft(x))/sqrt(n) = rms(x) exemples ici Vous devez donc décider à quoi ressemble votre signal dans le domaine fréquentiel, le supprimer, mesurer les valeurs restantes et multiplier par sqrt (n) pour obtenir le plancher de bruit RMS, par exemple.

— endolith

Réponses:

Vous devez normaliser vos données en fonction du type de fenêtre que vous utilisez pour obtenir votre représentation du domaine fréquentiel des données. La normalisation diffère selon que vous mesurez un signal à bande étroite (votre pic de signal) ou à large bande (bruit). Une fois les données correctement normalisées, la puissance du signal à bande étroite peut être lue directement à partir des données. La mesure du bruit doit être estimée à partir du "plancher de bruit" des données de fréquence normalisées. Votre estimation de la puissance de bruit sera inférieure de 6 dB au plancher de bruit. Pour une discussion détaillée,

Allez sur ce lien: http://www.fhnw.ch/technik/ime/publikationen

Télécharger l'article "" Comment utiliser la FFT pour les simulations et les mesures de signaux et de bruit ".

— user2718
source

Puisque votre bruit est gaussien, son spectre de puissance est plat. Vous pouvez avoir des pics de spectre de signal, ils doivent donc être évités. Je proposerais soit la médiane des échantillons de spectre de puissance, soit la moyenne alpha des échantillons de spectre de puissance, ou finalement la moyenne inter-quartile. Toutes ces estimations sont robustes, vous pouvez choisir celle qui vous convient le mieux.

— mbaitoff
source