- •Содержание
- •Лекция № 1. Теория погрешностей План
- •1.1. Источники и классификация погрешностей
- •1.2. Абсолютная и относительная погрешности. Формы записи данных
- •1.3. Вычислительная погрешность
- •2.1. Общие сведения и определения
- •2.2. Отделение корней
- •2.3. Метод половинного деления
- •2.4. Метод простой итерации
- •2.5. Преобразование уравнения к итерационному виду
- •2 0.777373 -3.32063 Search
- •Лекция № 3. Методы решения систем линейных алгебраических уравнений План
- •3.1. Общие сведения и основные определения
- •3.2. Метод Гаусса и его реализация в пакете matlab
- •3.3. Вычисление определителей
- •3.4. Решение систем линейных уравнений методом простой итерации
- •5. Метод Зейделя
- •3.6. Решение систем линейных уравнений средствами пакета matlab
- •Выражения
- •Лекция № 4. Методы решения систем нелинейных уравнений
- •4.2. Метод Ньютона решения систем нелинейных уравнений
- •Последовательные приближения корней
- •4.3. Решение нелинейных систем методами спуска
- •4.4. Решение систем нелинейных уравнений средствами пакета matlab
- •Iteration Func-count f(X) step optimality cg-iterations
- •Iteration Func-count f(X) step optimality cg-iterations
- •Лекция № 5. Интерполирование функций План
- •5.1. Постановка задачи
- •Решение задачи находится отысканием некоторой приближающей функции f(X), близкой в некотором смысле к функции f(X), для которой известно аналитическое выражение/
- •5.2. Интерполяционный полином Лагранжа
- •5.3. Интерполяционный полином Ньютона для равноотстоящих узлов
- •5.3.1. Конечные разности
- •5.3.2. Первая интерполяционная формула Ньютона
- •5.3.3. Вторая интерполяционная формула Ньютона
- •5.4. Погрешность интерполяции
- •5.5. Сплайн-интерполяция
- •5.6. Решение задачи одномерной интерполяции средствами пакете matlab
- •Лекция № 6. Численное дифференцирование
- •6.2. Особенности задачи численного дифференцирования функций, заданных таблично
- •6.3. Интегрирование функций, заданных аналитически (формула прямоугольников, формула трапеций, формула Симпсона)
- •6.4. Погрешность численного интегрирования
- •6.5. Вычисление интегралов методом Монте-Карло
- •Лекция № 7. Методы обработки экспериментальных данных План
- •7.1. Метод наименьших квадратов
- •Сумма квадратов отклонений
- •7.2. Нахождение приближающей функции в виде линейной функции и квадратичного трехчлена
- •7.5. Аппроксимация функцией произвольного вида
- •Лекция № 8. Преобразование Фурье
- •8.2. Эффект Гиббса
- •8.3. Спектральный анализ дискретных функций конечной длительности
- •8.4. Быстрое преобразование Фурье
- •Лекция № 9. Численные методы решения обыкновенных дифференциальных уравнений План
- •9.1. Основные сведения и определения
- •9.2. Метод Пикара
- •9.3. Метод Эйлера
- •9.4. Метод Рунге-Кутта
- •9.5. Средства пакета matlab для решения обыкновенных дифференциальных уравнений
8.3. Спектральный анализ дискретных функций конечной длительности
Рассмотрим особенности спектрального представления дискретной функции, заданной на временном интервале конечной длительности [0,T] N отсчетами , взятыми соответственно в моменты времени. Полное число отсчетов.
Можно показать, что для дискретной последовательности коэффициенты ряда Фурье определяются формулой
. (8.21)
Формула (8.21) определяет последовательность коэффициентов, образующих дискретное преобразование Фурье (ДПФ), которое имеет следующие свойства:
ДПФ есть линейное преобразование.
Число коэффициентов , вычисляемых в соответствие с (8.21) равно числу отсчетов дискретной последовательности.
Коэффициент (постоянная составляющая), есть среднее значение дискретной последовательности.
Если N – четное число, то
.
Для вещественной дискретной последовательности, коэффициенты ДПФ, номера которых расположены симметрично относительно , образуют сопряженные пары:
,
поэтому можно считать, что коэффициенты отвечают отрицательным частотам.
Если для дискретной последовательности найдены коэффициенты ДПФ, то восстановление исходной дискретной последовательности может быть осуществлено по формуле
. (8.22)
8.4. Быстрое преобразование Фурье
Из формул (8.21) и (8.22) видно, что для вычисления ДПФ или обратного ДПФ последовательности из N элементов требуется выполнить N 2 операций с комплексными числами. Если число элементов обрабатываемых массивов составляет порядка тысячи и более, то время, необходимое на выполнение этих преобразований, резко возрастает и теряется возможность обработки сигналов в реальном масштабе времени.
В 60-е годы Кули и Тьюки был предложен метод вычисления коэффициентов Фурье, позволивший снизить объем вычислений до операций. Он получил название алгоритма быстрого преобразования Фурье (БПФ). В настоящее время процедуры, реализующие алгоритм БПФ входят во все математические библиотеки, используемые при написании программ на языках программирования высокого уровня и специализированные пакеты для математических вычислений. Мы рассмотрим только основную идею БПФ для случая, когда число отсчетов , где p – целое число.
Разобьем входную последовательность на две части с четными и нечетными номерами:
, , (8.23)
где .
Это позволяет представить n-й коэффициент ДПФ в виде
(8.24)
Из (8.24) видно, что первая половина коэффициентов ДПФ исходного сигнала с номерами от 0 до выражается через коэффициенты ДПФ двух частных последовательностей:
, (8.25)
где .
Так как последовательности коэффициентов массивов иявляются периодическими с периодом, то
,. (8.26)
Подставляя (8.26) в (8.25) и учитывая, что
, (8.27)
получаем выражение для второй половины множества коэффициентов ДПФ:
, (8.28)
где .
Формулы (8.26), (8.28) лежат в основе алгоритма БПФ: последовательности отсчетов с четными и нечетными номерами вновь разбиваются на две части. Процесс продолжается до тех пор пока не получится последовательность, состоящая их одного элемента. ДПФ данной последовательности совпадет с сами элементом. Затем последовательно находятся коэффициенты ДПФ предыдущих последовательностей.
В пакете MATLAB быстрое одномерное преобразование Фурье реализовано парой функций, выполняющих прямое и обратное БПФ: fft/ifft. Данные функции используются как для действительных, так и для комплексных последовательностей, при этом длина последовательностей может быть произвольной.
Обращение к функциям:
fft(v) – возвращает дискретное преобразование Фурье 2m-мерного вектора, аргумент которого есть результат дискретизации через равные промежутки времени некоторой функции. Результат работы программы комплексный вектор размерности 2m+1. Элементы вектора, возвращаемого функцией fft, вычисляются по формуле
,
где N – число элементов вектора v.
ifft(v) – обратное дискретное преобразование Фурье, комплексного вектора, содержащего значения ДПФ. Вектор v должен иметь 2m+1 элементов. Результат работы программы действительный вектор размерности 2m+1. Элементы вектора, возвращаемого функцией ifft, вычисляются по формуле
,
где N – число элементов вектора v. Отметим, что для всех векторов справедливо соотношение ifft(fft(v))=v.
fft(v,n) возвращает дискретное преобразование Фурье 2n-мерного вектора, аргумент которого есть результат дискретизации через равные промежутки времени некоторой функции. Результат работы программы есть комплексный вектор размерности 2n+1. Если последовательность, хранящаяся в векторе v дополняется нулями.
ifft(v,n) – обратное дискретное преобразование Фурье, комплексного вектора, содержащего значения ДПФ. Результат работы программы комплексный вектор размерности 2n+1. Если последовательность, хранящаяся в векторе v дополняется нулями.
Пример 8.2. Используя функции пакета MATLAB для вычисления БПФ, вычислить спектр функции, являющейся суммой двух периодических функций
+,
где , Гц, , Гц, заданной набором дискретных значений в N=8192 точках на интервале [0,2] с. Для решения задачи необходимо выполнить следующую последовательность команд:
>> N=8192; % число точек для вычисления функции
>> i=1:N;
>> Tmax=2; % длительность временного интервала в секундах
>> t(i)=Tmax/(N-1)*(i-1); % задание временной сетки
>> f1=40 % частота первой составляющей в Гц
>> f2=90 % частота второй составляющей в Гц
% вычисление мгновенных значений функции
>> f(i)=0.8*sin(2*pi*f1*t(i))+0.4*sin(2*pi*f2*t(i));
>> figure(1);plot(t,f);
% вычисление спектра
>> c=fft(f);
% вычисление нормированного амплитудно-частотного спектра
>> j=2:N/2;
>> Cm(j-1)=abs(c(j-1))/(N/2);
>> Freq(j-1)=(j-1)/Tmax; % вычисление вектора частот в Гц
>> plot(Freq,Cm);
>> axis([0 100 0 1]);
Результат выполнения описанной выше последовательности команд представлен на рис. 8.3. 8.4.
Рис. 8.3. Зависимость мгновенных значений функции f=f(t) от времени
Рис. 8.4. Спектр функции f=f(t)