Sygnał okresowy jest jednym z fundamentalnych pojęć w naukach technicznych, fizyce oraz matematyce stosowanej. Bez zrozumienia jego własności trudno wyobrazić sobie analizę drgań, opis przebiegów elektrycznych, pracę systemów komunikacyjnych czy przetwarzanie dźwięku i obrazu. W świecie zjawisk ciągłych i dyskretnych, w dziedzinie czasu i częstotliwości, sygnał okresowy stanowi most łączący modele teoretyczne z praktycznymi zastosowaniami w inżynierii, medycynie, informatyce i akustyce.
Podstawowa definicja i własności sygnału okresowego
Aby zrozumieć, czym jest sygnał okresowy, należy zacząć od jego definicji matematycznej. Sygnał na ogół opisujemy jako funkcję jednej zmiennej (najczęściej czasu) lub większej liczby zmiennych (np. czasu i przestrzeni). O sygnale mówimy, że jest okresowy, jeśli istnieje dodatnia liczba T, nazywana okresem, taka że wartość sygnału powtarza się w czasie co T jednostek. W zapisie matematycznym oznacza to, że dla sygnału ciągłego x(t) zachodzi warunek:
x(t + T) = x(t) dla każdego t
W przypadku sygnałów dyskretnych, opisanych jako ciąg liczb x[n], warunek okresowości ma postać:
x[n + N] = x[n] dla każdego n
gdzie N jest okresem wyrażonym w liczbie próbek. Sygnał okresowy charakteryzuje się zatem powtarzalnością swojego kształtu, co pozwala opisywać go za pomocą narzędzi analizy harmonicznej, przede wszystkim szeregów i transformat Fouriera. Pojęcie okresu T łączy się ściśle z pojęciem częstotliwości f, określanej wzorem:
f = 1 / T
Częstotliwość określa liczbę pełnych powtórzeń sygnału w jednostce czasu, najczęściej w sekundzie, a jej jednostką w układzie SI jest herc (Hz). Wzajemna relacja między okresem a częstotliwością jest kluczowa zarówno dla opisu zjawisk mechanicznych (np. drgań wahadła), jak i elektromagnetycznych (np. przebiegów w obwodach LC).
Sygnały okresowe można sklasyfikować na wiele sposobów: jako ciągłe w czasie lub dyskretne, deterministyczne lub losowe, o przebiegu sinusoidalnym, prostokątnym, trójkątnym, piłokształtnym oraz wiele innych. Jednak niezależnie od kształtu ich cechą wspólną jest istnienie skończonego, dodatniego okresu T lub N, który nadaje strukturalną regularność opisywanemu zjawisku.
Sygnał okresowy w ujęciu matematycznym i fizycznym
Funkcje okresowe w analizie matematycznej
Matematyczne ujęcie sygnału okresowego opiera się na teorii funkcji okresowych. Szczególną rolę odgrywają funkcje trygonometryczne: sinus i cosinus. Funkcja sin(ωt) jest okresowa z okresem:
T = 2π / ω
gdzie ω to pulsacja (częstość kołowa), a sin(ωt) i cos(ωt) stanowią podstawowe „cegiełki” w analizie sygnałów. Kluczowym rezultatem jest twierdzenie mówiące, że każdą „wystarczająco regularną” funkcję okresową można przedstawić jako sumę skończonej lub nieskończonej liczby składowych sinusoidalnych o częstotliwościach będących wielokrotnościami częstotliwości podstawowej. Ten rozwój w szereg Fouriera ma postać:
x(t) = a₀ + Σ (aₙ cos(nω₀t) + bₙ sin(nω₀t))
lub, w postaci zespolonej:
x(t) = Σ cₙ e^{jnω₀t}
gdzie ω₀ = 2π / T to pulsacja podstawowa, n jest liczbą całkowitą (dodatnią, ujemną lub zerem), a współczynniki aₙ, bₙ, cₙ określają wkład poszczególnych harmonicznych. Ujęcie to pokazuje, że sygnał okresowy można rozumieć jako superpozycję drgań o różnych częstotliwościach i amplitudach, co ma ogromne znaczenie w analizie widmowej.
W praktyce inżynierskiej jednym z najważniejszych narzędzi jest dyskretna wersja tej idei, czyli rozwinięcie sygnału okresowego dyskretnego w szereg Fouriera dla ciągów. Sygnał x[n] o okresie N można zapisać jako:
x[n] = Σ (k = 0 do N−1) Cₖ e^{j 2πkn / N}
gdzie współczynniki Cₖ opisują zawartość częstotliwościową sygnału. Ta reprezentacja stanowi matematyczną podstawę dyskretnej transformaty Fouriera (DFT) oraz jej szybkiego algorytmu obliczeniowego (FFT), bez których współczesne systemy cyfrowego przetwarzania sygnałów praktycznie by nie istniały.
Znaczenie okresowości w fizyce i technice
W fizyce sygnał okresowy kojarzy się przede wszystkim z drganiami i falami. Klasycznym przykładem jest ruch harmoniczny prosty, opisany równaniem:
x(t) = A cos(ωt + φ)
gdzie A jest amplitudą, ω pulsacją, a φ fazą początkową. Ten prosty model pozwala opisać ruch wahadła (dla małych wychyleń), wibracje struny, drgania masy na sprężynie, a nawet zachowanie oscylatorów kwarcowych w zegarkach elektronicznych. W każdym z tych przypadków ruch powtarza się po czasie T, a sygnał położenia, prędkości lub przyspieszenia jest funkcją okresową.
W elektrotechnice i elektronice sygnały okresowe pojawiają się w wielu kontekstach. Napięcie sieciowe 230 V AC jest sygnałem sinusoidalnym o częstotliwości 50 Hz w Europie i 60 Hz w Ameryce Północnej. Generatory sygnałowe w laboratoriach wytwarzają okresowe przebiegi prostokątne, trójkątne czy piłokształtne, używane do badania charakterystyk układów. Wzorce częstotliwości, takie jak oscylatory atomowe, dostarczają niezwykle stabilnych sygnałów okresowych, które są podstawą bardzo precyzyjnych systemów pomiaru czasu i synchronizacji.
Okresowość pojawia się również w optyce falowej, w postaci fal świetlnych o określonej długości fali λ i częstotliwości f, powiązanych relacją c = λf, gdzie c jest prędkością światła. Z kolei w akustyce, dźwięk o tonie muzycznym ma w przybliżeniu okresową strukturę, a wysokość tonu wiąże się z częstotliwością podstawową sygnału akustycznego, podczas gdy barwa wynika z rozkładu harmonicznych w widmie.
Energia, moc i średnie w sygnałach okresowych
W badaniu sygnałów okresowych ważne są wielkości średnie, takie jak średnia wartość sygnału w jednym okresie, średnia moc oraz wartość skuteczna. Dla sygnału okresowego x(t) o okresie T średnia wartość (DC component) definiowana jest jako:
X̄ = (1 / T) ∫ (od 0 do T) x(t) dt
Dla przebiegów przemiennych o zerowej składowej stałej istotniejsza bywa wartość skuteczna (RMS), określona przez:
X_rms = sqrt{ (1 / T) ∫ (od 0 do T) x²(t) dt }
W przypadku napięcia sinusoidalnego u(t) = U_max cos(ωt) wartość skuteczna wynosi U_max / √2, co jest podstawą praktycznych oznaczeń w sieci energetycznej. Moc średnia w obciążeniu rezystancyjnym R, dla napięcia okresowego, zależy od wartości skutecznej i wyraża się wzorem:
P̄ = (U_rms²) / R
Obliczanie tych wielkości dla sygnałów okresowych ma zasadnicze znaczenie zarówno w teorii obwodów, jak i w projektowaniu systemów energetycznych oraz elektronicznych, gdzie należy zapewnić odpowiednią wydajność i niezawodność.
Przykłady sygnałów okresowych i ich reprezentacje
Podstawowe kształty: sinus, prostokąt, trójkąt, piła
Chociaż definicja okresowości jest ogólna, w praktyce technicznej szczególnie istotne są pewne standardowe kształty sygnałów. Sygnał sinusoidalny jest najprostszym matematycznie i najważniejszym fizycznie typem sygnału okresowego. Opisuje on rozwiązania wielu liniowych równań różniczkowych z zastosowaniami w mechanice, elektromagnetyzmie i teorii obwodów. Sygnał prostokątny z kolei przyjmuje tylko dwie wartości (np. 0 i 1 lub −A i +A), a jego parametrami są amplituda, okres oraz współczynnik wypełnienia (duty cycle), określający proporcję czasu trwania poziomu wysokiego do całego okresu.
Sygnał trójkątny i piłokształtny cechują się liniowymi zmianami w czasie między ekstremami: w przebiegu trójkątnym narastanie i opadanie są symetryczne, zaś w sygnale piłokształtnym obserwujemy wolne narastanie i szybki spadek (lub odwrotnie). Wiele generatorów stosowanych w przemyśle elektronicznym pozwala na łatwe przełączanie między tymi standardowymi typami przebiegów, co umożliwia testowanie układów w różnych warunkach.
Te cztery typy sygnałów: sinusoidalny, prostokątny, trójkątny i piłokształtny, można opisywać zarówno w dziedzinie czasu, jak i częstotliwości. W dziedzinie czasu kluczowe są parametry takie jak okres, amplituda, przesunięcie fazowe czy współczynnik wypełnienia. W dziedzinie częstotliwości (widmowej) liczy się rozkład energii między częstotliwość podstawową a kolejne harmoniczne. Na przykład sygnał prostokątny o idealnie pionowych zboczach zawiera wyższe harmoniczne sięgające nieskończenie wysokich częstotliwości, co w praktyce oznacza ostre przejścia i potencjalne problemy z emisją zakłóceń elektromagnetycznych.
Reprezentacja częstotliwościowa: widmo sygnału okresowego
Reprezentacja w dziedzinie częstotliwości jest jednym z najważniejszych narzędzi zrozumienia sygnałów okresowych. Widmo sygnału okresowego ma zazwyczaj postać dyskretną: składa się z linii widmowych odpowiadających częstotliwości podstawowej i jej wielokrotnościom. Dla sygnału idealnie sinusoidalnego widmo zawiera tylko jedną linię przy częstotliwości f₀; dla sygnałów niesinusoidalnych pojawiają się harmoniczne o częstotliwościach nf₀.
Przykładowo, dla idealnego sygnału prostokątnego o współczynniku wypełnienia 50% i amplitudzie A, rozwinięcie w szereg Fouriera obejmuje tylko harmoniczne nieparzyste (1., 3., 5., …), a amplituda n-tej harmonicznej jest proporcjonalna do 1/n. Sygnał trójkątny również ma tylko harmoniczne nieparzyste, ale amplituda spada szybciej, jak 1/n², co przekłada się na łagodniejszy kształt w dziedzinie czasu. Sygnał piłokształtny zawiera z kolei wszystkie harmoniczne, a amplitudy maleją jak 1/n.
Widmo sygnału można wyznaczać analitycznie (dla prostych przebiegów) lub numerycznie, stosując transformację Fouriera. Dla sygnałów okresowych stosuje się często dyskretną transformatę Fouriera (DTFT lub DFT) nad jednym lub wieloma okresami sygnału. W praktyce ważne jest odpowiednie próbkowanie sygnału, zgodne z twierdzeniem Nyquista-Shannona: częstotliwość próbkowania powinna być co najmniej dwa razy większa od najwyższej częstotliwości składowej istotnej w sygnale, aby uniknąć zjawiska aliasingu, czyli nakładania się widm.
Przykłady zastosowań w technice i nauce
Sygnały okresowe są wykorzystywane w wielu obszarach. W systemach telekomunikacyjnych modulacja analogowa i cyfrowa często bazuje na sinusoidalnych falach nośnych, których parametry (amplituda, częstotliwość, faza) są zmieniane w sposób zgodny z przesyłaną informacją. W analizie maszyn elektrycznych, takich jak silniki i generatory, przebiegi napięć i prądów mają przeważnie charakter okresowy, a ich harmoniczne wpływają na straty, nagrzewanie i hałas urządzeń.
W medycynie i biologii sygnały okresowe pojawiają się m.in. w elektrokardiografii (EKG), elektroencefalografii (EEG) czy analizie rytmów biologicznych. Na przykład, regularny rytm serca ma charakter quasi-okresowy, a zaburzenia tego rytmu są łatwiejsze do wykrycia, gdy analizuje się sygnał w dziedzinie czasu i częstotliwości równocześnie. W geofizyce i meteorologii sygnały okresowe opisują cykle dobowo-sezonowe, wahania pływów morskich, a także niektóre oscylacje atmosferyczne.
W elektronice cyfrowej sygnał zegarowy jest idealizowany jako przebieg prostokątny okresowy, który synchronizuje pracę układów logicznych i procesorów. Parametry tego sygnału, takie jak częstotliwość i stabilność, wyznaczają maksymalną szybkość przetwarzania informacji oraz wpływają na pobór mocy. W analizie i projektowaniu układów scalonych cykliczne sygnały zegarowe i dane są modelowane zarówno w dziedzinie czasu, jak i częstotliwości, aby zapewnić poprawną pracę przy wysokich częstotliwościach przełączania.
Zaawansowane aspekty analizy sygnałów okresowych
Okresowość a liniowe układy dynamiczne
W teorii systemów i sterowania sygnał okresowy często służy jako wymuszenie testowe dla liniowych układów dynamicznych. Jeśli układ liniowy i niezmienny w czasie (LTI) pobudzimy sinusoidalnym sygnałem okresowym, odpowiedź ustalona będzie również sinusoidalna o tej samej częstotliwości, lecz zwykle z inną amplitudą i przesunięciem fazowym. To proste, lecz fundamentalne zjawisko umożliwia definiowanie charakterystyk częstotliwościowych układów, takich jak charakterystyka Bodego czy Nyquista.
Przebiegi okresowe inne niż sinusoidalne możemy rozłożyć na sumę harmonicznych i analizować odpowiedź układu na każdą z nich osobno, a następnie sumować wyniki, wykorzystując zasadę superpozycji. Dzięki temu możliwe jest przewidywanie, jak filtr dolnoprzepustowy, górnoprzepustowy czy pasmowoprzepustowy wpłynie na kształt sygnału prostokątnego, trójkątnego lub dowolnego innego sygnału okresowego. Taka analiza jest ważna np. przy projektowaniu wzmacniaczy audio, gdzie należy minimalizować zniekształcenia sygnału muzycznego.
W systemach sterowania okresowość może pojawiać się także jako własność samego obiektu: wiele procesów przemysłowych ma charakter cykliczny, a ich parametry zmieniają się okresowo. W takich sytuacjach stosuje się modele o współczynnikach okresowo zmiennych lub analizuje się stabilność układu przy sygnałach okresowych, wykorzystując narzędzia takie jak analiza Floqueta czy metody harmonic balance.
Quasi-okresowość, periodyczność i chaos
W realnym świecie wiele sygnałów jest tylko w przybliżeniu okresowych. Mówimy wtedy o quasi-okresowości lub periodyczności przybliżonej. Przykładem może być drganie struny instrumentu muzycznego, które z czasem wygasa, a więc amplituda okresowego przebiegu maleje. Innym przykładem są rytmy biologiczne, takie jak dobowy cykl snu i czuwania czy rytm serca, które wykazują regularność, lecz często odbiegają od idealnej okresowości z powodu zakłóceń i sprzężeń zwrotnych.
W teorii układów nieliniowych istnieje również zjawisko przejścia od ruchu okresowego do chaoticznego. Układy dynamiczne mogą wykazywać tzw. drogi do chaosu, gdzie wraz ze zmianą parametru systemu pojawiają się kolejne bifurkacje okresu: sygnał okresowy o jednym okresie przechodzi w sygnał o okresie podwojonym, następnie czterokrotnym i tak dalej, aż do powstania dynamiki chaoticznej. W takich przypadkach analiza sygnału wymaga narzędzi spoza klasycznej teorii funkcji okresowych, takich jak atraktory fraktalne czy eksponenty Lapunowa.
Z punktu widzenia praktyki inżynierskiej rozróżnienie między czysto okresowymi a quasi-okresowymi lub chaotycznymi sygnałami ma znaczenie przy projektowaniu systemów filtracji, synchronizacji i detekcji. Przykładowo, w systemach komunikacyjnych nośne sygnały okresowe służą jako referencje fazowe i częstotliwościowe, a wszelkie odchylenia od idealnej okresowości (np. jitter czy szumy fazowe) mogą znacząco pogorszyć jakość transmisji.
Ciągłe i dyskretne modele okresowości, aliasing i synchronizacja
Współczesne systemy pomiarowe i komunikacyjne w znacznym stopniu opierają się na reprezentacji dyskretnej sygnałów pierwotnie ciągłych. Aby sygnał okresowy x(t) został poprawnie odwzorowany przez próbkowanie z okresem Tₛ, należy spełnić warunek:
fₛ ≥ 2 f_max
gdzie fₛ = 1 / Tₛ to częstotliwość próbkowania, a f_max to najwyższa istotna częstotliwość w widmie sygnału. Jeśli warunek ten nie jest spełniony, pojawia się aliasing: składowe widmowe powyżej połowy częstotliwości próbkowania zostają zniekształcone i „składają się” w niższe częstotliwości, co prowadzi do utraty informacji i fałszywych wyników analizy.
Aliasing ma szczególne znaczenie w analizie sygnałów okresowych, gdy poszukujemy dokładnych informacji o ich częstotliwościach składowych. Dlatego w praktyce przed próbkowaniem sygnału okresowego stosuje się filtry antyaliasingowe, które ograniczają pasmo sygnału wejściowego. W systemach synchronizacji, takich jak odbiorniki GPS czy systemy telefonii komórkowej, okresowe piloty i sygnały synchronizacyjne muszą być próbkowane i rekonstruowane w sposób zapewniający minimalne zniekształcenia fazy i częstotliwości.
Innym problemem praktycznym jest synchronizacja częstotliwości sygnałów okresowych pochodzących z różnych źródeł. W systemach rozproszonych, gdzie urządzenia mają własne generatory zegarowe, konieczne jest stosowanie metod synchronizacji, takich jak PLL (Phase-Locked Loop), aby zapewnić, że sygnały mają identyczną częstotliwość i właściwą relację fazową. PLL jest układem, który porównuje fazę lokalnego sygnału okresowego z fazą sygnału odniesienia i odpowiednio koryguje częstotliwość lokalnego oscylatora, aż do uzyskania zbieżności.
Perspektywy badań i zastosowań sygnałów okresowych
Nowoczesne techniki analizy: od transformacji falkowej do analizy czas-częstotliwość
Choć klasyczna teoria Fouriera pozostaje fundamentem analizy sygnałów okresowych, rozwój nauki i techniki doprowadził do powstania nowych narzędzi, szczególnie przydatnych dla sygnałów, których okresowość może zmieniać się w czasie lub które zawierają zarówno składowe stacjonarne, jak i krótkotrwałe. Jedną z takich metod jest transformacja falkowa (wavelet transform), która pozwala analizować sygnał w domenie czasu i skali (związanej z częstotliwością) jednocześnie.
Dla sygnałów quasi-okresowych, w których częstotliwość podstawowa powoli pływa, transformacje czas-częstotliwość, takie jak krótkookresowa transformacja Fouriera (STFT) lub wspomniana transformacja falkowa, oferują bardziej elastyczne narzędzia niż klasyczna analiza harmoniczna. Pozwalają one obserwować, jak widmo sygnału zmienia się w czasie, co jest niezwykle istotne w diagnostyce maszyn, analizie mowy, monitoringu zdrowia czy w sejsmologii.
W badaniach nad sygnałami okresowymi złożonymi, zawierającymi wiele częstotliwości podstawowych oraz bogate widma harmoniczne, rozwijane są metody separacji źródeł (source separation) i dekompozycji modalnej. Przykładem są techniki takie jak EMD (Empirical Mode Decomposition) czy różne formy analizy głównych składowych w domenie częstotliwości. Ich celem jest wyodrębnienie komponentów o określonej strukturze okresowej, co ułatwia diagnostykę, kompresję danych czy wykrywanie anomalii.
Sygnały okresowe w technologiach komunikacyjnych i kwantowych
W systemach komunikacji bezprzewodowej sygnały okresowe odgrywają kluczową rolę w strukturze ramkowej, sygnalizacji oraz synchronizacji nadajnik-odbiornik. Struktury takie jak piloty, preambuły czy sekwencje synchronizacyjne mają często charakter okresowy lub quasi-okresowy i są projektowane tak, aby ułatwić wykrywanie w obecności szumu, wielodrogowości i zakłóceń. Analiza ich widma ma istotne znaczenie przy planowaniu widma częstotliwości, w tym przy redukcji interferencji międzykanałowych.
Równocześnie, rozwój informatyki kwantowej i technologii kwantowych wprowadza nowe wyzwania i możliwości w opisie zjawisk okresowych. Oscylacje Rabi, precesja spinowa czy okresowe manipulacje stanami kubitów mogą być traktowane jako specyficzne sygnały okresowe w przestrzeni stanów kwantowych. Precyzyjna kontrola częstotliwości, fazy i czasu trwania impulsów sterujących jest tu równie krytyczna, jak w klasycznych systemach telekomunikacyjnych, lecz dodatkowo obarczona wymogami zachowania koherencji kwantowej.
W dziedzinie metrologii kwantowej, sygnały okresowe generowane przez zegary atomowe, lasery stabilizowane w częstotliwości czy oscylatory mikrofalowe tworzą podstawę najdokładniejszych wzorców czasu i częstotliwości. Analiza ich szumu fazowego, dryfu i długoterminowej stabilności wymaga szczególnie zaawansowanych metod, często wykraczających poza klasyczną analizę okresowości, lecz nadal korzystających z pojęć harmonicznych i widma.
Interdyscyplinarne znaczenie pojęcia sygnału okresowego
Pojęcie sygnału okresowego jest na tyle uniwersalne, że pojawia się w rozmaitych dziedzinach nauki, od fizyki fundamentalnej, poprzez inżynierię, aż po nauki społeczne. W ekonomii okresowe wahania wskaźników makroekonomicznych (np. cykle koniunkturalne) mogą być modelowane jako sygnały o częstotliwościach znacznie niższych niż w typowych systemach technicznych, ale podlegające podobnym narzędziom analizy spektralnej. W neuronauce analizy rytmów mózgowych (alfa, beta, gamma) wykorzystują narzędzia opracowane pierwotnie dla sygnałów radiowych i audio.
W sztuce i muzyce sygnały okresowe, choć często złożone i modulowane, tworzą podstawę harmonii, rytmu i barwy. Współczesna synteza dźwięku i obrazów wykorzystuje zarówno proste przebiegi okresowe, jak i ich kombinacje oraz modulacje, aby tworzyć złożone struktury percepcyjne. Dla projektantów instrumentów, akustyków i kompozytorów zrozumienie związków między kształtem przebiegu a jego odbiorem słuchowym jest równie istotne jak dla inżynierów telekomunikacji znajomość relacji między widmem sygnału a przepustowością kanału.
Ze względu na tę interdyscyplinarność, pojęcie sygnału okresowego jest obecne zarówno w podręcznikach matematyki, fizyki, elektroniki, jak i w opracowaniach z zakresu data science, bioinżynierii czy sztucznej inteligencji. Traktowanie danych jako sygnałów, w tym identyfikacja komponentów okresowych, pozwala wydobywać ukryte struktury, przewidywać przyszłe stany systemów i projektować algorytmy uczące się, które potrafią wykorzystywać regularności czasowe.
FAQ – najczęściej zadawane pytania
Czym dokładnie różni się sygnał okresowy od nieokresowego?
Sygnał okresowy powtarza swój kształt w czasie co stały okres T (dla sygnałów ciągłych) lub co N próbek (dla dyskretnych), spełniając warunek x(t + T) = x(t) lub x[n + N] = x[n]. Sygnał nieokresowy nie ma takiej stałej, dodatniej wartości T lub N; jego przebieg może być jednorazowym zdarzeniem, szumem lub strukturą zmieniającą się nieregularnie. W praktyce część sygnałów traktuje się jako quasi-okresowe, gdy wykazują jedynie przybliżoną regularność.
Dlaczego sygnały sinusoidalne są tak ważne w analizie okresowości?
Sygnał sinusoidalny jest rozwiązaniem wielu liniowych równań różniczkowych i ma szczególną własność: jeśli liniowy, niezmienny w czasie układ pobudzimy sinusoidą, odpowiedź ustalona także będzie sinusoidalna o tej samej częstotliwości, lecz zmienionej amplitudzie i fazie. Dzięki temu każdy „złożony” sygnał okresowy można w wielu przypadkach rozłożyć na sumę sinusoid i analizować zachowanie układów osobno dla każdej składowej, co upraszcza projektowanie filtrów, wzmacniaczy i systemów komunikacyjnych.
Jak w praktyce wyznacza się widmo sygnału okresowego?
W praktyce stosuje się najczęściej dyskretną transformatę Fouriera (DFT), obliczaną efektywnie za pomocą algorytmu FFT. Próbkujemy sygnał z odpowiednią częstotliwością, wybieramy fragment obejmujący co najmniej jeden pełny okres (często wiele okresów dla lepszej rozdzielczości częstotliwościowej), a następnie wykonujemy FFT. Otrzymane wartości zespolone opisują amplitudy i fazy harmonicznych. Często stosuje się także okna czasowe, aby ograniczyć skutki skończonej długości obserwacji i zjawiska wycieku widmowego.
Czy każdy sygnał można przybliżyć jako okresowy?
Wiele sygnałów nie jest ściśle okresowych, ale w ograniczonym przedziale czasu lub dla potrzeb konkretnej analizy można je traktować jak przybliżenie sygnału okresowego. Na przykład mowa ludzka ma strukturę zmienną w czasie, lecz fragmenty dźwięków o stałej artykulacji mają niemal okresowy charakter. W zastosowaniach, gdzie interesuje nas lokalne widmo lub średnie własności, przybliżenie okresowe jest użyteczne, jednak należy pamiętać o błędach, jakie to wprowadza, szczególnie przy analizie długoterminowej lub detekcji subtelnych zmian.
Jakie są typowe błędy przy pracy z sygnałami okresowymi?
Do najczęstszych należą: niewłaściwe próbkowanie prowadzące do aliasingu; ignorowanie wyższych harmonicznych przy projektowaniu układów (co skutkuje zniekształceniami); nieprawidłowy dobór okna czasowego i długości analizy widmowej; mylenie quasi-okresowości z idealną okresowością; oraz brak uwzględnienia jittera i szumów fazowych w systemach zegarowych. Innym błędem bywa stosowanie wyłącznie analizy Fouriera tam, gdzie sygnał ma silnie niestacjonarny charakter i lepiej sprawdzają się narzędzia czas-częstotliwość lub dekompozycje adaptacyjne.
