重采样系统识别工具箱™产品中的数据信号应用反锯齿(低通)FIR滤波器的数据,并通过抽取或插值改变信号的采样率。
如果在实验期间您的数据采样速度比需要的快,那么您可以在不丢失信息的情况下对其进行大量采样。如果您的数据采样比需要的慢,那么您可能会错过关于更高频率的动态的重要信息。尽管可以以更高的速率重新采样数据,但在测量的样本之间发生的重新采样值并不代表关于系统的新测量信息。代替重新采样,使用更高的采样率重复实验。
提示
当数据包含超出系统动态频率范围的高频噪声时,应该对数据进行大量抽取。
重采样考虑了数据在样本之间的行为,这是在将数据导入系统识别应用程序时指定的(零阶或一阶保持)。有关导入数据之前指定的数据属性的详细信息,请参见表示数据.
您可以使用系统识别应用程序或重新取样
命令。只能按统一的时间间隔重新采样时域数据。
关于处理扰动的详细讨论,请参阅系统识别:用户的理论,第二版,Lennart Ljung, Prentice Hall PTR, 1999。
通常情况下,您需要对信号进行抽取,以从总能量中去除噪声造成的高频影响。理想情况下,您想要去除噪声造成的能量贡献,并保持信号的能量密度。
命令重新取样
在不产生混叠效果的情况下执行抽取。该命令包含因子ofT将光谱归一化,保留抽取后的能量密度。有关频谱归一化的更多信息,请参见光谱归一化.
如果您使用手动抽取代替重新取样
例如,通过从信号中抽取每四个样本,高频率的能量贡献被折回低频率(“混叠”)。由于这个操作保留了信号的总能量,而这个能量现在必须被压缩到一个更小的频率范围内,所以每个频率的频谱振幅都会增加。因此,被抽取信号的能量密度不是恒定的。
这个例子展示了重新取样
避免折叠效果。
构建一个四阶移动平均过程。
M0 = idpoly(1,[],[1 1 1]);
M0是一个没有输入的时间序列模型。
产生误差信号。
e = idinput (2000“该公司”);
使用错误信号模拟输出。
sim_opt = simOptions (“AddNoise”,真的,“NoiseData”, e);y = sim (m0, 0 (2000 0), sim_opt);y = iddata (y, [], 1);
估计信号频谱。
g1 = spa (y);
估计修正后信号的频谱,包括原始信号的每四个样本。该命令自动将Ts设置为4。
g2 = spa (y (1:4:2000));
绘制频率响应的视图折叠效果。
h = spectrumplot (g1、g2 g1.Frequency);选择= getoptions (h);opt.FreqScale =“线性”;opt.FreqUnits =“赫兹”;setoption (h,选择);
估计不引入折叠效应的预滤波后的频谱。
g3 = spa(重新取样(y, 1、4));图spectrumplot (g1、g3 g1.Frequency,选择)
使用重新取样
在估计频谱和绘制频率响应之前对信号进行抽取。
g3 = spa(重新取样(y, 1、4));图spectrumplot (g1、g3 g1.Frequency,选择)
从图中可以看出,重新采样后的估计频谱与原始频谱幅值相同。因此,当你使用时,没有迹象表明有折叠效果重新取样
消除混叠。