Полифазный преобразователь частоты дискретизации¶
В данном примере разобрано применение блока FIR Rate Conversion. Этот блок выполняет эффективное полифазное преобразование частоты дискретизации с использованием рационального коэффициента L/M вдоль первого измерения.
Блок рассматривает каждый столбец входного сигнала как отдельный канал и передискретизирует данные в них независимо друг от друга.
Теперь давайте рассмотрим саму модель, разработанную для этого примера. В ней генерируется комплексный сигнал, к которому применяется полифазное преобразование частоты дискретизации.
Вспомогательные функции¶
# Подключение вспомогательной функции запуска модели.
function run_model( name_model)
Path = (@__DIR__) * "/" * name_model * ".engee"
if name_model in [m.name for m in engee.get_all_models()] # Проверка условия загрузки модели в ядро
model = engee.open( name_model ) # Открыть модель
model_output = engee.run( model, verbose=true ); # Запустить модель
else
model = engee.load( Path, force=true ) # Загрузить модель
model_output = engee.run( model, verbose=true ); # Запустить модель
engee.close( name_model, force=true ); # Закрыть модель
end
sleep(5)
return model_output
end
using FFTW
# Расчёт спектра сигнала
function compute_spectrum(signal, fs)
n = length(signal)
spectrum = abs.(fft(signal)) / n
freqs = (0:n-1) .* (fs / n)
spectrum[1:Int(n/2)], freqs[1:Int(n/2)] # Вернуть половину спектра (для удобства)
end
Запуск модели и анализ расчёта¶
В данном примере коэффициенты фильтров будут взяты из MAT-файла, заранее записанного для этой модели.
using MAT
# Чтение данных из .mat файла
file = matopen("$(@__DIR__)/Hm.mat")
var_names = names(file)
print("$var_names")
for var_name in var_names
value = read(file, var_name)# Получаем значение переменной из файла
@eval $(Symbol(var_name)) = $value # Динамическое создание переменной с именем var_name
end
# Закрытие файла
close(file)
run_model("Rate_Conversion") # Запуск модели.
Теперь сравним входные и выходные данные.
inp = collect(simout["dat2CDfix/inp"])
sim_time = vcat([m[] for m in inp.time]...) # Извлекаем значения из матриц
inp = vcat([m[] for m in inp.value]...) # Извлекаем значения из матриц
out = collect(simout["dat2CDfix/out"])
out = vcat([vec(m2) for m2 in out.value]...) # Преобразуем каждую матрицу в вектор
println("Кол-во входных залогированных данных: $(length(inp))")
print("Кол-во выходных залогированных данных: $(length(out))")
Как мы видим, на выходе залогировано в 2 раза больше значений, чем на входе. Это свидетельствует, о том, что была произведена интерполяция – процесс увеличения частоты дискретизации сигнала путем добавления новых отсчетов между существующими.
gr()
A = plot(real(inp[1:1000]), imag(inp[1:1000]), seriestype=:scatter, legend=false,
xlabel="Re", ylabel="Im", title="Вход")
B = plot(real(out[1:1000]), imag(out[1:1000]), seriestype=:scatter, legend=false,
xlabel="Re", ylabel="Im", title="Выход")
plot(A,B)
По результатам визуализации данных можно заметить, что амплитуда распределения значений на выходе значительно отличается от значений на входе.
Теперь посмотрим результаты спектрального сравнения входа и выхода.
spectrum_inp, freqs_inp = compute_spectrum(inp[1:4000], 1000)
spectrum_out, freqs_out = compute_spectrum(out[1:4000], 1000)
plot(
plot(freqs_inp, spectrum_inp, xlabel="Frequency (Hz)", ylabel="Amplitude", title="Вход", label=""),
plot(freqs_out, spectrum_out, xlabel="Frequency (Hz)", ylabel="Amplitude", title="Выход", label="")
)
Это сравнение показало, что спектр сигнала значительно исказился, и полезный сигнал после преобразований, исходя из результатов спектрального анализа, утерян.
Вывод¶
В данной демонстрации мы рассмотрели полифазный преобразователь частоты дискретизации и возможности его применения для изменения частоты дискретизации сигнала. Эта опция будет очень полезной для ваших проектов.