Подробное объяснение «на пальцах»: зачем нужна лекция, что она решает, откуда берутся формулы и что означают картинки. Материал рассчитан и на подготовку преподавателя, и на самостоятельное чтение студентом: от первых понятий до практических рецептов и разбора ошибок.

• Это подробный конспект лекции 4: смысл без «тяжёлого» вывода формул.
• Кому полезен:
  • студенту — чтобы понять, а не заучить;
  • преподавателю — чтобы было чем наполнить рассказ;
  • практику — чтобы знать, какие ручки крутить.
• Структура:
  • разделы 1–2 — что такое спектр и почему считать «в лоб» дорого;
  • раздел 3 — как устроено БПФ;
  • разделы 4–6 — конечная запись, окна, разрешение, миф про zero-padding;
  • разделы 7–11 — практика: Уэлч, PSD, точная частота, спектрограмма, пример;
  • разделы 12–21 — шпаргалка, ошибки, код, рецепты, задания, план.
• Формат — списки: так удобнее готовиться, повторять и объяснять.
• Числовые примеры взяты из ноутбука lecture04.ipynb.

1. Объяснить, что такое БПФ:
   • это не новое преобразование, а быстрый алгоритм для ДПФ;
   • результат точно совпадает с ДПФ;
   • выигрыш — в тысячи и десятки тысяч раз.
2. Показать идею «разделяй и властвуй»:
   • одно большое ДПФ → два маленьких;
   • рекурсия → log₂N уровней.
3. Понять «бабочку» и бит-реверс.
4. Объяснить, откуда берётся утечка.
5. Осознанно выбирать окно под задачу.
6. Понимать Δf = 1/T и почему zero-padding не улучшает разрешение.
7. Пользоваться методом Уэлча и читать PSD.
8. Строить спектрограмму.
9. Сделать всё это в Python.

Зачем каждый пункт на практике:

• БПФ — чтобы считать спектр в реальном времени.
• Разрешение — чтобы различать близкие частоты (дефект vs помеха).
• Окна — чтобы видеть слабые линии рядом с сильными.
• Уэлч и PSD — чтобы измерять шум, а не «мохнатый» шумный спектр.
• Спектрограмма — чтобы работать с меняющимися сигналами.

• Сигнал — величина, меняющаяся во времени:
  • напряжение на датчике;
  • вибрация подшипника;
  • звук микрофона;
  • ток двигателя.
• Во времени сигнал — извилистая кривая, где «всё перемешано».
• Спектр — разложение сигнала на простые синусоиды с их амплитудами и фазами.
• Аналогия: белый свет через призму → цвета; спектр — «радуга сигнала».
• «Призма» здесь — арифметика: пробуем синусоиды и смотрим, какие совпали.
• Практический смысл:
  • превратить «непонятную кривую» в несколько чисел;
  • найти дефект, невидимый глазом;
  • принять решение: проблема есть/нет, на какой частоте, растёт ли она.

• Есть N отсчётов: x[0], x[1], …, x[N−1].
• ДПФ даёт N комплексных чисел X[0], X[1], …, X[N−1].
• Смысл X[k] = Σ x[n]·e^(−j·2π·k·n/N):
  • берём пробную синусоиду частоты номер k;
  • умножаем сигнал на неё и складываем;
  • совпали частоты → слагаемые складываются в большое число;
  • не совпали → гасят друг друга, почти ноль.
• ДПФ — это корреляция сигнала с набором синусоид.
• Пик появляется там, где произошло совпадение.

• |X[k]| — амплитуда (насколько «громко» звучит частота).
• arg X[k] — фаза (с каким сдвигом присутствует).
• |X[k]|² — мощность составляющей.
• Для анализа чаще смотрят амплитуду или мощность.
• Фаза нужна для:
  • измерения задержек и дальности;
  • фазовой локализации (RFID, радар);
  • когерентного накопления и синхронизации.

• Вещественный сигнал (напряжение, звук) даёт две сопряжённые линии: +f и −f.
• Поэтому для вещественного сигнала достаточно половины спектра (rfft).
• Комплексный (аналитический) сигнал даёт одну линию на +f.
• Аналитический сигнал удобен в связи (I/Q).
• Отрицательные частоты — удобство математики; для вещественного сигнала они

симметричны положительным.

• Реальная частота: f_k = k·f_д/N, где f_д — частота дискретизации.
• Сетка этих частот — бины; шаг сетки Δf = f_д/N.
• Между бинами спектр не определён «напрямую» — там интерполяция.
• Ось строят функциями fftfreq (двусторонняя) и rfftfreq (односторонняя).

• f_д = 8000 Гц, N = 8 → Δf = 1000 Гц; бины 0, 1000, …, 7000 Гц.
• Косинус ровно 1000 Гц → попадёт в бин, две чёткие линии ±1000 Гц.
• Косинус 1250 Гц → между бинами, «размазанный» холмик (утечка).

• Чистый тон: одна-две узкие линии.
• Периодический сигнал (меандр, треугольник): набор гармоник кратных основной.
• Шум: размазанная «полка» по всем частотам.
• Вибрация: несколько линий (вращение, дефекты) плюс шум.
• Речь/музыка: множество линий, меняющихся во времени.
• Радиосигнал: несущая и боковые полосы (зависит от модуляции).
• Понимание «типового вида» помогает сразу заметить аномалию.

• Идею деления на чётные/нечётные знал ещё Гаусс (начало XIX века).
• Широко известной она стала в 1965 году — статья Cooley–Tukey.
• Причина популярности — компьютеры и потребность в быстрой обработке.
• Сегодня БПФ — в основе аудио, связи, изображений, радаров, МРТ, сейсмики.

• Один коэффициент X[k] — это N произведений и сложений.
• Коэффициентов N → итого N² операций (квадратичная сложность O(N²)).

• Секунда аудио при 44.1 кГц: N = 44 100, N² ≈ 1.9·10⁹.
• Реальное время: пересчитывать десятки раз в секунду.
• Длинные записи и изображения: N ещё больше.
• Время растёт как квадрат длины записи — быстро «упирается».

• Вывод: выигрыш растёт с N и становится астрономическим.
• Поэтому БПФ — один из важнейших алгоритмов XX века.

• O(N²) — время растёт как квадрат длины: удвоили N — время вчетверо.
• O(N·log₂N) — почти линейно: удвоили N — время чуть больше, чем вдвое.
• На больших N разница между кривыми определяет, «успеем или нет».
• В реальном времени это разница между «работает» и «не работает».

• Заметили, что одни и те же множители встречаются много раз.
• Их можно переиспользовать, а не считать заново.
• Отсюда идея делить задачу пополам и переиспользовать результаты.

• БПФ — не приближение и не другое преобразование.
• Оно считает тот же ДПФ, но быстрее: O(N·log₂N) вместо O(N²).
• Результат совпадает с точностью машинной арифметики.
• «Быстрое» относится к скорости вычислений, а не к упрощению результата.

• Пусть N чётно.
• Делим отсчёты на чётные и нечётные:
  • чётные: x[0], x[2], x[4], …;
  • нечётные: x[1], x[3], x[5], ….
• Спектр всего сигнала выражается через два спектра половинной длины:
  • E[k] — спектр чётных;
  • O[k] — спектр нечётных;
  • и поворотный множитель W.
• Причина: частота в показателе «пересчитывается» для половинной длины

(W_N² = W_(N/2)).

• Далее — рекурсия: каждую половину снова делим пополам.
• Пока не останутся ДПФ длины 1–2.
• Глубина дерева — log₂N; отсюда множитель log₂N.
• Уравнение сложности: T(N) = 2·T(N/2) + O(N).
• Его решение — O(N·log₂N).

• Поворотные множители обладают симметрией:
  • W^(k+N/2) = −W^k;
  • W^(2k) = W_(N/2)^k.
• Именно эта симметрия позволяет соединять половины «почти бесплатно».
• Без неё деление не давало бы выигрыша.

• Две половины соединяются «бабочкой»:
  • X[k] = E[k] + W·O[k];
  • X[k + N/2] = E[k] − W·O[k].
• Одно и то же W·O[k] прибавляется и вычитается.
• За одну операцию — сразу две точки спектра.
• Стоимость: одно комплексное умножение и два сложения.
• Название — из-за формы схемы (два входа, два выхода, перекрестье).

• Вход x = [x0, x1, x2, x3].
• Разделяем: чётные [x0, x2], нечётные [x1, x3].
• ДПФ длины 2:
  • E[0] = x0 + x2, E[1] = x0 − x2;
  • O[0] = x1 + x3, O[1] = x1 − x3.
• Точки спектра:
  • X[0] = E[0] + W⁰·O[0];
  • X[2] = E[0] − W⁰·O[0];
  • X[1] = E[1] + W¹·O[1];
  • X[3] = E[1] − W¹·O[1].
• Здесь W = e^(−j·2π/4).
• Вместо 16 умножений (в лоб) — два умножения на W.
• Для N = 8 экономия ещё заметнее.

• Делим на чётные (0,2,4,6) и нечётные (1,3,5,7).
• Каждую четвёрку — снова на чётные/нечётные.
• Получаем четыре ДПФ длины 2.
• Соединяем «бабочками» в три стадии.
• Число «дорогих» умножений резко падает.

• Плата за деление: входные отсчёты идут в бит-реверсивном порядке.
• Правило: номер в двоичном виде читается справа налево.
• Пример: 1 = 001₂ → 100₂ = 4.
• Для N = 8: 0, 4, 2, 6, 1, 5, 3, 7.
• На выходе порядок естественный: X[0..7].
• В коде — одна перестановка массива перед БПФ.

• Три вертикальные стадии.
• На каждой — четыре бабочки.
• Слева — вход в бит-реверсивном порядке.
• Справа — спектр X[0..7] в обычном порядке.
• Структура регулярная → удобно для процессора и железа (FPGA, ASIC).

• Рекурсивный БПФ — ближе к определению, но с накладными расходами.
• Итеративный — по стадиям, «на месте» (in-place); так делают библиотеки.
• In-place экономит память: результат пишется поверх входа.
• Порядок стадий обеспечивает бит-реверс заранее.

• radix-2 — деление пополам; требует N = 2^m.
• radix-4 — меньше операций.
• split-radix — ещё быстрее.
• mixed-radix — для составных N.
• Простое большое N — смешанные алгоритмы или округление до степени двойки.
• Вещественный сигнал — rfft, вдвое дешевле.
• Библиотеки: FFTW, pocketfft (NumPy/SciPy), MKL, cuFFT (GPU).
• Правило: по возможности брать N степенью двойки.

• Аудио: сжатие, эквалайзеры, распознавание речи.
• Связь: OFDM (Wi-Fi, LTE, DVB), фильтрация.
• Медицина: МРТ, ЭЭГ, ЭКГ.
• Техника: вибродиагностика, радары, сейсмика, астрономия.

• Записываем кусок сигнала длиной T секунд.
• Формально это умножение на прямоугольное окно (1 внутри записи, 0 снаружи).
• Правило: умножение во времени = свёртка в спектре.
• Спектр прямоугольного окна — «холмик с хвостами» (sinc).
• Значит, чистый тон размазывается.
• Это и есть утечка — следствие конечности записи, а не ошибка.

• Свёртка — «размазывание» одной функции другой.
• Аналогия: резкий звук в комнате с эхом «размазывается» во времени.
• Здесь по частоте: резкую линию «размазывает» хвост окна.
• Чем «чище» спектр окна, тем меньше размазывание.

• Спектр прямоугольного окна:
  • главный лепесток — центральный пик;
  • боковые лепестки — затухающие «волны» по бокам.
• Главный лепесток → разрешение (шире — хуже).
• Боковые лепестки → маскировка слабых линий.
• У прямоугольного окна боковые высокие (−13 дБ) — плохо для слабых сигналов.

• f_д = 8000 Гц, N = 256 → Δf = 31.25 Гц.
• Тон ровно в бине (например, 1000 Гц) → одна чёткая линия.
• Тон на полбина (1015.6 Гц) → энергия растекается по соседним бинам.
• С прямоугольным окном боковые падают медленно.
• С окном Hann — падают быстро.

• Обрезаем сигнал мягко: окно равно 1 в центре и плавно идёт к 0 у краёв.
• Аналогия: мягкая диафрагма фотоаппарата даёт меньше «звёздочек».
• Эффект: боковые лепестки падают.
• Цена: главный лепесток расширяется — разрешение чуть хуже.
• Это неустранимый компромисс.

• Прямоугольное: ничего не меняем; хорошо, если частоты точно в бинах.
• Hann: плавный «колокол»; выбор по умолчанию.
• Hamming: похоже на Hann, но не доходит до нуля; чуть ниже боковые.
• Blackman–Harris: очень низкие боковые; шире главный лепесток.
• flat-top: широкий плоский верх; точная амплитуда, плохое разрешение.

• Coherent gain — среднее значение окна:
  • поправка на амплитуду линии;
  • Hann ≈ 0.5, Hamming ≈ 0.54, flat-top ≈ 0.22.
• ENBW — эквивалентная шумовая полоса:
  • поправка на шум и PSD;
  • прямоугольное 1.0, Hann 1.5, Hamming 1.36, flat-top 3.77.
• Без учёта этих коэффициентов нельзя сравнивать спектры с разными окнами.
• scipy.signal.welch учитывает их автоматически.

• Разделённые тона, важна резкость → прямоугольное или Hann.
• Слабая линия рядом с сильной → Hann или Blackman–Harris.
• Точная амплитуда → flat-top.
• Не знаете что взять → Hann.

• «Окно убирает шум?» — нет, окно против утечки; шум убирает усреднение.
• «Окно искажает сигнал?» — ослабляет края; при нормировке амплитуда верна.
• «Можно без окна?» — да, если частоты точно в бинах и сигнал чистый.
• «Почему пик ниже?» — это coherent gain.
• «Почему пик шире?» — расширенный главный лепесток.

• Δf = f_д / N, а так как T = N / f_д, то Δf = 1 / T.
• Чем дольше запись, тем тоньше разрешение.
• Δf — минимальное расстояние, различимое по построению.

• Частота дискретизации задаёт диапазон (до f_д/2, частота Найквиста).
• Длительность записи задаёт разрешение Δf.
• Поднять f_д → шире диапазон, но разрешение (при том же T) не улучшится.
• Аналогия: диапазон — «какие ноты слышим»; разрешение — «какие близкие ноты

различаем».

• Верхняя частота: f_д / 2.
• Всё выше — «заворачивается» (алиасинг), если нет антиалиасингового фильтра.
• Поэтому перед дискретизацией ставят фильтр.

• Тона различимы, если расстояние между ними больше Δf.
• Для Hann нужно примерно ≈ 2Δf.
• То есть окно немного «съедает» разрешение, но даёт динамику.

• Тона 1000 и 1040 Гц.
• N = 128 → Δf = 62.5 Гц → сливаются.
• N = 1024 → Δf ≈ 7.8 Гц → два пика.
• Вывод: «раздвинуть» близкие частоты можно удлинением записи.

• Длительность записи T (главное).
• Форма/ширина окна.
• Отношение сигнал/шум.
• Наличие мешающих линий (боковые лепестки).

• Хотите различить тона в 1 Гц — нужна запись около секунды и больше.

• Дополняют сигнал нулями до большей длины перед ДПФ.
• Получают «гладкий» спектр с плотной сеткой частот.

• Новых данных не появляется — мы не смотрели дольше.
• Это интерполяция той же спектральной кривой.
• Слипшиеся тона сольются и на плотной сетке.

• Красивый гладкий график.
• Точное положение пика (для интерполяции).
• Приведение длины к степени двойки.
• Линейная свёртка: дополнение до N ≥ N_a + N_b − 1.
• Итог: удобство, а не разрешение.

• Если пики стали «чаще» — это интерполяция, а не новое разрешение.
• Если пики стали «уже и раздельнее» — это уже удлинение записи.

• Одна периодограмма |X|² неустойчива; разброс не падает с ростом N.
• Причина: одна «реализация» случайного процесса.
• Аналогия: одно измерение шума случайно; сто усреднённых — устойчивы.

1. Резать запись на сегменты.
2. Брать их с перекрытием.
3. Применять окно.
4. Считать БПФ и |·|².
5. Усреднять по сегментам.

• Получаем: несмещённую оценку с меньшим разбросом.
• Разброс падает как √K (K — число сегментов).
• Платим: разрешение определяется длиной сегмента.

• nperseg (длина сегмента):
  • больше → лучше разрешение, больше разброс;
  • меньше → меньше шум, хуже разрешение.
• noverlap (перекрытие): обычно 50% (nperseg // 2).
• nperseg — желательно степень двойки.
• Разрешение: f_д / nperseg должно быть достаточно мелким.
• Больше сегментов → глаже кривая, но больше вычислений.

• K = 1 → как одна периодограмма (шумно).
• K = 10 → заметно глаже.
• K = 100 → устойчивая кривая.
• Разброс ≈ 1/√K: чтобы улучшить в 2 раза, нужно в 4 раза больше сегментов.

• Периодограмма — один сегмент (шумная).
• Бартлетт — сегменты без перекрытия.
• Уэлч — перекрытие + окно (стандарт).
• Медианное усреднение — устойчиво к выбросам.
• Мультитейпер — несколько ортогональных окон.

1. Определить нужное Δf.
2. По нему выбрать длину сегмента.
3. Взять окно (Hann).
4. Перекрытие 50%.
5. Посчитать welch.
6. Убедиться: линии на месте, шум «успокоился».

• Для шума «амплитуда на частоте» бессмысленна.
• Правильная мера — мощность на герц (PSD).
• Площадь под PSD = полная мощность сигнала.

• scaling='density' → «мощность²/Гц» (для шумов и широкополосных сигналов).
• scaling='spectrum' → «мощность² в бине» (для дискретных линий).

• PSD = |W|² / (f_д · ENBW).
• Благодаря ENBW уровень шумовой полки не зависит от окна.
• В welch это уже учтено.

• Мощность в полосе [f1, f2] ≈ сумма PSD по этой полосе, умноженная на шаг Δf.
• Отсюда: чем шире полоса, тем больше «собранная» мощность.

• Динамический диапазон спектра огромен.
• В дБ он «сжимается» и читается глазом: 10·log10(PSD).
• Таблица для ориентира:

• Минус дБ: мощности нельзя складывать «на глаз».

• Смешивать density и spectrum на одном графике.
• Сравнивать разные окна без нормировки.
• Забывать про Δf при переходе к мощности в полосе.
• Считать уровень шума не зависящим от разрешения (он зависит от полосы).

• Сетка даёт частоту с шагом Δf; истина может быть между бинами.
• Приём: параболическая интерполяция по трём точкам вокруг пика.
• Берём три значения логарифма спектра (левое, центр, правое).
• Формула даёт поправку δ (от −0.5 до +0.5 бина).
• Уточнённая частота: f₀ ≈ (k + δ)·Δf.
• Пример из ноутбука: истина 100.4 Гц, сетка ≈ 3.9 Гц, оценка — 100.34 Гц.
• Более точные методы:
  • интерполяция по двум окнам;
  • оценка по фазе;
  • Прони, MUSIC — для близких тонов.
• Для вибрации и радиосигналов обычно достаточно интерполяции.

• Обычный спектр предполагает, что сигнал всё время одинаков.
• STFT: спектр в скользящем окне.
• Результат — спектрограмма: время (X), частота (Y), мощность (цвет).

• Чирп (частота растёт) — наклонная линия.
• Короткий всплеск — вертикальное пятно.
• Долгий тон — горизонтальная линия.
• Дрейф частоты — изгиб линии.
• Одним обычным спектром этого не увидеть.

• Короткое окно → хорошо «когда», плохо «какая частота».
• Длинное окно → точно по частоте, но размыто по времени.
• Это принцип неопределённости, а не недоработка метода.

• Нестационарные сигналы (речь, музыка, разгон).
• Поиск коротких событий (щелчки, удары, разряды).
• Отслеживание изменения частоты.
• Когда обычный спектр «смешивает» разные режимы.

• Вейвлет-преобразование — адаптивное окно; лучше для широкополосных всплесков.
• Спектрограмма — простой и наглядный инструмент на каждый день.
• Мультитейперная спектрограмма — сглаженнее.

• Данные: вибрация агрегата.
• Составляющие: база 50 Гц, дефект 120 Гц, слабая гармоника 240 Гц, шум.
• Шаг 1. Одна периодограмма: шум «мохнатый», линия 240 Гц тонет.
• Шаг 2. Окно Hann + Уэлч: шум сглажен, линия 240 Гц различима.
• Шаг 3. PSD в дБ: удобный масштаб, видно превышение над полкой.
• Шаг 4. Уточнение частот интерполяцией.
• Итог: не «картинка», а основа для решения.

• «Подниму f_д — улучшу разрешение» → нет, разрешение задаёт T.
• «Дополню нулями — увижу детали» → это интерполяция.
• «Окно убирает шум» → окно против утечки, шум убирает усреднение.
• «БПФ приближённое» → результат точно совпадает с ДПФ.
• «Разные окна сравнимы по высоте пиков» → только с coherent gain.
• «Больше точек всегда лучше» → разрешение = время, устойчивость = усреднение.
• «Утечка — баг» → закономерность конечной записи.
• «Спектрограмма = спектр» → спектрограмма добавляет ось времени.

• Применили окно дважды: сначала вручную, потом внутри welch.
• Передали fs в герцах, а частоты трактовали как бины (или наоборот).
• Использовали fft вместо rfft для вещественного сигнала (лишняя работа).
• Забыли fftshift там, где нужен «центрированный» спектр.
• Взяли nperseg больше длины сигнала.
• Сравнили spectrum и density без пересчёта.
• Не учли coherent gain при измерении амплитуды вручную.
• Путали noverlap в отсчётах и в процентах.
• Строили спектрограмму без scaling, а потом удивлялись уровню.
• Смотрели амплитуду сигнала до вычета среднего (постоянная составляющая).

• Аудио (речь, музыка):
  • nperseg 1024–4096, Hann, перекрытие 50%;
  • спектрограмма с окном 512–2048 для событий.
• Вибрация / диагностика:
  • nperseg 1024–8192, Hann;
  • ищем гармоники и боковые полосы дефектов.
• Радио / связь:
  • окно Hann или Blackman–Harris для слабых сигналов;
  • I/Q, аналитический сигнал.
• ЭКГ / биосигналы:
  • nperseg небольшой (0.5–2 с) для нестационарности;
  • окно Hann; вычитать постоянную составляющую.
• Измерение частоты:
  • интерполяция пика; при возможности — фазовый метод.

1. Сгенерировать чистый тон ровно в бине и посмотреть ДПФ.
2. Сдвинуть частоту на полбина и увидеть утечку.
3. Применить окно Hann и сравнить боковые лепестки в дБ.
4. Сравнить спектры при N = 128 и N = 1024 (два близких тона).
5. Дополнить нулями и убедиться, что разрешение не улучшилось.
6. Реализовать простой БПФ radix-2 и сверить с numpy.fft.
7. Посчитать periodogram и welch, сравнить «мохнатость».
8. Построить PSD в density и spectrum, объяснить разницу.
9. Сделать спектрограмму чирпа и короткого всплеска.
10. Оценить частоту параболической интерполяцией.

1. 5 мин. ДПФ и его цена O(N²).
2. 15 мин. БПФ: разделяй и властвуй, бабочка, бит-реверс, сложность.
3. 15 мин. Конечная запись → утечка; окна; компромисс лепестков.
4. 15 мин. Разрешение Δf = 1/T; два тона; миф про zero-padding.
5. 15 мин. Уэлч и PSD: зачем усреднять; density vs spectrum.
6. 15 мин. Спектрограмма; компромисс время–частота; точная частота.
7. 10 мин. Реальный кейс (вибрация), рецепт scipy.signal, задание №4.

• Приём: сначала плохая картинка, потом — что делает приём.
• Давать «до/после»: утечка → окно, шум → Уэлч, короткая запись → длинная.

1. Чем БПФ отличается от ДПФ по результату и стоимости?
2. Зачем на входе БПФ бит-реверс?
3. Что физически означает утечка?
4. Почему окно расширяет главный лепесток?
5. Как выбрать окно для слабой линии рядом с сильной?
6. Почему Δf = 1/T, а не связано с f_д?
7. Почему zero-padding не улучшает разрешение?
8. Зачем перекрытие сегментов в Уэлче?
9. Чем density отличается от spectrum?
10. В чём компромисс время–частота?

• Лекция 2 — непрерывное преобразование Фурье и спектры (идея).
• Лекция 3 — ДПФ (что считаем).
• Лекция 4 — БПФ и практический спектральный анализ (как считать).
• Лекция 5 — модуляция и I/Q (радиосигналы).
• Лекции 6+ — фильтры, Z-преобразование, многомерная обработка.

• ДПФ — точный спектр, но O(N²).
• БПФ — тот же результат за O(N·log N).
• Вход БПФ — бит-реверс; соединение — «бабочки».
• Конечная запись → утечка; окна → компромисс «разрешение/динамика».
• Разрешение Δf = 1/T; zero-padding — только интерполяция.
• Уэлч → устойчивая PSD; спектрограмма → время–частота.
• Практика — scipy.signal (get_window, rfft, welch, spectrogram).

• Спектр — не картинка, а измерение.
• Чтобы ему верить, мало уметь считать быстро (БПФ).
• Нужно понимать искажения:
  • конечная запись (утечка);
  • выбор окна (разрешение против динамики);
  • шум (дисперсия оценки).
• И уметь отделять реальные линии от артефактов:
  • окна;
  • усреднение (Уэлч);
  • нормировка PSD.
• Дальше (лекция 5): спектры радиосигналов и модуляция — АМ/ЧМ/ФМ, цифровые

созвездия, комплексная огибающая (I/Q).

• Ядро e^(−j·2π·k·n/N) — это «пробная» синусоида, повёрнутая на комплексной

плоскости.

• Умножение и суммирование — это мера похожести сигнала на эту синусоиду.
• Если сигнал содержит эту частоту, произведение даёт постоянную составляющую,

которая при суммировании накапливается.

• Если не содержит — произведение колеблется и в сумме даёт почти ноль.
• Поэтому ДПФ — это корреляция; она «выпячивает» присутствующие частоты.

• e^(jθ) = cosθ + j·sinθ.
• Геометрический смысл: точка на единичной окружности под углом θ.
• Мнимая единица j — поворот на 90°.
• Отсюда комплексная экспонента — удобный способ «крутить» фазу.
• Множитель e^(−j·2π·k·n/N) — это дискретные повороты на равные углы.
• Для N точек получается N равномерно расставленных «стрелок» — базис ДПФ.

• Возьмём произведение двух сигналов: z = x · w.
• Его спектр равен свёртке спектров X и W.
• Именно поэтому конечная запись (умножение на окно) «размазывает» спектр.
• Чем уже спектр окна, тем меньше размазывание.
• У прямоугольного окна спектр широкий — потому утечка велика.

• Дискретизация во времени делает спектр периодическим по частоте.
• Период повторения — f_д.
• Поэтому ДПФ можно «центрировать» (fftshift) и смотреть отрицательные частоты.
• Это же свойство объясняет алиасинг: частоты выше f_д/2 накладываются.

• ENBW показывает, во сколько «бинов» окно собирает шум.
• Формула N·Σw²/(Σw)² — отношение энергии квадрата окна к квадрату суммы.
• Прямоугольное окно «собирает» ровно один бин (ENBW = 1).
• Более гладкие окна шире — ENBW > 1.
• Через ENBW нормируют шумовую полку, чтобы она не зависела от окна.

• Каждый сегмент даёт независимую оценку периодограммы.
• Усреднение K независимых оценок уменьшает разброс как √K.
• Поэтому дисперсия падает как 1/K.
• Отсюда правило: чтобы улучшить гладкость вдвое, нужно вчетверо больше сегментов.
• Расплата — разрешение определяется длиной сегмента, а не всей записи.

• Энергия сигнала во времени равна энергии в спектре (с нормировкой).
• Практический смысл: вычисления «не теряют» энергию.
• Полезно для проверки корректности ДПФ/БПФ.

• Бин k соответствует частоте f_k = k·f_д/N.
• Шаг сетки Δf = f_д/N = 1/T.
• Число уникальных бинов:
  • N для комплексного сигнала;
  • N/2 + 1 для вещественного.

1. Почему БПФ быстрее, если считает то же самое?

Оно переиспользует одни и те же множители за счёт деления задачи пополам;

 число операций становится ''N·log₂N'' вместо ''N²''.

1. БПФ даёт другой результат?

Нет. Отличия только из-за машинного округления; математически результат тот же.

1. Можно ли считать БПФ для любого N?

Для N = 2^m проще всего (radix-2). Для других N есть mixed-radix и

 специальные алгоритмы; часто проще добить нулями до степени двойки.

1. Что делать, если частоты точно не в бинах?

Использовать окно (Hann/Blackman–Harris) и/или интерполировать пик.

1. Почему у прямоугольного окна боковые только −13 дБ?

Это следствие «резкого» обрыва записи; спектр такого окна — медленно затухающий

 ''sinc''.

1. Какое окно универсальное?

Hann: хороший компромисс между разрешением и динамическим диапазоном.

1. Как увидеть слабую линию рядом с сильной?

Blackman–Harris (или Hann) + усреднение; при необходимости — вычитание сильной

 линии.

1. Почему после zero-padding график гладкий, но пики не разделились?

Потому что это интерполяция; новых данных нет.

1. Что выбрать: разрешение или меньше шума?

Это компромисс: длинный сегмент — лучше разрешение, короткий — меньше шума.

1. Сколько нужно данных для устойчивого спектра?

Чем больше, тем лучше; ориентир — десятки-сотни сегментов для гладкой PSD.

1. Что такое «шумовая полка»?

Средний уровень PSD шума; реальные линии — пики над полкой.

1. Чем density отличается от spectrum?

density — мощность на герц (для шума); spectrum — мощность в бине (для

  линий).

1. Почему в дБ?

Динамический диапазон спектра огромен; дБ «сжимает» масштаб для глаза.

1. Как точно измерить частоту?

Интерполяция пика (парабола по логарифму), фазовый метод, Прони/MUSIC.

1. Что такое спектрограмма?

Спектр во времени: STFT в скользящем окне.

1. Почему на спектрограмме нельзя быть точным и по времени, и по частоте?

Принцип неопределённости: короткое окно — время, длинное — частота.

1. Нужно ли вычитать среднее?

Да, постоянная составляющая (нулевая частота) иначе «давит» масштаб.

1. Что делать с алиасингом?

Ставить антиалиасинговый фильтр до дискретизации и следить за f_д/2.

1. Можно ли анализировать нестационарный сигнал одним спектром?

Можно, но он «смешает» режимы; лучше спектрограмма.

1. Где это применяется в курсе?

В сквозном проекте: диагностика по вибрации, акустика, радио (RFID), речь.

• Ячейка «стоимость ДПФ/БПФ»: измеряет время прямого ДПФ и np.fft.fft.
  • Вывод: разрыв растёт с N.
• Ячейка «дерево DIT»: показывает разбиение 8 отсчётов.
• Ячейка «бабочка»: схема соединения двух половин.
• Ячейка «граф БПФ»: три стадии по четыре бабочки.
• Ячейка «бит-реверс»: таблица перестановки индексов.
• Ячейка «окна во времени»: формы окон.
• Ячейка «спектры окон»: главный и боковые лепестки в дБ.
• Ячейка «компромисс окна»: ширина против боковых.
• Ячейка «утечка»: тон между бинами; rect против Hann.
• Ячейка «разрешение»: два тона при N = 128 и N = 1024.
• Ячейка «zero-padding»: гладко, но без нового разрешения.
• Ячейка «Уэлч»: одна периодограмма против усреднённой.
• Ячейка «PSD»: density против spectrum.
• Ячейка «спектрограмма»: чирп и всплески.
• Ячейка «вибрация»: слабая гармоника 240 Гц.
• Ячейка «точная частота»: параболическая интерполяция.

• Вейвлеты:
  • адаптивное окно (широкое на низких частотах, узкое на высоких);
  • хороши для всплесков и нестационарных сигналов.
• Банки фильтров:
  • набор полосовых фильтров;
  • основа аудиокодеков и слуховых моделей.
• Параметрические методы (Прони, MUSIC, ESPRIT):
  • дают сверхвысокое разрешение для близких тонов;
  • чувствительны к модели и шуму.
• Спектральное оценивание через модели (AR/ARMA):
  • короткие записи, гладкие спектры.
• Машинное обучение:
  • спектрограмма как «картинка» для нейросети;
  • классификация состояний (дефект/норма);
  • важно помнить о физике сигнала.

• Идея быстрого ДПФ — фактически у Гаусса (около 1805).
• Широкая известность — Cooley–Tukey, 1965.
• Появление FFTW (1997) сделало БПФ «заводским» стандартом.
• Сегодня БПФ встроено в процессоры, GPU, DSP и даже микроконтроллеры.
• В курсе БПФ — рабочий инструмент: от вибродиагностики до радиоприёма.
• Практический вывод: не изобретать БПФ, а уметь им пользоваться и понимать

ограничения.

• Возьмём x = [1, 2, 3, 4].
• Прямое ДПФ (для проверки):
  • X[0] = 1 + 2 + 3 + 4 = 10;
  • X[1] = 1 + 2·(−j) + 3·(−1) + 4·(j) = −2 + 2j;
  • X[2] = 1 − 2 + 3 − 4 = −2;
  • X[3] = 1 + 2·(j) + 3·(−1) + 4·(−j) = −2 − 2j.
• Через БПФ (radix-2):
  • чётные [1, 3], нечётные [2, 4];
  • E[0] = 1 + 3 = 4, E[1] = 1 − 3 = −2;
  • O[0] = 2 + 4 = 6, O[1] = 2 − 4 = −2;
  • множитель W = e^(−j·π/2) = −j.
• Соединяем «бабочками»:
  • X[0] = E[0] + O[0] = 10;
  • X[2] = E[0] − O[0] = −2;
  • X[1] = E[1] + W·O[1] = −2 + 2j;
  • X[3] = E[1] − W·O[1] = −2 − 2j.
• Результаты совпали с прямым ДПФ.
• Вывод: БПФ — это организация вычислений, а не приближение.
• Проверить себя: np.fft.fft([1,2,3,4]) даёт те же числа.

1. Определить диапазон частот, который интересует.
2. Выбрать частоту дискретизации (f_д ≥ 2·верхняя частота).
3. Определить нужное разрешение Δf и отсюда длительность T.
4. Решить, стационарный ли сигнал (нужна ли спектрограмма).
5. Выбрать окно (по умолчанию Hann).
6. Для шумного сигнала — усреднить (Уэлч), подобрать nperseg/noverlap.
7. Проверить нормировку (density/spectrum, coherent gain).
8. Построить спектр в дБ и отметить ожидаемые линии.
9. Уточнить частоты пиков интерполяцией.
10. Сравнить с физикой процесса и сделать вывод.

1. Почему N степень двойки удобно? Radix-2 требует N = 2^m, и БПФ работает

без «хвостов» и специальных случаев.

1. Что будет, если N простое? Прямое radix-2 не ляжет; нужны смешанные

алгоритмы или паддинг.

1. Влияет ли форма окна на измерение амплитуды? Да; учитывайте coherent gain.
2. Сколько бинов у вещественного сигнала? N/2 + 1.
3. Зачем rfft? Вдвое меньше вычислений и памяти для вещественного сигнала.
4. Что такое «центрированный» спектр? После fftshift: нулевая частота в

центре.

1. Что делать с постоянной составляющей? Вычесть среднее перед анализом.
2. Как выбрать nperseg? Под нужное разрешение; обычно степень двойки.
3. Что если сигнал не стационарный? Спектрограмма/вейвлеты.
4. Как сравнивать два спектра? Одинаковые окно, длина, нормировка.
5. Что такое утечка «на практике»? Кажущиеся линии рядом с реальной.
6. Почему шум «мохнатый»? Оценка по одной реализации; нужна статистика.
7. Как измерить уровень шума? По шумовой полке PSD.
8. Зачем нужен noverlap? Чтобы не терять данные на границах сегментов.
9. Что читать дальше? Оппенгейм/Шафер, Сергиенко; статьи Harris и Welch.

• Понимание:
  • объяснить БПФ и его отличие от ДПФ;
  • объяснить утечку и роль окна;
  • объяснить Δf = 1/T;
  • объяснить смысл PSD и Уэлча.
• Навыки:
  • считать спектр в Python (rfft, welch, spectrogram);
  • правильно строить ось частот;
  • выбирать окно и параметры усреднения;
  • измерять частоты и амплитуды;
  • отделять реальные линии от артефактов.
• Отношение:
  • спектр — это измерение, а не «картинка для отчёта»;
  • любые выводы проверять на устойчивость (окна, длина, усреднение).

• Диагностика насосного агрегата (вибрация):
  • сигнал: ускорение/скорость, десятки-сотни Гц;
  • что искать: оборотная частота, гармоники, боковые полосы дефектов;
  • окно Hann, nperseg 1024–8192, PSD;
  • вывод: наличие и рост дефекта.
• Акустический контроль сварных швов:
  • сигнал: ультразвук, короткие импульсы;
  • что искать: время прихода, амплитуда, затухание;
  • важно: широкополосность, огибающая, время-частотный анализ.
• Мониторинг зоны (RFID + LiDAR):
  • RFID: RSSI и фаза, обратное рассеяние;
  • LiDAR: дальность и угол;
  • что искать: присутствие, перемещение, идентичность;
  • далее: слияние сенсоров (фильтр Калмана).
• Речевой интерфейс оператора:
  • сигнал: 16 кГц, речь;
  • что искать: речь/паузы, команды, шум;
  • спектрограмма, мел-признаки, детектор активности (VAD).
• Качество электроэнергии (THD):
  • сигнал: 50 Гц и гармоники;
  • что искать: коэффициенты гармоник, отклонения;
  • окно и точная синхронизация с периодом сети.
• Сейсмоакустический мониторинг:
  • сигнал: низкие частоты, длинная запись;
  • что искать: события, частотный состав;
  • спектрограмма и усреднение.

• Начинать с «боли»: показать плохой спектр и спросить, что не так.
• Демонстрировать «до/после»:
  • утечка → окно;
  • шум → Уэлч;
  • короткая запись → длинная.
• Давать руками: пусть студент сам поменяет окно и увидит разницу.
• Типичные ошибки студентов:
  • путают диапазон и разрешение;
  • верят zero-padding;
  • сравнивают спектры с разными окнами;
  • забывают о нормировке;
  • не вычитают постоянную составляющую.
• Как проверять понимание:
  • попросить объяснить, почему пик стал шире/ниже;
  • попросить выбрать окно под задачу и обосновать;
  • попросить отличить реальную линию от артефакта.
• Связь с практикой: каждый приём привязать к реальной задаче проекта.
• Оценивание: ноутбук с графиками + один слайд-вывод с обоснованием выбора.

• X[k] = Σ x[n]·e^(−j2πkn/N) → корреляция с синусоидой частоты k.
• f_k = k·f_д/N → реальная частота бина k.
• Δf = f_д/N = 1/T → разрешение задаёт время записи.
• W_N = e^(−j2π/N) → «шаг» поворота на комплексной плоскости.
• X[k] = E[k] + W·O[k] → «бабочка» соединения половин.
• cosθ = (e^(jθ)+e^(−jθ))/2 → у вещественного тона две линии ±f.
• y = x * h (свёртка) → умножение спектров (и наоборот).
• PSD = |W|²/(f_д·ENBW) → нормировка мощности на герц.
• δ = ½·(y₋₁ − y₊₁)/(y₋₁ − 2y₀ + y₊₁) → поправка частоты пика.
• O(N²) → O(N·log₂N) → суть выигрыша БПФ.

• Спектр — призма/радуга: разложение сложного на простое.
• ДПФ — «подбор частоты»: угадываем, какие ноты спрятаны в аккорде.
• БПФ — тот же подбор, но умнее: не перебираем, а делим пополам.
• Бабочка — «развилка»: одно число идёт вверх и вниз.
• Бит-реверс — «перепутанные карточки», которые раскладывают заранее.
• Утечка — «размазывание»: фильтр с крутыми краями плодит «звёздочки».
• Окно — мягкая диафрагма: убирает «звёздочки», но чуть размывает.
• Главный лепесток — толщина «карандаша», которым рисуем линию.
• Боковые лепестки — «эхо» карандаша по бокам.
• Zero-padding — «лупа на той же картинке»: больше точек, но не больше деталей.
• Разрешение — «бинокль и время»: близкое различает наблюдение, а не увеличение.
• Уэлч — «усреднить сто измерений», чтобы успокоить случайность.
• PSD — «мощность на герц»: сколько энергии в каждой «щели» спектра.
• Спектрограмма — «партитура во времени»: видно, когда какая нота звучит.
• Порог Найквиста — «скорость съёмки»: слишком быстрое движение «заворачивается».

• Что такое частота Найквиста? Верхняя частота f_д/2, которую можно корректно

оцифровать без алиасинга.

• Почему именно половина? Чтобы описать синусоиду, нужно минимум два отсчёта на

период (один — «вверх», один — «вниз»).

• Что происходит выше f_д/2? Частота «заворачивается» и притворяется низкой —

это алиасинг.

• Как с ним бороться? Антиалиасинговый фильтр до АЦП.
• Можно ли поднять f_д и «улучшить» всё? Шире диапазон — да; разрешение при

том же T — нет.

• Сколько отсчётов нужно? Столько, сколько даёт нужную длительность T = N/f_д.
• Зачем anti-alias, если можно фильтровать цифрового? Уже поздно: алиасинг

необратим.

• Как связано T и число периодов? Чем больше периодов в записи, тем «резче»

линия на спектре.

• ESP32-C3, АЦП 12 бит:
  • f_д до десятков кГц;
  • квантование даёт шум; полезно усреднять.
• Микрофон I2S (звук):
  • f_д 16 или 48 кГц;
  • Hann, nperseg 1024–4096, спектрограмма для событий.
• LiDAR (сканы):
  • по сути «сигнал» в пространстве (дальность/угол);
  • фильтрация выбросов, а не частотный анализ в первом приближении.
• RFID 800 МГц:
  • RSSI и фаза во времени;
  • фильтрация и сглаживание, спектр для периодических помех.
• Вибрация (акселерометр):
  • f_д 1–10 кГц;
  • Hann, PSD, усреднение; ищем гармоники.
• Питающая сеть (THD):
  • синхронизация с 50 Гц, окно на целое число периодов.
• Общее правило: сначала понять сигнал и частоты, потом выбирать параметры.

• Пик не на ожидаемой частоте:
  • проверьте ось частот (fftfreq/rfftfreq, fs, fftshift);
  • не перепутаны ли бины и герцы;
  • нет ли алиасинга (частота выше f_д/2).
• Спектр «слишком мохнатый»:
  • это одна периодограмма; примените Уэлч;
  • увеличьте число сегментов (меньше nperseg).
• Слабые линии не видны:
  • возьмите окно с низкими боковыми (Hann/Blackman–Harris);
  • усредните; уменьшите постоянную составляющую;
  • проверьте, не «тонут» ли линии в боковых лепестках сильной.
• Амплитуда «неправильная»:
  • учтите coherent gain;
  • правильно выберите density/spectrum;
  • проверьте нормировку |X|/N или 2|X|/N.
• Две близкие частоты сливаются:
  • увеличьте длительность записи T (не f_д);
  • используйте окно с узким главным лепестком;
  • при необходимости — параметрические методы.
• Спектрограмма «пустая» или «шумная»:
  • проверьте scaling и перевод в дБ;
  • подберите длину окна (компромисс время–частота).
• Результаты не повторяются от запуска к запуску:
  • так и должно быть для шума; усредняйте;
  • фиксируйте генератор случайных чисел для воспроизводимости.
• БПФ «медленное»:
  • берите N степенью двойки;
  • используйте rfft для вещественного сигнала;
  • не считайте БПФ в цикле Python без необходимости.

• Лекция отвечает на два вопроса: «как считать быстро» (БПФ) и «как считать
• *правильно**» (окна, разрешение, усреднение).
• Ключевые опоры:
  • O(N²) → O(N log N);
  • Δf = 1/T;
  • компромисс «главный/боковые лепестки»;
  • 1/√K у метода Уэлча.
• Всё это — рабочие инструменты спектрального анализа, а не абстракция.
• Дальше: лекция 5 — модуляция и I/Q; лекции 6+ — фильтры и системы.

• Не верить одной картинке: повторите с другим окном, длиной, усреднением.
• Фиксировать параметры: окно, N, fs, nperseg — записывать в отчёт.
• Проверять устойчивость: реальная линия не должна «прыгать» при смене окна.
• Отличать артефакт от сигнала:
  • гармоники кратных частот — вероятно, реальны;
  • «частокол» вокруг сильной линии — вероятно, боковые лепестки.
• Проверять физику: измеренная частота должна объясняться процессом.
• Указывать погрешность: Δf, точность амплитуды, число усреднений.
• Не подгонять вывод: если данных мало — сказать, что данных мало.
• Помнить о цели: спектр нужен для решения, а не для красоты.
• Связь с проектом: каждый вывод — это шаг к рекомендации для человека.

• Слайды лекции 4 (PDF)
• Ноутбук лекции 4 (PDF)
• Текст лекции 4 (PDF)
• Конспект «Суть лекции 4» (PDF)
• Раздаточный архив (ZIP, все исходники)