热门标签 | HotTags
当前位置:  开发笔记 > Android > 正文

android实时声音信号波形_「博文精选」减小波形噪声的方法示波器

在学习如何使用示波器来减小噪声之前,我们先来了解下示波器的噪声是怎么来的。许多刚从模拟示波器转到使用数字示波器的人可能会抱怨,说他新买的示波器测出来的波

在学习如何使用示波器来减小噪声之前,我们先来了解下示波器的噪声是怎么来的。

许多刚从模拟示波器转到使用数字示波器的人可能会抱怨,说他新买的示波器测出来的波形还不如自己那台老式的模拟示波器清晰,甚至怀疑自己买到的示波器是不是坏的。那么,真的是示波器坏了吗?

要知道,示波器的作用是还原真实的信号,性能越高的示波器,越能观察到信号的更多细节,而这些细节往往是发现异常问题的关键。在实际使用过程中,周围环境中的干扰是实实在在存在的,噪声不可能被完全地消除。事实上,示波器的带宽越高,采集到的噪声信号就会越多。低性能示波器的灵敏度很低,在选择无视这部分干扰的同时,也漏过了很多信号本身的有用信息,从而无法进行有效正确的分析。

许多因素都会影响示波器上波形的显示,我们所看到的信号肯定不是100%完整的真实信号,它和我们所用的探头类型,测量方式,是否接地,以及各种示波器设置都有关联,比如垂直档位设置,存储深度、实时采样率的大小,采样的方式,示波器的带宽,显示的模式(如余晖显示)等等。

当示波器采集信号的能力越接近真实,屏幕上就越可能会出现噪声干扰,那么我们是不是对这些噪声就束手无策了呢?当然不是,新一代的高性能示波器,对于信号提供了更多样的处理方式,下面我们就来一一了解:

条件垂直档位,尽量使波形占满屏幕

很多使用示波器的人可能都有一个“坏习惯”,就是测量多个信号的时候,为了避免各个信号重叠显示影响观察,就会调节垂直档位,把各个信号缩小显示。实际上,受垂直分辨率等因素影响,波形是越占满整个屏幕,就越精准的,同时也可以减小噪声信号,而且示波器厂家标注的直流增益精度(一般是1-2%)也都是指波形在满屏的情况下的精度。

可以看到,即使在其他条件相同的情况下,不同的垂直档位测量出来的数值亦是不同的,波形越占满屏幕,测量的值就越精准。

58a9e4d27a2f1b85fe6e03fd19d1257b.png

选用合适的探头

1X无源探头的输入无衰减,输入阻抗基本不计,加上示波器内部本身的1MΩ,总输入阻抗也就为1 MΩ;10X高阻无源探头的输入阻抗一般为9MΩ,示波器内部的输入阻抗为1MΩ,总输入阻抗为10MΩ。对于10X探头,信号从测试点到示波器器采样点处有一个10倍衰减,示波器采样到的电压幅度是实际被测电压幅度的1/10。不同衰减倍数的探头测量的范围也不同。

采样率、存储深度(记录长度)对信号的影响

当波形的记录时长固定时,采样率和存储深度是一次函数关系:采样率 = 存储深度 ÷ 波形记录时长

采样率决定了示波器采集信号多少的能力,而存储深度决定了示波器一屏幕最多可以存储多少信号数据。可以想象,存储深度如果太低,大多数的信号信息都没法被显示出来,自然波形只会严重失真,更谈不上精准了。

比如我们测试一个方波信号,在其它条件相同只改变存储深度的情况下,可以看到28K存储深度时,实时采样率是2KSa/s,原本的方波已经变成了锯齿波,波形都变形,已经谈不上精准了。而且根据奈奎斯特采样定理,实时采样率和被测信号频率也有关。当存储深度设置为28M的时候,实时采样率为2MSa/s,方波依然是方波。

879da40168bd2518895d5e1705211c0a.png

使用高低通带宽限制

之前说过,同样的信号在模拟示波器里看起来可能更“干净”,一方面也是因为模拟示波器的带宽低,从而无法捕捉到很多高频的噪声导致,但这并不意味着真实中这些噪声信号不存在。同样的,数字示波器通过高低通带宽限制功能,也能达到减小噪声的效果。

bb2e95bd2405b4e61370c3a389049af1.png

这里最常用的应该就是“20M”了,即低通20M,仅允许 20MHz 以下频率的信号通过,20MHz 以上的信号被有效衰减。对付高频信号噪音十分有效。

使用平均采样模式

429a71ccfa60ba43de3ba86d1dd32d1e.png

使用平均采样模式可平均多个采集结果,以减少所显示信号中的随机或无关噪声。平均多个 采样结果需要稳定的触发。平均的数目可在平均采样模式后的选择框内进行设定,可设为 2、4、8、16、32、64、128、 256 共八个量级。平均数目越高,显示的波形对波形变化的响应就越慢。必须在波形对变化的响应速度与信号上所显示噪声的降低程度之间进行折衷。

90ce6c565795bddab0f48d3711fae7f0.png


推荐阅读
  • Netflix利用Druid实现高效实时数据分析
    本文探讨了全球领先的在线娱乐公司Netflix如何通过采用Apache Druid,实现了高效的数据采集、处理和实时分析,从而显著提升了用户体验和业务决策的准确性。文章详细介绍了Netflix在系统架构、数据摄取、管理和查询方面的实践,并展示了Druid在大规模数据处理中的卓越性能。 ... [详细]
  • FinOps 与 Serverless 的结合:破解云成本难题
    本文探讨了如何通过 FinOps 实践优化 Serverless 应用的成本管理,提出了首个 Serverless 函数总成本估计模型,并分享了多种有效的成本优化策略。 ... [详细]
  • 本文介绍如何在 Android 中通过代码模拟用户的点击和滑动操作,包括参数说明、事件生成及处理逻辑。详细解析了视图(View)对象、坐标偏移量以及不同类型的滑动方式。 ... [详细]
  • 堆是一种常见的数据结构,广泛应用于计算机科学领域。它通常表示为一棵完全二叉树,并可通过数组实现。堆的主要特性是每个节点的值与其父节点的值之间存在特定的关系,这使得堆在优先队列和排序算法中非常有用。 ... [详细]
  • 2018年3月31日,CSDN、火星财经联合中关村区块链产业联盟等机构举办的2018区块链技术及应用峰会(BTA)核心分会场圆满举行。多位业内顶尖专家深入探讨了区块链的核心技术原理及其在实际业务中的应用。 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
  • 本文作者分享了在阿里巴巴获得实习offer的经历,包括五轮面试的详细内容和经验总结。其中四轮为技术面试,一轮为HR面试,涵盖了大量的Java技术和项目实践经验。 ... [详细]
  • 本题探讨了在大数据结构背景下,如何通过整体二分和CDQ分治等高级算法优化处理复杂的时间序列问题。题目设定包括节点数量、查询次数和权重限制,并详细分析了解决方案中的关键步骤。 ... [详细]
  • 智能车间调度研究进展
    本文综述了基于强化学习的智能车间调度策略,探讨了车间调度问题在资源有限条件下的优化方法。通过数学规划、智能算法和强化学习等手段,解决了作业车间、流水车间和加工车间中的静态与动态调度挑战。重点讨论了不同场景下的求解方法及其应用前景。 ... [详细]
  • 2018-2019学年第六周《Java数据结构与算法》学习总结
    本文总结了2018-2019学年第六周在《Java数据结构与算法》课程中的学习内容,重点介绍了非线性数据结构——树的相关知识及其应用。 ... [详细]
  • 深入理解Java字符串池机制
    本文详细解析了Java中的字符串池(String Pool)机制,探讨其工作原理、实现方式及其对性能的影响。通过具体的代码示例和分析,帮助读者更好地理解和应用这一重要特性。 ... [详细]
  • 机器学习核心概念与技术
    本文系统梳理了机器学习的关键知识点,涵盖模型评估、正则化、线性模型、支持向量机、决策树及集成学习等内容,并深入探讨了各算法的原理和应用场景。 ... [详细]
  • 深入解析Java虚拟机(JVM)架构与原理
    本文旨在为读者提供对Java虚拟机(JVM)的全面理解,涵盖其主要组成部分、工作原理及其在不同平台上的实现。通过详细探讨JVM的结构和内部机制,帮助开发者更好地掌握Java编程的核心技术。 ... [详细]
  • 随着生活节奏的加快和压力的增加,越来越多的人感到不快乐。本文探讨了现代社会中导致人们幸福感下降的各种因素,并提供了一些改善建议。 ... [详细]
  • 由二叉树到贪心算法
    二叉树很重要树是数据结构中的重中之重,尤其以各类二叉树为学习的难点。单就面试而言,在 ... [详细]
author-avatar
mobiledu2502873093
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有