Tässä blogikirjoituksessa selitämme, miten Fourier-muunnos hajottaa signaaleja ja miten sitä sovelletaan tosielämän tilanteissa, kuten puheentunnistuksessa.

Fourier-muunnoksen peruskäsitteet

Vuonna 2012 MIT Technology Review nimesi FFT:n (Fast Fourier Transform) yhdeksi vaikutusvaltaisimmista teknologioista. Fourier-muunnos on itse asiassa keskeinen työkalu, jota käytetään lähes kaikissa elektronisissa laitteissa, mukaan lukien älypuhelimien kaltaiset viestintälaitteet, teräviä valokuvia tuottavat kamerat ja MP3-taajuuskorjaimet. Sähkötekniikassa Fourier-muunnos on niin tärkeä, että se on pitkään ollut keskeinen aihe opetussuunnitelmassa.
Fourier-muunnoksen perusajatuksena on jakaa fyysinen signaali yksinkertaisempiin perusyksiköihin. Tässä "signaali" viittaa mihin tahansa, jonka amplitudi vaihtelee ajan kuluessa. Esimerkiksi ääni tai valo, joiden amplitudi ja intensiteetti voivat muuttua, ovat esimerkkejä signaaleista. Nämä perusyksiköt ovat siniaallot, ja jokaisella siniaallolla on oma ainutlaatuinen taajuutensa.
Ymmärtääksesi siniaaltoja ja taajuutta, kuvittele heiluttavasi pitkää narua. Jos liikutat kättäsi hitaasti, naru liikkuu hitaasti ylös ja alas luoden aaltomuodon, jossa on leveät intervallit. Jos liikutat kättäsi nopeasti, aaltojen väliset intervallit lyhenevät toisiaan. Jos naru liikkuu ylös ja alas kerran sekunnissa, sitä kutsutaan 1 Hz:ksi; jos se liikkuu kaksi kertaa sekunnissa, sitä kutsutaan 2 Hz:ksi. Toisin sanoen taajuus on toistojen määrä sekunnissa ja se ilmoitetaan hertseinä.
Analogia, jonka mukaan signaali koostuu eri taajuuksista koostuvista siniaalloista, on samanlainen kuin ainesten sekoittaminen ruoanlaitossa. Aivan kuten kana, vesi, gochujang ja maissisiirappi menevät dakdoritangiin, yksi signaali sisältää myös erilaisia ​​siniaaltoja – kuten 1 Hz, 2 Hz ja 3 Hz – sekoitettuna vaihtelevissa suhteissa. Koska alkuperäinen signaali on näiden komponenttien sekoitus, sitä on vaikea analysoida suoraan.
Suola-, hiekka- ja rautalastut ovat esimerkkejä seosten erottelumenetelmistä. Liuottamalla ne veteen ja suodattamalla liuoksen – erottamalla sitten jäljelle jääneet aineet, magneettiin tarttuneet aineet ja jäljelle jääneet aineet – voimme määrittää kunkin yksittäisen aineen ominaisuudet. Samoin Fourier-muunnos hajottaa kompleksisen signaalin siniaaltokomponentteihin, paljastaen kunkin komponentin amplitudin ja taajuuden. Tutkimalla erotettuja komponentteja on helpompi ymmärtää, mistä signaali koostuu.

Fourier-muunnoksen periaatteet ja käytännön sovellukset

Syy siihen, miksi Fourier-muunnos käyttää siniaaltoja perusyksikköinä, on se, että siniaalloilla on ainutlaatuinen suhde toisiinsa – nimittäin ortogonaalisuus. Kun eri taajuisten siniaallot kerrotaan ja integroidaan, tulos on 0; kun saman taajuuden siniaallot kerrotaan ja normalisoidaan, tulos on tietty arvo (yleensä 1). Tämän ominaisuuden avulla voimme eristää tiettyjen taajuuskomponenttien amplitudin signaalissa.
Oletetaan esimerkiksi, että signaali sisältää 1 Hz:n komponentin, jonka amplitudi on 1, 2 Hz:n komponentin, jonka amplitudi on 2, ja 3 Hz:n komponentin, jonka amplitudi on 3. Jos kerromme tämän signaalin 1 Hz:n siniaallolla ja integroimme, tulos on 1; jos kerromme sen 2 Hz:n siniaallolla, tulos on 2; ja jos kerromme sen 3 Hz:n siniaallolla, tulos on 3. Suorittamalla tämän sisätulon signaalille eri taajuuksilla voimme määrittää kunkin taajuuskomponentin suuruuden. Fourier-muunnos on matemaattinen työkalu, joka systematisoi tämän prosessin.
Hyvä esimerkki alasta, jolla Fourier-muunnosta käytetään laajalti, on puheentunnistus. Ihmisen ääni koostuu äänihuulten värähtelyn ilmassa synnyttämistä aalloista, ja mikrofoni muuntaa nämä ilman värähtelyt sähköisiksi signaaleiksi. Koska sähköinen signaali säilyttää alkuperäisen puhesignaalin tarkalleen muodon, tietokone soveltaa Fourier-muunnosta tähän signaaliin analysoidakseen sen taajuuskomponentteja.
Jokaisen ihmisen äänellä on ainutlaatuinen taajuusjakauma, ja jokaisella foneemilla (esim. /p/, /t/, /s/, /a/ jne.) on myös omat erilliset taajuuskomponenttinsa. Puheentunnistusjärjestelmät analysoivat näitä erotettuja taajuuskomponentteja määrittääkseen, mitä foneemeja on läsnä ja kuka puhuu. Tämä ominaisuus on johtanut tosielämän sovelluksiin, kuten älypuhelinten ääniavustajiin, ja sitä on hyödynnetty palveluissa, kuten Sirissä.
Sähkötekniikka on tutkimusala, joka muuntaa matalan tason dataa sähköisiksi signaaleiksi, analysoi ja käsittelee näitä signaaleja muuntaakseen ne korkean tason informaatioksi ja tutkii menetelmiä tämän tiedon välittämiseksi ihmisille tai toimimiseksi heidän puolestaan. Tässä mielessä Fourier-muunnos on olennainen työkalu, jonka avulla voimme tarkastella signaaleja taajuusnäkökulmasta ja ratkaista ongelmia uudesta näkökulmasta.
Fourier-muunnosta ja algoritmeja, kuten FFT:tä – jotka suorittavat näitä operaatioita nopeammin – tutkitaan edelleen aktiivisesti. Teknologian kehittyessä Fourier-muunnoksen sovellusalueet laajenevat edelleen, ja signaalien hajottaminen ja uudelleenyhdistäminen – aivan kuten "alkemiassa" – muodostaa jatkossakin suuren osan elektronisesta teknologiasta tulevaisuudessa.