我从傅里叶变换得到了谱。它看起来像这样:
警察刚刚经过附近
颜色代表强度 X轴是时间 Y轴是频率 - 其中0位于顶部。
虽然吹口哨或警笛只留下一条痕迹,但许多其他音调似乎包含很多谐波频率。
电吉他直接插入麦克风(标准调音)
真正糟糕的是,正如你所看到的那样,没有强烈的强度 - 有2-3个频率几乎相等。
我已经编写了一个峰值检测算法来突出显示最重要的峰值:
function findPeaks(data, look_range, minimal_val) {
if(look_range==null)
look_range = 10;
if(minimal_val == null)
minimal_val = 20;
//Array of peaks
var peaks = [];
//Currently the max value (that might or might not end up in peaks array)
var max_value = 0;
var max_value_pos = 0;
//How many values did we check without changing the max value
var smaller_values = 0;
//Tmp variable for performance
var val;
var lastval=Math.round(data.averageValues(0,4));
//console.log(lastval);
for(var i=0, l=data.length; i<l; i++) {
//Remember the value for performance and readibility
val = data[i];
//If last max value is larger then the current one, proceed and remember
if(max_value>val) {
//iterate the ammount of values that are smaller than our champion
smaller_values++;
//If there has been enough smaller values we take this one for confirmed peak
if(smaller_values > look_range) {
//Remember peak
peaks.push(max_value_pos);
//Reset other variables
max_value = 0;
max_value_pos = 0;
smaller_values = 0;
}
}
//Only take values when the difference is positive (next value is larger)
//Also aonly take values that are larger than minimum thresold
else if(val>lastval && val>minimal_val) {
//Remeber this as our new champion
max_value = val;
max_value_pos = i;
smaller_values = 0;
//console.log("Max value: ", max_value);
}
//Remember this value for next iteration
lastval = val;
}
//Sort peaks so that the largest one is first
peaks.sort(function(a, b) {return -data[a]+data[b];});
//if(peaks.length>0)
// console.log(peaks);
//Return array
return peaks;
}
我的想法是,我遍历数据并记住一个大于thresold minimal_val
的值。如果下一个look_range
值小于所选值,则将其视为峰值。该算法不是很聪明,但实现起来非常容易。
然而,它无法分辨字符串的主要频率,就像我预期的那样:
红点突出显示最强的峰
Here's a jsFiddle了解它是如何运作的(或者说不起作用)。
答案 0 :(得分:2)
您在弦乐音调中看到的是
处的谐波集f0,2 * f0,3 * f0,...
f0是你的弦乐音调的基频或音高。
要估算频谱中的f0(FFT的输出,绝对值,可能是对数),你不应该寻找最强的分量,而是所有这些谐波之间的距离。
这样做的一个非常好的方法是(abs,real)频谱的第二(逆)FFT。这会在t0 == 1 / f0处生成一条强行。
序列fft - &gt; abs() - &gt;由于auto-correlation function,fft-1相当于计算Wiener–Khinchin theorem(ACF)。
这种方法的精确度取决于FFT(或ACF)的长度和采样率。如果你插入&#34;真实的&#34;你可以大大改善精确度。结果的采样点之间的最大值使用sinc function。
为了获得更好的效果,您可以校正中间频谱:大多数声音具有平均粉红色光谱。如果你在反向FFT之前放大更高的频率(根据反向粉红色光谱),ACF将更好地&#34; (它会更多地考虑更高的谐波,提高精确度。)