સાઉન્ડ ફાઇલ પર ફાસ્ટ ફ્યુરિયર ટ્રાન્સફોર્મ (એફએફટી) કરી રહ્યા છીએ

જ્હોન પોલ મ્યુલર, લુકા મસારોન દ્વારા

ડેટા વિશ્લેષણ ઘણા સ્વરૂપો લે છે. કેટલીકવાર, તમારે ડેટામાં દાખલાની એવી રીત જોવાની જરૂર છે કે જે તમે શરૂઆતમાં ધ્યાનમાં ન લીધી હોય. આવા વિશ્લેષણ કરવાની એક સામાન્ય રીત એ છે કે ફ્રીક્વન્સી ફouરિયર ટ્રાન્સફોર્મ (એફએફટી) નો ઉપયોગ આવર્તન ડોમેનથી સમય ડોમેનમાં રૂપાંતરિત કરવા માટે. આ કરવાથી તમે અવાજને નવી રીતે કાવતરું કરી શકો છો.



ઉદાહરણ તરીકે, મિકેનિક વિશે વિચારો કે જે એન્જિનનો ધ્વનિ નમુનો લે છે અને પછી તે નમૂનાના વિશ્લેષણ માટે મશીન પર આધાર રાખે છે, સંભવિત એન્જિન સમસ્યાઓ શોધી રહ્યા છે. ડાયગ્નોસ્ટિક કેટલીક સમસ્યાઓ શોધી શકે છે અને દ્રશ્ય નિરીક્ષણ અન્યને શોધી શકે છે, પરંતુ કેટલીકવાર એન્જિનનો અવાજ એવા મુદ્દાઓ જાહેર કરે છે જે તમે અન્ય કોઈ રીતે શોધી શકતા નથી.



તમે એફએફટી કરવા માટે ઉપયોગ કરો છો તે કોડ અહીં છે:

import matplotlib.pyplot as plt from scipy.io import wavfile as wav from scipy.fftpack import fft import numpy as np rate, data = wav.read('bells.wav') fft_out = fft(data) %matplotlib inline plt.plot(data, np.abs(fft_out)) plt.show()

આ કિસ્સામાં, તમે ધ્વનિ ફાઇલમાં વાંચીને અને કા theીને પ્રારંભ કરો છોડેટાતેમાંથી. આદરમાહિતી મહત્વપૂર્ણ નથી કારણ કે તમારે ડેટાને કેવી રીતે ચલાવવો તે જાણવાની જરૂર નથી, તમારે ફક્ત તે જાણવાની જરૂર છે કે અવાજમાં કયા મૂલ્યો છે. ધ્વનિ મૂલ્યોમાં આવર્તન (અવાજનો સ્વર) અને કંપનવિસ્તાર (તેને ચલાવવા માટે કેટલું મોટું છે) હોય છે.



આગળનું પગલું ક callingલ કરીને એફએફટી કરવાનું છેફુટ ()સાથેડેટા. આ વિશિષ્ટ વિશ્લેષણ એ એક સરળતા છે ઘણી મોટી પ્રક્રિયા . મુદ્દો એ છે કે આઉટપુટ સમય જતાં સૌથી મજબૂત શોધાયેલ આવર્તન દર્શાવે છે.

image0.jpg

રસપ્રદ લેખો