ПОРІВНЯННЯ АЛГОРИТМІВ ВИЗНАЧЕННЯ ЧАСТОТНИХ СКЛАДОВИХ СИГНАЛУ В МОБІЛЬНИХ СИСТЕМАХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.2.20Ключові слова:
інженерія програмного забезпечення для мобільних застосунків, спектральний аналіз сигналів, оптимізація продуктивності; Android NDK, системи реального часу.Анотація
У статті проведено систематичний аналіз алгоритмів визначення частотних складових цифрового сигналу та їхньої ефективної реалізації у мобільному середовищі Android. Розглянуто класичні підходи до спектрального аналізу, зокрема швидке перетворення Фур’є (FFT), алгоритм Герцеля (Goertzel) та автокореляційні методи (YIN, MPM), із позиції їхньої придатності для роботи в режимі реального часу на пристроях із обмеженими обчислювальними ресурсами. Показано, що в умовах мобільної архітектури головною проблемою є баланс між точністю та швидкодією. З метою усунення цих обмежень розроблено нативну реалізацію обчислювально інтенсивних етапів спектрального аналізу на мові C++ із використанням Android NDK. Ключові елементи архітектури включають бібліотеку KissFFT для виконання швидкого перетворення Фур’є, технологію ARM NEON для векторної оптимізації операцій множення та додавання, а також бібліотеку Oboe, що забезпечує низьколатентний обмін аудіоданими без участі віртуальної машини. У роботі наведено принципи інтеграції між Java та C++ через JNI, мінімізацію копіювання даних і створення власного пулу буферів для уникнення пауз збирача сміття під час обробки сигналів. Експериментальна частина передбачала функціональне та навантажувальне тестування. Отримані результати підтвердили, що система здатна функціонувати у режимі реального часу із загальною затримкою не більше 12 мс, що відповідає вимогам професійних музичних застосунків. Узагальнено сформульовано рекомендації щодо вибору алгоритму залежно від цільового призначення: FFT для спектрального аналізу й візуалізації, Goertzel для вибіркової частотної детекції, автокореляційні методи для точного визначення основного тону. Доведено, що поєднання нативної обробки, SIMD-оптимізацій та алгоритмічної гнучкості забезпечує оптимальний баланс між точністю, стабільністю та енергоефективністю. Запропонований підхід може бути використаний у подальшому для розроблення мобільних аудіотюнерів, аналізаторів спектра, систем автоматичного розпізнавання звуку й навчальних засобів для музикантів.
Посилання
Khadem A., Fujiki D., Talati N., Mahlke S., Das R. Vector-Processing for Mobile Devices: Benchmark and Analysis // Proceedings of the 2023 IEEE International Symposium on Workload Characterization (IISWC 2023). New York : IEEE, 2023. P. 1–12. DOI 10.1109/IISWC59245.2023.00036.
Lee J., Park H., Kwon S. та ін. Energy-Efficient Low-Latency Audio on Android // Journal of Systems and Software. 2019. Vol. 157. P. 110–123. DOI 10.1016/j.jss.2019.03.013.
Bloessl B., Baumgärtner L., Hollick M. Hardware-Accelerated Real-Time Stream Data Processing on Android with GNU Radio // Proceedings of the 14th ACM International Workshop on Wireless Network Testbeds, Experimental Evaluation and Characterization (WiNTECH ’20). New York : ACM, 2020. P. 35–40. DOI 10.1145/3411276.3412184.
Lota J., Demosthenous A. Low Computational Sensing with Goertzel Filtering for Mobile Industrial IoT Devices // Proceedings of the IEEE International Symposium on Circuits and Systems (ISCAS 2020). Seville : IEEE, 2020. P. 1–5. DOI 10.1109/ISCAS45731.2020.9180896.
Maity A., Prakasam P., Bhargava S. Robust Dual-Tone Multi-Frequency Tone Detection Using k-Nearest Neighbour Classifier for a Noisy Environment // Applied Computing and Informatics. 2025. Vol. 21, No. 2. P. 45–59. DOI 10.1108/ACI-10-2020-0105.
Hoopes J., Chalmers B., Zappi V. Neural Audio Processing on Android Phones // Proceedings of the 27th International Conference on Digital Audio Effects (DAFx 2024). Huddersfield : University of Huddersfield Press, 2024. P. 33–40. URL: https://www.dafx.de/paper-archive/2024/papers/DAFx24_paper_78.pdf.
Liu H., Wei Z., Chen X. Integrated Sensing and Communication Signal Processing Based on Compressed Sensing Over Unlicensed Spectrum Bands // IEEE Transactions on Cognitive Communications and Networking. 2024. Vol. 10, No. 3. P. 1801–1816. DOI 10.1109/TCCN.2024.3391307.
Danielsson A. Comparing Android Runtime with Native: Fast Fourier Transform on Android : Master’s Thesis. – Stockholm : KTH Royal Institute of Technology, 2017. 78 p. URL: https://www.diva-portal.org/smash/get/diva2:1109257/FULLTEXT01.pdf.
Bloessl B., Baumgärtner L., Hollick M. Accelerated Processing for Wireless Applications on Android Using GNU Radio // ACM WiNTECH ’20 Companion Proceedings. New York : ACM, 2020. P. 41–47. DOI 10.1145/3411276.3412190.
Sugawara K. Efficient FFT Algorithms for Mobile Devices : Master’s Thesis. Espoo : Aalto University, School of Electrical Engineering, 2016. 72 p. URL: https://aaltodoc.aalto.fi/handle/123456789/19783.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
