การประมวลผลสัญญาณ

อะไรที่ทำให้เรียบและฉันจะทำอย่างไร ฉันมีอาร์เรย์ใน Matlab ซึ่งเป็นสเปกตรัมขนาดของสัญญาณเสียงพูด (ขนาด 128 คะแนนของ FFT) ฉันจะทำให้สิ่งนี้ราบรื่นโดยใช้ค่าเฉลี่ยเคลื่อนที่ได้อย่างไร จากสิ่งที่ฉันเข้าใจฉันควรใช้ขนาดหน้าต่างขององค์ประกอบจำนวนหนึ่งรับค่าเฉลี่ยและนี่จะกลายเป็นองค์ประกอบที่ 1 ใหม่ จากนั้นเลื่อนหน้าต่างไปทางขวาทีละองค์ประกอบรับค่าเฉลี่ยซึ่งกลายเป็นองค์ประกอบที่ 2 และอื่น ๆ มันใช้งานได้จริงเหรอ? ฉันไม่แน่ใจว่าตัวเองเพราะถ้าฉันทำอย่างนั้นในผลลัพธ์สุดท้ายของฉันฉันจะมีองค์ประกอบน้อยกว่า 128 แล้วมันทำงานอย่างไรและมันช่วยให้จุดข้อมูลเรียบขึ้นได้อย่างไร หรือมีวิธีอื่นใดที่ฉันสามารถทำให้ข้อมูลเรียบขึ้นได้? แก้ไข: ลิงก์ไปยังคำถามติดตามผล

17 matlab  image-processing 

ฉันได้อ่านคำอธิบายของตัวกรองคาลมานแล้ว แต่ฉันยังไม่ชัดเจนว่ามันมารวมตัวกันอย่างไรในทางปฏิบัติ ดูเหมือนว่าจะมีการกำหนดเป้าหมายหลักที่ระบบเครื่องกลหรือไฟฟ้าเนื่องจากต้องการการเปลี่ยนสถานะเชิงเส้นและไม่เป็นประโยชน์สำหรับการตรวจจับความผิดปกติหรือค้นหาการเปลี่ยนสถานะด้วยเหตุผลเดียวกัน (ต้องการการเปลี่ยนสถานะเชิงเส้น) ใช่ไหม? ในทางปฏิบัติวิธีหนึ่งไม่ได้มักจะพบชิ้นส่วนที่คาดว่าจะเป็นที่รู้จักกันล่วงหน้าเพื่อใช้ตัวกรองคาลมาน ฉันมีรายการส่วนประกอบโปรดแก้ไขให้ถูกต้องหากความเข้าใจของฉันเกี่ยวกับสิ่งที่จำเป็นต้องทราบล่วงหน้านั้นไม่ถูกต้อง ฉันเชื่อว่าสิ่งเหล่านี้ไม่จำเป็นต้องรู้จัก "ล่วงหน้า": เสียงรบกวนกระบวนการww\mathbf w เสียงการสังเกตการณ์vv\mathbf v สถานะที่แท้จริงxx\mathbf x (นี่คือสิ่งที่ตัวกรองคาลมานพยายามประเมิน) ฉันเชื่อว่าสิ่งเหล่านี้จำเป็นต้องรู้ "ล่วงหน้า" เพื่อใช้ตัวกรองคาลมาน: แบบจำลองการเปลี่ยนสถานะเชิงเส้นซึ่งเราใช้กับxx\mathbf x (เราจำเป็นต้องรู้สิ่งนี้ล่วงหน้าดังนั้นรัฐของเราจะต้องอยู่ภายใต้กฎหมายที่รู้จักเช่นตัวกรองคาลมานมีประโยชน์สำหรับการแก้ไขการวัดเมื่อการเปลี่ยนจากรัฐหนึ่งไปอีกรัฐหนึ่งเป็นที่เข้าใจกันดี ขึ้นอยู่กับบิตของเสียง - ไม่ใช่เครื่องมือค้นหาความผิดปกติหรือเครื่องมือในการค้นหาการเปลี่ยนแปลงสถานะแบบสุ่ม) เวกเตอร์ควบคุมuu\mathbf u รูปแบบการป้อนข้อมูลควบคุมซึ่งใช้กับการควบคุมเวกเตอร์ (เราจำเป็นต้องรู้สิ่งนี้ล่วงหน้าเพื่อที่จะใช้ตัวกรองคาลมานเราจำเป็นต้องรู้ล่วงหน้าว่าค่าการควบคุมของเรามีผลต่อรูปแบบอย่างไร ผลจะต้องเป็นเชิงเส้น)uu\mathbf u ความแปรปรวนร่วมของสัญญาณรบกวนกระบวนการ (ซึ่งดูเหมือนว่าจะขึ้นอยู่กับเวลาในบทความ wikipedia นั่นคือขึ้นอยู่กับเวลาk ) - ดูเหมือนว่าเราจำเป็นต้องรู้สิ่งนี้ล่วงหน้าและเมื่อเวลาผ่านไปผมถือว่าในทางปฏิบัติมันเป็นค่าคงที่ ?QQ\mathbf Qkkk แบบสังเกต (เชิงเส้น) HH\mathbf H Covariance (ซึ่งดูเหมือนว่าจะขึ้นอยู่กับเวลาในบทความ wikipedia) - ประเด็นที่คล้ายกันกับQRR\mathbf RQQ\mathbf …

17 kalman-filters  adaptive-algorithms 

ไม่มีใครรู้ของตัวกรองเพื่อลดทอนคำพูด? ฉันกำลังเขียนซอฟต์แวร์รู้จำเสียงพูดและต้องการกรองทุกอย่างยกเว้นคำพูดของมนุษย์ สิ่งนี้จะรวมถึงเสียงพื้นหลังเสียงที่เกิดจากไมโครโฟนเส็งเคร็งหรือแม้แต่เพลงประกอบ ฉันได้ติดตั้งตัวกรองคำสั่งแรกแล้วซึ่งชดเชยการแผ่พลังงาน 6 เดซิเบล แต่ฉันยังคงได้ยินเสียงรบกวนอยู่ ฉันคิดว่าจะใช้ตัวกรอง low-pass แต่ฉันรู้สึกไม่ดีเกี่ยวกับการทำเช่นนั้นด้วยเหตุผลสองประการ: ฉันไม่ทราบว่า low-pass pre-filter จะรบกวนการประมวลผลคำพูดที่เหลือหรือไม่ แม้ว่าหูของมนุษย์จะสามารถตรวจจับเสียงที่ต่ำกว่า 20 kHz แต่ฉันไม่ต้องการที่จะกำจัดฮาร์มอนิกที่มีลำดับสูงขึ้นซึ่งอาจจำเป็นในการประมวลผลคำพูด (แม้ว่าฉันไม่รู้ว่านี่เป็นกรณีหรือไม่ก็ตาม) ฉันไม่ต้องการรับโอกาสใด ๆ ) ฉันเข้าใจว่าการกระตุ้นของพยัญชนะบางตัว (เช่น f, h และ s) เป็นเสียงสีขาวเกือบทั้งหมด ฉันไม่ต้องการใช้ตัวกรองเสียงรบกวนซึ่งจะขจัดเสียงรบกวนที่ดีดังนั้นพูด เป็นการดีที่ฉันต้องการจะเหลือเพียงคำพูดของคนที่พูดในไมโครโฟน หากคุณมีความคิดใด ๆ หรือมีบางอย่างที่ฉันขาดหายไปโปรดแจ้งให้เราทราบ ชื่นชมมาก!

17 filters  audio  noise  speech-recognition 

ขณะนี้ฉันกำลังเรียนรู้เกี่ยวกับการประมาณกำลังสองน้อยที่สุด (และอื่น ๆ ) สำหรับการถดถอยและจากสิ่งที่ฉันกำลังอ่านในวรรณกรรมอัลกอริทึมแบบปรับตัวบางครั้งมักใช้วลี "... และเนื่องจากพื้นผิวข้อผิดพลาดนูน ... " ปรากฏขึ้นและ ความลึกใด ๆ ที่เป็นสาเหตุว่าทำไมจึงต้องมีการนูนเพื่อเริ่มต้นด้วยไม่ว่าจะอยู่ที่ไหน ... ดังนั้นสิ่งที่ทำให้มันนูน ? ฉันพบว่าการละเลยซ้ำนี้น่ารำคาญเล็กน้อยเพราะฉันต้องการออกแบบอัลกอริธึมแบบปรับตัวเองพร้อมฟังก์ชั่นต้นทุนของตัวเอง แต่ถ้าฉันไม่สามารถบอกได้ว่าฟังก์ชั่นค่าใช้จ่ายของฉันส่งผลให้เกิดข้อผิดพลาดนูนหรือไม่ ไปไกลเกินกว่าที่จะใช้บางสิ่งบางอย่างเช่นการไล่ระดับสีแบบไล่ระดับเพราะจะไม่มีค่าขั้นต่ำระดับโลก บางทีฉันอาจต้องการที่จะสร้างสรรค์ - บางทีฉันอาจไม่ต้องการใช้กำลังสองน้อยที่สุดเป็นเกณฑ์ในข้อผิดพลาดของฉัน เมื่อขุดลึกลงไป (และคำถามของฉันเริ่มต้นที่นี่) ฉันพบว่าเพื่อให้สามารถบอกได้ว่าคุณมีพื้นผิวข้อผิดพลาดนูนหรือไม่คุณต้องตรวจสอบให้แน่ใจว่าเมทริกซ์ Hessianของคุณนั้นเป็นกึ่งบวกแน่นอน สำหรับการเข้าคู่แบบสมมาตรการทดสอบนี้ง่ายมาก - ตรวจสอบให้แน่ใจว่าค่าลักษณะเฉพาะทั้งหมดของเมทริกซ์ Hessian นั้นไม่เป็นลบ (หากเมทริกซ์ของคุณไม่สมมาตรคุณสามารถทำให้สมมาตรได้โดยการเพิ่มลงในทรานสโพสของตัวเองและทำการทดสอบค่าลักษณะเฉพาะเดียวกันโดยอาศัยอำนาจของGramianแต่นั่นไม่สำคัญเลย) Hessian matrix คืออะไร เมทริกซ์ของ Hessian ประมวลผลการผสมผสานระหว่างส่วนที่เป็นไปได้ของฟังก์ชันต้นทุนของคุณ มีกี่ Partials จำนวนคุณลักษณะในเวกเตอร์ฟีเจอร์ของคุณมากพอ ๆ วิธีคำนวณชิ้นงาน? ใช้อนุพันธ์บางส่วน 'ด้วยมือ' จากฟังก์ชันต้นทุนดั้งเดิม นั่นคือสิ่งที่ฉันทำ: ฉันคิดว่าเรามีเมทริกซ์ข้อมูลmmm x nnnซึ่งแสดงโดยเมทริกซ์XXXโดยที่mmmหมายถึงจำนวนตัวอย่างและnnnหมายถึงจำนวนคุณลักษณะต่อตัวอย่าง …

17 autocorrelation  covariance  least-squares  optimization 

ฟังก์ชั่นหน้าต่างที่ไม่ใช่สี่เหลี่ยมทั่วไปดูเหมือนว่าจะสมมาตร เคยมีกรณีบ้างไหมที่จะต้องการใช้ฟังก์ชั่นหน้าต่างที่ไม่สมมาตรต่อหน้า FFT? (พูดว่าข้อมูลที่อยู่ด้านหนึ่งของรูรับแสง FFT นั้นถือว่าสำคัญกว่าข้อมูลอื่น ๆ หรือมีเสียงรบกวนน้อยกว่า ฯลฯ ) ถ้าเป็นเช่นนั้นฟังก์ชั่นหน้าต่างแบบอสมมาตรชนิดใดที่ได้รับการศึกษาและจะมีผลต่อการตอบสนองความถี่อย่างไรเมื่อเทียบกับหน้าต่างออฟเซ็ตแบบสมมาตร

17 fft  fourier-transform  window-functions 

ฉันมีภาพนี้ ฉันต้องการลบเงาออกจากภาพ ฉันรู้วิธีการที่แตกต่างกันมากมายเช่นการใช้ลักษณะทางสัณฐานวิทยาบางอย่างถูกใช้เพื่อลบเงา: ฉันสร้างมาสก์นี้สำหรับภาพเดียวกัน มีวิธีอื่นที่ฉันสามารถลองใช้มาสก์นี้ที่ฉันสร้างขึ้นได้ไหม? แก้ไข : ภาพอินพุตและมาส์กที่มีขนาดเดียวกันกับที่ร้องขอ: แก้ไข 2: ฉันสร้างภาพคงที่ 1D แต่มันไม่สมบูรณ์ I = imread('shadow.jpg'); J = im2double(I); R = J(:,:,1); G = J(:,:,2); B = J(:,:,3); [len,wid] = size(R); % Generation of 2-D Log Chromaticity Image. for i = 1:len for j = 1:wid if ((R(i,j)*G(i,j)*B(i,j))~= 0) c1(i,j) …

17 image-processing 

ฉันพบรูปทรงในสองภาพที่มีวัตถุเดียวกันและฉันต้องการค้นหาการกระจัดและการหมุนของวัตถุนี้ ฉันได้ลองกับกล่องที่มีขอบหมุนของรูปทรงนี้แล้วมุมและจุดกึ่งกลางของมัน แต่การหมุนของกล่องขอบไม่ได้บอกเกี่ยวกับการหมุนของรูปร่างอย่างถูกต้องเพราะมันเหมือนกันสำหรับมุมที่ 0, a + 90, a + 180 เป็นต้น องศา มันเป็นวิธีการอื่นที่ดีในการค้นหาการหมุนและการเคลื่อนที่ของรูปทรง? บางทีการใช้ตัวเรือนูนข้อบกพร่องนูนบาง? ฉันอ่านในการเรียนรู้ OpenCv เกี่ยวกับรูปทรงที่ตรงกัน แต่มันไม่ได้ช่วย ใครช่วยยกตัวอย่างได้บ้าง ตัวอย่าง: ฉันต้องการตรวจจับเช่นสี่เหลี่ยมสีชมพูและในปากกาตัวที่สอง ตัวอย่างอื่น ๆ อาจเป็นสี่เหลี่ยมจัตุรัสที่มีบางหลุมดาว ฯลฯ อย่างที่ฉันบอกว่าฉันต้องการทำบางสิ่งที่ไม่เหมือนกัน ข้อเสนอแนะใด ๆ ชื่นชมเพราะฉันต้องการทดสอบวิธีการให้มากที่สุด

17 image-processing  computer-vision  algorithms 

คำเตือน: ฉันไม่มีส่วนร่วมในการประมวลผลสัญญาณ แค่อยากรู้อยากเห็นมาก ... คำถามก็คือง่ายมาก: เป็นไปได้หรือไม่ที่จะใช้การประมวลผลซอฟต์แวร์กับภาพเพื่อลบหรือลดแสงจ้าของไฟหน้า? มันจะเป็นภาพเช่นนี้: หากเป็นไปได้จะมีห้องสมุดซอฟต์แวร์ให้บริการนี้หรือไม่? ฉันไม่สนใจภาษาใดฉันแค่ต้องการความสามารถ Slash ไม่มีใครรู้ว่ามีการวิจัยในปัจจุบันเกี่ยวกับเรื่องนี้?

17 image-processing  software-implementation 

หนึ่งในวิธีมาตรฐานในการนำตัวกรอง Butterworth ไปใช้นั้นมีส่วนเรียงลำดับที่สองเรียงซ้อนกันซึ่งสอดคล้องกับเสาคู่ที่ซับซ้อน สำหรับตัวกรองลำดับที่สี่เช่นจะมีสองส่วนลำดับที่สอง หากเราพิจารณาว่าสถานที่ตั้งของเสาสำหรับตัวกรอง lowpass เปลี่ยนในระนาบ z เป็นส่วนทางลัดได้รับการออกแบบให้ใกล้กับ 0hz ถึงใกล้ Nyquist เส้นทาง "กวาดออก" โดยแต่ละคู่ของเสาตรงกับคู่ของส่วนโค้งภายในวงกลมหน่วย ดังแสดงในรูปต่อไปนี้ [สำหรับตัวกรองลำดับที่สี่]: เมื่อพิจารณาว่าตัวกรองเหล่านี้ยาวแค่ไหนและจากข้อเท็จจริงที่ว่า "ส่วนโค้ง" เหล่านี้ตรงกับเส้นตรงในระนาบ s มันก็มีเหตุผลว่ามีคนพัฒนาแบบฟอร์มการนำไปปฏิบัติด้วยพารามิเตอร์เดียวซึ่งสามารถกวาดเสาได้ ตามส่วนโค้งที่ "เวลาทำงาน" [ซึ่งตรงข้ามกับ "เวลาออกแบบ"] อย่างไรก็ตามฉันยังไม่เจออะไรแบบนั้น มันค่อนข้างตรงไปตรงมาที่จะเกิดขึ้นกับวิธีการทำสิ่งต่าง ๆ โดยเฉพาะอย่างยิ่งในส่วนของช่วงและมีความตั้งใจที่จะโยนการคำนวณพิเศษเล็กน้อยที่มัน สิ่งที่ฉันสงสัยคือต่อไปนี้: มีวิธีมาตรฐานในการติดตั้งตัวกรอง Butterworth ที่ปรับค่าได้ของคำสั่งที่กำหนดว่า 1) มีคุณสมบัติที่ดีที่สุด (เช่นประสิทธิภาพความทนทาน) และ 2) ครอบคลุมช่วงทั้งหมดหรือไม่? หรือนี่เป็นเพียงปัญหาง่าย ๆ ที่ไม่มีใครรบกวนให้พูดถึง หากเป็นกรณีนี้ดูเหมือนว่าจะปรากฏในโปรแกรมออกแบบตัวกรองถัดจากตัวเลือกสำหรับการออกแบบ "คงที่" ฉันพบสิ่งนี้: ตัวกรอง Butterworth เอนกประสงค์ที่มีความถี่คัตออฟผันแปรแต่ในตอนแรกGooglingดูเหมือนจะไม่มีข้อมูลมากนักเกี่ยวกับสิ่งที่อยู่ในนั้น อัปเดต …

17 filters  software-implementation  infinite-impulse-response  hardware-implementation 

หากคุณมีฟังก์ชั่นและการอ้างอิงคลื่นของคลื่นอะไรจะเป็นวิธีที่รวดเร็วในการคำนวณ ?f(t)=A⋅sin(ωt+ϕ)f(t)=A⋅sin⁡(ωt+ϕ)f(t)=A \cdot \sin(\omega t+\phi)sin(ωx)sin⁡(ωx)\sin(\omega x)ϕϕ\phi ฉันดูอัลกอริธึมของGoertzelแต่ดูเหมือนจะไม่เกี่ยวข้องกับเฟสเลยใช่ไหม

17 fft  discrete-signals 

ฉันพยายามเข้าใจ FFT นี่คือสิ่งที่ฉันมี: เพื่อที่จะหาขนาดของความถี่ในรูปแบบของคลื่นเราจะต้องตรวจสอบพวกเขาโดยการคูณคลื่นด้วยความถี่ที่พวกเขากำลังค้นหาในสองขั้นตอนที่แตกต่างกัน (บาปและ cos) และเฉลี่ยแต่ละค่า เฟสถูกพบโดยความสัมพันธ์กับทั้งสองและโค้ดสำหรับสิ่งนั้นเป็นดังนี้: //simple pseudocode var wave = [...]; //an array of floats representing amplitude of wave var numSamples = wave.length; var spectrum = [1,2,3,4,5,6...] //all frequencies being tested for. function getMagnitudesOfSpectrum() { var magnitudesOut = []; var phasesOut = []; for(freq in spectrum) { …

16 fft  dft  algorithms 

ฉันต้องการประมาณค่าคลื่นไซน์ที่ได้รับจากsin(πx)sin⁡(πx)\sin\left(\pi x\right)โดยการใช้พหุนาม waveshaper กับคลื่นรูปสามเหลี่ยมอย่างง่ายที่สร้างโดยฟังก์ชัน T(x)=1−4∣∣12−mod(12x+14, 1)∣∣T(x)=1−4|12−mod⁡(12x+14, 1)|T\left(x\right)=1-4\left|\tfrac{1}{2}-\operatorname{mod}(\tfrac{1}{2}x+\tfrac{1}{4},\ 1)\right| โดยmod(x,1)mod⁡(x,1)\operatorname{mod}(x, 1)คือส่วนที่เป็นเศษส่วนของxxx : mod(x,y)≜y⋅(⌊xy⌋−xy)mod⁡(x,y)≜y⋅(⌊xy⌋−xy) \operatorname{mod}(x, y) \triangleq y \cdot \left( \left\lfloor \frac{x}{y}\right\rfloor - \frac{x}{y} \right) ชุดเทย์เลอร์สามารถใช้เป็นวาเวชเปอร์ S1(x)=πx2−πx233!+πx255!−πx277!S1(x)=πx2−πx233!+πx255!−πx277!S_1\left(x\right)=\frac{\pi x}{2}-\frac{\frac{\pi x}{2}^3}{3!}+\frac{\frac{\pi x}{2}^5}{5!}-\frac{\frac{\pi x}{2}^7}{7!} จากฟังก์ชั่นด้านบนจะทำให้เราได้ค่าประมาณของคลื่นไซน์ แต่เราจำเป็นต้องขึ้นสู่อันดับที่ 7 ของซีรีส์เพื่อให้ได้ผลลัพธ์ที่สมเหตุสมผลและพีคส์นั้นต่ำมากและจะไม่มีความชันเท่ากับศูนย์S1(T(x))S1(T(x))S_1(T(x)) แทนที่จะเป็นซีรีย์ของ Taylor เราสามารถใช้พหุนามพหุนามตามกฎสองสามข้อ ต้องผ่าน -1, -1 และ + 1, + 1 ความชันที่ -1, -1 และ + 1, …

16 signal-synthesis  approximation 

ไซต์ StackExchange / StackOverflowอื่น ๆ บางแห่งได้รับความบันเทิงด้วยอารมณ์ขันหรือความสนุกสนานในระดับหนึ่ง การ์ตูนเรื่อง "การวิเคราะห์ข้อมูล" ที่คุณชื่นชอบคืออะไร? เป็นสิ่งที่ควรค่าแก่การกล่าวถึง (IMHO) การ์ตูน xkcd เรื่องนี้เกี่ยวกับสาเหตุและความสัมพันธ์ (คน DSP รู้ว่าฉันหมายถึงอะไร): ดังนั้นเป็นเรื่องตลกที่ได้รับอนุญาตในคำตอบ? ฉันหวังว่าอย่างนั้นเช่น: StackOverflow: โปรแกรมเมอร์ตลกที่ดีที่สุดของคุณคืออะไร? MathOverflow: มีเรื่องตลกคณิตศาสตร์ที่ดีอยู่ SE.Stats (การตรวจสอบข้าม): เรื่องตลกสถิติ SE.Stats (การตรวจสอบข้าม): การ์ตูนเรื่อง "การวิเคราะห์ข้อมูล" ที่คุณชื่นชอบคืออะไร? SE.Maths คำถามเกี่ยวกับคณิตศาสตร์ตลก มีอารมณ์ขันในการประมวลผลสัญญาณหรือการประมวลผลภาพแม้จะตื้นและแคบ ฉันพบมันก่อน (ฉันไม่มีอารมณ์ขันมาก่อน) ที่นิทรรศการอารมณ์ขันICASSP 2000 DSP ในอิสตันบูลประเทศตุรกี ภาพด้านล่างมาจากHumor ใน DSP โดย EURASIP : ดังนั้นผมเชื่อว่าเราสมควรได้รับบางส่วนhumorและjokeแท็กและความสว่างที่เกิดขึ้นจริง ไปข้างหน้า!

16 image-processing  discrete-signals  reference-request  humor 

นี้จะไม่ทำให้รู้สึกถึงฉันเพราะHeisenberg ความไม่เท่าเทียมกันระบุว่าΔtΔωΔtΔω\Delta t\Delta \omega ~ 1 ดังนั้นเมื่อคุณมีสิ่งที่แปลเป็นภาษาท้องถิ่นอย่างสมบูรณ์แบบในเวลาที่คุณได้รับสิ่งที่กระจายอย่างสมบูรณ์ในความถี่ ดังนั้นความสัมพันธ์ขั้นพื้นฐานF{δ(t)}=1F{δ(t)}=1\mathfrak{F}\{\delta(t)\} = 1โดยที่FF\mathfrak{F}คือตัวดำเนินการแปลงฟูริเยร์ แต่สำหรับหวี Diracการใช้การแปลงฟูริเยร์คุณจะได้หวี Dirac อีกตัว โดยสังหรณ์ใจคุณควรจะได้รับอีกบรรทัด ทำไมสัญชาตญาณนี้จึงล้มเหลว

16 fourier-transform 

ฉันถามคำถามก่อนหน้านี้ แต่ฉันไม่ได้รับคำตอบใด ๆ ตอนนี้ฉันกำลังทำให้มันง่ายขึ้น: Cross-Spectral Density (CSD) และPower-Spectral Sensity (PSD) คืออะไร? ใบสมัครของพวกเขาคืออะไร? ฉันจะรับพวกเขาใน MATLAB ได้อย่างไร Skk(ω)=LimT→การ∞1Skl(ω)=limT→∞1TE{Y∗k(ω)Yl(ω)}Skl(ω)=limT→∞1TE{Yk∗(ω)Yl(ω)}S_{kl}(\omega)=\lim_{T\to\infty}\frac{1}{T}E\{Y_k^*(\omega)Y_l(\omega)\} Skk(ω)=limT→∞1TE{Y∗k(ω)Yk(ω)}Skk(ω)=limT→∞1TE{Yk∗(ω)Yk(ω)}S_{kk}(\omega)=\lim_{T\to\infty}\frac{1}{T}E\{Y_k^*(\omega)Y_k(\omega)\} Skl(ω)Skl(ω)S_{kl}(\omega)เป็นฟังก์ชั่นความหนาแน่นข้ามสเปกตรัม (CSD) ระหว่างสัญญาณทั่วไปyk(t)yk(t)y_k(t)และyl(t)yl(t)y_l(t) , Skk(ω)Skk(ω)S_{kk}(\omega)คือความหนาแน่นพลังงานสเปกตรัม (PSD) ของสัญญาณyk(t)yk(t)y_k(t) , Yk(ω)Yk(ω)Y_k(\omega)คือการแปลงฟูริเยร์ที่แน่นอนของสัญญาณyk(t)yk(t)y_k(t)ที่ความถี่ωω\omega , Y∗k(ω)Yk∗(ω)Y_k^*(\omega)เป็นคอนจูเกตที่ซับซ้อนของYk(ω)Yk(ω)Y_k(\omega)และ E{⋅}E{⋅}E\{\cdot\}เป็นผู้ดำเนินการที่คาดหวัง คำถามก่อนหน้าของฉันคือ: 'สเปกตรัมพลังงานเวฟเล็ต', 'สเปกตรัมพลังงานอัตโนมัติ', 'สเปกตรัมข้ามพลังงาน' หมายถึงอะไรในแอพพลิเคชั่นเวฟเล็ต? ฉันกำลังศึกษาเกี่ยวกับการระบุรูปร่างของโหมดด้วยวิธีเวฟเล็ตและคำเหล่านี้ทำให้ฉันสับสน

16 psd