การประมวลผลสัญญาณ

การเป็นนักเรียนวิทยาศาสตร์การประมวลผลสัญญาณที่ไม่ใช่ฉันมีความเข้าใจแนวคิด จำกัด ฉันมีสัญญาณผิดพลาดแบริ่งเป็นระยะอย่างต่อเนื่อง (ที่มีแอมพลิจูดเวลา) ซึ่งสุ่มตัวอย่างที่และความถี่ ฉันใช้เทคนิคการเรียนรู้ของเครื่อง (Convolutional Neural Network) เพื่อจำแนกสัญญาณที่ผิดปกติกับสัญญาณที่ไม่ผิดพลาด12 kHz12 kHz12\textrm{ kHz}48 kHz48 kHz48\textrm{ kHz} เมื่อฉันใช้ฉันสามารถบรรลุความแม่นยำในการจำแนกประเภทความแม่นยำ ในทำนองเดียวกันฉันสามารถบรรลุความถูกต้องของเมื่อฉันใช้เทคนิคเดียวกันกับสัญญาณเดียวกัน แต่ตัวอย่างที่แม้จะมีการบันทึกที่ RPM โหลดและมุมการบันทึกด้วยเซ็นเซอร์เดียวกัน12 kHz12 kHz12\textrm{ kHz}97±1.2%97±1.2%97 \pm 1.2 \%95%95%95\%48 kHz48 kHz48\textrm{ kHz} อะไรคือสาเหตุของอัตราการผิดประเภทที่เพิ่มขึ้นนี้? มีเทคนิคใดบ้างที่สามารถมองเห็นความแตกต่างของสัญญาณได้หรือไม่? สัญญาณความละเอียดสูงมีแนวโน้มที่จะมีเสียงรบกวนสูงขึ้นหรือไม่? รายละเอียดของสัญญาณสามารถดูได้ที่นี่ในบทที่ 3

14 discrete-signals  signal-analysis  continuous-signals  signal-synthesis  resolution 

เรารู้ว่าไฮเซนเบิร์กไม่แน่นอนหลักการระบุว่า ΔfΔt≥14π.ΔfΔt≥14π.\Delta f \Delta t \geq \frac{1}{4 \pi}. แต่ (ในหลายกรณีสำหรับ Morlet wavelet) ฉันได้เห็นว่าพวกเขาเปลี่ยนความไม่เท่าเทียมเป็นความเท่าเทียมกัน ตอนนี้คำถามของฉันคือเมื่อเราได้รับอนุญาตให้เปลี่ยนความไม่เท่าเทียมกันเพื่อความเสมอภาค: ΔfΔt=14πΔfΔt=14π\Delta f \Delta t = \frac{1}{4 \pi} why =

14 fourier-transform  wavelet  resolution 

โดยทั่วไปแล้วรูปแบบของพลังงานใด ๆ นั้นหมายถึงความไม่แน่นอนหรือการสุ่ม ในสภาพแวดล้อมที่มีเสียงดังผมเชื่อว่าการเพิ่มขึ้นของเอนโทรปีจะเพิ่มขึ้นเนื่องจากเรามีความไม่แน่นอนเกี่ยวกับเนื้อหาข้อมูลของสัญญาณที่ต้องการ ความสัมพันธ์ระหว่างเอนโทรปีและ SNR คืออะไร? ด้วยการเพิ่มขึ้นของสัญญาณการปันส่วนเสียงพลังเสียงลดลง แต่นี่ไม่ได้หมายความว่าเนื้อหาข้อมูลของสัญญาณจะเพิ่มขึ้น !! เนื้อหาข้อมูลอาจยังคงเหมือนเดิมนั่นหมายความว่าเอนโทรปีไม่ได้รับผลกระทบหรือไม่?

14 noise  signal-detection  snr  information-theory 

ในการอ่านหลายครั้งของฉันเมื่อใดก็ตามที่ผู้เขียนบางคนพูดถึงการทำงานในโดเมนความถี่ (แปลง) (ของสัญญาณดิจิตอล) พวกเขามักจะใช้ DFT หรือ DTFT (และแน่นอนว่าผู้รุกรานที่สอดคล้องกัน) ผู้เขียนที่แตกต่างกันมักจะทำงานกับคนอื่น ฉันไม่สามารถยืนยันรูปแบบเฉพาะเกี่ยวกับเรื่องนี้ได้ ทำไมคุณถึงเลือก DTFT เหนือ DFT หรือในทางกลับกันในการอธิบายอัลกอริทึม? ที่หนึ่งจะช่วยให้คุณมากกว่าที่อื่น

14 fft  fourier-transform  dft 

ฉันคุ้นเคยกับพื้นหลังทางคณิตศาสตร์มากมายหลังเวฟเล็ต อย่างไรก็ตามเมื่อใช้อัลกอริทึมบนคอมพิวเตอร์ที่มีเวฟเล็ตฉันไม่ค่อยแน่ใจว่าควรจะใช้เวฟเล็ตแบบต่อเนื่องหรือไม่ต่อเนื่อง ในความเป็นจริงทุกอย่างทุกอย่างในคอมพิวเตอร์นั้นไม่ต่อเนื่องดังนั้นจึงเห็นได้ชัดว่าเวฟเล็ตไม่ต่อเนื่องเป็นตัวเลือกที่เหมาะสมสำหรับการประมวลผลสัญญาณดิจิตอล อย่างไรก็ตามตามวิกิพีเดียมันเป็นการแปลงเวฟเล็ตอย่างต่อเนื่องที่ใช้เป็นหลักในการบีบอัดภาพ (ดิจิตอล) เช่นเดียวกับกิจกรรมการประมวลผลข้อมูลดิจิตอลอื่น ๆ จำนวนมาก อะไรคือข้อดีและข้อเสียที่ต้องพิจารณาเมื่อตัดสินใจว่าจะใช้การแปลงเวฟเล็ตต่อเนื่อง (โดยประมาณ) แทนการแปลงเวฟเล็ตแบบไม่ต่อเนื่อง (แน่นอน) สำหรับภาพดิจิทัลหรือการประมวลผลสัญญาณ? PS (ตรวจสอบสมมติฐานที่นี่) ฉันกำลังสมมติว่าการแปลงเวฟเล็ตต่อเนื่องถูกนำมาใช้ในการประมวลผลดิจิตอลโดยเพียงแค่รับค่าของเวฟต่อเนื่องที่จุดเว้นระยะเท่ากันและใช้ลำดับผลลัพธ์สำหรับการคำนวณเวฟเล็ต ถูกต้องหรือไม่ PPS โดยปกติวิกิพีเดียนั้นค่อนข้างแม่นยำเกี่ยวกับคณิตศาสตร์ดังนั้นฉันจึงสมมติว่าแอปพลิเคชันในบทความเกี่ยวกับการแปลงเวฟเล็ตแบบต่อเนื่องเป็นแอพพลิเคชั่นของการแปลงเวฟเล็ตแบบต่อเนื่อง แน่นอนมันกล่าวถึงบางอย่างที่เป็น CWT โดยเฉพาะดังนั้นจึงมีการใช้ CWT ในแอปพลิเคชันดิจิตอลอย่างชัดเจน

14 discrete-signals  wavelet  continuous-signals  approximation 

ฉันยังใหม่กับหัวข้อของการตรวจจับการบีบอัด ฉันอ่านบทความเกี่ยวกับเรื่องนี้โดย R.Baranuik, Y.Eldar, Terence Tao เป็นต้นเอกสารเหล่านี้โดยทั่วไปให้รายละเอียดทางคณิตศาสตร์ที่อยู่เบื้องหลังมันคือ Sparsity, RIP, L1 norm minimization เป็นต้นอย่างไรก็ตามทุกคนสามารถให้รหัส MATLAB ได้ ที่บรรลุการรับรู้การบีบอัด? ขอบคุณล่วงหน้าสำหรับความช่วยเหลือใด ๆ

13 matlab  compressive-sensing  optimization 

ฉันต้องการเริ่มเรียนรู้การประมวลผลสัญญาณเสียง มีหนังสือหลายเล่มที่ออนไลน์และเอกสารทางวิชาการซึ่งดูเหมือนว่าจะข้ามพื้นฐานของหัวข้อ ฉันต้องการทราบแผนการทำงานอย่างคร่าวๆดังนั้นเพื่อพูดคุยเพื่อติดตามการเรียนรู้การประมวลผลสัญญาณเสียงได้สำเร็จ ฉันได้อ่านแล้วว่าแคลคูลัสเป็นขั้นตอนแรกก่อนเริ่มต้นด้วยการวิเคราะห์สัญญาณ ฉันรู้สึกว่าการวิเคราะห์สัญญาณเสียงเป็นเพียงส่วนหนึ่งของความรู้โดยรวมที่จำเป็น ในขณะที่หัวข้ออื่น ๆ คือทฤษฎีดนตรีวิศวกรรมเสียงและการเขียนโปรแกรม หากฉันอาจขอให้ผู้ที่มีความรู้ในเรื่องนี้แนะนำขั้นตอนที่เป็นไปได้ในการทำความเข้าใจวิธีการวิเคราะห์และจัดการ / สร้างสัญญาณเสียง

13 audio 

ฉันต้องการเปรียบเทียบสัญญาณหรือเส้นโค้งสองสัญญาณ น่าเสียดายที่มีอัตราตัวอย่างแตกต่างกัน ตัวอย่างแรกคือตัวอย่างที่ 30 Hz, ครั้งที่สองที่ 2,000 Hz Matlab มีฟังก์ชั่น 'resample' และฉันคิดว่านี่จะทำให้การเปรียบเทียบง่ายขึ้นมาก คำถามของฉันคือ:มันฉลาดกว่าที่จะลดตัวอย่างเส้นโค้งที่สองหรือเพิ่มตัวอย่างแรกหรือไม่ แก้ไข: ฉันทำตามที่ฉันบอก ในภาพด้านซ้ายเป็นส่วนโค้งเดิม เส้นโค้งทางด้านขวานั้นได้รับการติดตั้งใหม่ ด้านบนขวาเป็นตัวอย่างอัพด้านขวาล่างจะถูกสุ่มตัวอย่าง ฉันรู้ว่าเส้นโค้งมีความยาวต่างกันเมื่อ resampled อย่างไรก็ตามสัญญาณที่สองจะถูกครอบตัดไปที่ความยาวสัญญาณแรก

13 resampling 

ตัวเลือกสำหรับการกู้คืนเฟสของสัญญาณ BPSK ในซอฟต์แวร์คืออะไร? แหล่งข้อมูลเดียวที่ฉันสามารถหาได้ออนไลน์มีไดอะแกรมของวงจร - ดูเหมือนว่าไม่มีใครเต็มใจที่จะอธิบายสิ่งนี้กับผู้คนที่ไม่คุ้นเคยกับวงจรแอนะล็อก ฉันต้องการคำอธิบายเกี่ยวกับการทำงานของทฤษฎีการกู้คืนข้อมูลของผู้ให้บริการและจะรัก pseudocode หรือตัวอย่างโค้ด

13 digital-communications  demodulation  phase  bpsk  qpsk 

นั่นคือถ้าคุณมีสถานะตัวแปรเป็นตำแหน่ง ( p ) และความเร็ว ( v ) และฉันทำการวัดความถี่ต่ำของpนี่ก็ให้ข้อมูลเกี่ยวกับvทางอ้อมด้วย(เพราะเป็นอนุพันธ์ของp ) วิธีที่ดีที่สุดในการจัดการความสัมพันธ์คืออะไร? A) ในขั้นตอนการอัพเดตฉันควรจะบอกว่าฉันวัดค่าpแล้วและพึ่งพากระบวนการกรองและเมทริกซ์ความแปรปรวนร่วมของรัฐที่สะสม ( P ) ของฉันเพื่อแก้ไขv ? B) ฉันควรสร้าง "พิเศษ" ขั้นตอนการทำนายทั้งหลังหรือก่อนขั้นตอนการปรับปรุงของฉันสำหรับการตรวจวัดของพีที่ใช้วัดของฉันหน้าและ (ค่อนข้างใหญ่) เดลต้าเวลาที่จะทำให้การคาดการณ์สูงแปรปรวนของวี ? C) ในขั้นตอนอัปเดต / การวัดของฉันฉันควรจะบอกว่าฉันทำการวัดทั้งpและ vแล้วเข้ารหัสข้อมูลเกี่ยวกับการพึ่งพาซึ่งกันและกันของพวกเขาในเมทริกซ์ความแปรปรวนร่วม ( R ) หรือไม่? สำหรับพื้นหลังเพิ่มเติมเล็กน้อยต่อไปนี้เป็นสถานการณ์เฉพาะที่ฉันพบปัญหา: ฉันกำลังทำงานกับระบบที่ฉันต้องการที่จะประเมินตำแหน่ง ( P ) ของวัตถุและฉันทำให้การวัดที่พบบ่อยของการเร่งความเร็ว ( ) และไม่บ่อยนักที่วัดสูงเสียงพี ฉันกำลังทำงานกับ codebase ที่ไม่นี้กับคาลมานกรองขยายที่จะช่วยให้เป็นตัวแปรรัฐพีและวี มันรันขั้นตอน "การคาดคะเน" หลังจากการวัดความเร่งทุกครั้งซึ่งจะใช้aและ delta-time …

13 filters  kalman-filters  estimation  measurement  bayesian-estimation 

ดังนั้นฉันจึงพยายามเขียน interpolator โดเมนความถี่ที่ zero-pads ตอบสนองความถี่ของสัญญาณและการแปลงผกผัน มีสองกรณีที่ฉันต้องจัดการกับ: การตอบสนองแบบยาว - ต้องแยกถังขยะเพราะมันไม่ชัดเจน ดังนั้นฉันจึงคัดลอกส่วนลบของสเปกตรัมและเพิ่มศูนย์ในระหว่างFs/2Fs/2F_s/2n*(interp-1)-1 การตอบกลับที่มีความยาวแปลก ๆ - ไม่มีดังนั้นเพียงแยกความถี่บวก / ลบและแทรกศูนย์ระหว่างพวกเขาFs/2Fs/2F_s/2n*(interp-1) รหัสที่ทำให้เกิดช่องว่างภายในสามารถดูได้ที่นี่ // Copy negative frequency components to end of buffer and zero out middle // inp - input buffer of complex floats // n - transform size // interp - interpolation amount void zero_pad_freq(cfloat_t …

13 fft  interpolation  c 

ฉันกำลังเรียนรู้ตัวกรองคาลมานเป็นเวลาหนึ่งสัปดาห์แล้ว ฉันเพิ่งค้นพบว่า EKF (ตัวกรองคาลมานขยาย) อาจเหมาะสมกว่าสำหรับกรณีของฉัน ไม่คิดว่าฉันจะใช้ KF / EKF สำหรับการวัดความแปรปรวน (อุปกรณ์ที่บอกเครื่องบินและ parachuters ว่าตำแหน่งแนวตั้งและความเร็วของพวกมันคืออะไร) ในกรณีของฉันฉันได้สร้างข้อมูลตัวอย่าง: สองสามวินาทีแรกที่เขา (ผู้กระโดดร่มสำหรับเช่น) กำลังตกลงมา (ความเร็วเป็นบวก) จากนั้นเขาก็จะเพิ่มขึ้น (ความเร็วเป็นลบ) เท่าที่ฉันสามารถบอกได้ว่าระบบนี้เป็นแบบเชิงเส้น ดังนั้นฉันควรใช้ KF หรือ EKF หรือไม่

13 kalman-filters 

ว่าฉันใช้กล้องสอบเทียบเพียงหนึ่ง จากกล้องนี้ผมได้รับภาพ A และ B ฉันรู้ homography ระหว่าง A และ B ที่คำนวณผ่านOpenCV 's findHomography () ฉันรู้ว่าโพสท่า (เมทริกซ์การหมุน R และเวกเตอร์การแปล t) ของภาพ A และฉันต้องการรูปของบีเมื่อฉันได้รับมันฉันคิดว่าฉันจะสามารถคำนวณทุก ๆ ท่าของภาพต่อไปนี้ได้ คุณรู้หรือไม่ว่าการนำโพรเซสซิงของ B มาใช้? ฉันพบบทความหลายบทความบนเว็บ แต่ไม่พบวิธีแก้ปัญหาที่ใช้งานได้ง่าย ...

13 image-processing  computer-vision  3d  opencv 

ฉันกำลังพยายามดึงคุณสมบัติต่าง ๆ จากรูปภาพ แต่ฉันไม่สามารถรับคะแนนที่ต้องการแยกได้และทำให้รูปภาพของฉันไม่สามารถจับคู่กับแม่แบบได้ มีจุดตรวจที่ฉันต้องทำก่อนที่จะใช้ SIFT กับภาพของฉันเพื่อให้ได้ผลลัพธ์ที่ดีหรือไม่? ตัวอย่างเช่นภาพเทมเพลตคือ; รูปภาพเป้าหมาย

13 matlab  image-processing  sift 

ในวิชาคณิตศาสตร์คำว่าอัตลักษณ์ถูกใช้เพื่ออธิบายระบบพลวัตซึ่งพูดกว้างมีพฤติกรรมเดียวกันโดยเฉลี่ยเมื่อเวลาผ่านไปเฉลี่ยทั่วพื้นที่ - จากวิกิพีเดีย จากมุมมองของวิศวกรรมระบบการประมวลผลสัญญาณรู้ว่าสัญญาณนั้นเป็นอัตลักษณ์เปลี่ยนแผนการโจมตีเพื่อวิเคราะห์สัญญาณหรือไม่? ฉันพบแนวคิดนี้น่าสนใจอยู่เสมอ แต่ฉันไม่รู้ว่าจะทำอย่างไรกับมันเมื่อมีการตัดสินใจ วิธีการวิเคราะห์แบบใดที่จะเกี่ยวข้องกับการรู้ข้อมูลนี้มากขึ้น?

13 ergodic  averaging