การประมวลผลสัญญาณ

นี่คือไซน์ของความถี่f = 236.4 Hz(ยาว 10 มิลลิวินาทีมีN=441คะแนนที่อัตราการสุ่มตัวอย่างfs=44100Hz) และ DFT โดยไม่มีการเติมเต็ม : ข้อสรุปเดียวที่เราสามารถให้ได้โดยดูจาก DFT คือ: "ความถี่ประมาณ 200Hz" นี่คือสัญญาณและ DFT ของมันที่มีการเติมเต็มศูนย์ขนาดใหญ่ : ตอนนี้เราสามารถให้ข้อสรุปที่แม่นยำมากขึ้น : "โดยการดูอย่างละเอียดที่สเปกตรัมสูงสุดฉันสามารถประมาณความถี่ 236Hz" (ฉันซูมและพบว่าค่าสูงสุดอยู่ใกล้ 236) คำถามของฉันคือทำไมเราบอกว่า "ศูนย์ padding ไม่ได้เพิ่มความละเอียด" ? (ฉันเห็นประโยคนี้บ่อยมากจากนั้นพวกเขาพูดว่า "เพิ่มการแก้ไขเท่านั้น") => จากตัวอย่างของฉันการเติมเต็มศูนย์ช่วยให้ฉันค้นหาความถี่ที่ถูกต้องด้วยความละเอียดที่แม่นยำยิ่งขึ้น!

12 fft  fourier-transform  signal-analysis  dft  zero-padding 

ฉันกำลังทำงานบนกระดานที่ไม่มีตัวกรองลดรอยหยักที่อินพุทของ ADC ฉันมีตัวเลือกให้ใช้ตัวกรองของฉันเองโดยใช้วงจร RC + Opamp แต่เป็นไปได้ไหมที่จะใช้ตัวกรอง Anti Aliasing หลังจากสุ่มตัวอย่างโดย ADC และการประมวลผลในโดเมนดิจิทัล: ตัวกรอง Anti aliasing แบบดิจิทัลหรือไม่

12 sampling  filtering 

เมื่อทำการสังเคราะห์และประมวลผลเสียงบนตัวประมวลผลที่ทันสมัยใครจะพิจารณาใช้สิ่งอื่นนอกเหนือจากจุดลอยตัวที่มีความแม่นยำ (32 บิต) เดี่ยว เห็นได้ชัดว่าเสียงที่เข้ามาและออกไปสู่โลกแห่งความจริงคือ 16/24 บิตดังนั้นฉันแค่พูดถึงความแม่นยำของสัญญาณ (ทั้งเสียงและสิ่งต่าง ๆ เช่นค่าสัมประสิทธิ์ตัวกรอง) ในซอฟต์แวร์ สมมติว่า: CPU / DSP มีจุดลอยฮาร์ดแวร์รองรับทั้งความแม่นยำเดี่ยวและคู่ ลำดับความสำคัญคือเสียงที่มีคุณภาพไม่ได้ประสิทธิภาพสูง ตัวอย่างเช่นความแม่นยำสองเท่าจะได้รับการพิจารณาหากนำเสนอคุณภาพที่ดีขึ้น (การรับรู้)

12 audio  algorithms  software-implementation  fixed-point 

ต้องการปรับปรุงโพสต์นี้หรือไม่? ให้คำตอบโดยละเอียดสำหรับคำถามนี้รวมถึงการอ้างอิงและคำอธิบายว่าทำไมคำตอบของคุณถึงถูกต้อง คำตอบที่ไม่มีรายละเอียดเพียงพออาจแก้ไขหรือลบออกได้ ฉันใหม่โดยสิ้นเชิงกับตัวกรองคาลมาน ฉันมีหลักสูตรพื้นฐานเกี่ยวกับความน่าจะเป็นแบบมีเงื่อนไขและพีชคณิตเชิงเส้น มีคนแนะนำหนังสือดี ๆ หรือแหล่งข้อมูลใด ๆ บนเว็บที่สามารถช่วยฉันให้เข้าใจการทำงานของตัวกรองคาลมานได้หรือไม่? เว็บไซต์ส่วนใหญ่เริ่มต้นโดยตรงกับสูตรและสิ่งที่พวกเขาหมายถึง แต่ฉันสนใจที่มาของมันหรือถ้าไม่ได้รายละเอียดมาอย่างน้อยความสำคัญทางกายภาพของการดำเนินงานและพารามิเตอร์

12 kalman-filters  statistics  linear-algebra 

ฉันทำการสุ่มตัวอย่างเสียงด้วยการแสดง FFT ก่อนจากนั้นจึงนำเฉพาะส่วนของผลลัพธ์ที่ฉันต้องการจากนั้นจึงแสดง FFT ที่ตรงกันข้าม อย่างไรก็ตามมันทำงานได้อย่างถูกต้องเมื่อฉันใช้ความถี่ที่มีทั้งสองกำลังพูดตัวอย่างจาก 32768 ถึง 8192 ฉันทำการ FFT กับข้อมูล 32k ทิ้ง 3/4 ของข้อมูลแล้วทำ FFT ผกผันในส่วนที่เหลือ 1/4 อย่างไรก็ตามเมื่อใดก็ตามที่ฉันพยายามทำสิ่งนี้กับข้อมูลที่ไม่สอดคล้องกันหนึ่งในสองสิ่งที่เกิดขึ้น: ห้องสมุดคณิตศาสตร์ที่ฉันใช้ (Aforge.Math) โดยใช้แบบเต็มเพราะตัวอย่างของฉันไม่ใช่พลังของทั้งสอง ถ้าฉันพยายามทำให้แผ่นตัวอย่างเป็นศูนย์เพื่อให้พวกมันกลายเป็นพลังของ twos มันจะพูดพล่อยๆที่ปลายอีกด้าน ฉันพยายามใช้ DFT แทน แต่มันก็ช้าลงอย่างบ้าคลั่ง (ต้องทำแบบเรียลไทม์) ฉันจะไปยังศูนย์ข้อมูล FFT อย่างถูกต้องทั้งใน FFT เริ่มต้นและ FFT ผกผันในตอนท้ายได้อย่างไร สมมติว่าฉันมีตัวอย่างที่ 44.1 กิโลเฮิร์ตซ์ที่ต้องไปถึง 16 กิโลเฮิร์ตซ์ตอนนี้ฉันลองแบบนี้ตัวอย่างที่มีขนาด 1,000 แพดข้อมูลอินพุตที่ 1024 ในตอนท้าย ดำเนินการ FFT อ่าน …

12 c#  audio 

นี่เป็นปัญหาของเครื่องมือตรวจจับที่ฉันเชื่อว่า: ฉันกำลังนิ่งงันโดยสิ่งที่ดูเหมือนจะเป็นปัญหาง่าย ๆ โดยทั่วไปฉันมีวงดนตรีที่น่าสนใจ หากพลังงานสัญญาณมีอยู่ในย่านที่น่าสนใจนี้ฉันจะทำการดำเนินการ X กับสัญญาณของฉัน ปัญหาของฉันคือฉันไม่แน่ใจว่าจะเลือก 'ตัดสินใจ' ได้อย่างไรหากมีสัญญาณอยู่หรือไม่ ในที่นั้นหลังจากที่ฉันแสดง FFT ฉันสามารถมองหาจุดสูงสุด แต่ตอนนี้อะไร สถิติที่ใช้มักจะเปรียบเทียบจุดสูงสุดนี้กับค่าเฉลี่ยของสเปกตรัมโดยรอบหรือไม่? หรือว่าเป็นสถิติอื่น ๆ ฉันใช้การวัดทางสถิติใดในการพิจารณาว่ามีสัญญาณอยู่หรือไม่และไปจากที่นั่น ฉันจะตั้งค่านี้ได้อย่างไร thresholding ง่าย ๆ ? แก้ไขตามข้อเสนอแนะ: สำหรับกรณีง่าย ๆ นี้ฉันถือว่าเป็นเสียงในแบบเกาส์เซียนสีขาว สิ่งที่ฉันพยายามจัดการคือ: คนเราสร้างเส้นโค้ง ROC ได้อย่างไร ใครจะต้องไปและติดป้ายกำกับข้อมูลทั้งหมดก่อนแล้วจึงได้อัตราจริงที่เป็นบวกและเท็จบวกสำหรับเกณฑ์มากมาย SNR ที่ลดลงมีผลต่อเส้นโค้ง ROC อย่างไร ย้ายไปทางแนวทแยงหรือไม่ thesholding ปรับตัวอะไรที่ทำกับเส้นโค้ง ROC ที่กำหนดซึ่งถูกสร้างขึ้นโดยไม่มีเกณฑ์การปรับตัว? 3a เทคนิคการปรับตัวที่ใช้ร่วมกันทั่วไปที่ฉันสามารถดูนั้นเป็นเรื่องธรรมดาคืออะไร?

12 fft  signal-detection 

ฉันมีทรัพยากรที่ จำกัด มากเพราะฉันทำงานกับไมโครคอนโทรลเลอร์ มีการขยายตัวของเทย์เลอร์ชุดตารางการค้นหาทั่วไปหรือวิธีการเรียกซ้ำ? ฉันต้องการทำบางอย่างโดยไม่ใช้ sqrt ของ math.h () http://www.cplusplus.com/reference/cmath/sqrt/

12 algorithms  c  numerical-algorithms 

ฉันได้ทำการสุ่มสัญญาณด้วย aa Gaussian และเพิ่มสัญญาณรบกวน (เสียง Poisson ในกรณีนี้) เพื่อสร้างสัญญาณที่มีเสียงดัง ตอนนี้ฉันต้องการถอดรหัสสัญญาณที่มีเสียงดังนี้เพื่อแยกสัญญาณดั้งเดิมโดยใช้ Gaussian เดียวกัน ปัญหาคือฉันต้องการรหัสที่ทำงานของ deconvolution ใน 1D (ฉันได้พบบางอย่างใน 2D แต่เป้าหมายหลักของฉันคือ 1D) คุณช่วยแนะนำแพ็คเกจหรือโปรแกรมบางอย่างที่สามารถทำได้หรือไม่? (โดยเฉพาะอย่างยิ่งใน MATLAB) ขอบคุณล่วงหน้าสำหรับความช่วยเหลือ

12 matlab  convolution  continuous-signals  deconvolution  1d 

ฉันกำลังทำการแปลง gifs ของ Mobius ใน Matlab และรูปแบบแปลก ๆ บางอย่างก็เริ่มปรากฏขึ้น ฉันไม่แน่ใจว่าจำเป็นต้องมีความรู้ลึกเกี่ยวกับประเภทไฟล์ / อัลกอริทึมเพื่อเข้าใจปรากฏการณ์นี้หรือไม่ แต่ฉันคิดว่าอาจมีคำอธิบายทางคณิตศาสตร์อย่างแท้จริง ภาพที่ได้มาจากการระบายสีระนาบที่ซับซ้อนเหมือนกระดานหมากรุกแล้วกลับหัวกลับหางโดยการใช้ส่วนร่วมของคอนจูเกตที่ซับซ้อน นี่คือ psuedocode คณิตศาสตร์สำหรับภาพที่มีการซูม :kkk checkerboard:C→{black,white}checkerboard(z):={blackwhiteif ⌊I(z)⌋+⌊R(z)⌋≡0mod2if ⌊I(z)⌋+⌊R(z)⌋≡1mod2image={z∈C:|R(z)|,|I(z)|≤1}color:image→{black,white}color(z):=checkerboard(k/z¯¯¯)checkerboard:C→{black,white}checkerboard(z):={blackif ⌊ℑ(z)⌋+⌊ℜ(z)⌋≡0mod2whiteif ⌊ℑ(z)⌋+⌊ℜ(z)⌋≡1mod2image={z∈C:|ℜ(z)|,|ℑ(z)|≤1}color:image→{black,white}color(z):=checkerboard(k/z¯)\begin{align} &\mbox{checkerboard}:\mathbb C \to\{\mbox{black},\mbox{white}\}\\ &\mbox{checkerboard}(z):=\begin{cases} \mbox{black} & \mbox{if }\lfloor\Im(z)\rfloor+\lfloor\Re(z)\rfloor\equiv 0\mod 2\\ \mbox{white} & \mbox{if }\lfloor\Im(z)\rfloor+\lfloor\Re(z)\rfloor\equiv 1\mod 2 \end{cases}\\ &\mbox{image} = \{z\in\mathbb C:|\Re(z)|,|\Im(z)|\leq 1\}\\ &\mbox{color}:\mbox{image}\to\{\mbox{black},\mbox{white}\}\\ &\mbox{color}(z):=\mbox{checkerboard}(k/\overline{z}) \end{align} และนี่คือภาพเพื่อk=1k=1k=1 , …

11 image-processing  aliasing  pattern 

ในปีที่ผ่านมาฉันเริ่มทำงานในการวิเคราะห์ภาพและใช้ภาพบาร์บาร่าและลีนา ก่อนหน้านี้ฉันเริ่มตระหนักถึงประวัติศาสตร์ที่น่าสนใจรอบ ๆ รูป Lena และทำให้ฉันสงสัยว่า: ใครคือบาร์บาร่าใครเป็นคนถ่ายภาพและอะไรคือเจตนาดั้งเดิม (สมมุติว่ามันไม่ได้ถูกสร้างขึ้นเพื่อการวิจัยภาพ) หลายคนอ้างถึงห้องปฏิบัติการของ Allen Gersho หรือฐานข้อมูลภาพทดสอบของ Marco Schmidt (หมดอายุแล้ว) อย่างไรก็ตามนี่เป็นเรื่องที่ไม่น่าพอใจสำหรับฉัน

11 image 

Fred วิศวกร DSP ไปที่ร้าน DSP ที่เขาชื่นชอบเพื่อช็อปปิ้ง Fred:สวัสดีฉันต้องการซื้อตัวเปลี่ยนเฟส ผู้ช่วยร้านค้า:อืมคุณหมายถึงอะไรกันแน่? เฟร็ด:ดีคุณรู้ว่าถ้าคุณใส่ใน sinusoid เช่นคุณจะได้รับที่ส่งออกสำหรับการใด ๆ\และแน่นอนต้องปรับได้x(t)=sin(ω0t)x(t)=sin⁡(ω0t)x(t)=\sin(\omega_0t)y(t)=sin(ω0t−θ)y(t)=sin⁡(ω0t−θ)y(t)=\sin(\omega_0t-\theta)ω0ω0\omega_0θθ\theta ผู้ช่วยร้านค้า:โอ้ฉันเข้าใจแล้ว ขออภัยไม่มีเราไม่มี แต่ฉันจำคนอื่นที่ต้องการสิ่งเดียวกันได้และพวกเขามักจะซื้อหม้อแปลงฮิลแบร์ตตัวคูณสองตัวและอะแดปเตอร์และพวกเขาก็เชื่อมสิ่งต่าง ๆ เหล่านี้เข้าด้วยกันเพื่อให้สามารถปรับเปลี่ยนเฟสได้ เฟรด:ใช่แล้ว! เฟร็ดแกล้งทำเป็นเข้าใจสิ่งที่ผู้ชายพูดถึง แน่นอนว่าเขาไม่รู้จะทำอย่างไร เขาซื้อทุกอย่างที่ผู้ชายพูดว่าเขาต้องการและคิดด้วยตัวเองว่าเขาอาจจะคิดออกที่บ้านหรือทุกอย่างล้มเหลวเขาสามารถถามได้ที่ DSP.SE เฟร็ดสามารถสร้างตัวเปลี่ยนเฟสด้วยการเปลี่ยนเฟสแบบปรับได้โดยใช้ส่วนประกอบที่เขาได้รับที่ร้านค้าได้อย่างไรθθ\theta

11 phase  hilbert-transform  dsp-puzzle 

ฉันเพิ่งเริ่มศึกษาการประมวลผลสัญญาณดิจิตอล ใครสามารถอธิบายความแตกต่างระหว่างสัญญาณไม่ต่อเนื่องและสัญญาณดิจิตอลในคำง่าย ๆ ? ขอบคุณล่วงหน้า !

11 discrete-signals  digital 

ในคณิตศาสตร์คุณสามารถหาอนุพันธ์คู่หรือฟังก์ชันอินทิกรัลสองครั้ง มีหลายกรณีที่การแสดงแบบจำลองอนุพันธ์สองครั้งเป็นสถานการณ์จริงในโลกจริงเช่นการค้นหาการเร่งความเร็วของวัตถุ เนื่องจากการแปลงฟูริเยร์ใช้สัญญาณจริงหรือเชิงซ้อนเป็นอินพุตและสร้างสัญญาณที่ซับซ้อนเป็นเอาท์พุทจึงไม่มีอะไรหยุดคุณจากการเอาท์พุทนั้นและใช้การแปลงฟูริเยร์เป็นครั้งที่สอง ... นี้? มันช่วยจำลองสถานการณ์ที่ซับซ้อนจริง ๆ บ้างไหม? ด้วยตรรกะเดียวกันไม่มีอะไรจะหยุดคุณจากการแปลงฟูริเยร์ผกผันของสัญญาณอินพุตโดเมนเวลาดั้งเดิมของคุณ ... สิ่งนี้จะมีประโยชน์หรือไม่? ทำไมหรือทำไมไม่?

11 fft  signal-analysis  fourier-transform  hilbert-transform  theory 

รูปที่ 1 (c) แสดงภาพทดสอบที่สร้างจากสเปกตรัม MAGNITUDE เท่านั้น เราสามารถพูดได้ว่าค่าความเข้มของพิกเซลความถี่ต่ำนั้นมากกว่าพิกเซลความถี่สูง รูปที่ 1 (d) แสดงภาพทดสอบที่สร้างขึ้นใหม่จากช่วงสเปกตรัมเท่านั้น เราสามารถพูดได้ว่าค่าความเข้มของพิกเซลความถี่สูง (ขอบเส้น) มีค่ามากกว่าพิกเซลความถี่ต่ำ เหตุใดความแตกต่างที่น่าอัศจรรย์ของการเปลี่ยนแปลงความเข้ม (หรือการแลกเปลี่ยน) จึงเกิดขึ้นระหว่างภาพการทดสอบที่สร้างขึ้นใหม่จากสเปกตรัม MAGNITUDE เท่านั้นและภาพการทดสอบที่สร้างขึ้นใหม่จากสเปกตรัม PHASE เท่านั้นซึ่งเมื่อรวมเข้าด้วยกันเป็นภาพทดสอบต้นฉบับ clc; clear all; close all; i1=imread('C:\Users\Admin\Desktop\rough\Capture1.png'); i1=rgb2gray(i1); f1=fftn(i1); mag1=abs(f1); s=log(1+fftshift(f1)); phase1=angle(f1); r1=ifftshift(ifftn(mag1)); r2=ifftn(exp(1i*phase1)); figure,imshow(i1); figure,imshow(s,[]); figure,imshow(uint8(r1)); figure,imshow(r2,[]); r2=histeq(r2); r3=histeq(uint8(r2)); figure,imshow(r2); figure,imshow(r3);

11 image-processing  matlab  fft  fourier-transform  frequency 

ฉันพยายามใช้ตัวกรอง Gabor ที่มีสเกลเฉพาะ (ตามค่าของแลมบ์ดาและซิกมาดังนั้นจึงเป็น ( 7x7 ) และสำหรับการหมุน 4 ทิศทาง (0, ,และ ) ไปยังอิมเมจสเกลสีเทาอินพุตπ4π4\frac{\pi}{4}π2π2\frac{\pi}{2}3π43π4\frac{3\pi}{4} ในรหัสของฉันประสบความสำเร็จในสามขั้นตอน: สร้างตัวกรอง Gabor อ่านภาพ RGB จากนั้นแปลงเป็นระดับสีเทาและสุดท้ายเป็นสองเท่า ใช้ gabor ที่สร้างขึ้นกับภาพอินพุต ( ที่นี่ฉันไม่แน่ใจว่ารหัสของฉันเป็นจริงหรือไม่นั่นเป็นเหตุผลที่ฉันต้องการความเห็นของคุณ ) 1) -------------- สร้างตัวกรอง Gabor (ขนาด = 7x7 และ 4 การหมุน) %define the five parameters theta=....; %either 0 or pi/4 or pi/2 or 3pi/4 lambda=3.5; …

11 image-processing  matlab  filters  convolution  object-recognition