การประมวลผลสัญญาณ

ฉันต้องการสร้างสัญญาณรบกวนในแอพพลิเคชั่น 100kHz, 16 บิตเพื่อเปลี่ยนสัญญาณควอนตัมทั้งหมดให้เป็นวง 25khz-50kHz โดยมีสัญญาณรบกวนน้อยที่สุดในย่าน DC-25kHz ฉันตั้งค่า mathematica เพื่อสร้างเคอร์เนลตัวกรองข้อผิดพลาด 31 ตัวอย่างผ่านการเรียนรู้การเสริมแรงซึ่งทำงานได้ดี: หลังจากเรียนรู้เพียงเล็กน้อยฉันจะได้รับการเพิ่มประสิทธิภาพของเสียงความถี่สูงประมาณ ~ 16dB สำหรับการลดลงของย่านความถี่ต่ำจำนวนเดียวกัน เส้นกลางคือระดับเสียงที่ลดลงทั้งสองรูป) ซึ่งสอดคล้องกับทฤษฎีการสร้างเสียงรบกวน "Gerzon-Craven" ตอนนี้ปัญหาของฉัน: ฉันไม่สามารถจัดการกับเสียงดังได้มากขึ้นแม้หลังจากการเรียนรู้ที่กว้างขวางแม้ว่าทฤษฎีบท Gerzon-Craven ไม่ได้ห้ามไว้ ตัวอย่างเช่นควรเป็นไปได้ที่จะลดระดับ 40 dB ในย่านความถี่ต่ำและเพิ่มประสิทธิภาพ 40 dB ในย่านความถี่สูง ดังนั้นมีข้อ จำกัด พื้นฐานอื่นที่ฉันพบ ฉันพยายามดูทฤษฎีบทเกี่ยวกับเสียงรบกวน / การสุ่มตัวอย่าง / ข้อมูล แต่หลังจากที่เล่น ๆ ไปซักพักฉันก็สามารถหาข้อ จำกัด เพียงอย่างเดียวจากมันได้: ทฤษฎีบท Gerzon-Craven ซึ่งดูเหมือนจะเป็นผลลัพธ์โดยตรงของทฤษฎีบทแชนนอน ความช่วยเหลือใด ๆ ที่ชื่นชม แก้ไข: …

9 noise 

ทำไมบอกเป็นนัยว่าระบบ LTI ไม่สามารถสร้างความถี่ใหม่ได้?Y(ω)=X(ω)H(ω)Y(ω)=X(ω)H(ω)Y (\omega) = X(\omega)H(\omega) ทำไมถ้าระบบสร้างความถี่ใหม่นั่นไม่ใช่ LTI

9 convolution  time-frequency 

ฉันกำลังทำงานในโครงการของการใช้รูปแบบการใช้งานรูปร่าง เพื่อหาฟันในภาพรังสีของฟัน สำหรับผู้ที่คุ้นเคยกับเทคนิคฉันกำลังพยายามที่จะสุ่มตัวอย่างตามเวกเตอร์ปกติสำหรับแต่ละจุดสังเกต กระดาษแนะนำให้ใช้อนุพันธ์ของพิกเซลตัวอย่าง: "เพื่อลดผลกระทบของการเปลี่ยนแปลงความเข้มทั่วโลกเราจะสุ่มตัวอย่างอนุพันธ์ตามโปรไฟล์แทนที่จะเป็นค่าระดับสีเทาแน่นอน" ดังนั้นปัญหาของฉันคือวิธีกรองภาพรังสีด้วยวิธีที่ดีที่สุดในการเตรียมพวกเขาสำหรับการใช้ผู้ประกอบการอนุพันธ์ ขณะนี้ฉันกำลังใช้การผสมผสานของตัวกรองมัธยฐานเพื่อลบสิ่งที่ฉันคิดว่าส่วนใหญ่เป็นเสียงควอนตัม (mottle) มันตามมาด้วยตัวกรองทวิภาคี จากนั้นฉันก็ใช้โอเปอเรเตอร์ Scharrเพื่อคำนวณการไล่ระดับสีจริงซึ่งควรจะสุ่มตัวอย่าง ผลลัพธ์จะแสดงด้านล่าง: ภาพแรกแสดงข้อมูลต้นฉบับ ในภาพที่สองและสามข้อมูลที่ถูกกรองจะถูกนำเสนอก่อนเป็นขนาดของสเปกตรัมหลังจาก FFT และจากนั้นเป็นข้อมูลภาพที่ถูกกรอง ภาพที่สี่แสดงผลลัพธ์ของการใช้ตัวดำเนินการ Scharr กับภาพที่สาม คำถามของฉันคือ: มีวิธีการที่รู้จักกันดีในการลดเสียงรบกวนในภาพรังสีด้วยวิธีทันตกรรมที่จะแตกต่างจากวิธีการของฉันหรือไม่? อะไรทำให้เกิดลักษณะ "ควัน" ของขอบและพื้นที่ "แบน" (ไม่ใช่ขอบ)? มันเป็นสัญญาณรบกวนที่เหลืออยู่ในภาพที่ถูกกรองหรือมันมีอยู่ในตัวดำเนินการไล่ระดับสี ถ้าเป็นเสียงตัวกรองใดที่เหมาะสมที่สุดที่จะใช้ ค่ามัธยฐานตัวกรองดีในการลบ blobs ที่มีเสียงดังขนาดเล็ก แต่เคอร์เนลขนาดใหญ่ทำให้ขอบเบลอมากเกินไป ดังนั้นตัวกรองทวิภาคีจะใช้ในการกรอง blobs ขนาดใหญ่ขึ้นและทำให้สีเท่ากันทั่วบริเวณโดยไม่ทำอันตรายต่อขอบ แต่ไม่สามารถกรองโครงสร้างควันนี้ได้ มีตัวเลือกที่ดีกว่าตัวดำเนินการ Scharr เพื่อสร้างการไล่ระดับสีในกรณีนี้หรือไม่? โบนัส: สิ่งนี้จะได้รับการพิจารณาว่าเป็นอินพุตที่ดีสำหรับ Active Shape Model หรือไม่? ฉันยังไม่ทราบว่ามันแข็งแกร่งแค่ไหน

9 image-processing  computer-vision  image  object-recognition 

คุณช่วยอธิบายหน่อยได้ไหมว่าทำไมเสียงบางประเภทเรียกว่า "เสียงแบบเกาส์เซียน" ทำไมมันจึงเกี่ยวข้องกับการเรียกมันว่าเสียน กรุณาอธิบายในแง่ของคนธรรมดา

9 noise  gaussian  statistics 

ฉันรู้จากวิกิพีเดียว่ามีความสัมพันธ์โดยอัตโนมัติในสัญญาณเดียวกันในขณะที่ความสัมพันธ์ข้ามทำกับสัญญาณที่แตกต่างกัน แต่สิ่งนี้หมายความว่าอะไรในแง่ของการใช้งานจริงฉันสามารถใช้ข้ามสหสัมพันธ์กับสัญญาณเดียวกันและรับผลลัพธ์เดียวกันได้ และในสังวัตนาสัญญาณหนึ่งจะกลับด้านในทางทฤษฎีฉันเข้าใจสูตร แต่สามสิ่งนี้หมายถึงอะไรในแง่ของการใช้งาน?

9 correlation  autocorrelation  cross-correlation  convolution 

ฉันต้องการเรียนรู้การออกแบบตัวกรองดิจิทัล ความรู้ด้านคณิตศาสตร์ของฉันอยู่ในระดับมัธยม ฉันสามารถเรียนรู้คณิตศาสตร์ผ่านทางอินเทอร์เน็ต ถ้าอย่างนั้นฉันจะต้องเรียนวิชาคณิตศาสตร์อะไร

9 filter-design  reference-request 

ฟังก์ชันสี่เหลี่ยมถูกนิยามเป็น: r e c t (t)=⎧⎩⎨⎪⎪⎪⎪0121ถ้า | t | &gt;12ถ้า | t | =12ถ้า | t | &lt;12.rect(t)={0if |t|&gt;1212if |t|=121if |t|&lt;12.\mathrm{rect}(t) = \begin{cases} 0 & \mbox{if } |t| > \frac{1}{2} \\ \frac{1}{2} & \mbox{if } |t| = \frac{1}{2} \\ 1 & \mbox{if } |t| < \frac{1}{2}. \\ \end{cases} ฟังก์ชันสามเหลี่ยมถูกกำหนดเป็น: ไตร( …

9 sampling  interpolation 

อัปเดต:ดูความคิดเพิ่มเติมที่ด้านล่างของโพสต์นี้ ภายใต้เงื่อนไขการสุ่มตัวอย่างทั่วไปที่ไม่ถูก จำกัด โดยสิ่งที่อธิบายไว้ด้านล่าง (สัญญาณที่ไม่สัมพันธ์กับนาฬิกาการสุ่มตัวอย่าง) เสียงการหาปริมาณมักจะถูกประเมินว่าเป็นการกระจายแบบสม่ำเสมอในระดับควอนตัมหนึ่งระดับ เมื่อ ADC สองตัวรวมกันกับเส้นทาง I และ Q เพื่อสร้างการสุ่มตัวอย่างของสัญญาณที่ซับซ้อนเสียงเชิงปริมาณจะมีทั้งความกว้างของเสียงและเฟสเสียงประกอบดังที่จำลองไว้ด้านล่าง ดังที่แสดงไว้เสียงรบกวนนี้มีการแจกแจงเป็นรูปสามเหลี่ยมเมื่อองค์ประกอบ I และ Q มีส่วนร่วมในแอมพลิจูดและเฟสอย่างเท่าเทียมกันเช่นเมื่อสัญญาณอยู่ที่มุม 45 °และสม่ำเสมอเมื่อสัญญาณอยู่บนแกน สิ่งนี้คาดว่าจะเกิดขึ้นเนื่องจากเสียง quantization ของแต่ละ I และ Q นั้นไม่ได้มีความสัมพันธ์กันดังนั้นการแจกแจงจะเกิดขึ้นเมื่อทั้งคู่มีส่วนร่วมในผลลัพธ์ผลลัพธ์ คำถามที่ถูกถามคือถ้าการกระจายของสัญญาณรบกวนเฟสเปลี่ยนไปอย่างมีนัยสำคัญสำหรับกรณีของการสุ่มตัวอย่างที่สอดคล้องกัน (สมมติว่านาฬิกาการสุ่มตัวอย่างนั้นมีสัญญาณรบกวนเฟสที่เหนือกว่าดังนั้นไม่ใช่ปัจจัย) โดยเฉพาะฉันพยายามที่จะเข้าใจว่าการสุ่มตัวอย่างที่สอดคล้องกันจะช่วยลดสัญญาณรบกวนเฟสที่เกี่ยวข้องกับการทำให้เป็นควอนตัมได้หรือไม่ สิ่งนี้จะนำไปใช้โดยตรงกับการสร้างสัญญาณนาฬิกาซึ่งจะสามารถรักษาความเชื่อมโยงได้อย่างง่ายดาย พิจารณาทั้งสัญญาณจริง (หนึ่ง ADC) หรือสัญญาณที่ซับซ้อน (สอง ADC's; หนึ่งสำหรับฉันและหนึ่งสำหรับ Q ร่วมกันอธิบายตัวอย่างที่ซับซ้อนเดียว) ในกรณีของสัญญาณจริงอินพุตเป็นคลื่นไซน์เต็มรูปแบบและคำของเฟสได้มาจากสัญญาณการวิเคราะห์ กระวนกระวายใจที่เกี่ยวข้องกับการเปลี่ยนแปลงในการข้ามศูนย์ของเสียงไซน์จะเป็นตัวอย่างของเสียงเฟสที่เกิดขึ้นสำหรับสัญญาณจริง สำหรับกรณีของสัญญาณที่ซับซ้อนอินพุตเป็นสเกลเต็มAejωtAejωtAe^{j \omega t}ที่ซึ่งองค์ประกอบที่แท้จริงและจินตภาพจะเป็นคลื่นไซน์เต็มขนาด สิ่งนี้เกี่ยวข้องกับคำถามนี้ซึ่งมีการอธิบายการสุ่มตัวอย่างที่สอดคล้องกันเป็นอย่างดี แต่ไม่ได้กล่าวถึงสัญญาณรบกวนเฟสโดยเฉพาะ: การสุ่มตัวอย่างที่สอดคล้องกันและการกระจายของเสียงรบกวนเชิงปริมาณ เพื่ออธิบายองค์ประกอบเสียงรบกวน AM …

9 sampling  adc 

ฉันมีสัญญาณที่มีเวลาตัวอย่าง 0.5 ไมโครวินาทีและฉันต้องการเปลี่ยนสัญญาณนี้โดยใช้เวลาเพียงเศษเสี้ยวของตัวอย่างพูดด้วย 3 นาโนวินาที ฉันได้อ่านแหล่งข้อมูลออนไลน์เกี่ยวกับการกรองการหน่วงเวลาแบบเศษส่วนและการใช้ FFT และ IFFT เพื่อดำเนินการหน่วงเวลาดังกล่าว ใครบางคนสามารถชี้ให้ฉันเห็นทฤษฎีบางอย่างเกี่ยวกับเรื่องนี้หรือให้แนวคิดเกี่ยวกับวิธีการนำไปใช้ สำหรับการเปลี่ยนสัญญาณปกติสำหรับตัวอย่างจำนวนเต็มฉันได้ดำเนินการนี้โดยขยับสัญญาณตามจำนวนตัวอย่างที่ต้องการและเพิ่มศูนย์ที่จุดเริ่มต้น วิธีนี้ถูกต้องหรือไม่

9 filters  discrete-signals  signal-analysis 

หน้าวิกิพีเดียสำหรับฟังก์ชันความแตกต่างเฉลี่ย / สูตร (AMDF) ดูเหมือนจะว่างเปล่า AMDF คืออะไร คุณสมบัติของ AMDF คืออะไร อะไรคือจุดแข็งและจุดอ่อนของ AMDF เมื่อเทียบกับวิธีการประมาณระดับเสียงอื่น ๆ เช่นการหาค่าอัตโนมัติ?

9 autocorrelation  estimation  pitch 

ฉันพยายามตอบคำถามต่อไปนี้: เป็นระบบที่อธิบายโดยสมการหรือไม่: Y[ n ] = 0.5 y[ n - 1 ] + x [ n ] - 0.5 x [ n - 1 ]y[n]=0.5y[n−1]+x[n]−0.5x[n−1]y[n]=0.5y[n-1]+x[n]-0.5x[n-1] IIRกรอง? คำตอบของฉันคือใช่ ขอบคุณ

9 filters 

ฉันยังใหม่กับหลักการคำนวณความถี่ในทันทีและเกิดคำถามมากมายขึ้นมา คุณพบพวกเขาทั้งหมดในรายการสัญลักษณ์แสดงหัวข้อท้ายข้อความนี้ ข้อความอาจยาวไปหน่อยขอโทษสำหรับเรื่องนั้น แต่ฉันพยายามแก้ปัญหาด้วยตัวเอง ดังนั้นฉันสนใจความถี่ทันที ฉ( t )ฉ(เสื้อ)f(t) ของสัญญาณมูลค่าที่แท้จริง x ( t )x(เสื้อ)x(t). การคำนวณเสร็จสิ้นด้วยความช่วยเหลือของสัญญาณการวิเคราะห์Z( t ) = x ( t ) + j y( t )Z(เสื้อ)=x(เสื้อ)+JY(เสื้อ)z(t) = x(t) + j y(t)ที่ไหน Y( t )Y(เสื้อ)y(t) คือการเปลี่ยนแปลงของฮิลแบร์ต x ( t )x(เสื้อ)x(t). เพื่อคำนวณความถี่ทันทีจากสัญญาณวิเคราะห์ Z( t )Z(เสื้อ)z(t) ฉันติดตามกระดาษ: การคำนวณความถี่ทันทีและแบนด์วิดท์ทันทีโดย Arthur E. Barns จากปี 1992 …

9 signal-analysis  frequency  phase  hilbert-transform  analytic-signal 

เหตุผลใดที่ทำให้เกิดจุดรบกวน / เอฟเฟกต์ในภาพนี้ ด้านล่างนี้เป็นต้นฉบับ ขอบคุณ!

9 image-processing  noise  image  frequency-domain 

พิจารณาวิธีการกำหนดหน้าต่าง Hanning: 0.5 - 0.5 * cos(n*2*Pi/(N-1)) โดยคำจำกัดความนี้จะได้รับ 0.5 ซึ่งเป็นเพียงค่าเฉลี่ยของค่าสัมประสิทธิ์ ในทางตรงกันข้าม Flattop windows ตามที่นิยามไว้มีความเป็นอันหนึ่งอันเดียวกันโดยการออกแบบ ดูเหมือนว่าจะเหมาะสมในการปรับขนาดหน้าต่าง Hanning ด้วย 2 เท่า แต่ฉันไม่เคยเห็นสิ่งนี้มาพูดถึงทุกที่ ดูเหมือนว่าทุกหน้าต่างควรได้รับการปรับสัดส่วนเพื่อความเป็นอันหนึ่งอันเดียวกัน ในทางปฏิบัติแล้ว windows จะได้รับการแก้ไขเพื่อประโยชน์ของพวกเขาหรือไม่? ถ้าไม่ทำไมล่ะ แก้ไข: เนื่องจากไม่มีใครให้คำตอบฉันจะอธิบายรายละเอียดเล็กน้อย มันค่อนข้างง่ายในการค้นหาเอกสารที่รายงานการเพิ่มขึ้นของหน้าต่างทั่วไป แต่ฉันไม่เคยเห็นใครอ้างถึงการแก้ไขกำไรก่อนที่จะใช้สำหรับการวิเคราะห์สเปกตรัม บางทีฉันอาจจะพลาดคำแถลงนั้นเสมอไปหรือทุกคนคิดว่าการแก้ไขนั้นเป็นข้อกำหนดที่ชัดเจน ดูเหมือนว่าเป็นเรื่องธรรมดาที่จะกำหนดให้หน้าต่างได้รับเอกภาพเพื่อรักษาระดับพลังงานของสัญญาณ นอกจากนี้เราสามารถเปรียบเทียบหน้าต่างต่าง ๆ สำหรับความแม่นยำของแอมพลิจูดได้อย่างไรถ้ามี 0 dB ที่ได้รับเช่นเดียวกับที่ flattop ทำและอื่น ๆ มีการสูญเสียเกือบ 10 dB ตามที่ Gauss ทำ Windows ยังใช้กันอย่างแพร่หลายสำหรับการออกแบบตัวกรอง FIR ในแอปพลิเคชั่นนี้ควรมีความชัดเจนว่าสัญญาณที่จะถูกปล่อยออกมาเป็นสัญญาณชีพจร …

9 fft  window-functions 

ฉันรู้ว่าสำหรับ Hough Transform เพื่อทำงานกับรูปภาพมันต้องเป็นภาพไบนารี ในการแปลงจากภาพระดับสีเทาควรใช้อัลกอริธึมการตรวจจับขอบ ฉันสังเกตเห็นว่าผู้คนมักใช้การตรวจจับขอบของ Canny แทนคนอื่น ๆ (Sobel ฯลฯ ) ทำไมถึงเป็นอย่างนั้น?

9 image-processing  hough-transform  canny-edge-detector  image-analysis