การประมวลผลสัญญาณ

ฉันมีชุดข้อมูล (อาร์เรย์เดียว) หากฉันนำข้อมูลนี้มาใช้และทำการพล็อตมันฉันจะเห็นว่ามีหลายจุด อย่างไรก็ตามหากฉันซูมเข้าไปที่ส่วนของข้อมูลฉันเห็นว่ามีเสียงดังมาก ฉันต้องการตรวจสอบจำนวนพีคของข้อมูลโดยใช้เวลา CPU และพลังงานเพียงเล็กน้อย ฉันคิดว่าจะตรวจสอบความลาดชันของยอดเขาเหล่านี้ (อาจจะคมชัดหรือราบเรียบขึ้นหรือลง) และดูที่จำนวนทางลาดเพื่อกำหนดจำนวนของยอดเขา (2 ลาดเชิงบวกและลบสำหรับทุกจุดสูงสุด) ตัวชี้ใด ๆ ที่ฉันสามารถคำนวณความลาดชันเมื่อมีสัญญาณรบกวนได้อย่างไร รหัสจะเข้าสู่ระบบฝังตัวหน่วยความจำมี จำกัด ดังนั้นโดยเฉพาะอย่างยิ่งฉันต้องการใช้สิ่งที่ไม่ต้องการคัดลอกข้อมูลที่สำคัญ

9 peak-detection 

ฉันต้องการค้นหาเส้นแบ่งระหว่างสีฟ้าและเทาในภาพต่อไปนี้: ยิ่งไปกว่านั้นจุดสิ้นสุดของบรรทัดนั้น Hough เปลี่ยนเป็นตัวเลือกหรือไม่? ถ้าใช่ฉันจะตั้งค่ารูปภาพก่อนใช้ Hough ได้อย่างไร วิธีแก้ปัญหานี้จะเป็นประโยชน์

9 matlab  image-processing 

ไม่มีใครทราบว่ามีคำอธิบายอย่างง่าย ๆ เกี่ยวกับความจริงที่ว่าอัตราความผิดพลาดทางทฤษฎี (BER) ของระบบ Quadrature phase-shift keying (QPSK) เป็นระบบประมาณ 1 เดซิเบลที่เปลี่ยนจากเส้นโค้งจำลองหรือไม่?

9 matlab  qpsk 

ครั้งแรกฉันขอโทษเพราะฉันเป็นนักพัฒนาซอฟต์แวร์และเป็นเวลานานมากที่ฉันไม่ได้ดำน้ำในวิชาคณิตศาสตร์ที่บริสุทธิ์ดังนั้นคำถามของฉันอาจดูเหมือนโง่ ฉันหวังว่าไม่ บริบทคือการจดจำเสียงในเพลง หากคุณจดโน้ตดนตรีและใช้การแปลงฟูริเยร์กับมันคุณจะมีจำนวนผลรวมของแอมพลิจูดไม่ จำกัด ตามความถี่ที่กำหนด ตัวอย่างเช่นถ้าฉันเล่นโน้ตที่มีพื้นฐานอยู่FFFในเครื่องดนตรีใด ๆ หลังจากการแปลงฟูริเยร์ฉันจะมีฮาร์โมนิกส์ที่ F,2F,3F,…,nFF,2F,3F,…,nFF, 2F, 3F,\ldots,nF. ความถี่ทุกความถี่จะมีแอมพลิจูดที่กำหนดซึ่งกำหนดเสียงต่ำของเครื่องดนตรี (เปียโนเสียงทรัมเป็ต ... ทั้งหมดตามรอยแยกนี้ แต่คุณจะมีแอมพลิจูดที่แตกต่างกันสำหรับทุกฮาร์โมนิก) ตอนนี้สิ่งที่ฉันต้องการจะทำคือจากสัญญาณเสียงที่ระบุค้นหา FFF. แค่นั้น. มันซับซ้อนกว่าที่คิดเพราะคุณจะมีเสียงรบกวนจากพื้นหลังเสมอ ...FFF ไม่จำเป็นต้องใช้ความถี่พร้อมแอมพลิจูดสูงสุด! ดังนั้นความคิดของฉันสำหรับการค้นหา FFF คือการใช้ DFT (จริง ๆ แล้ว FFT สำหรับความเร็ว) และค้นหาความบ้าคลั่ง FFF, ดังนั้น F+2F+3F+…+nFF+2F+3F+…+nFF + 2F +3F + \ldots + nF สูงสุดในเอาต์พุต FFT คุณคิดว่าเป็นไปได้หรือไม่ คุณคิดว่าเป็นไปได้ในเวลาอันสั้น (สมมติว่า <5 มิลลิวินาที)

9 audio  fft  pitch 

ฉันมีสัญญาณ:ที่n-1ฉผม(เสื้อผม= i Δ t )ฉผม(เสื้อผม=ผมΔเสื้อ)f_i(t_i=i\Delta t)i = 0 … n - 1ผม=0...n-1i = 0\ldots n-1 สัญญาณดูเหมือนจะเปลี่ยนแปลงอย่างรวดเร็วรอบ "แนวโน้ม" ที่ช้าลง ฉันสมมติว่าส่วนที่เปลี่ยนแปลงอย่างรวดเร็วคือเสียงรบกวนและส่วนที่เปลี่ยนแปลงช้าคือสัญญาณจริง ฉันจะประเมินอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) ของสัญญาณได้อย่างไร ฉันเดาว่าถ้าฉันสามารถตัดสินใจเกี่ยวกับความถี่ของ treshold:ฉันสามารถใช้นิพจน์ต่อไปนี้:ωเสื้อωเสื้อ\omega_t S/ N=∫ωเสื้อ0| F( ω )|2∫∞ωเสื้อ| F( ω )|2S/ยังไม่มีข้อความ=∫0ωเสื้อ|F(ω)|2∫ωเสื้อ∞|F(ω)|2S/N=\frac{\displaystyle\int_0^{\omega_t}|F(\omega)|^2}{\displaystyle\int_{\omega_t}^{\infty}|F(\omega)|^2} ที่หมายถึงฟูเรียร์ของ(t)FFFฉ( t )ฉ(เสื้อ)f(t)

9 fft  noise  snr 

จากสิ่งที่ฉันอ่านฉันได้สร้างอัลกอริทึมสำหรับการสังเคราะห์เสียง FM ฉันไม่แน่ใจว่าฉันทำถูก เมื่อสร้างซอร์ฟแวร์ synth เครื่องมือฟังก์ชั่นจะใช้ในการสร้าง oscillator และโมดูเลเตอร์สามารถใช้ในการโมดูลความถี่ของ oscillator นี้ ฉันไม่รู้ว่าการสังเคราะห์ FM ควรจะทำงานเพื่อปรับคลื่นไซน์หรือไม่? อัลกอริทึมใช้ฟังก์ชั่นคลื่นเครื่องมือและดัชนีโมดูเลเตอร์และอัตราส่วนสำหรับโมดูเลเตอร์ความถี่ สำหรับแต่ละโน้ตนั้นจะใช้ความถี่และเก็บค่าเฟสสำหรับสัญญาณพาหะและออสซิลเลเตอร์ ตัวดัดแปลงจะใช้คลื่นไซน์เสมอ นี่คืออัลกอริทึมใน pseudocode: function ProduceSample(instrument, notes_playing) for each note in notes_playing if note.isPlaying() # Calculate signal if instrument.FMIndex != 0 # Apply FM FMFrequency = note.frequency*instrument.FMRatio; # FM frequency is factor of note frequency. note.FMPhase …

9 audio  algorithms  modulation 

ทุกครั้งที่ฉันคิดว่าฉันเข้าใจเมทริกซ์ความแปรปรวนร่วมแล้วบางคนก็คิดสูตรที่แตกต่างกัน ฉันกำลังอ่านเอกสารนี้: J. Benesty "อัลกอริธึม Adigenive eigenvalue decomposition สำหรับการแปลแหล่งกำเนิดเสียงแบบพาสซีฟ" , J. Acoust Soc Am เล่มที่107ฉบับที่ 1, หน้า 384-391 (2000) และฉันเจอสูตรที่ฉันไม่ค่อยเข้าใจ ที่นี่ผู้เขียนจะสร้างเมทริกซ์ความแปรปรวนร่วมระหว่างสองสัญญาณและx_2สัญญาณทั้งสองนั้นมาจากเซ็นเซอร์ที่แตกต่างกันx1x1x_1x2x2x_2 สำหรับเมทริกซ์ความแปรปรวนร่วมของสัญญาณเดียวฉันรู้ว่าเราสามารถหาได้โดยการคำนวณเมทริกซ์การถดถอยแล้วคูณมันด้วย Hermitian ของเมทริกซ์เดียวกันนั้นและหารด้วยความยาวของเวกเตอร์ดั้งเดิม ขนาดของเมทริกซ์ความแปรปรวนที่นี่สามารถ arbitrary มีขนาดสูงสุดเป็นNNNNN×NN×NN\times N สำหรับเมทริกซ์ความแปรปรวนร่วมของสัญญาณเชิงพื้นที่สองถ้าเราวางสัญญาณแรกในแถวแรกและสัญญาณที่สองในแถวที่สองของเมทริกซ์จากนั้นคูณด้วย Hermitian และหารด้วยแล้วเราจะได้คูณเมทริกซ์ความแปรปรวนร่วมของสัญญาณเชิงพื้นที่ทั้งคู่NNN2×22×22\times 2 อย่างไรก็ตามในบทความนี้ผู้เขียนคำนวณสิ่งที่มีลักษณะเหมือนสี่ matricies, , และแล้วใส่ลงในเมทริกซ์พิเศษและเรียกมันว่าเมทริกซ์ความแปรปรวนร่วม .R11,R12,R21R11,R12,R21R_1{}_1, R_1{}_2, R_2{}_1R22R22R_2{}_2 ทำไมถึงเป็นเช่นนั้น? นี่คือภาพของข้อความ:

9 covariance 

ฉันมีตัวอย่างสัญญาณที่ Δ t : fฉัน( t i = i Δ t )Δt:fi(ti=iΔt)\Delta t: fi(ti=i\Delta t)โดยที่ i = 0..n-1 ฉันต้องการหาอนุพันธ์อันดับแรกของสัญญาณ: f '(t) ความคิดแรกของฉันคือประเมินโดยความแตกต่างที่สำคัญ: f′(ti)=f(ti+1)−f(ti−1)2Δtf′(ti)=f(ti+1)−f(ti−1)2Δtf'(t_i) =\frac{f(t_{i+1})−f(t_{i−1})}{2\Delta t} อย่างไรก็ตามสัญญาณอาจมีเสียงรบกวนความถี่สูงมากซึ่งอาจทำให้เกิดความผันผวนอย่างรวดเร็วใน f ' ฉันเดาว่าสิ่งที่เหมาะสมอาจทำให้สัญญาณราบรื่นโดยการปรับฟังก์ชั่นหน้าต่างเช่นฮันแล้วหาอนุพันธ์จากความแตกต่าง เพื่อนร่วมงานแนะนำวิธีที่เร็วกว่าในการหาค่าประมาณที่ราบรื่นของอนุพันธ์: ใช้ความแตกต่างที่เป็นศูนย์กลางของตัวอย่าง 2n โดยที่ n >> 1: f′(ti)=f(ti+n)−f(ti−n)2nΔtf′(ti)=f(ti+n)−f(ti−n)2nΔtf'(t_i) =\frac{f(t_{i+n})−f(t_{i−n})}{2n\Delta t} แน่นอนว่าการคำนวณนี้จะเร็วกว่าการสังเกตุด้วยฟังก์ชั่นหน้าต่างเป็นครั้งแรก แต่มันเป็นวิธีแก้ปัญหาที่ดีหรือไม่? หากเราสร้างผลรวม: S=2Δt[f′(ti−n+1)+f′(ti−n+2)+..+f′(ti+n−1)]S=2Δt[f′(ti−n+1)+f′(ti−n+2)+..+f′(ti+n−1)]S=2\Delta t[f'(t_{i-n+1})+f'(t_{i-n+2})+..+f'(t_{i+n-1})] และขยายอนุพันธ์แต่ละอันด้วยความแตกต่างส่วนกลางด้วยขั้นตอน ΔtΔt\Delta t: S=f(ti−n+2)−f(ti−n)+f(ti−n+3)−f(ti−n+2)+..+f(ti+n)−f(ti+n−2)S=f(ti−n+2)−f(ti−n)+f(ti−n+3)−f(ti−n+2)+..+f(ti+n)−f(ti+n−2)S=f(t_{i-n+2})-f(t_{i-n})+f(t_{i-n+3})-f(t_{i-n+2})+..+f(t_{i+n})-f(t_{i+n-2}) เงื่อนไขทั้งหมดยกเว้นการยกเลิกสองรายการ: S=f(ti+n)−f(ti−n)=2nΔtf′(ti)S=f(ti+n)−f(ti−n)=2nΔtf′(ti)S=f(t_{i+n})-f(t_{i-n})=2n\Delta …

9 fourier-transform  smoothing 

กำหนดกระบวนการ WSS ด้วยฟังก์ชั่น Auto Correlation r ( τ) =σ2อี- α | τ|R(τ)=σ2อี-α|τ| r\left ( \tau \right ) = {\sigma}^{2} {e}^{-\alpha \left | \tau \right |} Laplace Transform จะเป็น: R ( s ) = L { r ( τ)) } =- 2 ασ2( s - α ) ( s + α …

9 filters  filter-design  autocorrelation 

ฉันพยายามตรวจจับและจำแนกเสียงที่ไม่ใช่คำพูด ขณะนี้ฉันกำลังใช้สเปคตรัมกำลังเคลื่อนที่ซ้อนทับกันจากเสียงการฝึกอบรมเป็นคุณสมบัติที่ฉันกำลังมองหา เมื่อฉันทำการวิเคราะห์ฉันแค่คำนวณจำนวนสเปคตรัมที่ทับซ้อนกันจำนวนเท่ากันดังนั้นจำนวนของฟีเจอร์จะเท่ากัน ตอนนี้ประสิทธิภาพไม่ดีมากมันสามารถตรวจจับความเงียบและไม่เงียบได้เท่านั้น มีเทคนิคอะไรบ้างสำหรับการตรวจจับสัญญาณประเภทนี้? หนึ่งในข้อกังวลของฉันคือสำหรับเสียงที่มีความยาวต่างกันในโดเมนเวลาจะส่งผลให้ความยาวของเวกเตอร์ของคุณลักษณะต่างกันซึ่งฉันไม่สามารถใช้ตัวจําแนกแบบเดียวกันได้ฉันติดอยู่กับสิ่งนี้

9 audio 

สมมติว่าฉันมีเครื่องหมาย 5 ชุด ฉันกำลังพยายามที่จะหาระยะทางระหว่างญาติแต่ละเครื่องหมายโดยใช้กรอบการเติมความเป็นจริงเช่นARToolkit ในกล้องของฉันให้อาหารเจ้า 20 เฟรมแรกแสดงให้ฉันเห็นถึง 2 เครื่องหมายแรกเท่านั้นดังนั้นฉันสามารถคำนวณการเปลี่ยนแปลงระหว่างเครื่องหมาย 2 อันได้ 20 เฟรมที่สองแสดงให้ฉันเห็นว่าเครื่องหมายที่ 2 และ 3 เท่านั้นเป็นต้น 20 เฟรมสุดท้ายแสดงให้ฉันเห็นว่าเครื่องหมายที่ 5 และที่ 1 ฉันต้องการสร้างแผนที่ 3 มิติของตำแหน่งเครื่องหมายของเครื่องหมายทั้ง 5 ตัว คำถามของฉันคือการรู้ว่าระยะทางไม่ถูกต้องเนื่องจากฟีดวิดีโอคุณภาพต่ำฉันจะลดความคลาดเคลื่อนที่ได้รับจากข้อมูลทั้งหมดที่ฉันรวบรวมได้อย่างไร วิธีการที่ไร้เดียงสาของฉันคือการใช้เครื่องหมายแรกเป็นจุดฐานจาก 20 เฟรมแรกใช้ค่าเฉลี่ยของการแปลงและวางเครื่องหมาย 2 และอื่น ๆ สำหรับอันดับ 3 และ 4 สำหรับเครื่องหมายที่ 5 วางไว้ระหว่าง 4 และ 1 โดยวางไว้กลางค่าเฉลี่ยของการแปลงระหว่างวันที่ 5 และ 1 และ 4 …

9 computer-vision  augmented-reality 

ฉันมีปัญหาที่น่าสนใจที่ฉันพยายามแก้ไข ตัวอย่างเช่นถ้าเรามีภาพขาวดำที่มีพื้นผิวสองแบบ (A และ B) ฉันสนใจที่จะรู้ค่าพิกเซลของขอบเขตที่จะครอบคลุมพื้นผิวแต่ละรายการอย่างสมบูรณ์ ฉันคิดว่าการใช้ความสัมพันธ์ข้ามซึ่งจะทำให้ฉันเป็นกลุ่มของตำแหน่งของแม่แบบ (ตำนาน) ในภาพ แต่มีวิธีการที่จะใช้เพื่อให้ได้ค่าพิกเซลของขอบเขต (ปกติเหล่านี้จะผิดปกติ)? นอกจากนี้ยังมีวิธีอื่นที่ดีกว่าในการทำเช่นนี้? ตัวอย่างในโลกแห่งความเป็นจริงในการตรวจจับภูมิภาคของปริมาณน้ำฝนบนแผนที่แสดงปริมาณน้ำฝนสามระดับในหนึ่งปี แต่ละระดับจะถูกกำหนดพื้นผิวที่มีอยู่ในตำนานซึ่งจะใช้สำหรับการจับคู่พื้นผิวในภาพเดียวกัน

9 image-processing 

Fourier-, Laplace- และ Z-แปรรูปการตอบสนองต่อแรงกระตุ้นของตัวกรองที่เรียกว่าอะไร? ฉันเคยเห็นH( s )H(s)H(s) เรียกว่าฟังก์ชั่นระบบหรือฟังก์ชั่นถ่ายโอนสิ่งที่เกี่ยวกับ H( i ω )H(iω)H(i\omega) และ discretized H( z)H(z)H(z)?

9 filters 

ส่วนหนึ่งของพื้นที่ขนาดใหญ่ของสีเทา (ตั้งแต่สีขาวเป็นสีดำ) จากภาพเป็นอย่างไร (ถ้าคุณรู้สิ่งนี้ใน opencv คุณอาจตอบโดยพูดว่าคุณจะทำอะไรใน opencv) ตัวอย่างเช่นให้ภาพนี้: คุณเห็นว่านี่เป็นพื้นที่สีเทาขนาดใหญ่และเห็นได้อย่างชัดเจนจากส่วนที่เหลือ คุณจะแบ่งส่วนนี้ได้อย่างไรหากพื้นที่นี้มีเฉดสีเทาและต้องทำงานแบบเรียลไทม์ ขอบคุณล่วงหน้า

9 image-processing  computer-vision 

ฉันใช้ทั้งสหสัมพันธ์และการเชื่อมโยงกันเป็นมาตรการของความสัมพันธ์ระหว่างสัญญาณ ฉันคิดว่าวิธีความถี่เวลาจะให้สิ่งที่ดีที่สุดในโลกนี้ คำถามของฉันคือว่าข้อมูลพิเศษนี้เพิ่มเพียงพอต่อภาพรวมของสัญญาณเพื่อปรับค่าใช้จ่ายในการคำนวณที่เกี่ยวข้องกับการแปลงเวฟเล็ตให้เป็นส่วนหนึ่งของการคำนวณหรือไม่? การอ้างอิง: บทความArXiv : "เทคนิคข้ามความสัมพันธ์ในโดเมนเวฟเล็ตสำหรับการตรวจจับคลื่นความโน้มถ่วงสุ่ม" โดย S.Klimenko, G.Mitselmakher, A.Sazonov

9 coherence  correlation  wavelet