คำถามติดแท็ก discrete-signals

ฉันพยายามเข้าใจความแตกต่างระหว่างการโน้มน้าวใจกับความสัมพันธ์ข้าม ฉันได้อ่านเข้าใจนี้คำตอบ ฉันเข้าใจภาพด้านล่าง แต่ในแง่ของการประมวลผลสัญญาณ (ฟิลด์ที่ฉันรู้เพียงเล็กน้อยเกี่ยวกับ .. ), ให้สัญญาณสองสัญญาณ (หรืออาจเป็นสัญญาณและตัวกรอง?), เมื่อใดที่เราจะใช้สังวัตนาและเมื่อใดที่เราต้องการใช้สหสัมพันธ์ข้าม หมายความว่าเมื่อในการวิเคราะห์ชีวิตจริงเราจะชอบการโน้มน้าวใจและเมื่อใดความสัมพันธ์ข้าม ดูเหมือนว่าทั้งสองคำนี้มีการใช้งานจำนวนมากดังนั้นการใช้งานนั้นคืออะไร * ความสัมพันธ์ข้ามที่นี่ควรอ่านg*fแทนf*g

33 discrete-signals  continuous-signals  signal-detection 

เมื่อมีการออกแบบตัวกรองดิจิตอลขึ้นอยู่กับตัวกรองอนาล็อกที่เรามักจะใช้bilinear เปลี่ยน เพื่อประมาณฟังก์ชั่นการถ่ายโอนแบบไม่ต่อเนื่องจากฟังก์ชันการถ่ายโอนแบบอะนาล็อก (ต่อเนื่อง) A ( s ) ที่เราแทนที่Da(z)Da(z)D_a(z)A(s)A(s)A(s) z=1+sT/21−sT/2z=1+sT/21−sT/2z = \frac{1+sT/2}{1-sT/2} โดยที่คือระยะเวลาการสุ่มตัวอย่าง อีกทางเลือกหนึ่งที่ใกล้เคียงกับฟังก์ชั่นการถ่ายโอนอย่างต่อเนื่อง( s )จากที่ไม่ต่อเนื่องฟังก์ชันถ่ายโอนD ( Z )เราแทนTTTAa(s)Aa(s)A_a(s)D(z)D(z)D(z) s=2Tz−1z+1s=2Tz−1z+1s = \frac{2}{T} \frac{z-1}{z+1} มีวิธีอื่นในการดำเนินการแปลงดังกล่าวหรือไม่ มีการประมาณที่ดีขึ้นหรือไม่

26 continuous-signals  discrete-signals  transfer-function 

ฉันได้อ่านบทความมากมายเกี่ยวกับ DTFT และ DFT แต่ฉันไม่สามารถแยกแยะความแตกต่างระหว่างทั้งสองยกเว้นสิ่งที่มองเห็นได้สองสามอย่างเช่น DTFT ไปจนถึงอินฟินิตี้ในขณะที่ DFT เป็นเพียงจนถึง N-1 ใครช่วยอธิบายความแตกต่างได้บ้างและควรใช้อะไรเมื่อไหร่? Wiki พูดว่า DFT นั้นแตกต่างจากการแปลงฟูริเยร์แบบไม่ต่อเนื่อง (DTFT) ซึ่งลำดับของอินพุตและเอาต์พุตนั้นมี จำกัด ดังนั้นจึงกล่าวได้ว่าเป็นการวิเคราะห์ฟูริเยร์ของฟังก์ชัน จำกัด ขอบเขต (หรือคาบ) ฟังก์ชันไม่ต่อเนื่อง มันเป็นความแตกต่างเท่านั้น? แก้ไข: นี้บทความอย่างอธิบายความแตกต่าง

22 discrete-signals  fourier-transform 

ฉันกำลังพยายามใช้ตัวกรอง IIR อันดับที่ 8 และบันทึกย่อของแอปพลิเคชันและหนังสือทุกเล่มที่ฉันได้อ่านบอกว่ามันเป็นการดีที่สุดที่จะใช้ตัวกรองลำดับที่สองมากกว่านั้นเป็นส่วนที่สอง ฉันใช้tf2sosMATLAB เพื่อรับค่าสัมประสิทธิ์สำหรับส่วนที่สองซึ่งทำให้ฉันมีค่า 6x4 coeffs สำหรับส่วนของคำสั่งที่สอง 4 ตามที่คาดไว้ ก่อนการใช้งานเป็น SOS ตัวกรองลำดับที่ 8 จำเป็นต้องเก็บค่าตัวอย่าง 7 ค่าก่อนหน้า (และค่าเอาต์พุตด้วย) ตอนนี้เมื่อดำเนินการตามลำดับส่วนที่สองโฟลว์ทำงานอย่างไรจากอินพุตไปยังเอาต์พุตฉันต้องเก็บค่าตัวอย่างก่อนหน้านี้เพียง 2 ค่าหรือไม่ หรือผลลัพธ์ของตัวกรองตัวแรกป้อนเช่นเดียวx_inกับตัวกรองที่สองและอื่น ๆ ?

20 filters  filter-design  infinite-impulse-response  biquad  audio  image-processing  distance-metrics  algorithms  interpolation  audio  hardware  performance  sampling  computer-vision  dsp-core  music  frequency-spectrum  matlab  power-spectral-density  filter-design  ica  source-separation  fourier-transform  fourier-transform  sampling  bandpass  audio  algorithms  edge-detection  filters  computer-vision  stereo-vision  filters  finite-impulse-response  infinite-impulse-response  image-processing  blur  impulse-response  state-space  linear-systems  dft  floating-point  software-implementation  oscillator  matched-filter  digital-communications  digital-communications  deconvolution  continuous-signals  discrete-signals  transfer-function  image-processing  computer-vision  3d 

ตัวกรองค่าเฉลี่ยเรียกว่าเป็นตัวกรองแบบเชิงเส้นและตัวกรองแบบมัธยฐานเรียกว่าเป็นตัวกรองแบบไม่เชิงเส้นได้อย่างไร ฉันเข้าใจว่าตัวกรองค่าเฉลี่ยและค่ามัธยฐานทำงานอย่างไร แต่ฉันไม่สามารถเกี่ยวข้องกับคำเชิงเส้นและไม่เชิงเส้นได้ โปรดอธิบายฉันด้วยตัวอย่าง

18 image-processing  filters  discrete-signals  signal-analysis  filtering 

มีคำจำกัดความทางเทคนิคที่ดีในตำราและวิกิพีเดีย แต่ฉันมีเวลายากที่จะเข้าใจว่าอะไรคือความแตกต่างของสัญญาณนิ่งและไม่หยุดนิ่งในทางปฏิบัติ? สัญญาณใดที่ไม่ต่อเนื่องต่อไปนี้หยุดนิ่ง ทำไม?: เสียงสีขาว - ใช่ (ตามข้อมูลที่เป็นไปได้ทั้งหมดที่พบ) เสียงรบกวนแบบสี - ใช่ (ตาม เสียงสี: เครื่องเขียนหรือไม่เคลื่อนที่ ) เจี๊ยบ (ไซนัสเปลี่ยนความถี่) -? ไซนัส - ผลรวมของไซนัสหลายช่วงเวลาและช่วงกว้างที่แตกต่างกัน - คลื่นไฟฟ้าหัวใจ EEG PPT และที่คล้ายกัน -? เอาท์พุทระบบวุ่นวาย (แม็กกี้แก้วแผนที่โลจิสติก) -? บันทึกอุณหภูมิภายนอก -? บันทึกการพัฒนาคู่สกุลเงินตลาด forex -? ขอขอบคุณ.

17 discrete-signals  stationary 

ฉันกำลังอ่านบิตและชิ้นส่วนออนไลน์ แต่ฉันไม่สามารถรวมมันเข้าด้วยกันได้ ฉันมีความรู้พื้นฐานเกี่ยวกับสัญญาณ / สิ่ง DSP ซึ่งน่าจะเพียงพอสำหรับสิ่งนี้ ในที่สุดฉันสนใจที่จะเขียนอัลกอริทึมนี้ใน Java แต่ฉันยังไม่เข้าใจมันอย่างสมบูรณ์ซึ่งเป็นสาเหตุที่ฉันมาที่นี่ (นับเป็นคณิตศาสตร์ใช่ไหม) นี่คือวิธีที่ฉันคิดว่ามันทำงานร่วมกับช่องว่างในความรู้ของฉัน เริ่มต้นด้วยตัวอย่างเสียงพูดของคุณพูดไฟล์. WAV ที่คุณสามารถอ่านเป็นอาร์เรย์ได้ เรียกอาร์เรย์นี้ว่าโดยที่nมีช่วงตั้งแต่0 , 1 , … , N - 1 ( ตัวอย่างNดังนั้น) ค่าที่สอดคล้องกับความเข้มของเสียงที่ฉันเดา - แอมพลิจูดx[n]x[n]x[n]nnn0,1,…,N−10,1,…,N−10, 1, \ldots ,N-1NNN แยกสัญญาณเสียงออกเป็น "เฟรม" ที่แตกต่างกัน 10ms หรือมากกว่านั้นเมื่อคุณถือว่าสัญญาณเสียงพูดคือ "นิ่ง" นี่คือรูปแบบของการหาปริมาณ ดังนั้นหากอัตราตัวอย่างของคุณเป็น 44.1KHz, 10ms เท่ากับ 441 ตัวอย่างหรือค่าของ ]x[n]x[n]x[n] ทำการแปลงฟูริเยร์ (FFT เพื่อประโยชน์ในการคำนวณ) ทีนี้ทำสิ่งนี้กับสัญญาณทั้งหมดหรือในแต่ละเฟรมที่แยกกันของ …

17 discrete-signals  signal-analysis  mfcc 

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 

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 

เวฟเล็ตดูเหมือนจะมีประโยชน์มากสำหรับการประมวลผลภาพ สมมติว่าฉันเพิ่งจะศึกษาสัญญาณของเวลาเช่นสัญญาณ 1D ฉันควรจะเรียนในการวิเคราะห์เวฟเล็ตหรือไม่? สามารถใช้กับสัญญาณ 1D ได้หรือไม่?

16 discrete-signals 

ฉันพยายามทำความเข้าใจเกี่ยวกับความสัมพันธ์ระหว่างตัวกรอง FIR ที่ออกแบบมาจาก "หลักการแรก" โดยใช้เคอร์เนลตัวกรองที่มีการโน้มน้าวและตัวกรองที่ออกแบบในหนึ่งในสองวิธีที่ใช้ FFT (ดูด้านล่าง) เท่าที่ฉันเข้าใจการตอบสนองแรงกระตุ้นของตัวกรอง FIR เป็นสิ่งเดียวกับเคอร์เนล convolution ของตัวกรอง (ช่วยแก้ให้ด้วยนะถ้าฉันผิด.) นอกจากนี้ในความเข้าใจของฉันความถี่องค์ประกอบ (เช่นการแปลงฟูริเยร์) ของการตอบสนองแรงกระตุ้นของตัวกรอง FIR นั้นเป็นสิ่งเดียวกับการตอบสนองความถี่ของตัวกรอง และดังนั้นการแปลงฟูริเยร์แบบผกผันจะให้การตอบสนองแบบอิมพัลส์แก่ฉันอีกครั้ง (แก้ไขอีกครั้งถ้าฉันผิด) สิ่งนี้ทำให้ฉันได้ข้อสรุปสองข้อ (ไม่สนใจการตอบสนองของเฟสหรือสมมติว่าตอบสนองเฟสเชิงเส้น): ฉันควรจะสามารถออกแบบตัวกรอง FIR ของการตอบสนองความถี่ตามอำเภอใจโดย "วาด" การตอบสนองความถี่ที่ฉันต้องการใช้ IFFT เพื่อรับการตอบสนองต่อแรงกระตุ้นและใช้สิ่งนั้นเป็นเคอร์เนล convolution ของฉัน อีกทางหนึ่งฉันควรจะสามารถสร้างตัวกรองโดยการใช้ FFT ของสัญญาณอินพุทคูณด้วยการตอบสนองความถี่โดยพลการที่ฉันต้องการในโดเมนความถี่และรับ IFFT ของผลลัพธ์เพื่อสร้างสัญญาณเอาต์พุต โดยสังหรณ์ใจมันให้ความรู้สึกเหมือน 1 & 2 เทียบเท่า แต่ฉันไม่แน่ใจว่าฉันจะพิสูจน์ได้ไหม ดูเหมือนว่าผู้คน (และวรรณกรรม DSP) มีความยาวมากในการออกแบบเมล็ด FIR พร้อมคำตอบที่กำหนดไว้ล่วงหน้าโดยใช้อัลกอริทึม (สำหรับฉัน) ที่ซับซ้อนเช่น …

15 fft  filters  discrete-signals  convolution 

ฉันกำลังทำงานในสาขาการฟื้นฟูภาพดิจิทัล ฉันได้อ่านทุกสิ่งเกี่ยวกับการโน้มน้าวใจแล้วว่าสำหรับระบบLTIถ้าเรารู้ว่าการตอบสนองต่อแรงกระตุ้นนั้นเราสามารถหาผลลัพธ์ได้โดยใช้การโต้ตอบระหว่างอินพุตกับการตอบสนองแบบอิมพัลส์ ใครสามารถบอกฉันได้ว่าอะไรคือปรัชญาทางคณิตศาสตร์หลักที่อยู่เบื้องหลัง ประสบการณ์ของคุณจะบอกกับฉันมากกว่าเพียงแค่ท่องอินเทอร์เน็ตเกี่ยวกับเรื่องนี้

15 image-processing  discrete-signals  convolution 

ฉันพยายามคำนวณความดังของแทร็กเสียงที่ฉันเก็บไว้ในบัฟเฟอร์ บัฟเฟอร์ประกอบด้วยข้อมูล PCM ของสัญญาณและฉันต้องการทราบว่า 'ดัง' โดยใช้ Root Mean Squared ฉันคิดว่าฉันสามารถทำได้ในโดเมนเวลาแทนที่จะต้องเปลี่ยนไปใช้โดเมนความถี่ รหัสหลอกสำหรับการทำสิ่งนี้จะเป็นอย่างไร ฉันจะเพียงแค่ตัวอย่างหนึ่งวินาที (เสียง [0] - เสียง [44099], เสียง [44099] - เสียง [88199] ฯลฯ .. ) และคำนวณ RMS ของค่าเหล่านั้นหรือไม่ ตัวอย่างเช่นฉันจะทำสิ่งนี้: อาร์เอ็มS= audio [ 0 ]2+ เสียง[ 1 ]2+ เสียง[ 2 ]2. . . . . เสียง[ 44099 ]244100-----------------------------------------√RMS=เสียง[0]2+เสียง[1]2+เสียง[2]2.....เสียง[44099]244100RMS = \sqrt{\frac{\text{audio}[0]^2 + …

15 audio  discrete-signals 

เป็นที่ทราบกันดีว่าการแปลงรูปแบบไบลิแนร์เป็นที่รู้จักกันในชื่อวิธีการของ Tustin เท่าที่ผมรู้ว่าอาร์โนล Tustinจริงๆไม่แนะนำความคิดลงไปในวรรณคดีระบบควบคุมเพื่อชื่อไม่ได้เป็นเพียงกรณีของกฎหมายของ Stigler ตัวอย่างเช่นฉันจัดการเพื่อค้นหาข้อมูลอ้างอิงต่อไปนี้: Tustin ในสหราชอาณาจักรพัฒนาการเปลี่ยนแปลงแบบไบนิอาร์สำหรับแบบจำลองอนุกรมเวลาในขณะที่ Oldenbourg และ Sartorius ยังใช้สมการความแตกต่างเพื่อสร้างแบบจำลองระบบดังกล่าว [ 1 ][1][1] อะไรคือสิ่งที่ไม่ชัดเจนเป็นครั้งแรกที่เขานำความคิด - แม้ในขณะที่เรียกดูชื่อเรื่องของสิ่งพิมพ์ของเขา ฉันคาดเดาว่ามันจะกลายเป็นที่รู้จักเพียงแค่การแปลง bilinear ในภายหลังดังนั้นเขาอาจไม่ได้ใช้คำศัพท์นั้น ฉันต้องการอ่านคำอธิบายของเทคนิค ไม่มีใครรู้ว่าเขาตีพิมพ์ครั้งแรกที่ไหน? Bissel, CC ประวัติความเป็นมาของการควบคุมอัตโนมัติ ลิงค์

14 discrete-signals  reference-request  signals-history 

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