คำถามติดแท็ก peak-detection

อะไรคืออัลกอริธึมการตรวจจับสูงสุดที่มีอยู่? ฉันมีข้อมูลที่มีเสียงดังและฉันต้องการที่จะใช้การตรวจจับสูงสุดสำหรับข้อมูลนี้ ข้อมูลกลับด้านจริง ๆ แล้วฉันพยายามหาจุดล่าง นี่คือภาพรวมของข้อมูลใน Excel ฉันชอบที่จะตรวจสอบพื้นทั้งสอง ฉันคิดถึงการส่งข้อมูลผ่านตัวกรอง low-pass และจากนั้นทำค่าเฉลี่ยเคลื่อนที่ซึ่งฉันกำหนดยอดเขาและภายในค่าเฉลี่ยเคลื่อนที่ฉันทำการค้นหาอีกครั้ง ฉันมีพื้นหลังเป็นศูนย์ DSP; นี่เป็นเพียงแนวทางสามัญสำนึก ฉันต้องการได้ยินสิ่งที่ผู้เชี่ยวชาญแนะนำ

24 filters  peak-detection 

โปรดสมมติว่าต่อไปนี้: ความถี่พื้นฐานของสัญญาณได้รับการประมาณโดยใช้ FFT และวิธีการประมาณความถี่บางอย่างและอยู่ระหว่างศูนย์ bin สองแห่ง ความถี่ในการสุ่มตัวอย่างได้รับการแก้ไข ความพยายามในการคำนวณไม่ใช่ปัญหา เมื่อทราบความถี่แล้ววิธีใดที่แม่นยำที่สุดในการประเมินค่าสูงสุดของสัญญาณขั้นพื้นฐาน วิธีหนึ่งอาจเป็นสัญญาณแผ่นเวลาเป็นศูนย์เพื่อเพิ่มความละเอียด FFT เช่นที่ศูนย์ช่องเก็บจะอยู่ใกล้กับความถี่โดยประมาณ ในสถานการณ์นี้จุดหนึ่งที่ฉันไม่แน่ใจเกี่ยวกับคือถ้าฉันสามารถเป็นศูนย์ได้มากเท่าที่ฉันต้องการหรือหากมีข้อบกพร่องบางอย่างในการทำเช่นนั้น อีกอันหนึ่งคือศูนย์ bin ที่ฉันควรเลือกหลังจากการเติมศูนย์เป็นศูนย์ที่ฉันได้รับค่าสูงสุดจาก (เพราะอาจไม่มีความถี่ของดอกเบี้ยที่น่าสนใจแม้แต่หลังจากการเติมเต็มศูนย์) อย่างไรก็ตามฉันยังสงสัยว่ามีวิธีอื่นที่อาจให้ผลลัพธ์ที่ดีกว่าได้หรือไม่ผู้ประเมินที่ใช้ค่าสูงสุดของศูนย์ bin สองแห่งรอบข้างเพื่อประเมินมูลค่าสูงสุดตามความถี่ที่น่าสนใจ

12 fft  discrete-signals  signal-analysis  estimation  peak-detection 

ฉันกำลังทำงานในโครงการที่มีการฉายบริเวณขอบภาพกับเรื่องและถ่ายภาพ ภารกิจคือการหาเส้นกลางของขอบซึ่งเป็นตัวแทนทางคณิตศาสตร์, เส้นโค้ง 3 มิติของการแยกระหว่างระนาบขอบและพื้นผิวของเรื่อง ภาพถ่ายเป็น PNG (RGB) และความพยายามในอดีตเคยใช้การไล่ระดับสีเทาจากนั้นจึงปรับความแตกต่างของภาพเพื่อให้ได้ภาพถ่ายขาวดำที่มีลักษณะคล้ายม้าลายซึ่งง่ายต่อการค้นหาจุดกึ่งกลางของแต่ละพิกเซลของแต่ละขอบ ปัญหาคือโดยการกำหนดค่าใหม่และด้วยการใช้ความสูงเฉลี่ยของคอลัมน์พิกเซลแยกเรามีการสูญเสียและความแม่นยำเชิงปริมาณบางอย่างซึ่งไม่ต้องการเลย ความประทับใจของฉันจากการดูภาพคือเส้นกลางอาจต่อเนื่องได้มากกว่า (มีจุดมากขึ้น) และนุ่มนวลขึ้น (ไม่นับจำนวน) หากตรวจพบได้โดยตรงจากภาพที่ไม่ผ่านเกณฑ์ (เช่น RGB หรือโทนสีเทา) โดยวิธีการทางสถิติ (น้ำท่วม / วนซ้ำวนซ้ำอะไรก็ตาม) ด้านล่างเป็นภาพตัวอย่างจริง: ข้อเสนอแนะใด ๆ ที่จะได้รับการชื่นชมมาก!

12 image-processing  peak-detection  image-segmentation 

พิจารณากรณีง่าย ๆ ที่สัญญาณสองตัวจากเซ็นเซอร์ที่แตกต่างกันสองตัวมีความสัมพันธ์ข้ามกันและการหน่วงเวลาของการมาถึงคำนวณจาก absissa ของจุดสูงสุดของฟังก์ชั่นความสัมพันธ์ข้าม ตอนนี้ให้เราสมมติต่อไปว่าเนื่องจากข้อ จำกัด ด้านมิติของทั้งเสาอากาศและข้อ จำกัด ของอัตราการสุ่มตัวอย่างสูงสุดที่เป็นไปได้การหน่วงเวลาที่สามารถบรรลุได้สูงสุดคือซึ่งสอดคล้องกับ 10 ตัวอย่างDDD ปัญหา: เนื่องจากข้อ จำกัด เหล่านั้นล่าช้าคำนวณของคุณอาจแตกต่างกันไปจากจำนวนเต็มค่าระหว่าง 0 ถึง 10 ตัวอย่างที่:10 นี่เป็นปัญหาเนื่องจากสิ่งที่ฉันต้องการจริง ๆ คือการเลือกปฏิบัติความล่าช้าเล็กน้อยระหว่างสัญญาณทั้งสองที่ส่งผลต่อเสาอากาศของฉันและการเปลี่ยนขนาดหรืออัตราการสุ่มตัวอย่างไม่ใช่ตัวเลือก0≤D≤100≤D≤100 \le D \le 10 ความคิดบางอย่าง: สิ่งแรกที่ฉันคิดในกรณีนี้คือการอัปเกรดสัญญาณก่อนที่จะทำการเชื่อมโยงข้ามกัน อย่างไรก็ตามฉันคิดว่านี่เป็น 'การโกง' อย่างใดเพราะฉันไม่ได้เพิ่มข้อมูลใหม่ใด ๆ ลงในระบบ ฉันไม่เข้าใจว่าการยกตัวอย่างไม่ได้เป็น 'การโกง' ในแง่หนึ่ง ใช่เรากำลังสร้างสัญญาณของเราใหม่โดยใช้ข้อมูลความถี่ที่สังเกตได้ในปัจจุบัน แต่สิ่งนี้ให้ความรู้หนึ่งที่สัญญาณเริ่มต้นอย่างแท้จริงระหว่างพูดและอย่างไร ข้อมูลนี้มีอยู่ที่ไหนในสัญญาณดั้งเดิมที่พิจารณาว่าการเริ่มต้นสัญญาณล่าช้าแบบเศษส่วนจริง ๆ นั้นอยู่ที่ ?D = 8 D = 7.751D=7D=7D=7D=8D=8D=8D=7.751D=7.751D=7.751 คำถาม): นี่คือ …

12 filters  cross-correlation  peak-detection 

ฉันพยายามใช้เกมร้องเพลงที่จะวิเคราะห์อินพุตไมโครโฟนดิบและบอกผู้เล่นว่าเขาร้องเพลงดีแค่ไหน ที่ต้องทำในเวลาจริง ฉันได้เจอหัวข้อมากมายที่ถามคำถามเดียวกัน แต่ฉันก็ยังไม่ได้ทำเพราะอาจขาดประสบการณ์และความรู้พื้นฐานทางคณิตศาสตร์ ฉันใช้อัลกอริทึมตามบทความของ pitch shift ของเว็บไซต์ DSPDimension: http://www.dspdimension.com/admin/pitch-shifting-using-the-ft/ ฉันแยกความถี่และขนาดที่แท้จริงเหมือนกับที่อธิบายในบทความ แต่ฉันไม่รู้ว่าพบความถี่พื้นฐานด้วยสิ่งนี้ ฉันพยายามที่จะรับถังที่มีขนาดใหญ่ที่สุด แต่ให้ผลลัพธ์ที่ถูกต้องสำหรับสัญญาณพิทช์ที่สูงขึ้นมันไม่สำคัญว่าปัจจัยการสุ่มตัวอย่างใดที่ฉันใช้ฉันยังคงได้รับข้อมูลที่ไม่ดีสำหรับสัญญาณความถี่ต่ำ วิธีนี้ผิดหรือฉันอยู่ในเส้นทางที่ถูกต้อง แต่เพิ่งพลาดบางอย่าง ขอบคุณล่วงหน้า, แก้ไข: ฉันลืมที่จะพูดถึงว่าฉันเพียง แต่สนใจในระดับสนามดังนั้นมันก็โอเคถ้าพื้นฐานหายไป แต่ฉันมีเสียงที่ดังมากในตัวอย่าง EDIT2: ขอบคุณทุกคนฉันเพิ่งทำอัลกอริทึมรุ่นที่ใช้งานได้อย่างมีเสน่ห์ ปัญหาการประมาณระดับเสียงต่ำเกิดจากการทดสอบอินพุตของฉัน เมื่อฉันร้องโน้ตมันตรงกันอย่างถูกต้อง นอกจากนี้ฉันกำลังพิจารณาฮาร์มอนิกทั้งหมดตอนนี้ไม่ใช่แค่ยอดเขาสูงสุด

11 fourier-transform  pitch  peak-detection  stft  singing 

สมมติว่าเรามีสัญญาณเสียงสองตัวคือ x (t) และ y (t) ที่ได้รับผลกระทบจากเสียงดังที่แสดงด้านล่าง และเราต้องการเชื่อมโยงสัญญาณทั้งสองนี้และพล็อตสหสัมพันธ์แสดงดังด้านล่าง ในพล็อตสหสัมพันธ์นี้มีค่าสูงสุดประมาณ -11 msec ฉันพยายามเข้าใจว่าเราตีความจุดสูงสุดนี้ในพล็อตนี้ได้อย่างไร มันหมายความว่าอะไร? โปรดอธิบายฉันด้วยว่าเราได้อะไรจากการแปลงฟูริเยร์ของฟังก์ชันสหสัมพันธ์ ขอบคุณล่วงหน้า!

10 fft  fourier-transform  noise  correlation  peak-detection 

ฉันมี nnn ตัวอย่างที่ไม่ต่อเนื่องของสัญญาณคลื่นไหวสะเทือน Y[ n ]y[n]y[n]: ฉันต้องการค้นหา maxima ท้องถิ่นในสัญญาณ การทดสอบที่ไร้เดียงสาสำหรับถ้า Y[ n ]y[n]y[n] สูงสุดคือ: Y[ n ] : m a x i m a ถ้า y[ n ] > y[ n - 1 ] และ y[ n ] > y[ n + 1 ]y[n]:maxima if y[n]>y[n−1] and y[n]>y[n+1]y[n]: maxima \textbf{ …

10 smoothing  interpolation  peak-detection 

ฉันมีสัญญาณที่ฉันสุ่มตัวอย่างที่ 500khz ฉันพยายามที่จะตรวจจับการเพิ่มขึ้นลดลงและจุดสูงสุดในข้อมูลที่เข้ามา ฐานของจุดสูงสุดอาจเป็น 250 usec หรือ 2.5msec, แอมพลิจูดอาจ 6db หรือ 15db เหนือพื้นเสียง ฉันไม่ได้มี snr ดีโชคไม่ดี ระดับ dc ของสัญญาณไม่คงที่ แต่เคลื่อนที่ช้ากว่าส่วนประกอบ ac มาก ณ จุดตัดสินใจฉันจำเป็นต้องรู้ถึงความชันของการขึ้นลง นี่เป็นระบบเรียลไทม์ที่ยากลำบากและฉันจำเป็นต้องตัดสินใจจริง ๆ ใน 100usec หลังจากความชันลดลงถึงระดับ dc ฉันกำลังมองหาคำแนะนำว่าฉันจะใช้อัลกอริทึมที่มีประสิทธิภาพได้อย่างไร ขณะนี้ฉันกำลังทำงานเฉลี่ย (25 จุดข้อมูลที่ผ่านมารวมกัน) และพยายามตรวจสอบแนวโน้ม เมื่อฉันตรวจสอบแนวโน้มขึ้นฉันเริ่มมองหาแนวโน้มลงและเมื่อฉันทำฉันจะรวบรวมอีก 50 ตัวอย่างและเริ่มคำนวณ เสียงรบกวนในขณะนี้ได้อย่างง่ายดายขันอัลกอริทึมนี้ดังนั้นคำถาม อัปเดต เพื่อประโยชน์ของผู้อื่นฉันได้ลงมือใช้ Moving Average แล้วตามด้วย integrator ค่าเฉลี่ยเคลื่อนที่ของข้อมูล 64 ที่ผ่านมานั้นราบเรียบพอเสียไป แต่เพิ่มขึ้นเป็นระดับรวม 8 …

9 peak-detection 

ฉันมีสัญญาณคลื่นไหวสะเทือน y (i): ที่นี่ฉันได้พบหนึ่งสูงสุด: i = 152.54, y = 222.29 ด้วยตนเองและลงจุดด้วยสีแดง ฉันต้องการค้นหา maxima ทั้งหมดโดยอัตโนมัติ ฉันอ่านว่าตัวกรอง Savitzky Golay (SGF) สามารถใช้ในการหาค่าประมาณที่ราบรื่นของสัญญาณและอนุพันธ์ของมันและข้อดีอย่างหนึ่งของ SGF ก็คือมันสามารถรักษา minima และ maxima ได้ดีกว่าตัวกรองอื่น ๆ มันฟังดูดีสำหรับการใช้งานของฉัน ฉันพบสคริปต์ Matlab ที่สร้างค่าสัมประสิทธิ์ SGF และใช้สิ่งนี้เพื่อหาว่าค่าสัมประสิทธิ์ SGF ลำดับที่ 4 สำหรับอนุพันธ์ ฉันเขียนสคริปต์ Matlab ตัวเล็ก ๆ ค้นหาอนุพันธ์ของสัญญาณโดยการสังสัยสัญญาณด้วยสัมประสิทธิ์ SGF ลำดับที่ 4 สำหรับอนุพันธ์ ค้นหาคู่ของตัวอย่าง (i, i + 1) …

9 smoothing  interpolation  peak-detection 

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

9 peak-detection