信号処理

私は、大部分は機能する802.11aの復調に取り組んでいますが、断続的なエラーを引き起こすバグがあります。特性評価はまだ完了していませんが、イコライザーブロックに問題があるようです。 802.11aはOFDM信号であり、各OFDMシンボルには64のサブチャネルがあります。それらのサブチャネルのうちの4つは、サブチャネル7、21、-7、および-21でのパイロット（既知のデータ）です。パイロットを使用して、残りのキャリアオフセット（パイロットでは一定の位相オフセットとして表示されます）とタイミングオフセット（ライナーオフセットとして表示されます）を修正します。つまり、位相オフセットはビン0で0であり、ビン0）。 単純な平均化を行ってキャリアオフセット位相を検出し、平均化の前にいくつかの簡単な操作を行って時間位相オフセットを検出します（たとえば、チャネル-21を-1で乗算、チャネル-7を-3で乗算、チャネル7を3で乗算）。不必要な詳細は意図的に省いていますが、これが私がやっていることの要点になれば幸いです。 私の問題は、角度が円形であるため、特定の値に対して、平均化が壊滅的な方法で誤動作する可能性があることです。たとえば、平均化および想像してみてください。答えがまたはであることをグラフィカルに表示するのは簡単ですが、標準の平均化式では0という答えが得られます。これは文字通り正しい答えの反対です。−45π−45π-\frac{4}{5}\pi45π45π\frac{4}{5}\pi−π−π-\piππ\pi 角度を平均化する適切な方法は何ですか？ 編集：私がやろうとしていることを少し明確にしてみます。FFTの出力で異なる形で現れる2つの「エラー状態」があります。1つはキャリアオフセットで、一定の位相オフセットとして現れます。 この場合、Johnが示唆したように、角度ではなくデカルトパイロット値を平均化することは良い考えです。ありがとうございました。 2番目のエラー条件はタイミングオフセットで、線形位相オフセットとして現れます。時間オフセットが大きいほど、位相オフセットの傾きが大きくなります。レシーバーが前方または後方にあるかどうかに応じて、勾配が負になることもあります。 これは厳密に線形（原点がゼロを通過する）なので、理論的には1つのパイロットからのみ勾配を計算できます。最初にキャリアオフセット位相オフセット（つまり、エラー条件＃1）を計算し、それを差し引いてから、4つのうちのいずれかを使用して勾配を計算します。それは完全に平均化を回避します。問題は、ノイズによってこれらの値が急激に変動する可能性があることです。そのため、4つすべてを使用する場合、つまり平均化すると、私の見積もりははるかに良くなります。 うまくいけば、上の画像から、パイロット値をそのままで平均化することはできないことがわかります。一定の+ノイズになるように変更する必要があります。これを行うには、-21パイロットの角度に-1、-7パイロットに-3、7パイロットに3、21パイロットに1を掛けます。これにより、21パイロットと同等になり、平均化できます。 直交座標系で「3」のような定数をベクトルの角度に掛ける良い方法がわからないので、極座標に変換し、角度に-1を掛ける必要があるように見えます-3、3、1はそれぞれデカルト座標に変換し、パイロットを平均化してから、極座標に変換して位相オフセットを取得します。これは実行可能ですが、可能であれば、より扱いにくいソリューションを見つけたいと思います。

7 demodulation  polar 

カルマン推定に関連して、状態空間モデルを操作しました。ここで、時間の経過とともに状態サイズが固定された状態空間モデルを見てきました。つまり、状態遷移行列は正方です。たとえば、次のように定義してみましょう： 次に、はです。バツt + 1=あtバツt+Btあなたtyt=Ctバツt+Dtvtxt+1=Atxt+Btutyt=Ctxt+Dtvtx_{t+1} = A_t x_t + B_t u_t\\ y_t = C_t x_t + D_t v_tあtAtA_tn × nn×nn \times n 私は容易時間における変化の大きさに状態可能性が想定可能にすることによって、サイズであることが。これは一般に状態空間モデルで「許可」されますか？そして、この伴うが、状態推定するカルマン・フィルタを適用するに問題ありませんするためにポイント「を越え、」？t変化するtchanget_\text{change}あt変化するAtchangeA_{t_\text{change}}m × nm×nm \times nm ≠ nm≠nm\neq nバツtxtx_ttttt変化するtchanget_\text{change}

7 kalman-filters  state-space 

センサーフュージョンアルゴリズムは、加速度計、ジャイロスコープ、磁力計からの読み取り値を組み合わせることにより、デバイスのより正確な3D方向（場合によっては位置？）を提供できます。 誰かがこれの背後にある詳細を説明したり、リンクを提供したりできますか？数学と物理学を理解したいのですが、生の9-DOFセンサーデータがあれば、センサーフュージョンを実装できるかもしれません。線形代数、微積分などの十分な背景があると仮定します。 乾杯！

7 filters  algorithms 

ウェーブレット変換とウェーブレット分解の違いについて混乱しています。例えば load woman [cA1,cH1,cV1,cD1] = dwt2(X,'db1'); [c,s] = wavedec2(X,2,'db1'); これらの2つのmatlabコマンドの違いは何ですか？また、いつどちらを実行したいですか？

7 wavelet 

私は画像処理の初心者で、足を濡らそうとしています。ジグソーパズルのピースの写真を撮りました。ピースを分離したいと思います。 私はこれを行うにはPython SimpleCVライブラリを使用していて、これまでのところ、私は使用してはかなりまともな結果を得ることができたfindBlobs()、hueDistance()とdrawMinRect()。これが私がこれまでに得たものです 正直、かなり良い。それが間違っている唯一の場所は、これらの2つのピースが中心の少し右に触れていることです。 画像を拡張してみましたが、問題が悪化しているようです。これらのblobを「縮小」して重複を排除するにはどうすればよいですか？

7 image-processing  opencv  image-segmentation 

経験的モード分解（EMD）に基づく信号分析方法を調査した後、最近の開発は主にヒルベルト黄変換（HHT）と局所平均分解（LMD）方法に関連していることがわかりました。 この件についていくつかの記事を読んでいますが、HHTについてご意見をお聞かせください。 EMDは、ヒルベルト変換に特に適した組み込みモード関数につながります。HHTは、多くの異なるタイプの産業または学術アプリケーションに本当に広く使用されているようです。 私はHHTが本質的にEMD +ヒルベルト変換であると考えるのは正しいですか？HHTの特異性は、スプライン補間に基づくふるい分けプロセスにあると思いますか（たとえば、移動平均アルゴリズムを使用するLMDとは対照的に）？

7 hilbert-transform  non-linear 

DFTを使用して、1つのドメインでのベクトルの乗算が、他のドメインでのベクトルの変換の循環たたみ込みと等価であるという単純な、または潜在的に直感的な説明はありますか？ DFTは（特別な）正方行列による乗算にすぎないので、この行列と行列の乗算は上記の双対性を可能にしますか？

7 fft  fourier-transform  dft 

簡単な提案をするのに適切な場所にいるかどうかわからないので、親切にして質問に反対票を投じないでください。私は誰かに私のためにそれをするように頼んでいません、私は私がどのように進むべきかについての短いガイダンスが必要です。 現在、固有値分解を使用したブラインドソース分離の研究を書いています。私は執筆が苦手なので、これまでMatlabで必要なプログラミング部分を実行しました。研究は、問題に関する約50ページの理論で構成されている必要があります。理論は、BSS、BSSメソッド、ICA、およびメイントピックであるEVDを説明することです。BSSには多くのメソッドがあり、何を書くか、何を書かないかを決定し、フォローすることが難しいので、私の執筆に何を含めるかを提案できますか？誰かが私の研究で書いて言及すべきことの順序を概説できますか？ 私は次に何を書けばいいのか行き詰まっています。 Introduction to BSS Definition of Independence of signals Independence and correlation PCA and other prewhitening methods: 1. centering 2. whitening 私は次のような本を使用しています：独立成分分析-ブラインドソース分離のチュートリアル紹介ハンドブック独立成分分析とアプリケーション2010-Pierre Comon、Christian Jutten ありがとうございました、

7 matlab  signal-analysis  ica 

2つの信号間のマグニチュード2乗コヒーレンス（MSC）を計算する必要があります。ただし、信号が明らかに異なるにもかかわらず、1つのテーパーのみを使用する（またはテーパーをまったく使用しない）ルーチンを使用すると、結果は常に1になります。複数のテーパーを使用する場合、これは起こりません。この異常な結果の説明を検索すると、MSC自体の紛らわしい特性がわかります。私が使用している定義はこれです γ2(ω)=|X(ω)Y(ω)¯¯¯¯¯¯¯¯¯¯¯|2(X(ω)X(ω)¯¯¯¯¯¯¯¯¯¯¯).(Y(ω)Y(ω)¯¯¯¯¯¯¯¯¯¯¯)γ2(ω)=|X(ω)Y(ω)¯|2(X(ω)X(ω)¯).(Y(ω)Y(ω)¯)\gamma^2(\omega)=\frac{ |X(\omega)\overline{Y(\omega)}| ^2}{(X(\omega)\overline{X(\omega)}).(Y(\omega)\overline{Y(\omega)}) } XとYは、周波数に依存するフーリエ変換された信号ですωω\omega。ただし、固定周波数でこれらの関数の値として2つの複素数を取る場合、結果は常に1になります。|z|2=zz¯¯¯|z|2=zz¯|z|^2=z\overline{z} その後 γ2=（XY¯¯¯¯）（XY¯¯¯¯）¯¯¯¯¯¯¯¯¯¯¯¯¯バツバツ¯¯¯¯YY¯¯¯¯=（XY¯¯¯¯）（バツ¯¯¯¯Y）バツバツ¯¯¯¯YY¯¯¯¯=バツバツ¯¯¯¯YY¯¯¯¯バツバツ¯¯¯¯YY¯¯¯¯= 1γ2=(XY¯)(XY¯)¯XX¯YY¯=(XY¯)(X¯Y)XX¯YY¯=XX¯YY¯XX¯YY¯=1\gamma^2=\frac{(X\overline{Y})\overline{(X\overline{Y})} }{X\overline{X}Y\overline{Y}}=\frac{(X\overline{Y})(\overline{X}Y) }{X\overline{X}Y\overline{Y}}=\frac{X\overline{X}Y\overline{Y} }{X\overline{X}Y\overline{Y}}=1 確かに誤解している部分があるはずですが、何なのかわかりません。キャッチは何ですか？ 編集：信頼できるソースとしていくつかのMATLABリンクを使用します。MSコヒーレンスの定義 http://www.mathworks.com/help/signal/ref/mscohere.html クロスパワースペクトル密度の定義 http://www.mathworks.com/help/signal/ref/cpsd.html （パワースペクトル密度は、「自動クロス」スペクトル密度、つまり自己相関のフーリエ変換です）相互相関のフーリエ変換の重要なプロパティは、ウィキペディアの「プロパティ」にあります。 別の情報源は、「生物医学信号処理におけるコヒーレンス機能」という名前でググリングしていることがわかります。申し訳ありませんが、ここに直接リンクを投稿しませんでした。十分な「評判」がありません。

7 discrete-signals  signal-analysis  statistics  coherence 

私は、MATLAB環境でCmor-Fb-FCウェーブレット変換を使用しています。Fbは帯域幅、Fcは中心周波数パラメーターです。トレイルとエラーの手順で、Fb-Fcを5-1として選択し、合理的な出力を得ました。しかし、私はFb-Fcパラメータに適切な値を選択するルールを知りたいですか？30秒間に300個のサンプルを使用しているとしましょう。サンプリング周波数は10 Hzです。これが信号です。 x=sin(2*pi*t*.1).*(t<10)+sin(2*pi*t*0.3).*... (t<30)+sin(2*pi*t*0.6).*(t<10).*exp(-t*.1);

7 matlab  wavelet  bandwidth 

オーディオのブロックがあり、FFTを実行しました。今私がしたいのは、このFFTをMFCCのセットに変換することですが、三角形のフィルターのセットに基づいてFFTサンプルに重みを付けることで何かをする必要があることはわかっていますが、実際にこれが何であるかわかりません。 誰かがそれについていくつかの詳細に入ることができますか？Matlabの例を紹介する場合は、各ステップについて十分に説明してください。MATLABではかなりの数のコーナーをカットできるため、iPhoneにMFCC抽出を実装しようとしています。

7 fft  mfcc 

1秒あたり8000サンプルのレートでサウンドを録音すると、サウンドから再生できる最高周波数は4000 Hzであることがわかります。私が知りたいのは サウンドを再生するときに4000 Hzを超える周波数がサウンドに含まれている場合、元のサウンドの周波数が4000 Hzを超えるポイントで、何が聞こえ、どのような周波数が生成されますか。

7 frequency 

3D画像のラプラシアンの固有値と固有ベクトルを計算する必要があります。ボリュームヒートカーネルシグネチャを実装するために、3Dユニフォームグリッド（ボクセル化された画像によって生成されたユニフォーム構造）のヒートカーネルを評価しようとしています（「数値計算」セクションを参照してください）。私が取り組んでいるドメインは長方形ではないため、一部のグリッドポイントに1があり、他のポイントに0があり、バイナリ3Dシェイプを生成しています。私はこれについて2Dについて読んでいます。2Dでは、すべてのグリッドポイントのラプラシアンが計算され、結果の行列の固有値と固有ベクトルが計算されます。3Dでこれを行うにはどうすればよいですか？具体的な質問は次のとおりです。 （3x3x3）離散ラプラス演算子を適用した後に取得した3D画像から行列を取得するにはどうすればよいですか？ 行列を取得する方法がない場合は、3D構造グリッドの固有値と固有ベクトルを計算する必要があります。これを行う最も簡単な方法は何ですか？これを行うためのソフトをお勧めできますか？ ヒントをいただければ幸いです。 前もって感謝します。

7 image-processing  3d 

時間の経過に伴う空間の1D位置を表す離散関数があります。この曲線を実現したいモーションシステムがありますが、ジャーク（3次微分）と加速度（2次微分）の制約により、実際にはモーションを実現できません。これは、関数の不連続性が原因で発生し、フラットな信号から急激な上昇に移行します。 2次および3次導関数の大きさの上限に違反することなく、離散系列を取り、元の系列を近似する新しい系列を生成するアルゴリズムを探しています。位置の誤差を最小限に抑える方法について厳密な定義はありませんが、標準合計の平均二乗誤差の近似はおそらく妥当です。導関数については、標準の中心差を使用して近似しています。f（x + 1 ）− f（x − 1 ）（2 、Δ T ）f（バツ+1）−f（バツ−1）（2Δt）\frac{f(x+1)-f(x-1)}{(2{\Delta}t)} 私は単に制限を適用して目標位置に向けてできるだけ速く運転することを試みましたが、これは不安定です（ジャークと減速時間を適切に考慮していないため、目標をオーバーシュートして振動します）。制約が満たされるまで繰り返しローパスフィルターを適用しますが、これは少しハックのようであり、非常に良い適合を与えるとは思いません。信号の微分を特に制限するフィルターを作成する方法はありますか？ いくつかの追加のメモ： 新しいシリーズは元のシリーズと同じ長さでなければなりません。この動作は別の操作と同時に発生し、2つは厳密に同期されます。ただし、制約内で最終的な位置を達成できない場合は許容されます。これは、並行操作があまりにもアグレッシブであり、モーションが追従できないことを意味します。これは、適切に構成されていれば、実際には発生しません。 関数値の合計が保持されるように、制約に違反するポイントを特定し、エラーを調整し、2つの隣接するポイント間でエラーの負の値を分割する反復アプローチの調査を開始しました。次に、近傍でエラーを計算し、残りのエラーをそれぞれ左または右に転送します。関数の最後に到達してもエラーが発生する場合は、限界に達します。このアプローチに理論的な根拠があるかどうかはわかりませんが、信号を使用してどのように機能するかを実験して確認します。 その他のメモ： ジャーク（3次導関数）関数を重複しないステップ関数とインパルス関数の線形結合として近似することは妥当です。典型的な入力シリーズの場合、これは次のようになります（青と赤は現在のフィルタリングの試みです。これは主に形状のアイデアを伝えるためです）： ここに典型的な加速プロファイルがあります： ここに典型的な速度プロファイルがあります（最初の上昇がすべての問題の原因になります。問題の物理的性質により、システムは最初から無限の速度に近い速度で動き始めることを好みますが、実際的な考慮事項が邪魔になります）： 興味のある方のために、上記のグラフを作成するために中央差分導関数が近似された生のタブ区切りデータシリーズを次に示します。 x 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 …

7 filters  discrete-signals  motion 

1 2 1 1 2 1 2 4 2 (A) (1/16) * 2 4 2 (B) 1 2 1 1 2 1 両方の行列は、行列Bにその要素の合計が乗算されることを除いて、同じです。画像を畳み込むと、ほぼ同じぼやけた画像になります。 それらの正確な違いは何ですか？いつ使用する必要がありますか？

7 image-processing  filters  gaussian