タグ付けされた質問 「decomposition」

離散ウェーブレット変換（DWT）詳細係数と元の信号/その再構成との関係を直接視覚化しようとしています。目標は、それらの関係を直感的な方法で示すことです。質問したい（下記の質問を参照）：私が思いついたアイデアとプロセスがこれまでに正しいかどうか、そして関係を視覚化する前に元の信号から第1レベルの近似値を差し引くほうがよいと私が正しい場合。 最小限の例 これは、1024の値を持つPythonのECGサンプルデータを単純な1D信号として使用して、私が説明の基にした最小限の例です。pywavelets import pywt import pywt.data import numpy as np import matplotlib.pyplot as plt x = pywt.data.ecg() plt.plot(x) plt.legend(['Original signal']) 分解は、合計6レベルのSymmlet 5を使用して行われます。 w = pywt.Wavelet('sym5') plt.plot(w.dec_lo) coeffs = pywt.wavedec(x, w, level=6) （不可逆）信号の再構成は、意図的に高レベルの詳細係数を除外したときに期待どおりに機能します（信号は、便宜上、均一なxスケール[0,1]にプロットされています）。 def reconstruction_plot(yyy, **kwargs): """Plot signal vector on x [0,1] independently of amount of values it contains.""" plt.plot(np.linspace(0, …

12 python  wavelet  reconstruction  decomposition  visualization 

音楽オーディオを遅い速度で再生すると、ピッチ（周波数）が下がります。周波数を同じに保ちながら曲の再生を遅くするツールと理論はありますか？ウィンドウ化されたフーリエ変換またはウェーブレット変換を実行できると思います。ウィンドウサイズを事前に選択するか、ウェーブレットベースを動的に選択する必要があるようです。それを行うための具体的で詳細な理論と応用はありますか？

10 fourier-transform  wavelet  fourier-series  music  decomposition 

私は、振幅と位相が異なるさまざまな方形波を重ね合わせた信号を処理しています。通常、フーリエ変換を利用して信号を正弦波に分解しますが、この特定のケースでは方形波への分解がはるかに効果的です。フーリエ変換は非常に複雑なスペクトルを生成しますが、方形波分解はいくつかの明確なラインを与えるはずです。 私はそのような分解が可能であることを知っています。実際、分解の基礎として任意の周期関数を使用でき、これは主題に関する多くのテキストで言及されています。しかし、私は、非正弦波基底に分解するための公式や明示的な例を見つけることはできませんでした。 で構成される信号を分解する私のアプローチ NNNサンプルは、DFTのような式を使用すること ここで、は実数値です基本周波数の倍の周波数を持つ方形波。しかし、構成する方形波の位相情報を取得できず、手順を逆にすることができなかったため、これは確かに完全ではありません。バツkバツkx_kあなたk=Σん = 0N− 1バツんRk（n ）あなたk=Σん=0N−1バツんRk（ん） u_k = \sum_{n=0}^{N-1} x_n \, \mathcal{R}_k(n)RkRk\mathcal{R}_kkkk 信号を、明確に定義された振幅と位相を持つ方形波に分解するにはどうすればよいですか？

9 discrete-signals  signal-analysis  dft  signal-synthesis  decomposition