タグ付けされた質問 「discrete-signals」

サンプル時間が0.5マイクロ秒の信号があり、この信号をサンプル時間の一部、たとえば3ナノ秒だけシフトしたいと考えています。 フラクショナル遅延フィルタリング、およびFFTとIFFTを使用してそのような遅延を実行する方法について、いくつかのオンラインリソースを読みました。誰かが私にこれに関するいくつかの理論を指摘したり、それを実装する方法についてのアイデアを教えたりできますか？ 整数サンプルの信号を定期的にシフトするために、必要なサンプル数だけ信号をシフトし、最初にゼロを追加することでこれを実装しました。このアプローチは正しいですか？

9 filters  discrete-signals  signal-analysis 

スカログラムについての私の理解は、特定の行について、特定の変位でのウェーブレットによる入力信号の投影のスコアが表示されることです。行全体で同じことが当てはまりますが、ウェーブレットの拡張バージョンです。スカログラムは、すべてのタイプのウェーブレット変換、つまり次のものに対して定義できると思いました。 連続ウェーブレット変換 離散ウェーブレット変換 冗長ウェーブレット変換 ただし、さらに調査すると、スカログラムはCWTに対してのみ定義可能であるようです。これに基づいて、GoogleがATMに十分ではない複数の相互関連の質問があります。 質問： スカログラムがDWTまたはRWTに対して定義されていないのは本当ですか？もしそうなら、なぜでしょうか？ 長さの信号がDWTを使用して10レベルの分解を持つとしましょう。すべてのレベルがイメージ（つまり、イメージ）としてプロットされる場合、このイメージは何と呼ばれますか？NNN10 × N10xN10xN DWTの「スカログラム」の例として、AWGNの例を次に示します。 同じ信号について、代わりにすべてのレベルでの信号の近似MRAをプロットするとします。（つまり、）画像。この画像は適切な用語で何と呼ばれていますか？たとえば、ここでは、AWGNの近似MRAと詳細MRAを示しました。（明らかに、それらはDWTの「スカログラム」と同じではありません）。10 × N10xN10xN ありがとう！

9 discrete-signals  frequency-spectrum  wavelet  terminology  scale-space 

私はLyonsの本の離散フーリエ変換に関する章を読んでいました-デジタル信号処理について-対称性に関する最後の段落を理解できませんでした。 この時点で言及するに値するDFTの追加の対称特性があります。実際には、入力インデックスが正と負の両方の値に対して定義されている実際の入力関数のDFTを決定する必要がある場合があります。その実数入力関数が偶数の場合、X （m ）は常に実数かつ偶数になります。つまり、実数x （n ）= x （− n ）の場合、X 実数（m ）は一般に非ゼロであり、X imag（m ）nnnX(m)X(m)X(m)x(n)=x(−n)x(n)=x(−n)x(n) = x(−n)Xreal(m)Xreal(m)X_{\textrm{real}}(m)Ximag(m)Ximag(m)X_{\textrm{imag}}(m)ゼロです。逆に、実入力関数が奇数の場合、場合、X real（m ）は常にゼロであり、X imag（m ）は一般に非ゼロです。x(n)=−x(−n)x(n)=−x(−n)x(n) = −x(−n)Xreal(m)Xreal(m)X_{\textrm{real}}(m)Ximag(m)Ximag(m)X_{\textrm{imag}}(m) 注：X(m)=Xreal(m)+jXimag(m)X(m)=Xreal(m)+jXimag(m)X(m) = X_{\textrm{real}}(m) + jX_{\textrm{imag}}(m) まず、「奇数」と「偶数」とはどういう意味ですか？入力信号のサンプル数だと思いますが、それが2つ目の質問です。 偶数の実数入力関数ではゼロであり、奇数の実数入力関数ではX X real（m ）ゼロおよびX imag（m ）は一般にゼロではないのはなぜですか？Ximag(m)Ximag(m)X_{\textrm{imag}}(m)Xreal(m)Xreal(m)X_{\textrm{real}}(m)Ximag(m)Ximag(m)X_{\textrm{imag}}(m)

9 discrete-signals  dft 

私はDSPの初心者であり、変換とその収束領域（ROC）について少し疑問があります。ZZ\mathcal Z 変換とは何か知っています。しかし、ROCの理解に問題があります。まず第一に、私はとと少し混乱しています。私はこれらの用語を交換することで簡単に捕まります。ROCが変換が存在する領域を定義していることを知っています。ウェブと私の本から、こう述べています： X （z ）x （z ）ZZZ\mathcal ZX(z)X(z)X(z)x(z)x(z)x(z)ZZ\mathcal Z 場合有限時間シーケンスで、次にROC全体で -plane、おそらく除く外または。有限期間シーケンスとは、有限間隔で非ゼロのシーケンスですz z = 0 | z | = ∞ nは1 ≤ N ≤ N 2x[n]x[n]x[n]zzzz=0z=0z = 0|z|=∞|z|=∞\lvert z\rvert = \inftyn1≤n≤n2n1≤n≤n2n_1 \le n \le n_2 そして後でそれは言う： 場合、項が存在するため、ROCには含まれません。場合次に和が無限大になり、したがって、ROCは含まない。z − 1 z = 0 n 1 < 0 | z | = …

9 discrete-signals  z-transform 

私はエッジ検出にハフ変換を使用しようとしています、そして基礎として勾配画像を使用したいと思います。 私はこれまでやっていること、画像所与のIサイズの[M,N]とその偏導関数gx、gy、各画素の勾配角度を計算することですthetas = atan(gy(x,y) ./ gx。同様に、勾配の大きさをとして計算しmagnitudes = sqrt(gx.^2+gy.^2)ます。 ハフ変換を作成するには、次のMATLABコードを使用します。 max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) + 1; hough(rho_idx, theta_idx) = hough(rho_idx, theta_idx) + …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision 

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 

信号処理はエルゼビアなので、オープンアクセスではありません。また、信号処理に関するIEEEトランザクションもオープンアクセスではありません。オープンアクセスのジャーナルと同等のまともなジャーナルはないかと思っていました。 離散時間非線形フィルタリングに関する論文を提出しようとしています。 （出版物/ジャーナル/会議に関連するタグはありません。タグを追加するか、別のSEを提案してください）

8 discrete-signals 

pcm形式のレコーディングがあり、簡単な分析を行いたい。 正規化とは何かについていくつか質問があります。これまでのところ、範囲[1、1]の間のすべての振幅を取得することは理解しています。 これを行う明白な方法は次のとおりです。 max_amplitude = max(array_of_amplitudes) for amplitude in array_of_amplitudes: amplitude = amplitude / max_amplitude RMSの正規化について読みました。誰かがそれがどのように行われるか説明できますか？ さらに、正規化の利点は何ですか？

8 audio  discrete-signals 

私は最近フーリエ変換を使って遊んでいます（数週間かけてその背後にある数学について学びました）。私は次のサウンドバイトにローパスフィルターを組み合わせてハックすることにしました： 特に、私はフーリエ変換を取り、周波数の最高の1/2をゼロにしてから、逆フーリエ変換を行いました。これは私が得たものです なぜパチパチという音がするのですか？

8 fourier-transform  discrete-signals  sound 

私は信号エネルギーの定義を見ています（例：Wikipedia、cnx.org）。離散信号の場合、次のように定義されます。ここで、は信号を保持します。x （n ）x(n)x(n) EN E R Gy= ∑∞N = - ∞| x（n） |2Energy=∑n=−∞∞|x(n)|2 Energy = \sum_{n=-\infty}^{\infty} |x(n)|^2 だから私の質問： のようなウィンドウ化された有限信号の場合double signal[256]、合計はからではなく、1から256（またはプログラムでは0から255）です。（私は無限を合計する方法すら知りません。）∞- ∞−∞-\infty∞∞\infty エネルギー式に絶対値演算子があるのはなぜですか ？絶対値をとった結果はとにかく二乗されて正の値を生成するため、絶対値をとっても意味がないようです。これは、が複素数になる可能性があるため、複素数の絶対値はピタゴラスの定理からのスカラーになりますか？x （n ）| 。。。||...||...|x （n ）x(n)x(n)

8 discrete-signals 

Morletウェーブレット変換を適用して私の脳波信号を分析したいと思います。短い信号がたくさんありますが、それぞれ1分しかありません。そしてそれらはすべて30Hzで録音されました。2つの質問があります。 Morletウェーブレットでは、私のケースで使用するのに最適なスケール（アルファ）は何ですか？ エッジ効果について：ウェーブレットの「エッジ効果」が原因でデータのどの部分が破損するかを知る/計算するにはどうすればよいですか？

8 discrete-signals  frequency  wavelet 

自己相関の大きさに対するエイリアシングの影響について質問があります。MATLABでのシミュレーションから、自己相関の大きさをとるときに、エイリアシングの影響やアンチエイリアスフィルターの必要性がわかりません。つまり、データをアンダーサンプリングして、自己相関を取ることができます。「完全な自己相関関数から導き出されたスペクトルモーメント推定に対するエイリアシングの影響」という論文があり、これは私が主張するようなものです。私が間違いを犯した場合、誰かに知らせていただけますか？

8 sampling  discrete-signals  downsampling  aliasing 

1次ローパスフィルターをよりよく理解しようとしています。 まとめ： ウィキペディアによると、1次ローパスフィルターは次の結果を離散時間で生成します。 は生成します または Y（秒）U（秒）=ωcs +ωcY(s)U(s)=ωcs+ωc \frac{Y(s)}{U(s)}= \frac{\omega_{c}}{s+\omega_{c}} y[ k ] = （ωcTs1 +ωcTs） u[k]+（11 +ωcTs） y[ k − 1 ]y[k]=(ωcTs1+ωcTs)u[k]+(11+ωcTs)y[k−1] y[k] = \left(\frac{\omega_c T_{s}}{1+\omega_{c} T_{s}} \right) u[k]+\left(\frac{1}{1+\omega_c T_{s}}\right) y[k-1] y[ k ] = αU [ K ] + （1 - α ）Y [ k − 1 ]y[k]=αu[k] + …

8 discrete-signals  lowpass-filter  z-transform  bilinear-transform 

私はDSPを初めて使用し、入力の影響を受けるシステムのさまざまな応答を経験しました。ゼロ入力応答についての私の理解は、入力信号がゼロに設定されたときのシステムの応答/出力です。言い換えると、システムが線形定数係数差分方程式で記述されている場合、ゼロ入力応答は均一解になります。 ただし、 ZZ\mathcal Z-入力の変換は有理関数です X(z)=N(z)/Q(z)X(z)=N(z)/Q(z)X(z)=N(z)/Q(z) LTIシステム関数のそれは H(z)=B(z)/A(z)H(z)=B(z)/A(z)H(z)=B(z)/A(z)そして、システムは最初に緩和され、次にY(z)=H(z)X(z)=N(z)B(z)/A(z)Q(z)Y(z)=H(z)X(z)=N(z)B(z)/A(z)Q(z)Y(z)= H(z)X(z) = N(z)B(z)/A(z)Q(z)。の明確な零点（実数のみ）と極（実数のみ）を仮定するとX(z)X(z)X(z) そして H(z)H(z)H(z) その後 Y(z)=∑k=1NAk1−pkz−1+∑k=1LQk1−qkz−1Y(z)=∑k=1NAk1−pkz−1+∑k=1LQk1−qkz−1Y(z) = \sum_{k=1}^N \frac{A_k}{1-p_kz^{-1}} + \sum_{k=1}^L \frac{Q_k}{1-q_kz^{-1}} 与える y（n ）=Σk = 1Nあk（pk）んu （n ）+Σk = 1LQk（qk）んu （n ）y（ん）=Σk=1Nあk（pk）んあなた（ん）+Σk=1LQk（qk）んあなた（ん）y(n) = \sum_{k=1}^N A_k(p_k)^{n}u(n) + \sum_{k=1}^L Q_k(q_k)^{n}u(n) どこ pkpkp_k そして qkqkq_k システムの極です H（z）H（z）H(z) と入力信号 バツ（z）バツ（z）X(z) それぞれと u （n ）あなた（ん）u(n)単位ステップ関数です。ここで、最初の用語はシステムの自然応答と呼ばれますH（z）H（z）H(z)。ゼロ入力と自然応答の違いを把握するのは非常に混乱します。 編集：質問の参照は、本のDSP：原理、アルゴリズム、およびアプリケーションであるJohn …

8 discrete-signals  linear-systems  z-transform  poles-zeros 

LTIシステムでは2つの信号を異なる方法で処理するように見えるので、たたみ込みは可換性があるのはなぜですか？ あなたが想像するなら y[n]=x[n]⋆h[n]y[n]=x[n]⋆h[n]y[n] = x[n] \star h[n] と x[n]x[n]x[n] 入力信号であり、 h[n]h[n]h[n] LTIシステムAのインパルス応答であるため、入力のあるLTIシステムBが h[n]h[n]h[n] そしてインパルス応答 x[n]x[n]x[n] まったく同じ出力を生成します y[n]y[n]y[n] ？

7 discrete-signals  convolution  continuous-signals  linear-systems  impulse-response