タグ付けされた質問 「frequency-spectrum」

私が正しく思い出せば、信号のスペクトルの特定の帯域を分析するために使用できるDFTのバリエーションがあります。それはどのように呼ばれますか？

9 fft  frequency-spectrum 

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 

ここでは、C でシンプルなV.23のようなFSKモデムを実装しました。 選択された変調の特殊性は、0と1が2つの異なる周波数（それぞれ2100 Hzと1300 Hz）のトーンとして送信され、各シンボルの持続時間が1/1200秒、つまり1と2の全周期の間にあるというものです。シンボルトーン周波数の。 受信機で使用したバンドパスフィルターは約875Hz〜2350Hzです。この範囲は経験的に決定されました。 問題は、トーン周波数とシンボル持続時間からそのような信号のこの周波数範囲をどのように計算するかです。 編集：振幅変調との類似性が示唆されています。変調信号は、F キャリア -メッセージ帯域幅からF キャリア +メッセージ帯域幅 Hzの帯域に分類されます。 このロジックをケースに直接適用しようとすると、FSK信号の帯域幅が以下の和集合になると期待できます。 F1 - ビットレートのF1 +はレートビット F0 - ビットレートにF0 + ビットレート または、数字を挿入すると、以下の和集合になります。 1300-1200 = 100から1300 + 1200 = 2500 2100-1200 = 900から2100 + 1200 = 3300 それとも、単にから100への3300ヘルツ。 ただし、FSK信号のスペクトルを見ると、1300-1200 = 100から2100 + 1200 = 3300 Hz ではなく、2100-1200 = 900から1300 …

9 frequency-spectrum  modulation  fsk 

信号が電磁スペクトルの搬送波に変調されると、その信号は搬送波周波数を取り巻くスペクトルのごく一部を占めます。また、搬送周波数の上下の周波数で側波帯が生成されます。 しかし、これらの側波帯がAMとFMでどのように、そしてなぜ生成されるのか、また、FMで生成される側波帯が2つしかないのに、なぜAMで生成されるのか？数学的にどのように生成されるかはすでに知っているので、具体的な例を挙げてください。 私が知っていることは、時間領域で、元の信号がキャリア信号に入れられると、実際にキャリア信号と乗算されます。つまり、周波数領域では、元の信号がキャリア信号と畳み込まれます。AMのこれら2つのサイドバンドは、実際にはキャリア信号のフーリエ変換です。 これは正しいです？

9 frequency  frequency-spectrum  modulation 

画像処理の本では、周波数領域でフィルタリングを行う際に画像にパディングを行う必要があると言われています。なぜゼロパディングが必要なのですか？

8 image-processing  filters  frequency-spectrum 

いびきを特定するための私の終わりのない探求で、「スペクトルの平坦性」が信号の「品質」の公正な尺度であるように見えることがわかりました。 FFTパワーデータポイントの相乗平均を同じポイントの算術平均で割ったものとして、スペクトル平坦度を計算しています。（R ∗ 2 + I∗ 2 ）(R∗2+I∗2)(R*2 + I*2) 次に、（ここでは少しひねりを加えて）実行中の（50フレームを超える）算術平均とスペクトル平坦度の標準偏差を計算し、実行中の標準偏差を実行中の平均で割った「正規化」標準偏差を計算しています。 私のサンプルでは、音声が「良い」（つまり、眠っている被験者の呼吸音やいびき音を確実に追跡している）場合、この指標は約（最大程度）よりも大きく、通常は落ちるオーディオが「泥の中に」ある場合、未満。（他の要因と一緒に動くしきい値を使用することで、この差別をある程度改善できますが、それはおそらく別のトピックです。）また、バックグラウンドノイズが大きい場合（たとえば、誰かが部屋に入ってざわめくとき）は、測定値がを超えることもわかります。）。0.5 0.2 1.00.20.20.20.50.50.50.20.20.21.01.01.0 だから、私の基本的な質問は：私が測定しているものの名​​前（「スペクトル平坦度の正規化された標準偏差」を超えて）はありますか、そしてメトリックが「意味するもの」の概念的な説明を誰かが提供できますか？ （私は信号の「品質」について他のダースのメトリックを試しましたが、これはこれまでで最も良いようです。） 追加： 私はおそらく、単純なスペクトル平坦性が測定しているもの（ウィキペディアの記事のみ）について特に優れた概念的なハンドルを持っていないことを認めるべきです。そのため、それ以上の説明はありがたいです。

8 fft  frequency-spectrum 

これは前の質問の続きです。 私は呼吸といびきの音を分析しようとしています。今はいびきをかなりうまく検出できていますが、呼吸はより大きな課題です。 分析した周波数範囲（約4KHz、フレームサイズ1024で約8KHzでサンプリング）を約5つのサブレンジに分割すると、サブレンジの1つが（スペクトル差を使用して）良好な感度を示すことがよくあります。全体の範囲でノイズ。秘訣は、どの部分範囲をいつ「信頼」するかを決定することです。 おそらく「信頼できる」サブレンジは約2Hzと0.05Hzの間のレートで変動性を示しますが、「悪い」サブレンジはよりランダムに振る舞い、それらの変動のほとんどは短い間隔です。 ある種のアルゴリズムを組み合わせて、1秒未満の解像度で値を平滑化し、より長い間隔で変動性を計算することもできますが、この種の「缶詰」アルゴリズムはないのでしょうか。その背後にある理論の小片？ 助言がありますか？ [注：理論的には、FFTを使用してこの情報を抽出できることは承知していますが、野球のバットを使ってノミを殺しているようです。多分もう少し軽量なものでしょうか？] 追加： ある意味で（類推を使用して）、RF送信で「ベースバンド」信号を検出しようとしています（「RF」のみがオーディオ周波数であり、「ベースバンド」は8Hz未満です）。そして、ある意味では、「RF」は「スペクトラム拡散」です。検出したい音は、多くの高調波を生成したり、複数の周波数成分を分離したりする傾向があるため、スペクトルの1つの帯域にノイズが多すぎると、おそらく別のものを利用してください。ほとんどの「ノイズ」が2Hzを超え、信号が2Hz未満であるという前提で、さまざまな周波数帯域のSNRに似たメトリックを基本的に決定することが目標です。 このアルゴリズムへの入力として、8Hz間隔で測定された各帯域の生の振幅（含まれるすべての周波数でのFFT振幅の合計）があります。 （私は正式なSNR測定を行っていませんが、処理されたスペクトル全体のSNRはしばしば1.0に近いかそれ以下に見えることに注意してください-Audacityなどのツールでサウンドエンベロープを視覚的に観察すると、エンベロープは目立ちます（耳が呼吸音を明確に識別できる場合でも）。このため、バンドを分析してSNRが適切なものを見つける必要があります。

8 audio  noise  frequency-spectrum 

1D信号の位相について知っています。しかし、2D、3Dなどのより高い次元に行くと、コンセプトを把握するのが頭痛になります。 画像またはビデオ信号のような多次元（2D、3Dなど）信号の場合、位相シフトおよび位相スペクトルという用語は何を意味しますか？ 位相項はどのように数学的に表されますか？ 位相スペクトルをどのように分析しますか？ 信号に関する位相スペクトルからどの情報を取得しますか？ 誰かがプロットや図で説明できますか？

8 image-processing  fft  fourier-transform  frequency-spectrum  phase 

FFTの理解に問題があります。として計算されたスペクトルの周波数分解能は sampling ratenumber of FFT pointssampling ratenumber of FFT points\frac{\textrm{sampling rate}}{\textrm{number of FFT points}}または？sampling rate0.5 * number of FFT pointssampling rate0.5 * number of FFT points\frac{\textrm{sampling rate}}{\textrm{0.5 * number of FFT points}} これは、スペクトルが実数値の入力に対して対称であるためです。したがって、 Hzおよび = 1024であるとします。ここで、はFFTポイントの数です。さて、周波数分解能は Hzまたは Hzですか？fs=1000fs=1000f_s = 1000NNNNNN1000 Hz1024=0.97661000 Hz1024=0.9766\frac{1000 \textrm{ Hz}}{1024} = 0.97661000 Hz0.5∗1024=1.95311000 Hz0.5∗1024=1.9531\frac{1000 \textrm{ Hz}}{0.5 …

8 fft  frequency-spectrum  frequency 

Ettus X310 SDRとGNU無線を使用しています。GNU無線スキーマでは、標準のUHD USRPソースブロックがGUI FFTシンクに接続されています。基本的に、デバイスからの生の信号のスペクトルを表示しています。 USRPソースブロックのパラメーター： サンプルレート= 1.024 MS / s、 中心周波数= 101 MHz、 ゲイン= 42 dB、 帯域幅= 130 MHz 私が抱えている問題は、中心周波数に直接大きなスパイク（10-15 dB）が常にあることです（設定した周波数に関係なく）。私はこれらすべてに比較的新しいので、スパイクを取り除く方法についてのポインタをいただければ幸いです。

8 frequency-spectrum  sdr  gnuradio  usrp 

私は基本的に、ラバーバンド/ベースライン修正がどのように機能するかを理解しました。 与えられたスペクトルは（N）の範囲に分割されます。 すべての範囲の最低点が決定されます。 最初のベースラインはこれらのポイントから構築されます。 現在、スペクトル上のすべてのポイントは、現在の範囲の最低ポイントとベースラインの最低ポイントの差によって描かれています。 ただし、扱い方がわからない微妙なニュアンスもあります。たとえば、ポイントの1つが2つの範囲の境界に正確にある場合などです。 さらに、私が書いているアルゴリズムが確かなものであり、他の研究や科学論文で参照できることを証明できる必要があります。 誰かが私にいくつかの参照を与えることができれば私はとても嬉しいでしょう。

8 frequency-spectrum  preprocessing 

加速度計の測定値を記録するいくつかのテストを実行しています。この信号に信号処理の要素を使用することを検討していますが、どこから始めればよいか、または私のアプローチはどうあるべきかわかりません。 私の最終的な目標は、加速度の測定値をリアルタイムで監視し、event発生時に通知を表示できるようにすることです。約15万のサンプル時間を見ることができるように、event発生します。 このデータをリアルタイムで監視している場合、このイベントに対応するためにどのような信号処理技術を実装できますか？ 短時間フーリエ変換（STFT）はオプションでしょうか？ 私はPythonでデータを監視していますが、それらにはまともなSTFT関数があります。 この関数の引数は次のとおりです。 scipy.signal.stft（x、fs = 1.0、window = 'hann'、nperseg = 256、noverlap = None、nfft = None、 detrend = False、return_onesided = True、boundary = 'zeros'、padded = True、axis = -1） この信号の処理に使用する最適なパラメーターを決定するにはどうすればよいですか？ event（加速度の大きさだけを使用するのではなく）リアルタイムで発生するタイミングを特定するのに役立つと思われる他の方法はありますか？ 編集1： 私のSTFTは上に追加されています。

7 fourier-transform  frequency-spectrum  stft 

単純なローパスフィルターを作成しようとしていますが、単純なバターワースフィルターの周波数応答を見て、驚くべき結果が得られました。 この他の投稿から以下の例の多くをコピーしました。スクリプトの下部にコードを追加して、入力と出力のスペクトルをフィルターの周波数応答と比較します。出力スペクトルがBB\mathbf B 入力スペクトルの積でなければなりません AA\mathbf A と周波数応答 HH\mathbf H： B=HAB=HA \mathbf B = \mathbf H \mathbf A ただし、下のプロットは、フィルターが実際に一部の低周波成分を増加させていることを示しています。赤い線が下の緑の上にある様子を確認してください 4 Hz4 Hz4\textrm{ Hz}。 これがなぜであるか誰でも説明できますか？ import numpy as np from scipy.signal import butter, lfilter, freqz import matplotlib.pyplot as plt from scipy.fftpack import fft as fft def butter_lowpass(cutoff, fs, order=5): nyq = 0.5 …

7 fft  filters  frequency-spectrum  python 

削除したいハートビートアーティファクトで汚染された顕微鏡データがあります。データは、約60Hzでキャプチャされた大量の時系列画像で構成されています。 GIF形式の小さなサンプルクリップを次に示します。 時間の経過に伴う平均ピクセル強度を取得し、ウェルチ法を使用してピリオドグラムを計算しました。 ご覧のように、〜1.8Hzに鋭いピークがあり、心拍数（〜108ビート/分）に対応する可能性があります。また、1.8Hzの整数倍に多数の調和ピークがあります。正確な心拍数はデータセットごとに異なる可能性がありますが、ピリオドグラムの影付きの領域で示されているように、生物学的にもっともらしい範囲を指定できます。 私ができるようにしたいのは： 心拍に対応する基本周波数とそのすべての高調波を自動的に検出します 基本波とすべての高調波を除去するようにデータをフィルタリングします。 現時点では、ピリオドグラムで最大のピークを見つけ、それをで乗算することにより、ポイント1を非常に大まかに解くことができは、調和ピークの推定数ですが、このハックよりも良い方法である。1 、2 、。。。、N1,2,...,N1, 2, ..., NNNN ポイント2に関しては、コムフィルターを使用して基本波とそのすべての高調波を削除することについて言及しているこの質問に出くわしました。これは使用するのに最適な方法ですか？重要な考慮事項の1つは、大きな配列の各ピクセルの時系列にフィルターを適用する必要があるため、計算効率の高い方法が非常に望ましいことです。 データの例 ここに、.csvフォーマットの平均ピクセル値の例の1D時系列をアップロードしました。 ここでは、圧縮.matファイルに1000フレームのサンプル（空間的に2：1に間引かれた）も追加しました

7 filters  frequency-spectrum 

ペンの位置を追跡するためのホワイトボードを作成しています。私が持っているnホワイトボードの周囲に置かれた超音波レシーバ、およびペンでの超音波エミッタを。ペンはレシーバが検出するパルスを発します。マイクロプロセッサは各受信機のパルスの到着時間を収集し、到着時間差（TDOA）を使用して、マルチラテレーションアルゴリズムに従ってペンの位置を推定します。 超音波は表面で反射し、干渉を引き起こす可能性があります。これは、パルスの周波数の制限です。現時点では、ペンを10Hzでパルスします。これは、反射が消えて干渉しないのに十分です。残念ながら、10Hzは私の目的のためのサンプリングには十分高速ではありません。ペンが100Hzでパルスするのが理想的です。（ペンエミッターはマイクロコントローラーに接続されているので、パルスの形状と周波数を制御できます。） リフレクションの問題に取り組むためにどのようなトリックを使用できますか？いくつかの標準的なフィルタリング技術は何ですか？サイクルで異なるパルスパターンを使用すると、反射をフィルタリングできますか？

7 filters  frequency-spectrum  frequency