タグ付けされた質問 「noise」

信号処理では、ノイズは無意味なランダムな不要なデータと考えることができます。

2
相互相関プロットから何が得られますか？
以下に示すように、ノイズの影響を受ける2つのオーディオ信号x（t）とy（t）があると仮定します。そして、これら2つの信号を相互相関させ、相互相関プロットを以下に示します。 この相関プロットには、約-11ミリ秒にピーク値があります。このプロットでこのピークをどのように解釈するかを理解しようとしていますか？どういう意味ですか？相関関数のフーリエ変換から何が得られるかについても教えてください。 前もって感謝します！
2
関数のサンプルからのテイラー級数係数の推定
いくつかのノイズを含むx iでサンプリングされた関数測定値があるとします。これは、テイラー級数展開で近似できます。私の測定からその拡張の係数を推定するための受け入れられた方法はありますか？y= y（x ）y=y(x)y = y(x)バツ私xix_i データを多項式に適合させることもできますが、それは正しくありません。テイラー級数の場合、x = 0のように中心点に近づくほど近似が良くなるためです。多項式を適合させるだけで、すべての点が等しく扱われます。 拡張点での微分のさまざまな次数を推定することもできますが、どの微分フィルターを使用するか、およびそれぞれにいくつのフィルター係数を使用するかを決定する必要があります。異なる派生物のフィルターはどういうわけか一緒に合わせる必要がありますか？ それで誰かがこれのために確立された方法を知っていますか？論文の説明や参照をいただければ幸いです。 明確化 以下のコメントに応じて、私のサンプリングは無限関数からの長方形のウィンドウであり、必ずしも帯域制限されているわけではありませんが、強い高周波成分はありません。具体的には、推定器のパラメーター（基になる組織の変形またはひずみのレベル）の関数として、推定器の分散（医療用超音波信号の変位を測定）を測定しています。変形の関数としての分散の理論的なテイラー級数があり、シミュレーションから得られるものと比較したいと思います。 同様のおもちゃの例は次のようになります：ノイズが追加されたxの間隔でサンプリングされたln（x）のような関数があるとします。あなたはそれが本当に何の関数かわからないので、x = 5の周りのテイラー級数を推定したいとします。したがって、関数は滑らかで、関心のあるポイントの周囲の領域でゆっくり変化します（たとえば、2 <x <8）。ただし、領域の外側では必ずしも良いとは限りません。 答えは役に立ちました、そしてある種の最小二乗多項式フィットはおそらく取るためのルートです。ただし、推定されるテイラー級数が通常の多項式近似と異なるのは、高次の項を削り落とし、多項式を元の関数に近似させることができることです。これは、初期点の小さい範囲内にあります。 したがって、おそらく、アプローチは、初期点に近いデータのみを使用して線形多項式近似を実行し、その後、さらに多くのデータを使用して2次近似を実行し、それより少し多くを使用して3次近似などを実行することになります。
1
可能なノイズシェーピングに制限？
100 kHz、16ビットアプリケーションでノイズシェーピングを行い、すべての量子化ノイズを25 kHz〜50 kHzバンドにシフトし、DC-25 kHzバンドのノイズを最小限に抑えたいです。 Mathematicaを設定して31サンプルのエラーフィルターカーネルを作成します。これは強化学習によってうまく機能します：少し学習した後、低周波帯域での低減とほぼ同じ量で高周波ノイズが約〜16dB向上します（中央の線は、整形されていないディザノイズレベルです）。これは、「Gerzon-Craven」ノイズシェーピング定理と一致しています。 今私の問題に： Gerzon-Cravenの定理はそれを禁止していませんが、私は徹底的な学習の後でもノイズをさらに形作ることができません。たとえば、ローバンドで40 dBの低減、ハイバンドで40 dBの増強を実現できるはずです。 だから私が遭遇している別の基本的な制限はありますか？ 私はシャノンのノイズ/サンプリング/情報の定理を調べてみましたが、しばらくしてから、なんとかして単一の制限を導き出すことができました。それは、シャノンの定理の直接の結果であるように見える、Gerzon-Cravenの定理です。 どんな助けでもありがたいです。 編集：詳細 まず、上記のノイズシェーピングを生成するフィルターカーネルです。最新のサンプルが右側にあることに注意してください。.01に丸められたBarChartの数値：{-0.16、0.51、-0.74、0.52、-0.04、-0.25、0.22、-0.11、-0.02、0.31、-0.56、0.45、-0.13、0.04、-0.14、 0.12、-0.06、0.19、-0.22、-0.15、0.4、0.01、-0.41、-0.1、0.84、-0.42、-0.81、0.91、0.75、-2.37、2.29}（厳密にはバー文字ではないが、同様の曲線を生成する） エラーフィードバックの実装に関する別の注意： エラーフィードバックの2つの異なる実装を試しました。最初に、丸められた出力サンプルを目的の値と比較し、この偏差をエラーとして使用しました。次に、丸められた出力サンプルを（入力+エラーフィードバック）と比較しました。どちらの方法でもまったく異なるカーネルが生成されますが、どちらもほぼ同じノイズシェーピング強度で横ばいになるようです。ここに投稿されたデータは、2番目の実装を使用しています。 これは、デジタル化された波のサンプルを計算するために使用されるコードです。stepは丸めのステップサイズです。waveはデジタル化されていない波形です（通常、信号が適用されていない場合はゼロのみ）。 TestWave[kernel_?VectorQ] := Module[{k = kernel, nf, dith, signals, twave, deltas}, nf = Length@k; dith = RandomVariate[TriangularDistribution[{-1, 1}*step], l]; signals = deltas = Table[0, {l}]; twave = wave; Do[ twave[[i]] -= k.PadLeft[deltas[[;; …
9 noise 
1
エッジのノイズを除去（圧縮効果）
圧縮された漫画の画像があります。例： それらにはそのようなノイズがあり、削除するのは容易ではありません。 ピクセルが灰色の背景にある場合でも、ノイズピクセルは非常に異なる色になる可能性があり、そのような画像の（グレースケール画像の）ヒストグラムを見ると、メインカラーのビンの周りに多数のビンが見られます。ただし、重要な機能（目など）を削除するリスクがあるため、メインカラーではない値の色だけを削除することはできません。また、画像をポスタリゼーション化しようとしましたが（例では8色を表示しています）、一部のピクセルがまだ残っています。 また、メジアンフィルターを試しましたが、そのような重いノイズを消すことはできません（私は3 * 3フィルターを使用しています）。 この場合、ノイズを効果的に除去できる方法をいくつか教えてください。私はどんな助けにも感謝します！
3
ノイズの多い音声信号からメッセージをフィルタリングする
非常にノイズの多いオーディオファイル（.wav）に隠されたメッセージを解読しようとしています（低ドローンが追加されたホワイトノイズだと思います）。メッセージは6桁の数字です。騒音についてこれ以上詳しく知りません。 私はローパスフィルターを使用して、高周波数のほとんどを排除すると数字が聞こえるようになることを期待しましたが、低ドローンを十分に取り除くことができず、声を十分に聞くことができません。私の試みは次のとおりでした（採用された機能freq_space_low_pass_filterは最後に含まれています）： [data, SampleRate, NbitsPerSample]=wavread('noisy_msg6.wav'); y=data(:,1); % we will work only with one channel in this demo N=length(y); %number of sample points t=( (1:N)*1/SampleRate ).'; % time spacing is 1/SampleRate and we want column vector Y=fft(y); spectrum_freq=fourier_frequencies(SampleRate, N); Freq3db=100; [spectrum_filtered,g_vs_freq]=freq_space_low_pass_filter(Y, SampleRate, Freq3db); y_filtered=ifft(spectrum_filtered); y_filtered=real(y_filtered); wavwrite(y_filtered/(0.1+max(y_filtered)), SampleRate, NbitsPerSample, 'noisy_msg6_filtered.wav'); %%%%%%%%down sampling%%%%%%%% …
4
ノイズの多い正弦波のゼロクロッシング
正弦波を方形波に変換するために、正弦波のゼロクロッシングを見つけようとしています。唯一の問題は、正弦波にノイズが多いため、大量のジッターと誤ったゼロ交差が発生することです。 誰でも簡単な擬似コードや関連資料を推薦できますか？これまでのところ、私はこのようなものを持っています： if (sample[i]>0 && sample[i+1]<0) || (sample[i]<0 && sample[i+1]>0) 誰かがより堅牢な方法を推奨できますか？
9 noise 
1
ピーク制限/オーディオ圧縮式が必要
ピークを制限するためにオーディオ波形を効果的に圧縮する式を探しています。これは、ボリュームレベルを維持するためにアンプのゲインを制御する「自動ボリュームコントロール」アプリケーションではなく、個々のピークを制限（「ソフト」トランケート）したいのです。（私はこれが高調波を導入することを知っていますが、私はそれを聞くのではなく、データを分析しようとしています。） これまでの私の（非常に粗雑な）式は次のとおりです。 factor = (10 * average / level) + exp(-sqrt(0.1 * level / average)) ここで、レベルは、瞬時音圧レベルであり、平均は過去の平均音圧レベルであり、係数は「調整」レベル（生成するために使用される乗数である係数倍レベル）。 さらに、この乗数は、1未満の値に計算される場合にのみ適用されます。それ以外の場合、レベルは調整されません。 意図は、調整されたレベルを過去の平均のいくつかの倍数（この式では約15倍）に制限することです。この式は私が必要とするものですが、数値が大きくなるにつれて「落ち込み」を示します。つまり、調整されたレベル（つまり、factor × level）は、調整されていないレベルが増加するポイントまで増加しますが、漸近するのではなく、実際に小さくなり始めます。（実際、最初の要素は、主に数式が非常に高い値でゼロにならないようにするために追加されました。） （この方法で値を制限する理由は、主に一時的なノイズがサウンドレベルの移動平均を深刻に混乱させないためです。しかし、いびきを分析しているときは、「一時的なノイズ」はかなり重要なので、単純にそれを抑制できます。 。） それで、誰かがより良い何かを提案できますか？（漸近的振る舞いは、望まないときは簡単に生成できますが、そうするときは難しいようです。）
1
波形の信号対雑音比を推定する方法は？
I信号を有する：、iは= 0 ... N - 1。f私（t私= I Δ T ）f私（t私=私Δt）f_i(t_i=i\Delta t)i = 0 … n − 1私=0…ん−1i = 0\ldots n-1 信号は、ゆっくりと変化する「トレンド」を中心に急速に変化するようです。急速に変化する部分はノイズであり、ゆっくり変化する部分は実際の信号であると想定しています。 信号の信号対雑音比（SNR）をどのように推定しますか？ ：私はtreshold周波数を決定することができればという思い、私は次の式を使用できます。ωtωt\omega_t Fはフーリエ変換を示し、F（T）。S/ N= ∫ωt0| F（ω ）|2∫∞ωt| F（ω ）|2S/N=∫0ωt|F（ω）|2∫ωt∞|F（ω）|2S/N=\frac{\displaystyle\int_0^{\omega_t}|F(\omega)|^2}{\displaystyle\int_{\omega_t}^{\infty}|F(\omega)|^2}FFFf（t ）f（t）f(t)
9 fft  noise  snr 
2
勾配ベースのハフ変換を実装する方法
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) + …
1
直交復調システムのIQプレーンにおけるアナログ信号対雑音比と信号対雑音比の関係は何ですか？
LO周波数付近のアナログノイズと、IQ復調後のIQ平面にあるポイントの統計値との定量的な関係を計算します。質問を完全に理解するために、最初にIQ復調システムの詳細を説明します。 IQ復調システム IQミキサーは、高周波で信号を取得し、信号をより低い周波数にすることで、より簡単に処理できるようにします。図1に、IQミキサーの回路図を示します。局部発振器（LO）信号cos(Ωtcos⁡(Ωt\cos(\Omega t）を使用して、RF信号をより低い周波数にミキシングします。 図1：完全な信号処理チェーン。マイクロ波周波数信号（およびノイズ）は、RFポートを介してIQミキサーに入ります。この信号は、局部発振器（LO）と混合され、中間周波数信号およびに変換されます。次に、中間周波数信号をフィルタリングして、残りの高周波成分（テキストを参照）を削除し、デジタルサンプリングします。各周波数成分の振幅と位相の検出は、デジタルロジックの離散フーリエ変換を介して行われます。IIIQQQ コヒーレント信号-DCケース 入力RF信号があると仮定します。次に、および信号は これらの信号をローパスフィルターに通して項 を削除し、 ご覧のとおり、dcとMcos(Ωt+ϕ)Mcos⁡(Ωt+ϕ)M \cos(\Omega t + \phi)IIIQQQI(t)Q(t)=M2cos(ϕ)+M2cos(2Ωt+ϕ)=−M2sin(ϕ)−M2sin(2Ωt+ϕ).I(t)=M2cos⁡(ϕ)+M2cos⁡(2Ωt+ϕ)Q(t)=−M2sin⁡(ϕ)−M2sin⁡(2Ωt+ϕ).\begin{align} I(t) &= \frac{M}{2} \cos(\phi) + \frac{M}{2} \cos(2\Omega t + \phi) \\ Q(t) &= -\frac{M}{2} \sin(\phi) - \frac{M}{2} \sin(2\Omega t + \phi) \, . \end{align}2Ω2Ω2 \OmegaIF(t)QF(t)=M2cos(ϕ)=−M2sin(ϕ).IF(t)=M2cos⁡(ϕ)QF(t)=−M2sin⁡(ϕ).\begin{align} I_F(t) &= \frac{M}{2} \cos(\phi) \\ Q_F(t) &= -\frac{M}{2} \sin(\phi) \, . …
4
高品質ノイズ除去に使用される凸最適化問題の解決
この質問に対する最高投票数の回答は、鋭い遷移を維持しながら信号のノイズを除去するには、 目的関数を最小化します。 |x−y|2+b|f(y)||x−y|2+b|f(y)| |x-y|^2 + b|f(y)| ここで、xxxはノイズの多い信号、yyyはノイズ除去された信号、bbbは正則化パラメーター、|f(y)||f(y)||f(y)|いくつかのL1標準ペナルティです。ノイズ除去は、この最適化問題の解yyyを見つけることによって行われ、bbbはノイズレベルに依存します。 しかしながら、特に信号が例えば1000万サンプルの長さである場合、それが非常に高次元の空間における問題であるので、実際にそれをどのようにして達成することができるかを示すものはありません。実際には、この種の問題はどのようにして大きな信号に対して計算で解決されますか？
2
エッジ検出アルゴリズムを使用した直線
私はオブジェクト認識のアルゴリズムを考えていましたが、ノイズのない直線に大きく依存し、エッジ検出アルゴリズムではこれを取得するのが難しいことがわかっています。直線をできるだけまっすぐに取得するための最適なエッジ検出アルゴリズムは何ですか？
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.