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。

1
ノイズのある勾配から関数を数値で計算するにはどうすればよいですか?
モデルます。 s (x 、y)= x2+ y2、0 ≤ X ≤ 1 、0 ≤ Y≤ 1 s(バツ、y)=バツ2+y2、0≤バツ≤1、0≤y≤1\ s(x,y)=x^2+y^2, 0 \leq x \leq 1, 0 \leq y \leq 1 モデルを直接観察する代わりに、モデルの派生物といくつかのノイズ(e)を観察しています。 p (x 、y)= sバツ+ e 、q(x 、y)= sy+ e p(バツ、y)=sバツ+e、q(バツ、y)=sy+e\ p(x,y)=s_x+e, q(x,y)=s_y+e p(x、yおよびq(x、y)の測定値からs(x)を推定したいのですが、s(0,0)= 0だと知っています。 勾配定理によれば、 s (x 、y)= ∫(x 、y)(0 、0 )[ sバツ、sy] …

4
周波数範囲の「変動性」を判断する方法は?
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。

2
破損したjpegからグリッドパターンを削除するために適用できる画像フィルターはどれですか。
なんとか破損していて、バックアップイメージを失った約1,400のJPEGがあります。それらはすべて、それぞれに同じグリッド線のパターンがあるように見えます(つまり、グリッド線は画像間で移動しません。 これらの画像の1つは次のようになります。 このグリッドパターンを削除または平滑化する、Matlab固有の画像フィルタリング技術などはありますか?

2
カルマンフィルターは、異分散性ノイズの最良の線形不偏推定量(BLUE)ですか?
ガウスマルコフ定理によれば、システムに入るノイズがゼロ平均と無相関であり、等分散性である(一定の有限分散を持つ)場合、通常の最小二乗推定量は青になります。カルマンフィルターが平均と分散が既知であるがガウス以外の分布の加法性ノイズがあるシステムに適用されていることは知っています。これは、ノイズが等分散的でなければならないことを意味しますか?それとも、KFはその裏技を持っていますか?

5
オーバーサンプリングの前にホワイトノイズを追加してデジタル化を改善する
私は物理学の本を読んでいて、信号をデジタル化するときに、プロセスを改善するためにホワイトノイズが追加されたと言っていました。これがどのように機能するのかわかりません。したがって、私の質問は次のとおりです。 アナログ信号をデジタル化する場合、オーバーサンプリングと組み合わせるとノイズを追加することがどのように有益になりますか?


1
ノイズがガウスかどうかを判断する数学的な方法はありますか?
信号のノイズがガウスかどうかを判断する数学的な方法はありますか? これまでに知っている唯一の方法は、ヒストグラムを分析してガウス分布を重ね合わせ、分布がガウスかどうかを視覚的に判断することです。ノイズがガウスであるかどうかを判断するための数学的な方法があるかどうか、および結果がどの程度正確かを知りたいのですが。
8 noise  gaussian 

2
いつ、どのようにウィーナーフィルターを使用しますか?
このトピックについて少し洞察を得ようとしています。私が理解している限り、決定された信号はウィーナーフィルターに入り、出力はいくつかの望ましい信号の推定値です。次に、希望する信号をフィルターの出力に差し引いて、推定誤差を計算します。この図は、先ほど説明したものを表しています。x (n )=s^(n )x(n)=s^(n)x(n) = \hat{s}(n)、希望信号の推定 s (n )s(n)s(n)、および w (n )w(n)w(n) と何らかの相関がある信号です s (n )s(n)s(n): 推定しようとした理由がわかりません s (n )s(n)s(n) すでに持っている場合(エラーを計算できません) e (n )e(n)e(n) 希望する信号がなかった場合)。 次の図は、私にはもう少し理にかなっています。 それは標準的なノイズ低減フィルターでしょう。ノイズの多い信号が入り、ノイズの少ない信号が出ます。 私が見つけた3番目のケースがあります: ここでは、ノイズを推定します v (n )v(n)v(n) ノイズの多い信号から差し引く s (n )+ v (n )s(n)+v(n)s(n)+v(n) そして、よりクリーンなバージョンを入手し、 s^(n )s^(n)\hat{s}(n)。この場合、最初の質問と同じ質問があります。なぜノイズを推定してそれから差し引くのでしょうか。s (n )+ v (n )s(n)+v(n)s(n)+v(n) フィルターの入力に置くためにノイズ信号が何であるかをすでに知っている必要がある場合? つまり、要約すると、これらのケースがすべて役立つかどうか、またある意味で同等であるかどうかを知りたいのです。また、なぜ彼らはすでに既知の信号を常に推定するのか、またはそれらがそれを行わず、私が正しく考えていないのかを理解したいと思います。

2
ノイズに対するウィンドウ処理の影響
選択したウィンドウに応じて、信号を時間内で切り捨てると周波数応答が「不鮮明」になることを理解しています。一般的に、信号の持続時間が短いほど、周波数応答が「平坦化」されます。これを次に示します(http://www.thefouriertransform.com/pairs/box.php)。 しかし、ウィンドウの長さは(帯域制限された加法性ホワイトガウス)ノイズの周波数応答にどのように影響しますか?振幅、持続時間、および対応するメインローブが、振幅および幅の周波数領域にある長方形のウィンドウを想定します。AAATTTsinc(⋅)sinc⁡(⋅)\operatorname{sinc}(\cdot)ATATA\,T2T2T\frac{2}{T} F{A⋅rect(tT)}=∫+∞−∞A⋅rect(tT)e−j2πft dt=∫+T2−T2Ae−j2πft dt=Asin(πfT)πf=ATsinc(fT)F{A⋅rect⁡(tT)}=∫−∞+∞A⋅rect⁡(tT)e−j2πft dt=∫−T2+T2Ae−j2πft dt=Asin⁡(πfT)πf=ATsinc⁡(fT)\begin{align} \mathscr{F}\bigg\{A \cdot \operatorname{rect}\left(\tfrac{t}{T}\right) \bigg\} &= \int_{-\infty}^{+\infty} A \cdot \operatorname{rect}\left(\tfrac{t}{T}\right) \, e^{-j2\pi ft} \ dt \\ \\ &= \int_{\frac{-T}{2}}^{\frac{+T}{2}} A \, e^{-j2\pi ft} \ dt \\ \\ &= A \, \frac{\sin(\pi fT)}{\pi f} \\ \\ &= A \,T \, \operatorname{sinc}(fT) \\ \end{align} 場合固定し、そして半減し、それがもたらすであろう半割振幅が、メインローブ幅を倍増しました。このを畳み込むと、キャンセルされるため、周波数領域でノイズの「同じ」振幅が発生するように見えます。つまり、特定の周波数に寄与する有効ノイズ帯域幅は2倍になりますが、その帯域幅のHzあたりの寄与は半分になります。ああATTT罪罪\operatorname{sinc}罪罪\operatorname{sinc}12⋅ 2 …

2
メインエッジを破壊せずにノイズを取り除く方法は?
私はプロジェクトに取り組んでいます。車からロゴを分割したいのですが、写真のサイズは3648 * 2432です。ロゴは赤い長方形で選択されています。 この領域を抽出して、グレーレベルに変換します。エリアのサイズは249 * 173です。次に、ヒストグラムイコライズを使用してエッジを強調します。最後に、適応型cannyを使用してエッジを見つけます。 ただし、結果は完璧ではありません。そこで、中央のフィルターを使って左の画像を滑らかにしました。結果は以下の通りです。 細かい部分を外します。 結果は改善されましたが、それも良くありません。また、バイラテラルフィルター、ミーンフィルター、ガウシアンフィルターを試してみましたが、あまり良くありません。ヒストグラムイコライズを通過した後、ノイズが強調されることを知っています。しかし、場合によっては、コントラストが低いため、このステップを調整して自分の写真を強調する必要があります。私に別のコメントを提供できる人はいますか?どうもありがとうございました。

1
ホワイトノイズDC成分
私はDSPを初めて使用するのですが、実際にはコンピュータサイエンスを勉強しており、DSPを選択科目として採用しているため、私の知識はかなり限られています。 私は純粋なことを学んできた白色雑音信号 、それが非ゼロで持つように、それはまた、ゼロ周波数を有することを意味すること、例えば、すべての可能な周波数を持つ直流(?それそれがどういう意味)コンポーネントはなく、定義することにより、純粋なホワイトノイズはゼロ平均を持っており、したがって、DC成分はゼロです。 何が欠けていますか? ありがとう!

1
ノイズはどのように良いのでしょうか?
(制御された)ノイズは、画像にディザリングしたり、オーディオに柔らかな音をしたり、ホワイトノイズだけの場合もあるようです。これは、検出能を向上させるノイズに関する論文です。私の直感はまた、金融取引アルゴリズムのノイズが一種のヘッジとして機能する可能性があると述べています。 私にはいくつかの例があります—漠然とした哲学的な本能だけです。なぜ、どのようにノイズが良いのかについての一般的な文献や理論はありますか?または他の/より良い例?
7 noise 

1
色付きノイズが存在する場合の最尤推定
測定ノイズ(1)ホワイトガウスノイズ(2)カラーノイズ-ピンク、バイオレットの存在下でシステムの識別をテストしようとしています。パラメータを推定するとき、iidの存在下で推定すると、ゼロは無相関ノイズを意味します。 Q1:色付きノイズが相関しているかどうか知りたいのですが。それらは異なる分布をしていると思いますが、サンプルが相関するかどうかについては、情報を見つけることができませんでした。 Q2:推定では、ノイズは相関のないiidである加法性ホワイトガウスノイズであると想定しています。ノイズがガウスでない場合はどうなりますか?例:x = s (θ )+ Co l o r e dN O I S Eバツ=s(θ)+Coloredんo私sex = s(\theta) + Colored noise 見積もろうとしているところ θθ\theta。パフォーマンス、つまりMSEは、色付きノイズと色なしノイズのレベルによって異なりますか?



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.