タグ付けされた質問 「statistics」

リアルタイムアプリケーションの信号の平均と標準偏差を見つける理想的な方法は何でしょうか。信号が一定時間平均から3標準偏差以上外れたときにコントローラーをトリガーできるようにしたいと思います。 専用のDSPがこれを非常に簡単に行うと仮定していますが、それほど複雑なものを必要としない「ショートカット」はありますか？

31 statistics  real-time  measurement 

現在、Matlabを使用してさまざまな信号を作成し、混合行列Aで乗算して混合し、FastICAを使用して元の信号を取得しようとしています。 これまでのところ、元の信号と比較した場合、復元された信号は本当に悪いものでした。 私は何か間違ったことをしているかどうかを確認しようとしています。私が生成している信号は次のとおりです。 s1 = (-x.^2 + 100*x + 500) / 3000; % quadratic s2 = exp(-x / 10); % -ve exponential s3 = (sin(x)+ 1) * 0.5; % sine s4 = 0.5 + 0.1 * randn(size(x, 2), 1); % gaussian s5 = (sawtooth(x, 0.75)+ 1) * 0.5; % sawtooth …

14 matlab  ica  statistics  independence 

この投稿を改善してみませんか？この質問に対する詳細な回答を提供します。これには、引用と、回答が正しい理由の説明が含まれます。詳細が不十分な回答は編集または削除される場合があります。 カルマンフィルターはまったく新しいものです。条件付き確率と線形代数に関するいくつかの基本的なコースを受講しました。誰かがカルマンフィルターの操作を理解するのに役立つ、良い本やWeb上のリソースを提案できますか？ ほとんどのウェブサイトは公式とその意味から直接始まりますが、私はその導出、または詳細な導出ではないとしても、少なくとも各操作とパラメーターの物理的な重要性に関心があります。

12 kalman-filters  statistics  linear-algebra 

入力信号と出力信号のFFTを比較して、システムの応答を計算するソフトウェアを開発しています。入力信号と出力信号はウィンドウに分割され、ウィンドウごとに、信号は中央値減算され、ハン関数で乗算されます。そのウィンドウの機器応答は、処理されたデータのFFTの比率になります。 上記は標準的な手順であると思いますが、説明が不十分な場合があります。私の問題は、複数のウィンドウからの応答を組み合わせる方法にあります。 私が見る限り、正しいアプローチは、すべてのウィンドウにわたって複雑な値を平均することです。振幅と位相の応答は、各周波数での平均の複素数値の振幅と位相になります。 av_response = sum_windows(response) / n av_amplitude = sqrt(real(av_response)**2 + imag(av_response)**2) av_phase = atan2(imag(av_response), real(av_response)) 周波数ビン上の暗黙のループ。 しかし、私はこれを変更して、最初に各ウィンドウで振幅と位相を計算し、次にすべてのウィンドウで振幅と位相を平均するように求められました。 amplitude = sqrt(real(response)**2 + imag(response)**2) av_amplitude = sum_windows(amplitude) / n phase = atan2(imag(response), real(response)) av_phase = sum_windows(phase) / n 角度の平均が「間違っている」ため、これは正しくないと主張しました。たとえば、0度と360度の平均は180度ですが、一緒に作業している人は「OK、振幅のみを表示します」と応答しました。 だから私の質問は： 振幅についても2番目のアプローチは一般的に正しくないと私は思いますか？ もしそうなら、関連している可能性のある例外はありますか、そしてそれは私が一緒に働いている人々が2番目の方法を好む理由を説明するかもしれませんか？たとえば、ノイズが小さくなると2つのアプローチが一致するように見えるので、おそらくこれは低ノイズの受け入れられる近似ですか？ 2番目のアプローチが正しくない場合、これを示すために使用できる説得力のある信頼できる参照はありますか？ 2番目のアプローチが正しくない場合、振幅についてこれを示す良い、理解しやすい例はありますか（0と360度の平均は位相に対してそうです）？ あるいは、私が間違っている場合、自分をよりよく教育するためにどんな本がいいでしょうか？ 私は-1 1 1 -1 1 …

11 fft  statistics  frequency-response 

信号の2つ以上の部分が相互に関連していると半形式的に説明するために相互に関連付けられているという考えに、しばしばつまずきます。たとえば、画像処理では、エッジフィーチャ上の2つのピクセルは相関する傾向がありますが、粒子シミュレーションで水滴を表す3D構造の2つの隣接する部分はあまり相関していません。私の質問は、この概念の背後にある正確なアイデアは何ですか。

10 statistics  correlation  terminology 

説明していただけますか。「ガウスノイズ」と呼ばれる特定の種類のノイズはなぜですか。それをガウスと呼ぶことがなぜ関連するのですか？素人の言葉で説明してください。

9 noise  gaussian  statistics 

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) \, . …

9 noise  demodulation  statistics  quadrature 

2つの信号間のマグニチュード2乗コヒーレンス（MSC）を計算する必要があります。ただし、信号が明らかに異なるにもかかわらず、1つのテーパーのみを使用する（またはテーパーをまったく使用しない）ルーチンを使用すると、結果は常に1になります。複数のテーパーを使用する場合、これは起こりません。この異常な結果の説明を検索すると、MSC自体の紛らわしい特性がわかります。私が使用している定義はこれです γ2(ω)=|X(ω)Y(ω)¯¯¯¯¯¯¯¯¯¯¯|2(X(ω)X(ω)¯¯¯¯¯¯¯¯¯¯¯).(Y(ω)Y(ω)¯¯¯¯¯¯¯¯¯¯¯)γ2(ω)=|X(ω)Y(ω)¯|2(X(ω)X(ω)¯).(Y(ω)Y(ω)¯)\gamma^2(\omega)=\frac{ |X(\omega)\overline{Y(\omega)}| ^2}{(X(\omega)\overline{X(\omega)}).(Y(\omega)\overline{Y(\omega)}) } XとYは、周波数に依存するフーリエ変換された信号ですωω\omega。ただし、固定周波数でこれらの関数の値として2つの複素数を取る場合、結果は常に1になります。|z|2=zz¯¯¯|z|2=zz¯|z|^2=z\overline{z} その後 γ2=（XY¯¯¯¯）（XY¯¯¯¯）¯¯¯¯¯¯¯¯¯¯¯¯¯バツバツ¯¯¯¯YY¯¯¯¯=（XY¯¯¯¯）（バツ¯¯¯¯Y）バツバツ¯¯¯¯YY¯¯¯¯=バツバツ¯¯¯¯YY¯¯¯¯バツバツ¯¯¯¯YY¯¯¯¯= 1γ2=(XY¯)(XY¯)¯XX¯YY¯=(XY¯)(X¯Y)XX¯YY¯=XX¯YY¯XX¯YY¯=1\gamma^2=\frac{(X\overline{Y})\overline{(X\overline{Y})} }{X\overline{X}Y\overline{Y}}=\frac{(X\overline{Y})(\overline{X}Y) }{X\overline{X}Y\overline{Y}}=\frac{X\overline{X}Y\overline{Y} }{X\overline{X}Y\overline{Y}}=1 確かに誤解している部分があるはずですが、何なのかわかりません。キャッチは何ですか？ 編集：信頼できるソースとしていくつかのMATLABリンクを使用します。MSコヒーレンスの定義 http://www.mathworks.com/help/signal/ref/mscohere.html クロスパワースペクトル密度の定義 http://www.mathworks.com/help/signal/ref/cpsd.html （パワースペクトル密度は、「自動クロス」スペクトル密度、つまり自己相関のフーリエ変換です）相互相関のフーリエ変換の重要なプロパティは、ウィキペディアの「プロパティ」にあります。 別の情報源は、「生物医学信号処理におけるコヒーレンス機能」という名前でググリングしていることがわかります。申し訳ありませんが、ここに直接リンクを投稿しませんでした。十分な「評判」がありません。

7 discrete-signals  signal-analysis  statistics  coherence