タグ付けされた質問 「visualization」

DSPグラフィックスまたはインストルメンテーション出力の適切な命名規則または受け入れられている命名規則に関して、スペクトル、スペクトログラム、スペクトログラフ、および同様の用語の違いは何ですか？また、チャート、グラフ、CRTディスプレイなどの種類はそれぞれ最もよく説明しています。 追加：また、スペクトル対時間グラフィックスの数冊の本で使用されるソノグラムという用語を見つけました。したがって、上記の用語のいずれかを優先して適切な場合、またはその逆の場合はいつですか？

16 frequency-spectrum  terminology  visualization 

離散ウェーブレット変換（DWT）詳細係数と元の信号/その再構成との関係を直接視覚化しようとしています。目標は、それらの関係を直感的な方法で示すことです。質問したい（下記の質問を参照）：私が思いついたアイデアとプロセスがこれまでに正しいかどうか、そして関係を視覚化する前に元の信号から第1レベルの近似値を差し引くほうがよいと私が正しい場合。 最小限の例 これは、1024の値を持つPythonのECGサンプルデータを単純な1D信号として使用して、私が説明の基にした最小限の例です。pywavelets import pywt import pywt.data import numpy as np import matplotlib.pyplot as plt x = pywt.data.ecg() plt.plot(x) plt.legend(['Original signal']) 分解は、合計6レベルのSymmlet 5を使用して行われます。 w = pywt.Wavelet('sym5') plt.plot(w.dec_lo) coeffs = pywt.wavedec(x, w, level=6) （不可逆）信号の再構成は、意図的に高レベルの詳細係数を除外したときに期待どおりに機能します（信号は、便宜上、均一なxスケール[0,1]にプロットされています）。 def reconstruction_plot(yyy, **kwargs): """Plot signal vector on x [0,1] independently of amount of values it contains.""" plt.plot(np.linspace(0, …

12 python  wavelet  reconstruction  decomposition  visualization 

この質問に似ています：視覚的に見事な数学の概念は説明が簡単ですが、FFTやフィルターなどの基本的なDSPの概念の視覚化にはどのようなものがありますか？

10 visualization 

私は音声認識、特に特徴抽出のためのMFCCの使用について研究しています。オンラインで見つけたすべての例は、特定の発話から抽出された一連のMFCCを次のようにグラフ化する傾向があります（私が作成しているソフトウェアから私が生成したグラフ）。 上のグラフからわかるように、 x軸は、（この例では12に1から）MFC係数のそれぞれのために使用されます y軸は、（この例ではおよそ10mlの液体フッ化水素を圧入-12から42の範囲）係数の値のために使用されます あなたは持っているフレームなど多くの行として、またはあなたが抽出されている特徴ベクトル（この例では140）。 ここで見ているのは、すべての特徴ベクトルを一度に重ね合わせたため、時間情報が失われているためです。この表現がどのように役立つかを理解するのに苦労しています。 私の考えでは、抽出したベクトルを次のように表現します（ここでも、私が生成したグラフです）。 上のグラフでは： x軸はフレームまたはベクトル数（1 140）に y軸（-12から42およそ10mlの液体フッ化水素を圧入し、再び）係数値であります あなたは持っている機能ごとに1行（12）。 私にとって、この表現は、特定の各機能の時間的変化を見ることができ、音声アルゴリズムに比較アルゴリズムを適用する方法により強い影響を与えるはずなので、より役立つはずです。 おそらく、2つの表現は等しく有効であり、さまざまな目的に役立ちます。時間領域または周波数領域で信号を調べる必要がある場合と同様ですが、音声認識の場合、各個人の時間の変化を予測します。機能は、各機能の値の密度よりも意味のあるものにしてください（おそらく私は完全に間違っています：P）。 したがって、実際には2つの質問があります。 なぜ最初の表現が広く使われているように見え、2番目の表現ではないのですか？ たとえば、動的タイムワーピング-DTWを使用して、このトピックに関連する、抽出されたMFCCの2つのセットを比較する場合、特徴ベクトル（つまり、12特徴の140ベクトル）またはフレーム（140フレームの12ベクトル）を比較しますか？ ）？（つまり、MxNまたはNxM？） ありがとう！

7 speech-recognition  mfcc  visualization  feature-extraction