信号处理

为信号,图像和视频处理领域的艺术和科学从业者提供的问答


2
固定与非固定信号?
教科书和维基百科上有很好的技术定义,但是我很难理解在实践中区分固定信号和非固定信号的原因是什么? 以下哪个离散信号是固定的?为什么?: 白噪声- 是(根据找到的所有可能的信息) 有色噪声- 是(根据 有色噪声:固定的还是非固定的?) rp(频率变化的窦)-? 窦-? 不同周期和振幅的多个窦的总和-? ECG,EEG,PPT和类似的-? 混沌系统输出(mackey-glass,后勤图)-? 记录户外温度-? 外汇市场货币对发展的记录-? 谢谢。

3
为什么在合成(IDFT)而不是分析(DFT)时将幅度标准化?
在我看到的大多数示例和FFT代码中,前向DFT操作的输出(频率幅度)按N进行缩放-即,不是给您每个频率仓的幅度,而是给您N倍的幅度。 在操作上,这仅仅是因为DFT是通过将信号的内积与每个基本正弦值(即未归一化的相关性)相乘来计算的。但是,这不能回答这样一个哲学问题,即为什么我们不返回输出之前就只除以N? 相反,大多数算法在重新合成时除以N。 这对我来说似乎是违反直觉的,并且(除非我遗漏了一些东西)这使DFT的所有解释都非常混乱。 在每种情况下,我都可以做梦,实际的幅度(不是幅度* N)是我从DFT操作中需要的值,而归一化的幅度是我想输入到IDFT操作中的值。 为什么不将DFT定义为DFT / N,而将IDFT定义为归一化正弦波的简单总和?

1
使用错误预测过滤器过滤半已知信号
我正在设法正确地使用Wiener或错误预测过滤器来过滤数据。在我看来,它只是一个白化滤波器,因此当您要恢复的数据不是AWGN信号时如何使用它? 例如,我有一个信号,它具有多个不同的干扰信号-我可以在PSD上看到它们,但我不知道它们是a)静止的,并且b)它们具有什么特性。我可以使用类似Yule-Walker方程的方法为整个信号恢复AR模型,但是在这种情况下,我只想恢复干扰信号的模型,而不是我想要恢复的部分。 我尝试实现一个自适应LMS陷波滤波器,其参考信号为单个正弦波,但是对我来说却太窄了,不能很好地跟踪信号中的频率变化。 我想基本上我的问题是,如果我使用错误预测过滤器过滤实际数据,那么如何将数据部分与噪声部分分开?换句话说,我不想让整个信号变白,而只是让噪声部分变白。我想念什么?


4
卡尔曼滤波器跟踪的直观解释
对于使用卡尔曼滤波器的(视觉)跟踪的直观解释,我将不胜感激。我知道的: 预测步骤: 动态系统状态:时间目标位置XŤXŤ\mathbf x_tŤŤt 度量:时间索引为(??)的图像žŤžŤ\mathbf z_tŤŤt 基于图像/测量我想预测状态吗?(使用动态方程式)正确吗?1 → (t − 1 )1个→(Ť-1个)1\rightarrow(t-1)XŤXŤ\mathbf x_t 如何将校正步骤解释为这些术语(图像,目标位置)?

4
如何从FFT计算频谱平坦度?
好的,光谱平坦度(也称为维纳熵)定义为光谱的几何平均值与其算术平均值的比值。 Wikipedia和其他参考资料说明了功率谱。那不是傅立叶变换的平方吗?FFT产生一个“振幅频谱”,然后求平方得到“功率频谱”? 基本上,我想知道的是spectrum = abs(fft(signal)),其中哪些是正确的? spectral_flatness = gmean(spectrum)/mean(spectrum) spectral_flatness = gmean(spectrum^2)/mean(spectrum^2) 维基百科的定义似乎直接使用幅度: 其中x(n)代表区间数n的大小。F l a t n e s s = ∏ñ− 1n = 0x (n )---------√ñ∑ñ− 1n = 0x (n )ñ= 经验(1ñ∑ñ− 1n = 0lnx (n ))1个ñ∑ñ− 1n = 0x (n )F升一种ŤñËss=∏ñ=0ñ-1个X(ñ)ñ∑ñ=0ñ-1个X(ñ)ñ=经验值⁡(1个ñ∑ñ=0ñ-1个ln⁡X(ñ))1个ñ∑ñ=0ñ-1个X(ñ) \mathrm{Flatness} = \frac{\sqrt[N]{\prod_{n=0}^{N-1}x(n)}}{\frac{\sum_{n=0}^{N-1}x(n)}{N}} = \frac{\exp\left(\frac{1}{N}\sum_{n=0}^{N-1} \ln x(n)\right)}{\frac{1}{N} …

2
给定捕获设备的欧拉角,卡尔曼滤波器是否适合过滤投影点位置?
我的系统如下。我使用移动设备的相机跟踪对象。通过此跟踪,我获得了在屏幕上投影的四个3D点,从而获得了四个2D点。由于检测到,这8个值有点嘈杂,因此我想对其进行过滤以使运动更平滑,更真实。作为第二项测量,我使用设备的陀螺仪输出,该输出提供了三个欧拉角(即设备的姿态)。它们比2D位置(大约20 Hz)更精确,频率更高(最高100 Hz)。 我的第一个尝试是使用简单的低通滤波器,但是滞后很重要,因此我现在尝试使用卡尔曼滤波器,希望它能够在几乎没有延迟的情况下平滑位置。如上一个问题所示,卡尔曼滤波器的一个关键点是测量值与内部状态变量之间的关系。这里的测量值既是我的8个2D点坐标,也是3个Euler角,但是我不确定应该用作内部状态变量以及如何将Euler角连接到2D点。因此,主要问题是,卡尔曼滤波器是否甚至适用于该问题?如果是的话,怎么办?

1
平方超根函数有哪些近似技术?
我需要实现的倒数的近似值,即平方超根(ssrt)函数。例如,表示。与使用幂级数更直接的方法相比,我对了解特定的精度/位深度不感兴趣,而对了解我的选择却不那么感兴趣。小号小号ř 吨(2 )≈ 1.56 1.56 1.56 ≈ 2xxxxx^xssrt(2)≈1.56ssrt(2)≈1.56\mathrm{ssrt}(2) \approx 1.561.561.56≈21.561.56≈21.56^{1.56} \approx 2 Wolfram Alpha 就Lambert W函数(即)给出了一个很好的符号解决方案。维基百科给出了相同的公式,以及等效的。鉴于在计算 [1] [2]方面有合理的信息量,从技术上讲,这是为各种需求实现某些东西所需的一切。我知道至少有两本书详细介绍了关于 [3] [4]的详细信息,因此从该方向上甚至还有很多优化的空间。ln(x)/W(ln(x))ln⁡(x)/W(ln⁡(x))\ln(x)/W(\ln(x))eW(ln(x))eW(ln⁡(x))e^{W(\ln(x))}W(x)W(x)W(x)ln(x)ln⁡(x)\ln(x) 但是,我有两个问题: 此功能专用的近似技术是否已在任何地方发布? 除了“平方超级根”以外,它是否还有其他名称,这将使搜索参考变得容易一些? Wikipedia / Google已经找到了一些引用,这些引用专门用于更一般的“文本”功能,其中包括作为特例,但其中大多数似乎更适合于探索/定义一般情况。ssrt(x)ssrt(x)\mathrm{ssrt}(x) - Corless,R .;Gonnet,G .;野兔,D。杰弗里(D. Knuth,Donald(1996),“关于Lambert W函数”, http://www.apmaths.uwo.ca/~djeffrey/Offprints/W-adv-cm.pdf 数学函数数字图书馆。http://dlmf.nist.gov/4.13 Crenshaw,Jack W.(2000),《实时编程的数学工具包》。 Hart,John F.(1978),计算机近似。 Chapeau-Blondeau,F.和Monir,A.(2002)。Lambert W函数的数值评估及其在指数为1/2的广义高斯噪声生成中的应用。IEEE Transactions on Signal Processing 50,2160-2165。http://www.istia.univ-angers.fr/~chapeau/papers/lambertw.pdf 米内罗,保罗。快速近似兰伯特w ^。http://www.machinedlearnings.com/2011/07/fast-approximate-lambert-w.html - 更新资料 在过去几天进行了更多研究之后,我仍然没有发现那种动手的“ …


2
如何使用Parks-McClellan算法设计Nyquist插值滤波器?
我们可以使用Parks-McClellan算法轻松设计服从某些频域约束的插值滤波器。但是,目前尚不清楚如何实施时域约束。特别是,我对生成Nyquist过滤器感兴趣。因此,如果我对进行过采样,则对于非零整数N,我希望滤波器在处具有零交叉(这确保了插值器的输入采样将出现在输出序列中)。kNk 我看过Harris 1谈论一种设计半带滤波器的技术,即特例where N=2。有一个通用的解决方案吗?(我知道我们可以使用window方法轻松设计过滤器,但这并不能提供相同的控件。) [1] 通信系统的多速率信号处理,第208-209页

3
设计信号滤波器的好教科书
从几个月前开始,我就开始积极参与动力系统的控制领域。 在大多数情况下,为给定的动态系统设计控制器将需要采用数字信号处理技术,尤其是在信号滤波器领域。 由于我没有控制工程专业背景,所以我想知道你们中的任何人是否可以向我提供有关声音信号教科书的建议,这些教科书涉及信号滤波器的某些细节。 理想情况下,教科书应包括: 介绍DSP领域最常见的滤波器; 解释其在频域和时域的主要特征; 它们通常在哪些情况下使用(角色或过滤器功能)。 尽管是一个幼稚的问题,但我希望您可以建议一些教科书。

3
SNR和PSNR之间的差异
我了解到,SNR是信号功率与噪声功率之比。在图像方面,原始图像如何受添加的噪波影响。在PSNR中,我们将图像中峰值的平方(对于8位图像,峰值为255)除以均方误差。SNR和PSNR用于测量重建后的图像质量。我了解到SNR或PSNR越高,重建效果越好。我不了解SNR和PSNR关于重建图像的结论有何不同。 图像的PSNR得出什么结论,而同一图像的SNR无法得出结论? PSNR的结论与SNR的结论有何不同?

6
通过在参数曲线上分布极点和零点来进行滤波器设计
一个NNN阶巴特沃斯低通滤波器的截止频率的ωcωc\omega_c可以通过分发被设计NNN相对于参数均匀磁极0&lt;α&lt;10&lt;α&lt;10 < \alpha <1上的s平面参数曲线f(α)=ωcei(π/2+πα)f(α)=ωcei(π/2+πα)f(\alpha) = \omega_c e^{i(\pi/2+\pi\alpha)},这是一个半圆: 图1. 6阶巴特沃兹滤波器的极点(CC BY-SA 3.0 Fcorthay) 值得注意的是,相同的参数曲线可用于任何给出非归一化传递函数的滤波器度NNN: H(s)=∏k=1N1s−f(2k−12N),(1)(1)H(s)=∏k=1N1s−f(2k−12N),H(s)=\prod_{k=1}^N\frac{1}{s-f\left(\frac{2k-1}{2N}\right)},\tag{1} 并且所得的过滤器始终是Butterworth过滤器。也就是说,没有其他具有相同极点和零点数量的滤波器在频率ω=0ω=0\omega = 0和,幅度频率响应的消失导数更高ω=∞ω=∞\omega = \infty。的一组具有相同的截止频率巴特沃斯滤波器的ωcωc\omega_c形成巴特沃斯的一个子集来过滤该参数曲线f(α)f(α)f(\alpha)是唯一的。子集是无限的,因为NNN没有上限。 更一般地,除非它们源自参数曲线,否则不对无穷大的极点和零点进行计数,任何具有NNpNNpNN_p极点和NNzNNzNN_z零点,NNN个整数和Nz/NpNz/NpN_z/N_p个整数的非负分数的滤波器都具有未归一化的传递函数形式: H(s)=∏NNzk=1(s−fz(2k−12NNz))∏NNpk=1(s−fp(2k−12NNp)),(2)(2)H(s)=∏k=1NNz(s−fz(2k−12NNz))∏k=1NNp(s−fp(2k−12NNp)),H(s)=\frac{\prod_{k=1}^{NN_z}\left(s-f_z\left(\frac{2k-1}{2NN_z}\right)\right)}{\prod_{k=1}^{NN_p}\left(s-f_p\left(\frac{2k-1}{2NN_p}\right)\right)},\tag{2} 其中fp(α)fp(α)f_p(\alpha)和fz(α)fz(α)f_z(\alpha)是参数曲线,可以描述极点中极点和零点的分布N→∞N→∞N\to\infty。 问题1:除了由最佳准则定义的Butterworth以外,还有哪些其他类型的滤波器具有无限的子集,每个子​​集分别由分数Nz/NpNz/NpN_z/N_p和每方程式的一对参数曲线fp(α)fp(α)f_p(\alpha)和fz(α)fz(α)f_z(\alpha)。2,滤波器仅相差NNN?类型I Chebyshev过滤器,是的;通过它们,极点位于参数角为的椭圆的一半上αα\alpha。Butterworth和I型和II型Chebyshev滤波器都是椭圆滤波器的特例。需要明确的是,“无限子集”并不是指无限数量的子集,而是无限大小的子集。 问题2:非Butterworth-非Chebyshev椭圆滤波器是否具有这样的无限子集? 问题3:难道每个椭圆滤波器都是这样的无限子集吗? 如果所有椭圆滤波器的无穷集是椭圆滤波器的互斥和穷举无穷子集的并集,则每个子集由用于放置极点的单个参数曲线和用于放置零的单个参数曲线以及不可逆部分的数量定义零到极点,然后可以通过优化参数曲线而不是针对任何特定顺序的滤波器来进行数值优化以获得椭圆滤波器。最优曲线可以重复用于多个滤波器阶数,从而保持最优性。上面的“ if”是为什么我问问题2和3。问题1是关于将方法扩展到其他最优标准的。 椭圆滤波器的零极点图肯定看起来像有一些基本曲线: 图2. s平面上的椭圆低通滤波器的对数幅度。白点是极点,黑点是零。 一个线索是每等式。如图1所示,多个滤波器之间必须共享某些值,αα\alpha因此某些极点和零位置必须共享: 图5.通过曲线参数αα\alpha获得的不同滤光度NNN。请注意,对于几个滤波器阶数,我们有例如α=0.5α=0.5\alpha = 0.5或α=0.25α=0.25\alpha = 0.25和α=0.75.α=0.75.\alpha = 0.75. 特别是,对于具有NNN极点或零个的滤波器,它们也都出现在具有3nN3nN3nN相同的滤波器中,其中nnn是任何正整数。 根据用户A_A的要求,展示了极其干燥的幽默,我看了一下Bernoulli的切线作为s平面参数曲线的示例: 图4.伯努利刑法 下面的参数曲线给出了伯努利双引理线的左半部分,参数0&lt;a&lt;10&lt;a&lt;10 < a < 1,并且在处开始和结束s=0s=0s=0: f(α)=−2–√sin(πα)cos2(πα)+1+i2–√sin(πα)cos(πα)cos2(πα)+1f(α)=−2sin⁡(πα)cos2⁡(πα)+1+i2sin⁡(πα)cos⁡(πα)cos2⁡(πα)+1f(\alpha) = -\frac{\sqrt{2}\sin(\pi\alpha)}{\cos^2(\pi\alpha) …


By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.