信号处理

对于哪种类型的滤波器设计问题，遗传算法或进化算法可能有用？ DSP问题使用哪种遗传或进化算法？ 编辑：我扩展了问题，以包括更大的一组进化算法，例如差分进化。

14 filter-design  adaptive-algorithms 

我发现这是一个简单的但差的低通滤波器： y(n)=x(n)+x(n−1)y(n)=x(n)+x(n−1)y(n) = x(n) + x(n-1) 但是，我不明白为什么它是一个低通滤波器。它的截止频率是多少？

14 filters  lowpass-filter 

我正在构建没有载波频率的光学OOK（开关键环）系统。[但是我在符号之间有一个保护时间，因此连续的“ 1”消息将导致脉冲序列而不是DC，请参见图）。本质上，信号的存在指示一个，信号的缺失指示零。我有一个精确的时钟，可以将接收器与发送器同步。该系统以低SNR运行，我希望使用DSP技术来提高SNR。 我有几个问题： 我在硬件中进行选择性采样，换句话说，我不连续采样通道，而仅在看到信号的可能性最大时采样（即，这是一个光脉冲，我对ADC计时，以便ADC在末尾采样我知道整个模拟链都稳定了的脉冲）。见图片。 自然，此图不显示噪音，但在那儿。特别是低信号系统，主要噪声源是散粒噪声，约翰逊噪声和放大器内部噪声。（光学系统，因此除Sun外没有其他干扰源）。我对噪声的观察表明，它在所有频率上都是相似的。（至少我在范围中看到的） 现在，我在软件中使用简单的阈值比较来确定数据是一还是零。有没有更好的办法？我已经考虑过一些选择，但我希望收到专家的来信。 到目前为止，我已经考虑了以下选项： 进行连续ADC并尝试在上升时间进行集成：不确定是否有好处（我不知道还有其他好处）。 软件中的匹配过滤器：并不是很了解数学，但根据我阅读的内容，可能 在保护时间期间采样并从信号ADC值中减去此值（这可能会提供一些其他详细信息，但也不能确定，保护时间就是噪声测量值） 因为我的数据速率快，所以将硬件更改为同步解码器既昂贵又费时，并且可能无法很好地工作，并且由于我必须构建一个多MHz的载频系统，因此获得同步解调器将意味着昂贵的电路板。

14 demodulation 

在我的DSP书中有关卡尔曼滤波器的章节中，似乎是出乎意料的，它指出了系统的固定卡尔曼滤波器 { x （t + 1 ）ÿ（吨）= A x （t ）+ w （t ）= Cx （t ）+ v （t ）{X（Ť+1个）=一种X（Ť）+w（Ť）ÿ（Ť）=CX（Ť）+v（Ť）\begin{cases} x(t+1) &= Ax(t) + w(t) \\ y(t) &= Cx(t) + v(t) \end{cases} 有预测因子 X^（吨+ 1 |吨）= （甲- 甲ķ¯C）x^（t | t − 1 ）+ A K¯ÿ（吨）X^（Ť+1个|Ť）=（一种-一种ķ¯C）X^（Ť|Ť-1个）+一种ķ¯ÿ（Ť）\hat{x}(t+1|t) = (A-A\bar{K}C)\hat{x}(t|t-1) + A\bar{K}y(t) 和稳态矢量协方差和卡尔曼增益 …

14 kalman-filters 

我正在努力实现FFT算法，并且很好奇所建议的输入测试数据使用的建议-以及为什么！-以及预期的精度。 在测试输入中，我在Usenet的旧帖子中找到了一些指导，我将其作为答案发布，但这只是一个人的建议，没有太多理由-我还没有找到看起来像是可靠答案的任何内容。 在准确性方面，维基百科说该错误应该是O（e log N），但是从绝对意义上来说，合理的期望是什么？ 编辑添加：实际测试采用的形式是我存储了输入数据数组和预先计算的“参考”输出数据以进行比较，因此我不一定需要封闭形式的解决方案。

14 fft 

我有一种算法，可以将序列零填充到4N，执行FFT，并且仅使用生成的4N中最低的N个频率点。 这似乎是很多浪费的工作，有什么想法可以更快地完成此工作吗？

14 fft  dft 

我是一位生物学家，对图像处理的经验很少，但是对MATLAB有足够的了解，并且拥有图像处理工具箱。理想情况下，我正在寻找基于MATLAB的解决方案，但是概述如何进行该工作的方法也将有所帮助。 更新（2011年11月28日） 使用合成图像时，似乎存在某些问题（例如信号重叠和颜色定义）（这是我在最初的问题中提出的问题）。我要附加来自2个通道的单独图像：绿色和红色（合成图像中的绿松石区域可以忽略）和合成图像。红色通道不好的原因有两个：1.由于较高的背景，对比度较差； 2.由于红色在背景水平上似乎渗入绿色。 甲特征被定义为在合成图像上的区域，其具有绿-红-蓝绿色-红色-绿色或等效地在果岭上2个相邻的直线段，并且是共线和传染性的红色。 我希望从两个单独的通道查看图像可以使特征识别更加容易。 我对该算法有以下建议： 首先确定共线的绿色线段（并确定绿色线段的长度） 确定在红色通道中是否有彼此相邻的传染性和共线段（即，绿色->红色-> <-红色<-绿色）。如果是，请定义红色分段的长度，从绿色分段的结束点（因为它们将与绿色分段重叠）到红色分段上最接近要素的另一个红色分段的点。（即红色段的末端之一设置为重叠绿色段的末端）。 非常感谢！ 背景： 我的问题与从图像中提取特征有关： 原始图像（tif）位于： 图片示例1（投递箱） 此图像是3个通道（tif格式）的合成：红色，绿色和青绿色。绿松石色的纤维简单地标记了盖玻片上的所有DNA。感兴趣的特征是图像中间的一条DNA链上的绿色-红色-绿松石-红色-绿色特征。 红色通常是最吵的。这个例子很好，因为对比度很好。但是，有时图像不是很好，并且整个图像中都有色调，因此硬编码绿色和红色的特定RGB值可能不适用于所有图像。另外，请注意，光纤不一定是水平的，可以旋转（但不能垂直）。 请参见此图像作为示例： 原始图像（tif）位于： 图片示例2（下拉框） 同样，有时单个图像具有许多这样的特征，有时在同一DNA链上存在多个特征。最终，有时可能只有部分特征（即孤立的绿色或孤立的红色或孤立的绿红色段，但未配对）。 题： 如果有人可以帮助我获取绿色和红色部分的各个部分的长度，我将不胜感激，例如，由于关注的特征是绿色-红色-绿松石-红色-绿色，每个特征将具有5个值的数组（第一个绿色片段的长度，第一个红色片段的长度，绿松石片段的长度，第二个红色片段的长度和第二个绿色片段的长度）。

14 image-processing 

众所周知，双线性变换也称为Tustin方法。据我所知，Arnold Tustin确实将这个想法引入了控制系统文献中，因此名称不只是斯蒂格勒定律的一个例子。例如，我设法找到以下参考： 英国的Tustin开发了用于时间序列模型的双线性变换，而Oldenbourg和Sartorius也使用差分方程对此类系统进行建模。[1][1][1] 目前尚不清楚他是在什么地方首次提出这个想法的，即使是在浏览其出版物的标题时也是如此。我猜想它后来只会被称为双线性变换，因此他可能没有使用该术语。我想读一下他对这项技术的阐述。有人知道他第一次出版吗？ Bissel，CC 自动控制的历史。链接。

14 discrete-signals  reference-request  signals-history 

我正在寻找一种创建算法，该算法使用Alpha作为凹凸贴图将斜角效果添加到位图。 我将如何去做这样的事情？我尝试了镜面照明，但只得到高光而不是阴影。 这是我正在谈论的效果（使用Photoshop制作）： 所有这些都使用size: 30px（从位图轮廓到斜角的深度）angle 130，，来完成altitude 50。 从左到右，从上到下： 凿子硬锥 凿子软锥 平滑斜角 凿子硬soften: 16px-斜角模糊？ 我正在尝试创建每种效果，我将如何创建基本斜角？而我需要从那个斜角获得每个

14 image-processing  filters  algorithms 

甲点云被使用统一的随机函数生成(x,y,z)。如下图所示，正在研究一个平面相交平面（轮廓），该平面与目标轮廓（即在左下角给出的）最佳（即使不是精确的）相匹配。所以问题是： 1-如何target 2D point map通过point cloud考虑以下注意事项/条件找到给定的匹配？ 2-那么什么是坐标/方向/相似度等？ 注1：感兴趣的轮廓可以沿轴旋转任何位置，也可以具有不同的形状，例如三角形，矩形，四边形等，具体取决于其位置和方向。在下面的演示中，仅显示了一个简单的矩形。 注2：可以将公差值视为点到轮廓的距离。为了在下图中证明这一点，假设公差是0.01最小尺寸的(~1)乘积tol=0.01。因此，如果我们删除其余部分并将所有剩余点投影在要研究的轮廓平面上，那么我们将能够检查其与目标轮廓的相似性。 注意3：可以在“ 点模式识别”中找到一个相关主题。

14 image-processing  computer-vision  image-registration  point-cloud 

我通常使用均方误差（MSE）或峰值信噪比（PSNR）来比较两个图像，但这还不够好。我需要找到一个公式，该公式返回图像A和其像素化（或模糊）版本B之间的很大距离，但是我不知道该如何进行。什么是适合我需要的指标？

14 image-processing  distance-metrics 

目前，复音音乐转录似乎并不是一个可以解决的问题。 一小部分问题的逆过程如何。是否有某种频谱特征（来自STFT）可用于消除概率空间中的某些和弦？（例如，此声音片段很可能不包含任何C＃和弦，或任何种类的小和弦，或者这是单个音符而不是和弦等） 假设音频片段或多或少是静止的（消除了瞬态攻击等），并且大多数或所有单个音符的泛音很可能会出现。（这个问题不是关于和弦。）

14 music  frequency-spectrum 

背景 我正在设计一个系统，该系统将具有一个用于电话类型设置的单个小型麦克风和扬声器。我可以举的最简单的例子是Skype对话，您在其中使用计算机扬声器和台式麦克风。 我担心来自扬声器的音频会被麦克风拾取并发送回原来的人。我曾经在VoIP对话的早期一直听到这种情况，但是几乎再也听不到。 我的假设是，小组已经想出了消除回声的方法，但是他们怎么做呢？ 方法 我的第一个想法是仅从麦克风信号中减去发送到扬声器的信号，除非使用这种方法，您必须考虑延迟。我不确定如何在没有某种预校准的情况下确定延迟是什么，我想避免这种情况。还有一个问题是在减去信号之前要缩放多少信号。 接下来，我考虑在扬声器信号和麦克风信号之间进行某种关联，以便确定麦克风信号为回声的可能性以及确定实际延迟的可能性。当我处理一些记录的信号时，该方法可以正常工作，但是在计算相关性以在实时系统中有用时，似乎存在很大的延迟。而且，扬声器上的可调音量使得很难确定是否确实相关。 我的下一个想法是，互联网上肯定有人成功完成了此任务，但没有找到任何很好的例子。因此，我来​​这里看看可以使用哪些方法来解决此类问题。

14 audio 

可以使用哪些技术来估计噪声信号中正弦音调突发的开始时间？ 假设音调突发具有已知的固定频率（但相位未知）和非常陡峭的上升时间，并且目标是在不到上升时间的一半和/或音调频率的一个周期内估计开始时间， 如果可能的话。如果信噪比非常低（远小于1），估计技术将如何改变？ 补充：假设音频脉冲串的长度未知，但比上升时间和频率周期的一小部分长。 补充：DFT / FFT显示了很可能存在音调。问题是要精确地找出在FFT窗口内的音调（或相同频率的多个音调猝发）可能在FFT窗口中的何处开始，或者确定当前音调是否从该DFT窗口之外开始，其他时域数据。 雷达脉冲检测的精度更接近于我需要的分辨率，除了我只有一个边缘，因为音调的长度未知，并且除了已知的上升时间以外，均未调制。窄带通滤波器会使上升时间失真，从而使边缘到达估计分辨率降低。

14 audio  algorithms  edge-detection 

对于显微镜，我们经常测试相机。由于我的应用程序涉及的信噪比非常低，因此噪声中没有相关性和模式非常重要，因为局部相关才是真正将信号与背景区分开的。 为了测试噪声，我通常获取一系列〜100个暗帧，即没有外部光照射到摄像机的帧，通过时间平均确定固定的摄像机模式，然后从该序列中减去该帧。 通过观察每个像素随时间的标准偏差并查看生成的图像（例如，相机的不同行/列具有不同的噪声标准偏差），并逐行逐列地观察了噪声中的模式互相关（我在一些交错相机中注意到，噪声在每隔一行之间是相关的）。 这些测试中的第一个仅是定性的，第二个仅给我（相对）全局相关性。是否有更好（更快）的方法来确定相机噪声中是否存在任何相关性或动态模式？

14 noise  camera