信号处理

有没有办法提高归一化最小二乘（NLMS）滤波器的计算性能？已经提出了多延迟块频域（MDF）滤波器来实现此目的，但它们也没有收敛速度和准确性，因为它们仅对每个块一次更新估计的脉冲响应，而不对每个样本一次。还有其他方法吗？

14 adaptive-filters  performance  least-squares 

如何从使用手机拍摄的图像中检测出四边形招牌？如何检测矩形之类的形状？圆角矩形（圆角而不是形状角）？ 我正在使用opencv.wrapper，但我是新手。 谢谢。 这是示例： 替代文本http://www.freeimagehosting.net/uploads/b03442fd36.png 替代文字http://www.freeimagehosting.net/uploads/e6b36040e8.png 由于噪音和那里的许多线，我无法确定哪个是招牌的边界线。有时候，在霍夫变换之后，我可以找到直线的边界。我被困住了....在这种情况下... 这是从手机相机拍摄的2张原始照片 替代文字http://www.freeimagehosting.net/uploads/6dbd613edf.jpg 替代文字http://www.freeimagehosting.net/uploads/720da20080.jpg 我需要您的建议，以查看如何处理图像以将招牌拿出来？ 非常感谢你

14 c#  image-processing 

我试图了解PSD的计算方式。我看过我的一些通讯工程教科书，但无济于事。我也在网上看过。 维基百科似乎是最好的解释。但是，我迷失了他们决定制作CDF（累积分布函数）的部分，然后由于某种原因决定将其与自相关函数相关联。 我想我不明白的是，自相关与计算PSD有什么关系？我以为PSD就是的傅立叶变换P(t)P(t)P(t)（其中P(t)P(t)P(t)是信号相对于时间的功率）。

14 power-spectral-density  psd 

作为非信号处理科学系的学生，我对这些概念的理解有限。 我有一个连续的周期性轴承故障信号（具有时间幅度），该信号以和频率采样。我利用一些机器学习技术（卷积神经网络）将故障信号分类为非故障信号。 48 kHz12 kHz12 kHz12\textrm{ kHz}48 kHz的48 kHz48\textrm{ kHz} 当我使用我能够达到的分类精度。同样，当我对相同的信号应用相同的技术但以采样时，尽管与传感器在相同的RPM，负载和记录角度下进行记录，但我仍能够达到精度。 97 ± 1.2 ％95 ％48 kHz12 kHz12 kHz12\textrm{ kHz}97 ± 1.2 ％97±1.2%97 \pm 1.2 \%95 ％95%95\%48 kHz的48 kHz48\textrm{ kHz} 误分类率上升的原因可能是什么？ 有没有发现信号差异的技术？ 较高分辨率的信号容易产生较高的噪声吗？ 该信号的细节可以看出这里，在第3章。

14 discrete-signals  signal-analysis  continuous-signals  signal-synthesis  resolution 

我们知道，海森堡测不准原理指出 Δ ˚FΔ 吨≥ 14个π。ΔfΔt≥14π.\Delta f \Delta t \geq \frac{1}{4 \pi}. 但是（在许多情况下，对于Morlet小波）我已经看到他们将不等式变成了等式。现在的问题是我们什么时候允许不等式变成一个等式： Δ ˚FΔ 吨= 14个πΔfΔt=14π\Delta f \Delta t = \frac{1}{4 \pi} why =

14 fourier-transform  wavelet  resolution 

在我的许多读物中，每当有作者提及在数字信号的频域（变换）中工作时，他们通常会采用DFT或DTFT（当然还有它们的对应反函数）。不同的作者倾向于彼此合作。 我还不能真正确定与此有关的特定模式。这样，在解释算法时为什么要选择DTFT而不是DFT？一个在哪里帮助您呢？

14 fft  fourier-transform  dft 

我熟悉小波背后的许多数学背景。但是，在具有小波的计算机上实现算法时，我不确定应该使用连续小波还是离散小波。当然，在所有现实中，计算机上的所有东西都是离散的，因此显而易见，离散小波是数字信号处理的正确选择。但是，根据维基百科，连续小波变换主要用于（数字）图像压缩以及大量其他数字数据处理活动。在决定是否将（近似）连续小波变换而不是（精确）离散小波变换用于数字图像或信号处理时，要考虑哪些利弊？ PS（在此处检查假设）我假设在数字处理中使用了连续小波变换，方法是简单地获取连续小波在等距点处的值，然后将所得序列用于小波计算。它是否正确？ PPS通常，维基百科在数学方面非常精确，所以我假设关于连续小波变换的文章中的应用实际上是连续小波变换的应用。当然，它提到了一些专门用于CWT的功能，因此在数字应用中显然存在CWT的一些用法。

14 discrete-signals  wavelet  continuous-signals  approximation 

我是压缩感测的新手。我阅读了R.Baranuik，Y.Eldar，Terence Tao等人的几篇论文。所有这些论文基本上都提供了其背后的数学细节，例如，稀疏性，RIP，L1范数最小化等。但是，任何人都可以提供MATLAB代码实现压缩感测？ 在此先感谢您的帮助。

13 matlab  compressive-sensing  optimization 

我想开始学习音频信号处理。在线上有许多书籍和学术论文似乎都忽略了该主题的基础。 可以这么说，我想知道一个大致的路线图，以便成功学习音频信号处理。 我已经读过微积分是从信号分析开始的第一步。 在我看来，音频信号分析只是所需全部知识的一部分。其他主题包括音乐理论，音频工程和编程。 如果我想请对此领域有知识的人建议一些可能的步骤，以了解如何分析和处理/创建音频信号。

13 audio 

我想比较两个信号或曲线。 不幸的是，它们具有不同的采样率。第一个以30 Hz采样，第二个以2000 Hz采样。Matlab具有“重新采样”功能，我认为，这将使比较容易得多。 我的问题是：对第二条曲线进行降采样还是对第一条曲线进行采样更明智？ 编辑： 我按照我的指示做。左图中是原始曲线。右边的曲线被重新采样。右上角被上采样，右下角被下采样。 我知道重新采样时曲线的长度不同。但是，第二个信号将被裁剪为第一个信号的长度。

13 resampling 

在软件中恢复BPSK信号的相位有哪些选择？我可以在网上找到的唯一资源包括电路图-似乎没有人愿意向不熟悉模拟电路的人解释这一点。 我想对载流子恢复在理论上是如何工作的任何解释，并且也喜欢伪代码或代码示例。

13 digital-communications  demodulation  phase  bpsk  qpsk 

因此，我正在尝试编写一个频域内插器，将信号的频率响应零填充并进行逆变换。我必须处理两种情况： 均匀长度的响应- 由于模棱两可，因此必须拆分 bin。因此，我复制频谱的负数部分，并在两者之间添加零。Fs/2Fs/2F_s/2n*(interp-1)-1 奇数长的响应-没有 bin，所以只需将正/负频率分开，然后在它们之间插入零。Fs/2Fs/2F_s/2n*(interp-1) 可以在此处看到执行零填充的代码 // Copy negative frequency components to end of buffer and zero out middle // inp - input buffer of complex floats // n - transform size // interp - interpolation amount void zero_pad_freq(cfloat_t *inp, size_t n, size_t interp) { if ((n % 2) …

13 fft  interpolation  c 

即，如果您有位置变量（p）和速度（v）作为状态变量，并且我对p进行了低频测量，那么这也间接给了我有关v的信息（因为它是p的导数）。处理这种关系的最佳方法是什么？ A）在更新步骤中，我应该只说我测量了p，并且依靠滤波过程以及我积累的状态-协方差矩阵（P）来校正v？ b）如果我创建一个“额外”的预测步骤，之后或者用于测量我更新步骤之前p，使用我的测量p和（相对大的）Δ-时间作出的高方差预测v？ C）在更新/测量步骤中，我是否应该说我已经对p和 v进行了测量，然后以某种方式将有关其相互依赖性的信息编码到测量协方差矩阵（R）中？ 为了获得更多背景信息，以下是我遇到问题的具体情况： 我正在使用一个系统来估计对象的位置（p），并经常测量加速度（a）和不频繁地测量p高噪声。 我目前正在使用扩展卡尔曼过滤器（Extended Kalman Filter）执行此操作的代码库，其中将其保留为状态变量p和v。在每次加速度测量之后，它都会执行“预测”步骤，在该步骤中，它使用测量的a和增量时间来积分和预测新的p和v。然后，它为每个（不频繁的）p测量运行一个“更新” /“测量”步骤。 问题是这样的-我得到的偶然的高误差测量一个，这导致高度误差v。显然，对a的进一步测量将永远不会纠正此问题，但对p的测量应摆脱此问题。而且，实际上，这确实发生了……但是非常缓慢。 我以为这可能部分是因为p在系统中影响v的唯一方法是通过协方差矩阵P-即上面的方法A）-这似乎是间接的。我想知道是否会有更好的方法将我们对p和v之间这种关系的了解纳入模型，以便对p的测量可以更快地校正v。 谢谢！

13 filters  kalman-filters  estimation  measurement  bayesian-estimation 

我现在正在学习卡尔曼过滤器一个星期。我刚刚发现EKF（扩展卡尔曼滤波器）可能更适合我的情况。 我想我不会将KF / EKF应用于变速表（该设备会告诉飞机和跳伞者其垂直位置和速度是多少）。就我而言，我已经生成了一些样本数据：在最初的几秒钟内，他（例如降落伞）下降（速度为正），然后上升（速度为负）。 据我所知，这个系统是线性的。那么我应该使用KF还是EKF？

13 kalman-filters 

假设我只使用一台校准相机。从这台摄像机，我得到图像A和B。我知道A和B之间的单应性，这是通过OpenCV的findHomography（）计算得出的。 我知道图像A的姿态（旋转矩阵R和平移矢量t），并且我需要图像B的姿态。一旦获得它，我想我将能够计算后续图像的每一个进一步的姿态。 您知道计算B的姿势的实现吗？我在网上找到了几篇文章，但找不到易于实施的解决方案...

13 image-processing  computer-vision  3d  opencv