信号处理

我试图弄清楚这些概念之间是否存在直接关系。从定义严格来说，它们通常看起来是不同的概念。但是，我想得越多，他们就越相似。 令为WSS随机向量。协方差由，其中代表矢量的埃尔米特式。X，YX，ÿX,YCXÿCXÿC_{XY}CXÿ= E[（X- μX）（是- μÿ）H]CXÿ=Ë[（X-μX）（ÿ-μÿ）H]C_{XY}=E\left[(X-\mu_x)(Y-\mu_y)^H\right]HHH 令为WSS随机向量。自相关函数由žžZ[RXX[RXXR_{XX}[Ržž（τ）= E[ （Z（Ñ ）- μž）（Z（n + τ）- μž）H][Ržž（τ）=Ë[（ž（ñ）-μž）（ž（ñ+τ）-μž）H]R_{ZZ}(\tau)=E\left[\left(Z(n)-\mu_z\right)\left(Z(n+\tau)-\mu_z\right)^H\right] 编辑说明此定义已应用于信号处理的更正，请参见下面的Matt's Answer。 协方差不涉及时间概念，它假设随机向量的每个元素都是某个随机生成器的不同实现。自相关假设随机向量是某个初始随机发生器的时间演化。但最后，它们都是相同的数学实体，是一个数字序列。如果让出现，那么它似乎是我还有更微妙的东西吗？X= Y= ZX=ÿ=žX=Y=ZCXÿ= RžžCXÿ=[RžžC_{XY}=R_{ZZ}

13 autocorrelation  covariance  proof 

我目前正在玩Matlab中的离散傅立叶变换（DFT），以从图像中提取特征。我想完全理解我使用的概念。我已经阅读了几种解释，例如this，但是到目前为止，还没有真正解释“ DC术语”的含义。我所知道的是DFT的第一个术语可以写成： 这里 是旋转因子。 这意味着第一项（DC项）是一个没有频率的振幅。 有人可以解释为什么将其称为DC术语吗？它与“直流电”有什么关系？DC术语的相关性是什么？什么时候有用，又有什么用？

13 image  matlab  fft  dft 

控制系统工程和数字信号处理都是电气工程的重要课程/主题，但是这两个主题/课程如何相互关联？ 还请告诉我，关于控制系统工程的一些推荐资源（书籍，教程，讲座等）是什么，以及如何在技术水平上开始使用它？ 因为我们在下面的链接中有答案，但是该答案是关于dsp资源的，所以我正在寻找有关控制系统工程实例的资源 请求参考

13 control-systems  control 

我希望这个问题适合该网站。 我在刘次新的小说《三体问题》中遇到了这段话： 教授拍了两幅画：一幅是清明节期间著名的宋代画作《河边》，细节丰富，细节丰富；另一幅是晴天的天空照片，深蓝色的广阔区域仅被一团云层打破了...照片的信息内容（其熵）超出了绘画的一两个数量级 代表图片： 这是真的？如何解释这一违反直觉的现象？

12 image  image-compression  soft-question 

的傅里叶变换通常用于声音的频率分析。但是，在分析人类对声音的感知时，它具有一些缺点。例如，其频率仓是线性的，而人耳对数的响应是对数的，而不是线性的。 与傅立叶变换不同，小波变换可以修改不同频率范围的分辨率。的小波变换的属性允许大颞载体对于较低频率，同时保持短的时间宽度为更高的频率。 该Morlet小波是密切相关的听证会的人类感知。它可以应用于音乐转录并产生非常精确的结果，这是使用傅立叶变换技术无法实现的。它能够捕获每个重复音符和交替音符的短脉冲，每个音符都有清晰的开始和结束时间。 所述恒定-Q变换（密切相关的Morlet小波变换）也非常适合于音乐数据。由于变换的输出实际上是幅度/相位相对于对数频率的信号，因此需要较少的频谱仓即可有效地覆盖给定范围，这在频率跨度为几个八度音阶时证明是有用的。 该变换表现出具有较高频率箱的频率分辨率降低，这对于听觉应用是理想的。它反映了人类的听觉系统，从而在较低频率下频谱分辨率更好，而在较高频率下时间分辨率提高。 我的问题是：还有其他模仿人类听觉系统的转换吗？有没有人试图设计一种在解剖学/神经学上尽可能匹配人类听觉系统的变换？ 例如，已知人耳对声音强度具有对数响应。还已知等响度轮廓不仅随强度变化，而且随频谱分量的频率间隔变化。即使总声压保持恒定，在许多关键频带中包含频谱成分的声音也会被感知到更大声。 最后，人耳具有与频率有关的有限时间分辨率。也许也可以考虑到这一点。

12 fourier-transform  frequency-spectrum  wavelet  music  psychoacoustics 

我正在写一个示例，说明如何通过两台计算机之间的声音传输数据。一些要求： 距离非常近，即两台计算机基本上彼此相邻 噪音很小（我不认为我的老师会打开摇滚歌曲作为噪音源） 错误是可以接受的：例如，如果我发送“无线电通信”，那么如果另一台计算机收到“ RadiQ通信”，也可以。 如果可能的话：没有头，标志，校验和...。因为我只想要一个非常基本的示例，演示通过声音传输数据的基础。无需幻想。 我尝试根据此链接使用音频频移键控： 实验5 APRS（自动包裹报告系统） 并得到了一些结果： 我的Github页面 但这还不够。我不知道如何进行时钟恢复，同步...（链接具有锁相环作为定时恢复机制，但显然还不够）。 因此，我认为我应该找到一种更简单的方法。在这里找到一个链接： 数据转为音频并返回。带有源代码的调制/解调 但是OP没有实现答案中建议的方法，因此恐怕它可能非常复杂。我也不清楚答案中建议的解码方法： 解码器稍微复杂一点，但这是一个概述： 可选地，对11Khz附近的采样信号进行带通滤波。这样可以在嘈杂的环境中提高性能。FIR过滤器非常简单，有一些在线设计小程序可以为您生成过滤器。 门限信号。大于1/2最大幅度的每个值都是1，小于1/2最大幅度的每个值都是0。这假设您已经采样了整个信号。如果这是实时的，则可以选择固定的阈值或执行某种自动增益控制，以在一段时间内跟踪最大信号电平。 扫描点或破折号的开始。您可能希望在点周期内看到至少一定数量的1，以将样本视为点。然后继续扫描以查看是否是破折号。不要指望完美的信号-您会在1的中间看到几个0，在0的中间看到几个1。如果噪声很小，则将“接通”周期与“断开”周期区分开应该很容易。 然后逆转以上过程。如果看到破折号，则将1推至缓冲区，如果将破折号，则推至零。 在将其归类为点之前，我不知道有多少个1，...所以我现在不了解很多事情。请向我建议一种通过声音传输数据的简单方法，以便我能理解该过程。非常感谢你 ：） 更新： 我做了一些看起来（一定）可操作的Matlab代码。我首先使用幅度移位键控（采样频率48000 Hz，F_on = 5000 Hz，比特率= 10 bits / s）调制信号，然后将其与标头和结束序列相加（当然也对它们进行调制）。标头和结束序列是临时选择的（是的，这是hack）： header = [0 0 1 0 1 1 1 1 1 0 0 0 0 0 0 1 …

12 audio  modulation  sound  fsk 

我正在寻找一本不错的书，该书简单地展示了您如何实际使用C语言编写代码，以完成所有主要的DSP方法。 FFT。 低通和高通滤波器。 自相关。 噪音处理。 以及DSP的所有基础知识，从理论到真正的C语言代码。 例如，我有1000个样本，现在我想对其进行FFT，去除噪声，然后返回时间轴。 有什么好东西可以涵盖所有这些吗？

12 fft  filters  autocorrelation  c  reference-request 

我正在使用Foscam FI8910W ip摄像机在恒定照明条件下查看静态场景。当我拉回抓帧时，大小约为35 KB。我可以一遍又一遍地执行此操作，它始终约为35 KB，但由于电子图像捕获固有的各种噪声而有所波动。这种随机波动最多仅约为1 KB。 大约每2500帧，一帧的图像大小突然达到70 KB的数量级。如果您想在相机预热时产生热噪声，则不会逐渐向上爬。1帧将是70 KB（ish），然后返回到35 KB大小的帧。 之前，另一场比赛是在另一个场景中进行。普通文件大小为39 KB，然后在10,000帧中，有4个大小约为77 KB。图像大小直方图如下所示： 在您提出问题之前，我已经设法保存了其中一个框架，看起来与其他所有框架完全一样，没有出现预期的噪声波动。它们具有大约23,000左右相同数量的独特颜色。因此，这不是一只飞蛾正好随机落在镜头上一帧然后飞走了。为了完整起见，我已经进行了另一轮图像处理，这是典型图像示例（反射是IR照明器）：- 这是异常图像： 您可以看到没有区别。对不起，河马。我对JPEG算法非常熟悉，除了Foscam的实现出现编码错误外，我看不到这是怎么发生的。但是，在某些JPEG转换函数（例如离散余弦转换或量化）中是否会固有地存在一些混乱？从统计上讲，人们期望文件大小呈正态分布，这就是我看到的大约39 KB。然后是77 KB的几个异常值。因此，它似乎不是随机的。 这是在CS中而不在硬件中的原因，我是在问这是否是与JPEG编码算法有关的编程代码现象？似乎不太可能，但是异常是随机且不常见的，并且没有人与设备的交互。JPEG编码稳定吗？ 您可能不熟悉此现象的原因是，由于图像看起来相同，因此没有人真正看过文件大小。文件大小对我来说至关重要，因此我注意到了。大约每2500帧如何发生一次？ 补充：- 发布这些图像将无法正常工作，因为imgur软件会重新采样上传的文件。因此，虽然我发布了37K和73K文件，但imgur已将其重新采样到35K。这似乎是一个Stack Exchange问​​题，对于处理图像处理，数据压缩和分析的站点似乎具有讽刺意味。 这是我对图像的处理。这是正常图像和异常之间的归一化差异。图像符合您的期望，在高频区域有JPEG噪点。即使它看起来是单色的，这也是RGB图像。颜色立方体中有8000种独特颜色（代表噪点）。 补充2：- 根据要求，可以从样本帧中下载4个正常帧和2个异常帧。这是一个不同的场景，但是异常行为仍然发生，因此证明了它是一致的。

12 jpeg 

我想知道哪种图像处理是最好的语言？我知道MATLAB有一个很好的库和用户社区。我还没有检查出来，那里也有python。 最有效的语言是什么？

12 image-processing  matlab  python 

我需要atan2(x,y)在具有连续输入/输出数据流的FPGA上进行计算。我设法使用展开的，流水线的CORDIC内核来实现它，但是要获得所需的精度，我必须执行32次迭代。这导致大量的LUT致力于这一任务。我尝试将流更改为使用部分展开的CORDIC内核，但随后我需要一个倍频的时钟频率以执行重复循环，同时仍保持连续的输入/输出流。因此，我无法满足时机要求。 因此，现在我正在寻求替代的计算方式atan2(x,y)。 我考虑过使用带插值的Block-RAM查找表，但是由于有2个变量，因此我需要2维查找表，这在Block-RAM的使用方面非常耗费资源。 然后，我考虑使用与象限调整atan2(x,y)有关的事实atan(x/y)。问题在于，x/y由于y不是常数，因此需要真正的划分，而FPGA上的划分非常占用资源。 是否有更多新颖的方法可atan2(x,y)在FPGA 上实现，从而降低LUT使用率，但仍提供良好的准确性？

12 algorithms 

有没有一个不是复杂指数的线性时不变（LTI）系统本征函数的示例？贾斯汀· 隆伯格（Justin Romberg）的LTI系统特征函数表示确实存在这样的特征函数，但是我找不到。

12 linear-systems  theory  eigendecomposition 

STFT可以成功用于声音数据（例如带有.wav声音文件），以便进行某些频域修改（例如：噪声消除）。 在N=441000（即以采样率10秒fs=44100），，的情况下windowsize=4096，overlap=4STFT近似生成一个430x4096数组（第一坐标：时间帧，第二坐标：频率箱）。可以在此数组上进行修改，并可以使用重叠加法（*）进行重构。 小波怎么可能做类似的事情？（DWT），即得到a x b具有a时间帧和b频率段的相似形状数组，对此数组进行一些修改，最后恢复信号？怎么样 ？小波等于重叠叠加是什么？这里涉及的Python函数是什么（我还没有找到使用pyWavelets... 进行音频修改的简单示例）？ （*）：这是可以使用的STFT框架： signal = stft.Stft(x, 4096, 4) # x is the input modified_signal = np.zeros(signal.shape, dtype=np.complex) for i in xrange(signal.shape[0]): # Process each STFT frame modified_signal[i, :] = signal[i, :] * ..... # here do something in order to # modify the signal in …

12 fft  wavelet  dft  python  stft 

这可能是题外话，因为这并不是真正的问题，但我认为方波傅里叶级数的GIF太酷了，无法共享。

12 fourier-series 

我有一个30秒的语音信号，它以44.1 kHz的频率采样。现在，我想展示一下语音的频率。但是，我不确定这样做的最佳方法是什么。似乎有时会计算傅立叶变换的绝对值，有时会计算功率谱密度。如果我理解正确，后者的工作原理就是将信号分成几部分，逐份进行FFT，然后以某种方式将它们相加。窗口函数以某种方式涉及。您能为我澄清一下吗？我是DSP的新手。

12 fft  frequency-spectrum  dft  speech  frequency-domain 

请假设以下内容： 信号基频的频率已使用FFT和某些频率估计方法进行了估计，位于两个bin中心之间 采样频率是固定的 计算工作不是问题 知道了频率，估计信号基波相应峰值的最准确方法是什么？ 一种方法可能是对时间信号进行零填充以提高FFT分辨率，从而使bin中心更接近估计的频率。在这种情况下，我不确定的一点是我是否可以根据需要进行零填充，或者这样做是否有缺点。另一个是在零填充后我应该选择哪个bin中心作为我从中获取峰值的那个（因为即使在零填充之后，也可能不会精确地达到目标频率）。 但是，我也想知道是否存在另一种方法可以提供更好的结果，例如一种估计器，该估计器使用周围两个bin中心的峰值来估计感兴趣频率处的峰值。

12 fft  discrete-signals  signal-analysis  estimation  peak-detection