Questions tagged «continuous-signals»

我试图理解卷积和互相关之间的区别。我已阅读的理解这个答案。我也了解下面的图片。 但是，就信号处理而言（一个我不太了解的领域。），给定两个信号（或者可能是一个信号和一个滤波器？），何时使用卷积，何时使用互相关，我意思是，在现实生活中进行分析时，我们会更喜欢卷积，而在何时，我们会更倾向于互相关。 似乎这两个术语有很多用处，那么，这有什么用？ *此处的互相关应g*f改为f*g

33 discrete-signals  continuous-signals  signal-detection 

当基于模拟滤波器设计数字滤波器时，我们通常使用双线性变换。为了从模拟（连续）传递函数近似离散传递函数，我们用Da(z)Da(z)D_a(z)A(s)A(s)A(s) z=1+sT/21−sT/2z=1+sT/21−sT/2z = \frac{1+sT/2}{1-sT/2} 其中是采样周期。替代地，为了从离散传递函数近似连续传递函数，我们用TTTAa(s)Aa(s)A_a(s)D(z)D(z)D(z) s=2Tz−1z+1s=2Tz−1z+1s = \frac{2}{T} \frac{z-1}{z+1} 是否有执行这种转换的替代方法？有更好的近似值吗？

26 continuous-signals  discrete-signals  transfer-function 

我正在尝试实现8阶IIR滤波器，并且我阅读的每个应用笔记和教科书都说，最好将2阶以上的任何滤波器实现为二阶部分。我tf2sos在MATLAB中使用了二阶部分的系数，这与我预期的4个二阶部分的6x4系数有关。在实施为SOS之前，八阶滤波器需要存储7个先前的采样值（以及输出值）。现在，当实现为二阶部分时，流程如何从输入到输出工作，我是否仅需要存储2个先前的样本值？还是第一个滤波器的输出馈x_in入第二个滤波器，依此类推？

20 filters  filter-design  infinite-impulse-response  biquad  audio  image-processing  distance-metrics  algorithms  interpolation  audio  hardware  performance  sampling  computer-vision  dsp-core  music  frequency-spectrum  matlab  power-spectral-density  filter-design  ica  source-separation  fourier-transform  fourier-transform  sampling  bandpass  audio  algorithms  edge-detection  filters  computer-vision  stereo-vision  filters  finite-impulse-response  infinite-impulse-response  image-processing  blur  impulse-response  state-space  linear-systems  dft  floating-point  software-implementation  oscillator  matched-filter  digital-communications  digital-communications  deconvolution  continuous-signals  discrete-signals  transfer-function  image-processing  computer-vision  3d 

我最近陷入了谬误，考虑极点s = 1，因为在频率1处有无限的响应。但是，响应仅为1。现在，给定极点，您可以得出频率响应吗？ 其次，该理论说，当极点位于左s平面时，系统是稳定的，因此会随时间衰减。可是等等。“极点”是否意味着无限的响应-时间的增长？ 最后，在DSP中是正确的问题吗？IMO，D代表数字，而s域是模拟。我找不到s平面或Laplace转换标签来标记我的帖子。 更新感谢您的回答。似乎除了一个小而基本的东西以外，我已经掌握了它（极点（和零点）与频率的关系）。基本上，为什么特征值（或称其sss运算符/变量）与频率相关？它应该以某种方式与指数增长和拉普拉斯变换有关。我非常了解极点恰好是特征值（尤其是离散递归）。但是，这与频率有何关系？

16 continuous-signals  frequency-response  transfer-function  laplace-transform  poles-zeros 

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 

我已经将一个随机信号与a高斯进行卷积，并添加了噪声（在这种情况下为Poisson噪声）以生成一个噪声信号。现在，我想对这个噪声信号进行反卷积，以使用相同的高斯信号提取原始信号。 问题是我需要执行一维反卷积的代码。（我已经在2D中找到了一些，但我的主要目标是1D）。 您能否建议我一些能够做到的软件包或程序？（最好在MATLAB中） 先谢谢您的帮助。

12 matlab  convolution  continuous-signals  deconvolution  1d 

我最近一直在研究信号和系统，遇到了以下主张： 周期性连续时间信号的均匀采样可能不是周期性的！ 有人可以解释为什么这个说法是正确的吗？

9 discrete-signals  signal-analysis  sampling  continuous-signals 

我们知道以下内容 F{ x（t） } =X（f）（1）（1）F{X（Ť）}=X（F） \mathscr{F}\big\{x(t)\big\}=X(f) \tag{1} F{ x（−t） } =X（− f）（2）（2）F{X（-Ť）}=X（-F） \mathscr{F}\big\{x(-t)\big\}=X(-f) \tag{2} F{ x∗（t ）} = X∗（− f）（3）（3）F{X∗（Ť）}=X∗（-F） \mathscr{F}\big\{x^*(t)\big\}=X^*(-f) \tag{3} 现在，如果有信号 x （− t ）= x∗（吨）（4）（4）X（-Ť）=X∗（Ť） x(-t)=x^*(t) \tag{4} 那么，可以安全地假设以下内容吗？ X（− f）= X∗（− f）（5）（5）X（-F）=X∗（-F） X(-f)=X^*(-f) \tag{5} 还是取决于信号的类型？

9 fourier-transform  continuous-signals 

我正在寻找正弦保真度的证明。在DSP中，我们研究了很多有关线性系统的知识。线性系统是同质和可加的。它满足的另一个条件是，如果信号是正弦波或余弦波，则输出仅会改变相位或幅度。为什么？当给出正弦波作为输入时，为什么输出不能是完全不同的输出？

9 convolution  continuous-signals  impulse-response  linear-systems 

我正在攻读MSc计算机科学专业的多媒体系统课程，但在理解混叠频率的公式时遇到了一些麻烦-这可能是由于我对混叠信号的误解。 我对混叠信号的理解是，如果您对输入信号进行欠采样（即以小于最大频率两倍的速率进行采样），那么我们会出现混叠现象，因为我们采样的频率不足以捕获高频细节。混叠信号是获取这些样本值并将它们与一条平滑曲线相连的结果。 因此，由于纯正弦曲线每次振荡需要两个采样（每个转折点为1个），因此所得信号的频率为采样频率的一半-这将意味着混叠频率应仅为采样频率的函数。 别名频率的公式是信号频率的绝对差和采样频率的最接近整数倍-有人可以向我解释吗？提前致谢！

9 audio  sampling  continuous-signals  aliasing