Questions tagged «discrete-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 

我已经阅读了许多有关DTFT和DFT的文章，但是除了一些可见的东西（例如DTFT一直到无穷大而DFT一直到N-1）之外，我无法分辨两者之间的区别。谁能解释其中的区别以及何时使用什么？维基说 DFT与离散时间傅立叶变换（DTFT）的不同之处在于其输入和输出序列都是有限的。因此，它被称为有限域（或周期性）离散时间函数的傅立叶分析。 是唯一的区别吗？ 编辑： 这篇文章很好地解释了区别

22 discrete-signals  fourier-transform 

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 

均值滤波器如何称为线性滤波器，中值滤波器如何称为非线性滤波器？我了解均值和中值滤波器的工作原理，但是我无法将其与线性和非线性相关。请举例说明一下。

18 image-processing  filters  discrete-signals  signal-analysis  filtering 

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。

17 discrete-signals  stationary 

我一直在网上阅读点点滴滴，但我无法将它们拼凑在一起。我对信号/ DSP有一定的背景知识，应该足以满足此要求。我有兴趣最终使用Java对该算法进行编码，但是我还不完全了解它，这就是为什么我在这里（它算作数学，对吗？）。 我认为这与我的知识差距一起起作用。 从您的音频语音样本开始，比如说一个.wav文件，您可以将其读入数组。把这种阵列，其中Ñ范围为0 ，1 ，... ，ñ - 1（所以Ñ样品）。这些值对应于我猜想的音频强度-振幅。x[n]x[n]x[n]nnn0,1,…,N−10,1,…,N−10, 1, \ldots ,N-1NNN 将音频信号分成10ms左右的不同“帧”，假设语音信号是“固定的”。这是量化的一种形式。因此，如果您的采样率为44.1KHz，则10ms等于441个采样或值。x[n]x[n]x[n] 进行傅立叶变换（为计算起见，使用FFT）。现在，这是在整个信号上还是在每个单独帧上完成的？我认为这是有区别的，因为一般来说，傅立叶变换会查看信号的所有元素，因此F（x [ n ] ）≠ F（x 1 [ n ] ）与F（x 2 [ n ] ）与... F结合（x N [ n ] ）其中xx[n]x[n]x[n]F(x[n])≠F(x1[n])F(x[n])≠F(x1[n])\mathcal F(x[n]) \neq \mathcal F(x_1[n])F(x2[n])F(x2[n])\mathcal F(x_2[n])…F(xN[n])…F(xN[n])\ldots \mathcal F(x_N[n])是较小的帧。无论如何，假设我们进行了一些FFT，最后剩下 X [ k ]。xi[n]xi[n]x_i[n]X[k]X[k]X[k] 映射到梅尔刻度，并进行记录。我知道如何将常规频率数字转换为梅尔刻度。对于每个的X [ ķ ]：（以下简称“x轴”如果你让我），你可以在这里做公式http://en.wikipedia.org/wiki/Mel_scale。但是，“ …

17 discrete-signals  signal-analysis  mfcc 

如果您有一个函数，并且参考正弦波，那么计算的快速算法是什么？f(t)=A⋅sin(ωt+ϕ)f(t)=A⋅sin⁡(ωt+ϕ)f(t)=A \cdot \sin(\omega t+\phi)sin(ωx)sin⁡(ωx)\sin(\omega x)ϕϕ\phi 我当时在看Goertzel算法，但它似乎没有处理相位问题？

17 fft  discrete-signals 

其他一些StackExchange / StackOverflow网站则具有一定的幽默感或趣味性。 您最喜欢的“数据分析”卡通是什么？特别值得一提的是（IMHO）关于因果关系和相关性的xkcd动画片（DSP人士知道我的意思）： 那么答案中允许幽默吗？我希望如此，例如： StackOverflow：您最好的程序员笑话是什么？ MathOverflow：是否存在良好的数学笑话 SE.Stats（交叉验证）：统计笑话 SE.Stats（交叉验证）：您最喜欢的“数据分析”卡通是什么？ SE.Maths 关于数学笑话的问题 确实存在信号处理或图像处理中的幽默感，尽管深度较浅且传播范围较窄。在土耳其伊斯坦布尔的ICASSP 2000 DSP幽默展览上，我第一次遇到了幽默（之前我零幽默）。下图来自EURASIP的Humor in DSP： 所以我认为，我们应该得到一些humor和joke标签和实际亮度。前进！

16 image-processing  discrete-signals  reference-request  humor 

小波似乎对图像处理非常有用。假设我只打算学习时间信号，即一维信号，我还应该继续学习小波分析吗？它们适用于一维信号吗？

16 discrete-signals 

我试图了解使用带卷积滤波器内核的“第一原理”设计的FIR滤波器与使用FFT的两种方式之一设计的滤波器之间的关系（请参见下文）。 据我了解，FIR滤波器的脉冲响应与滤波器的卷积内核是一样的。（如果我错了纠正我。） 另外，据我所知，FIR滤波器的脉冲响应的成分频率（即傅立叶变换）与滤波器的频率响应相同。因此，傅立叶逆变换将使我获得脉冲响应。（同样，如果我做错了，请纠正我）。 这使我得出两个结论（忽略相位响应或假设线性相位响应）： 通过“绘制”所需的频率响应，采用IFFT来获得脉冲响应，并将其用作卷积内核，我应该能够设计出具有任意频率响应的FIR滤波器。 或者，我应该能够通过对输入信号进行FFT，在频域中乘以所需的任意频率响应，并对结果进行IFFT来生成输出信号，从而创建一个滤波器。 直觉上，感觉1和2是等效的，但是我不确定是否可以证明这一点。 似乎人们（和DSP文献）都竭尽全力设计具有预定义响应的FIR内核，使用诸如Chebyshev或Remez这样的复杂（对我而言）算法（我抛出了一些我已经读过的名字，但并没有真正理解它们） 。 当对于每个可能的FIR内核都存在FFT / IFFT变换时，为什么要采用这些长度？ 为什么不简单地绘制所需的确切频率响应，进行IFFT，然后得到FIR内核（上面的方法1）？

15 fft  filters  discrete-signals  convolution 

我在数字图像恢复领域工作。我已经阅读了有关卷积的所有内容，对于LTI系统，如果我们知道它的冲激响应，那么我们只需使用输入和冲激响应之间的卷积就可以找到其输出。 谁能告诉我它背后的主要数学哲学是什么？您的经验不仅可以让我在网上冲浪，还可以告诉我更多的信息。

15 image-processing  discrete-signals  convolution 

我正在尝试计算存储在缓冲区中的音轨的响度。缓冲区包含信号的PCM数据，我想通过使用均方根来获得“响度”。我假设我可以在时域中执行此操作，而不必切换到频域。这样做的伪代码是什么？ 我是否只需采样一秒钟（音频[0]-音频[44099]，音频[44099]-音频[88199]等），然后计算这些值的均方根值？因此，例如，我会这样做： RMS=audio[0]2+audio[1]2+audio[2]2.....audio[44099]244100−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√RMS=audio[0]2+audio[1]2+audio[2]2.....audio[44099]244100RMS = \sqrt{\frac{\text{audio}[0]^2 + \text{audio}[1]^2 + \text{audio}[2]^2.....\text{audio}[44099]^2}{44100}} 每秒钟？

15 audio  discrete-signals 

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 

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