Questions tagged «noise»

在信号处理中，可以将噪声视为无意义的随机不需要的数据。

2
从函数样本估计泰勒级数系数
假设我有一个函数测量值，并且在x i处采样并带有一些噪声，这可以通过泰勒级数展开来近似。是否有一种公认的方法可以根据我的测量结果估算出该膨胀系数？y=y(x)y=y(x)y = y(x)xixix_i 我可以将数据拟合为多项式，但这并不完全正确，因为对于泰勒级数，您越靠近中心点（例如x = 0），近似值就会越好。仅拟合多项式就可以平等地对待每个点。 我还可以在扩展时估算导数的各种阶数，但是然后我需要决定要使用哪些微分滤波器以及每个滤波器有多少个滤波器系数。用于不同导数的过滤器是否需要以某种方式组合在一起？ 那么有人知道为此建立方法吗？对论文的解释或参考将不胜感激。 澄清说明 作为对以下评论的回应，我的采样是一个无限函数的矩形窗口，该函数不一定受带宽限制，但不具有强大的高频分量。更具体地说，我正在根据估算器的参数（基础组织的变形或应变水平）测量估算器的方差（测量医学超声信号中的位移）。我有一个理论上的泰勒级数，用于将方差作为变形的函数，并希望将其与我从仿真中得到的结果进行比较。 一个类似的玩具示例可能是：假设您有一个类似于ln（x）的函数，该函数以x的间隔采样，并添加了一些噪声。您不知道它真正的功能是什么，并且您想要估计它在x = 5附近的泰勒级数。因此，该函数在您感兴趣的点周围的区域内是平滑且缓慢变化的（例如2 <x <8），但在该区域外不一定很好。 答案很有帮助，某种最小二乘多项式拟合可能是采取的途径。但是，使泰勒级数估计值与正常多项式拟合不同的原因是，您应该能够去除高阶项，并使多项式仍近似原始函数，只是在初始点附近的较小范围内。 因此，也许该方法将是仅使用接近初始点的数据进行线性多项式拟合，然后进行二次拟合，并使用更多数据，然后使用三次以上的拟合，等等。
1
限制可能的噪声整形？
我想在100kHz，16位应用中进行噪声整形，以便将所有量化噪声转移到25khz-50kHz频带，而在DC-25kHz频带中噪声最小。 我通过增强学习来设置mathematica来创建一个31样本的误差滤波器内核，该内核工作得很好：经过一点学习，我可以在大约相同的低频频带减少量下获得大约16dB的高频噪声增强。中心线是未成形的抖动噪声水平）。这符合“ Gerzon-Craven”噪声整形定理。 现在我的问题： 尽管经过Gerzon-Craven定理并没有禁止它，但即使经过广泛学习，我也无法设法进一步消除噪声。例如，应该有可能在低频段实现40 dB的降低，在高频段实现40 dB的提高。 那么，我遇到了另一个基本限制吗？ 我尝试研究香农噪声/采样/信息定理，但经过一段时间的摸索，我只能从中得出一个极限：格宗-克雷文定理，这似乎是香农定理的直接结果。 任何帮助表示赞赏。 编辑：更多信息 首先，产生上述噪声整形的滤波器内核，请注意，最新的示例在右侧。BarChart的数值四舍五入为0.01：{-0.16，0.51，-0.74，0.52，-0.04，-0.25，0.22，-0.11，-0.02，0.31，-0.56，0.45，-0.13，0.04，-0.14， 0.12，-0.06，0.19，-0.22，-0.15，0.4，0.01，-0.41，-0.1，0.84，-0.42，-0.81，0.91，0.75，-2.37，2.29}（不完全是条形炭，但会产生相似的曲线） 关于错误反馈实现的另一条注释： 我尝试了错误反馈的两种不同实现。首先，我将四舍五入的输出样本与所需值进行比较，并将此偏差用作误差。其次，我将舍入后的输出样本与（输入+错误反馈）进行了比较。尽管这两种方法产生的内核都完全不同，但两者似乎都在相同的噪声整形强度下趋于平稳。此处发布的数据使用第二种实现。 这是用于计算数字化波样本的代码。步骤是四舍五入的步骤大小。波形是未数字化的波形（通常在未施加信号时仅为零）。 TestWave[kernel_?VectorQ] := Module[{k = kernel, nf, dith, signals, twave, deltas}, nf = Length@k; dith = RandomVariate[TriangularDistribution[{-1, 1}*step], l]; signals = deltas = Table[0, {l}]; twave = wave; Do[ twave[[i]] -= k.PadLeft[deltas[[;; i - 1]], …
9 noise 
1
消除边缘的噪音（压缩缺陷）
我有被压缩的卡通图像。这个例子： 它们有这种噪音，很难删除。 即使像素位于灰色背景上，噪声像素也可能具有非常不同的颜色，如果我查看此类图像的（直方图）直方图，我会在主要颜色的色块周围看到很多色块。但是我不能只删除不是主要颜色的有价值的颜色，因为存在删除某些重要特征（例如眼睛）的风险。我也尝试过将图像进行海报化（示例呈现8种颜色），但仍然保留一些像素。 我也尝试过中值滤波器，但是它无法消除如此大的噪音（我使用3 * 3滤波器）。 请提供一些可以在这种情况下有效消除噪音的方法。我将不胜感激！
3
从嘈杂的语音信号中过滤消息
我正在尝试解密隐藏在非常嘈杂的音频文件（.wav）中的消息（我认为这是白噪声和额外的低无人机）。该消息是一个六位数的数字。我没有关于噪音的更多细节。 我尝试使用低通滤波器，以期消除大多数较高的频率将使我能够听到这些数字，但是，我似乎也无法摆脱足够多的低架无人机，从而听不到声音。我的尝试如下（freq_space_low_pass_filter在最后包含所使用的函数）： [data, SampleRate, NbitsPerSample]=wavread('noisy_msg6.wav'); y=data(:,1); % we will work only with one channel in this demo N=length(y); %number of sample points t=( (1:N)*1/SampleRate ).'; % time spacing is 1/SampleRate and we want column vector Y=fft(y); spectrum_freq=fourier_frequencies(SampleRate, N); Freq3db=100; [spectrum_filtered,g_vs_freq]=freq_space_low_pass_filter(Y, SampleRate, Freq3db); y_filtered=ifft(spectrum_filtered); y_filtered=real(y_filtered); wavwrite(y_filtered/(0.1+max(y_filtered)), SampleRate, NbitsPerSample, 'noisy_msg6_filtered.wav'); %%%%%%%%down sampling%%%%%%%% …
4
正弦波的零交叉
我正在尝试找到正弦波的零交叉点，以将正弦波转换为方波。唯一的问题是正弦波很嘈杂，所以我会遇到很多抖动和错误的零交叉。 谁能推荐任何简单的伪代码或相关材料？到目前为止，我有这样的事情： if (sample[i]>0 && sample[i+1]<0) || (sample[i]<0 && sample[i+1]>0) 谁能推荐一种更强大的方法？
9 noise 
1
需要峰值限制/音频压缩公式
我正在寻找有效压缩音频波形以限制峰值的公式。这不是一个“自动音量控制”应用程序，在该应用程序中，可以控制放大器增益以保持音量水平，而是要限制（“软”截断）各个峰值。（我知道这会引入谐波，但我正在尝试分析数据，而不是听数据。） 到目前为止，我的（非常粗糙的）公式是： factor = (10 * average / level) + exp(-sqrt(0.1 * level / average)) 其中level是瞬时声级，平均值是历史平均声级，factor是用于产生“已调整”声级（因数乘以level）的乘数。 此外，仅当乘法器计算得出的值小于1时，才会应用此乘数。否则，将不调整级别。 目的是将调整后的水平限制为历史平均值的某个倍数（此公式约为15倍）。这个公式有点像我需要的，但是随着数字变大，表现出“下降”的趋势。也就是说，调整后的水平（即因子乘以水平）会增加到未调整水平增加的程度，但随后开始逐渐变小而不是渐近。（实际上，添加第一个因素主要是为了防止公式以极高的值变为零。） （想要以这种方式限制值的原因主要是为了使瞬态噪声不会严重破坏声音水平的运行平均值。但是，当您分析打sn声时，“瞬态噪声”非常重要，因此我可以简单地对其进行静噪） 那么，有人可以提出更好的建议吗？（似乎渐进行为在您不想要时很容易产生，但在您想要时就很难产生。）
1
如何估算波形的信噪比？
我有一个信号：，其中我= 0 ... ñ - 1。F一世（吨一世= 我Δ 吨）fi(ti=iΔt)f_i(t_i=i\Delta t)i = 0 … n − 1i=0…n−1i = 0\ldots n-1 信号似乎在较慢的“趋势”附近快速变化。我假设快速变化的部分是噪声，而缓慢变化的部分是真实信号。 如何估算信号的信噪比（SNR）？ 我想，如果我能在treshold频率决定：我可以使用下面的表达式：ωŤωt\omega_t ，其中F表示f（t）的傅立叶变换。S/N=∫ωt0|F(ω)|2∫∞ωt|F(ω)|2S/N=∫0ωt|F(ω)|2∫ωt∞|F(ω)|2S/N=\frac{\displaystyle\int_0^{\omega_t}|F(\omega)|^2}{\displaystyle\int_{\omega_t}^{\infty}|F(\omega)|^2}FFFf(t)f(t)f(t)
9 fft  noise  snr 
2
如何实现基于梯度的霍夫变换
我正在尝试使用霍夫变换进行边缘检测，并希望使用渐变图像作为基础。 我迄今所做，给出的图像I尺寸的[M,N]和它的部分衍生物gx，gy是计算中的每个像素作为梯度角thetas = atan(gy(x,y) ./ gx。同样，我将梯度幅度计算为magnitudes = sqrt(gx.^2+gy.^2)。 要构建霍夫变换，我使用以下MATLAB代码： max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) + 1; hough(rho_idx, theta_idx) = hough(rho_idx, theta_idx) + …
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.