Questions tagged «sampling»

在MATLAB中，我必须通过截止频率来设计滤波器。但是这个截止频率是每个样本的弧度。如何将模拟截止频率转换为MATLAB所需的每个样本弧度？ 赫兹赫兹\textrm{Hz}

11 matlab  sampling 

我有一段时间内的RSSI期望值的值（如下图所示），我想将其与测量的RSSI值进行比较。我一直在寻找一种量化它的方法，这样我可以更改参数并能够比较/对比不同的方法。 在我的脑海中，这是一个很难解决的问题，因为我不知道如何比较信号，却不考虑信号的大范围（整体形状）和小范围（个体波动）。 例如，这是一组信号的图： 在图像中，我可以看到红色测量信号大致遵循模型，但是它在模拟模型的某些正弦品质（在某些地方）方面也做得不错。有什么想法吗？ <>为了响应小插图的评论（这似乎是合理的），我对两个值进行了比较，并绘制了abs（fft（diff））并得到： 我不知道该怎么做。由于我们没有实际的频率，因此我不确定如何缩放轴，如果确定，您将使用什么度量标准？

11 matlab  algorithms  sampling 

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 

更新：请参阅本文底部的新增想法。 在不受以下描述约束的一般采样条件下（与采样时钟不相关的信号），量化噪声通常被估计为一个量化级别上的均匀分布。当将两个ADC与I和Q路径组合以创建复杂信号的采样时，量化噪声同时具有幅度和相位噪声分量，如下所示。如图所示，当I和Q分量对幅度和相位的贡献相同时（例如，当信号呈45°角时），该噪声具有三角形分布；而当信号位于轴上时，此噪声具有均匀的分布。这是可以预期的，因为每个I和Q的量化噪声都是不相关的，因此当它们都对输出结果有贡献时，分布将卷积。 要问的问题是，相干采样的情况下相位噪声的这种分布是否发生了显着变化（假设采样时钟本身的相位噪声要好得多，因此不是一个因素）？具体来说，我试图了解相干采样是否会显着降低量化相关的相位噪声。这将直接适用于时钟信号的产生，在时钟信号的产生中，相干性易于保持。 考虑真实信号（一个ADC）或复数信号（两个ADC；一个用于I，一个用于Q一起描述单个复数样本）。在实信号的情况下，输入为满量程正弦波，相位项是从分析信号中得出的。与正弦波的零交叉点变化相关的抖动将是实际信号产生的相位噪声的一个示例。对于复杂信号，输入为满量程，其中实部和虚部均将是满量程的正弦波。AejωtAejωtAe^{j \omega t} 这与以下问题有关，在该问题中很好地描述了相干采样，但是没有特别提到相位噪声： 相干采样和量化噪声分布 为了更清楚地描述诱发的AM和PM噪声分量，我在下面添加了下图，用于复杂量化的情况：在给定采样时刻，连续时间中的复数矢量，以及关联的量化样本为红点（假设线性）信号实部和虚部的量化电平的均匀分布。 放大上图中量化发生的位置，以说明引起的幅度误差和相位误差： 因此给定任意信号 s(t)=a(t)ejωt=a(t)cos(ωt)+ja(t)sin(ωt)=i(t)+jq(t)s(t)=a(t)ejωt=a(t)cos⁡(ωt)+ja(t)sin⁡(ωt)=i(t)+jq(t)\begin{align} s(t) &= a(t) e^{j\omega t} \\ &= a(t) \cos(\omega t) + j a(t) \sin(\omega t) \\ &= i(t) + j q(t) \\ \end{align} 量化信号是下式给出的最近距离点 sk=ik+jqksk=ik+jqks_k = i_k+ j q_k 其中和表示分别根据以下内容映射的量化的I和Q级：q ķikiki_kqkqkq_k Q{x}=Δ⌊xΔ+12⌋Q{x}=Δ⌊xΔ+12⌋ \mathcal{Q}\{x\} = \Delta \Bigl \lfloor \frac{x}{\Delta}+\tfrac{1}{2} …

9 sampling  adc 

矩形函数被定义为： rect(t)=⎧⎩⎨⎪⎪⎪⎪0121if |t|&gt;12if |t|=12if |t|&lt;12.rect(t)={0if |t|&gt;1212if |t|=121if |t|&lt;12.\mathrm{rect}(t) = \begin{cases} 0 & \mbox{if } |t| > \frac{1}{2} \\ \frac{1}{2} & \mbox{if } |t| = \frac{1}{2} \\ 1 & \mbox{if } |t| < \frac{1}{2}. \\ \end{cases} 三角形函数被定义为： tri(t)={1−|t|,0,|t|&lt;1otherwisetri⁡(t)={1−|t|,|t|&lt;10,otherwise\operatorname{tri}(t) = \begin{cases} 1 - |t|, & |t| < 1 \\ 0, & \mbox{otherwise} …

9 sampling  interpolation 

我确实了解数字波束成形背后的数学原理，但不确定如何实际实施此类系统。例如，在工作于S波段的典型宽带FMCW雷达中，（基带）脉冲带宽可能高达500MHz。为了数字化该信号，您需要高速ADC，通常为1GHz采样频率。据我所知，这些ADC并不便宜。 现在，如果您说有20个天线单元的统一矩形阵列（URA），则需要将RF前端复制20次！该RF前端通常将包括LNA，混频器和高速ADC。 另外，上述系统产生的数据量巨大，需要大的存储器和处理能力。 因此，我的问题是： 以上情况反映了实际的波束成形系统是如何实施的还是过于幼稚？我在这里缺少基本的东西吗？ 是否有任何硬件/信号处理技巧可以帮助降低此类系统中的硬件或处理要求？ 谢谢

9 sampling  beamforming  array-signal-processing 

我想问一个关于狄拉克函数的理论问题。Dirac函数的傅立叶变换是每个频率的值1（DC）。如果考虑采样定理，则必须在信号找到最大频率，以便可以使用进行采样。但是，正如我们从其傅立叶变换中所见，狄拉克函数包含每个频率，因此我们找不到合适的。我的问题是，从理论上讲，能否对狄拉克函数进行采样？ F中号一个X F米一个X \ f_{max} Fs≥ 2 ˚F米一X Fs≥ 2F米一个X \ f_s \ge \ 2f_{max}FsFs f_s 编辑：谢谢您的有用答案伙计们！

9 sampling 

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 

我有同一个天文物体的两个光谱。基本问题是：如何计算这些光谱之间的相对位移，并在该位移上获得准确的误差？ 如果您仍在我身边，请提供更多详细信息。每个光谱将是一个具有x值（波长），y值（通量）和误差的数组。波长偏移将是子像素。假设像素是规则间隔的，并且将只有一个波长偏移应用于整个光谱。因此，最终答案将类似于：0.35 +/- 0.25像素。 这两个光谱将是许多无特征的连续体，它们被一些不容易建模（且不是周期性的）的相当复杂的吸收特征（凹陷）所打断。我想找到一种直接比较两个光谱的方法。 每个人的第一个本能是进行互相关，但是随着子像素的移动，您将不得不在光谱之间进行插值（首先要进行平滑处理？），而且，错误似乎很难纠正。 我目前的方法是通过与高斯核卷积来平滑数据，然后对平滑结果进行样条化处理，并比较两个样条化谱线-但我不信任它（尤其是错误）。 有人知道正确执行此操作的方法吗？ 这是一个简短的python程序，将产生两个可以播放的玩具光谱，这些光谱偏移了0.4个像素（写在toy1.ascii和toy2.ascii中）。即使此玩具模型使用了简单的高斯特征，也要假设实际数据不能与简单的模型拟合。 import numpy as np import random as ra import scipy.signal as ss arraysize = 1000 fluxlevel = 100.0 noise = 2.0 signal_std = 15.0 signal_depth = 40.0 gaussian = lambda x: np.exp(-(mu-x)**2/ (2 * signal_std)) mu = 500.1 np.savetxt('toy1.ascii', zip(np.arange(arraysize), np.array([ra.normalvariate(fluxlevel, …

9 sampling  cross-correlation  smoothing 

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) + …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision 

我们知道，欠采样会导致混叠，并且高于奈奎斯特速率一半的频率是无法区分的。我有一个基带信号，我想使用比奈奎斯特频率（奈奎斯特频率）的一半以及低频（所有部分）高的高频。我使用以下路径进行特殊处理： 输入⟶抗混叠前置滤波器⟶抽取⟶快速傅立叶变换⟶调优部分信号的输入项⟶抗混叠前置滤波器⟶抽取⟶快速傅立叶变换⟶调优部分信号的\textrm{Input}{\longrightarrow}\boxed{\textrm{anti-aliasing pre-filter}}{\longrightarrow}\boxed{\textrm{decimate}}{\longrightarrow}\boxed{\textrm{FFT}}{\longrightarrow}\boxed{\textrm{tune on special part}\\{\textrm{of the signal}}} 人们通常用作抗混叠滤波器的低通后置滤波器消除了我感兴趣的高频。我不会丢失高频的数字或模拟抗混叠前置滤波器是什么？

9 sampling  downsampling