Questions tagged «signal-analysis»

我期待注册信号和图像处理的硕士学位，或者计算机视觉（我尚未决定），这个问题浮出水面。 我担心的是，由于深度学习不需要特征提取并且几乎不需要输入预处理，是否会破坏图像处理（或一般来说是信号处理）？ 我不是深度学习专家，但是它在直接拍摄图像而不是像其他技术一样使用特征向量的识别和分类任务中似乎效果很好。 是否存在使用图像处理技术的传统特征提取+分类方法会更好的情况，还是因为深度学习而垂死？

52 image-processing  signal-analysis  computer-vision  machine-learning  deep-learning 

我了解傅里叶变换，这是一种数学运算，可让您查看给定信号的频率内容。但是现在，在我的通讯中。当然，教授介绍了希尔伯特变换。 我了解到，鉴于希尔伯特变换将FFT乘以或将时间函数与卷积，它在某种程度上与频率内容有关。−jsign(W(f))−jsign⁡(W(f))-j\operatorname{sign}(W(f))1/πt1/πt1/\pi t 希尔伯特变换的含义是什么？通过将该变换应用于给定信号，我们可以获得什么信息？

39 signal-analysis  hilbert-transform 

太..我一直在想这个东西。我们都知道，我们的声音与自己听到的声音有所不同。通过记录自己并听取别人的声音很容易发现别人。 但是反过来呢？ 有没有一种方法可以改变我们的声音，使他人在感知自己的声音时可以听到我们的声音？我发现这是一个非常有趣的问题。遗憾的是，经过几个Google搜索后，我在网上找不到任何内容。没有人考虑过这个，还是因为某种我看不见的原因而不可能呢？ 任何线索，将不胜感激:)。

18 signal-analysis  audio  transform 

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 

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 

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 

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 

我想知道如何确定一系列数据是否为周期性数据。 我想使用傅立叶变换/级数。我的数据看起来不定期 [111100001111000110010101010000101] 或定期 [11001100110011001100] 我需要确定它是自动的 我可以执行哪些类型的分析或计算来确定信号是否为周期性的？

12 frequency  signal-analysis 

这是频率f = 236.4 Hz（正弦为10毫秒；N=441以采样率表示点fs=44100Hz）和DFT（无零填充）的正弦曲线： 通过查看DFT可以得出的唯一结论是：“频率大约为200Hz”。 这是信号及其DFT，带有大的零填充： 现在我们可以给出一个更为精确的结论：“通过仔细观察频谱的最大值，我可以估算出236Hz的频率”（我放大并发现最大值接近236Hz）。 我的问题是：为什么我们说“零填充不会增加分辨率”？（我经常看到这句话，然后他们说“只添加插值”） =>以我的示例为例，零填充可帮助我以更精确的分辨率找到合适的频率！

12 fft  fourier-transform  signal-analysis  dft  zero-padding 

在数学中，您可以采用函数的双导数或双积分。在许多情况下，执行双导数模型可以模拟实际的实际情况，例如找到对象的加速度。 由于傅立叶变换将实数或复数信号作为输入，并产生复数信号作为输出，因此没有什么会阻止您获取该输出并再次应用傅立叶变换...在此方面有任何实际用途吗？这个？它有助于对一些复杂的现实情况进行建模吗？ 按照相同的逻辑，没有什么可以阻止您对原始时域输入信号进行傅立叶逆变换了……这会有用吗？为什么或者为什么不？

11 fft  signal-analysis  fourier-transform  hilbert-transform  theory 

4QAM和QPSK显然产生相同的波形，但是它们在数学上是否相同？ 在QPSK星座图中，映射点是在45、135、225和315度，而4QAM是在0、90、180和270度吗？ 我也很难理解这种星座图的I / Q组件。“同相”和“正交相”实际上是什么意思？它们只是为这种用法指定实部和虚部的另一种方法吗？

11 signal-analysis 

在许多信号处理书中，都声称DFT假定变换后的信号是周期性的（这就是例如可能发生频谱泄漏的原因）。 现在，如果您查看DFT的定义，则根本就没有这种假设。但是，在Wikipedia上有关离散时间傅立叶变换（DTFT）的文章中指出 当输入数据序列x[n]x[n]x[n]为周期时，方程2可通过计算简化为离散傅里叶变换（DFT）NNN 那么，这种假设是否源自DTFT？ 实际上，在计算DFT时，实际上我是否在假设信号是周期性的情况下计算DTFT ？

10 discrete-signals  signal-analysis  dft 

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 

我有一个采样时间为0.5微秒的信号，我想将此信号偏移采样时间的一小部分，例如3纳秒。 我已经阅读了一些有关分数延迟滤波以及使用FFT和IFFT进行此类延迟的在线资源。有人可以给我指出一些有关此的理论还是给我一些有关如何实施它的想法。 为了对整数样本进行信号的常规移位，我通过将信号移位所需数目的样本并在开头添加零来实现此目的。这种方法正确吗？

9 filters  discrete-signals  signal-analysis 

我不了解计算瞬时频率的原理，并且提出了很多问题。您可以在本文末尾的项目符号列表中找到它们。请原谅，这段文字可能会有点长，但是我真的想自己解决这个问题。 因此，我对实值信号x （t ）的瞬时频率F（吨）F（Ť）f(t)感兴趣。计算是借助解析信号z （t ）= x （t ）+ j y （t ）进行的，其中y （t ）是x （x （t ）X（Ť）x(t)ž（t ）= x （t ）+ j y（吨）ž（Ť）=X（Ť）+Ĵÿ（Ť）z(t) = x(t) + j y(t)ÿ（吨）ÿ（Ť）y(t)X（t ）X（Ť）x(t)。 为了根据分析信号ž（吨）ž（Ť）z(t)计算瞬时频率，我遵循以下论文： Arthur E. Barns从1992年开始计算瞬时频率和瞬时带宽。在本文中，他介绍了多种计算瞬时频率的方法。我写下了他提出的所有公式（我曾经使用过）。 为了进行“学习”，我在MATLAB中试用了一个非常简单的信号，以及两个稍微复杂的信号，并希望获得它们的瞬时频率。 Fs = 1000; % sampling-rate = 1kHz t = 0:1/Fs:10-1/Fs; % 10s 'Timevector' chirp_signal = …

9 signal-analysis  frequency  phase  hilbert-transform  analytic-signal