發表文章

DSP筆記3_Power Spectrum Estimation_功率譜及功率譜密度(Periodogram 與 Welch’s Method)

-
圖片
截自 Fundamentals of Sound and Vibration Power Spectral Density of Random Signals 通常在實際應用中所遇到的大多數訊號，其未來的變化無法被精確得知。 我們只能針對這些變化做出機率性的敘述。 用來描述這類訊號的數學工具，是由一組可能實現值（realizations）所構成的隨機序列（random sequence），其中每一個實現值都有其對應的發生機率。 然而，在所有可能的實現值中，實驗者通常只能觀察到訊號的一個實現值。因此無法直接照搬針對確定性訊號所建立的定義來套用。因為若將隨機訊號的各個實現值視為離散時間序列，它們通常不具有有限能量，因此也不存在 DTFT(Discrete-Time Fourier transform)。 隨機訊號通常具有有限的平均功率（average power），因此可以利用平均功率頻譜密度來描述。而通常在通訊或訊號系統領域，會稱作「功率頻譜密度（power spectral density, PSD）」。 離散時間訊號 { y ( t ) ; t = 0 , ± 1 , ± 2 , … } 假設為一組具有零平均值的隨機變數序列： E { y ( t )} = 0 對所有 t  ( E { ⋅ } 表示 期望值運算子，針對所有實現值的集合進行平均。) y(t) 的自共變異數序列（autocovariance sequence, ACS），或稱共變異數函數（covariance function），定義為   r ( k ) = E { y ( t ) y ∗ ( t − k )} 功率頻譜密度的第一種定義 PSD 被定義為共變異數序列的 DTFT 截自 P.Stoica: Spectred analysis of signal ϕ ( ω ) 的定義與確定性訊號情況下的定義相似 截自 P.Stoica: Spectred analysis of signal 由已知的 ϕ ( ω ) \phi(\omega) 求回 { r ( k ) } \{r(k)\} 的反轉換為 截自 P.Stoica: Spectred analysis of signal 功率頻譜密度的第二種定義 ϕ(ω) 的第二種定義為 截自 P.Stoica: Sp...
張貼留言
閱讀完整內容

DSP筆記2_傅立葉轉換於頻譜分析的應用筆記

-
圖片
  關於「譜」 https://www.youtube.com/watch?v=F2Yl7N2uQWs 關於譜的觀念可以從光學領域追朔，以前學過當一束光經過三稜鏡，會根據光的波長(週期)被分解為紅橙黃綠藍....等色彩，也稱作(可見光)光譜。 對於訊號而言，頻譜分析也就是所謂借助傅立葉變化，類似三稜鏡一般將訊號轉換到頻率域，藉此去解析出構成原始訊號不同頻率成分。而描述頻率分量的曲線就稱作訊號的頻譜。 如圖中所示，原始波形訊號經由傅立葉分解出三條不同訊號波長的偕波集合。而此時若我們從這張圖的時間軸的朝向去看，波長的倒數也就是頻率，可去看不同頻率上的幅值。 傅立葉這位法國數學家，當時提出「任何時間函數都可分解為若干正弦訊號的總和」。 正弦函數是構成訊號的描述基本單元 以下這三個參數通常就能用於區分不同正弦訊號的Identifier，更可以理解為訊號的資訊載體。 A 振幅，反映訊號的強度(顯著程度) ω 頻率，衡量單位時間內訊號均勻重複的次數 Φ 相位，衡量時間延遲或時間偏移，可提供我們訊號於全局時間軸上出現時刻。 每個參數皆能乘載反映訊號產生原本質特徵的識別資訊 像是以下這個週期性波形，僅依靠肉眼觀察。我們無法很明確得知其數學模型。 無法得知該波形的準確頻率。若只依靠時域資訊，我們對複雜模式分析能力有限。 這也是為何需要將其分解為正弦訊號的原因。 因為我們人類對正弦訊號的特性比較熟悉。 傅立葉變換的核心是根據頻率，將原始訊號分解為若干正弦訊號的總和。 比方下面左側原始波形，經過傅立葉轉換分解後，得知可以用4個正弦訊號合成這個波形。 所以可以檢測到四個頻率成分 若要把這塊訊息用更簡潔呈現方式，可以透過繪製一個新的圖表。 橫軸以頻率而非時間作為自變數，縱軸以振幅來表示。 第一個正弦訊號在頻率對應位置是1，振幅為3。 第二個正弦訊號在頻率對應位置是7，振幅為1.5。 其他依此類推。 而相位參數則可以獨立呈現在另一張圖中 傅立葉函數以時域訊號作為輸入，輸出包含幅度和相位資訊的頻率函數。 當我們有能力拆解出頻譜資訊後可以做捨麼用途? 在工業領域中，可以想像遇到類似區分齒輪箱振動訊號原始波形，若從原始時域訊號難以發現問題，但從頻譜則可以清楚看到主要振動頻率，從而延伸做像是按傳動關係進一步推定振動源或故障異常分析等應用。 要從給定時域訊號中提取傅立葉變化就兩步驟 Step1....
張貼留言
閱讀完整內容

Tensorflow實作_阿拉伯手寫數字分類的實作_基本功常見操作

-
圖片
 本篇實作 使用python3.11 tensorflow2.20 ->這個裝好通常會自動把numpy2.4.6、tensorboard2.20、h5py 也裝好 matplotlib3.11.1 numpy2.4.6 tensorboard2.20 第一次於專案裝會要等大概10~15分鐘，會要等好一陣子。 Phase1程式碼-載入mnist資料集 嘗試透過將像素值內容非0的統一轉為1，觀察圖像張量資料。 import tensorflow as tf mnist = tf.keras.datasets.mnist # 匯入 MNIST 阿拉伯數字訓練資料 (x_train, y_train),(x_test, y_test) = mnist.load_data() # 訓練/測試資料的 X/y 維度 print ( "訓練資料X維度:{0}" .format(x_train.shape)) print ( "訓練資料Y維度:{0}" .format(y_train.shape)) print ( "測試資料X維度:{0}" .format(x_test.shape)) print ( "測試資料X維度:{0}" .format(y_test.shape)) # 訓練資料前10筆圖片的數字標準答案 print (y_train[: 10 ]) print (x_train[ 0 ]) #打印第一張訓練圖的像素值矩陣 data = x_train[ 0 ].copy() data[data> 0 ]= 1 #把非0的數字轉為1，顯示第1張圖片 print ( "==========================================" ) #把轉換後二維矩陣內容印出來，可以隱約看出數字為5 text_image=[] for i in range (data.shape[ 0 ]): text_image.append( '' .join( str (data[i]))) for i, row in enumerate (text_image): if i < len (...
張貼留言
閱讀完整內容

Python物件導向語法筆記2_方法覆寫Override、方法多載Overloading、私有成員會前面多兩個底線

-
圖片
方法覆寫Override 程式1-原本子類別方法呼叫 class Parent : def myMethod ( self ): print ( "父類別方法" ) class Child (Parent): def myMethod ( self ): print ( "子類別方法" ) c = Child() c.myMethod() 程式2-方法覆寫Override super(子類別,self).同名方法 class Parent : def myMethod ( self ): print ( "父類別方法" ) class Child (Parent): def myMethod ( self ): print ( "子類別方法" ) super (Child, self ).myMethod() c = Child() c.myMethod() 方法多載Overloading 在python程式語言中，加減乘除四則運算子皆可用於預設變數、list的資料型別，但是如果是兩個自訂物件要進行運算，就勢必要重新定義這些運算子，不然就會發生不如預期的錯誤。 除了算術運算以外，比如要針對物件之間的比較運算、邏輯運算也都需要進行overloading。 固定覆寫寫法要留意，是以下這些制式化方法名稱 以下是一個簡單的二維點座標案例 TypeError: unsupported operand type(s) for +: 'Point' and 'Point' 另外像是要打印點座標直接print也會直接印出記憶體位置 程式1-As If class Point : def __init__ ( self ,x= 0 ,y= 0 ): self .x = x self .y = y p1 = Point( 4 , 3 ) p2 = Point( 2 , 1 ) #錯誤示範 #print(p2) #print(p1+p2) 程式2-To Be class Point : ...
張貼留言
閱讀完整內容