সিগন্যাল প্রসেসিংয়ে কীভাবে "দ্রুত" পরিবর্তনগুলি সনাক্ত করা যায়

Question

আমি এমন একটি প্রকল্পে কাজ করছি যেখানে আমরা উপাদানগুলির সোল্ডারবিলিটি পরিমাপ করি। মাপা সংকেত গোলমাল। আমাদের রিয়েল টাইমে সিগন্যালটি প্রক্রিয়া করতে হবে যাতে 5000 মিলি সেকেন্ডের সময় শুরু হওয়া পরিবর্তনটি আমরা স্বীকৃতি দিতে পারি।

আমার সিস্টেম প্রতি 10 মিলিয়ন সেকেন্ডে প্রকৃত মানের নমুনা নেয় - তবে এটি ধীর নমুনার সাথে সামঞ্জস্য করা যেতে পারে।

1. আমি কীভাবে এই ড্রপটি 5000 মিলি সেকেন্ডে সনাক্ত করতে পারি?
2. সিগন্যাল / শব্দ অনুপাত সম্পর্কে আপনি কী ভাবেন? আমাদের কি ফোকাস করা উচিত এবং আরও ভাল সংকেত পাওয়ার চেষ্টা করা উচিত?
3. একটি সমস্যা রয়েছে যে প্রতিটি পরিমাপের বিভিন্ন ফলাফল রয়েছে এবং কখনও কখনও ড্রপটি এই উদাহরণের চেয়ে আরও ছোট হয়।

ডেটা ফাইলগুলিতে লিঙ্ক করুন (প্লটগুলির জন্য ব্যবহৃত জিনিসগুলির সাথে সেগুলি একই নয় তবে তারা সর্বশেষ সিস্টেমের স্থিতি দেখায়)

1. https://docs.google.com/open?id=0B3wRYK5WB4afV0NEMlZNRHJzVkk
2. https://docs.google.com/open?id=0B3wRYK5WB4afZ3lIVzhubl9iV0E
3. https://docs.google.com/open?id=0B3wRYK5WB4afUktnMmxfNHJsQmc
4. https://docs.google.com/open?id=0B3wRYK5WB4afRmxVYjItQ09PbE0
5. https://docs.google.com/open?id=0B3wRYK5WB4afU3RhYUxBQzNzVDQ

Comments

আপনার কাছে তুলনামূলকভাবে ছোট সিগন্যাল থেকে শব্দের অনুপাত রয়েছে বলে মনে হয়। বেশিরভাগ শনাক্তকরণ সমস্যার মতো, আপনি আপনার নির্দেশিত বৈশিষ্ট্যটি সঠিকভাবে সনাক্ত করার সম্ভাব্যতা এবং এটির একটি রয়েছে বলে ভুয়াভাবে ঘোষণা করার সম্ভাবনার মধ্যে ভারসাম্যটি বিবেচনা করতে চাইবেন। আপনার আবেদনের জন্য কোনটি গুরুত্বপূর্ণ? আপনার কি কোনও সনাক্তকরণের বিলম্বের প্রয়োজনীয়তা রয়েছে?

— জেসন আর

'গোলমাল' কোনও নির্দিষ্ট ফ্রিকোয়েন্সিতে হস্তক্ষেপের মতো দেখায়। যদি এটি হয় (একটি বর্ণালী প্লট সাহায্য করবে), তবে উপযুক্ত ফিল্টারিং বেশিরভাগ কাজ করবে।

— জুয়ানচো

আসলে এই বৈশিষ্ট্যটি সনাক্তকরণ খুব গুরুত্বপূর্ণ। তবে আমি কিছুটা বিলম্ব নিয়ে বেঁচে থাকতে পারি, তবে চূড়ান্ত স্টপ অবস্থানটি সামঞ্জস্য করতে হবে, কারণ অংশটি সোল্ডারকে কোথায় স্পর্শ করে ঠিক তা আমি জানি না এবং আমাকে নিমজ্জনের গভীরতা নিয়ন্ত্রণ করা দরকার। সুতরাং উদাহরণস্বরূপ যদি আমি জানি যে নিমজ্জন 0,5 মিমি হওয়া উচিত, আমি সোল্ডার গ্লোবুলের আদর্শ আকার অনুযায়ী তাত্ত্বিক অবস্থান গণনা করি, তবে তারপরে আমি কোনও গ্লোবুলের প্রকৃত আকারের জন্য সংশোধন করা দরকার যা আমি স্পর্শ করে সনাক্ত করি - এটি হিসাবে প্রদর্শিত হয় বল প্রয়োগ

— পেটর

পুরো পরিমাপ যন্ত্রটি স্প্রিংসে অবস্থিত, সুতরাং এটি অবাধে চলাচল করতে পারে, তবে এটি শব্দও উত্পন্ন করে এবং পরিমাপের পুরো পরিসীমা জন্য আমাদের স্থির ঝর্ণাও রয়েছে এবং অবশ্যই সর্বোচ্চ সংবেদনশীলতা ব্যবহার করার সময় এই সমস্যাগুলি উপস্থিত হয়, যেখানে পরিমাপক বাহিনী ভয়ঙ্করভাবে হয় ছোট।

— পেটর

জুয়ানচো - হতে পারে এটি সাহায্য করতে পারে, তবে আমি বিভিন্ন ফ্রিকোয়েন্সিগুলির ফলে বিভিন্ন অংশের বিভিন্ন ওয়েটের জন্য এটি কীভাবে সমাধান করব? এছাড়াও অংশটি সলডারে নিমজ্জিত হওয়ার পরে এই উপাদানটি পরিবর্তিত হয়, কারণ ভেজানো প্রক্রিয়া শব্দের মাত্রা হ্রাস করে, তবে এটি কেবল বৃহত অংশগুলির জন্যই ঘটে, এখানে বা বাইরে থাকাকালীন এটি প্রায় একই।

— পেটর

Answer 1

এই সমস্যার জন্য সর্বোত্তম রেফারেন্স হ'ল আকস্মিক পরিবর্তনগুলি সনাক্তকরণ - বাসিভিল এবং নিকিফোরভের তত্ত্ব এবং অ্যাপ্লিকেশন । পুরো বইটি পিডিএফ ডাউনলোড হিসাবে উপলব্ধ ।

আমার সুপারিশটি হ'ল আপনি সিউএসএম (ক্রমযুক্ত) যোগ অ্যালগরিদমের ২.২ অধ্যায়টি পড়ুন ।

Answer 2

আমি সাধারণত problemাল সনাক্তকরণের একটি হিসাবে এই সমস্যাটি ফ্রেম করি। আপনি যদি একটি চলমান উইন্ডোতে লিনিয়ার রিগ্রেশন গণনা করেন তবে সচিত্র ড্রপটি opeালের চিহ্ন এবং / অথবা প্রস্থের উল্লেখযোগ্য পরিবর্তন হিসাবে দৃশ্যমান হবে। এই পদ্ধতির অফারগুলি এমন অনেকগুলি কারণ যা "টিউনিং" প্রয়োজন: উদাহরণস্বরূপ, স্যাম্পলিং ফ্রিকোয়েন্সি, উইন্ডোর আকার ইত্যাদি signাল সাইন ডিটেক্টরটির দৃness়তা (শব্দ প্রতিরোধ )কে প্রভাবিত করবে। এখানেই উপরের কয়েকটি মন্তব্য প্রয়োগ করা যেতে পারে। লাইন ফিটিংয়ের আগে প্রয়োগ করা যেতে পারে এমন কোনও ফিল্টারিং বা শব্দ দমন আপনার ফলাফলগুলিকে উন্নত করবে।

Answer 3

আমি এই ধরণের কাজটি করেছি ডেটা বাম অংশের বনাম, ডানের ডান অংশের গড়ের টি-স্ট্যাটিস্টিক গণনা করে। এটি আপনাকে ধরে নিয়েছে যে ট্রানজিশন পয়েন্টটি কোনটি অবশ্যই নয় know

সুতরাং, আপনি যা করছেন তা সময়ের অক্ষ বরাবর কয়েকশ পার্টিশন পয়েন্ট চেষ্টা করে দেখুন এবং সবচেয়ে গুরুত্বপূর্ণ টি-স্ট্যাটিস্টিক সহ একটি সন্ধান করুন find

u_left, u_right : mean of left and right portion
s_left, s_right : SD of left and right portion
n_left, n_right : number of samples on left and right (subtract one from each for the one degree of freedom)

se = sqrt(s_left^2 / n_left^2 + s_right^2 / n_right^2)
T = (u_left - u_right) / se

আপনি এটি বাইনারি অনুসন্ধানের মতো কিছু হিসাবে করতে পারেন। ১০ টি ডেটা পয়েন্ট ব্যবহার করে দেখুন, সবচেয়ে বড় দুটি খুঁজে বের করুন, তারপরে 10 ইত্যাদিগুলির মধ্যে ১০ পয়েন্ট চেষ্টা করুন এইভাবে আপনি একটি সুন্দর সুনির্দিষ্ট রূপান্তর পয়েন্ট পেতে পারেন। আমি নির্ভুলতার দাবি করছি না :-)

কীভাবে যায় তা আমাদের জানান!

পিএস আপনি চলমান অঙ্ক হিসাবে গড় এবং এসডি গণনা করতে পারেন যা এই পার্টিশন ফাংশনটি প্রতিটি একক সম্ভাব্যতার জন্য এন ^ 2 থেকে এন থেকে গণনা করার জটিলতা হ্রাস করে। এটি করার ফলে আপনি সম্ভবত প্রতিটি সম্ভাব্য পার্টিশন পয়েন্টে টি স্ট্যাটিস্টিকগুলি গণনা করতে পারবেন।