আরও ভাল কি: আপ- বা ডাউনস্যাম্পলিং?


13

আমি দুটি সিগন্যাল বা বক্ররেখার তুলনা করতে চাই। একটি বক্ররেখার নমুনা 30 হার্জেড 2000 Hz এ একটি বক্ররেখা নমুনা

দুর্ভাগ্যক্রমে তাদের আলাদা আলাদা নমুনা হার রয়েছে। প্রথমটি 30 হার্জে নমুনাযুক্ত, দ্বিতীয়টি 2000 হার্জেডে। মতলব'র 'রেজ্যালাম' ফাংশনটি রয়েছে এবং আমি ভেবেছিলাম, এটি তুলনাকে আরও সহজ করে তুলবে।

আমার প্রশ্ন হ'ল: দ্বিতীয় বক্ররেখার নমুনা বা প্রথমটির উত্সকরণ করা কি বুদ্ধিমানের কাজ?

সম্পাদনা: আমাকে যেমন বলা হয়েছিল তেমন করলাম। বাম দিকে ছবিতে মূল বক্ররেখা রয়েছে। ডানদিকে বাঁকানো পুনরায় মডেল করা হয়। শীর্ষে ডানদিকে নমুনা দেওয়া হয়, নীচে ডানটি নিচে নমুনা দেওয়া হয়।

আমি জানি যে বক্ররেখাগুলি বিভিন্ন আকারের হয়, যখন পুনরায় তৈরি করা হয়। তবে দ্বিতীয় সংকেতটি প্রথম সংকেতের দৈর্ঘ্যে ক্রপ হয়ে যাবে। তুলনা


1
আমি আপনার প্রশ্ন upvated। আপনি কোনটি বুদ্ধিমান বলে মনে করেন?

যদি খুব উচ্চ নির্ভুলতার বিষয়টি বিবেচনা না করে (এই ক্ষেত্রে আমি এটি মনে করি না) তবে আপনি ডাউনস্যাম্পল করতে পারেন, বিশেষত যদি এটি প্রক্রিয়াটি আরও দ্রুততর করে তোলে এবং আপনি আপনার কাজের
সময়টিকে

@ স্ট্যানলি পাওলুকিউইজ, স্পষ্টতই, আমি ছোট ছোট সমস্ত চূড়াগুলি ডাউন স্যাম্পলিং করে হারিয়েছি। সুতরাং আপসাম্পলিংয়ের উপায় হতে পারে। তারপরে আবার আমার ছোট শিখর দরকার নেই। এমনকি আমি দ্বিতীয় সংকেতটি মসৃণ করার বিষয়েও ভেবেছিলাম। সুতরাং আমার ক্ষেত্রে এটি সম্ভবত গুরুত্বপূর্ণ নয় যদি আমি নমুনা উপরে বা নীচে নিই।
নেলসন অরেঞ্জ

তবুও প্রতিক্রিয়া এবং উত্তর প্রয়োজন?
লরেন্ট ডুভাল

উত্তর:


18

সংক্ষেপে:

  • আপসাম্পলিং : তথ্য আলগা করে না / করা উচিত (যদি বিজ্ঞতার সাথে করা হয়) তবে নিরাপদ ,
  • ডাউনস্যাম্পলিং : তথ্য শিথিল করতে পারে (যদি মূর্খভাবে করা হয়), তবে আরও গণনামূলকভাবে দক্ষ

সুতরাং আপনি যদি বিভিন্ন হারে ডেটা তুলনা করেন এবং একটি মূল্যায়ন পর্যায়ে যখন কেউ কীভাবে তুলনাটি করা উচিত (কোন বৈশিষ্ট্যগুলির সাথে তুলনা করা হয়, কোন মেট্রিকের সাথে, কোন বাহ্যিক, যেমন নির্ভুলতা, দক্ষতা, দৃ rob়তা ইত্যাদি) নির্ধারণ করার চেষ্টা করে, একটি খুব প্রাথমিক প্রথম পদ্ধতির উভয় সংকেতকে তাদের নমুনা পুনর্নির্মাণের জন্য পূর্ণসংখ্যার ফ্যাক্টর দ্বারা নমুনা করা হবে । এখানে, এটি বেশ ঠিক আছে, 6000 Hz উভয়ের পক্ষে কাজ করতে পারে।

কারণগুলি হতে পারে, ডিএসপি অনুশীলনের জন্য:

  • পূর্ণসংখ্যা আপসাম্পলিংয়ের সাহায্যে, আপনি ছাঁটাই ফিল্টারিং কৌশলগুলি ব্যবহার করতে বাধ্য নন এবং সাধারণ লিনিয়ার অন্তরঙ্গকরণ সহজ ola মনে রাখবেন যে আপসাম্পলিং কিছু তথ্য যুক্ত করে।
  • সংকেতগুলির সাথে একই স্কেল হয়, আপনি বৈশিষ্ট্যগুলি নিষ্কাশন করতে এবং তাদের তুলনা করতে পারেন: গোলমাল, পরিবর্তনশীলতা, opালু, ডেরিভেটিভস ইত্যাদি আপনি সঠিক স্কেল / অফসেট সংশোধন প্রয়োগ করতে পারেন (তাদের একই প্রশস্ততা নেই), লিনিয়ার বা অ- লিনিয়ার ট্রান্সফর্মেশনস (ফুরিয়ার ইত্যাদি) বিভিন্ন ডোমেনে মিলের বৈশিষ্ট্য বিদ্যমান কিনা তা পরীক্ষা করতে
  • এই পর্যায়ে আপনার অ্যালগরিদম তৈরির জন্য প্রয়োজনীয় বৈশিষ্ট্য / ম্যাট্রিকগুলি গুণমান এবং মাপদণ্ড করতে সক্ষম হওয়া উচিত । এবং আপনি উভয় ডেটা থেকে কী শিথিল করতে পারবেন তা অনুমান করতে পারেন। উদাহরণস্বরূপ, আপনি আপনার অ্যালগরিদম তৈরি করতে পারেন এবং ডাউন স্যাম্পলিংয়ের সিগন্যাল দেওয়া কীভাবে শক্ত এবং আপনি কতদূর যেতে পারবেন তা দেখুন see এখানে, আপনার অ্যালগরিদম আরও দক্ষ হতে শুরু করে।

একবার আপনি যে কিছু সময় ব্যয় করেছেন, আপনি আরো আবার গোড়া থেকে শুরু করার জন্য প্রস্তুত হয়, এবং সিদ্ধান্ত নেন কিনা ডাউনস্যাম্পেল উচিত বা না, যা পদ্ধতি, ইত্যাদি উভয় নিরাপত্তা এবং efficienty পৌঁছানোর

বিকল্প সরবরাহ করার জন্য, যদি আপনি ফুরিয়ার ডোমেনে ডেটা তুলনা করার সিদ্ধান্ত নেন, আপনি ফ্রিকোয়েন্সি ডোমেনে তুলনা করতে সাহায্য করে খুব সহজেই একই দৈর্ঘ্যের ফুরিয়ার সহগের সাথে দুটি দৈর্ঘ্য এবং স্যাম্পলিং হার সহ দুটি সংকেত নিক্ষেপ করতে পারেন।


14
ডাউনস্যাম্পলিং প্রায় সর্বদা তথ্য হারাবে, যদিও এটি অজ্ঞানীত পদ্ধতিতে করা হয়নি। তবে তথ্য হারানো আসলে একটি বুদ্ধিমান জিনিস হতে পারে, তাই ...
বাম দিকের বাইরে

@leftaroundabout কোন ধরণের ক্ষেত্রে ডাউনস্যাম্পলিং তথ্য হারাতে পারে না?
উইলেম

2
নিবন্ধন করুন তথ্য হারাতে রাখা এটি সবসময় রাখার চেয়ে খারাপ worse একমাত্র বুদ্ধিমান জিনিসটি হ'ল তথ্য হ্রাস নয়, সিগন্যালের আরও ভাল উপস্থাপনের জন্য কোন তথ্যকে ফেলে দেওয়া উচিত তা জানা।
অ্যালেক্সটিপি

5
@ উইলিম: একটি অত্যন্ত সুস্পষ্ট মামলা হিসাবে, একটি ডিসি সিগন্যাল একটি একক নমুনায় ডাউনস্যাম্পল করা যেতে পারে। সাধারণভাবে, (নতুন) নিউকুইস্ট সীমাটির উপরে কোনও উপাদান নেই এমন কোনও সংকেত নিরাপদে ডাউন স্যাম্পল করা যেতে পারে।
এমসাল্টার

1
এটি যুক্তিযুক্ত হতে পারে যে কোনও ডিসি সিগন্যাল থেকে 1 টি নমুনা সংকেতে কোনও তথ্য হারাতে পারে না কারণ আপনি 1 নমুনা থেকে মূলের অনুরূপ সিগন্যালে ফিরে যেতে পারেন। এটি যুক্তিযুক্ত হতে পারে যে তথ্য হারিয়ে গেছে কারণ আপনি যদি আরও তথ্য ছাড়াই কোনও ব্যক্তিকে 1 টি নমুনা সংকেত দেন এবং জিজ্ঞাসা করেন "এটি কি ডিসি সংকেতকে উপস্থাপন করে?" উত্তরটি হবে "জানি না, একটি নমুনা সহ পর্যাপ্ত তথ্য নয়"।
বেনামে কাপওয়ার্ড

7

আপনি যদি প্লটের মতো কোনও ফাংশন ব্যবহার করেন (x, y) তাদের একই গ্রাফটিতে প্রদর্শন করার সহজতম উপায় হ'ল এগুলির কোনওটির পুনরায় নমুনা না দেখানো, প্রতিটি সিগন্যালের জন্য প্রতিটি এক্স ভেক্টরকে যথাযথ মান পূরণ করা, যাতে উভয়ই উপস্থিত হয় আপনি প্রদর্শন করতে চান।

আপনি চাইলে বিভিন্ন লেবেল এবং কিংবদন্তী সহ দুটি পৃথক এক্স-অক্ষ (প্রতিটি বক্ররেখার জন্য একটি) রাখার জন্য প্লটটি সেটআপ করতে পারেন।

এখন, পুনরায় মডেলিং সম্পর্কে। আমি নমুনা ফ্রিকোয়েন্সি জন্য Fs ব্যবহার করব।

একটি নমুনাযুক্ত সিগন্যালে Fs / 2 এর উপরে ফ্রিকোয়েন্সি উপাদান থাকতে পারে না। এটি ব্যান্ডলিমিটেড।

এছাড়াও, কেবলমাত্র একটি ফ্রিকোয়েন্সি এফ পর্যন্ত ফ্রিকোয়েন্সি উপাদান রয়েছে এমন একটি সিগন্যাল 2F এর নমুনা হারে নির্ভুলভাবে উপস্থাপিত হতে পারে।

মনে রাখবেন যে এই "নির্ভুল" উপস্থাপনাটি গাণিতিক, ভিজ্যুয়াল নয়। একটি ভাল চাক্ষুষ প্রতিনিধিত্বের জন্য, পিরিয়ড প্রতি 5-10 নমুনা (সুতরাং Fs / 10 বা তার বেশি কোনও উল্লেখযোগ্য ফ্রিকোয়েন্সি উপাদান নেই) মস্তিষ্ককে বিন্দুগুলিকে সংযুক্ত করতে সত্যই সহায়তা করে। এই চিত্রটি দেখুন: একই সংকেত, নিম্ন বক্ররেখায় কম নমুনার হার রয়েছে, কোনও তথ্য ক্ষতি নেই কারণ ফ্রিকোয়েন্সি Fs / 2 এর চেয়ে কম তবে এটি এখনও ছাঁটাইয়ের মতো দেখায়।

এখানে চিত্র বর্ণনা লিখুন

যদিও এটি ঠিক একই সংকেত। যদি আপনি একটি সিনক ফিল্টার দিয়ে নীচের অংশটিকে ওভারসামাল (পুনর্গঠন) করেন তবে আপনি এটি শীর্ষে পাবেন।

ডেসিমেশন (ডাউনস্যাম্পলিং) নতুন এফএস / 2 এর চেয়ে বেশি সমস্ত ফ্রিকোয়েন্সি উপাদানগুলিকে সিগন্যালে ফোল্ড করবে। এই কারণেই আমরা সাধারণত ডেসিমেটরের আগে একটি খাড়া লোপাস ফিল্টার রাখি। উদাহরণস্বরূপ, Fs = 2000 Hz থেকে ডাউন Fs = 30 Hz এ ডাউনস্যাম্পল করতে, প্রথমে আমরা 15 hz এর নীচে একটি কাটফট সহ একটি হাই অর্ডার লোপপাস প্রয়োগ করব এবং কেবল তখনই ডেসিমেট করব।

তবে এই ফিল্টারটি ক্ষণস্থায়ী প্রতিক্রিয়া সংক্রান্ত সমস্যাগুলি প্রবর্তন করবে, এটি নির্দিষ্ট ফ্রিকোয়েন্সিগুলিতে পর্যায়ক্রমে পিছিয়ে যাবে এবং এটি আপনার সিগন্যালের ভিজ্যুয়াল দিকটি বদলে দিতে পারে, যা আপনি ধারণার সাথে তুলনা করতে চাইলে করতে চান না। উপরের নিয়মটি প্রযোজ্য, অত্যধিক নমুনা নিবেন না, আপনি সিগন্যাল আকারটি কিছু বোঝাতে চাইলে সর্বদা এফসকে 5-10x সর্বোচ্চের ফ্রিকোয়েন্সি হিসাবে রাখুন। একারণে 200MHz স্কোপের 1-2 জিএসপিএসে নমুনা নেওয়া দরকার।

আমার প্রশ্নটি হ'ল: দ্বিতীয় বক্ররেখার নমুনা বুদ্ধিমান বা প্রথমটিকে উচ্চতর করা কি বুদ্ধিমানের কাজ?

উপরে যেমন বলা হয়েছে, বুদ্ধিমান হ'ল ডেটাটি নিয়ে কোনও ঝামেলা না করা এবং এগুলি কেবল একই গ্রাফটিতে তাদের নিজস্ব এক্স-অক্ষের সাথে উপস্থাপন করা।

স্যাম্পলিং হার রূপান্তর কিছু ক্ষেত্রে প্রয়োজন হবে। উদাহরণস্বরূপ পয়েন্টের সংখ্যা হ্রাস করার জন্য, মেমোরির ব্যবহার হ্রাস করতে, এটিকে দ্রুততর করা ... বা উভয় সংকেত তাদের উপর গণনা করার জন্য একই "x" স্থানাঙ্ক ব্যবহার করে।

এক্ষেত্রে আপনি একটি মধ্যবর্তী এফএসও ব্যবহার করতে পারেন, উচ্চ এফএস সহ সিগন্যালটি ডাউনসাম্পল করতে পারেন এবং কম এফএস সহ একটি উচ্চতর নমুনা করতে পারেন। বা উচ্চ Fs সহ একটি মাত্র নিচে নমুনা।

Nyquist মানদণ্ড মনে রাখুন, এবং খুব কম নমুনা হার বাছাই করবেন না বা আপনি উচ্চ Fs সিগন্যালে তরঙ্গরূপের আকৃতি বিশ্বস্ততা হারাবেন, লোপপাস ফিল্টার ইত্যাদির কারণে আপনি পর্যায়ে শিফট পাবেন বা যদি আপনি উচ্চ ফ্রিকোয়েন্সি সামগ্রী জানেন নগন্য, আপনি একটি অবহিত পছন্দ করতে পারেন। আমি

যদি আপনি "x" স্থানাঙ্কগুলি ম্যাচ করতে লিনিয়ার ইন্টারপোলেশন ব্যবহার করেন তবে মনে রাখবেন এটির জন্য বেশ উচ্চ Fs দরকার। ইন্টারপোলেশন উপরের প্লটে শীর্ষ সংকেতটিতে কাজ করবে, এটি নীচের অংশে একটিতে কাজ করবে না। আপনি যদি ন্যূনতম, সর্বোচ্চ এবং এর জন্য আগ্রহী হন তবে একই S

এবং ... নোট করুন যে ওভারস্যাম্পলিং / আপসাম্পলিং অন্তত দৃশ্যমানভাবে ক্ষণস্থায়ী প্রতিক্রিয়ার সাথেও গন্ডগোল করবে। উদাহরণস্বরূপ, আপনি যদি কোনও পদক্ষেপের ওপরে নমুনা করেন তবে সিন্ক ফিল্টার আবেগ প্রতিক্রিয়ার কারণে আপনি প্রচুর বেজে উঠবেন। এটি কারণ আপনি একটি ব্যান্ড সীমাহীন সংকেত পান এবং বর্গাকার কোণগুলির সাথে একটি দুর্দান্ত ধাপে আসলে অসীম ব্যান্ডউইথ থাকে।

আমি উদাহরণ হিসাবে একটি বর্গাকার তরঙ্গ নেব। আসল নমুনাযুক্ত সংকেতটি সম্পর্কে চিন্তা করুন: 0 0 0 1 1 1 0 0 0 1 1 1 ... আপনার মস্তিষ্ক একটি বর্গাকার তরঙ্গ দেখে।

তবে বাস্তবতাটি হ'ল আপনার প্রতিটি নমুনাকে বিন্দুর মতো ছবি তোলা উচিত এবং বিন্দুগুলির মধ্যে কিছুই নেই। এটি নমুনা পুরো পয়েন্ট। নমুনার মধ্যে কিছুই নেই। সুতরাং যখন এই বর্গাকার তরঙ্গটি একটি সিনক ইন্টারপোলেশন ব্যবহার করে ওভার স্যাম্পল করা হয়েছে ... এটি মজাদার মনে হচ্ছে।

এখানে চিত্র বর্ণনা লিখুন

এটি কেবল ব্যান্ডলিমিটেড স্কোয়ার ওয়েভের ভিজ্যুয়াল উপস্থাপনা। উইগলস কিন্ডার অস্তিত্ব আছে ... অথবা নাও থাকতে পারে। আসল সিগন্যালে তারা ছিল কিনা তা জানার উপায় নেই। এক্ষেত্রে সমাধানটি প্রান্তে আরও ভাল রেজোলিউশন পাওয়ার জন্য উচ্চতর স্যাম্পলিং হারের সাথে মূল বর্গাকার তরঙ্গ অর্জন করা উচিত ছিল, আদর্শভাবে আপনি নিজের প্রান্তে বেশ কয়েকটি নমুনা চান যাতে এটি আর ইনফিন্ট ব্যান্ডউইথের এক ধাপ কমতে না দেখায়। তারপরে এই জাতীয় সংকেতকে ওভার স্যাম্পল করার সময় ফলাফলটিতে ভিজ্যুয়াল আর্টিক্টস থাকবে না।

যাই হোক। আপনি দেখতে পাচ্ছেন ... এক্স অক্ষের সাথে কেবল গণ্ডগোল করুন। এটা অনেক সহজ।


4

ডাউনস্যাম্পলিংয়ের তথ্য হারিয়ে যায়। ফলসটি একটি পূর্ণসংখ্যা হলে আপসাম্পলিং ক্ষতিহীন হয় (আপনাকে ফ্যাক্টরটি মনে রাখে) তবে যখন ফ্যাক্টর পূর্ণসংখ্যা হয় না তখন কিছু তথ্য হারিয়ে যায়। আপসাম্পলিং তাত্ত্বিকভাবে খুব নির্দিষ্ট পুনর্নির্মাণের কারণগুলির জন্য ডাউনস্যাম্পলিংয়ের চেয়ে বেশি তথ্য হারাতে পারে ।

কোনটি আপনার ব্যবহার করা উচিত? এটি আপনার প্রয়োজনীয় স্তরের স্তরের উপর নির্ভর করে।

আপনার যদি গাণিতিক নিশ্চিততার প্রয়োজন না হয় এবং কেবল একটি হিউরিস্টিক চান, ডাউনসাম্পলিং দ্রুত এবং আপসাম্পলিং আরও নির্ভুল

আপনার গণনার যথাযথতার উপর যদি আপনাকে সীমানা লাগাতে হয়: এটি সম্ভব তবে আমি আপনাকে এটির সাহায্য করতে পারি না।


+1, কারণ আপনি কয়েকটি সংক্ষিপ্ত উত্তরে কয়েকটি গুরুত্বপূর্ণ টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো করে বলতে পেরেছিলেন।
dsp_user

3

এটি "তুলনা" এবং "জ্ঞানী" বলতে কী বোঝায় তার উপর নির্ভর করে on বুদ্ধিমান জিনিস, যা মতলব এ শক্ত নয়, তা হল এটি উভয় উপায়ে করা এবং নিজের জন্য সিদ্ধান্ত নেওয়া।

প্রকৃতপক্ষে, আপনি যদি উভয় পদ্ধতির ফলাফল দিয়ে আপনার প্রশ্নকে সংশোধন করেন, আমি আপনার প্রশ্নটিকে উচ্চতর করব এবং আরও লোকেরা এটি আকর্ষণীয় মনে করবে এবং সম্ভবত "তুলনা" নির্ধারণে সহায়তা করবে


1

এই অপারেশনটি অত্যন্ত গুরুত্বপূর্ণ হতে পারে এমন নমুনা তৈরি করার সময় যে সমস্যাটি ঘটে তা আমি উল্লেখ করতে চাই। যখন একটি সিগন্যাল আপসাম্পল করা হয় এবং ডেটা এন্ডপয়েন্টগুলি শূন্য মান থেকে অনেক দূরে থাকে তখন প্রান্তের প্রভাবটি ঘটে। ব্যবহারিক অভিজ্ঞতাগুলিতে, এই অনাকাঙ্ক্ষিত প্রভাবটি নির্মূল করা উচিত। আমি এই সম্প্রদায়ের সাথে ছবি এবং কোড সম্পর্কে একটি ছোট রচনা লিখেছি যা বুঝতে সাহায্য করতে পারে।

https://medium.com/@davidpinyol91/edge-effects-when-resampling-a-signal-on-matlab-how-to-solve-it-cc6458ab1306

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.