কোনও ডেটা স্ট্রিমে স্মুথিং সিগন্যাল / শনাক্তকারী শাঁস

Question

(সম্পাদনা: কাঁচা ডাব্লুএইভি থেকে বাইনারি চৌম্বক-স্ট্রিপ কার্ডের ডেটা বের করা থেকে এই প্রশ্নটি অনুসরণ করা হয়েছে )

এখানে আমার সংকেত (শীর্ষ রেখা) এবং একটি বেসিক আইআইআর ফিল্টার প্রয়োগ করা হয়েছে (নীচের লাইন)

(সম্পাদনা করুন: আমার কাজটি হ'ল সিগন্যালটিকে বাইনারি 0 (ফ্রিকোয়েন্সি এফ) এবং বাইনারি 1 (ফ্রিকোয়েন্সি 2 এফ) এ বিভক্ত করা - এজন্য এটিকে এফ 2 এফ বলা হয়। সুতরাং আমাকে এটি এমনভাবে প্রক্রিয়া করা দরকার যাতে কোনও ভুয়া শিখর গ্যারান্টি না থাকে। স্ক্রিনশট এটিকে তুচ্ছ দেখায়, ডাবল শিখর পাওয়ার সম্ভাবনা সমস্যা রয়েছে এবং আসল শৃঙ্গার মধ্যবর্তী গর্তে মিথ্যা ধনাত্মক সমস্যাও রয়েছে potential)

আমার প্রশ্ন হ'ল এই সংকেতটি মসৃণ করার জন্য কোন পদ্ধতিগুলি পাওয়া যায়? আইআইআর আমার সেরা বাজি?

আমি কমপক্ষে তিনটি সম্ভাবনা দেখতে পাচ্ছি:

• আইআইআর y [n] = 0.9 * y [n-1] + 0.1 * x [n] যেখানে y [x] = 0 যখন x <0

• চলন্ত / উইন্ডোযুক্ত গড় - প্রতিটি পার্শ্বে ডাব্লু = 10 টি নমুনা বরাবর ০.০ অঞ্চল দিয়ে একটি বেল বক্ররেখা রাখুন এবং বেলস্মোথ (এক্স) = ইন্টিগ্রাল [এক্সডাব্লু, এক্স + ডাব্লু] {বেল (কে) .স্যাম্প (কে)} ডিকে

• প্রত্যাশিত ফ্রিকোয়েন্সি এবং এফএফটি নির্ধারণ করুন / উচ্চতর অর্ডার বিনগুলি / বিপরীত এফএফটি সরান

আমি আমার নিজের প্রশ্নের উত্তর দিতে পারি, তবে সম্ভবত এটি অসম্পূর্ণ এবং আমি নিশ্চিত যে আমি ভুল পরিভাষা ব্যবহার করছি। এছাড়াও আমি সত্যিই উপকারিতা এবং কন্দের পূর্বাভাস দিতে পারি না। শেষ পদ্ধতিটি কম আকর্ষণীয় কারণ এটিতে বেসিক সংকেতের ফ্রিকোয়েন্সি সম্পর্কে জ্ঞান প্রয়োজন। কিন্তু তারপরে দ্বিতীয় পদ্ধতিটিও তাই করে; আমার একটি উপযুক্ত উইন্ডো দৈর্ঘ্য চয়ন করতে হবে।

অন্য কোন পদ্ধতি আছে?

Comments

মূল সংকেতের কোন বৈশিষ্ট্যগুলি আপনি সংরক্ষণ / পরিমাপের চেষ্টা করছেন? উদাহরণস্বরূপ, শীর্ষ পয়েন্টগুলির মধ্যে সময়সীমা, শীর্ষের উচ্চতা, একটি প্রান্তিকের উপরে সময় পরিমাণ, অন্য কিছু?

— মার্টিন থম্পসন

শিখরের মধ্যে সময় নির্ধারণ করা ... এবং এমনকি এটি খুব সঠিক হওয়ার দরকার নেই - এটি একটি এফ 2 এফ সিগন্যাল (আমি সংকেতের উত্সটি উল্লেখ করার জন্য প্রশ্নটি সংশোধন করব এবং একটি প্রসঙ্গ দেব)

— P i

এটি কি অনলাইন বা অফলাইন প্রক্রিয়াকরণের জন্য?

আমার থিসিস বিষয়টি হ'ল শব্দ প্রবাহে স্বাচ্ছন্দ্য। আপনি এই নিবন্ধ বা বিষয় পছন্দ করেন?

Answer 1

গড়ের প্রভাব

মুভিং এভারেজ ফিল্টার ব্যবহার করা সিগন্যালের অনিয়মকে মসৃণ করবে। শব্দটি ই / এন হয়ে যায় যেখানে এন চলন্ত গড় ফিল্টারটির দৈর্ঘ্য। এমএ ব্যবহারের পার্শ্ব প্রতিক্রিয়া হ'ল সিগন্যাল শৃঙ্গগুলি আরও প্রশস্ত এবং কম হয়।

এছাড়াও, সংকেতের ফ্রিকোয়েন্সি সামগ্রী পরিবর্তন হবে। টাইম ডোমেনের একটি মুভিং এভারেজ ফিল্টার হ'ল একই জিনিস যা ফ্রিকোয়েন্সি ডোমেন সিগন্যালকে একটি সংশ্লেষ ফাংশন দ্বারা সংশ্লেষিত করার মতো সবকিছু হ'ল।

9-10 / 10 প্রকৌশল সমস্যাগুলিতে পীক সনাক্তকরণ অ্যালগরিদম পীক সনাক্তকরণ একটি সাধারণ সমস্যা। (সত্যই নয়, তবে তাদের উপর একটি টন নির্ভর করে)

সাধারণত এটি করা হয়:

মিডিয়ান থ্রেশহোল্ডিং

1) Look for all peaks in your signal. (i.e., a point that is larger than the two
   adjacent points
2) take this list of points and for each one of them compute:
   med_threshold = median(Peak,Width) + constantThresholmedian   where median is the
   median value of the data centered at "Peak" with Width being the number of 
   points to look at.
       a) The Width(usually written as Lambda in literature) and constantThreshold
          (usually written as C) are determined by trial and error and using the ROC
          curve (Acronym below)
3) if the peak's magnitude is above this threshold accept it as a true peak. 
   Else: Discard it, its a false peak
4) Generate a Receiver Operating Characteristic Curve(ROC) to how well the algorithm
   is performing.

এখানে একটি উদাহরণ:

suppose we have the signal X = [ 0 0 0 0 1 3 **9** 2 1 1 **2** 1 1 ] 
1) 9 and 2 are both potential peaks 
2) Lets use a window of 5 and  a threshold =2
so at 9 we have [1 3 9 1 2] -> [1 1 2 3 9]  so Median(9,5) = 2
9 > 2 +2, therefor its a peak
Lets take a look at 2: [ 1 1 2 1 1] -> [1 1 1 1 2 ] Median(2,5) = 1
2 < 1+2, therefor it is NOT a peak. 

ফ্রিকোয়েন্সি নির্ধারণ করা হচ্ছে

এখন যে আপনি শিখরটির স্থানীয়করণের সময়টি কার্যকরভাবে খুঁজে পেয়েছেন তাদের ফ্রিকোয়েন্সি সন্ধান করার চেষ্টা করুন:

1) Use the locations of the peaks to generate a pulse train
      a) this means create sum(Dirac_delta[t-L(n)]) where L(n) is the nth time that 
      you've localized through median thresholding
2) Apply FFT Algorithm
3) Look for largest peak. 

বিকল্প ফ্রিকোয়েন্সি অনুমান

1) Think of this like a beat in a piece of music (I learned about thresholding by
   researching Onset Detection.
2) Compute the average time distance between detected peaks.
3) now call your results BPM or PPM (pulses per minute) 

গবেষণার অতিরিক্ত উপায়

আপনি যেমন পিক সিগন্যাল দ্বারা সন্তুষ্ট হতে পারেন, এমন একটি অ্যালগোরিদম রয়েছে যা অনসেট ডিটেকশন নামে পরিচিত সমস্যার সম্পূর্ণ ভিন্ন জন্তুতে প্রয়োগ করা হয়।

সংগীত তথ্য পুনরুদ্ধার গবেষণার ক্ষেত্রে অন্টসেট সনাক্তকরণ একটি বড় ক্ষেত্র। এটি কখন নোট বাজানো হচ্ছে তা নির্ধারণ করতে ব্যবহৃত হয়।

আপনি যদি নিজের টেপ হেড সিগন্যালটিকে খুব নমুনাযুক্ত সিগন্যাল হিসাবে মনে করেন তবে আপনি এই কাগজে যেগুলি বেশিরভাগ অ্যালগোরিদম পেয়ে যাবেন তা প্রয়োগ করতে পারেন:

http://www.elec.qmul.ac.uk/people/juan/Documents/Bello-TSAP-2005.pdf

Comments

"[1 3 9 1 2]" যদি আপনার উইন্ডো প্রস্থ = 5 হয় তবে আপনি 2 নম্বরটি কীভাবে পাচ্ছেন?

— স্পেসি

আমি কীভাবে সংখ্যাগুলি রেখেছে তা লক্ষ্য করুন। মিডিয়ান হ'ল একটি অর্ডার করা সেটের মাঝারি সংখ্যা। [1 1 2 3 9] <- অর্ডার করা হয়েছে, মধ্যম সংখ্যাটি 2

— সাইবারমেন

আপনার সংখ্যাগুলি দেখুন, সেগুলি [1 3 9 1 1]। আপনি কোথা থেকে 2 পেয়েছেন?

— স্পেসি

@ মোহাম্মদ এটিতে কাজ করার সময় কয়েকটি সম্পাদনা করেছেন, মুছে ফেলা হয়েছে। সংশোধন করা হয়েছে।

— সাইবারমেন

শীতল ধন্যবাদ! এখন, আপনি যখন বাদ্যযন্ত্র প্রসঙ্গে 'নোট' বলছেন, তার অর্থ কি একক ফ্রিকোয়েন্সি, বা অনেকগুলি ফ্রিকোয়েন্সি? অথবা এটা কোন ব্যাপার না? আমি সরু-ব্যান্ড, (একক স্বন) এমন আরও কিছু অ্যাপ্লিকেশনগুলির সাথে এটি ব্যবহার করার উপায় কিনা তা জানতে চাইছি।

— স্পেসি