Podobieństwo sygnałów - wykład

Nasza ocena:

3
Pobrań: 7
Wyświetleń: 1169
Komentarze: 0
Notatek.pl

Pobierz ten dokument za darmo

Podgląd dokumentu
Podobieństwo sygnałów - wykład - strona 1 Podobieństwo sygnałów - wykład - strona 2 Podobieństwo sygnałów - wykład - strona 3

Fragment notatki:

Podobieństwo sygnałów – korelacja
Iloczyn skalarny wektorów/sygnałów
L 2 ℝ
W przestrzeni
〈 x , y 〉=∫ x t  y t dt
W przestrzeni ℝ N
〈 x , y 〉=
1
N
N −1
∑ x n y n
n=0
Jeżeli 〈 x , y 〉=0
to
x⊥ y
a co jeżeli 〈 x , y 〉≠0 lub inaczej ∣〈 x , y 〉∣0 ?
Korelacja
Korelacja w przestrzeni L 2 ℝ w przypadku stacjonarnym
R=∫ x t x t− dt
po dyskretyzacji w przestrzeni ℝ N
1
Rl =lim
n∞ N
N −1
∑ x n x n−l
n=0
Korelacja w przestrzeni ℝ N
Z teorii procesów stochastycznych
R x k , m=
1
E[ x  k − x m−]
2

gdzie E [.] oznacza operator wartości oczekiwanej (w dużym uproszczeniu jest to wartość
średnia)
 wartość średnia procesu losowego
 wariancja procesu losowego
Konsekwentnie
R xy  k , m=
1
E [ x k −x  y  m− y ]
x y
Zwykle zakładamy że:

=0

=1

proces losowy (sygnał) jest stacjonarny wtedy
x  n , x n−l lub
x  n , y n−l
-1-
Użyteczne definicje
R x l= E [x n x n−l] - autokorelacja
R xy l =E [ x n y n−l] - korelacja wzajemna (kroskorelacja)
W praktyce można różnie liczyć estymator wartości oczekiwanej
1
N
R x l=
∑ x n x n−l 
n
1
R x l=
N −l
- estymator obciążony
N −l −1

x n x n−l  - estymator nieobciążony
n=0
Wyjaśnić pojęcia:

współczynnik korelacji

unormowany współczynnik korelacji ( 1/ 2 )
x

funkcja korelacji

unormowana funkcja korelacji

miara podobieństwa sygnałów (dla l=0 otrzymujemy iloczyn skalarny !!!)
Przykład:
N=1000;n=(0:N-1);x=sin(2*pi*5/N*n+.3*pi)+randn(1,N);plot(n,x);
s1=sin(2*pi*5/N*n);s2=sin(2*pi*4/N*n);s3=sin(2*pi*13/N*n);s4=sin(2*pi*10/N*n)
;s5=sin(2*pi*4.8/N*n);
max(abs(xcorr(x,s1)))
max(abs(xcorr(x,s2)))
max(abs(xcorr(x,s3)))
max(abs(xcorr(x,s4)))
max(abs(xcorr(x,s5)))
Własności funkcji autokorelacji
1.
R x l= Rx −l
2.
R x 0≥R x l
funkcja parzysta
wartość maksymalna dla zerowego przesunięcia
-2-
Transformacje czasowo-częstotliwościowe
Krótkoterminowa transformata Fouriera (ang. STFT)
N −1
−j
STFT {x n}≡ X k , l = ∑ x n w n−l e
2
kn
N
n =0
gdzie l – dyskretny czas, k – dyskretna częstotliwość
spektrogram to:
S  k , l=∣X  k , l∣2
Przykład:
N=64;n=(0:N-1);
x=1.2*sin(2*pi*.13*n);y=2*sin(2*pi*.07*n);z=.8*sin(2*pi*.27*n);s=[x,y,z];
s=s+.1*randn(size(s));plot(s);
S=fft(s); M=size(S,2); f=(0:M-1)./M; plot(f,abs(S));
w=gausswin(N,3)';plot(w);
okno1=[w,zeros(1,N),zeros(1,N)];
okno2=[zeros(1,N),w,zeros(1,N)];
okno3=[zeros(1,N),zeros(1,N),w];
plot(okno1);hold on;plot(okno2);plot(okno3);hold off;
plot(s.*okno1);hold on;plot(s.*okno2);plot(s.*okno3);hold off;
S1=fft(s.*okno1); S2=fft(s.*okno2); S3=fft(s.*okno3);
M=size(S1,2); f=(0:M-1)./M;
plot(f,abs(S1),f,abs(S2),f,abs(S3));
N=256;n=(0:N-1);
x=sin(2*pi*.13*n);y=sin(2*pi*.07*n);z=sin(2*pi*.27*n);s=[x,y,z];
s=s+.7*randn(size(s));plot(s);
M=128; w=gausswin(M,3)'; plot(w);
tmp=[zeros(1,M/2),s,zeros(1,M/2)];plot(tmp);
L=3*N;S=zeros(L,M);
for l=(1:L), v=tmp(l:l+M-1).*w;V = fft(v);S(l,:)=abs(V).^2;end; ... zobacz całą notatkę

Komentarze użytkowników (0)

Zaloguj się, aby dodać komentarz