مشخصه

روشهای فرکانس زمان در رادار ، سونار و آکوستیک

14. 7. 4 خلاصه و نتیجه گیری

در این بخش ویژگی های مهم سیگنال صوتی به ویژگی های (T ، F) آنها پیوند دارد. سیگنال های زیر آب و گفتار با هم در نظر گرفته می شوند زیرا متخصصان متعارف ، با گوش دادن و بازرسی بصری از بازنمایی (t ، f) شناسایی سیگنال زیر آب را انجام می دهند. مثالهای مختلف ارائه شده برای هر دو سیگنال گفتار و زیر آب نشان می دهد که روشهای با وضوح بالا (T ، F) می توانند عملکرد تجزیه و تحلیل سیگنال صوتی را بهبود بخشند. آنها در صورت تخمین و استخراج ویژگی ها ، که دقیق تر هستند ، مانند فرکانس های فرمت و اساسی برای سیگنال گفتار ، امکان پذیر هستند. یک مرحله تقویت SNR اغلب به خصوص برای سیگنال های زیر آب ضروری است ، که به طور کلی SNR کم دارند. از دیگر ویژگی های مفید ، مانند ویژگی های مورفولوژیکی یا آماری از دامنه (T ، F) می توان برای بهبود عملکرد طبقه بندی استفاده کرد. علاوه بر این ، عملکرد برتر شنوندگان با تجربه انسانی در طبقه بندی رویداد صدا نشان می دهد که می توان از یک رویکرد با انگیزه ادراکی ، که شامل استفاده از ویژگی های شنوایی است ، مزیت کسب کرد [32]. بنابراین می توان از ترکیبی از ویژگی های ادراکی و (t ، f) از جمله مواردی که و سایر روش های پردازش تصویر برای توصیف سیگنال های صوتی استفاده کرد. روشهای با وضوح بالا (T ، F) که در بالا مورد بحث قرار گرفت ، باید با احتیاط اجرا شود ، با توجه به این امر

این روشها در مقایسه با طیف سنجی زمان محاسبه طولانی تر و ذخیره حافظه دارند. بنابراین ، برای تجزیه و تحلیل سیگنال های صوتی ، ما یک مرحله تقسیم بندی را با استفاده از طیف سنجی و سپس استفاده از روش های با وضوح بالا (T ، F) در هر بخش توصیه می کنیم (برای کاهش محاسبه و حافظه به بخش 6. 6 مراجعه کنید.

برای روشهای با وضوح بالا ، تعداد پارامترهای بهینه سازی در مقایسه با طیف سنجی بزرگتر است. پارامترها را می توان با استفاده از برخی اقدامات غلظت/وضوح انرژی انتخاب کرد (به بخش 7. 3 مراجعه کنید). رویکرد دیگر استفاده از روشهای تطبیقی است (به بخش 5. 1 مراجعه کنید) که در آن شکل هسته به طور خودکار بر اساس ویژگی های سیگنال بهینه می شود. به عنوان مثال ، هسته بهینه تطبیقی (AOK) ، که در بخش 5. 3 شرح داده شده است ، با موفقیت در آکوستیک زیر آب ساخته شده توسط انسان استفاده شده است (به عنوان مثال در بخش 14. 5 مراجعه کنید).

سرانجام ، ما فواید ادغام یک مرحله تقویت SNR را در نمایندگی (T ، F) توصیف کردیم. این بازنمایی بر اساس مدل شنوایی (MEL FilterBank) است ، بنابراین به ما امکان می دهد برخی از ویژگی های ادراکی را مستقیماً استخراج کنیم.

بیشتر بخوانید URL: https://www. scienceirect. com/science/article/pii/b9780123984999000145

انتخاب و استخراج ویژگی

2. 4. 4 توصیف کننده ساختاری

ایده اصلی این تکنیک مدل سازی این است که ویژگی های سیگنال علاقه از هم جدا و قطعی است و در کنار هم مفهوم علاقه را توصیف می کنند. اطلاعات ویژگی به صورت عددی ارائه نمی شود اما به شکل ساختاری آورده شده است. به عبارت دیگر ، سیگنال ها را می توان به طور دقیق به صورت نمادین توصیف کرد. برای اینکه توضیحات اطلاعات ساختاری امکان پذیر باشد ، باید یک دستور زبان مناسب را تعریف کنیم. یک دستور زبان به عنوان یک tuplet g = (z ، v ، s ، p) تعریف شده است ، با Z توصیف الفبای حروف در حالی که v یک الفبای کمکی از متغیرهای دارای ارزش نامه است. متغیر شروع از V توسط S مشخص شده است ، در حالی که P مجموعه ای از قوانین تولید را توصیف می کند [329].

بیشتر بخوانید URL: https://www. scienceirect. com/science/article/pii/b9780124095458000029

حل مخلوط های طیفی

1. معرفی

ارزیابی صافی سیگنال ها و تصاویر در انواع مختلفی از برنامه ها مورد توجه قرار می گیرد و می تواند ویژگی های سیگنال مفیدی را برای در وضوح داده های طیف سنجی فرآیند و داده های تصاویر مختلف در نظر بگیرد. منظور از صافی یک سیگنال ، یک تصویر یا یک شکل ، منظور ما اطلاعاتی با شخصیت با فرکانس نسبتاً کم است. در مقابل ، هنگام ارزیابی قسمت صاف یک سیگنال (یا تصویر) ، مکمل را می توان قسمت خشن در نظر گرفت و مربوط به شخصیت با فرکانس بالا است. ایده کار با صافی/زبری یک سیگنال از کار اولیه آیلرز و مارکس ناشی می شود [1] ، که بعداً سازگار شد و به عنوان راهی برای "صاف کردن غیرقانونی" ارائه شد [2]. در کار اصلی Eilers و Marx [1] ، مجازات B-splines ، که به آن P-splines نیز گفته می شود ، به عنوان روشی انعطاف پذیر برای صاف کردن سیگنال ها معرفی شدند. انعطاف پذیری این روش در حقایق مختلف نهفته است: اساس b-spline می تواند از سفارشات مختلف (مرتبه اول ، مرتبه دوم و غیره) باشد ، تعداد اسپلین های مورد استفاده برای تناسب متغیر است (هرچه اسپلین ها بیشتر باشند ، انعطاف پذیر تر هستنداتصالات می تواند) ، و مدت مجازات در مورد تفاوت بین ضرایب اسپلین مجاور قابل تنظیم است (هرچه مدت مجازات مهمتر باشد ، سیگنال صاف تر خواهد بود). در آن زمان ، هموار سازی داده ها با اسپلینز در آمار به عنوان راهی برای کاهش نویز بسیار مرسوم بود ، اما مزایای اضافی استفاده از این روش ناشی از این واقعیت است که یک سیگنال گسسته به یک بازنمایی مداوم تبدیل می شود که از آن می توان داده های گمشده را درون یابی کرد و روندهامی توان تخمین زد [3،4]. Eilers [2] سپس از این روش برای تصور اصل "هموار سازی غیرعادی" استفاده کرد ، که اجازه می داد تا از قله های متعدد همان سیگنال گسترش یابد ، زیرا دیگر مورد توجه یک یکنواختی یکنواخت چپ و راست وجود ندارد [5،6] ، اما یک سیگنال هموار در حال تغییر است. با ترکیب این ویژگی آخر با شخصیت فرکانس مکانی یک سیگنال ، می توانیم قسمت های صاف و خشن یک سیگنال را تولید کنیم. سیگنال های با فرکانس پایین در واقع به روش تدریجی (یا صاف) تغییر می کنند و بنابراین می توانند از سیگنال های با فرکانس بالا (تغییرات ناگهانی) جدا شوند.

تکنیک های طیف سنجی مدرن امکان بررسی نمونه های پیچیده را فراهم می کند و داده هایی مانند طیف های حل شده با زمان و تصاویر hyperspectral (مختصر بیشتر توسط HSI) را تولید می کند. اکنون ، زیرا ما تقریباً همیشه با مخلوط های طیفی کار می کنیم-گاهی اوقات جداسازی پیچیدگی شیمیایی و فیزیکی بالا (عدم استفاده) اجزای خالص پس از آن باید با استفاده از تکنیک های شیمیایی اختصاصی ارائه شود. در میان روشهای وضوح منحنی خودپرداز [7] ، حداقل مربعات با وضوح منحنی چند متغیره (MCR-AL) [8] یک بازیکن اصلی است. نیازی به معرفی گسترده اصول MCR-AL در این فصل نیست ، زیرا اطلاعات را می توان در Refs یافت.[9 11] و فصل 2. با این حال ، درک اساسی از اصل اصلی MCR-ALS و محدودیت های آن باید در نظر گرفته شود.

سودمندی MCR-ALS که برای داده های طیف سنجی اعمال می شود ، این واقعیت است که پیروی از تقریب قانون آبجو-اللامبرت است. این ترجمه به یک مدل دو طرفه از مشارکت سیگنال خالص ، همانطور که در Eq ارائه شده است.(1):

(1) D = C S T + E

جایی که ماتریس داده D (m × N) حاوی طیف های مشاهده شده در یک سیستم چند جزء و ماتریس داده های C (M × K) و S T (K × N) است ، حاوی پروفایل های غلظت یا پروفایل های طیفی از اجزای مختلف K استبه ترتیب در مخلوط وجود دارد. ماتریس E (M × N) باقیمانده یا سهم خطا در مدل را بیان می کند. برای داده های HSI ، این مدل هنوز هم می تواند مورد استفاده قرار گیرد ، زیرا قانون آبج و-اللامبرت برای پیکسل های تصویر معتبر است. تنها تفاوت با داده های فرآیند در این است که داده های HSI ابتدا باید آشکار شوند ، از ابعاد مکانی و خاص اصلی تا یک ماتریس داده دو طرفه [10،12،13]. مشکل شرح داده شده در Eq.(1) نمونه ای از "مشکل معکوس" است و حل منحصر به فرد غیرممکن است. در واقع ، در MCR-ALS ، Eq.(1) می توان در بسیاری از راه حل های ممکن با همان کیفیت تناسب تجزیه کرد [14]. این مفهوم ابهام نامیده می شود و منبع عدم اطمینان در راه حل ها است (به Refs. [8،10] و فصل 4) مراجعه کنید. اساس محدود کردن میزان ابهام راه حل ها با اضافه کردن شرایط ریاضی است که راه حل ها باید در فرایند بهینه سازی انجام دهند. با استفاده از این محدودیت های به اصطلاح ، می توان تعداد راه حل های ممکن برای C و S T را به روش قابل توجهی کاهش داد و محدودیت ها در واقع برای به دست آوردن راه حل های معنی دار برای مشکل ضروری هستند. این محدودیت ها بیشتر از ماهیت فیزیکی سیستم (به عنوان مثال ، فقط مقادیر مثبت در پروفایل های غلظت انتظار می رود ، و در بسیاری از کاربردهای طیف سنجی ، همچنین در پروفایل های طیفی) یا از دانش قبلی موجود در سیستم (به عنوان مثال ، انتظار می رود. محدودیت بسته شدن در پروفایل غلظت برای یک سیستم مبتنی بر واکنش). برای تجزیه و تحلیل فرآیند یا برنامه های کاربردی در طیف سنجی ، یک پالت از محدودیت های نرم ، سخت و سخت و سخت در دسترس است [6،9 11،15-18]. بسیاری از آنها می توانند ، اما نه به طور انحصاری ، در پروفایل غلظت c اعمال شوند. با این حال ، در طی تجزیه و تحلیل تصاویر هایپکتریک ، تعداد محدودیت های قابل اجرا برای نقشه های توزیع غلظت پراکنده است و محدودیت های موجود عمدتا بر پیکسل های فردی یا گروه های پیکسل های مجاور تأثیر می گذارد [19،20] ، به دلیل آشکار شدن مکعب ماتریسپکترال به یک ماتریسد. به تازگی ، یک رویکرد [12] ارائه شده است که امکان گسترش تعداد محدودیت های موجود را فراهم می کند [21،22] ، و این امکان را فراهم می کند تا از هرگونه محدودیت مکانی جهانی در نقشه های توزیع مؤلفه استفاده کند.

این شامل محدودیت هایی است که از رویکردهای پردازش تصویر (به عنوان مثال ، تقسیم بندی ، فیلتر ، دفع)) می باشد. محدودیت صافی نیز از جمله این محدودیت ها است.