рефераты конспекты курсовые дипломные лекции шпоры

Реферат Курсовая Конспект

Дискретная свертка (конволюция) [5,17,21].

Дискретная свертка (конволюция) [5,17,21]. - раздел Связь, Введение в теорию сигналов и систем. Свертка – Основной Процесс В Цифровой Обработке Сигналов. Поэтому Важно Уметь...

Свертка – основной процесс в цифровой обработке сигналов. Поэтому важно уметь эффективно ее вычислять.

Уравнение дискретной свертки двух функций (сигналов) может быть получено непосредственно из интегрального уравнения свертки при замене интегрирования суммированием мгновенных значений функций с шагом Dt:

y(kDt) = Dth(nDt) s(kDt-nDt). (8.4.1)

При выполнении дискретной свертки мы имеем дело с цифровыми массивами, при этом шаг дискретизации для массивов по физическому аргументу свертки должен быть равным и принимается за 1, а в качестве аргумента используется нумерация отсчетов в массивах:

y(k) =h(n) s(k-n) ºhn sk-n º yk. (8.4.1')

y(k) = h(n) * s(k-n) º s(k) * h(n) º sk * hn.

Техника свертки приведена на рис. 8.4.1. Для вычисления свертки массив одной из функций (sk- входного сигнала) располагается по ходу возрастания номеров. Массив второй функции (hn - более короткой, оператор свертки), строится параллельно первому массиву в обратном порядке (по ходу уменьшения номеров, в режиме обратного времени). Для вычисления yk значение h0 располагается против sk, все значения sk-n перемножаются с расположенными против них значениями hn и суммируются. Результаты суммирования являются выходным значением функции yk, после чего оператор hn сдвигается на один номер k вперед (или функция sk сдвигается ему навстречу) и вычисление повторяется для номера k+1 и т.д.

Рис. 8.4.1. Техника дискретной свертки.

В начальный момент свертки при вычислении значений yk оператор hn, построенный в режиме обратного времени, "зависает" для значений k-n при n>k против отсутствующих отсчетов входной функции. "Зависание" исключают либо заданием начальных условий - дополнительных отсчетов, чаще всего нулевых или равных первому отсчету входной функции, либо началом свертки с отсчета входной функции k = n с соответствующим сокращением интервала выходной функции. Для операторов со значениями -n (вперед по времени) такой же момент может наступать и в конце входного массива.

Пример.Уравнение свертки: yk =bn xk-n = bo xk + b1 xk-1 + b2 xk-2. Значения оператора bn:

bo = 5, b1 = 3, b2 = 2. Входной сигнал: xk = {0,1,0,0,0}, начальные условия: x-n = 0.

Расчет выходного сигнала:

yo = 5xo + 3x-1+ 2x-2 = 5 · 0 + 3 · 0 + 2 · 0 = 0, y1 = 5x1 + 3xo + 2x-1 = 5 · 1 + 3 · 0 + 2 · 0 = 5,

y2 = 5x2 + 3x1 + 2xo = 5 · 0 + 3 · 1 + 2 · 0 = 3, y3 = 5x3 + 3x2 + 2x1 = 5 · 0 + 3 · 0 + 2 · 1 = 2,

y4 = 5x4 + 3x3 + 2x2 = 5 · 0 + 3 · 0 + 2 · 0 = 0, y5 = 5x5 + 3x4 + 2x3 = 5 · 0 + 3 · 0 + 2 · 0 = 0

Выходной сигнал: yk = {0, 5, 3, 2, 0}

Заметим: свертка функции оператора с единичным входным сигналом представляет собой повторение функции оператора свертки на выходе.

На рис. 8.4.2 приведен пример выполнения дискретной свертки каузальным (односторонним) и четным (симметричным, двусторонним) оператором одного и того же сигнала.

Рис. 8.4.2. Примеры выполнения дискретной свертки.

Прямое вычисление свертки требует K·N умножений, где K – длина исходного сигнала, а N – длина ядра свертки. Как длина сигнала, так и длина ядра свертки может достигать нескольких тысяч точек, и число умножений становится огромным.

Для дискретной свертки действительны все свойства и теоремы интегральной свертки. В частности, свертка функций в координатной области отображается произведением их спектров в частотной области, а умножение в координатной области эквивалентно свертке в частотной области. Это значит, что для выполнения свертки двух сигналов можно перевести их в частотную область, перемножить их спектры, и перевести результат обратно во временную область, т.е. действовать по следующей схеме:

s(k) Û S(w), h(n) Û H(w), Y(w) = S(w)×H(w), Y(w) Û y(k).

С появлением алгоритмов БПФ, позволяющих быстро вычислять преобразования Фурье, вычисление свертки через частотную область стало широко использоваться. При значительных размерах сигналов и длины ядра свертки такой подход позволяет в сотни раз

сократить время вычисления свертки.

Выполнение произведения спектров может производиться только при одинаковой их длине, и оператор h(n) перед ДПФ необходимо дополнять нулями до размера функции s(k).

Второй фактор, который следует принимать во внимание, это цикличность свертки при ее выполнении в спектральной области, обусловленная периодизацией дискретных функций. Перемножаемые спектры являются спектрами периодических функций, и результат на концевых интервалах может не совпадать с дискретной линейной сверткой, где условия продления интервалов (начальные условия) задаются, а не повторяют главный период.

Рис. 8.4.3. Результаты двух видов свертки.

На рис. 8.4.3 приведены результаты свертки сигнала sk, заданного на интервале k=(0-50), с функцией hn = a×exp(-a×n), a = 0.1. Свертка, выполненная через ДПФ, в левой части интервала резко отличается от линейной свертки. Характер искажения становится понятным, если дополнить главный интервал с левой стороны его периодическим продолжением (на рисунке показана часть левого бокового периода, свертка с которым заходит в главный период). Для операторов hn со значениями n, вперед по положению, аналогичные искажения появятся и в правой части главного периода. Для устранения таких искажений сигнальная функция должна продлеваться нулями на размер оператора h(n), что исключит наложение боковых периодов главной трассы функции.

При выполнении свертки через БПФ ощутимое повышение скорости вычислений появляется только при большой длине функций и операторов (например, M>1000, N>100). Следует также обращать внимание на разрядность результатов, т.к. перемножение чисел дает увеличение разрядности в 2 раза. При ограниченной разрядности числового представления с соответствующим округлением это может приводить к погрешностям суммирования.

В системах оперативной обработки данных часто возникает потребность вычислить свертку сигнала, поступающего на вход системы последовательными порциями (например, от датчиков скважинных приборов). В таких случаях применяется секционная свертка. Суть ее состоит в том, что каждая из этих частей сворачивается с ядром отдельно, а полученные части объединяются. Для объединения достаточно размещать их друг за другом с перекрытием в N-1 точку (N – длина ядра свертки), и производить суммирование в местах перекрытия.

– Конец работы –

Эта тема принадлежит разделу:

Введение в теорию сигналов и систем.

ТЕМАТИКА ПРАКТИЧЕСКИХ РАБОТ ВВЕДЕНИЕ В ТЕОРИЮ СИГНАЛОВ... Содержание... Общие сведения и понятия...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Дискретная свертка (конволюция) [5,17,21].

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

ТЕМАТИКА ПРАКТИЧЕСКИХ РАБОТ
Работы выполняются на компьютерах по типовым программам с заданием индивидуальных параметров моделирования, расчетов и обработки данных для каждого студента группы.

Пространство сигналов [1,3,16,29].
Важнейшее свойство аналоговых и дискретных сигналов заключается в том, что их линейные комбинации также являются аналоговыми или дискретными сигналами. Линейные комбинации цифровых сигналов, в силу

Мощность и энергия сигналов [1, 3, 16].
Понятия мощности и энергиив теории сигналов не относятся к характеристикам каких-либо физических величин сигналов, а являются их количественными характеристиками, отража

Пространства функций [1,3,11,16,29].
Пространства функций можно считать обобщением пространства N-мерных сигналов – векторов на аналоговые сигналы, как бесконечномерные векторы, с некоторыми чисто практическими уточнениями.

Функции корреляции сигналов [1, 25, 29].
Функции корреляции сигналов применяются для интегральных количественных оценок формы сигналов и степени их сходства друг с другом. Автокорреляционные функции (АКФ) сигналов

Математическое описание шумов и помех [1, 30].
Шумы и помехи (noise). При детектировании сигналов в сумме с основным информационным сигналом одновременно регистрируются и мешающие сигналы - шумы и помехи самой различ

Разложение сигналов по единичным импульсам [1, 11].
Единичные импульсы. В качестве математической модели единичного импульса при анализе аналоговых сигналов используют дельта-функцию. Дельта-функция

Свертка (конволюция) сигналов [1, 11].
Интеграл Дюамеляпозволяет определять реакцию системы на воздействие s(t) в текущем времени по ее переходной функции g(t) на единичный скачок входного воздействия:

Мощность и энергия сигналов [1,3,16].
Частотное представление применяется не только для спектрального анализа сигналов, но и для упрощения вычислений энергии сигналов и их корреляционных характеристик. Как уже рассматривалось

Энергетические спектры сигналов [1].
Скалярное произведение сигналов. Энергия суммы двух произвольных сигналов u(t) и v(t) определяется выражением: E =

Автокорреляционные функции сигналов [1,25].
Понятие автокорреляционных функций сигналов. Автокорреляционная функция (АКФ, CF - correlation function) сигнала s(t), конечного по энергии, является количественной инте

Взаимные корреляционные функции сигналов [1,19].
Взаимная корреляционная функция (ВКФ) разных сигналов (cross-correlation function, CCF) описывает как степень сходства формы двух сигналов, так и их взаимное расположени

Спектральные плотности корреляционных функций [1,25].
Спектральная плотность АКФ может быть определена из следующих простых соображений. В соответствии с выражением (6.1.1) АКФ представляет собой функцию скалярного

Задачи дискретизации функций [10, 21].
Сигналы и системы дискретного времени. Значения дискретного сигнала определены только при дискретных значениях времени или любой другой независимой переменной. Обычно ег

Равномерная дискретизация [16,21].
Спектр дискретного сигнала. Допустим, что для обработки задается произвольный аналоговый сигнал s(t), имеющий конечный и достаточно компактный фурье-образ S(f). Равномер

Курсовая работа 1 – Исследование и разработка основных правил ограничения интервала суммирования при интерполяции данных рядом Котельникова-Шеннона.
Рис. 7.2.9. Интерполяция по Котельникову-Шеннону. Ряд (7.2.7) позволяет простым введе

Дискретизация по критерию наибольшего отклонения [10].
Задача абсолютно точного восстановления сигнала на практике обычно не ставится, в отличие от задачи минимального физического объема информации, при котором сохраняется возможность ее восстановления

Адаптивная дискретизация [10].
Частота равномерной дискретизации информации рассчитывается по предельным значениям частотных характеристик сигналов. Адаптивная дискретизация ориентирована на динамические характеристики сигнала,

Курсовая работа 2 – Исследовать и разработать программу оценки спектра дискретного сигнала при неравномерном шаге дискретизации.
Самыми простыми способами восстановления сигналов при адаптивной дискретизации являются линейная и квадратичная интерполяции, которые выполняются по уравнениям: f(x)лин = а

Квантование сигналов [5,21].
Дискретизация аналоговых сигналов с преобразованием в цифровую форму связана с квантованием сигналов. Сущность квантования состоит в замене несчетного множества возможных значений функции, в общем

Децимация и интерполяция данных [4,5,17].
Децимацией (прореживанием, сокращением) цифровых данных принято называть уплотнение данных с удалением избыточной информации. Последнее имеет место, если шаг дискретизации данных был установлен изл

Преобразование Фурье [5,17,21].
Дискретное преобразование Фурьеможет быть получено непосредственно из интегрального преобразования дискретизаций аргументов (tk = kDt, fn = nDf):

Преобразование Лапласа.
Дискретное преобразование Лапласа (ДПЛ), как и ДПФ, может быть получено из интегрального преобразования дискретизаций аргументов (tk = kDt, wn = nDw): Y(p) =

Z - преобразование сигналов [2,13,21].
Определение преобразования. Распространенным способом анализа дискретных цифровых последовательностей является z-преобразование (z-transform). Произвольной непр

Случайные процессы и функции [1, 2, 25].
Случайный процесс описывается статистическими характеристиками, называемыми моментами. Важнейшими характеристиками случайного процесса являются его стационарность, эргодичность и спектр мощности.

Функции спектральной плотности [2,25,26].
Каноническое разложение случайных функций. Введем понятие простейшей случайной функции, которая определяется выражением: X(t) = X×j(t), (9.2.1)

Преобразования случайных функций [1, 26, 27].
Системы преобразования случайных функций.Пусть имеется система преобразования с одним входом, на который поступает (подается) входная случайная функция X(t) - функция

Модели случайных сигналов и помех [2, 28].
Наиболее распространенными моделями случайных сигналов и помех являются телеграфный сигнал, белый шум, гауссовый случайный процесс, гауссовый шум.

Хотите получать на электронную почту самые свежие новости?
Education Insider Sample
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Реклама
Соответствующий теме материал
  • Похожее
  • Популярное
  • Облако тегов
  • Здесь
  • Временно
  • Пусто
Теги