Pull to refresh
68
Karma
0
Rating
Юрий Тараненко @Scorobey

Разработчик учебных программ

Вейвлет – анализ. Основы

Во втором листинге f- это (ВП) одномерного сигнала в виде обобщенного ряда или интеграла Фурье по системе базисных функций. На рисунке приведен модуль спектральной плотности вейвлета «Мексиканская шляпа» (см.http://window.edu.ru/resource/328/29328/files/nstu68.pdf — с.10, рис. 1.2 б)
В третьем листинге, если Вы это имели ввиду, проведено численное интегрирование для получения вейвлет — спектра w(a, b) синусоидальной функции (Вот зачем умножать MHAT на синус) с использованием вейвлетобразающей функции MHAT ( см.таблицу). Диапазон численного интегрирования выбран по числу отсчётов синусоидальной функции.
Спасибо! за вопрос.

Удаление высокочастотных шумов из сигналов вибродатчиков при вибродиагностике подшипников

Спасибо за комментарий.Согласен, что и подтверждает скалограмма. Указал в тесте публикации.

Математическая модель радиотелескопа со сверхдлинной базой

Радиоинтерферометрия со сверхдлинными базами (РСДБ, англ. Very Long Baseline Interferometry, VLBI) — вид интерферометрии, используемый в радиоастрономии, при котором приёмные элементы интерферометра (телескопы) располагаются не ближе, чем на континентальных расстояниях друг от друга. При этом управление элементами РСДБ интерферометра производится независимо, без непосредственной коммутационной линии связи, в отличие от обычного радиоинтерферометра. Запись данных осуществляется на носители информации с последующей корреляционной обработкой на специализированном вычислительном оборудовании[1] — корреляторе. В статье подробно описана работа FX-коррелятора

Математическая модель радиотелескопа со сверхдлинной базой

Условие lambda <<D(cos(Teta) близок к 1), очевидно. При большем количестве периодически расположенных антенн ширина главного максимума будет определяться отношением lambda/D а расстояние до боковых максимумов 2*lambda/S, где S расстояние между соседними антеннами. C увеличением количества антенн боковые максимумы будут отдаляться от главного.Как правило, антенны интерферометра делают направленными, понижая уровень боковых лепестков диаграммы направленности интерферометра за счёт ДН отдельных антенн. Потери в высокочастотном кабеле и связанное с ним ослабление сигналов ограничивают базы(расстояние между антеннами, апертура) радиоинтерферометра. Поэтому принятые сигналы сначала усиливаются, преобразовываются в низких частоты и лишь после этого передаются по кабелю. При этом, чтобы не потерять когерентности сигналов и контролировать электрическую длину путей их распространения, передаются вспомогательные сигналы.

Математическая модель радиотелескопа со сверхдлинной базой

Спасибо!.. Цель статьи моделирование радиоинтерферометра со сверхдлинной базой, а не одиночных радиотелескопов.

Вейвлет-анализ. Часть 3

Да планирую продолжить и постараюсь учесть Вашу просьбу.

Вейвлет-анализ. Часть 3

Лучше всего показать на примере в котором и Вы примите участие.Вот функция для быстрого (оконного фурье -STFT):
from scipy import*
from pylab import*
def stft(x, fs, framesz, hop):
framesamp = int(framesz*fs)
hopsamp = int(hop*fs)
w = hanning(framesamp)
X = array([fft(w*x[i:i+framesamp])
for i in range(0, len(x)-framesamp, hopsamp)])
return X
Вот пример её запуска для низкой частоты:
f0 = 440 #Вычислить STFT синусоиды 440 Гц
fs = 8000 # дискретизация на частоте 8 кГц
T = 5 # продолжительностью 5 секунд
framesz = 0.050 # с размером кадра 50 миллисекунд
hop = 0.025 # и размер прыжка 25 миллисекунд.
Вот интерфейс вывода в спектрограмму (не путать со скалограммой) с заданием спектра:
t = linspace(0, T, T*fs, endpoint=False)
x =sin(2*pi*f0*t)+sin(4*pi*f0*t)
X = stft(x, fs, framesz, hop)
imshow(absolute(X.T), origin='lower', aspect='auto',
interpolation='nearest')
xlabel('Time')
ylabel('Frequency')
show()
Теперь сгенерируйте два нестационарных сигнала — один с двумя одновременно действующими частотами другой с теми же частотами но следующими по времени.
Посмотрите на спектрограммы и всё поймёте — это лучший способ убедится во всём самому и заодно и вспомнить школьный курс. Да окно и перекрытие не меняется во время анализа а устанавливается для заданной частоты.
Спасибо за вопрос!!!

Вейвлет-анализ. Часть 3

Оконное Фурье не адаптирует окно к частоте и работает либо на высоких частотах, либо на низких, а вейвлет работает на обеих частотах.

Вейвлет — анализ.Часть 1

При использовании оконного преобразования Фурье невозможно одновременно обеспечить хорошее разрешение по времени и по частоте. Чем уже окно, тем выше разрешение по времени и ниже разрешение по частоте.Разрешение по осям является постоянным. Это нежелательно для ряда задач, в которых информация по частотам распределена неравномерно. В таких задачах в качестве альтернативы оконному преобразованию Фурье может использоваться вейвлет-преобразование, временное разрешение которого увеличивается с частотой.

Вейвлет — анализ.Часть 1

Оконное Фурье преобразование не обладает свойствами масштабирования и задержки.

Вейвлет — анализ.Часть 1

Из текста в начале статьи «При обработке данных на компьютере может выполняться дискретизированная версия непрерывного вейвлет-преобразования, основы которого описаны в моей предыдущей статье». Но ссылку уже добавил потому что «предыдущая статья» это не ссылка.Спасибо за замечание.

Вейвлет — анализ.Часть 1

Формулы для материнских вейвлетов я приводил в статье Вейвлет-анализ основы. Повторяю для Вас:

Что касается «супер-нетривиального хака» поделитесь ссылкой ознакомлюсь. Спасибо за комментарий.

Вейвлет — анализ.Часть 1

Допустим на масштабе а=1 сдвиг происходит на b=1. ( к примеру )
соответственно по ((t-b)/a) вейвлет помещается в точки на оси Х
((1-1)/1)=0
((2-1)/1)=1
((3-1)/1)=2…
Тогда на масштабе а=2 по формуле ((t-b)/a) получим сдвиг несколько меньше (ведь на 2 делим).
((1-1)/2)=0
((2-1)/2)=0.5
((3-1)/2)=1…
Т.е на том же временном интервале шагов анализа больше!

Вейвлет – анализ. Основы

Я подготовлю детальный ответ на Ваш вопрос в следующей публикации «Вейвлет-анализ.Часть 1». Благодарю за вопрос!

Снижение объёма выборки экспериментальных данных без потери информации

Группировка нужна для идентификации закона распределения. Закон распределения определяет энтропийный коэффициент. Последний убирает неоднозначность в оценке погрешности. Идентификации формы распределения результатов измерений требует также ряд задач, эффективность решения которых отличается для различных распределений (например, использование метода наименьших квадратов или вычисление оценок энтропии). Задача идентификации весьма актуальна и часто решается при обработке экспериментальных данных. Спасибо за вопрос.

Говорит и показывает: отличается ли риторика популярных украинских политиков?

Статья мне понравилась, очевидно курсы по NLP не прошли для Вас даром. Попробуйте мою методику по определению авторства habr.com/ru/users/scorobey/posts/page4 есть и возможности определения скрытых латентно семантических связей. Удачи!!!

Фильтр Калмана для минимизации энтропийного значения случайной погрешности с не Гауссовым распределением

О терминологии- Оценка погрешности численного интегрирования. Различают два вида оценок априорные и апостериорные. Априорную оценку получают заранее, до проведения расчетов, на основе теоретического анализа квадратурной формулы. Апостериорную оценку определяют после вычислений на основе сопоставления результатов расчетов, проведенных при разных числах отрезков разбиения

Фильтр Калмана для минимизации энтропийного значения случайной погрешности с не Гауссовым распределением

Фильтр имеет свой алгоритм работы. То что Вы сделали отношения к ошибке не имеет а свидетельствует только о неизменности дисперсии шума !!!..

Фильтр Калмана для минимизации энтропийного значения случайной погрешности с не Гауссовым распределением

Проверяю!
from numpy import *
import matplotlib.pyplot as plt
from scipy.stats import norm
n_iter = 100 # Число итераций.
sz = (n_iter,) # Размер массива
x =2# Истинное значение измеряемой величины (фильтру неизвестно)
R1 = 0.1 # Ср. кв. ошибка измерения.
R = R1*R1 # Дисперсия
nr=«нормальным распределением»
y=norm.rvs( x, R1, size=sz)
Q = 1e-5 # Дисперсия случайной величины в модели системы
# Выделение памяти под массивы:
xest1 = zeros(sz) # Априорная оценка состояния
xest2 = zeros(sz) # Апостериорная оценка состояния
P1 = zeros(sz) # Априорная оценка ошибки
P2 = zeros(sz) # Апостериорная оценка ошибки
G = zeros(sz) # Коэффициент усиления фильтра
xest2[0] = 0.0
P2[0] = 1.0
for k in arange(1, n_iter,1): # Цикл по отсчётам времени.
xest1[k] = xest2[k-1] # Априорная оценка состояния.
P1[k] = P2[k-1] + Q# Априорная оценка ошибки.
# После получения нового значения измерения вычисляем апостериорные оценки:
G[k] = P1[k] / ( P1[k] + R )
xest2[k] = xest1[k] + G[k] * ( y[k] — xest1[k] )
P2[k] = (1 — G[k]) * P1[k]
plt.title('Ошибки при подавлении шумов \n с %s'%nr, size=12)
valid_iter = arange(1, n_iter,1) # P1 на 0 м шаге не определено
plt.plot(valid_iter, P1[valid_iter])
plt.xlabel('Номер итерации')
plt.ylabel('Априорная оценка ошибки')
plt.setp(plt.gca(), 'ylim', [0, .01] )
plt.show()

Фильтр Калмана для минимизации энтропийного значения случайной погрешности с не Гауссовым распределением

Уточняю: В этом случае среднее квадратическое отклонение результата измерения уменьшается в корень квадратный из n

Information

Rating
Does not participate
Location
Днепр, Днепропетровская обл., Украина
Date of birth
Registered
Activity