پردازش سیگنال

تجزیه حالت تجربی (EMD)

در فرآیند تجزیه­ فوریه از توابع نمایی به عنوان نوع ثابتی از توابع پایه استفاده میشود. در موجکها هم به طریق مشابه عمل میشود. اما در مقابل، روش تجزیه حالت تجربی یا Empirical Mode Decomposition به کمک الگوریتم خاص خود، مولفه‌هایی نوسانی برای سیگنال ورودی به دست می‌آورد که نوع آنها از قبل مشخص نیست…. مشاهده ادامه مطلب

تغییرات در سیگنال‌های سینوسی

با توجه به این که در تجزیه فوریه، سیگنال ورودی به توابع سینوسی تجزیه میشود، تابع سینوسی از اهمیت و توجه خاصی برخوردار است. اگر یک سیگنال سینوسی را در حالت کلی خود به شکل زیر در نظر بگیریم: سه پارامتری که میتوانند نسبت به زمان تغییر کنند، عبارتند از: دامنه، فرکانس، فاز. تغییرات در… مشاهده ادامه مطلب

روش یادگیری دیکشنری

در دهه اخیر استفاده از دیکشنری در بسیاری از زمینه­‌ها نظر محققان را به خود جلب کرده است. ایده­ این روش بر این اساس استوار است که می‌توان یک بردار را به‌صورت ترکیب خطی از بردارهای دیگر بیان کرد. بنابراین باید ضرایب بازسازی هر بردار که در ترکیب خطی شرکت دارد محاسبه شود. برای محاسبه­… مشاهده ادامه مطلب

سیگنال انرژی و توان

البته تقسیم بندی سیگنالها نمیتواند یک تقسیم بندی منحصر بفرد باشد و با توجه به هر خاصیت از سیگنال میتوان یک نوع تقسیم بندی ارائه کرد. در اینجا منظور ما از تقسیم بندی از لحاظ میزان انرژی موجود در سیگنال است. در این صورت سیگنالها به سه دسته تقسیم میشوند: سیگنال انرژی: سیگنال انرژی، سیگنالی… مشاهده ادامه مطلب

سیگنال دیجیتال

سیگنال دیجیتال سیگنالی است که نه تنها متغیر آن، که دامنه آن نیز مقادیر گسسته را اتخاذ مینماید. این سیگنالها اکثرا در کامپیوتر مورد استفاده قرار میگیرند. در مورد این نوع سیگنالها هیچ محدودیتی در مورد تعداد و مقدار سطوح دامنه های معتبر روی محور عمودی وجود ندارد، فقط کافی است تعداد این سطوح محدود… مشاهده ادامه مطلب

روش مونت کارلو

به صورت کلی، متد مونت کارلو (یا شبیه سازی مونت کارلو) به هر تکنیکی اتلاق می‌شود که از طریق نمونه‌سازی آماری، پاسخ‌های تقریبی برای مسائل کمّی فراهم می‌کند. شبیه‌سازی مونت‌ کارلو بیشتر برای توصیف روشی جهت انتشار عدم قطعیت‌های موجود در ورودی‌ مدل به عدم قطعیت‌ها در خروجی‌ مدل، به کار می‌رود. بنابراین مونت‌کارلو، شبیه‌سازی‌ای… مشاهده ادامه مطلب

تحلیل مولفه اساسی (PCA)

تحلیل مولفه اساسی یا (Principal Component Analysis – PCA) یک روش آماری معروف است که کاربردهای فرواوانی دارد از جمله کاهش ابعاد. این الگوریتم در پیش پردازش داده های مربوط به پردازش سیگنال, شبکه های عصبی و پردازش صوت بسیار پر کاربرد است. این الگوریتم ارتباط نزدیکی با eigenvalue decomposition و single value decomposition  دارد که مربوط… مشاهده ادامه مطلب

سیگنال های ایستا و غیر ایستا(Stationary and Non-Stationary Signals)

فرض کنید سه سیگنال سینوسی با فرکانسهای 50 هرتز 120 هرتز و 300 هرتز در اختیار داریم با طول 9 ثانیه. یک سیگنال جدید با ترکیب این سه سیگنال میسازیم که مجموع آنها باشد یعنی تمام سیگنال اول به اضافه سیگنال دوم به اضافه سیگنال سوم. سیگنال حاصل سیگنالی به طول 9 ثانیه خواهد بود… مشاهده ادامه مطلب