Farklı konumlarda ölçülen sinyallerin tepe noktalarını otomatik olarak nasıl sınıflandırabilirim?


10

Uzayda birçok farklı pozisyonda zaman içinde sesi ölçen mikrofonlarım var. Kaydedilen seslerin tümü uzaydaki aynı konumdan kaynaklanır, ancak kaynak noktasından her mikrofona farklı yollar nedeniyle; sinyal (zaman) kaydırılır ve bozulur. Zaman kaymalarını mümkün olduğunca iyi telafi etmek için a priori bilgi kullanılmıştır, ancak yine de verilerde bir miktar zaman kayması vardır. Ölçüm konumları ne kadar yakınsa, sinyaller o kadar benzerdir.

Zirveleri otomatik olarak sınıflandırmakla ilgileniyorum. Bununla, aşağıdaki grafikteki iki mikrofon sinyaline "bakan" ve pozisyondan ve dalga biçiminden iki ana ses olduğunu ve zaman konumlarını bildiren bir algoritma aradığımı kastediyorum:

sound 1: sample 17 upper plot, sample 19 lower plot,
sound 2: sample 40 upper plot, sample 38 lower plot

Bunu yapmak için her tepe noktasında bir Chebyshev genişlemesi yapmayı ve Chebyshev katsayılarının vektörünü bir küme algoritmasına (k-ortalamaları?) Girdi olarak kullanmayı planlıyordum.

Bir örnek olarak, burada iki pik (mavi daireler) etrafında 9 numune (kırmızı) üzerinde 5 terim Chebyshev serisi ile yaklaşık olarak yakın iki pozisyonda (mavi) ölçülen zaman sinyallerinin parçaları bulunmaktadır: resim açıklamasını buraya girin

Yaklaşık oldukça iyi :-).

Ancak; üst parsel için Chebyshev katsayıları:

Clu = -1.1834   85.4318  -39.1155  -33.6420   31.0028
Cru =-43.0547  -22.7024 -143.3113   11.1709    0.5416

Ve alt arsa için Chebyshev katsayıları:

Cll = 13.0926   16.6208  -75.6980  -28.9003    0.0337
Crl =-12.7664   59.0644  -73.2201  -50.2910   11.6775

Ben Clu ~ = Cll ve Cru ~ = Crl görmek istiyorum, ama durum böyle görünmüyor :-(.

Belki bu durumda daha uygun olan başka bir dikey temel var mı?

Nasıl işleneceğine dair herhangi bir tavsiye (Matlab kullanıyorum)?

Herhangi bir cevap için şimdiden teşekkür ederiz!


1
Görünüşe göre, Chebyshev polinom katsayılarının vektör uzayında ifade edildiğinde, zirvenin "şekli" nin sürekli olduğu varsayımında bulunuyorsunuz (yani zirvenin bir bölümünün şeklindeki küçük bir değişiklik küçük bir değişikliği etkileyecektir) katsayılarda). Durumun bu olduğuna inanmak için nedeniniz var mı? Sorunu çözdüğünden emin olmadan aracınızı seçtiğiniz gibi görünüyor.
Jason R

Açık olmak gerekirse, zirveleri ne şekilde "sınıflandırmaya" çalışıyorsunuz? Aynı sensörlere karşılık gelen çeşitli sensörlerinizden ölçümleri ilişkilendirmeye mi çalışıyorsunuz? Önceden göreli zaman gecikmesini ölçebileceğiniz ve daha sonra bu bilgileri sınıflandırma için kullanabileceğiniz başka araçlarınız var mı?
Jason R

Merhaba Jason R. İşimi biraz daha açık hale getirmek için sorumu güncelledim.
Andy

Aslında "Sismik Ufukların Sınıflandırılmasıyla Otomatik Yapısal Yorumlama" (Borgos et al) adlı makaledeki adımları tekrarlamaya çalışıyorum. Sorunu daha genel bir şekilde anlatmaya çalıştım.
Andy

@Andy Bu eş-verimliliklerin burada gösterilen kırmızı çizgilere nasıl karşılık geldiğini açıklayabilir misiniz? İlişkileri yok gibi görünüyor ...
Spacey

Yanıtlar:


2

Görünüşe göre tek bir kaynağınız, x [n] ve birden çok mikrofon sinyaliniz . Kaynaktan mikrofonlara yayılma yolunuzun makul derecede doğrusal ve zamanla değişmez olduğunu varsayarsak, yolu bir aktarım işlevi olarak modellersiniz. Yani temelde buradayben[n]

yben[n]=hben[n]*x[n]
hben[n]"i" kaynağından mikrofona aktarım işlevinin dürtü yanıtıdır. Bu aktarım fonksiyonları farklı genlik ve faz tepkilerine sahiptir. Yeterince farklılarsa, bireysel mikrofon sinyalleri de oldukça farklı olacaktır ve piklerin aynı noktada görüneceğine inanmak için bir neden yoktur. Çoğu akustik ortamda, mikrofonlar ilgilenilen frekanslar için (veya spektrumda önemsiz enerjinin olmadığı yerlerde) çeyrek dalga boyundan fazla ise "farklı" olacaktır.

Aktarım işlevlerini ölçebiliyorsanız, her mikrofon sinyalini bu aktarım işlevinin tersi ile filtreleyebilirsiniz. Bu, mikrofon sinyallerini çok daha benzer hale getirmeli ve filtrelemenin etkisini azaltmalıdır.

Alternatif olarak, tüm mikrofon sinyallerini, kaynaktan alma işlemini optimize eden ancak diğer her şeyi reddeden bir hüzme oluşturucuda birleştirmek olabilir. Bu aynı zamanda kaynak sinyalinin oldukça "temiz" bir versiyonunu da sağlamalıdır.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.