Реферат: Цифровая обработка сигнала (Digital Signal processing)

Устройства, которыепозволяют вводить сигналы в ЭВМ, называются АЦП.

Любой сигнал содержитшумы, которые искажают последний сигнал, тем самым, мешая обработке сигнала.

Метод обработки сигналов.

Существует 3 способаобработки сигналов:

1 способ – полосовыефильтры.

2 способ – линейныепредсказания.

3 способ – дискретноепреобразование Фурье.

Применение методов обработки сигналов.

1)

Выделениенаиболее информативных признаков из имеющегося сигнала.

2)

Созданиевекадерной техники.

3)

Созданиеречевых систем для автоматической распознавания речи.

4)

Проблемасинтеза речи или создание искусственного голоса.

5)

Системы распознавания речи.

Классификация:

Это такие устройства,которые позволяют отредактировать устный сигнал в команды

Классы систем:

1)

автоматическоераспознавание изолированных слов (когда пользователь пословно производиткоманды).

2)

Автоматическоераспознавание слитной речи (устройства, которые в состоянии отделить слова).

3)

Системапонимания речи (системы, которые не требуют отделять слова, а которые должны ихпонимать и дополнять).

4)

Системысинтеза речи или сигналы создания искусственного голоса.

А) форматный синтез или синтез по правилам (когда выходной сигнал получаетсяпри сложной математической обработки).

Б) компилятивный метод (этот метод: суть: предварительное изучение ивыделение ярких моментов).

Параметры распознавания систем:

1.

По объемусловаря.

2.

Оценить поточности распознавания речи, которая измеряется в процентах (должно превышать95%).

3.

Системаавтоматического распознавания речи характеризуется по способу обработкивходного сообщения.

4.

Системараспознавания диктора.

Основные информативные признаки речевого сигнала.

Любой речевой сигналхарактеризуется следующими признаками, которые можно использовать для того,чтобы синтезировать исходный сигнал.

Признаки:

1)

Энергиясигнала

<img src="/cache/referats/17479/image004.gif" v:shapes="_x0000_s1047"><img src="/cache/referats/17479/image005.gif" v:shapes="_x0000_s1041"> SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image006.gif" v:shapes="_x0000_s1043 _x0000_s1042 _x0000_s1028">

10м

Е1 Е2 Е3

N–количество отчетов

2) Основная частота.

3) Форманты

F0 F1 F2 F3 F4

<img src="/cache/referats/17479/image018.gif" v:shapes="_x0000_i1032"> — определяет концентрацию энергии речевогосигнала по частоте и характеризует гласные звуки. Они используются для классификации гласных звуков.

<img src="/cache/referats/17479/image020.gif" v:shapes="_x0000_i1033"> — характеризует свойства диктора.

4) Мгновенная частота.

Это количество перехода сигнала черезнуль.

Этот признак используетсядля классификации шумных звуков и гласных.

5) Мгновенная амплитудасигнала.

Аналогичные признакивыделяются из речевого сигнала после его фильтрования по полосовым фильтрам. Врезультате получается компактные речевые признаки входного сигнала. Объемпамяти получается необходимым намного меньше. Основной тон <img src="/cache/referats/17479/image010.gif" v:shapes="_x0000_i1036">

Первая и вторая форманта <img src="/cache/referats/17479/image018.gif" v:shapes="_x0000_i1037"> — используются для классификации ираспознавания гласных звуков.

Признак <img src="/cache/referats/17479/image026.gif" v:shapes="_x0000_i1038"> — используется дляопределения взрывных звуков (т, с, ш и т.д.)

Структура распознавания входных сообщений.

Модель сигнала Гипотезафонем Предсказатель букв Предсказатель слов

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image027.gif" v:shapes="_x0000_s1068 _x0000_s1067 _x0000_s1069 _x0000_s1070 _x0000_s1071 _x0000_s1072 _x0000_s1073 _x0000_s1074 _x0000_s1075 _x0000_s1076 _x0000_s1077 _x0000_s1078 _x0000_s1079 _x0000_s1080 _x0000_s1082 _x0000_s1083 _x0000_s1084 _x0000_s1085 _x0000_s1086 _x0000_s1087 _x0000_s1886 _x0000_s1888">

Предсказательпредложений, фраз

<img src="/cache/referats/17479/image029.gif" v:shapes="_x0000_i1039"><img src="/cache/referats/17479/image029.gif" v:shapes="_x0000_i1040">Методы распознавания, используемые в системах обработкиречевых сигналов.

1)

Статистическиеметоды.

2)

Лингвистическиеметоды (структурирование).

3)

Нейронныесети.

Тема: Типы сигналов и связи между сигналамиразличных типов.

1)

Классификациясигналов.

2)

Связи междуаналоговыми и дискретными сигналами.

3)

Связь междудискретными и цифровыми сигналами.

4)

ДискретнаяДельта – Функция.

m=3– номер отсчета

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image040.gif" v:shapes="_x0000_s1784 _x0000_s1785 _x0000_s1786 _x0000_s1787 _x0000_s1788 _x0000_s1789 _x0000_s1790">

T 2T 3T

Используя дискретную <img src="/cache/referats/17479/image042.gif" v:shapes="_x0000_i1046">X(nT)можно представить в следующей форме:

Тема: Z–преобразования и преобразования Фурье.

1)

Прямое Z–преобразование.

2)

Основныесвойства прямого Z–преобразования.

3)

Обратное Z–преобразование.

4)

ПреобразованиеФурье.

1. Прямое Z–преобразование X(Z) последовательность X(nT)определяется следующей формулой:

Z–преобразование имеет смысл только в том случае,если функция X(nT)сходится.

Пример:

В теории обработкицифровых сигналов могут быть использованы:

(-1)n

1/(1-Z-1)

1/(1+Z-1)

Z-1/(1-Z-1)2

Вот эти Z–преобразования имеют различные формы записи и могут использоваться дляописания передаточных функций цифровых фильтров, которые используются дляобработки цифровых сигналов.

<img src="/cache/referats/17479/image083.gif" v:shapes="_x0000_s1107"><img src="/cache/referats/17479/image083.gif" v:shapes="_x0000_s1106"> X(nT) X(Z) SHAPE * MERGEFORMAT

Z–преобразование используют для того, чтобыпроектировать цифровые фильтры.

2. Основные свойствапрямого Z–преобразование.

1. Свойство линейности.

Предположим, имеемследующую последовательность дискретного преобразования:

X1(nT) X2(nT) X3(nT)

X1(Z) X2(Z) X3(Z)

Имеем: С1=constи C2=const, тогда преобразование является линейным если:

X3(Z) = C1X1(Z) +C2X2(Z) — линейное

X3(nT) = C1X1(nT) +C2X2(nT) преобразование

2. Свойства сдвига.

Утверждает, что если

X2(nT) =X1((n-m)T), тогда

X2(Z) = X1(-mT)+X1((-m+1)T)Z-1+…+X1(-T)Z-(m-1)+Z-mX1(Z)

X2(Z) = Z-mX1(Z)

X3(Z) = <img src="/cache/referats/17479/image086.gif" v:shapes="_x0000_i1070">

Где с – замкнутый контурв комплексной vплоскости, которая обхватывает все особенности X1 uX2 .

3. Обратное Z–преобразование.

Оно определяетсяследующей функцией:

Обратное Z–преобразование может быть определено путем вычисления интеграла, которыйможно записать следующим образом:

Обратное Z–преобразование может быть определено путем вычисления интеграла, если этотинтеграл не расходится.

Z–преобразование используетсяпри проектировании фильтров и характеристик спектральных.

Тема: MatLab– основные возможности и функции по дискретной обработке сигналов.

MatLab– пакет прикладныхпрограмм по основным функциям обработки.

Задачи:

— Можно проектироватьфильтры.

— Выполнять частотный испектральный анализ сигналов.

— Выделение признаков издискретного сигнала и моделирование параметров.

·

Фильтрация

Пакет позволяет выполнять фильтрацию сигнала а с помощью следующих типовфильтра:

а) Низкочастотные.

б) Полосовые.

в) Высокочастотные.

·

Этот пакетпозволяет выплнять спектральный анализ, ДПФ(дискретное преобразование Фурье),выполнять непрерывные преобразования Фурье, можно выполнять Z–преобразования сигнала. В интервальном режиме можно проектировать сигналыопределенной формы. Можно моделировать сигнал.

·

Основныесвойства прямого Z–преобразования.

1.

Свойстволинейности.

X1(nT) X2(nT) X3(nT) с1, с2

X1(Z) X2(Z) X3(Z)

2.

Сдвиг.

·

Другой методобработки сигналов это метод преобразования ряда Фурье.

X(nT) – показывает комплексную функцию Х(еj), которая выглядит:

<img src="/cache/referats/17479/image095.gif" v:shapes="_x0000_i1075"> — прямоепреобразование.

Спектр сигнала можно получить с помощью Z–преобразованияесли подставить:

Из свойства линейности Z–преобразования следует свойстволинейности Фурье преобразования.

<img src="/cache/referats/17479/image101.gif" v:shapes="_x0000_i1078"> , то

Из свойства сдвига, мы можем написать следующим образом:

·

Дискретноепреобразование Фурье.

<img src="/cache/referats/17479/image109.gif" v:shapes="_x0000_i1082"> K= 0, … N-1 – прямое

<img src="/cache/referats/17479/image111.gif" v:shapes="_x0000_i1083"> n= 0, … N-1 – обратное

X(nT) = (n=0, … N-1)

X(K)последовательность из Nчастотных отсчетов, где

Эти преобразования можно представить в матричной форме:

X = WnX

<img src="/cache/referats/17479/image003.gif" v:shapes="_x0000_s1121"><img src="/cache/referats/17479/image114.gif" v:shapes="_x0000_s1125"><img src="/cache/referats/17479/image115.gif" v:shapes="_x0000_s1124"><img src="/cache/referats/17479/image115.gif" v:shapes="_x0000_s1123"><img src="/cache/referats/17479/image116.gif" v:shapes="_x0000_s1122">Wn– окно расчета

<img src="/cache/referats/17479/image114.gif" v:shapes="_x0000_s1140"><img src="/cache/referats/17479/image114.gif" v:shapes="_x0000_s1139"> — окноХэминга

<img src="/cache/referats/17479/image118.gif" v:shapes="_x0000_s1138"> N

ДПФ и ОПФ – выполняютсянад конечной последовательностью из N– отсчетов и этот видпреобразования дает возможность определить спектральную плотность мощностисигнала, амплитуду и фазу отдельных частот.

<img src="/cache/referats/17479/image119.gif" v:shapes="_x0000_s1799"><img src="/cache/referats/17479/image120.gif" v:shapes="_x0000_s1149"> S1 S1 = a1sin(wt)

S2 S2 = a2sin (w2t)

<img src="/cache/referats/17479/image123.gif" v:shapes="_x0000_s1806"> S3 S3= a3sin (w3t)

Спектральная плотность сигнала

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image126.gif" v:shapes="_x0000_s1820 _x0000_s1821 _x0000_s1822 _x0000_s1823 _x0000_s1824 _x0000_s1825 _x0000_s1826 _x0000_s1828"> w

F1 uF2–несет смысл сообщения

F3 и т.д. – несет источник информации.

Свойства дискретного преобразования Фурье.

1) Линейность.

Имеются 2 сигнала х(к) у(к)

aх(nT) by(nT) тогдаполучается

ax(k)+by(k)=ax(nT)+by(nT)

2) Свойство сдвига.

Х(к) X(nT) – путем сдвига на n0отсчетов, тогдадискретное

Y(nT) преобразование Фурье будет:

<img src="/cache/referats/17479/image128.gif" v:shapes="_x0000_i1087"> путем сдвига на n0k.

<img src="/cache/referats/17479/image136.gif" v:shapes="_x0000_s1182"> nT

<img src="/cache/referats/17479/image129.gif" v:shapes="_x0000_s1201"><img src="/cache/referats/17479/image029.gif" v:shapes="_x0000_i1090"> X(nT)

<img src="/cache/referats/17479/image136.gif" v:shapes="_x0000_s1202"> nT

Тема: Случайные последовательности и иххарактеристики.

Любой сигнал который подвергается обработке в какой-то степени являетсяслучайным сигналом, который изменяется по времени и по частоте.Последовательность X(nT) является случайной, есликаждый ее элемент является случайной величиной.

<img src="/cache/referats/17479/image139.gif" v:shapes="_x0000_i1091"> — помеха

X(nT)SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image140.gif" v:shapes="_x0000_s1215 _x0000_s1216 _x0000_s1217 _x0000_s1218 _x0000_s1219 _x0000_s1220"> Y(nT) <img src="/cache/referats/17479/image142.gif" v:shapes="_x0000_i1092">

Характеристики:

1) Математическое ожидание.

Х(nТ)

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image148.gif" v:shapes="_x0000_s1230 _x0000_s1229 _x0000_s1231 _x0000_s1829 _x0000_s1830 _x0000_s1831">

N-1 N

2) Дисперсия.

Дисперсия сигнала для непрерывной случайной величины определяется так:

95%

3) Авто корреляция.

Корреляция – связь между нынешним и предыдущим состоянием.

Авто корреляционная функция является мерой связей между случайнымипоследовательностями. Если значение r(m)=0,то нет никакой связи межу случайными последовательностями.

4) Спектральная плотность или мощность стационарной случайнойпоследовательности.

Спектральная плотность сигнала — есть средняя мощностьпоследовательности — , приходящейся на достаточно узкую полосу частот.

Эта функция связана с преобразованием Фурье, и имеет следующий вид:

Тема: Виды окон анализа.

Проблемы:

1) Для того, чтобы обрабатывать сигнал в начале он превращается вдискретном виде (необходимо решить проблему точности при вставлении сигнала,как по частям, так и по уровню).

2) Выбор ширины окна анализа сигнала и типа окна анализа. Ширина окнаберется исходя из периодичности сигнала. Если ширина окна близка или в точностисовпадает с периодичностью сигнала, то это наиболее оптимальный способ выбораширины окна.

<img src="/cache/referats/17479/image164.gif" v:shapes="_x0000_s1835">Для речевых сигналов ширина окна должна быть равнапериоду основного тона сигнала.

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image165.gif" v:shapes="_x0000_s1254 _x0000_s1253 _x0000_s1255 _x0000_s1258">

Т0

Тип окна — используются несколько типов:

а) прямоугольное окно.

Частотная характеристика этого окна выглядит так:

<img src="/cache/referats/17479/image170.gif" v:shapes="_x0000_s1262"><img src="/cache/referats/17479/image171.gif" v:shapes="_x0000_s1261"> SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image172.gif" v:shapes="_x0000_s1268 _x0000_s1267 _x0000_s1836">

б) Окно Хэмминга.

Окно Хэмминга отличается от прямоугольного окна и описывается следующейформулой:

Достоинства:

1) Она сглаживает боковые вклады в результат обработки.

2) Ширина сдвига окна меньше ширины всего окна.

в) Окно Кайзера.

<img src="/cache/referats/17479/image176.gif" v:shapes="_x0000_i1109"> , где

I0 – функция Бегеля

<img src="/cache/referats/17479/image178.gif" v:shapes="_x0000_i1110"> — const

Тема: Расчеты цифровых фильтров.

Случайные сигналы можно исследовать:

2. В области частот.

Этот способ позволяет найти компоненты периодических сигналов, которыеформируют или образуют случайные сигналы.

а) Преобразованием Фурье.

Сигналы можно разделить на 3гармоники.

б) С помощью полосовых фильтров.

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image179.gif" v:shapes="_x0000_s1280 _x0000_s1279 _x0000_s1281 _x0000_s1285 _x0000_s1286 _x0000_s1288 _x0000_s1289 _x0000_s1290 _x0000_s1291 _x0000_s1292 _x0000_s1293 _x0000_s1294 _x0000_s1295 _x0000_s1837 _x0000_s1838 _x0000_s1839">

2. Во временной области.

Исследование его характеристики во времени.

SHAPE * MERGEFORMAT <img src="/cache/referats/17479/image180.gif" v:shapes="_x0000_s1866 _x0000_s1867 _x0000_s1868 _x0000_s1869 _x0000_s1870 _x0000_s1871 _x0000_s1872 _x0000_s1873 _x0000_s1874 _x0000_s1875">

3. С помощью линейного предсказания.

Это авто корреляционный способ. Он использует закономерность или информациюо том, как соседние отсчеты взаимосвязаны между собой.

Для того, чтобы исследовать сигналы в частотной области с помощью программ,которые моделируют цифровые фильтры, необходимо, заранее делать расчет цифровыхфильтров.

Порядок расчета цифровых фильтров следующий:

1) Решается задача аппроксимации с целью определения коэффициента фильтра,при котором фильтр удовлетворяет заданному требованию.

2) Выбирается конкретная схема построения фильтра и квантования, найденныхзначений его коэффициентов в соответствии с фиксированной длиной слова.

3) Делается квантование переменных величин фильтра, т.е. выбор длины словавходных выходных и промежуточных переменных.

4) Проверяется методом моделирования, удовлетворяет ли полученный фильтрзаданным требованиям. Если на этом этапе фильтр не удовлетворяет заданнымтребованиям, то предыдущие 2 и 3 этапы повторяются.

Бывают 2 типа фильтров:

а) Нерекуррентные.

б) Рекуррентные.

Формулы определения фильтров.

<img src="/cache/referats/17479/image182.gif" v:shapes="_x0000_i1113"> - рекуррентный фильтр

Другую характеристику цифрового фильтра можно записать следующим образом:

Схема фильтра будет следующая:

X(n) W(n) a0 Y(n)

SHAPE * MERGEFORMAT

Z-1

Схема фильтра состоит из набора элементов задержек,выходной сигнал которых

умножается на определенный коэффициент.

Тема: Линейное предсказание сигналов.

Один из способов обработки сигналов является: использование моделилинейного предсказания. Суть состоит в том, что следующий отчет сигналаявляется (вычисляется), используя предыдущие отчеты.

— реальный дискретный сигнал.

— моделирование дискретных сигналов.

С другой стороны:

<img src="/cache/referats/17479/image189.gif" v:shapes="_x0000_i1116"> — модель сигнала

Ошибка <img src="/cache/referats/17479/image193.gif" v:shapes="_x0000_i1118"><img src="/cache/referats/17479/image195.gif" v:shapes="_x0000_i1119"><img src="/cache/referats/17479/image029.gif" v:shapes="_x0000_i1120"><img src="/cache/referats/17479/image197.gif" v:shapes="_x0000_i1121">

Минимизируем функцию.

ak –коэффициент линейного предсказания.

Решая эту систему, находим коэффициент а

еще рефераты

Еще работы по радиоэлектронике

Реферат по радиоэлектронике

Модуляция. Формирование модулированных сигналов

29 Августа 2013

Реферат по радиоэлектронике

Методы статистического моделирования в радиотехнике

29 Августа 2013

Реферат по радиоэлектронике

Дешифраторы и шифраторы

29 Августа 2013

Реферат по радиоэлектронике

Регистры

29 Августа 2013