Контекст:
(Відмова: Це НЕ проблема кому).
Я намагаюся оцінити фундаментальну частоту реального, періодичного сигналу. Цей сигнал був побудований шляхом фільтрації відповідного сирого сигналу імпульсу. (відповідний фільтр). Отриманий сигнал має такі характеристики:
Він періодичний. (Основний - 1 / період), і це те, що я намагаюся оцінити.
Він нестаціонарний у часі. Зокрема, амплітуди періодичних імпульсів можуть змінюватись за амплітудою. (наприклад, один імпульс може бути низьким, тоді як інший високим, а наступний знову низьким, а другий після цього середовищем тощо).
Я вважаю, що він є нерухомим за частотою (настільки, наскільки ви приймаєте зміни амплітуд, але не змінюючи діапазони).
Він має гармонічне викривлення. Що я тут маю на увазі, це те, що (і виправте мене, якщо я помиляюся), але що окремі імпульси в межах сигналу не є синусоїдами, а мають "прикольні" форми, як гаусса, трикутник-іш, пів-парабола тощо .
Я намагаюся оцінити фундаментальну частоту цього сигналу.
Звичайно, іноді необроблений сигнал - це не що інше, як шум, але він все одно проходить шлях і все одно фільтрується. (Детальніше про це пізніше).
Що я спробував:
Тепер я знаю безліч основних оцінювачів частоти, таких як
- Метод автокореляції
- YIN та всі його залежності
- Метод FFT.
тощо,
ІН: Я ще не пробував YIN.
Метод FFT: Метод FFT дасть вам усі гармонічні та основні, але я помітив, що це може бути вибагливим особливо в цьому нестаціонарному бізнесі, оскільки фундаментальний не завжди є найвищим піком. Дуже швидко ви виявляєте, що намагаєтеся встановити, яка з багатьох вершин є основоположною, і це стає важкою проблемою.
Автокореляція: Метод автокореляції здається краще, ніж метод FFT, але він все ще чутливий до амплітудних нерівностей сигналу часової області. Метод автокореляції вимірює відстань між центральною долею до наступної найвищої частки. Ця відстань відповідає основній. Однак у нестаціонарних випадках ця вторинна часточка може бути занадто низькою, і ви можете пропустити її в певній схемі порогу.
Тоді мені спало на думку, що, можливо, я можу використовувати метод підпростори, як МУЗИКА, щоб оцінити фундаментальне. Перевіривши це, я виявив, що це дійсно дає дуже приємні результати - це піки - надійно - і навіть у нестаціонарних випадках - на частотах, що відповідають основним вашим сигналам. (Встановіть кількість сигналів, які ви шукаєте, на 2, і це отримає основний - тобто, виберіть 2 найвищі власні вектори (відповідають найвищим значенням власних значень) матриці коваріації сигналів, відкиньте їх і побудуйте підпростір шуму з решти, запроектуйте свою гіпотезу про складні синусоїди проти них, візьміть зворотний і вуаля, хороший псевдоспектр).
Питання та проблеми:
- Попри це, я все одно хотів би зрозуміти, чому це працює краще.
- У програмі MUSIC ми відкидаємо підпростір сигналу та використовуємо підпростір шуму. Мені здається, що власні вектори сигнального підпростору насправді є якось "найкращим чином" - вони насправді є оптимальними фільтрами. Отже: чому б просто не використовувати безпосередньо власні вектори підпростори сигналу? (Я знаю, що це вже не МУЗИКА, але чому тоді краще використовувати шумовий простір?)
- Нарешті, остаточна проблема полягає в тому, що хоча цей метод, здається, працює набагато сильніше для нестаціонарних сигналів (як визначено вище), проблема полягає в тому, що зараз Я ВЗАЄМО отримую відповідь - навіть коли в системі немає нічого, крім шуму! (Я вже згадував, що сировинний попередньо збіжений відфільтрований сигнал може бути просто білим шумом, коли у вас немає періодичного сигналу).
Які способи протидії цьому можуть існувати? Я спробував переглянути власні значення і є дещо більше «кривизни» в їхньому розпаді у випадках, коли є лише шум у випадках, коли є сигнал, коли є сигнал, але я боюся, що він може бути недостатньо надійним.
Бонус:
- Коли власні вектори матриці коваріації синусоїд VS щось інше? Що визначає, чи є синусоїдами чи ні? Чому вони не квадратні хвилі? Або вставте сюди сигнали інших форм?