Jedynym sposobem wykrycia sygnału „zakopanego w szumie” jest przepuszczenie sygnału + szumu przez jakiś filtr, który tłumi szum bardziej niż osłabia sygnał. W tym momencie sygnał nie jest już zagłębiony w szumie, więc „zagłębiony w szumie” to tylko pochopne założenie.

W radiu przenoszącym sygnał audio (lub kod Morse'a) w SSB lub AM, bierzesz sygnał + szum i filtrujesz go według przybliżonej szerokości pasma sygnału, a następnie przepuszczasz go przez detektor.

W radiu przenoszącym dane cyfrowe przepuszczasz je przez dopasowany filtr, a następnie przez detektor.

W radiu o widmie rozproszonym korelujesz sygnał + szum z sekwencją pseudolosową, następnie filtrujesz pasmowo, a następnie wykrywasz.

W systemach wizualnych korelujesz zaszumiony obraz z dwuwymiarowym prototypem oczekiwanego sygnału lub przepuszczasz zaszumiony obraz przez przestrzenny filtr dolnoprzepustowy, a następnie wykrywasz.

We wszystkich przypadkach sygnał musi być w jakiś sposób oddzielony od szumu - jeśli tak nie jest, nie można odfiltrować szumu bez odfiltrowania również sygnału.

Dodam do tego:

Na najwyższym poziomie filtr sygnałów jest jak filtr do kawy lub durszlak: masz to, czego chcesz (kawę lub świeżo ugotowany makaron) i to, czego nie chcesz (fusy z kawy lub skrobia na gorąco woda), ale wszystko jest zmieszane razem. Więc przepuszczasz bałagan przez filtr. W przypadku kawy zatrzymujesz to, co przedostaje się przez filtr. W przypadku durszlaka zatrzymujesz pozostawione rzeczy. W obu przypadkach korzystasz z faktu, że jedna rzecz (fusy z kawy lub kawałki makaronu) jest większa od drugiej (cząsteczki wody i wszystkie inne rzeczy, które chcesz mieć w kawie, a których nie chcesz w makaronie).

Filtr sygnału robi to samo - pozbywasz się tego, czego nie chcesz, ponieważ różni się od tego, czego chcesz.Jeśli nie możesz zrozumieć, czym to się różni i jak zbudować algorytm, aby to oddzielić - nie możesz odfiltrować sygnału z szumu.

Ogólna koncepcja wykrywania sygnału w szumie polega na znajomości czegoś o sygnale, a najlepiej czegoś o szumie.

Najłatwiejszą rzeczą w użyciu jest wiedza spektralna.Jeśli wiesz, że sygnał zajmuje jakąś część widma, możesz bezpiecznie odfiltrować szum w innych częściach widma bez utraty sygnału.Zostało to doprowadzone do skrajności w `` wzmacniaczu z blokadą '', który jest w zasadzie tylko metodą tworzenia bardzo wąskiego filtra pasmowego o dokładnej częstotliwości sygnału.

Bardziej ogólną właściwością sygnału jest jego kształt fali.Możemy skorelować sygnał plus szum z kopią tego przebiegu, a następnie uśrednić.Szum nie pokrywa się z korelującym przebiegiem, więc zwiększa się moc.Sygnał jest skorelowany, więc dodaje się jako napięcie, co prowadzi do poprawy SNR o 3 dB za każdym razem, gdy liczba średnich jest podwojona.

Inną techniką, która może być przydatna, jest autokorelacja

Autokorelacja, znana również jako korelacja szeregowa, to korelacja sygnału z opóźnioną kopią samego siebie w funkcji opóźnienia. Nieformalnie jest to podobieństwo między obserwacjami w funkcji odstęp czasowy między nimi.Analiza autokorelacji to narzędzie matematyczne do znajdowania powtarzających się wzorców, takich jak obecność okresowego sygnału zasłoniętego szumem lub stwierdzającego brak częstotliwość podstawowa sygnału wynikająca z częstotliwości harmonicznych. Jest często używany w przetwarzaniu sygnałów do analizy funkcji lub serie wartości, takie jak sygnały w dziedzinie czasu.

Różne kierunki studiów inaczej definiują autokorelację i nie wszystkie te definicje są równoważne.W niektórych dziedzinach termin to używane zamiennie z autokowariancją.

Następnie pojawia się idea uśrednienia wielu niezależnych obserwacji.W zbyt uproszczonych terminach celem jest tutaj zwiększenie siły sygnału, pozwalając jednocześnie na eliminację szumu, tj. Pożądany sygnał rośnie szybciej niż szum, a im więcej próbek uśredniasz, tym lepiej.

Jeśli dokładnie wiesz, jak wygląda sygnał w dziedzinie czasu, możesz zaimplementować filtry dopasowane, aby odrzucić energię szumu w obszarach częstotliwości, które nie są potrzebne do skonstruowania przebiegu.