Pytanie:
Wykrywanie sygnałów ukrytych w szumie
James
2020-03-13 20:20:24 UTC
view on stackexchange narkive permalink

Jest to bardziej ogólne pytanie, które polega na sprawdzeniu, które metody są najczęstsze w celu poprawy wykrywania sygnału zakopanego w szumie.Obecnie budujemy system optyczny do obrazowania medycznego, a wykrywany sygnał jest 1000x niższy niż poziom szumów.

Obecnie przyglądamy się metodom, takim jak wzmocnienie / wykrywanie blokady i inne typy filtrowania, ale otwartą kwestią było sprawdzenie, które są powszechne metody poprawy wykrywania sygnału na zaszumionym tle.

Wymagany jest większy kontekst.
Czy są jakieś konkretne informacje, które chciałbyś poznać?
Rozumiem, że tam, gdzie LIA można wdrożyć, może być użyteczna lepsza od jakiejkolwiek innej metody.tzn. można go używać tylko wtedy, gdy generuje się sygnał, który jest następnie przetwarzany przez system, a następnie może być skorelowany z sygnałem źródłowym.Nie zawsze jest to możliwe (np. Wykrywanie sygnałów z niedostępnego źródła), ALE gdy znasz częstotliwość, fazę źródła, amplitudę źródła (na oba te elementy może mieć wpływ system docelowy, stabilność, ... więc wykrywanie jest znacznie łatwiejsze niż wkażdy inny przypadek.
Powinienem zajrzeć do książki Hobbsa: Building Electro-Optical Systems: Making it all Work https://onlinelibrary.wiley.com/doi/book/10.1002/9780470466339
Pięć odpowiedzi:
#1
+21
TimWescott
2020-03-13 20:59:02 UTC
view on stackexchange narkive permalink

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.

Zablokowany wzmacniacz „w pewnym sensie nie spełnia” potrzeby filtrowania sygnału z szumu.Raczej.Korelując sygnał ze znanym pasującym sygnałem odniesienia, wyodrębniasz skorelowane składowe bez uprzedniego usuwania całego szumu.Tak?
Blokowany wzmacniacz koreluje sygnał, a następnie filtruje wynik w dolnoprzepustowym.Krok korelacji zamienia sygnał na DC, filtr pozbywa się szumu bez usuwania sygnału.Więc właściwie robi * dokładnie * to, o czym mówię.
DOBRZE.Jak na mój „rodzaj nieposłuszeństwa”.Nie jestem do końca zadowolony z przypisywania standardowej terminologii czynnościom, które są niezwykle pożytecznie różne od ich normalnego użycia w tym samym kontekście.Etap korelacji „zamiana sygnału na prąd stały” (efektywnie synchroniczne wykrywanie amplitudy) nie jest dostępny dla większości innych metod, a szum jest znacznie mniej istotny niż w większości metod bez synchronizacji fazy.Najbliższym porównaniem jest PLL o skończonej szerokości pasma, w ramach którego będzie szukać sygnałów, które korelują same w czasie....
... LIA ma zasadniczo zerową szerokość pasma bez konwencjonalnego filtrowania (ale dodanie konwencjonalnego filtrowania pomaga), a jak wiesz DOKŁADNIE częstotliwość sygnału docelowego, filtr może być tak wąski, jak nakazują ogólne wymagania.Wiem, że wiesz to wszystko (z wyjątkiem tych części, w których się mylę :-)) - nie kłócę się o proces - tylko jak najlepiej to zobaczyć.||Tam, gdzie LIA można wdrożyć, może być użyteczna lepsza od jakiejkolwiek innej metody.
#2
+9
Neil_UK
2020-03-13 21:41:45 UTC
view on stackexchange narkive permalink

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.

#3
+7
Dirk Bruere
2020-03-13 21:46:29 UTC
view on stackexchange narkive permalink

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.

#4
+5
Phil Freedenberg
2020-03-14 22:29:14 UTC
view on stackexchange narkive permalink

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.

+1 Ta sama matematyka jak tutaj: https://dsp.stackexchange.com/a/63771/41790
#5
+1
analogsystemsrf
2020-03-13 20:51:56 UTC
view on stackexchange narkive permalink

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.



To pytanie i odpowiedź zostało automatycznie przetłumaczone z języka angielskiego.Oryginalna treść jest dostępna na stackexchange, za co dziękujemy za licencję cc by-sa 4.0, w ramach której jest rozpowszechniana.
Loading...