1. 程式人生 > >降取樣,過取樣,欠取樣,子…

降取樣,過取樣,欠取樣,子…

降取樣2048HZ對訊號來說是過取樣了,事實上只要訊號不混疊就好(滿足尼奎斯特取樣定理),所以可以對過取樣的訊號作抽取,即是所謂的降取樣
取樣頻率從2048HZ32HZ 每隔64個樣本,“??意思呢?降取樣的頻率怎麼是變化的啊?我對降取樣的原理不太熟悉。
把過取樣的資料,再間隔一定數再採一次的意思。過取樣了,頻譜解析度比較低。
那為什麼還過取樣啊,別使用2048HZ ,直接取樣頻率取為300HZ,不就免了降取樣了嗎?呵呵,這樣問是不是很幼稚啊,我瞭解的少,見笑了:L
在現場中取樣往往受具體條件的限止,或者不存在300HZ的取樣率,或除錯非常困難等等。R>>1,則Rfs/2
就遠大於音訊訊號的最高頻率fm,這使得量化噪聲大部分分佈在音訊頻帶之外的高頻區域,而分佈在音訊頻帶之內的量化噪聲就會相應的減少,於是,通過低通濾波器濾掉fm以上的噪聲分量,就可以提高系統的信噪比。
原取樣頻率為2048HZ,這時訊號允許的最高頻率是1024HZ(滿足尼奎斯特取樣定理),但當通過濾波器後使訊號的最高頻率為16HZ,這時取樣頻率就可以用到32HZ(滿足尼奎斯特取樣定理,最低為32HZ,比32HZ高都可以)。從2048HZ降到32HZ,便是每隔64個樣本取1個樣本。這種把取樣頻率降下來,就是降取樣(downsample)。這樣做的好處是減少資料樣點,也就是減少運算時間,在實時處理時常採用的方法。

過取樣:

過取樣概述

[轉載]降取樣,過取樣,欠取樣,子取樣,下采樣

過取樣是使用遠大於奈奎斯特取樣頻率的頻率對輸入訊號進行取樣。設數字音訊系統原來的取樣頻率為fs,通常為44.1kHz48kHz。若將取樣頻率提高到R×fsR稱為過取樣比率,並且R>1。在這種取樣的數字訊號中,由於量化位元數沒有改變,故總的量化噪聲功率也不變,但這時量化噪聲的頻譜分佈發生了變化,即將原來均勻分佈在0 ~ fs/2頻帶內的量化噪聲分散到了0 ~ Rfs/2的頻帶上。右圖表示的是過取樣時的量化噪聲功率譜。

  若R>>1,則Rfs/2就遠大於音訊訊號的最高頻率fm,這使得量化噪聲大部分分佈在音訊頻帶之外的高頻區域,而分佈在音訊頻帶之內的量化噪聲就會相應的減少,於是,通過低通濾波器濾掉

fm以上的噪聲分量,就可以提高系統的信噪比。這時,過取樣系統的最大量化信噪比為公式如右圖.

[轉載]降取樣,過取樣,欠取樣,子取樣,下采樣

式中fm為音訊訊號的最高頻率,Rfs為過取樣頻率,n為量化位元數。從上式可以看出,在過取樣時,取樣頻率每提高一倍,則系統的信噪比提高3dB,換言之,相當於量化位元數增加了0.5個位元。由此可看出提高過取樣比率可提高A/D轉換器的精度。

  但是單靠這種過取樣方式來提高信噪比的效果並不明顯,所以,還得結合噪聲整形技術。

過取樣技術原理介紹

  假定環境條件: 10ADC最小分辨電壓1LSB  1mv

  假定沒有噪聲引入的時候, ADC取樣上的電壓真實反映輸入的電壓那麼小於1mv的話,ADC0.5mv是資料輸出為0

  我們現在用4倍過取樣來提高1位的解析度,

  當我們引入較大幅值的白噪聲: 1.2mv振幅(大於1LSB), 並在白噪聲的不斷變化的情況下多次取樣那麼我們得到的結果

  真實被測電壓白噪聲疊加電壓疊加後電壓 ADC輸出 ADC代表電壓

0.5mv 1.2mv 1.7mv 1 1mv

0.5mv 0.6mv 1.1mv 1 1mv

0.5mv -0.6mv -0.1mv 0 0mv

0.5mv -1.2mv -0.7mv 0 0mv

ADC的和為2mv, 那麼平均值為: 2mv/4=0.5mv!!! 0.5mv就是我們想要得到的

  這裡請留意我們平時做濾波的時候也是一樣的操作喔那麼為什麼沒有提高解析度?是因為我們做滑動濾波的時候把有用的小數部分扔掉了因為超出了字長啊那麼0.5取整後就是 結果和沒有過取樣的時候一樣是 0 ,

  而過取樣的方法時候是需要保留小數部分的所以用4個樣本的值但最後除的不是4, 而是2! 那麼就保留了部分小數部分而提高了解析度!

  從另一角度來說變相把ADC的結果放大了2(0.5*2=1mv), 並用更長的字長表示新的ADC,

  這時候, 1LSB(ADC輸出的位0)就不是表示1mv而是表示0.5mv, (ADC輸出的位1)才是原來表示1mv的資料位,

  下面來看看一下資料的變化:

ADC值相應位 9 8 7 6 5 4 3 2 1 0

0.5mv測量值 0 0 0 0 0 0 0 0 0 0 0mv(10ADC的解析度1mv,小於1mv無法分辨,所以輸出值為0)

  疊加白噪聲的4次過取樣值的和 0 0 0 0 0 0 0 0 1 0 2mv

  滑動平均濾波2mv/4 0 0 0 0 0 0 0 0 0 0 0mv(平均數對改善解析度沒作用)

  過取樣插值2mv/2 0 0 0 0 0 0 0 0 0 0 1 2mv/2=0.5mv, 將這個數作為11ADC那麼代表就是0.5mv 這裡我們提高了1位的ADC解析度

  這樣說應該就很簡單明白了吧其實多出來的位上的資料是通過統計輸入量的分佈計算出來的,

  而不是硬體真正解析度出來的引入噪聲並大於1LSB, 目的就是要使微小的輸入訊號疊加到ADC能識別的程度(ADC最小解析度).

  理論來說如果ADC速度夠快可以無限提高ADC的解析度這是概率和統計的結果

  但是ADC的取樣速度限制過取樣令到最後能被取樣的訊號頻率越來越低,

  就拿stm32ADC來說, 12ADC, 過取樣帶來的提高和侷限

  解析度取樣次數每秒取樣次數

12ADC 1 1M

13ADC 4 250K

14ADC 16 62.5K

15ADC 64 15.6K

16ADC 256 3.9K

17DC 1024 976

18ADC 4096 244

19ADC 16384 61

20ADC 65536 15

要記住這些取樣次數還未包括我們要做的滑動濾波。

過取樣定義就是用高於nyquist頻率進行取樣好處是可以提高信噪比缺點是處理資料量大

直觀上講:取樣後的訊號是原來的訊號頻域延拓疊加,限帶訊號通常是離中心頻率越遠,幅度越低,因此取樣率越高混疊的情況越小

過取樣目的就是要改變的噪聲的分佈,減少噪聲在有用訊號的頻寬內,然後在通過低通濾波器濾除掉噪聲,達到較好的信噪比,一般用在sigma-deltaDAC 或者ADC裡面過取樣作用:能將噪聲擴充套件到更高的頻率,通過低通濾波器後,可使得

相關推薦

HTML table表格td固定繼承寬度長換行顯示不允許自動加長

table { border: #f2d69c 10px groove; width: 95%; padding: auto; margin-left: 2.5%; margin-right: 2.5%; } 設定成這樣 如果資料很長的話,會突破9

取樣取樣取樣取樣下采樣取樣你學會了嗎?【總結】

降取樣:2048HZ對訊號來說是過取樣了,事實上只要訊號不混疊就好(滿足尼奎斯特取樣定理),所以可以對過取樣的訊號作抽取,即是所謂的“降取樣”。在現場中取樣往往受具體條件的限止,或者不存在300HZ的取樣率,或除錯非常困難等等。若R>>1,則Rfs/2就遠大於音

取樣取樣取樣

降取樣:2048HZ對訊號來說是過取樣了,事實上只要訊號不混疊就好(滿足尼奎斯特取樣定理),所以可以對過取樣的訊號作抽取,即是所謂的“降取樣”。 “取樣頻率從2048HZ到32HZ 每隔64個樣本,“??意思呢?降取樣的頻率怎麼是變化的啊?我對降取樣的原理不太熟悉。 把過取樣的資料,再間隔一定數再採一

取樣取樣取樣取樣下采樣取樣

取樣: 2048HZ對訊號來說是過取樣了,事實上只要訊號不混疊就好(滿足尼奎斯特取樣定理),所以可 以對過取樣的訊號作抽取,即是所謂的“降取樣”。 在現場中取樣往往受具體條件的限止,或者不存在300HZ的取樣率,或除錯非常困難等等。若 R>>1,則Rfs/2就

轉介面IC ADV7280:CVBS轉MIPI晶片 10位、4倍取樣 標清電視視訊解碼器支援去隔行

產品特性 支援全球NTSC/PAL/SECAM色彩解調一個10位模數轉換器(ADC),每通道4倍過取樣適用於CVBS、Y/C和YPrPb模式 模擬視訊輸入通道,內建片內抗混疊濾波器 ADV7280:最多4路輸入通道 ADV7280-M:最多8路輸入通道 視訊輸入支援CVBS

python資料預處理 :樣本分佈不均(取樣取樣

何為樣本分佈不均: 樣本分佈不均衡就是指樣本差異非常大,例如共1000條資料樣本的資料集中,其中佔有10條樣本分類,其特徵無論如何你和也無法實現完整特徵值的覆蓋,此時屬於嚴重的樣本分佈不均衡。 為何要解決樣本分佈不均: 樣本分部不均衡的資料集也是很常見的:比如惡意刷單、黃牛訂

圖形學中的貼圖取樣、走樣與反走樣等圖形學走樣

計算機圖形學中不可避免的會涉及到影象分析與處理的相關知識,前些時間也重溫了下常用到的取樣、重建以及紋理貼圖等內容,並對其中的走樣與反走樣有了更多的認識,這裡小結一下。 1. 基本問題 訊號的取樣與重建過程中首先面臨著兩個基本的問題: 給定一個連續的

卷積神經網路入門一種全卷積神經網路(LeNet)從左至右依次為卷積→子取樣→卷積→子取樣→全連線→全連線→高斯連線測試 最後為了檢驗 CNN 能否工作我們準備不同的另一組圖片與標記集(不能在訓練

轉載來自:http://blog.csdn.net/maweifei/article/details/52443995 第一層——數學部分 CNN 的第一層通常是卷積層(Convolutional Layer)。輸入內容為一個 32 x 32 x 3 的畫素值陣列。現在

取樣(undersampling)和取樣(oversampling)會對模型帶來怎樣的影響

參考:知乎專欄專案中出現了二分類資料不平橫問題,研究總結下對於類別不平橫問題的處理經驗:1:為什麼類別不平橫會影響模型的輸出:許多模型的輸出類別是基於閾值的,例如邏輯迴歸中小於0.5的為反例,大於則為正例。在資料不平衡時,預設的閾值會導致模型輸出傾向與類別資料多的類別。因此可

24位PCM取樣資料轉成16位演算法已實現PCM轉WAV線上工具原始碼支援24bits、16bits、8bits

[TOC] > 最近收到幾個24位的PCM錄音原始檔,Recoder庫原有的PCM轉WAV工具只支援8位和16位,於是就升級一下支援了24位的PCM原始檔。 > > 可能是搜尋方法不對,搜尋了半天沒有找到24位轉成16位的演算法,但好在運氣還不錯看到一篇標題不太想關的文章裡面有成套的轉換

Sentry(v20.12.1) K8S 雲原生架構探索JavaScript 效能監控之取樣 Transactions

![](https://img2020.cnblogs.com/blog/436453/202101/436453-20210122133238574-1311220754.png) ## 系列 1. [Sentry-Go SDK 中文實踐指南](https://mp.weixin.qq.com/s/ML

模型選擇擬合擬合

訓練誤差:在訓練集上的表現 泛化誤差:在任意一個數據樣本上表現的誤差 計算誤差:損失函式 在機器學習中,假設每個樣本都是獨立同分布與整體的,於是它訓練誤差期望 = 泛化誤差 一般情況下:由訓練資料集學到的訓練引數 使得 模型在訓練資料集上的表現優於或等於 測試資料集上的表現 模型選擇

取樣取樣和壓縮感知

連結:https://www.zhihu.com/question/20475750/answer/15249347,http://tiejunlab.com/viewthread.php?action=printable&tid=577    取樣定理是取樣過程

合理選擇高速ADC實現取樣

欠取樣或違反奈奎斯特(Nyquist)準則是 ADC 應用上經常使用的一種技術。射頻(RF)通訊和諸如示波器等高效能測試裝置就是其中的一些例項。在這個“灰色”地帶中經常出現一些困惑,如是否有必要服從 Nyquist 準則,以獲取一個訊號的內容。對於 Nyquist 和 Shannon 定理的檢驗將證明:ADC

偏差與方差分解擬合擬合的聯絡?

機器學習講演算法之前,需要先弄懂很多概念,這些概念很多是來自統計學的,這也是為什麼傳統的機器學習叫做基於統計的機器學習。對這些概念的理解一定要牢,否則就像技術債,它一定會回來咬你讓你付出更大的代價。這也是為什麼在我們優達學城(Udacity)平臺上的機器學習課程中,第一部分不是講建模,而是先講模型的評估和驗

聯想的S415電腦Debian8.8開機後亮度值始終最大嘗試各種方法始終無法解決最後安裝開源驅動後成功

firmware 保存 ces fst pack 聯系 輸入 aptitude reboot 安裝ATI顯卡驅動(開源)(方法步驟來自Debian WiKi) A.先升級可用的包 # aptitude upgrade B.安裝下面3個包 # apt-get i

scikit-learn: isotonic regression(保序回歸非常有意思僅做知識點了解但差點兒沒用到

reg 現象 最小 給定 推薦 替代 ble class net http://scikit-learn.org/stable/auto_examples/plot_isotonic_regression.html#example-plot-isotonic-regre

微信支付報錯:time_expire時間刷卡至少1分鐘其他5分鐘]

log pre 原來 exp 其他 str brush 支付 clas 查了下代碼: $input->SetTime_expire(date("YmdHis", time() + 600));//二維碼過期時間。默認10min 10分鐘,沒問題。   網上查了下

查詢一定要註意別忘記加TOP 1不然就GG了了好久測試給我測出來了

date 子查詢 註意 string tde best ani rtm 測試 string sql = "select Code,DepartmentName" + ",(select top 1 Or

2018年1月 開門紅40名IE出爐是否是您家一年的成績呢?同時HCIE包班促銷中

http abc 分享 com 圖片 src ext images fec 2018年1月 開門紅,40名IE出爐,是否是您家一年的成績呢?同時HCIE包過班促銷中