क्या बेहतर है: अप- या डाउनसमलिंग?


14

मैं दो संकेतों या घटता की तुलना करना चाहता हूं। 30 हर्ट्ज पर एक वक्र का नमूना 2000 हर्ट्ज पर एक वक्र नमूना

दुर्भाग्य से उनके पास अलग-अलग नमूना दरें हैं। पहले एक को 30 हर्ट्ज पर, दूसरे को 2000 हर्ट्ज पर सैंपल दिया गया है। मैटलैब का फंक्शन 'रिसप्लान' है और मुझे लगा कि इससे तुलना बहुत आसान हो जाएगी।

मेरा सवाल है: क्या यह दूसरे वक्र को कम करने या पहले वाले को ख़राब करने के लिए समझदार है?

संपादित करें: जैसा मैंने कहा गया था वैसा ही किया। बाईं ओर के चित्र में मूल वक्र हैं। दाईं ओर की कर्व्स को फिर से खोला गया है। शीर्ष दायां अपसर्पित है, नीचे दाईं ओर झुका हुआ है।

मुझे पता है कि घटता अलग-अलग लंबाई का होता है, जब फिर से आकार दिया जाता है। हालांकि, दूसरा सिग्नल पहले सिग्नल की लंबाई के लिए क्रॉप हो जाएगा। तुलना


1
मैंने आपके प्रश्न को बढ़ा दिया। जो आपको समझदार है।

यदि बहुत उच्च परिशुद्धता कोई फर्क नहीं पड़ता (इस मामले में मुझे लगता है कि यह नहीं है) तो आप
नीचे गिरा

@ स्टैनले पावल्यूविक्ज़, स्पष्ट रूप से, मैं डाउनसम्पलिंग द्वारा सभी छोटी चोटियों को खो देता हूं। तो उत्थान जाने का रास्ता हो सकता है। फिर मुझे छोटी चोटियों की जरूरत नहीं है। मैंने दूसरा सिग्नल स्मूद करने के बारे में भी सोचा। तो मेरे मामले में यह शायद वास्तव में मायने रखता है अगर मैं ऊपर या नीचे नमूना।
नेल्सन अरेंज

अनिमोर प्रतिक्रिया और उत्तर की आवश्यकता है?
लॉरेंट डुवल

जवाबों:


19

संक्षेप में:

  • अपसम्पलिंग : करता है / नहीं करना चाहिए ढीली जानकारी (यदि समझदारी से किया जाए), तो सुरक्षित ,
  • डाउनसमलिंग : ढीली जानकारी (यदि अनजाने में की गई हो), फिर भी अधिक कम्प्यूटेशनल रूप से कुशल हो सकती है

तो अगर आप अलग दरों पर डेटा की तुलना, और एक की कोशिश करता है कि कैसे तुलना किया जाना चाहिए परिभाषित करने के लिए जब एक मूल्यांकन चरण में (जो सुविधाओं की तुलना कर रहे हैं, क्या मीट्रिक के साथ, जिसके साथ बाहरी, सटीक, कुशलता, मजबूती, आदि की तरह), एक बहुत मूल पहला तरीका यह होगा कि एक पूर्णांक कारक द्वारा दोनों संकेतों को अपने नमूने को समेटने के लिए । यहां, यह काफी ठीक है, 6000 हर्ट्ज दोनों के लिए काम कर सकता है।

डीएसपी अभ्यास के लिए कारण हो सकते हैं:

  • पूर्णांक अपक्षय के साथ, आप मुश्किल फ़िल्टरिंग तकनीकों का उपयोग करने के लिए बाध्य नहीं हैं, और सरल रैखिक प्रक्षेप आसान है। याद रखें कि अपसंस्कृति कुछ जानकारी जोड़ती है।
  • संकेतों के साथ समान पैमाने हैं, आप सुविधाओं को निकाल सकते हैं और उनकी तुलना कर सकते हैं: शोर, परिवर्तनशीलता, ढलान, डेरिवेटिव, आदि। आप सही पैमाने / ऑफसेट सुधार लागू कर सकते हैं (उनका समान आयाम नहीं है), रैखिक या गैर का उपयोग करें रेखीय परिवर्तन (फूरियर, आदि) की जांच करने के लिए कि क्या समानताएं विभिन्न डोमेन में मौजूद हैं
  • इस स्तर पर, आपको अपने एल्गोरिथ्म को बनाने के लिए आवश्यक सुविधाओं / मीट्रिक को गुणवत्ता और मात्रा में करने में सक्षम होना चाहिए । और आप अनुमान लगा सकते हैं कि आप दोनों डेटा से क्या ढीला कर सकते हैं। उदाहरण के लिए, आप अपना एल्गोरिथ्म बना सकते हैं, और देख सकते हैं कि डाउनसैंपलिंग को संकेत देना कितना मजबूत है, और आप कितनी दूर जा सकते हैं। यहाँ, आपका एल्गोरिथ्म अधिक कुशल होने लगता है।

एक बार जब आप उस पर कुछ समय बिताते हैं, तो आप फिर से स्क्रैच से शुरू करने के लिए अधिक तैयार होते हैं, और यह तय करते हैं कि आपको सुरक्षा और कुशल दोनों तक पहुंचने के लिए किस विधि आदि के साथ नीचे जाना चाहिए या नहीं ।

विकल्प प्रदान करने के लिए, यदि आप फूरियर डोमेन पर डेटा की तुलना करने का निर्णय लेते हैं, तो आप आसानी से फ़ोरियर गुणांक के एक ही नंबर पर अलग-अलग लंबाई और नमूना दर के साथ दो सिग्नल डाल सकते हैं, आवृत्ति डोमेन की तुलना में मदद करते हैं।


14
डाउंसमप्लिंग लगभग हमेशा जानकारी खो देगा , भले ही यह एक नासमझ तरीके से नहीं किया गया हो। हालाँकि, जानकारी खोना वास्तव में एक समझदारी की बात हो सकती है, इसलिए ...
23

@leftaroundabout किन किन मामलों में सूचना खो सकती है?
विलेम

2
@leftaroundabout मैं सहमत नहीं हूँ। जानकारी खोना हमेशा रखने से बदतर है। केवल बुद्धिमानी यह जानना है कि सिग्नल के बेहतर प्रतिनिधित्व के लिए कौन सी जानकारी फेंकनी है, न कि सूचना हानि।
एलेक्सटीपी

5
@Willem: एक अत्यंत स्पष्ट मामले के रूप में, एक डीसी सिग्नल को एक एकल नमूने के लिए डाउनस्लेम किया जा सकता है। सामान्य तौर पर, किसी भी सिग्नल में (नई) Nyquist सीमा के ऊपर कोई घटक नहीं होता है, उसे सुरक्षित रूप से डाउनसम्पल्ड किया जा सकता है।
एमएसल्टर्स

1
यह तर्क दिया जा सकता है कि कोई भी सूचना डीसी सिग्नल से 1 सैंपल सिग्नल से नहीं खोई जाती है क्योंकि आप 1 सैंपल से मूल एक के समान सिग्नल को वापस बदल सकते हैं। यह तर्क दिया जा सकता है कि जानकारी खो गई है क्योंकि यदि आप किसी व्यक्ति को बिना अधिक जानकारी के 1 नमूना संकेत देते हैं और पूछते हैं कि "क्या यह डीसी सिग्नल का प्रतिनिधित्व करता है?" जवाब होगा "पता नहीं, एक नमूने के साथ पर्याप्त जानकारी नहीं"।
बेनामी

7

यदि आप प्लॉट (x, y) जैसे फ़ंक्शन का उपयोग करते हैं, तो उन्हें एक ही ग्राफ पर प्रदर्शित करने का सबसे आसान तरीका है कि आप उनमें से किसी को भी न केवल निरूपित करें, बल्कि प्रत्येक संकेत के लिए उचित मान के साथ प्रत्येक x वेक्टर को भरें, ताकि दोनों दिखाई दें आप प्रदर्शन पर चाहते हैं।

यदि आप चाहें तो प्लॉट को दो अलग-अलग एक्स-एक्सिस (प्रत्येक वक्र के लिए एक) के साथ अलग-अलग लेबल और किंवदंतियों के साथ सेट कर सकते हैं।

अब, resampling के बारे में। मैं नमूना आवृत्ति के लिए Fs का उपयोग करूँगा।

एक नमूना संकेत में Fs / 2 के ऊपर आवृत्ति घटक नहीं हो सकते। यह बैंडलास्टेड है।

इसके अलावा, एक सिग्नल जिसमें केवल आवृत्ति एफ तक आवृत्ति घटक होते हैं, 2 एफ के नमूने दर पर सटीक रूप से प्रतिनिधित्व किया जा सकता है।

ध्यान दें कि यह "सटीक" प्रतिनिधित्व गणितीय है, दृश्य नहीं। एक अच्छे दृश्य प्रतिनिधित्व के लिए, प्रति अवधि 5-10 नमूने (इस प्रकार एफएस / 10 या उससे ऊपर कोई उल्लेखनीय आवृत्ति घटक नहीं) वास्तव में मस्तिष्क को डॉट्स को जोड़ने में मदद करता है। यह आंकड़ा देखें: एक ही संकेत, निचले वक्र में कम नमूना दर है, कोई सूचना हानि नहीं है क्योंकि आवृत्ति एफएस / 2 से कम है लेकिन यह अभी भी बकवास जैसा दिखता है।

यहाँ छवि विवरण दर्ज करें

हालांकि यह ठीक वैसा ही संकेत है। यदि आप ओवरसाइंक (पुनर्निर्माण) करते हैं, तो नीचे एक sinc फिल्टर के साथ आप शीर्ष पर एक प्राप्त करेंगे।

दशमलव (डाउनसमलिंग) सिग्नल में नए एफएस / 2 से अधिक सभी आवृत्ति घटकों को वापस मोड़ देगा। यही कारण है कि हम आम तौर पर डिकिमेटर से पहले एक स्टीप लोअरपास फिल्टर लगाते हैं। उदाहरण के लिए, Fs = 2000 Hz से Fs = 30 Hz तक नीचे जाने के लिए, पहले हम एक कटऑफ के साथ 15 hz से थोड़ा नीचे एक उच्च क्रम लागू करेंगे और उसके बाद ही अंतरंग।

हालाँकि यह फ़िल्टर क्षणिक प्रतिक्रिया मुद्दों को पेश करेगा, इसमें कुछ आवृत्तियों पर चरण अंतराल होगा, और यह आपके सिग्नल के दृश्य पहलू को बदल सकता है, जो कि आप नहीं करना चाहते हैं यदि विचार नेत्रहीन उनकी तुलना करना है। ऊपर का नियम लागू होता है, बहुत ज्यादा डाउनप्लान न करें, हमेशा एफएस को 5-10x ब्याज की उच्चतम आवृत्ति के रूप में रखें यदि आप चाहते हैं कि सिग्नल का आकार कुछ है। यही कारण है कि एक 200MHz गुंजाइश 1-2 Gsps पर नमूना करने की आवश्यकता है।

मेरा सवाल है: क्या यह दूसरे वक्र को कम करने या पहले वाले को ख़राब करने के लिए समझदार है?

जैसा कि ऊपर कहा गया है, सबसे बुद्धिमान डेटा के साथ खिलवाड़ नहीं करना है और बस उन्हें एक ही ग्राफ पर अपने एक्स-एक्सिस के साथ प्रस्तुत करना है।

कुछ मामलों में नमूना दर रूपांतरण की आवश्यकता होगी। उदाहरण के लिए, अंकों की संख्या को कम करने, मेमोरी के उपयोग को कम करने, इसे तेज करने के लिए ... या दोनों संकेतों को समान "x" निर्देशांक का उपयोग करके उन पर गणना करने के लिए।

इस मामले में आप एक मध्यवर्ती Fs का उपयोग कर सकते हैं, उच्च Fs के साथ सिग्नल को नीचे कर सकते हैं और कम Fs के साथ एक को अपलिंप कर सकते हैं। या सिर्फ उच्च एफएस के साथ एक को नीचे करना।

Nyquist मानदंड को ध्यान में रखें, और बहुत कम नमूना दर न चुनें या आप उच्च एफएस सिग्नल पर तरंग आकार की निष्ठा खो देंगे, आपको फ़ॉरवर्ड शिफ्ट मिल जाएगा क्योंकि लोव फ़िल्टर, आदि या यदि आप उच्च आवृत्ति सामग्री जानते हैं। नगण्य है, आप एक सूचित विकल्प बना सकते हैं। मैं

यदि आप "एक्स" निर्देशांक मैच बनाने के लिए रैखिक प्रक्षेप का उपयोग करते हैं, तो याद रखें कि इसे काफी उच्च एफएस की भी आवश्यकता है। इंटरपोलेशन ऊपर के प्लॉट में शीर्ष सिग्नल पर काम करेगा, यह तल पर एक पर काम नहीं करेगा। यदि आप न्यूनतम, अधिकतम और इस तरह से रुचि रखते हैं।

और ... ध्यान दें कि ओवरसम्पलिंग / अपसम्प्लिंग भी क्षणिक प्रतिक्रिया के साथ गड़बड़ करेगा, कम से कम नेत्रहीन। उदाहरण के लिए यदि आप एक कदम की देखरेख करते हैं, तो आपको सिन फ़िल्टर आवेग प्रतिक्रिया के कारण बहुत सारी रिंगिंग मिलेगी। इसका कारण यह है कि आपको एक बैंडलेड सिग्नल मिलता है, और वर्ग कोनों के साथ एक अच्छा कदम वास्तव में अनंत बैंडविड्थ है।

मैं एक उदाहरण के रूप में एक चौकोर तरंग लूंगा। मूल नमूना संकेत के बारे में सोचें: 0 0 0 1 1 1 0 0 0 1 1 1 ... आपका मस्तिष्क एक वर्ग तरंग देखता है।

लेकिन वास्तविकता यह है कि आपको प्रत्येक नमूने को एक डॉट के रूप में चित्रित करना चाहिए, और डॉट्स के बीच कुछ भी नहीं है। यह नमूने का पूरा बिंदु है। नमूनों के बीच कुछ भी नहीं है। इसलिए जब इस वर्ग की लहर को एक ईमानदार प्रक्षेप का उपयोग करके ओवरसम्प्ट किया गया है ... तो यह मज़ेदार लगता है।

यहाँ छवि विवरण दर्ज करें

यह केवल एक बैंडस्टील्ड स्क्वायर वेव का विज़ुअल प्रतिनिधित्व है। विगल्स थोड़े मौजूद हैं ... या शायद नहीं। यह जानने का कोई तरीका नहीं है कि वे मूल सिग्नल में थे या नहीं। इस मामले में समाधान के लिए किनारे पर बेहतर रिज़ॉल्यूशन प्राप्त करने के लिए उच्च नमूना दर के साथ मूल वर्ग तरंग प्राप्त करना होता है, आदर्श रूप से आप अपने किनारे पर कई नमूने चाहते हैं, इसलिए यह अब इन्फिनिटी बैंडविड्थ का एक चरण नहीं दिखता है। फिर जब इस तरह के सिग्नल की देखरेख करते हैं, तो परिणाम में दृश्य कलाकृतियां नहीं होंगी।

वैसे भी। जैसा कि आप देख सकते हैं ... बस एक्स कुल्हाड़ियों के साथ गड़बड़। यह बहुत सरल है।


4

डाउनसमलिंग जानकारी खो देता है। अपसैम्पलिंग दोषरहित है जब कारक एक पूर्णांक होता है (आपको कारक याद भी होता है), लेकिन कारक पूर्णांक नहीं होने पर कुछ जानकारी खो जाती है। अपसैम्पलिंग सैद्धांतिक रूप से अपसैम्पलिंग की तुलना में अधिक जानकारी खो सकता है , बहुत विशिष्ट रेज़म्पलिंग कारकों के लिए।

आपको कौन सा उपयोग करना चाहिए? यह आपकी ज़रूरत के स्तर पर निर्भर करता है।

यदि आपको गणितीय निश्चितता की आवश्यकता नहीं है और सिर्फ एक हेयुरिस्टिक चाहते हैं, तो डाउनसम्पलिंग तेज है और अपसैम्पलिंग अधिक सटीक है

यदि आपको अपनी गणना की सटीकता पर सीमा लगाने की आवश्यकता है: यह संभव है, लेकिन मैं आपकी मदद नहीं कर सकता।


+1, क्योंकि आप बहुत ही संक्षिप्त उत्तर में कुछ महत्वपूर्ण जानकारी को निचोड़ने में कामयाब रहे।
dsp_user

3

यह इस बात पर निर्भर करता है कि आप "तुलना" और "समझदार" से क्या मतलब है। मतलब में जो कठिन बात नहीं है, वह है, इसे दोनों तरीकों से करना और अपने लिए निर्णय लेना।

वास्तव में, यदि आप दोनों दृष्टिकोणों के परिणामों के साथ अपने प्रश्न में संशोधन करते हैं, तो मैं आपके प्रश्न को बढ़ा दूंगा और अधिक लोग इसे दिलचस्प पाएंगे, और सबसे अधिक संभावना "तुलना" करने में मदद करेंगे।


1

मैं एक समस्या की ओर इशारा करना चाहूंगा जो कि इस ऑपरेशन में महत्वपूर्ण हो सकता है जब अपसामलिंग कर रहा हो। जब किसी सिग्नल को अपडाउन किया जाता है और डेटा एंडपॉइंट शून्य मान से दूर होते हैं तो एज इफेक्ट होता है। व्यावहारिक अनुभवों में, इस अवांछित प्रभाव को समाप्त किया जाना चाहिए। मैं इस समुदाय के साथ छवियों और कोड के साथ एक लघु निबंध साझा करता हूं, मैंने इसके बारे में लिखा था जो समझने में मदद कर सकता है।

https://medium.com/@davidpinyol91/edge-effects-when-resampling-a-signal-on-matlab-how-to-solve-it-cc6458ab1306

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.