- •1. Типы сигналов
- •2. Задачи анализа и синтеза сигналов.
- •3. Представление сигнала с помощью ортогональных функций
- •5. Комплексный ряд Фурье. Преобразование Фурье.
- •6. Частота Найквиста. Теорема Найквиста-Шеннона.
- •7. Определение дискретного преобразования Фурье (дпф) и обратного дискретного преобразования Фурье (обпф).
- •Дискретное преобразование фурье (дпф)
- •8. Свойства дпф (теорема линейности, теорема комплексной сопряженности, теорема сдвига, теорема сверки, теорема корреляции)
- •13. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во временной области.
- •14. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во частоте.
- •15.Обратное быстрое преобразование Фурье
- •Обратное преобразование Фурье
- •16. Вычислительные преимущества бпф.
- •17. Схемы вычисления свертки и корреляции на основе бпф.
- •18. Двумерное дпф и бпф
- •19. Анализ линейной системы (связь между входным и выходным сигналами, импульсный отклик, представление системы в частотной области).
- •20. Класс несинусоидальных ортогональных функций (функции Радемахера, функции Хаара, функции Уолша).
- •21. Код Грея
- •22. Преобразование Уолша.
- •23. Преобразование Уолша-Адамара (Адамара).
- •1. Пиксельное представление изображений. Основные виды изображений: бинарные, полутоновые и цветные
- •2. Основные преобразования изображений.
- •3. Основные взаимосвязи между пикселями изображения. Метрические свойства для изображения.
- •4. Метод пространственной области с применением масок. Операторы Собеля, Робертса, Превитта для обработки изображений.
- •5. Сегментация изображений посредством выделения границ областей
- •6. Основы фильтрации в частотной области. Двумерное дпф.
- •7. Задача распознавания образов. Выбор признаков.
- •8. Виды разделяющих функций. Классификатор по минимальному расстоянию
- •9. Задача двухклассового распознавания
- •10. Классификатор для распознавания 3-х и k классов образов по критерию наименьшего среднеквадратического расстояния
- •11. Метод отображения по алгоритму наименьших квадратов
- •12. Классификация нейросетевых систем
- •13. Виды пороговых функций в нейросети
- •14. Модель нейронной сети. Обучающий алгоритм для персептрона
- •15. Многослойный персептрон с обратным распространением ошибки
13. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во временной области.
Рис. 1.7. Граф-схема алгоритма БПФ с прореживанием по времени
Рис. 1.8. Операция «бабочка» в алгоритме БПФ с прореживанием по времени
Если длина вектора равна 1, вернуть a.
Разбить вектор a на четную часть aчет = (a0,a2,…,aN-2)и нечетную aнечет=(a1,a3,…,aN-1).
Рекурсивно вызвать БПФ на каждой из частей
bчет = БПФ(aчет)
bнечет = БПФ(aнечет)
Объединение результатов.
инициализация
(инициализация) Присвоить
В цикле вычислить левую и правую часть одновременно:
Вернуть вектор y.
При реализации алгоритма БПФ с прореживанием по времени происходит разбиение вектора на две части – четную и нечетную, после чего выполняется операция бабочка.
Ниже изображено дерево рекурсий, рис. 1.9. Каждый уровень, начиная снизу, соответствует проходу алгоритма по всему вектору и объединению сначала одиночных элементов в пары, затем пар в четверки и так далее до конца. Обратите внимание на то, что порядок индексов на верхнем уровне не соответствует нижнему. Это естественно, если учесть, что нечетные индексы после бабочки идут в правую половину вектора, а четные – в левую.
14. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во частоте.
При реализации алгоритма БПФ с прореживанием по частоте первоначально выполняется операция бабочка, а затем проводится разбиение вектора на две части («верхнюю» и «нижнюю»).
Рис. 1.10. Граф-схема алгоритма БПФ с прореживанием по частоте
Рис. 1.11. Операция «бабочка» в алгоритме БПФ с прореживанием по частоте
15.Обратное быстрое преобразование Фурье
Покажем, как выполнить дискретное преобразование Фурье за действий при . В частности, при понадобится действий.
Дискретное преобразование Фурье преобразует набор чисел в набор чисел , такой, что , где и при . Алгоритм быстрого преобразования Фурье применим к любым коммутативным ассоциативным кольцам с единицей. Чаще всего этот алгоритм применяют к полю комплексных чисел (c ) и к кольцам вычетов.
Основной шаг алгоритма состоит в сведении задачи для чисел к задаче для числам, где — делитель . Пусть мы уже умеем решать задачу для чисел. Применим преобразование Фурье к
наборам для . Покажем теперь, как за действий решить исходную задачу. Заметим, что . Выражения в скобках нам уже известны — это -тое число после преобразования Фурье -той группы. Таким образом, для вычисления каждого нужно действий, а для вычисления всех — действий, что и требовалось получить.
Обратное преобразование Фурье
Для обратного преобразования Фурье можно применять алгоритм прямого преобразования Фурье — нужно лишь использовать вместо (или применить операцию комплексного сопряжения в начале к входным данным, а затем к результату, полученному после прямого преобразования Фурье) и окончательный результат поделить на .
16. Вычислительные преимущества бпф.
При вычислении N-точечного ДПФ требуется вычислений с комплексными числами, а при реализацииN-точечного БПФ вычислений с комплексными числами. Вычислительная эффективность БПФ по сравнению с ДПФ становится весьма существенной, когда количество точек БПФ увеличивается до нескольких тысяч (табл.1.1).
Таблица 1.1
Эффективность БПФ
N |
Умножений при ДПФ |
Умножений при БПФ |
Эффективность БПФ |
256 |
65 536 |
1 024 |
64 : 1 |
512 |
262 144 |
2 304 |
114 : 1 |
1 024 |
1 048 576 |
5 120 |
205 : 1 |
2 048 |
4 194 304 |
11 264 |
372 : 1 |
4 096 |
16 777 216 |
24 576 |
683 : 1 |
Если необходимо рассчитать только несколько точек спектра, ДПФ может быть более эффективным. Вычисление одного выходного отсчета спектра с использованием ДПФ требует только N умножений с комплексными числами.