
- •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.