Simular el sistema en pitón para el estudio de caso de procesamiento de señales

Video: EJEMPLO PRACTICO DE TOMA DE TIEMPOS Y EFICIENCIA DE PRODUCCION

Simular Opciones a, b, y do mediante el uso de un archivo de voz de un varón frases de lectura de voz. El archivo entra en la simulación como un archivo WAV:

en [685]: Fs, s = ssd.from_wav ( `OSR_us_000_0030_8k.wav`)

Puede generar la combinación SOI + SNOI mediante el uso de una función personalizada que devuelve r dada la entrada de voz s, la relación de señal a interferencia (SIR) en dB - μ = 0,005 10log₁₀(SIR) - el número de muestras a procesar, un conjunto de frecuencias de interferencia, y la tasa de muestreo.

r = soi_snoi_gen (s, SIR_dB, N, fi, fs = 8000)

En este caso, SIR se fija en -10 dB, lo que significa que el poder en el SNOI es 10 veces la potencia de la SOI! Sinusoides en 1000 y 600 Hz están gritando en los oídos cuando se está tratando de escuchar a alguien hablar con usted- lo agradable que es?

El proceso de filtros FIR e IIR r en la línea de comandos IPython mediante el uso de la función SciPy signal.lfilter (b, a, r). A continuación, puede aplicar el filtro adaptativo mediante el uso de la función personalizada siguiente:

n, r, r_hat, e,ao,F,Ao = Lms_ic (r, M,mu,delta = 1)

Esta función devuelve un gran número de ndarrays:

• mi, la señal de error, mi[norte] es también

  

• la matriz ao es el conjunto final de coeficientes de filtro.

  Video: Arena - Simulacion de Sistemas

• F es una matriz de frecuencia utilizado para trazar la magnitud de la respuesta de frecuencia del filtro en dB, que se encuentra en Ao.

Puede obtener una vista combinada dominio de la frecuencia y el dominio del tiempo a través de la espectrograma. Las parcelas espectrograma las término corto estimación espectral de la señal verticalmente frente al tiempo. Los colores brillantes indican la intensidad espectral o altura sobre el fondo.

La figura contiene tres subtramas: s[norte] Superpuesta con r[norte] A -10 dB SIR (Figura a),

Video: Tutorial Matlab - Muestreo

la salida de la cascada de muesca IIR utilizando r = 0,95 para ambas secciones (Figura B), y parcelas espectrograma de la salida muesca cascada IIR (Figura C).

El SNOI es potente cuando se ve en el dominio del tiempo (Figura a). La figura B muestra que la cascada de filtros de muesca IIR realiza una escisión limpia de los dos tonos SNOI. El espectrograma (Figura c) confirma lo que está pasando en el dominio de la frecuencia. La muesca IIR elimina sólo una muy estrecha franja de frecuencias, dejando de ese modo el SOI en gran parte intacto.

Puede exportar la salida de simulación de Python como archivos WAV utilizando ssd.to_wav ( ‘test_FIR_IIR.wav’, fs, s_hat). Una prueba de audición es mucho mejor que lo que puedo hacer con los gráficos de este libro, a fin de tratar algunos experimentos por su cuenta.

La siguiente figura proporciona ambos resultados tiempo- y de dominio de frecuencia para el filtro adaptativo, el cual es formalmente conocida como una cancelador de interferencia adaptativo (AIC). Las parcelas para (a) y (c) muestran la notable capacidad de la AIC a convergen rápidamente para filtrar coeficientes que eliminan tonos 1,000- y 600 Hz de la SNOI.

El μ parámetro se redujo a 0,001 a ralentizar el proceso de convergencia y hacer que sea visible en la trama de la figura a. La trama espectrograma de la figura C muestra el corto blip de tonos SNOI entonces convergencia y el tono de la escisión.

Video: ESTUDIO DE CASOS

La audición es la prueba final. El código Python se encuentra en el módulo ssd.py. El archivo de voz OSR_us_000_0030_8k.wav También está disponible. Encuentra tanto en línea.