Как анализировать «шумность» массива точек

Question

Сделали fft (см. Предыдущую публикацию, если вам интересно!) И получили результат, который мне помогает. Хотелось бы проанализировать шум/остроту массива (фактически, коллекцию vb.nre одиночного). Um, как объяснить ...

Когда сигнал хороший, результаты мощности fft составляют 512 точек данных (частотные ковши) с низкими значениями во всех, но, возможно, 2 или 3 элементах массива, и приличный диапазон (т. Е. Пик равен

Когда сигнал плохой/шумный, значения данных распространяются (макс. до мин.). Если сигнал плохой/шумный, значения данных распространяются (макс. до мин) Низкий уровень шума, и в гораздо большем количестве кодов есть более высокий уровень шума.

Что хорошего, вычислительно неинтенсивное, заключалось в анализе шумов этого набора данных? Будет ли какой-то статистический метод, стандартные отклонения или что-то помочь ?

Answer 1

вычислить отношение сигнала к шуму http://en.wikipedia.org/wiki/Signal-to-noise_ratio

вы также можете проверить STDEV для каждой точки, и если это под какой-то степени вы выбираете то хороший сигнал иначе это не так.

Answer 2

Ключ определяет, что такое шум и что такое сигнал, для которого должны быть сделаны предположения моделирования. Часто делается предположение о белом шуме (постоянная мощность на частотный диапазон) или о шуме какого-либо другого спектра мощности, и эта модель привязана к данным. Отношение сигнал/шум можно затем использовать для измерения количества шума.

Установка модели шума зависит от характера ваших данных: если вы знаете, что реальный сигнал не будет иметь энергии в высокочастотных компонентах, вы можете посмотреть там для указания уровня шума и использовать модель для предсказать, какой шум будет на компонентах с более низкой частотой, где есть сигнал и шум. В качестве альтернативы, если ваш сигнал является постоянным во времени, при одновременном использовании нескольких БПФ в разные моменты времени и их сравнении для получения стандартного отклонения для каждой полосы частот может подаваться уровень шума.

Надеюсь, что я не буду покровительствовать вам, говоря о проблемах, присущих функциям окна при выполнении БПФ: они могут иметь эффект введения ложного «шума» в частотный спектр, который на самом деле является артефактом периодического характера БПФ. Там есть компромисс между получением острых пиков и шумом боковой полосы - здесь здесь www.ee.iitm.ac.in/~nitin/_media/ee462/fftwindows.pdf

Answer 3

Рассчитайте стандартное отклонение, а затем вы определяете порог, который будет указывать на шум. На практике это обычно легко и позволяет вам легко настраивать «уровень шума» по мере необходимости.

В Кнуте есть хороший алгоритм одиночного прохода stddev. Вот ссылка, описывающая реализацию.

Standard Deviation

Answer 4

не шип будет рассматривается как шум SNR в сбое, выброса быть отброшено, как это было?

Если из данных во временной области ясно, что есть такие всплески, то они, безусловно, создадут много шума в частотном спектре. Выбор игнорировать их - хорошая идея, но, к сожалению, БПФ не может принимать данные с «отверстиями» в нем, где удалены шипы. Есть два способа обойти это.Метод «грязный трюк» заключается в том, чтобы установить образец outlier в среднем по двум образцам на любом сайте и вычислить FFT с полным набором данных.

Более сложный, но более правильный метод заключается в использовании нормализованной периодики (Lomb Normalized Periodogram) (см. Книгу «Численные рецепты» W.H.Press и др.), Которая выполняет аналогичную работу с FFT, но может правильно справляться с отсутствующими данными.