简单的波形包络提取算法
最编程
2024-04-19 19:56:00
...
最近做了一个项目来提取语音信号包络波形,因此,花一些时间来研究各种包络提取算法。
所谓包络检测被称为振幅解调,在许多领域都有重要的应用。它假设载波信号被确定,所以,通常的方式同步解调,优选以这样的方式的SNR,混合信号噪声抑制最强。的叫法。在信号检測领域,这样的方式通常称为“相敏检波”。锁相放大器(Lock-in Amplifier)就是这样的方式最典型的样例。
假设载波比較乱。就像我如今的应用场景。要提取噪声的幅度随时间变化的规律,那么包络检波法会更适宜。我这里的代码就是採用的包络检波法。
包络检波法的基本原理能够看以下这个电路图。这个是最主要的半波包络检波。
当 Ui(t) > Uo(t-) 时 Uo(t) = Ui(t)
当 Ui(t) < Uo(t-) 时
RC dUo/dt = Uo
化成差分方程为:
把这个过程用程序来实现就有了以下的代码。
/** * 包络检波。模拟了硬件半波检波的过程 * rc = 0 时初始化 **/ double env_1(double x, double rct) { static double old_y = 0.0; if(rct == 0.0) { old_y = 0.0; } else { if(x > old_y) { old_y = x; } else { old_y *= rct / ( rct + 1 ); } } return old_y; } void env_2(double x[], double y[], int N, double rct) { double xx = 0.0; int i; y[0] = fabs(x[0]); for(i = 1; i < N; i++) { if( x[i] > y[i-1]) { y[i] = x[i]; } else { y[i] = y[i-1] * rct / ( rct + 1 ); } } }
上面是半波检測的代码,仅仅要略微添加几行。就能实现全波检測。
/** * 包络检波,模拟了硬件全波检波的过程 * rc = 0 时初始化 **/ double env_3(double x, double rct) { static double old_y = 0.0; if(rct == 0.0) { old_y = 0.0; } else { x = fabs(x); if(x > old_y) { old_y = x; } else { old_y *= rct / ( rct + 1 ); } } return old_y; } void env_4(double x[], double y[], int N, double rct) { double xx = 0.0; int i; y[0] = fabs(x[0]); for(i = 1; i < N; i++) { xx = fabs(x[i]); if( xx > y[i-1]) { y[i] = xx; } else { y[i] = y[i-1] * rct / ( rct + 1 ); } } }
这个代码中有个參数 rct,相应的是硬件电路中的RC时间常数,要依据待检測的包络信号的频带来确定。
以下是用这个代码实际提取包络的算例。能够看出这个代码的效果还是蛮不错的。
(比採用Hilbert 变换得到的结果还要好)
以下是C++的代码,功能同样。
/** * 包络检波功能,模拟了硬件半波检波和全波检波功能 */ class env_detect { private: double m_rct; double m_old; public: env_detect(){m_rct = 100.0, m_old = 0.0;}; void init(double rct); double env_half(double in); void env_half(double in[], double out[], int N); double env_full(double in); void env_full(double in[], double out[], int N); }; /** \brief 初始化 * * \param rct 为RC低通滤波的时间常数 * \return */ void env_detect::init(double rct) { m_rct = rct; m_old = 0.0; } /** \brief 半波包络检測 * * \param in 输入波形。每次传入一个数据点 * \return 输出波形 */ double env_detect::env_half(double in) { if(in > m_old) { m_old = in; } else { m_old *= m_rct / ( m_rct + 1 ); } return m_old; } /** \brief 半波包络检測 * * \param in[] 输入波形 * \param N 数组的点数 * \param out[] 输出波形 * \return */ void env_detect::env_half(double in[], double out[], int N) { for(int i = 0; i < N; i++) { if( in[i] > m_old) { m_old = in[i]; out[i] = m_old; } else { m_old *= m_rct / ( m_rct + 1 ); out[i] = m_old; } } } /** \brief 全波包络检測 * * \param in 输入波形,每次传入一个数据点 * \return 输出波形 */ double env_detect::env_full(double in) { double abs_in = fabs(in); if(abs_in > m_old) { m_old = abs_in; } else { m_old *= m_rct / ( m_rct + 1 ); } return m_old; } /** \brief 全波包络检測 * * \param in[] 输入波形 * \param N 数组的点数 * \param out[] 输出波形 * \return */ void env_detect::env_full(double in[], double out[], int N) { double abs_in; for(int i = 0; i < N; i++) { abs_in = fabs(in[i]); if( abs_in > m_old) { m_old = abs_in; out[i] = m_old; } else { m_old *= m_rct / ( m_rct + 1 ); out[i] = m_old; } } }
上一篇: PHP 如何处理数据分析?
下一篇: Wrieshark 网络数据抓包协议分析
推荐阅读
-
Java 基于数据量的进度条百分比简单算法
-
带可执行演示的 wav2midi 音乐旋律提取算法
-
简单提取 iOS13 ipsw 固件的内置壁纸(或文件)--没有看到官方网站,点击第一个下载即可!
-
数据包络分析与机器学习算法的区别 数据包络分析的应用
-
数据包络分析与机器学习算法的区别
-
5 分钟知识:白人也能理解的数据包络分析算法
-
简单的波形包络提取算法
-
数据包络分析 - DEA(数据包络分析) - DEA 的简单原理
-
排序算法]史上最简单易懂的 [气泡排序]。
-
NeurIPS 2022 | 最强斗地主AI!网易互娱AI Lab提出基于完美信息蒸馏的方法-完美信息蒸馏(PTIE) 在斗地主游戏中,非完美信息的引入主要是由于三位玩家均不能看到别人的手牌,对于任意一位玩家而言,仅可知道其余两位玩家当前手牌的并集,而难于精准判断每位玩家当前手牌。完美信息蒸馏的思路是针对这种非完美问题,构建一个第三方角色,该角色可以看到三位玩家的手牌,该角色在不告知每位玩家完美信息的情况下通过信息蒸馏的方式引导玩家打出当前情况下合理的出牌。 以强化学习常用的 Actor-Critic 算法为例,PTIE 在 Actor-Critic 算法的应用中可以利用 Critic 的 Value 输出作为蒸馏手段来提升 Actor 的表现。具体而言即在训练中 Critic 的输入为完美信息(包含所有玩家的手牌信息),Actor 的输入为非完美信息(仅包含自己手牌信息),此种情况下 Critic 给予的 Value 值包含了完美信息,可以更好地帮助 Actor 学习到更好的策略。 从更新公式上来看,正常的 Actor-Critic 算法 Actor 更新的方式如下: 在 PTIE 模式下,对于每个非完美信息状态 h,我们可以在 Critic 中构建对应的完美信息状态 D(h),并用 Critic 的输出来更新 Actor 的策略梯度,从而达到完美信息蒸馏的效果。 PTIE 框架的整体结构如下图所示: 无论是训练还是执行过程中智能体都不会直接使用完美信息,在训练中通过蒸馏将完美信息用于提升策略,从而帮助智能体达到一个更高的强度。 PTIE 的另一种蒸馏方式是将完美信息奖励引入到奖励值函数的训练中,PerfectDou 提出了基于阵营设计的完美信息奖励 node reward,以引导智能体学习到斗地主游戏中的合作策略,其定义如下: 如上所示,完美信息部分 代表 t 时刻地主手牌最少几步可以出完,在斗地主游戏中可以近似理解为是距游戏获胜的距离, 代表 t 时刻地主阵营和农民阵营距游戏获胜的距离之差, 为调节系数。通过此种奖励设计,在训练时既可以一定程度地引入各玩家的手牌信息(出完的步数需要知道具体手牌才能计算),同时也鼓励农民以阵营的角度做出决策,提升农民的合作性。 特征构建: PerfectDou 针对牌类游戏的特点主要构建了两部分特征:牌局状态特征和动作特征。其中牌局状态特征主要包括当前玩家手牌牌型特征、当前玩家打出的卡牌牌型特征、玩家角色、玩家手牌数目等常用特征,动作特征主要用于刻画当前状态下玩家的所有可能出牌,包括了每种出牌动作的牌型特征、动作的卡牌数目、是否为最大动作等特征。 牌型特征为 12 * 15 的矩阵,如下图所示: 该矩阵前 4 行代表对应每种卡牌的张数,5-12 行代表该种卡牌的种类和对应位置。 网络结构和动作空间设计 针对斗地主游戏出牌组合数较多的问题,PerfectDou 基于 RLCard 的工作上对动作空间进行了简化,对占比最大的两个出牌牌型:飞机带翅膀和四带二进行了动作压缩,将整体动作空间由 27472 种缩减到 621 种。 PerfectDou 策略网络结构如下图所示: 策略网络结构同样分为两部分:状态特征部分和动作特征部分。 在状态特征部分,LSTM 网络用于提取玩家的历史行为特征,当前牌局状态特征和提取后的行为特征会再通过多层的 MLP 网络输出当前的状态信息 embedding。 在动作特征部分,每个可行动作同样会经过多层 MLP 网络进行编码,编码后的动作特征会与其对应的状态信息 embedding 经过一层 MLP 网络计算两者间的相似度,并经由 softmax 函数输出对应的动作概率。 实验结果