ಲಾಭಗಳು:
- AI ಬೆಂಬಲದೊಂದಿಗೆ ಮಾದರಿ, ನೈಕ್ವಿಸ್ಟ್ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸರಿಯಾಗಿ ನಿರ್ಮಿಸುವ ಮತ್ತು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಎಫ್ಎಫ್ಟಿ, ಫಿಲ್ಟರ್ ವಿನ್ಯಾಸ ಮತ್ತು ಕಿಟಕಿಯ ಹಂತಗಳನ್ನು ಡ್ರಾಫ್ಟ್ ಕೋಡ್ಗೆ ಭಾಷಾಂತರಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಎಐ ಜೊತೆ ಲೆಕ್ಕಾಚಾರಗಳು
- ರೆಫರೆನ್ಸ್ ಸಿಗ್ನಲ್, ಯೂನಿಟ್ ಕಂಟ್ರೋಲ್ ಮತ್ತು ಮಾಪನದೊಂದಿಗೆ AI ಉತ್ಪಾದಿಸಿದ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯು ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಮತ್ತು ಸಂವಹನ ಎಂಜಿನಿಯರಿಂಗ್ನ ಹೃದಯವಾಗಿದೆ: ವೋಲ್ಟೇಜ್ ತರಂಗ, ಧ್ವನಿ ರೆಕಾರ್ಡಿಂಗ್, ಸಂವೇದಕ ಓದುವಿಕೆ ಅಥವಾ ರೇಡಿಯೊ ಸಿಗ್ನಲ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮತ್ತು ಅದರೊಳಗಿನ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವ, ಅದರ ಶಬ್ದವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಮತ್ತು ಅದನ್ನು ಪರಿವರ್ತಿಸುವ ಕಲೆ. ಈ ಘಟಕದಲ್ಲಿ, ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಕಲಿಯಲು, ಫಿಲ್ಟರ್ ಮತ್ತು ರೂಪಾಂತರ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಪೈಥಾನ್ ಕೋಡ್ನೊಂದಿಗೆ ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂದು ನೀವು ನೋಡುತ್ತೀರಿ. ಆದರೆ ಮೊದಲಿನಿಂದಲೂ ಒಂದು ಎಚ್ಚರಿಕೆ: ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯಲ್ಲಿನ ಸಣ್ಣ ಪರಿಕಲ್ಪನಾ ದೋಷ (ತಪ್ಪು ಮಾದರಿ ಆವರ್ತನ, ಸ್ಕಿಪ್ಡ್ ವಿಂಡೋ, ಮಧ್ಯಪ್ರವೇಶಿಸುವ ಘಟಕ) ಫಲಿತಾಂಶವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಮತ್ತು ಮೌನವಾಗಿ ವಿರೂಪಗೊಳಿಸುತ್ತದೆ; ಗ್ರಾಫ್ ಇನ್ನೂ ಚೆನ್ನಾಗಿ ಕಾಣುತ್ತದೆ, ಆದರೆ ಅದು ತಪ್ಪಾಗಿದೆ. ಅದಕ್ಕಾಗಿಯೇ ತಿಳಿದಿರುವ ಉಲ್ಲೇಖ ಸಿಗ್ನಲ್ ಮತ್ತು ಘಟಕ ನಿಯಂತ್ರಣದ ವಿರುದ್ಧ AI ಉತ್ಪಾದಿಸುವ ಪ್ರತಿಯೊಂದು ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ.
ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಮತ್ತು ನೈಕ್ವಿಸ್ಟ್: ಅದು ಎಲ್ಲಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ
ಕಂಪ್ಯೂಟರ್ನಲ್ಲಿ ಅನಲಾಗ್ ಸಿಗ್ನಲ್ (ನಿರಂತರ ತರಂಗ) ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ನಾವು ಅದನ್ನು ಕೆಲವು ಮಧ್ಯಂತರಗಳಲ್ಲಿ ಅಳೆಯುತ್ತೇವೆ ಮತ್ತು ಅದನ್ನು ಸಂಖ್ಯೆಗೆ ಪರಿವರ್ತಿಸುತ್ತೇವೆ; ಇದನ್ನು ಮಾದರಿ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇದು ಮಾದರಿ ಆವರ್ತನ (fs, ಘಟಕ Hz) ನಾವು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಎಷ್ಟು ಮಾದರಿಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ನೈಕ್ವಿಸ್ಟ್ ಮಾನದಂಡವು ಸಂಕೇತವನ್ನು ನಿಖರವಾಗಿ ಮರುಪಡೆಯಲು, ಮಾದರಿ ಆವರ್ತನವು ಸಿಗ್ನಲ್ನಲ್ಲಿನ ಅತ್ಯಧಿಕ ಆವರ್ತನಕ್ಕಿಂತ ಕನಿಷ್ಠ ಎರಡು ಪಟ್ಟು ಇರಬೇಕು ಎಂದು ಹೇಳುತ್ತದೆ. ಈ ಸ್ಥಿತಿಯನ್ನು ಪೂರೈಸದಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಆವರ್ತನಗಳು ಕಡಿಮೆ ಆವರ್ತನಗಳಂತೆ ಕಾಣಲು ಪ್ರಾರಂಭಿಸುತ್ತವೆ; ಇದನ್ನು ಅಲಿಯಾಸಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಶಾಶ್ವತವಾಗಿ ದೋಷಪೂರಿತವಾಗಿದೆ ಏಕೆಂದರೆ ನೀವು ಈ ಎರಡು ಸಂದರ್ಭಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
AI ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಚೆನ್ನಾಗಿ ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಅದನ್ನು ಪ್ರದರ್ಶಿಸಬಹುದು. ಆದರೆ ನಿಮ್ಮ ಮಾದರಿ ಆವರ್ತನವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ ನೀವು ನಿರ್ಧರಿಸುತ್ತೀರಿ: ನಿಮ್ಮ ಸಿಗ್ನಲ್ನ ನಿಜವಾದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಯಾವುದು, ನೀವು ಆಂಟಿ-ಅಲಿಯಾಸಿಂಗ್ ಅನಲಾಗ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಹೊಂದಿದ್ದೀರಾ, ನಿಮ್ಮ ADC (ಅನಲಾಗ್-ಡಿಜಿಟಲ್ ಪರಿವರ್ತಕ: ಅನಲಾಗ್ ಸಿಗ್ನಲ್ ಅನ್ನು ಸಂಖ್ಯೆಗೆ ಪರಿವರ್ತಿಸುವ ಚಿಪ್) ಯಾವ ವೇಗದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. AI ಮಾದರಿ ಆವರ್ತನವನ್ನು "ಸಲಹೆ" ಮಾಡಬಹುದು, ಆದರೆ ಈ ಸಲಹೆಯು ನಿಮ್ಮ ಸಿಗ್ನಲ್ನ ನಿಜವಾದ ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಅಳೆಯದೆ ಒಂದು ಊಹೆಯಾಗಿದೆ.
ಸಲಹೆ: AI ಗೆ ಮಾದರಿ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವಾಗ, ನಿಮ್ಮ ಸಿಗ್ನಲ್ನ ಹೆಚ್ಚಿನ ಆವರ್ತನ ಮತ್ತು ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅನ್ನು ನೀವೇ ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. "ನನ್ನ ಸಿಗ್ನಲ್ನ ಅತ್ಯುನ್ನತ ಅಂಶವು ~4 kHz ಆಗಿದ್ದರೆ, ನಾನು fs ಅನ್ನು ಹೇಗೆ ಆರಿಸಬೇಕು ಮತ್ತು ನಾನು ವಿರೋಧಿ ಅಲಿಯಾಸಿಂಗ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಎಲ್ಲಿ ಹಾಕಬೇಕು?" ಇಷ್ಟ. AI ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಊಹಿಸುವಂತೆ ಮಾಡಬೇಡಿ; ಅಳತೆ.
FFT ಮತ್ತು ಆವರ್ತನ ವಿಶ್ಲೇಷಣೆ
FFT (ಫಾಸ್ಟ್ ಫೋರಿಯರ್ ಟ್ರಾನ್ಸ್ಫಾರ್ಮ್) ವೇಗದ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಅದು ಸಮಯದ ಅಕ್ಷದಿಂದ ಆವರ್ತನ ಅಕ್ಷಕ್ಕೆ ಸಂಕೇತವನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ "ಈ ಸಿಗ್ನಲ್ನಲ್ಲಿ ಯಾವ ಆವರ್ತನಗಳು ಮತ್ತು ಎಷ್ಟು ಶಕ್ತಿಯೊಂದಿಗೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಎಫ್ಎಫ್ಟಿಯನ್ನು ಹೇಗೆ ಕಾರ್ಯಗತಗೊಳಿಸುವುದು, ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವುದು ಮತ್ತು ಪೈಥಾನ್ ಕೋಡ್ (ನಂಪಿ/ಸ್ಕಿಪಿ) ಬರೆಯುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು AI ಚೆನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ಆದರೆ ಎಫ್ಎಫ್ಟಿಯಲ್ಲಿ ಸಾಮಾನ್ಯ ದೋಷಗಳಿವೆ, ಮತ್ತು ಎಐ ಕೋಡ್ ಮೌನವಾಗಿ ಅವುಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:
- ಆವರ್ತನ ಅಕ್ಷದ ಸ್ಕೇಲಿಂಗ್: FFT ಔಟ್ಪುಟ್ನ ಆವರ್ತನ ಅಕ್ಷವು ಮಾದರಿ ಆವರ್ತನವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. fs ಅನ್ನು ತಪ್ಪಾಗಿ ನಮೂದಿಸಿದರೆ, ಎಲ್ಲಾ ಆವರ್ತನಗಳು ತಪ್ಪಾಗಿ ಔಟ್ಪುಟ್ ಆಗುತ್ತವೆ, ಆದರೆ ಗ್ರಾಫ್ ಸಾಮಾನ್ಯವಾಗಿ ಕಂಡುಬರುತ್ತದೆ.
- ವಿಂಡೋವಿಂಗ್: ಸಿಗ್ನಲ್ನ ಒಂದು ಸೀಮಿತ ತುಣುಕು ಸ್ವೀಕರಿಸಿದಾಗ, ಅಂಚುಗಳಲ್ಲಿ ಸ್ಥಗಿತವು ಸಂಭವಿಸುತ್ತದೆ ಮತ್ತು ಸ್ಪೆಕ್ಟ್ರಮ್ನಲ್ಲಿ ಹುಸಿ-ಹರಡುವಿಕೆ (ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆ) ಕಂಡುಬರುತ್ತದೆ. ಹ್ಯಾನ್ ಮತ್ತು ಹ್ಯಾಮಿಂಗ್ ನಂತಹ ವಿಂಡೋಸ್ ಇದನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. AI ಕೋಡ್ ವಿಂಡೋವನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಫಲಿತಾಂಶವು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ.
- ವೈಶಾಲ್ಯ ಸಾಮಾನ್ಯೀಕರಣ: ಎಫ್ಎಫ್ಟಿ ಔಟ್ಪುಟ್ನ ವೈಶಾಲ್ಯವನ್ನು ನಿಜವಾದ ಭೌತಿಕ ಮೌಲ್ಯಕ್ಕೆ ಪರಿವರ್ತಿಸಲು ಸ್ಕೇಲಿಂಗ್ ಮತ್ತು ವಿಂಡೋ ತಿದ್ದುಪಡಿ ಅಗತ್ಯವಿದೆ. ಬಿಟ್ಟುಬಿಟ್ಟರೆ, ಆಂಪ್ಲಿಟ್ಯೂಡ್ಗಳು ತಪ್ಪಾಗಿರುತ್ತವೆ.
ಫಿಲ್ಟರ್ ವಿನ್ಯಾಸ
ಫಿಲ್ಟರ್ ಎನ್ನುವುದು ಸರ್ಕ್ಯೂಟ್ ಅಥವಾ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಅದು ಸಿಗ್ನಲ್ನಿಂದ ಅನಗತ್ಯ ಆವರ್ತನಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ. ನಾಲ್ಕು ಮೂಲಭೂತ ವಿಧಗಳಿವೆ: ಕಡಿಮೆ-ಪಾಸ್ (ಕಡಿಮೆ ಆವರ್ತನಗಳನ್ನು ಹಾದುಹೋಗುತ್ತದೆ), ಹೈ-ಪಾಸ್, ಬ್ಯಾಂಡ್-ಪಾಸ್ ಮತ್ತು ಬ್ಯಾಂಡ್-ಪಾಸ್ (ನಾಚ್). ಡಿಜಿಟಲ್ ಫಿಲ್ಟರ್ಗಳ ಎರಡು ದೊಡ್ಡ ಕುಟುಂಬಗಳಿವೆ: FIR (ಸೀಮಿತ ಉದ್ವೇಗ ಪ್ರತಿಕ್ರಿಯೆ, ಸ್ಥಿರ ಮತ್ತು ರೇಖೀಯ ಹಂತ) ಮತ್ತು IIR (ಅನಂತ ಪ್ರಚೋದನೆಯ ಪ್ರತಿಕ್ರಿಯೆ, ಕಡಿಮೆ ಲೆಕ್ಕಾಚಾರದೊಂದಿಗೆ ಕಡಿದಾದ ಪರಿವರ್ತನೆ ಆದರೆ ಸ್ಥಿರತೆ ಮತ್ತು ಹಂತದ ಅಪಾಯ).
AI ಫಿಲ್ಟರ್ನ ವಿನ್ಯಾಸದ ಹಂತಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ (ಕಟ್ಆಫ್ ಫ್ರೀಕ್ವೆನ್ಸಿ, ಪಾಸ್ಬ್ಯಾಂಡ್, ಸ್ಟಾಪ್ಬ್ಯಾಂಡ್ ಅಟೆನ್ಯೂಯೇಶನ್, ಆರ್ಡರ್ ಆಯ್ಕೆ) ಮತ್ತು ಸ್ಕಿಪಿಯೊಂದಿಗೆ ಗುಣಾಂಕ ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ. ಆದರೆ ನೀವು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಫಿಲ್ಟರ್ನ ಕಟ್ಆಫ್ ಆವರ್ತನವನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆ (ನೈಕ್ವಿಸ್ಟ್ ಆವರ್ತನಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ), ಮತ್ತು ಇಲ್ಲಿ fs ಅನ್ನು ತಪ್ಪಾಗಿ ನಮೂದಿಸುವುದು ತುಂಬಾ ಸಾಮಾನ್ಯ ತಪ್ಪು. ಹೆಚ್ಚುವರಿಯಾಗಿ, IIR ಫಿಲ್ಟರ್ಗಳಲ್ಲಿ ಸ್ಥಿರತೆ ಮತ್ತು ಹಂತದ ಅಸ್ಪಷ್ಟತೆ ಸಮಸ್ಯೆಯಾಗಿರಬಹುದು ಮತ್ತು ನೈಜ-ಸಮಯದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಲೇಟೆನ್ಸಿ ಸಮಸ್ಯೆಯಾಗಿರಬಹುದು. ಆವರ್ತನ ಪ್ರತಿಕ್ರಿಯೆ ಗ್ರಾಫ್ ಮತ್ತು ತಿಳಿದಿರುವ ಪರೀಕ್ಷಾ ಸಂಕೇತದೊಂದಿಗೆ AI- ರಚಿತವಾದ ಫಿಲ್ಟರ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಮರೆಯದಿರಿ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಅತಿಕ್ರಮಿಸುವ ಕಂಪನ. ಒಬ್ಬ ಇಂಜಿನಿಯರ್ 1 kHz ನಲ್ಲಿ ಮೋಟಾರ್ನ ಕಂಪನವನ್ನು ಸ್ಯಾಂಪಲ್ ಮಾಡುತ್ತಾನೆ ಮತ್ತು FFT ನಲ್ಲಿ 300 Hz ನಲ್ಲಿ ಪ್ರಬಲವಾದ ಶಿಖರವನ್ನು ನೋಡುತ್ತಾನೆ. ಎಂಜಿನ್ ವಿನ್ಯಾಸಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ಈ ಶಿಖರವು ಗೊಂದಲಮಯವಾಗಿದೆ. ವಾಸ್ತವವಾಗಿ ಎಂಜಿನ್ನಲ್ಲಿ 1300 Hz ನ ನೈಜ ಅಂಶವಿದೆ; ಇದಕ್ಕಾಗಿ 1 kHz ಮಾದರಿಯು ಸಾಕಾಗುವುದಿಲ್ಲ (Nyquist 500 Hz) ಮತ್ತು 1300 Hz ಅತಿಕ್ರಮಿಸುವ 300 Hz. AI ನೊಂದಿಗೆ ಚರ್ಚಿಸಿದ ನಂತರ "ಈ ಶಿಖರವು ನೈಜವಾಗಿದೆಯೇ ಅಥವಾ ಅಲಿಯಾಸಿಂಗ್ ಆಗಿದೆಯೇ" ಮತ್ತು ಮಾದರಿ ಆವರ್ತನವನ್ನು 5 kHz ಗೆ ಹೆಚ್ಚಿಸಿದಾಗ, ಗರಿಷ್ಠವು 1300 Hz ನಲ್ಲಿ ಸರಿಯಾದ ಸ್ಥಳದಲ್ಲಿ ಗೋಚರಿಸುತ್ತದೆ. ಪಾಠ: ಪ್ರಶ್ನಾರ್ಹ ಬೆಟ್ಟದ ಮೇಲೆ, ಮೊದಲ ಪ್ರಶ್ನೆ ಮಾದರಿ ಸಮರ್ಪಕತೆ.
ಪ್ರಕರಣ 2 - ಸ್ಕಿಪ್ಡ್ ವಿಂಡೋ. ಒಬ್ಬ ಇಂಟರ್ನ್ AI ನಿಂದ FFT ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸುತ್ತಾನೆ ಮತ್ತು ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತಾನೆ. ಅವರು ಏಕ ಆವರ್ತನ ಪರೀಕ್ಷಾ ಧ್ವನಿಯನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತಾರೆ ಆದರೆ ಸ್ಪೆಕ್ಟ್ರಮ್ನಾದ್ಯಂತ ವ್ಯಾಪಕ ಹರಡುವಿಕೆಯನ್ನು ನೋಡುತ್ತಾರೆ. ಸಮಸ್ಯೆಯೆಂದರೆ ಕೋಡ್ ವಿಂಡೊಯಿಂಗ್ (ಸ್ಪೆಕ್ಟ್ರಲ್ ಲೀಕೇಜ್) ಮಾಡುವುದಿಲ್ಲ. AI ಗೆ "ಹಾನ್ ವಿಂಡೋವನ್ನು ಸೇರಿಸಿ ಮತ್ತು ವೈಶಾಲ್ಯ ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿ" ಎಂದು ಹೇಳಿ ಮತ್ತು ಔಟ್ಪುಟ್ ನಿರೀಕ್ಷಿತ ಚೂಪಾದ ಗರಿಷ್ಠಕ್ಕೆ ಮರಳುತ್ತದೆ. ಪಾಠ: ತಿಳಿದಿರುವ ಏಕ-ಆವರ್ತನ ಸಂಕೇತದೊಂದಿಗೆ FFT ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ; ಸೋರಿಕೆ ಇದ್ದರೆ ವಿಂಡೋವನ್ನು ಪರಿಶೀಲಿಸಿ.
ಪ್ರಕರಣ 3 - ತಪ್ಪು fs. ಒಬ್ಬ ಎಂಜಿನಿಯರ್ ರೆಕಾರ್ಡರ್ನಿಂದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತಾನೆ. ಸಾಧನವು 48 kHz ನಲ್ಲಿ ರೆಕಾರ್ಡ್ ಮಾಡಲ್ಪಟ್ಟಿದೆ, ಆದರೆ ಡೀಫಾಲ್ಟ್ 44.1 kHz ಅನ್ನು AI ಕೋಡ್ನಲ್ಲಿ ನಮೂದಿಸಲಾಗಿದೆ. ಎಲ್ಲಾ ಆವರ್ತನಗಳನ್ನು 8% ರಷ್ಟು ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ; 1000 Hz ಟೋನ್ 1088 Hz ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಅಳತೆ ಮಾಡುವ ಉಪಕರಣದ ನಿಜವಾದ ಎಫ್ಎಸ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವಾಗ ದೋಷ ಕಂಡುಬಂದಿದೆ. ಪಾಠ: ಮಾದರಿ ಆವರ್ತನವು ವಿಶ್ಲೇಷಣೆ ಸರಪಳಿಯಲ್ಲಿ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಸಂಖ್ಯೆಯಾಗಿದೆ; ಮೂಲದಿಂದ ಪರಿಶೀಲಿಸಬೇಕು.
ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್ಗಳು
FFT ಸೆಟಪ್ ಟೆಂಪ್ಲೇಟ್"ಪೈಥಾನ್ (numpy/scipy) ನಲ್ಲಿ FFT ವಿಶ್ಲೇಷಣಾ ಕೋಡ್ ಬರೆಯಿರಿ. ಇನ್ಪುಟ್: ಮಾದರಿ ಆವರ್ತನ fs=[value] Hz, ಸಿಗ್ನಲ್ ಸ್ಟ್ರಿಂಗ್ 'x'. ಕೋಡ್ ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಮಾಡಲಿ: (1) ಹ್ಯಾನ್ ವಿಂಡೋವನ್ನು ಅನ್ವಯಿಸಿ, (2) ಸ್ಕೇಲ್ ಎಫ್ಎಫ್ಟಿ, ಎಫ್ಎಫ್ಟಿ 4 ಅನ್ನು ಸ್ಕೇಲ್ಗೆ ಸಾಪೇಕ್ಷವಾಗಿ ಪಡೆಯಿರಿ axi ಕೋಡ್ನ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಏಕಪಕ್ಷೀಯ ವೈಶಾಲ್ಯ ಸ್ಪೆಕ್ಟ್ರಮ್ "ದಯವಿಟ್ಟು ನೀವು ಯಾವ ಊಹೆಯನ್ನು ಮಾಡುತ್ತಿದ್ದೀರಿ ಆದ್ದರಿಂದ ನಾನು ಅದನ್ನು ಪರಿಶೀಲಿಸಬಹುದು."
ಮಾದರಿ ನಿಯಂತ್ರಣ ಟೆಂಪ್ಲೇಟ್ "ನನ್ನ ಸಿಗ್ನಲ್ನ ಅತ್ಯಧಿಕ ಗಮನಾರ್ಹ ಆವರ್ತನವು ಸರಿಸುಮಾರು [X] Hz ಆಗಿದೆ. ಮಾದರಿ ಆವರ್ತನವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ Nyquist ಅಂಚು, ವಿರೋಧಿ ಅಲಿಯಾಸಿಂಗ್ ಫಿಲ್ಟರ್ನ ಅಗತ್ಯತೆ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಪ್ರಾಯೋಗಿಕ ಅಂಚು ವಿವರಿಸಿ. ಶ್ರೇಣಿಯನ್ನು ಸೂಚಿಸಿ ಆದರೆ ಸಿಗ್ನಲ್ನ ನಿಜವಾದ ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಅಳೆಯುವ ಮೂಲಕ ನಾನು ಇದನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ಒತ್ತಿಹೇಳಿ.
ಫಿಲ್ಟರ್ ವಿನ್ಯಾಸ ಟೆಂಪ್ಲೇಟ್ "ಸಿಪಿಯೊಂದಿಗೆ [ಕಡಿಮೆ/ಹೆಚ್ಚಿನ/ಬ್ಯಾಂಡ್] ಪಾಸ್ ಡಿಜಿಟಲ್ ಫಿಲ್ಟರ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. ಕಟ್ಆಫ್ ಆವರ್ತನ [X] Hz, ಮಾದರಿ ಆವರ್ತನ fs=[Y] Hz. FIR ಮತ್ತು IIR ಆಯ್ಕೆಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ (ಸ್ಥಿರತೆ, ಹಂತ, ವಿಳಂಬ, ಕಂಪ್ಯೂಟೇಶನಲ್ ಲೋಡ್) ಕೋಡ್ನಲ್ಲಿ ಎಫ್ಐಆರ್ ಆವರ್ತನವನ್ನು ಹೇಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಕೋಡ್ನಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸಿ.
ಫಲಿತಾಂಶದ ದೃಢೀಕರಣದ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಮೂಕ ದೋಷಗಳ ಮೂಲಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ: ತಪ್ಪು fs, ಸ್ಕಿಪ್ ಮಾಡಿದ ವಿಂಡೊಯಿಂಗ್, ಯುನಿಟ್ ಕ್ರಾಸ್ಸ್ಟಾಕ್ (Hz/kHz,V/mV), ಸಾಮಾನ್ಯೀಕರಣದ ಕೊರತೆ, ಸಿಂಗಲ್/ಡಬಲ್-ಸೈಡೆಡ್ ಸ್ಪೆಕ್ಟ್ರಮ್ ಕ್ರಾಸ್ಸ್ಟಾಕ್. ನಾನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ (ಪ್ರತಿಯೊಂದು ಉಲ್ಲೇಖ ಸಿಗ್ನಲ್ನೊಂದಿಗೆ.."
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಸಂಕೇತದ ಆವರ್ತನವನ್ನು ಹುಡುಕಿ."
ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ನಾನು 10 kHz ನ ಮಾದರಿ ಆವರ್ತನದೊಂದಿಗೆ ಸಿಗ್ನಲ್ ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿದ್ದೇನೆ. ಎಫ್ಎಫ್ಟಿಯೊಂದಿಗೆ ಪ್ರಬಲ ಆವರ್ತನ ಘಟಕಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ; ಹ್ಯಾನ್ ವಿಂಡೋ ಮತ್ತು ವೈಶಾಲ್ಯ ತಿದ್ದುಪಡಿಯನ್ನು ಬಳಸಿ, fs ಪ್ರಕಾರ ಆವರ್ತನ ಅಕ್ಷವನ್ನು ಅಳೆಯಿರಿ. ಕೋಡ್ನ ಕೊನೆಯಲ್ಲಿ, ಸಿಂಥೆಟಿಕ್ 1 ಸಿಗ್ನಲ್ನ ಸಿಗ್ನಲ್ ಅನ್ನು ಸರಿಯಾಗಿ ನೋಡುತ್ತಿದ್ದರೆ ಎಫ್ಎಫ್ಟಿ ಮತ್ತು ಸರಿಯಾದ ಸಿಗ್ನಲ್ನೊಂದಿಗೆ ದೃಢೀಕರಣದ ಬ್ಲಾಕ್ ಅನ್ನು ಸೇರಿಸಿ."
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ ಸಂದರ್ಭ-ಮುಕ್ತ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು fs ಅನ್ನು ಊಹಿಸುತ್ತದೆ; ಇದು ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ ಮತ್ತು ಸ್ವಯಂ-ಪರಿಶೀಲಿಸುವ ಪರೀಕ್ಷಾ ಬ್ಲಾಕ್ಗಾಗಿ ಅಪೇಕ್ಷಿಸುತ್ತದೆ.
ಸಿಗ್ನಲ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಘಟಕಗಳು ಮತ್ತು ಊಹೆಗಳ ಕೋಷ್ಟಕ
ಪರಿಕಲ್ಪನೆ
ಆಗಾಗ್ಗೆ ದೋಷ
ಪರಿಶೀಲನೆ
ಮಾದರಿ ಆವರ್ತನ (ಎಫ್ಎಸ್)
ಸಾಧನದ ನಿಜವಾದ FS ಬದಲಿಗೆ ಡೀಫಾಲ್ಟ್
ರೆಕಾರ್ಡರ್ ಸೆಟ್ಟಿಂಗ್ನಿಂದ ದೃಢೀಕರಣ
ಆವರ್ತನ ಅಕ್ಷ
fs ತಪ್ಪಾಗಿದ್ದರೆ ಸಂಪೂರ್ಣ ಅಕ್ಷವು ಬದಲಾಗುತ್ತದೆ
ತಿಳಿದಿರುವ ಆವರ್ತನ ಪರೀಕ್ಷಾ ಟೋನ್
ಕಿಟಕಿ
ಸ್ಕಿಪ್ ಮಾಡಿದಾಗ ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆ
ಮೊನೊಟೋನ್ ಸಿಗ್ನಲ್ನಲ್ಲಿ ಗರಿಷ್ಠ ಅಗಲ
ವೈಶಾಲ್ಯ
ಸಾಮಾನ್ಯೀಕರಣ/ತಿದ್ದುಪಡಿ ಕಾಣೆಯಾಗಿದೆ
ತಿಳಿದಿರುವ ವೈಶಾಲ್ಯ ಸಂಕೇತದೊಂದಿಗೆ ಹೋಲಿಕೆ
ಫಿಲ್ಟರ್ ಕಟ್
fs ಪ್ರಕಾರ ದೋಷವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸಿ
ಆವರ್ತನ ಪ್ರತಿಕ್ರಿಯೆ ಗ್ರಾಫ್
ಎಚ್ಚರಿಕೆ: FFT ಗ್ರಾಫ್ ನಯವಾದ ಮತ್ತು ನಂಬಲರ್ಹವಾಗಿ ಕಾಣುವುದರಿಂದ ಅದು ನಿಖರವಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ. ಆವರ್ತನ ಅಕ್ಷವನ್ನು ತಪ್ಪಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಿದರೆ, ಎಲ್ಲಾ ಶಿಖರಗಳು ತಪ್ಪಾದ ಸ್ಥಳದಲ್ಲಿವೆ ಆದರೆ ಗ್ರಾಫ್ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣುತ್ತದೆ. ತಿಳಿದಿರುವ ಉಲ್ಲೇಖದೊಂದಿಗೆ ಯಾವಾಗಲೂ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಮೂಲದಿಂದ ಮಾದರಿ ಆವರ್ತನವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ತಪ್ಪು fs ಎಲ್ಲಾ ಆವರ್ತನಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
- ನೈಕ್ವಿಸ್ಟ್ ಅನ್ನು ಉಲ್ಲಂಘಿಸುವುದು ಮತ್ತು ಅಲಿಯಾಸ್ ಅನ್ನು ಗಮನಿಸುವುದಿಲ್ಲ. ಅನುಮಾನಾಸ್ಪದ ಬೆಟ್ಟಗಳ ಮೇಲೆ, ಮೊದಲು ಮಾದರಿಯ ಸಮರ್ಪಕತೆಯನ್ನು ಪ್ರಶ್ನಿಸಿ.
- ಎಫ್ಎಫ್ಟಿಯಲ್ಲಿ ವಿಂಡೊಯಿಂಗ್ ಸ್ಕಿಪ್ ಮಾಡಲಾಗುತ್ತಿದೆ. ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆ ನಿಜವಾದ ಉತ್ತುಂಗದಂತೆ ಕಾಣುತ್ತದೆ.
- ವೈಶಾಲ್ಯ ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಮರೆತುಬಿಡುವುದು. ಆಂಪ್ಲಿಟ್ಯೂಡ್ಸ್ ಭೌತಿಕ ಮೌಲ್ಯಕ್ಕೆ ಅಳೆಯದೆ ಉಳಿಯುತ್ತದೆ.
- ಫಿಲ್ಟರ್ ಕಟ್ಆಫ್ ಆವರ್ತನವನ್ನು fs ಗೆ ತಪ್ಪಾಗಿ ಸಾಮಾನ್ಯಗೊಳಿಸುವುದು. ಫಿಲ್ಟರ್ ನಿರೀಕ್ಷೆಗಿಂತ ಬೇರೆ ಸ್ಥಳದಲ್ಲಿ ಕಡಿತಗೊಳ್ಳುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಈ ಘಟಕದಲ್ಲಿ, ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಕಲಿಯಲು, ಎಫ್ಎಫ್ಟಿ ಮತ್ತು ಫಿಲ್ಟರ್ ಕೋಡ್ ಬರೆಯಲು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ಮಿಸಲು ನೀವು AI ಅನ್ನು ಪ್ರಬಲ ಸಹಾಯಕವಾಗಿ ಇರಿಸಿದ್ದೀರಿ. ಆದರೆ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಮೌನವಾಗಿ ವಿರೂಪಗೊಳಿಸಬಹುದು: ತಪ್ಪು ಮಾದರಿ ಆವರ್ತನ, ಸ್ಕಿಪ್ ಮಾಡಿದ ವಿಂಡೋ, ಮಧ್ಯಪ್ರವೇಶಿಸುವ ಪರಿಮಾಣ ಅಥವಾ ಸಾಮಾನ್ಯೀಕರಣದ ಕೊರತೆಯು ಗ್ರಾಫ್ ಅನ್ನು ಸುಂದರವಾಗಿಸುತ್ತದೆ ಆದರೆ ನಿಖರವಾಗಿಲ್ಲ. ಆದ್ದರಿಂದ ತಿಳಿದಿರುವ ಉಲ್ಲೇಖ ಸಿಗ್ನಲ್ ವಿರುದ್ಧ AI ಉತ್ಪಾದಿಸುವ ಪ್ರತಿಯೊಂದು ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ, ಮೂಲದಿಂದ ಮಾದರಿ ಆವರ್ತನವನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಘಟಕ ಮತ್ತು ಭೌತಿಕ ಸಂಭಾವ್ಯತೆಗಾಗಿ ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸಿ. ಪ್ರತಿ ವಿಶ್ಲೇಷಣೆಯ ಆರಂಭದಲ್ಲಿ ನೈಕ್ವಿಸ್ಟ್ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ ಪರಿಕಲ್ಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಪೈಥಾನ್ನಲ್ಲಿ ಸಂಶ್ಲೇಷಿತ ಪರೀಕ್ಷಾ ಸಂಕೇತವನ್ನು ರಚಿಸಿ: ತಿಳಿದಿರುವ ಎರಡು ಆವರ್ತನಗಳ ಮೊತ್ತ (ಉದಾ. 1 kHz ಮತ್ತು 3 kHz), fs=10 kHz. "FFT ಸೆಟಪ್" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ AI ನಿಂದ ವಿಶ್ಲೇಷಣೆ ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸಿ ಮತ್ತು ಶಿಖರಗಳು ಸರಿಯಾದ ಆವರ್ತನಗಳಲ್ಲಿ ಗೋಚರಿಸುತ್ತವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ. ನಂತರ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ fs ಅನ್ನು ತಪ್ಪಾಗಿ ನಮೂದಿಸಿ (ಉದಾ. 8 kHz) ಮತ್ತು ಶಿಖರಗಳು ಹೇಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ಅಂತಿಮವಾಗಿ, ವಿಂಡೋವನ್ನು ತೆಗೆದುಹಾಕಿ ಮತ್ತು ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆಯನ್ನು ನೋಡಿ. ಪ್ರತಿ ಪ್ರಯೋಗದ ಫಲಿತಾಂಶಗಳನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ರೆಕಾರ್ಡರ್ನ ನಿಜವಾದ ಸೆಟ್ಟಿಂಗ್ನಿಂದ ಮಾದರಿ ಆವರ್ತನವನ್ನು (fs) ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ನೈಕ್ವಿಸ್ಟ್ ಮಾನದಂಡವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ ಅಪಾಯವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
- ಎಫ್ಎಫ್ಟಿ ಕೋಡ್ನಲ್ಲಿ ವಿಂಡೊಯಿಂಗ್ ಮತ್ತು ಆಂಪ್ಲಿಟ್ಯೂಡ್ ತಿದ್ದುಪಡಿಯನ್ನು ಅಳವಡಿಸಲಾಗಿದೆಯೇ ಎಂದು ನಾನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ತಿಳಿದಿರುವ ಆವರ್ತನದ ಉಲ್ಲೇಖ ಸಂಕೇತದೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
- [ ] ಫಿಲ್ಟರ್ ಕಟ್ಆಫ್ ಆವರ್ತನವನ್ನು fs ಗೆ ಸರಿಯಾಗಿ ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆ ಎಂದು ನಾನು ದೃಶ್ಯ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೂಲಕ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಎಲ್ಲಾ ಘಟಕಗಳನ್ನು (Hz/kHz, V/mV) ಸ್ಥಿರಗೊಳಿಸಿದ್ದೇನೆ.