ਲਾਭ:
- AI ਸਹਾਇਤਾ ਨਾਲ ਨਮੂਨਾ, Nyquist ਅਤੇ aliasing ਸੰਕਲਪਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਬਣਾਉਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- FFT, ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਵਿੰਡੋਿੰਗ ਸਟੈਪਸ ਨੂੰ ਡਰਾਫਟ ਕੋਡ ਅਤੇ AI ਨਾਲ ਗਣਨਾਵਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਹਵਾਲਾ ਸਿਗਨਲ, ਯੂਨਿਟ ਨਿਯੰਤਰਣ ਅਤੇ ਮਾਪ ਦੇ ਨਾਲ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਅਤੇ ਸੰਚਾਰ ਇੰਜਨੀਅਰਿੰਗ ਦਾ ਦਿਲ ਹੈ: ਇੱਕ ਵੋਲਟੇਜ ਵੇਵ, ਇੱਕ ਧੁਨੀ ਰਿਕਾਰਡਿੰਗ, ਇੱਕ ਸੈਂਸਰ ਰੀਡਿੰਗ, ਜਾਂ ਇੱਕ ਰੇਡੀਓ ਸਿਗਨਲ ਅਤੇ ਇਸਦੇ ਅੰਦਰਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ, ਇਸਦੇ ਸ਼ੋਰ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਬਦਲਣ ਦੀ ਕਲਾ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖੋਗੇ ਕਿ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਸੰਕਲਪਾਂ ਨੂੰ ਸਿੱਖਣ, ਫਿਲਟਰ ਅਤੇ ਪਰਿਵਰਤਨ ਗਣਨਾਵਾਂ ਬਣਾਉਣ, ਅਤੇ ਪਾਈਥਨ ਕੋਡ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਪਰ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਇੱਕ ਚੇਤਾਵਨੀ: ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸੰਕਲਪਿਕ ਗਲਤੀ (ਗਲਤ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਛੱਡੀ ਗਈ ਵਿੰਡੋਿੰਗ, ਦਖਲ ਦੇਣ ਵਾਲੀ ਇਕਾਈ) ਨਤੀਜੇ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਤੇ ਚੁੱਪਚਾਪ ਵਿਗਾੜ ਦੇਵੇਗੀ; ਗ੍ਰਾਫ਼ ਅਜੇ ਵੀ ਚੰਗਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਇਹ ਗਲਤ ਹੈ. ਇਸ ਲਈ ਇਹ ਲਾਜ਼ਮੀ ਹੈ ਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਰ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਸੰਦਰਭ ਸੰਕੇਤ ਅਤੇ ਯੂਨਿਟ ਨਿਯੰਤਰਣ ਦੇ ਵਿਰੁੱਧ ਪਰਖਿਆ ਜਾਵੇ।
ਨਮੂਨਾ ਅਤੇ ਨਾਇਕਵਿਸਟ: ਜਿੱਥੇ ਇਹ ਸਭ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ
ਇੱਕ ਕੰਪਿਊਟਰ ਵਿੱਚ ਇੱਕ ਐਨਾਲਾਗ ਸਿਗਨਲ (ਲਗਾਤਾਰ ਤਰੰਗ) ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ, ਅਸੀਂ ਇਸਨੂੰ ਕੁਝ ਅੰਤਰਾਲਾਂ ਤੇ ਮਾਪਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸੰਖਿਆ ਵਿੱਚ ਬਦਲਦੇ ਹਾਂ; ਇਸ ਨੂੰ ਸੈਂਪਲਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ (fs, ਯੂਨਿਟ Hz) ਹੈ ਕਿ ਅਸੀਂ ਪ੍ਰਤੀ ਸਕਿੰਟ ਕਿੰਨੇ ਨਮੂਨੇ ਲੈਂਦੇ ਹਾਂ। Nyquist ਮਾਪਦੰਡ ਦੱਸਦਾ ਹੈ ਕਿ ਇੱਕ ਸਿਗਨਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਸਿਗਨਲ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਦੋ ਵਾਰ ਉੱਚੀ ਬਾਰੰਬਾਰਤਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜੇ ਇਹ ਸ਼ਰਤ ਪੂਰੀ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਉੱਚ ਫ੍ਰੀਕੁਐਂਸੀ ਘੱਟ ਫ੍ਰੀਕੁਐਂਸੀ ਵਰਗੀ ਦਿਖਾਈ ਦੇਣ ਲੱਗ ਪੈਂਦੀ ਹੈ; ਇਸ ਨੂੰ ਅਲਿਆਸਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਡੇਟਾ ਸਥਾਈ ਤੌਰ 'ਤੇ ਖਰਾਬ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਤੁਸੀਂ ਇਹਨਾਂ ਦੋ ਸਥਿਤੀਆਂ ਵਿੱਚ ਫਰਕ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ।
AI ਇਸ ਸੰਕਲਪ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਾਉਂਦਾ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਉਦਾਹਰਣਾਂ ਦੇ ਨਾਲ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਤੁਸੀਂ ਆਪਣੇ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ ਫੈਸਲਾ ਕਰਦੇ ਹੋ: ਤੁਹਾਡੇ ਸਿਗਨਲ ਦੀ ਅਸਲ ਬੈਂਡਵਿਡਥ ਕੀ ਹੈ, ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਐਂਟੀ-ਅਲਾਈਜ਼ਿੰਗ ਐਨਾਲਾਗ ਫਿਲਟਰ ਹੈ, ਤੁਹਾਡੀ ADC (ਐਨਾਲਾਗ-ਡਿਜੀਟਲ ਕਨਵਰਟਰ: ਚਿਪ ਜੋ ਐਨਾਲਾਗ ਸਿਗਨਲ ਨੂੰ ਨੰਬਰ ਵਿੱਚ ਬਦਲਦੀ ਹੈ) ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ। AI ਇੱਕ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦਾ "ਸੁਝਾਅ" ਦੇ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਸੁਝਾਅ ਤੁਹਾਡੇ ਸਿਗਨਲ ਦੇ ਅਸਲ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਮਾਪਣ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਅਨੁਮਾਨ ਹੈ।
ਸੰਕੇਤ: ਜਦੋਂ AI ਨੂੰ ਇੱਕ ਨਮੂਨਾ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਸਿਗਨਲ ਦੀ ਉੱਚਤਮ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਬੈਂਡਵਿਡਥ ਖੁਦ ਦੱਸੋ। "ਜੇਕਰ ਮੇਰੇ ਸਿਗਨਲ ਦਾ ਸਭ ਤੋਂ ਉੱਚਾ ਹਿੱਸਾ ~4 kHz ਹੈ, ਤਾਂ ਮੈਨੂੰ fs ਕਿਵੇਂ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਮੈਨੂੰ ਐਂਟੀ-ਅਲਾਈਜ਼ਿੰਗ ਫਿਲਟਰ ਕਿੱਥੇ ਲਗਾਉਣਾ ਚਾਹੀਦਾ ਹੈ?" ਪਸੰਦ AI ਨੂੰ ਸਪੈਕਟ੍ਰਮ ਦਾ ਅੰਦਾਜ਼ਾ ਨਾ ਲਗਾਓ; ਮਾਪ
FFT ਅਤੇ ਬਾਰੰਬਾਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ
FFT (ਫਾਸਟ ਫੁਰੀਅਰ ਟ੍ਰਾਂਸਫਾਰਮ) ਇੱਕ ਤੇਜ਼ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇੱਕ ਸਿਗਨਲ ਨੂੰ ਸਮੇਂ ਦੇ ਧੁਰੇ ਤੋਂ ਬਾਰੰਬਾਰਤਾ ਧੁਰੇ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਇਸ ਲਈ "ਇਸ ਸਿਗਨਲ ਵਿੱਚ ਕਿਹੜੀਆਂ ਬਾਰੰਬਾਰਤਾਵਾਂ ਹਨ ਅਤੇ ਕਿੰਨੀ ਸ਼ਕਤੀ ਨਾਲ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। AI ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਰਦਾ ਹੈ ਕਿ FFT ਨੂੰ ਕਿਵੇਂ ਲਾਗੂ ਕਰਨਾ ਹੈ, ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ ਹੈ, ਅਤੇ Python ਕੋਡ (numpy/scipy) ਲਿਖਣਾ ਹੈ। ਪਰ FFT ਵਿੱਚ ਆਮ ਗਲਤੀਆਂ ਹਨ, ਅਤੇ AI ਕੋਡ ਉਹਨਾਂ ਨੂੰ ਚੁੱਪਚਾਪ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹੈ:
- ਬਾਰੰਬਾਰਤਾ ਧੁਰੀ ਸਕੇਲਿੰਗ: FFT ਆਉਟਪੁੱਟ ਦੀ ਬਾਰੰਬਾਰਤਾ ਧੁਰੀ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਜੇਕਰ fs ਗਲਤ ਦਰਜ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਸਾਰੀਆਂ ਫ੍ਰੀਕੁਐਂਸੀਜ਼ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਆਉਟਪੁੱਟ ਹੁੰਦੀਆਂ ਹਨ, ਪਰ ਗ੍ਰਾਫ ਆਮ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
- ਵਿੰਡੋਿੰਗ: ਜਦੋਂ ਸਿਗਨਲ ਦਾ ਇੱਕ ਸੀਮਿਤ ਟੁਕੜਾ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਕਿਨਾਰਿਆਂ 'ਤੇ ਵਿਘਨ ਪੈਂਦਾ ਹੈ ਅਤੇ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਸੂਡੋ-ਸਪ੍ਰੈਡਿੰਗ (ਸਪੈਕਟਰਲ ਲੀਕੇਜ) ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਹੈਨ ਅਤੇ ਹੈਮਿੰਗ ਵਰਗੀਆਂ ਵਿੰਡੋਜ਼ ਇਸ ਨੂੰ ਘਟਾਉਂਦੀਆਂ ਹਨ। ਜੇਕਰ AI ਕੋਡ ਵਿੰਡੋਿੰਗ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋਵੇਗਾ।
- ਐਪਲੀਟਿਊਡ ਸਧਾਰਣਕਰਨ: FFT ਆਉਟਪੁੱਟ ਦੇ ਐਪਲੀਟਿਊਡ ਨੂੰ ਅਸਲ ਭੌਤਿਕ ਮੁੱਲ ਵਿੱਚ ਬਦਲਣ ਲਈ ਸਕੇਲਿੰਗ ਅਤੇ ਵਿੰਡੋ ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਛੱਡਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਐਪਲੀਟਿਊਡਜ਼ ਗਲਤ ਹੋਣਗੇ।
ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ
ਇੱਕ ਫਿਲਟਰ ਇੱਕ ਸਰਕਟ ਜਾਂ ਐਲਗੋਰਿਦਮ ਹੁੰਦਾ ਹੈ ਜੋ ਇੱਕ ਸਿਗਨਲ ਤੋਂ ਅਣਚਾਹੇ ਫ੍ਰੀਕੁਐਂਸੀ ਕੱਢਦਾ ਹੈ। ਚਾਰ ਬੁਨਿਆਦੀ ਕਿਸਮਾਂ ਹਨ: ਲੋਅ-ਪਾਸ (ਘੱਟ ਬਾਰੰਬਾਰਤਾਵਾਂ ਨੂੰ ਪਾਸ ਕਰਦਾ ਹੈ), ਉੱਚ-ਪਾਸ, ਬੈਂਡ-ਪਾਸ, ਅਤੇ ਬੈਂਡ-ਪਾਸ (ਨੌਚ)। ਡਿਜੀਟਲ ਫਿਲਟਰਾਂ ਦੇ ਦੋ ਵੱਡੇ ਪਰਿਵਾਰ ਹਨ: ਐਫਆਈਆਰ (ਸੀਮਤ ਆਵੇਗ ਪ੍ਰਤੀਕਿਰਿਆ, ਸਥਿਰ ਅਤੇ ਰੇਖਿਕ ਪੜਾਅ) ਅਤੇ ਆਈਆਈਆਰ (ਅਨੰਤ ਆਵੇਗ ਪ੍ਰਤੀਕਿਰਿਆ, ਘੱਟ ਗਣਨਾ ਦੇ ਨਾਲ ਖੜ੍ਹੀ ਤਬਦੀਲੀ ਪਰ ਸਥਿਰਤਾ ਅਤੇ ਪੜਾਅ ਜੋਖਮ)।
AI ਇੱਕ ਫਿਲਟਰ (ਕਟਆਫ ਬਾਰੰਬਾਰਤਾ, ਪਾਸਬੈਂਡ, ਸਟਾਪਬੈਂਡ ਅਟੈਨਯੂਏਸ਼ਨ, ਆਰਡਰ ਸਿਲੈਕਸ਼ਨ) ਦੇ ਡਿਜ਼ਾਈਨ ਕਦਮਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਸਕਾਈਪੀ ਦੇ ਨਾਲ ਗੁਣਾਂਕ ਬਣਾਉਣ ਵਾਲਾ ਕੋਡ ਲਿਖਦਾ ਹੈ। ਪਰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਡਿਜ਼ਾਇਨ ਕੀਤੇ ਗਏ ਫਿਲਟਰ ਦੀ ਕੱਟਆਫ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਸਧਾਰਣ (Nyquist ਫ੍ਰੀਕੁਐਂਸੀ ਦੇ ਅਨੁਸਾਰੀ) ਦਿੱਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਇੱਥੇ fs ਗਲਤ ਦਰਜ ਕਰਨਾ ਇੱਕ ਬਹੁਤ ਹੀ ਆਮ ਗਲਤੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, IIR ਫਿਲਟਰਾਂ ਵਿੱਚ ਸਥਿਰਤਾ ਅਤੇ ਪੜਾਅ ਵਿਗਾੜ ਇੱਕ ਸਮੱਸਿਆ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਸਿਸਟਮ ਵਿੱਚ ਲੇਟੈਂਸੀ ਇੱਕ ਸਮੱਸਿਆ ਹੋ ਸਕਦੀ ਹੈ। ਬਾਰੰਬਾਰਤਾ ਜਵਾਬ ਗ੍ਰਾਫ ਅਤੇ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਟੈਸਟ ਸਿਗਨਲ ਦੇ ਨਾਲ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਫਿਲਟਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਓਵਰਲੈਪਿੰਗ ਵਾਈਬ੍ਰੇਸ਼ਨ। ਇੱਕ ਇੰਜੀਨੀਅਰ 1 kHz 'ਤੇ ਇੱਕ ਮੋਟਰ ਦੀ ਵਾਈਬ੍ਰੇਸ਼ਨ ਦਾ ਨਮੂਨਾ ਲੈਂਦਾ ਹੈ ਅਤੇ FFT ਵਿੱਚ 300 Hz 'ਤੇ ਇੱਕ ਮਜ਼ਬੂਤ ਸਿਖਰ ਦੇਖਦਾ ਹੈ। ਇੰਜਣ ਦੇ ਡਿਜ਼ਾਈਨ ਨਾਲ ਮੇਲ ਨਾ ਖਾਂਦੀ ਇਹ ਚੋਟੀ ਭੰਬਲਭੂਸੇ ਵਾਲੀ ਹੈ। 1300 Hz ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੰਜਣ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਇੱਕ ਅਸਲੀ ਭਾਗ ਹੈ; 1 kHz ਸੈਂਪਲਿੰਗ ਇਸ ਲਈ ਨਾਕਾਫ਼ੀ ਹੈ (Nyquist 500 Hz) ਅਤੇ 1300 Hz ਓਵਰਲੈਪ 300 Hz। AI ਨਾਲ ਚਰਚਾ ਕਰਨ ਤੋਂ ਬਾਅਦ "ਕੀ ਇਹ ਪੀਕ ਅਸਲੀ ਹੈ ਜਾਂ ਅਲਿਆਸਿੰਗ" ਅਤੇ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ ਨੂੰ 5 kHz ਤੱਕ ਵਧਾਉਣ ਤੋਂ ਬਾਅਦ, ਸਿਖਰ 1300 Hz 'ਤੇ ਸਹੀ ਥਾਂ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਪਾਠ: ਇੱਕ ਪ੍ਰਸ਼ਨਾਤਮਕ ਪਹਾੜੀ 'ਤੇ, ਪਹਿਲਾ ਪ੍ਰਸ਼ਨ ਨਮੂਨਾ ਲੈਣ ਦੀ ਯੋਗਤਾ।
ਕੇਸ 2 - ਛੱਡੀ ਗਈ ਵਿੰਡੋ। ਇੱਕ ਇੰਟਰਨ AI ਤੋਂ ਇੱਕ FFT ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਉਹ ਇੱਕ ਸਿੰਗਲ ਬਾਰੰਬਾਰਤਾ ਟੈਸਟ ਟੋਨ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ ਪਰ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਇੱਕ ਵਿਆਪਕ ਫੈਲਾਅ ਦੇਖਦਾ ਹੈ। ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਕੋਡ ਵਿੰਡੋਿੰਗ (ਸਪੈਕਟਰਲ ਲੀਕੇਜ) ਨਹੀਂ ਕਰਦਾ ਹੈ। ਏਆਈ ਨੂੰ ਦੱਸੋ "ਹੈਨ ਵਿੰਡੋ ਨੂੰ ਜੋੜੋ ਅਤੇ ਐਪਲੀਟਿਊਡ ਸੁਧਾਰ ਲਾਗੂ ਕਰੋ" ਅਤੇ ਆਉਟਪੁੱਟ ਉਮੀਦ ਕੀਤੀ ਤਿੱਖੀ ਸਿਖਰ 'ਤੇ ਵਾਪਸ ਆ ਜਾਂਦੀ ਹੈ। ਪਾਠ: ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਸਿੰਗਲ-ਫ੍ਰੀਕੁਐਂਸੀ ਸਿਗਨਲ ਨਾਲ FFT ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ; ਵਿੰਡੋ ਦੀ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਕੋਈ ਲੀਕ ਹੈ।
ਕੇਸ 3 — ਗਲਤ fs. ਇੱਕ ਇੰਜੀਨੀਅਰ ਰਿਕਾਰਡਰ ਤੋਂ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਡਿਵਾਈਸ 48 kHz 'ਤੇ ਰਿਕਾਰਡ ਕੀਤੀ ਗਈ, ਪਰ AI ਕੋਡ ਵਿੱਚ ਡਿਫੌਲਟ 44.1 kHz ਦਰਜ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਾਰੀਆਂ ਬਾਰੰਬਾਰਤਾਵਾਂ ਨੂੰ 8% ਦੁਆਰਾ ਸ਼ਿਫਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਇੱਕ 1000 Hz ਟੋਨ 1088 Hz 'ਤੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਮਾਪਣ ਵਾਲੇ ਯੰਤਰਾਂ ਦੇ ਅਸਲ fs ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ ਗਲਤੀ ਪਾਈ ਜਾਂਦੀ ਹੈ। ਪਾਠ: ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲੜੀ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਨੰਬਰ ਹੈ; ਸਰੋਤ ਤੋਂ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
FFT ਸੈੱਟਅੱਪ ਟੈਮਪਲੇਟ"ਪਾਈਥਨ (numpy/scipy) ਵਿੱਚ ਇੱਕ FFT ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਲਿਖੋ। ਇਨਪੁਟ: ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ fs=[value] Hz, ਸਿਗਨਲ ਸਟ੍ਰਿੰਗ 'x'। ਕੋਡ ਨੂੰ ਹੇਠ ਲਿਖੇ ਕੰਮ ਕਰਨ ਦਿਓ: (1) ਹੈਨ ਵਿੰਡੋ ਨੂੰ ਲਾਗੂ ਕਰੋ, (2) FFT ਪ੍ਰਾਪਤ ਕਰੋ, (3) ਇੱਕ ਫ੍ਰੀਕੁਐਂਸੀ ਨੂੰ p-4 ਸਕੇਲ 'ਤੇ ਸਟੀਕ ਤੌਰ 'ਤੇ f-4 ਸਕੇਲ ਕਰੋ। ਵਿੰਡੋ ਸੁਧਾਰ ਦੇ ਨਾਲ ਐਪਲੀਟਿਊਡ ਸਪੈਕਟ੍ਰਮ ਕੋਡ ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ "ਕਿਰਪਾ ਕਰਕੇ ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜੀ ਧਾਰਨਾ ਬਣਾ ਰਹੇ ਹੋ ਤਾਂ ਜੋ ਮੈਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਾਂ।"
ਨਮੂਨਾ ਨਿਯੰਤਰਣ ਟੈਂਪਲੇਟ "ਮੇਰੇ ਸਿਗਨਲ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਬਾਰੰਬਾਰਤਾ ਲਗਭਗ [X] Hz ਹੈ। ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ Nyquist ਮਾਰਜਿਨ, ਐਂਟੀ-ਅਲਾਈਜ਼ਿੰਗ ਫਿਲਟਰ ਦੀ ਲੋੜ, ਅਤੇ ਸੁਰੱਖਿਆ ਦੇ ਵਿਹਾਰਕ ਹਾਸ਼ੀਏ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਇੱਕ ਰੇਂਜ ਦਾ ਸੁਝਾਅ ਦਿਓ ਪਰ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਮੈਨੂੰ ਸਿਗਨਲ ਦੇ ਅਸਲ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਮਾਪ ਕੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।"
ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ ਟੈਮਪਲੇਟ "ਸਕੀਪੀ ਨਾਲ ਇੱਕ [ਲੋਅ/ਹਾਈ/ਬੈਂਡ] ਪਾਸ ਡਿਜੀਟਲ ਫਿਲਟਰ ਡਿਜ਼ਾਇਨ ਕਰੋ। ਕੱਟਆਫ ਬਾਰੰਬਾਰਤਾ [X] Hz, ਸੈਂਪਲਿੰਗ ਬਾਰੰਬਾਰਤਾ fs=[Y] Hz। FIR ਅਤੇ IIR ਵਿਕਲਪਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ (ਸਥਿਰਤਾ, ਪੜਾਅ, ਦੇਰੀ, ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋਡ)। ਕੋਡ ਵਿੱਚ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਇਹ ਵੀ ਦਿਖਾਓ ਕਿ ਕਟਆਫ ਫ੍ਰੀਕੁਐਂਸੀ ਦੇ ਨਾਲ ਕਟਆਫ ਕੋਡ ਨੂੰ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ। ਬਾਰੰਬਾਰਤਾ ਜਵਾਬ ਗ੍ਰਾਫ."
ਨਤੀਜਾ ਪ੍ਰਮਾਣਿਕਤਾ ਟੈਮਪਲੇਟ "ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਮੂਕ ਤਰੁੱਟੀਆਂ ਦੇ ਫਲੈਗ ਸਰੋਤ: ਗਲਤ fs, ਛੱਡੀ ਵਿੰਡੋਿੰਗ, ਯੂਨਿਟ ਕ੍ਰਾਸਸਟਾਲ (Hz/kHz, V/mV), ਸਧਾਰਣਕਰਨ ਦੀ ਘਾਟ, ਸਿੰਗਲ/ਡਬਲ-ਸਾਈਡ ਸਪੈਕਟ੍ਰਮ ਕ੍ਰਾਸਸਟਾਲ। ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਨੂੰ ਕਿਵੇਂ ਟੈਸਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ (ਹਰੇਕ ਕੋਡ ਲਈ ਕਿਸ ਸੰਦਰਭ ਸੰਕੇਤ ਦੇ ਨਾਲ:."
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਸਿਗਨਲ ਦੀ ਬਾਰੰਬਾਰਤਾ ਲੱਭੋ।"
STRONG PROMPT: "ਮੇਰੇ ਕੋਲ 10 kHz ਦੀ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ ਵਾਲਾ ਇੱਕ ਸਿਗਨਲ ਐਰੇ ਹੈ। ਇੱਕ Python ਕੋਡ ਲਿਖੋ ਜੋ FFT ਨਾਲ ਪ੍ਰਮੁੱਖ ਬਾਰੰਬਾਰਤਾ ਵਾਲੇ ਹਿੱਸੇ ਲੱਭਦਾ ਹੈ; ਹੈਨ ਵਿੰਡੋ ਅਤੇ ਐਪਲੀਟਿਊਡ ਸੁਧਾਰ ਦੀ ਵਰਤੋਂ ਕਰੋ, fs ਦੇ ਅਨੁਸਾਰ ਬਾਰੰਬਾਰਤਾ ਧੁਰੇ ਨੂੰ ਸਕੇਲ ਕਰੋ। ਕੋਡ ਦੇ ਅੰਤ ਵਿੱਚ, ਇੱਕ ਪ੍ਰਮਾਣਿਕਤਾ ਬਲਾਕ ਜੋੜੋ ਅਤੇ ਜੇਕਰ f1 ਦਾ ਸੰਸ਼ੋਧਨ kHz ਟੈਸਟ ਸਹੀ ਹੈ ਤਾਂ ਜਾਂਚ ਕਰੋ।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ਇੱਕ ਪ੍ਰਸੰਗ-ਮੁਕਤ ਜਵਾਬ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ fs ਮੰਨਦਾ ਹੈ; ਇਹ ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਪੈਰਾਮੀਟਰ ਵਾਪਸ ਕਰਦਾ ਹੈ ਅਤੇ ਸਵੈ-ਤਸਦੀਕ ਟੈਸਟ ਬਲਾਕ ਲਈ ਪ੍ਰੋਂਪਟ ਕਰਦਾ ਹੈ।
ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਇਕਾਈਆਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਸਾਰਣੀ
ਸੰਕਲਪ
ਅਕਸਰ ਗਲਤੀ
ਤਸਦੀਕ
ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ (fs)
ਡਿਵਾਈਸ ਦੇ ਅਸਲ FS ਦੀ ਬਜਾਏ ਡਿਫੌਲਟ
ਰਿਕਾਰਡਰ ਸੈਟਿੰਗ ਤੋਂ ਪੁਸ਼ਟੀ
ਬਾਰੰਬਾਰਤਾ ਧੁਰਾ
ਜੇਕਰ fs ਗਲਤ ਹੈ ਤਾਂ ਸਾਰਾ ਧੁਰਾ ਬਦਲ ਜਾਂਦਾ ਹੈ
ਜਾਣਿਆ-ਪਛਾਣਿਆ ਬਾਰੰਬਾਰਤਾ ਟੈਸਟ ਟੋਨ
ਵਿੰਡੋਿੰਗ
ਛੱਡਣ 'ਤੇ ਸਪੈਕਟ੍ਰਲ ਲੀਕ
ਮੋਨੋਟੋਨ ਸਿਗਨਲ ਵਿੱਚ ਪੀਕ ਚੌੜਾਈ
ਐਪਲੀਟਿਊਡ
ਸਧਾਰਣਕਰਨ/ਸੁਧਾਰ ਗੁੰਮ ਹੈ
ਜਾਣੇ-ਪਛਾਣੇ ਐਪਲੀਟਿਊਡ ਸਿਗਨਲ ਨਾਲ ਤੁਲਨਾ
ਫਿਲਟਰ ਕੱਟ
fs ਦੇ ਅਨੁਸਾਰ ਗਲਤੀ ਨੂੰ ਆਮ ਬਣਾਓ
ਬਾਰੰਬਾਰਤਾ ਜਵਾਬ ਗ੍ਰਾਫ
ਸਾਵਧਾਨ: ਕੇਵਲ ਇੱਕ FFT ਗ੍ਰਾਫ਼ ਨਿਰਵਿਘਨ ਅਤੇ ਵਿਸ਼ਵਾਸਯੋਗ ਦਿਖਣ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ। ਜੇਕਰ ਬਾਰੰਬਾਰਤਾ ਧੁਰੀ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਸਕੇਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਾਰੀਆਂ ਚੋਟੀਆਂ ਗਲਤ ਥਾਂ 'ਤੇ ਹੁੰਦੀਆਂ ਹਨ ਪਰ ਗ੍ਰਾਫ ਸੰਪੂਰਨ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਹਮੇਸ਼ਾਂ ਕਿਸੇ ਜਾਣੇ-ਪਛਾਣੇ ਹਵਾਲੇ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕਰੋ।
ਆਮ ਗਲਤੀਆਂ
- ਸਰੋਤ ਤੋਂ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਗਲਤ fs ਸਾਰੀਆਂ ਬਾਰੰਬਾਰਤਾਵਾਂ ਨੂੰ ਬਦਲਦਾ ਹੈ।
- Nyquist ਦੀ ਉਲੰਘਣਾ ਕਰਨਾ ਅਤੇ ਅਲਿਆਸਿੰਗ ਵੱਲ ਧਿਆਨ ਨਹੀਂ ਦੇਣਾ। ਸ਼ੱਕੀ ਪਹਾੜੀਆਂ 'ਤੇ, ਪਹਿਲਾਂ ਸੈਂਪਲਿੰਗ ਦੀ ਯੋਗਤਾ 'ਤੇ ਸਵਾਲ ਉਠਾਓ।
- FFT ਵਿੱਚ ਵਿੰਡੋਿੰਗ ਨੂੰ ਛੱਡਣਾ। ਸਪੈਕਟ੍ਰਲ ਲੀਕੇਜ ਇੱਕ ਅਸਲੀ ਸਿਖਰ ਵਰਗਾ ਲੱਗਦਾ ਹੈ.
- ਐਪਲੀਟਿਊਡ ਸਧਾਰਣਕਰਨ ਨੂੰ ਭੁੱਲਣਾ. ਐਂਪਲੀਟਿਊਡਸ ਭੌਤਿਕ ਮੁੱਲ ਤੋਂ ਬਿਨਾਂ ਸਕੇਲ ਕੀਤੇ ਰਹਿੰਦੇ ਹਨ।
- ਫਿਲਟਰ ਕੱਟਆਫ ਬਾਰੰਬਾਰਤਾ ਨੂੰ fs ਵਿੱਚ ਗਲਤ ਢੰਗ ਨਾਲ ਸਧਾਰਣ ਕਰਨਾ। ਫਿਲਟਰ ਉਮੀਦ ਨਾਲੋਂ ਵੱਖਰੀ ਥਾਂ 'ਤੇ ਕੱਟਦਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ AI ਨੂੰ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਸੰਕਲਪਾਂ ਨੂੰ ਸਿੱਖਣ, FFT ਅਤੇ ਫਿਲਟਰ ਕੋਡ ਲਿਖਣ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਬਣਾਉਣ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਵਜੋਂ ਰੱਖਿਆ ਹੈ। ਪਰ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ, ਨਤੀਜਿਆਂ ਨੂੰ ਚੁੱਪਚਾਪ ਵਿਗਾੜਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਗਲਤ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਛੱਡੀ ਵਿੰਡੋਿੰਗ, ਦਖਲਅੰਦਾਜ਼ੀ ਵਾਲੀਅਮ, ਜਾਂ ਸਧਾਰਣਕਰਨ ਦੀ ਘਾਟ ਗ੍ਰਾਫ ਨੂੰ ਸੁੰਦਰ ਪਰ ਗਲਤ ਬਣਾਉਂਦੀ ਹੈ। ਇਸ ਲਈ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਰੇਕ ਕੋਡ ਦੀ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਸੰਦਰਭ ਸਿਗਨਲ ਦੇ ਵਿਰੁੱਧ ਜਾਂਚ ਕਰੋ, ਸਰੋਤ ਤੋਂ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਅਤੇ ਯੂਨਿਟ ਅਤੇ ਭੌਤਿਕ ਪ੍ਰਸੰਨਤਾ ਲਈ ਹਰੇਕ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰੋ। ਹਰੇਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ Nyquist ਅਤੇ aliasing ਦੀ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਪਾਈਥਨ ਵਿੱਚ ਇੱਕ ਸਿੰਥੈਟਿਕ ਟੈਸਟ ਸਿਗਨਲ ਬਣਾਓ: ਦੋ ਜਾਣੀਆਂ ਗਈਆਂ ਬਾਰੰਬਾਰਤਾਵਾਂ ਦਾ ਜੋੜ (ਉਦਾਹਰਨ ਲਈ 1 kHz ਅਤੇ 3 kHz), fs = 10 kHz। "FFT ਸੈੱਟਅੱਪ" ਟੈਂਪਲੇਟ ਨਾਲ AI ਤੋਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਸਿਖਰਾਂ ਸਹੀ ਫ੍ਰੀਕੁਐਂਸੀ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਫਿਰ ਜਾਣਬੁੱਝ ਕੇ fs ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਦਾਖਲ ਕਰੋ (ਜਿਵੇਂ ਕਿ 8 kHz) ਅਤੇ ਵੇਖੋ ਕਿ ਸਿਖਰਾਂ ਕਿਵੇਂ ਬਦਲਦੀਆਂ ਹਨ। ਅੰਤ ਵਿੱਚ, ਵਿੰਡੋ ਨੂੰ ਹਟਾਓ ਅਤੇ ਸਪੈਕਟ੍ਰਲ ਲੀਕੇਜ ਦੇਖੋ। ਹਰੇਕ ਪ੍ਰਯੋਗ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਰਿਕਾਰਡਰ ਦੀ ਅਸਲ ਸੈਟਿੰਗ ਤੋਂ ਸੈਂਪਲਿੰਗ ਬਾਰੰਬਾਰਤਾ (fs) ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ Nyquist ਮਾਪਦੰਡ ਦੀ ਜਾਂਚ ਕੀਤੀ ਅਤੇ ਅਲਿਆਸਿੰਗ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਹੈ ਕਿ ਵਿੰਡੋਿੰਗ ਅਤੇ ਐਪਲੀਟਿਊਡ ਸੁਧਾਰ FFT ਕੋਡ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਹਨ।
- [ ] ਮੈਂ ਜਾਣੀ-ਪਛਾਣੀ ਬਾਰੰਬਾਰਤਾ ਦੇ ਸੰਦਰਭ ਸੰਕੇਤ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਵਿਜ਼ੂਅਲ ਜਵਾਬ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤਾ ਕਿ ਫਿਲਟਰ ਕਟੌਫ ਬਾਰੰਬਾਰਤਾ ਨੂੰ fs ਵਿੱਚ ਸਹੀ ਤਰ੍ਹਾਂ ਸਧਾਰਣ ਕੀਤਾ ਗਿਆ ਸੀ।
- [ ] ਮੈਂ ਸਾਰੀਆਂ ਇਕਾਈਆਂ (Hz/kHz, V/mV) ਨੂੰ ਇਕਸਾਰ ਬਣਾਇਆ ਹੈ।