Faida:
- Uwezo wa kuunda na kutumia kwa usahihi sampuli, Nyquist na dhana za kudanganya kwa msaada wa AI
- Uwezo wa kutafsiri FFT, muundo wa vichungi na hatua za kuweka madirisha kuwa rasimu ya nambari na mahesabu na AI
- Uwezo wa kuthibitisha matokeo ya usindikaji wa ishara zinazozalishwa na AI na ishara ya kumbukumbu, udhibiti wa kitengo na kipimo
Usindikaji wa ishara ni moyo wa uhandisi wa umeme na mawasiliano: sanaa ya kuchukua wimbi la voltage, rekodi ya sauti, usomaji wa sensor au ishara ya redio na kutoa taarifa ndani yake, kusafisha kelele yake, na kuibadilisha. Katika kitengo hiki, utaona jinsi ya kutumia AI kujifunza dhana za usindikaji wa ishara, kuunda hesabu za kichujio na mabadiliko, na kufanya uchanganuzi kwa msimbo wa Python. Lakini onyo kutoka mwanzo kabisa: hitilafu ndogo ya dhana katika usindikaji wa ishara (mzunguko usio sahihi wa sampuli, dirisha lililoruka, kitengo cha kuingilia kati) litapotosha kabisa na kimya matokeo; Grafu bado inaonekana nzuri, lakini sio sawa. Ndio maana ni muhimu kujaribu kila matokeo AI inayotoa dhidi ya ishara inayojulikana ya kumbukumbu na udhibiti wa kitengo.
Sampuli na Nyquist: ambapo yote huanza
Ili kusindika ishara ya analog (wimbi linaloendelea) kwenye kompyuta, tunapima kwa vipindi fulani na kuibadilisha kuwa nambari; Hii inaitwa sampuli. Ni masafa ya sampuli (fs, unit Hz) ni sampuli ngapi tunachukua kwa sekunde. Kigezo cha Nyquist kinasema ili kurejesha kwa usahihi ishara, mzunguko wa sampuli lazima uwe angalau mara mbili ya mzunguko wa juu zaidi wa ishara. Ikiwa hali hii haijafikiwa, masafa ya juu huanza kuonekana kama masafa ya chini; Hii inaitwa aliasing na data imeharibika kabisa kwa sababu huwezi kutofautisha kati ya hali hizi mbili.
AI inaelezea dhana hii vizuri sana na inaweza kuionyesha kwa mifano. Lakini unaamua wakati wa kuchagua mzunguko wako wa sampuli: ni kipimo gani cha data halisi cha ishara yako, je, una kichujio cha analogi cha kuzuia-aliasing, ni kasi gani ADC yako (Analog-Digital Converter: chip inayobadilisha ishara ya analog kuwa nambari) inafanya kazi kweli. AI inaweza "kupendekeza" mzunguko wa sampuli, lakini pendekezo hili ni nadhani bila kupima wigo halisi wa ishara yako.
Kidokezo: Unapouliza AI swali la sampuli, taja masafa ya juu zaidi na kipimo data cha ishara yako mwenyewe. "Ikiwa sehemu ya juu zaidi ya mawimbi yangu ni ~4 kHz, nifanyeje kuchagua fs na niweke wapi kichujio cha kuzuia aliasing?" kama. Usifanye AI kukisia wigo; kipimo.
FFT na uchambuzi wa mzunguko
FFT (Fast Fourier Transform) ni algoriti ya haraka inayobadilisha mawimbi kutoka kwa mhimili wa wakati hadi mhimili wa masafa. Kwa hivyo "ni masafa gani kwenye ishara hii na kwa nguvu ngapi?" anajibu swali. AI hufanya vizuri sana jinsi ya kutekeleza FFT, kutafsiri matokeo, na kuandika nambari ya Python (numpy/scipy). Lakini kuna makosa ya kawaida katika FFT, na nambari ya AI inaweza kujumuisha kimya kimya:
- Upimaji wa mhimili wa mara kwa mara: Mhimili wa mzunguko wa matokeo ya FFT unategemea mzunguko wa sampuli. Ikiwa fs imeingizwa vibaya, masafa yote hutolewa kwa njia isiyo sahihi, lakini grafu inaonekana ya kawaida.
- Windowing: Wakati kipande cha mwisho cha ishara kinapopokelewa, kutoendelea hutokea kwenye kingo na kuenea kwa pseudo (uvujaji wa spectral) huzingatiwa katika wigo. Windows kama Hann na Hamming hupunguza hii. Ikiwa nambari ya AI itaruka dirisha, matokeo yatakuwa ya kupotosha.
- Urekebishaji wa amplitude: Kuongeza na kurekebisha dirisha kunahitajika ili kubadilisha amplitude ya pato la FFT hadi thamani halisi ya kimwili. Ikiwa imeachwa, amplitudes itakuwa sahihi.
muundo wa chujio
Kichujio ni saketi au algoriti ambayo hutoa masafa yasiyotakikana kutoka kwa mawimbi. Kuna aina nne za msingi: pasi ya chini (inapita masafa ya chini), kupita kwa juu, kupita kwa bendi, na kupitisha bendi (notch). Kuna familia mbili kubwa za vichujio vya dijiti: FIR (mwitikio wa msukumo wa mwisho, awamu thabiti na ya mstari) na IIR (mwitikio usio na kikomo wa msukumo, mpito mkali na hesabu kidogo lakini utulivu na hatari ya awamu).
AI inafafanua hatua za muundo wa kichujio (masafa ya kukatika, bendi ya kupitisha, kupunguza kasi, uteuzi wa agizo) na huandika msimbo wa kuzalisha mgawo kwa kutumia scipy. Lakini mzunguko wa kukatwa kwa kichujio unachounda hupewa kawaida (kuhusiana na mzunguko wa Nyquist), na kuingiza fs vibaya hapa ni kosa la kawaida sana. Zaidi ya hayo, uthabiti na upotoshaji wa awamu inaweza kuwa tatizo katika vichujio vya IIR, na latency inaweza kuwa tatizo katika mifumo ya muda halisi. Hakikisha umethibitisha kichujio kinachozalishwa na AI kwa grafu ya majibu ya mara kwa mara na mawimbi ya majaribio yanayojulikana.
kesi tatu ndogo
Kesi ya 1 - Mtetemo unaopishana. Mhandisi anatoa sampuli ya mtetemo wa injini kwa 1 kHz na kuona kilele chenye nguvu katika FFT kwa 300 Hz. Upeo huu, ambao haufanani na muundo wa injini, unachanganya. Kwa kweli kuna sehemu halisi katika injini karibu 1300 Hz; Sampuli ya kHz 1 haitoshi kwa hii (Nyquist 500 Hz) na 1300 Hz ilipishana 300 Hz. Baada ya kujadiliana na AI "ikiwa kilele hiki ni cha kweli au cha uwongo" na kuongeza masafa ya sampuli hadi 5 kHz, kilele kinaonekana mahali pazuri kwa 1300 Hz. Somo: kwenye kilima kinachotia shaka, utoshelevu wa sampuli ya swali la kwanza.
Kesi ya 2 - Dirisha lililoruka. Mwanafunzi anaomba msimbo wa FFT kutoka kwa AI na kuutekeleza. Anatarajia toni moja ya majaribio ya masafa lakini anaona kuenea kwa wigo. Shida ni kwamba nambari haifanyi windows (kuvuja kwa spectral). Iambie AI "ongeza dirisha la Hann na utumie urekebishaji wa amplitude" na matokeo yanarudi kwenye kilele kali kinachotarajiwa. Somo: Jaribu msimbo wa FFT na ishara inayojulikana ya mzunguko mmoja; Angalia dirisha ikiwa kuna uvujaji.
Kesi ya 3 - Fs isiyo sahihi. Mhandisi huchanganua data kutoka kwa kinasa sauti. Kifaa kilirekodiwa kwa 48 kHz, lakini chaguo-msingi 44.1 kHz iliingizwa kwenye msimbo wa AI. Masafa yote yanabadilishwa na 8%; Toni ya 1000 Hz inaonekana katika 1088 Hz. Hitilafu hupatikana wakati wa kuangalia fs halisi ya vifaa vya kupimia. Somo: mzunguko wa sampuli ni nambari moja muhimu zaidi katika mlolongo wa uchanganuzi; lazima ithibitishwe kutoka kwa chanzo.
Violezo vya haraka vinavyoweza kunakiliwa
KIOLEZO CHA KUWEKA FFT"Andika msimbo wa uchanganuzi wa FFT katika Python (numpy/scipy). Ingizo: samplingfrequency fs=[thamani] Hz, mfuatano wa mawimbi 'x'. Wacha msimbo ufanye YAFUATAYO: (1) Tumia dirisha la Hann, (2) Pata FFT, (3) kwa usahihi mizani ya fde-axidrum mhimili wa nne (3) kwa usahihi wa mizani ya fde-axid4 urekebishaji wa dirisha Katika kila hatua ya msimbo "Tafadhali taja katika mstari wa maoni ni dhana gani unayofanya ili niweze kuithibitisha."
KIOLEZO CHA UDHIBITI WA SAMPULI "Marudio muhimu zaidi ya mawimbi yangu ni takriban [X] Hz. Eleza ukingo wa Nyquist, hitaji la kichujio cha kuzuia kutengwa, na ukingo wa usalama wakati wa kuchagua marudio ya sampuli. Pendekeza masafa lakini sisitiza kwamba ninapaswa kuthibitisha hili kwa kupima wigo halisi wa mawimbi."
KIOLEZO CHA UUNAJI WA VICHUJI "Tengeneza kichujio cha dijiti [chini/juu/bendi] kwa kutumia scipy. Frequency ya kukatwa [X] Hz, sampuli ya frequency fs=[Y] Hz. Linganisha chaguo za FIR na IIR (uthabiti, awamu, ucheleweshaji, mzigo wa kukokotoa). Onyesha kwa uwazi katika msimbo jinsi masafa ya kukatika husawazishwa ili kuhalalisha majibu. Pia jumuisha msimbo unaotumia kichujio kinachothibitisha majibu."
KIOLEZO CHA UTHIBITISHO WA MATOKEO "Chunguza msimbo wa uchakataji wa mawimbi hapa chini na vyanzo vya ripoti vya makosa ya kimya: fs isiyo sahihi, dirisha lililorukwa, mazungumzo ya kitengo (Hz/kHz,V/mV), ukosefu wa kuhalalisha, mazungumzo ya wigo mmoja/upande-mbili. Pendekeza jinsi ninavyopaswa kujaribu (nikitumia mawimbi gani ya rejeleo) kwa kila moja." Msimbo: [Bandika]
Agizo dhaifu / Ukumbusho thabiti
TAARIFA DHAIFU: "Tafuta mzunguko wa ishara hii."
STRONG PROMPT: "Nina safu ya mawimbi yenye mzunguko wa sampuli ya kHz 10. Andika msimbo wa Python ambao hupata vipengele vikuu vya mzunguko na FFT; tumia urekebishaji wa dirisha la Hann na amplitude, punguza mhimili wa mzunguko kulingana na fs. Mwishoni mwa msimbo, ongeza kizuizi cha uthibitishaji na ishara ya mtihani wa synthetic ya 1 kH na angalia fscaling sahihi ikiwa 1 kH."
Uhakika dhaifu hutoa jibu lisilo na muktadha na kuchukua fs; Hurejesha vigezo vikali vya vidokezo na vidokezo vya kizuizi cha majaribio cha kujithibitisha.
Jedwali la vitengo na mawazo katika usindikaji wa ishara
dhana
makosa ya mara kwa mara
uthibitishaji
Masafa ya sampuli (fs)
Chaguo-msingi badala ya FS halisi ya kifaa
Uthibitishaji kutoka kwa mpangilio wa kinasa
mhimili wa mzunguko
Ikiwa fs sio sawa mhimili wote hubadilika
Toni ya majaribio ya masafa inayojulikana
Kuweka madirisha
Uvujaji wa mawimbi unaporukwa
Upana wa kilele katika ishara ya monotone
Amplitude
Usahihishaji/urekebishaji haupo
Kulinganisha na ishara ya amplitude inayojulikana
kata chujio
kurekebisha makosa kulingana na fs
Grafu ya majibu ya mara kwa mara
Tahadhari: Kwa sababu tu grafu ya FFT inaonekana laini na ya kuaminika haimaanishi kuwa ni sahihi. Ikiwa mhimili wa mzunguko umepimwa vibaya, vilele vyote viko mahali pasipofaa lakini grafu inaonekana sawa. Sawazisha kila wakati kwa rejeleo linalojulikana.
Makosa ya kawaida
- Kutothibitisha marudio ya sampuli kutoka kwa chanzo. Fs isiyo sahihi huhamisha masafa yote.
- Inakiuka Nyquist na bila kugundua kudanganya. Kwenye vilima vinavyotiliwa shaka, kwanza swali utoshelevu wa sampuli.
- Kuruka madirisha katika FFT. Uvujaji wa Spectral inaonekana kama kilele halisi.
- Kusahau kuhalalisha amplitude. Amplitudes hubakia bila kipimo kwa thamani ya kimwili.
- Kurekebisha kimakosa mzunguko wa kukatika kwa kichujio hadi fs. Kichujio hukatwa katika sehemu tofauti na inavyotarajiwa.
Kwa muhtasari
Katika kitengo hiki, umeweka AI kama msaada mkubwa katika kujifunza dhana za usindikaji wa mawimbi, kuandika FFT na msimbo wa kichujio, na uchanganuzi wa kuunda. Lakini katika usindikaji wa mawimbi, matokeo yanaweza kupotoshwa kimyakimya: masafa yasiyo sahihi ya sampuli, kuruka madirisha, kiasi kinachoingilia, au ukosefu wa urekebishaji hufanya grafu kuwa nzuri lakini isiyo sahihi. Kwa hivyo jaribu kila msimbo ambao AI huzalisha dhidi ya mawimbi ya rejeleo inayojulikana, thibitisha masafa ya sampuli kutoka kwa chanzo, na jaribu kila tokeo kwa kitengo na usadikifu wa kimwili. Angalia dhana ya Nyquist na kualika mwanzoni mwa kila uchanganuzi.
Jukumu la maombi
Unda mawimbi ya majaribio ya sintetiki katika Python: jumla ya masafa mawili yanayojulikana (k.m. 1 kHz na 3 kHz), fs=10 kHz. Omba msimbo wa uchanganuzi kutoka kwa AI ukitumia kiolezo cha "kuweka mipangilio ya FFT" na uthibitishe kuwa kilele huonekana katika masafa sahihi. Kisha ingiza fs kimakosa (k.m. 8 kHz) na uangalie jinsi vilele vinavyohama. Hatimaye, ondoa dirisha na uone uvujaji wa spectral. Andika matokeo ya kila jaribio katika sentensi moja.
orodha ya ukaguzi
- [ ] Nilithibitisha marudio ya sampuli (fs) kutoka kwa mpangilio halisi wa kinasa sauti.
- [ ] Nilikagua kigezo cha Nyquist na kutathmini hatari ya kutamka.
- [ ] Nimeangalia kuwa urekebishaji wa windows na amplitude unatekelezwa katika msimbo wa FFT.
- [ ] Nilijaribu msimbo kwa ishara ya marejeleo ya masafa yanayojulikana.
- [ ] Nilithibitisha kwa jibu la kuona kwamba kasi ya kukatika kwa kichujio ilirekebishwa ipasavyo kuwa fs.
- [ ] Nilifanya vitengo vyote (Hz/kHz, V/mV) vifanane.