آموزش پنجره هاي كسينوسي تعميم يافته در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را یاد خواهیم داد. با ما همراه باشید.

پنجره هاي كسينوسي تعميم يافته در متلب

پنجره هاي بلكمن ، همينگ ، هنينگ ، فلت تاپ و مستطيلي همگي حالات خاصي از پنجره هاي كسينوسي تعميم يافته هستند.

اين پنجره ها تركيب دنباله هاي سينوسي با فركانس هاي ۰،  و  هستند كه N طول پنجره است .

يا راه براي توليد آن ها به شكل زير است :

كه در آن A ، B و C ثابت هايي هستند كه توسط كاربر تعريف مي‌شوند .

در واقع با جمع كردن ترم هاي جدا براي ساخت پنجره ، پيك هاي فركانس پايين حوزه فركانس ، طوري با هم تركيب مي شوند كه ارتفاع لب كناري كاهش يابد كه البته اين ايراد را دارد كه منجربه افزايش عرض لب اصلي مي شود .

براي مثال پنجره همينگ هم از طريق تابع مربوطه و هم با اين روش A=0.54 و B=0.46 .

پنجره هنينگ نيز با A=0.5 و B=0.5 و پنجره بلكمن با A=0.42 و B=0.5 و C=0.08 و پنجره فلت تاپ با A=1 و B=1.93 و C=1.29 و D=0.388 و E=0.322 قابل ساخت است .

پنجره كايزر در متلب

اين پنجره تقريبي از پنجره prolate-spheroidal است كه در آن نسبت انرژي لب اصلي به لب كناري ماكزيمم شده است .

براي يك پنجره كايزر با طول مشخص ، پارامتر ارتفاع لب كناري را كنترل مي كند براي يك خاص ارتفاع لب كناري با تغيير طول پنجره ثابت است .

عبارت kaiser(n,beta) يك پنجره كايزر به طول n و پارامترهاي  توليد مي كند.

براي ساخت پنجره كايزربا طول ۵۰ و مقادير  برابر ۱ ، ۴ و ۹ ازدستورات زير استفاده ميشود.

با افزايش  ارتفاع لب كناري كاهش يافته و عرض لب اصلي افزايش مي يابد .

با  ثابت ،  ارتفاع لب كناري ثابت مي ماند . دستورات زير را تايپ و نتيجه را مشاهده كنيد :

مدل كردن پارامتري در متلب

تكنيك هاي مدل كردن پارامتري ، پارامترهاي يك مدل رياضي را كه توصيف كننده سيگنال و سيستم و يا فرايند هستند ، پيدا مي كنند .

اين تكنيك ها ازاطلاعات معلوم در مورد سيستم براي تعيين مدل استفاده مي كنند .

دستورات قابل دسترسي مدل كردن پارامتري در متلب

توابع مدل كردن  در اين جعبه ابزار  ، توسط مدل تابع انتقال گويا عمل مي كنند .

با دادن اطلاعات مناسب در مورد سيستم نامشخص به اين توابع ، ضرايب سيستم خطي اي كه سيستم مورد نظر را مدل مي كند توسط آن ها در خروجي داده مي شود .

جدول زير خلاصه اي ازتوابع مدل كردن پارامتري موجود در اين جعبه ابزار  را نشان مي دهد .

روش هاي مدل كردن بر پايه حوزه زمان در متلب

توابع lpc ، prony و stmcb ضرايب يك تابع انتقال ديجيتال را كه يك پاسخ ضربه داده شده درحوزه زمان را تقريب مي زند ، پيدا مي كنند .

الگوريتم ها در پيچيدگي و صحت مدل حافظه تفاوت مي كنند .

پيش بيني خطي در متلب

مدل كردن پيش بيني خطي فرض مي كند كه هر نمونه سيگنال خروجي ، x(k) ، تركيب خطي n نمونه قبلي خروجي است (يعني قابل پيش بيني خطي از اين خروجي ها است) و ضرايب از نمونه به نمونه ديگر ثابت هستند .

يك مدل تمام قطب مرتبه n ام يك سيگنال x به صورت زير محاسبه مي شود :

Lpc در ابتدا xcorr را صدا مي زند تا يك تخمين باياس شده از تابع همبستگي x را پيدا كند .

سپس از الگوريتم بازگشت Levinson-Durbin پياده سازي شده در تابع Levinson استفاده مي كند تا ضرايب مدل ، a ، را پيدا كند .

كل الگوريتم lpc براي n=4 به شكل زير است :

مي توان ضرايب پيش بيني خطي را با فرضياتي ديگر با دادن تخمين همبستگي متفاوت به Levinson ، مانند تخمين باياس شده همبستگي ، تشكيل داد :

در اینجا آشنایی با محیط متلب بخش صد و سیزدهم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده : زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام