Digitale Signalverarbeitung

"Digital Transform" lenkt hier weiter. Für die Auswirkungen der digitalen Technologie auf die Gesellschaft siehe Digitale Transformation.

Digitale Signalverarbeitung (DSP) ist die Verwendung von Digitale Verarbeitung, wie von Computern oder mehr spezialisierter Digitale Signalprozessoren, um eine Vielzahl von auszuführen Signalverarbeitung Operationen. Das Digitale Signale Auf diese Weise verarbeitet sind eine Abfolge von Zahlen, die darstellen Proben von a kontinuierliche Variable in einer Domäne wie Zeit, Raum oder Frequenz. Im Digitale Elektronik, ein digitales Signal wird als Pulszug,[1][2] das wird normalerweise durch das Wechsel von a generiert Transistor.[3]

Digitale Signalverarbeitung und Analoge Signalverarbeitung sind Unterfelder der Signalverarbeitung. DSP -Anwendungen umfassen Audio- und Sprachverarbeitung, Sonar, Radar und andere Sensorarray wird bearbeitet, Spektraldichteschätzung, Statistische Signalverarbeitung, digitale Bildverarbeitung, Datenkompression, Videocodierung, Audiocodierung, Bildkompression, Signalverarbeitung für Telekommunikation, Kontroll systeme, Biomedizintechnik, und Seismologie, unter anderen.

DSP kann lineare oder nichtlineare Operationen beinhalten. Die nichtlineare Signalverarbeitung hängt eng mit mit dem zusammen mit Nichtlineare Systemidentifikation[4] und kann in der implementiert werden Zeit, Frequenz, und räumlich-zeitliche Domänen.

Die Anwendung der digitalen Berechnung auf die Signalverarbeitung ermöglicht viele Vorteile gegenüber der analogen Verarbeitung in vielen Anwendungen, wie z. B. Fehlererkennung und Korrektur in Übertragung sowie Datenkompression.[5] Die digitale Signalverarbeitung ist auch von grundlegender Bedeutung für Digitale Technologie, wie zum Beispiel Digitale Telekommunikation und drahtlose Kommunikation.[6] DSP ist für beide anwendbar Streaming -Daten und statische (gespeicherte) Daten.

Signalabtastung

Hauptartikel: Abtastung (Signalverarbeitung)

Um ein analoges Signal digital zu analysieren und zu manipulieren, muss es mit einem digitalisiert werden Analog-Digital-Wandler (ADC).[7] Die Probenahme erfolgt normalerweise in zwei Phasen, Diskretisierung und Quantisierung. Diskretisierung bedeutet, dass das Signal in gleiche Zeitintervalle unterteilt ist und jedes Intervall durch eine einzelne Amplitudemessung dargestellt wird. Quantisierung bedeutet, dass jede Amplitudenmessung durch einen Wert aus einem endlichen Satz angenähert wird. Rundung reale Nummern Für Ganzzahlen ist ein Beispiel.

Das Nyquist -Shannon -Probenahme Theorem Gibt an, dass ein Signal genau aus seinen Proben rekonstruiert werden kann, wenn die Abtastfrequenz größer als die doppelte Frequenzkomponente im Signal ist. In der Praxis ist die Stichprobenfrequenz oft signifikant höher als diese.[8]

Theoretische DSP -Analysen und -ableitungen werden typischerweise durchgeführt diskretes Signal Modelle ohne Amplitude -Ungenauigkeiten (Quantisierungsfehler), "erstellt" durch den abstrakten Prozess von Probenahme. Numerische Methoden erfordern ein quantisiertes Signal, wie beispielsweise die von einem ADC erzeugten. Das verarbeitete Ergebnis kann ein Frequenzspektrum oder ein Satz von Statistiken sein. Aber oft ist es ein weiteres quantisiertes Signal, das durch a in analoge Form umgewandelt wird Digital-Analog-Wandler (DAC).

Domänen

DSP -Ingenieure untersuchen normalerweise digitale Signale in einem der folgenden Bereiche: Zeitdomäne (eindimensionale Signale), räumliche Domäne (mehrdimensionale Signale), Frequenzbereich, und Wavelet Domänen. Sie wählen die Domäne aus, in der ein Signal verarbeitet wird, indem sie eine fundierte Annahme (oder verschiedene Möglichkeiten ausprobieren), welche Domäne die wesentlichen Merkmale des Signals und die darauf angewendete Verarbeitung am besten darstellt. Eine Abfolge von Proben aus einem Messgerät erzeugt eine zeitliche oder räumliche Domänendarstellung, während a diskrete Fourier-Transformation erzeugt die Frequenzdomänendarstellung.

Zeit- und Raumdomänen

Zeitdomäne bezieht sich auf die Analyse von Signalen in Bezug auf die Zeit. In ähnlicher Weise bezieht sich die Weltraumdomäne auf die Analyse von Signalen in Bezug auf Position, z. B. Pixelposition für den Fall der Bildverarbeitung.

Der häufigste Verarbeitungsansatz in der Zeit- oder Raumdomäne ist die Verbesserung des Eingangssignals durch eine Methode, die als Filterung bezeichnet wird. Digitale Filterung Im Allgemeinen besteht aus einer linearen Transformation einer Reihe von umgebenden Proben um die aktuelle Probe des Eingangs- oder Ausgangssignals. Die umgebenden Proben können in Bezug auf Zeit oder Raum identifiziert werden. Die Ausgabe eines linearen digitalen Filters zu einer bestimmten Eingabe kann durch berechnet werden verwickelt das Eingangssignal mit einem impulsive Reaktion.

Frequenzbereich

Hauptartikel: Frequenzbereich

Signale werden von Zeit- oder Raumdomäne in die Frequenzdomäne konvertiert, normalerweise durch Verwendung der Fourier-Transformation. Die Fourier -Transformation wandelt die Zeit- oder Rauminformationen in eine Größe und Phasenkomponente jeder Frequenz um. Bei einigen Anwendungen kann die Variation der Phase mit der Frequenz eine signifikante Überlegung sein. Wenn die Phase unwichtig ist, wird die Fourier -Transformation häufig in das Leistungsspektrum umgewandelt, was die Größe jeder Frequenzkomponente ist.

Der häufigste Zweck für die Analyse von Signalen in der Frequenzdomäne ist die Analyse der Signaleigenschaften. Der Ingenieur kann das Spektrum untersuchen, um zu bestimmen, welche Frequenzen im Eingangssignal vorhanden sind und welche fehlen. Die Frequenzdomänenanalyse wird auch genannt Spektrum- oder Spektralanalyse.

Die Filterung, insbesondere bei Nicht-Real-Time-Arbeiten, kann auch in der Frequenzdomäne erreicht werden, wobei der Filter angewendet und dann auf die Zeitdomäne umgewandelt wird. Dies kann eine effiziente Implementierung sein und im Wesentlichen jede Filterantwort geben, einschließlich ausgezeichneter Annäherungen an Brickwall -Filter.

Es gibt einige häufig verwendete Frequenzdomänen -Transformationen. Zum Beispiel die cepstrum Konvertiert ein Signal in die Frequenzdomäne durch Fourier -Transformation, nimmt den Logarithmus auf und wendet dann eine weitere Fourier -Transformation an. Dies betont die harmonische Struktur des ursprünglichen Spektrums.

Z-Plane-Analyse

Digitale Filter erhält sowohl IIR- als auch FIR -Typen. Während FIR -Filter immer stabil sind, haben IIR -Filter Feedback -Schleifen, die instabil und oszillieren können. Das Z-Transformation Bietet ein Tool zur Analyse von Stabilitätsproblemen digitaler IIR -Filter. Es ist analog zu dem Laplace-Transformation, mit der analoge IIR -Filter entworfen und analysiert werden.

Autoregressionsanalyse

Ein Signal wird als lineare Kombination seiner vorherigen Proben dargestellt. Koeffizienten der Kombination werden als Autoregressionskoeffizienten bezeichnet. Diese Methode hat eine höhere Frequenzauflösung und kann kürzere Signale im Vergleich zur Fourier -Transformation verarbeiten.[9] Prony -Methode Kann verwendet werden, um Phasen, Amplituden, Anfangsphasen und Zerfälle der Signalkomponenten abzuschätzen.[10][9] Es wird angenommen, dass Komponenten komplexe Verfall der Exponenten sind.[10][9]

Zeitfrequenzanalyse

Eine Zeitfrequenzdarstellung von Signal kann sowohl die zeitliche Entwicklung als auch die Frequenzstruktur des analysierten Signals erfassen. Die zeitliche und Frequenzauflösung wird durch das Prinzip der Unsicherheit begrenzt und der Kompromiss wird durch die Breite des Analysefensters angepasst. Lineare Techniken wie Kurzzeit-Fourier-Transformation, Wavelet -Transformation, Filterbank,[11] nichtlinear (z. B. Wigner-Ville-Transformation[10]) und autoregressiv Methoden (z. B. segmentierte Prony -Methode)[10][12][13] werden zur Darstellung des Signals auf der Zeitfrequenzebene verwendet. Nichtlineare und segmentierte Prony-Methoden können eine höhere Auflösung liefern, aber unerwünschte Artefakte produzieren. Zeitfrequenzanalyse wird normalerweise zur Analyse nicht-stationärer Signale verwendet. Zum Beispiel Methoden von fundamentale Frequenz Schätzung wie Rapt und Pefac[14] basieren auf der Spektralanalyse der Fenster.

Wavelet

Ein Beispiel für die in 2D diskrete Wavelet -Transformation, die in verwendet wird JPEG2000. Das Originalbild ist hochpassfiltriert und ergibt die drei großen Bilder, wobei jeweils lokale Veränderungen in der Helligkeit (Details) im Originalbild beschrieben werden. Es ist dann mit niedrigem Passfilter und heruntergezogen, was ein Annäherungsbild ergibt; Dieses Bild ist hochpass gefiltert, um die drei kleineren Detailbilder zu erzeugen, und mit niedrigem Trieb filtriert, um das endgültige Approximationsbild im oberen links zu erzeugen.

Im numerische Analyse und Funktionsanalyse, a Diskrete Wavelet -Transformation ist jeder Wavelet -Transformation für was die Wavelets werden diskret abgetastet. Wie bei anderen Wavelet -Transformationen hat ein Schlüsselvorteil, den es über hat Fourier transformiert ist zeitliche Auflösung: Es erfasst beide Frequenz und Standortinformationen. Die Genauigkeit der gemeinsamen Zeitfrequenzauflösung wird durch die begrenzt Unschärferelation Zeitfrequenz.

Empirischer Modus -Zersetzung

Der empirische Modus -Zersetzung basiert auf dem Zersetzungssignal in die intrinsischen Modusfunktionen (IWF). IMFs sind quasiharmonische Oszillationen, die aus dem Signal extrahiert werden.[15]

Implementierung

DSP Algorithmen kann auf allgemeinen Computern ausgeführt werden und Digitale Signalprozessoren. DSP-Algorithmen werden auch auf speziell gebauten Hardware implementiert, wie z. Anwendungsspezifische integrierte Schaltung (Asics). Zusätzliche Technologien für die digitale Signalverarbeitung umfassen leistungsfähigere allgemeine Zwecke Mikroprozessoren, Grafikverarbeitungseinheiten, Feldprogrammierbare Gate-Arrays (Fpgas), Digitale Signalcontroller (hauptsächlich für industrielle Anwendungen wie motorische Kontrolle) und Stream -Prozessoren.[16]

Für Systeme, die keine haben Echtzeit-Computing Anforderung und die Signaldaten (entweder Eingabe oder Ausgabe) in Datendateien existieren. Die Verarbeitung kann wirtschaftlich mit einem allgemeinen Computer erfolgen. Dies unterscheidet sich im Wesentlichen nicht von anderen Datenverarbeitungaußer DSP -mathematischen Techniken (wie die DCT und Fft) werden verwendet, und es wird normalerweise angenommen, dass die abgetasteten Daten zeitlich oder räumlich gleichmäßig abgetastet werden. Ein Beispiel für eine solche Anwendung ist die Verarbeitung Digitale Fotografien mit Software wie z. Photoshop.

Wenn die Anwendungsanforderung in Echtzeit ist, wird DSP häufig unter Verwendung von speziellen oder dedizierten Prozessoren oder Mikroprozessoren implementiert, manchmal unter Verwendung mehrerer Prozessoren oder mehrerer Verarbeitungskerne. Diese können Daten unter Verwendung von Arithmetik- oder Schwimmpunkten mit festem Punkt verarbeiten. Für anspruchsvollere Anwendungen Fpgas könnte genutzt werden.[17] Für die anspruchsvollsten Anwendungen oder Produkte mit hohem Volumen, Asics könnte speziell für die Anwendung entwickelt werden.

Native Verarbeitung wird von der CPU des Computers und nicht durch die Verarbeitung von DSP oder Außenbord durchgeführt, was durch zusätzliche DSP-Chips von Drittanbietern auf Erweiterungskarten oder externen Hardware-Boxen oder -Streichen durchgeführt wird. Viele Digitale Audio -Arbeitsstationen wie zum Beispiel Logikpro, Cubase, Digitaler Darsteller und Profiwerkzeuge Le native Verarbeitung verwenden. Andere, wie z. Profiwerkzeuge HD, Universal Audiouad-1 und TC ElectronicDie DSP -Verarbeitung verwenden Sie die DSP -Verarbeitung.

Anwendungen

Allgemeine Anwendungsbereiche für digitale Signale umfassen:

Spezifische Beispiele sind Sprachcodierung und Übertragung in Digital Mobiltelefone, Raumkorrektur von Sound in Hifi und Schallverstärkung Anwendungen, Analyse und Kontrolle von industrieller Prozess, medizinische Bildgebung wie zum Beispiel KATZE scannt und MRT, Audio -Crossovers und Ausgleich, Digitale Synthesizerund Audio Effekteinheiten.[18]

Techniken

Verwandte Felder

Weitere Lektüre

  • Ahmed, Nasir; Rao, Kamisetty Ramamohan (7. August 1975). Orthogonale Transformationen für die digitale Signalverarbeitung. New York: Springer-Verlag. doi:10.1109/ICASSP.1976.1170121. ISBN 978-3540065562. Lccn 73018912. OCLC 438821458. Ol 22806004m. S2CID 10776771.
  • Jonathan M. Blackledge, Martin Turner: Digitale Signalverarbeitung: mathematische und rechnerische Methoden, Softwareentwicklung und Anwendungen, Horwood Publishing, ISBN1-898563-48-9
  • James D. Broesch: Digitale Signalverarbeitung entmystifiziert, Newnes, ISBN1-878707-16-7
  • Dyer, Stephen A.; Harms, Brian K. (13. August 1993). "Digitale Signalverarbeitung". In Yovits, Marshall C. (Hrsg.). Fortschritte in Computern. Vol. 37. Akademische Presse. S. 59–118. doi:10.1016/s0065-2458 (08) 60403-9. ISBN 978-0120121373. ISSN 0065-2458. Lccn 59015761. OCLC 858439915. Ol 10070096m.
  • Paul M. Embree, Damon Danieli: C ++ - Algorithmen für die digitale Signalverarbeitung, Prentice Hall, ISBN0-13-179144-3
  • Hari Krishna Garg: Digitale Signalverarbeitungsalgorithmen, CRC Press, ISBN0-8493-7178-3
  • P. Gaydecki: Grundlagen der digitalen Signalverarbeitung: Theorie, Algorithmen und Hardwaredesign, Institution of Electrical Engineers, ISBN0-85296-431-5
  • Ashfaq Khan: Grundlagen für digitale Signalverarbeitung, Charles River Media, ISBN1-58450-281-9
  • Sen M. Kuo, Woon-Seng Gan: Digitale Signalprozessoren: Architekturen, Implementierungen und Anwendungen, Prentice Hall, ISBN0-13-035214-4
  • Paul A. Lynn, Wolfgang Fuerst: Einführende digitale Signalverarbeitung mit Computeranwendungen, John Wiley & Sons, ISBN0-471-97984-8
  • Richard G. Lyons: Verständnis der digitalen Signalverarbeitung, Prentice Hall, ISBN0-13-108989-7
  • Vijay Madisetti, Douglas B. Williams: Das Handbuch für digitale Signalverarbeitung, CRC Press, ISBN0-8493-8572-5
  • James H. McClellan, Ronald W. Schafer, Mark A. Yoder: Signalverarbeitung zuerst, Prentice Hall, ISBN0-13-090999-8
  • Bernard Mulgrew, Peter Grant, John Thompson: Digitale Signalverarbeitung - Konzepte und Anwendungen, Palgrave Macmillan, ISBN0-333-96356-3
  • Boaz Porat: Ein Kurs in der digitalen Signalverarbeitung, Wiley, ISBN0-471-14961-6
  • John G. Proakis, Dimitris Manolakis: Digitale Signalverarbeitung: Prinzipien, Algorithmen und Anwendungen, 4. Ed, Pearson, April 2006, ISBN978-0131873742
  • John G. Proakis: Eine Selbststudienhandbuch für die digitale Signalverarbeitung, Prentice Hall, ISBN0-13-143239-7
  • Charles A. Schuler: Digitale Signalverarbeitung: Ein praktischer Ansatz, McGraw-Hill, ISBN0-07-829744-3
  • Doug Smith: Digitale Signalverarbeitungstechnologie: Essentials der Kommunikationsrevolution, American Radio Relay League, ISBN0-87259-819-5
  • Smith, Steven W. (2002). Digitale Signalverarbeitung: Ein praktischer Leitfaden für Ingenieure und Wissenschaftler. Newnes. ISBN 0-7506-7444-x.
  • Stein, Jonathan Yaakov (2000-10-09). Digitale Signalverarbeitung, eine Informatikperspektive. Wiley. ISBN 0-471-29546-9.
  • Stergiopoulos, Stergios (2000). Advanced Signal Processing Handbook: Theorie und Implementierung für Echtzeitsysteme für Radar-, Sonar und medizinische Bildgebung. CRC Press. ISBN 0-8493-3691-0.
  • Van de Vegte, Joyce (2001). Grundlagen der digitalen Signalverarbeitung. Prentice Hall. ISBN 0-13-016077-6.
  • Oppenheim, Alan V.; Schafer, Ronald W. (2001). Diskrete Signalverarbeitung. Pearson. ISBN 1-292-02572-7.
  • Hayes, Monson H. Statistische digitale Signalverarbeitung und -modellierung. John Wiley & Sons, 2009. (mit Matlab -Skripte)

Verweise

  1. ^ B. Somanathan Nair (2002). Digitalelektronik und Logikdesign. PHI -Lernen Pvt. Ltd. p. 289. ISBN 9788120319561. Digitale Signale sind feste Breitenimpulse, die nur einen von zwei Amplitudenstufen einnehmen.
  2. ^ Joseph Migga Kizza (2005). Computer -Netzwerksicherheit. Springer Science & Business Media. ISBN 9780387204734.
  3. ^ 2000 löste Probleme in der digitalen Elektronik. Tata McGraw-Hill Education. 2005. p. 151. ISBN 978-0-07-058831-8.
  4. ^ Billings, Stephen A. (September 2013). Nichtlineare Systemidentifikation: Narmax-Methoden in den Time, Frequenz- und räumlich-zeitlichen Domänen. UK: Wiley. ISBN 978-1-119-94359-4.
  5. ^ Broesch, James D.; Stranneby, Dag; Walker, William (2008-10-20). Digitale Signalverarbeitung: Sofortiger Zugriff (1 ed.). Butterworth-Heinemann-Newnes. p. 3. ISBN 9780750689762.
  6. ^ Srivastava, Viranjay M.; Singh, Ghanshyam (2013). MOSFET-Technologien für Doppelpole-Funkfrequenzschalter mit Vierpole. Springer Science & Business Media. p. 1. ISBN 9783319011653.
  7. ^ Walden, R. H. (1999). "Analog-zu-Digital-Konverter-Umfrage und Analyse". IEEE Journal über ausgewählte Bereiche in Kommunikation. 17 (4): 539–550. doi:10.1109/49.761034.
  8. ^ Candes, E. J.; Wakin, M. B. (2008). "Eine Einführung in die Druckprobenahme". IEEE Signal Processing Magazine. 25 (2): 21–30. Bibcode:2008ispm ... 25 ... 21c. doi:10.1109/msp.2007.914731. S2CID 1704522.
  9. ^ a b c Marple, S. Lawrence (1987-01-01). Digitale Spektralanalyse: mit Anwendungen. Englewood Cliffs, N.J: Prentice Hall. ISBN 978-0-13-214149-9.
  10. ^ a b c d Ribeiro, M.P.; Ewins, D.J.; Robb, D.A. (2003-05-01). "Nicht-stationäre Analyse und Rauschfilterung unter Verwendung einer Technik, die aus der ursprünglichen Prony-Methode ausgedehnt wurde". Mechanische Systeme und Signalverarbeitung. 17 (3): 533–549. Bibcode:2003mssp ... 17..533r. doi:10.1006/mssp.2001.1399. ISSN 0888-3270. Abgerufen 2019-02-17.
  11. ^ Also Stephen; Paliwal, Kuldip K. (2005). "Verbesserte Rausch-Robustheit in der verteilten Spracherkennung durch wahrnehmungsgewichtete Vektorquantisierung von Filterbank-Energien". Neunte Europäische Konferenz über Sprachkommunikation und Technologie.
  12. ^ Mitrofanov, Georgy; Priimenko, Viatcheslav (2015-06-01). "Pronyfilterung von seismischen Daten". Acta Geophysica. 63 (3): 652–678. Bibcode:2015ACGEO..63..652m. doi:10.1515/ACGEO-2015-0012. ISSN 1895-6572. S2CID 130300729.
  13. ^ Mitrofanov, Georgy; Smolin, S. N.; Orlov, yu. EIN.; Bespechnyy, V. N. (2020). "Zersetzung und Filterung von Prony" ". Geologie und Mineralressourcen Sibiriens (2): 55–67. doi:10.20403/2078-0575-2020-2-55-67. ISSN 2078-0575. S2CID 226638723. Abgerufen 2020-09-08.
  14. ^ Gonzalez, Sira; Brookes, Mike (Februar 2014). "PEFAC - Ein Pitchschätzungsalgorithmus robust gegenüber hohen Rauschen". IEEE/ACM -Transaktionen zu Audio-, Sprach- und Sprachverarbeitung. 22 (2): 518–530. doi:10.1109/taslp.2013.2295918. ISSN 2329-9290. S2CID 13161793. Abgerufen 2017-12-03.
  15. ^ Huang, N. E.; Shen, Z.; Long, S. R.; Wu, M. C.; Shih, H. H.; Zheng, Q.; Yen, N.-C.; Tung, C. C.; Liu, H. H. (1998-03-08). "Der empirische Modus-Zersetzung und das Hilbert-Spektrum für die nichtlineare und nicht stationäre Zeitreihenanalyse". Verfahren der Royal Society A: Mathematische, physische und technische Wissenschaften. 454 (1971): 903–995. Bibcode:1998RSPSA.454..903H. doi:10.1098/rspa.1998.0193. ISSN 1364-5021. S2CID 1262186. Abgerufen 2018-06-05.
  16. ^ Stranneby, Dag; Walker, William (2004). Digitale Signalverarbeitung und Anwendungen (2. Aufl.). Elsevier. ISBN 0-7506-6344-8.
  17. ^ Jpfix (2006). "FPGA-basierte Bildverarbeitungsbeschleuniger". Abgerufen 2008-05-10.
  18. ^ Rabiner, Lawrence R.; Gold, Bernard (1975). Theorie und Anwendung der digitalen Signalverarbeitung. Englewood Cliffs, NJ: Prentice-Hall, Inc. ISBN 978-0139141010.