در این مطلب، ویدئو شکست Nyquist با حس فشرده، در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:12:04
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,780 –> 00:00:05,860
[موسیقی]
2
00:00:05,860 –> 00:00:08,350
به همه خوش آمدید، بنابراین ما در
3
00:00:08,350 –> 00:00:10,360
مورد سنجش فشرده و اینکه چگونه
4
00:00:10,360 –> 00:00:13,090
میتوانید با
5
00:00:13,090 –> 00:00:14,410
اندازهگیریهای بسیار کمتری از آنچه که معمولاً
6
00:00:14,410 –> 00:00:16,299
فکر میکنید دور شوید، صحبت میکنیم
7
00:00:16,299 –> 00:00:18,490
اگر آن اندازهگیریها جنبه
8
00:00:18,490 –> 00:00:20,380
تصادفی داشته باشند و غیره من قصد دارم
9
00:00:20,380 –> 00:00:22,270
این را در یک مثال بسیار سرگرم کننده توضیح دهم
10
00:00:22,270 –> 00:00:24,580
که به نوعی یک نمونه اسباب بازی از
11
00:00:24,580 –> 00:00:27,310
سیگنال صوتی در پایتون است، بسیار خوب، بنابراین کاری
12
00:00:27,310 –> 00:00:28,570
که می خواهیم انجام دهیم این است که
13
00:00:28,570 –> 00:00:31,779
سیگنالی را ایجاد کنیم که اساساً یک سیگنال در
14
00:00:31,779 –> 00:00:34,390
زمان باشد. برخی از سیگنال های صوتی در زمان
15
00:00:34,390 –> 00:00:37,059
که در فوریه بسیار پراکنده است، در
16
00:00:37,059 –> 00:00:39,790
واقع یک سیگنال صوتی دو رنگ
17
00:00:39,790 –> 00:00:42,850
است که
18
00:00:42,850 –> 00:00:45,549
از مجموع یک موج کسینوس نود و هفت هرتز
19
00:00:45,549 –> 00:00:49,479
و یک موج کسینوس 777 هرتز ایجاد می شود.
20
00:00:49,479 –> 00:00:53,320
سیگنال در حوزه زمان بسیار ساده
21
00:00:53,320 –> 00:00:54,699
است، فقط شبیه به
22
00:00:54,699 –> 00:00:57,610
مجموع دو موج کسینوس خواهد بود و در حوزه فوریه
23
00:00:57,610 –> 00:00:59,860
، اساساً
24
00:00:59,860 –> 00:01:01,540
دو
25
00:01:01,540 –> 00:01:04,720
قله توان در نود و هفت
26
00:01:04,720 –> 00:01:07,270
و هفتصد و هفتاد و هفت هرتز خواهد داشت، بسیار بسیار
27
00:01:07,270 –> 00:01:09,520
کم است. آ مشکل اسباب بازی که
28
00:01:09,520 –> 00:01:10,870
نشان می دهد
29
00:01:10,870 –> 00:01:12,790
مشکل بازسازی سیگنال صوتی چگونه به نظر می رسد
30
00:01:12,790 –> 00:01:16,570
خوب است و کاری که ما می خواهیم انجام دهیم این است
31
00:01:16,570 –> 00:01:18,750
که یک نسخه با وضوح بسیار بالا
32
00:01:18,750 –> 00:01:21,580
از آن سیگنال با نرخ نمونه برداری
33
00:01:21,580 –> 00:01:26,320
4096 هرتز یا 4096 نمونه
34
00:01:26,320 –> 00:01:29,140
در ثانیه ایجاد می کنیم. سپس کاری که
35
00:01:29,140 –> 00:01:30,850
میخواهیم انجام دهیم این است که بهطور
36
00:01:30,850 –> 00:01:34,710
انبوه آن سیگنال را نمونهبرداری
37
00:01:34,710 –> 00:01:37,540
میکنیم تا دلیل آن را بفهمیم، اما این کار را بهطور تصادفی انجام میدهیم،
38
00:01:37,540 –> 00:01:39,909
بنابراین این بسیار مهم است
39
00:01:39,909 –> 00:01:40,930
و من کمی در این مورد قدم میگذارم.
40
00:01:40,930 –> 00:01:46,240
ایده اصلی در اینجا این است که
41
00:01:46,240 –> 00:01:48,880
قضیه نمونهبرداری شانون نایکوئیست
42
00:01:48,880 –> 00:01:52,030
میگوید که اگر من بخواهم این
43
00:01:52,030 –> 00:01:55,510
جزء فرکانس بسیار بالا را که جزء 777
44
00:01:55,510 –> 00:01:58,750
هرتز سیگنال خود را بازیابی
45
00:01:58,750 –> 00:02:01,270
کنم، اگر از سیستم خود با نرخی معادل 128 نمونه برداری کنم، هیچ راهی وجود ندارد که این کار را انجام دهم.
46
00:02:01,270 –> 00:02:04,330
هرتز یا
47
00:02:04,330 –> 00:02:06,909
چیزی با فرکانس پایین بسیار خوب است
48
00:02:06,909 –> 00:02:08,919
، نمونه برداری با فرکانس پایین بسیار خوب است، اگر فرکانس پایین آن را نمونه برداری
49
00:02:08,919 –> 00:02:10,149
کنم و فقط می خواهم یک
50
00:02:10,149 –> 00:02:11,440
تصویر در اینجا بکشم، می گوید واقعاً ساده است که
51
00:02:11,440 –> 00:02:14,080
بفهمم آیا من
52
00:02:14,080 –> 00:02:17,920
فرکانس واقعاً بالایی مانند این دارم، اما من
53
00:02:17,920 –> 00:02:19,030
از این چیز واقعاً به ندرت نمونه برداری کردید،
54
00:02:19,030 –> 00:02:25,910
پس هیچ راهی وجود ندارد
55
00:02:25,910 –> 00:02:26,990
که بتوانید بگویید که این چیزهای فرکانس بالا در
56
00:02:26,990 –> 00:02:29,300
حال رخ دادن است و فکر می کنید
57
00:02:29,300 –> 00:02:31,790
که این سیگنال فقط یک
58
00:02:31,790 –> 00:02:34,970
موج سینوسی فرکانس پایین خوب است و این
59
00:02:34,970 –> 00:02:36,830
همان قلب این شین است.
60
00:02:36,830 –> 00:02:38,630
و قضیه نمونه برداری نایکوئیست
61
00:02:38,630 –> 00:02:41,150
من یک ویدیوی کامل در مورد شانون نایکوئیست و
62
00:02:41,150 –> 00:02:42,830
تئوری اطلاعات و نوعی
63
00:02:42,830 –> 00:02:46,160
پردازش سیگنال سنتی انجام خواهم داد، اما قبل از
64
00:02:46,160 –> 00:02:47,690
سنجش فشرده به نوعی قبل از
65
00:02:47,690 –> 00:02:50,540
این که آن را روی سر خود قرار دهد، اما
66
00:02:50,540 –> 00:02:52,400
ایده اصلی این است که اگر این سیگنال
67
00:02:52,400 –> 00:02:53,900
واقعاً بالا باشد مولفه های فرکانس و من
68
00:02:53,900 –> 00:02:56,810
خیلی آهسته نمونه برداری می کنم، هیچ امیدی به
69
00:02:56,810 –> 00:03:00,260
انتخاب آن وجود ندارد و می خواهم بگویم
70
00:03:00,260 –> 00:03:04,160
که شما باید در نیمی از فرکانس نمونه برداری کنید
71
00:03:04,160 –> 00:03:07,430
تا بتوانید نوعی
72
00:03:07,430 –> 00:03:09,770
از این تغییرات اوج به اوج را انتخاب کنید،
73
00:03:09,770 –> 00:03:12,170
اما من این کار را انجام خواهم داد. یک ویدیوی کامل در مورد
74
00:03:12,170 –> 00:03:14,120
آن، بنابراین کاری که ما میخواهیم انجام دهیم این است که
75
00:03:14,120 –> 00:03:16,250
با نرخ نمونهبرداری متوسط
76
00:03:16,250 –> 00:03:19,040
رتز نمونهبرداری میکنیم که میدانیم از Shannon Nyqui
77
00:03:19,040 –> 00:03:21,380
t اصلاً نباید کار کند، باید کا
78
00:03:21,380 –> 00:03:23,959
لاً در بازسازی شکست بخوریم. از
79
00:03:23,959 –> 00:03:25,640
مولفه های فرکانس پایین و بالا استفاده کنید،
80
00:03:25,640 –> 00:03:27,380
اما
81
00:03:27,380 –> 00:03:29,840
دلیل اینکه شما می توانید Nyquist را در اینجا شکست دهید
82
00:03:29,840 –> 00:03:34,209
این است که چرا یا بهتر است بگوییم این تتا به
83
00:03:34,209 –> 00:03:38,239
صورت تصادفی مشکلی ندارد، بنابراین این نقاط Y به
84
00:03:38,239 –> 00:03:41,299
طور یکنواخت در زمان نمونه گیری نمی شوند، آنها به
85
00:03:41,299 –> 00:03:43,310
طور تصادفی در زمان نمونه برداری می شوند. این
86
00:03:43,310 –> 00:03:45,769
تفاوت زیادی ایجاد میکند، بنابراین اگر من بهطور تصادفی از آن
87
00:03:45,769 –> 00:03:48,049
نمونهبرداری کنم، کاملاً درست است که
88
00:03:48,049 –> 00:03:50,120
به طور متوسط نرخ نمونهگیری من
89
00:03:50,120 –> 00:03:52,790
سیار پایین خواهد بود، بنابراین به طور متوسط ای
90
00:03:52,790 –> 00:03:54,019
یازها را میگیرم که واقعاً از هم
91
00:03:54,019 –> 00:03:58,070
اصله دارند، اما به طور متوسط من همچنین گاهی اوقات
92
00:03:58,070 –> 00:03:59,330
امتیازهایی به دست میآورم که واقعاً به هم نزدیک
93
00:03:59,330 –> 00:04:01,459
هستند، بنابراین امتیاز زیادی
94
00:04:01,459 –> 00:04:03,530
به دست میآورم، اگر بهطور تصادفی نمونهبرداری کنم، امتیازهایی را میگیرم که دقیقاً در
95
00:04:03,530 –> 00:04:05,360
کنار یکدیگر قرار دارند و
96
00:04:05,360 –> 00:04:07,310
بنابراین انواع امتیازها را به دست میآورم، برخی از
97
00:04:07,310 –> 00:04:09,620
آنها بسته میشوند. از میان آنها برخی از آنها
98
00:04:09,620 –> 00:04:12,350
در میان هستند و دومین
99
00:04:12,350 –> 00:04:14,060
اطلاعات در مورد این نمونه گیری تصادفی این
100
00:04:14,060 –> 00:04:16,519
است که من فرض می کنم که حتی اگر میانگین
101
00:04:16,519 –> 00:04:19,548
نرخ نمونه گیری من بسیار پایین 128 هرتز است، من
102
00:04:19,548 –> 00:04:22,310
فرض می کنم که نمونه گیری خود را در یک
103
00:04:22,310 –> 00:04:25,479
ساعت بسیار بسیار خوب انجام می دهم، بنابراین من k اکنون دقیقاً چه
104
00:04:25,479 –> 00:04:28,669
زمانی آن نمونهبرداری اتفاق افتاد، بنابراین من دقیقاً میدانم
105
00:04:28,669 –> 00:04:30,070
106
00:04:30,070 –> 00:04:34,420
این نمونه در چه زمانی در آن
107
00:04:34,420 –> 00:04:36,520
ساعت با وضوح بسیار بالا رخ داده
108
00:04:36,520 –> 00:04:38,320
است، بنابراین من میدانم وضوح
109
00:04:38,320 –> 00:04:41,410
زمانی که نمونه من به
110
00:04:41,410 –> 00:04:45,220
وضوح 4096 در واحد زمان رسیده است، بسیار
111
00:04:45,220 –> 00:04:46,780
مهم است. بنابراین باید اندازهگیریهای تصادفی خود را انجام دهید
112
00:04:46,780 –> 00:04:48,190
تا
113
00:04:48,190 –> 00:04:49,960
گاهی اوقات نقاطی از یکدیگر نزدیکتر یا دورتر شوند،
114
00:04:49,960 –> 00:04:52,240
بنابراین در حال
115
00:04:52,240 –> 00:04:53,860
کاوش در تمام فضای فرکانس ممکن
116
00:04:53,860 –> 00:04:55,780
هستید و همچنین باید این
117
00:04:55,780 –> 00:04:57,760
اندازهگیریها را روی یک ساعت واقعا دقیق
118
00:04:57,760 –> 00:05:01,270
انجام دهید، حتی اگر به طور متوسط، نرخ نمونهگیری پایین است،
119
00:05:01,270 –> 00:05:04,120
من دقیقاً میدانم که چه زمانی
120
00:05:04,120 –> 00:05:06,130
هر یک از آن نمونهها رخ دادهاند،
121
00:05:06,130 –> 00:05:08,050
این تنظیماتی است که ما اینجا
122
00:05:08,050 –> 00:05:09,550
داریم، بنابراین ما فرض میکنیم که
123
00:05:09,550 –> 00:05:13,180
میانگین نرخ نمونهگیری 128 داریم، اما ما
124
00:05:13,180 –> 00:05:16,290
دقیقاً میدانیم چه زمانی نمونه آنها
125
00:05:16,290 –> 00:05:20,410
خوب است و بنابراین کاری که ما میخواهیم انجام دهیم این است
126
00:05:20,410 –> 00:05:22,000
که این نمونه تصادفی را به دست آوریم،
127
00:05:22,000 –> 00:05:25,120
این نوع خط را در اینجا اجرا
128
00:05:25,120 –> 00:05:27,400
میکنیم تا این بردار جایگشت تصادفی را بدست آوریم، بنابراین به
129
00:05:27,400 –> 00:05:29,140
طور تصادفی شاخصها را از آن استخراج
130
00:05:29,140 –> 00:05:32,050
میکنیم. سیگنال وفاداری بالا s 4096
131
00:05:32,050 –> 00:05:33,970
که این نوع نقاط زرد
132
00:05:33,970 –> 00:05:37,960
را در اینجا به من می دهد خوب است و من فقط
133
00:05:37,960 –> 00:05:40,180
آنها را ترسیم می کنم و این را به صورت بلادرنگ اجرا نمی کنم
134
00:05:40,180 –> 00:05:41,590
زیرا کمی کند است
135
00:05:41,590 –> 00:05:43,540
اما می توانید آن را در خانه اجرا کنید. می
136
00:05:43,540 –> 00:05:45,910
توانید همه این کدها را از کتاب داده
137
00:05:45,910 –> 00:05:47,200
شما دانلود کنید w.com
138
00:05:47,200 –> 00:05:49,570
ما کد را در پایتون در متلب داریم بسیار
139
00:05:49,570 –> 00:05:52,630
خوب و یک لینک در
140
00:05:52,630 –> 00:05:55,450
نظرات وجود دارد بسیار خوب است بنابراین در اینجا من فقط
141
00:05:55,450 –> 00:05:57,430
برخی چیزها و آنچه را که
142
00:05:57,430 –> 00:06:00,700
اینجا در سمت چپ می بینید ترسیم می کنم. سری زمانی واقعی
143
00:06:00,700 –> 00:06:02,170
است که من کمی بزرگنمایی کرده ام که
144
00:06:02,170 –> 00:06:04,000
بسیار شبیه به آنچه در اینجا دارم
145
00:06:04,