La page wikipedia de la fonction / formule de différence de magnitude moyenne (AMDF) semble être vide. Quest-ce quun AMDF? Quelles sont les propriétés dAMDF? Quelles sont les forces et les faiblesses dAMDF, par rapport aux autres méthodes destimation de la hauteur tonale telles que lautocorrélation?

Commentaires

Réponse

Je « nai jamais vu le mot  » Formula «  avec » AMDF « . Ma compréhension de la définition dAMDF est

$$ Q_x [k, n_0] \ triangleq \ frac {1} {N} \ sum \ limits_ {n = 0} ^ {N-1} \ Big | x [n + n_0] – x [n + n_0 + k] \ Big | $$

$ n_0 $ est le quartier dintérêt dans $ x [n] $ . Notez que vous ne résumez que les termes non négatifs. Donc $ Q_x [k, n_0] \ ge 0 $ . Nous appelons «  $ k $  » le « lag » . Clairement si $ k = 0 $ , puis $ Q_x [0, n_0] = 0 $ . Aussi, si $ x [n] $ est périodique avec le point $ P $ (et supposons pour le moment que $ P $ est un entier) puis $ Q_x [P, n_0] = 0 $ et $ Q_x [mP, n_0] = 0 $ pour tout entier $ m $ .

Maintenant même si $ x [n] $ nest pas précisément périodique, ou si la période nest pas précisément un nombre entier déchantillons (au taux déchantillonnage particulier que vous utilisez), nous sattendrait à $ Q_x [k, n_0] \ approx 0 $ pour tout décalage $ k $ qui est proche à la période ou à tout multiple entier de la période. En fait, si $ x [n] $ est presque périodique, mais que la période nest pas à un nombre entier déchantillons, nous espérons pouvoir interpoler $ Q_x [k, n_0] $ entre les valeurs entières de $ k $ pour obtenir un minimum encore plus bas.

Mon préféré nest pas lAMDF mais le « ASDF » (devinez ce que signifie le « S »?)

$$ Q_x [k, n_0 ] \ triangleq \ frac {1} {N} \ sum \ limits_ {n = 0} ^ {N-1} \ big (x [n + n_0] – x [n + n_0 + k] \ big) ^ 2 $ $

Il savère que vous pouvez faire du calcul avec cela parce que la fonction carrée a des dérivées continues, mais pas la fonction de valeur absolue.

Voici une autre raison pour laquelle jaime ASDF mieux que AMDF. Si $ N $ est très grand et que nous jouons un peu vite et librement avec les limites de la sommation:

$$ \ begin {align} Q_x [k] & = \ frac {1} {N} \ left (\ sum_n \ big (x [n] – x [n + k] \ big) ^ 2 \ right) \\ & = \ frac {1} {N} \ left (\ sum_n (x [n]) ^ 2 + \ sum_n (x [ n + k]) ^ 2 – 2 \ sum_n x [n] x [n + k] \ right) \\ & = \ frac {1} {N} \ sum_n ( x [n]) ^ 2 + \ frac {1} {N} \ sum_n (x [n + k]) ^ 2 – \ frac {2} {N} \, \ sum_n x [n] x [n + k ] \\ & = \ overline {x ^ 2 [n]} + \ overline {x ^ 2 [n]} – 2 \, R_x [k] \\ & = 2 \ left (\ overline {x ^ 2 [n]} – R_x [k] \ right) \\ \ end {align} $$

$$ \ begin {align} R_x [k] & \ triangleq \ frac {1} {N} \ sum_n x [n] x [n + k] \\ & = \ overline {x ^ 2 [n]} – \ tfrac {1} {2} Q_x [k] \\ & = R_x [0] – \ tfrac {1} {2} Q_x [k] \\ \ end {align} $$

est normalement identifié comme « lautocorrélation » de $ x [n] $ .

Nous nous attendons donc à ce que la fonction dautocorrélation soit une réplique inversée (et décalée) de lASDF. Partout où les pics dautocorrélation sont ceux où lASDF (et généralement aussi lAMDF) a un minimum.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *