Úgy tűnik, hogy az átlagos nagyságkülönbség-függvény / képlet (AMDF) wikipédia-oldala üres. Mi az AMDF? Mik az AMDF tulajdonságai? Mik az AMDF erősségei és gyengeségei, összehasonlítva más hangmagasság-becslési módszerekkel, például az autokorrelációval?

Megjegyzések

Válasz

Még soha nem láttam a “Formula” szót az “AMDF” szóval. Az AMDF meghatározásának megértése

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

$ n_0 $ az érdeklődési körzet a $ x [n] $ . Ne feledje, hogy csak nem negatív kifejezéseket foglal össze. Tehát $ Q_x [k, n_0] \ ge 0 $ . A “ $ k $ ” -ot a “lag” nak nevezzük. Ha $ k = 0 $ , majd $ Q_x [0, n_0] = 0 $ . Ha $ x [n] $ időszakos a $ P $ periódussal (és hagyja, hogy “úgy tesznek, mintha a $ P $ egy egész szám), majd $ Q_x [P, n_0] = 0 $ és $ Q_x [mP, n_0] = 0 $ bármely egész számra $ m $ .

Most még ha a $ x [n] $ nem pontosan periodikus, vagy ha a periódus nem pontosan egész számú minta (az Ön által használt adott mintavételi gyakoriság mellett), akkor $ Q_x [k, n_0] \ kb 0 $ elvárható bármilyen késés esetén $ k $ a periódusra vagy a periódus bármely egész számának többszörösére. Valójában, ha a $ x [n] $ majdnem periodikus, de az időszak nem a minták egész számánál van, akkor arra számítunk, hogy képes leszünk interpolálni a $ Q_x [k, n_0] $ a $ k $ egész értékei között, hogy még alacsonyabb minimumot kapjon.

A kedvencem nem az AMDF, hanem az “ASDF” (találd ki, mit jelent az “S”?)

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

Kiderült, hogy ezzel meg lehet számolni, mert a négyzetfüggvénynek vannak folytonos származékai, de az abszolútértékfüggvénynek nincs.

Itt van még egy ok, ami tetszik Az ASDF jobb, mint az AMDF. Ha a $ N $ nagyon nagy, és kicsit gyorsabban és lazábban játszunk az összegzés korlátjaival:

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

hol

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

rendszerint a $ x [n] $ “autokorrelációjaként” azonosítható.

Tehát azt várjuk, hogy az autokorrelációs függvény az ASDF fejjel lefelé fordított (és ellensúlyozott) másolata. Bárhol az autokorreláció csúcspontja ott van, ahol az ASDF (és általában az AMDF) minimumot tartalmaz.

Vélemény, hozzászólás?

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöltük