Strona Wikipedii dla funkcji / wzoru różnicy średniej wielkości (AMDF) wydaje się być pusta. Co to jest AMDF? Jakie są właściwości AMDF? Jakie są mocne i słabe strony AMDF w porównaniu z innymi metodami szacowania wysokości tonu, takimi jak autokorelacja?

Komentarze

Odpowiedź

Nigdy nie widziałem słowa „Formuła” z „AMDF”. Moje rozumienie definicji AMDF to

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

$ n_0 $ to okolica będąca przedmiotem zainteresowania w klasie $ x [n] $ . Zwróć uwagę, że sumujesz tylko wyrażenia nieujemne. Więc $ Q_x [k, n_0] \ ge 0 $ . Nazywamy „ $ k $ „lagiem” . Oczywiście, jeśli $ k = 0 $ , a następnie $ Q_x [0, n_0] = 0 $ . Ponadto, jeśli $ x [n] $ jest okresowy z okresem $ P $ (i udawajmy na chwilę, że $ P $ to liczba całkowita), a następnie $ Q_x [P, n_0] = 0 $ i $ Q_x [mP, n_0] = 0 $ dla dowolnej liczby całkowitej $ m $ .

Teraz nawet jeśli $ x [n] $ nie jest dokładnie okresowy lub jeśli okres nie jest dokładną liczbą całkowitą próbek (przy określonej częstotliwości próbkowania, której używasz), my oczekiwałby $ Q_x [k, n_0] \ około 0 $ za każde opóźnienie $ k $ , które jest blisko do okresu lub dowolnej całkowitej wielokrotności okresu. W rzeczywistości, jeśli $ x [n] $ jest prawie okresowy, ale okres nie jest liczbą całkowitą próbek, spodziewamy się, że będziemy w stanie interpolować $ Q_x [k, n_0] $ między wartościami całkowitymi $ k $ , aby uzyskać jeszcze niższe minimum.

Moim ulubionym nie jest AMDF, ale „ASDF” (zgadnij, co oznacza „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 $ $

Okazuje się, że można z tym zrobić rachunek różniczkowy, ponieważ funkcja kwadratowa ma ciągłe pochodne, ale funkcja wartości bezwzględnej nie.

Oto kolejny powód, dla którego lubię ASDF lepszy niż AMDF. Jeśli $ N $ jest bardzo duży i gramy trochę szybko i luźno z ograniczeniami sumowania:

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

gdzie

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

jest zwykle określane jako „autokorelacja” $ x [n] $ .

Oczekujemy więc, że funkcja autokorelacji będzie odwrócona (i przesunięta) replika ASDF. Gdziekolwiek szczyty autokorelacji są tam, gdzie ASDF (a zwykle także AMDF) ma minimum.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *