آموزش پردازش سیگنال و مخابرات در MATLAB
برای تحلیل داده زمانی، پیش از رسم طیف باید نرخ نمونه‌برداری، طول ثبت و واحد سیگنال را بدانید. این اطلاعات روی تفسیر فرکانس‌ها و انتخاب فیلتر اثر دارند و با یادگیری چند فرمان به‌تنهایی جایگزین نمی‌شوند.
مسیر را از تحلیل طیفی و فیلترکردن شروع کنید. سپس بر اساس هدف، به شبیه‌سازی پیوند مخابراتی یا ترکیب پردازش سیگنال و یادگیری عمیق بروید. مثال ECG در این صفحه یک نمونه آموزشی تحلیل داده است و باید در همین زمینه مطالعه شود.
ترتیب پیشنهادی یادگیری
- بردار زمانی، نرخ نمونه‌برداری و رسم نمودار را در MATLAB تمرین کنید.
- طیف را با fft بررسی کنید؛ سپس مشخصات فیلتر را از نیاز مسئله تعیین و پاسخ آن را مقایسه کنید.
- برای ادامه، پیوند بی‌سیم یا مدل دسته‌بندی سیگنال را انتخاب کنید و روش ارزیابی را پیش از آموزش مشخص کنید.
شکل‌ها و تمرین‌های این صفحه برای توضیح مفاهیم در دیجی‌استاد طراحی شده‌اند. نمودارهای نمایشی از داده ساختگی یا مدل ساده‌شده استفاده می‌کنند؛ برای فایل و مراحل مثال اصلی، پیوند MathWorks همان مورد را دنبال کنید.
آموزش‌ها و نمونه‌های منتخب
شروع پردازش سیگنال و تحلیل طیفی
Signal Processing Onramp
از تحلیل طیفی و فیلترکردن برای پیش‌پردازش و استخراج اطلاعات سیگنال استفاده می‌کنید. این آموزش پایه‌ای برای کار با داده حسگر، صوت و داده‌های زمانی است.
نمای بزرگ‌تر ↗سیگنال را هم در زمان و هم در فرکانس ببینید؛ تغییر شکل زمانی همیشه به‌تنهایی منبع مؤلفه‌ها را روشن نمی‌کند. شکل، جمع دو موج ساختگی و نتیجه یک میانگین‌گیری کوتاه را نشان می‌دهد. فیلتر می‌تواند بخشی از نوسان سریع را کاهش دهد، اما ممکن است دامنه و تأخیر مؤلفه مفید را هم تغییر دهد. پیش از انتخاب فیلتر، نرخ نمونه‌برداری و بازه فرکانس موردنیاز را مشخص کنید. سپس ورودی و خروجی را با مقیاس برابر مقایسه کنید. این روند کمک می‌کند کاهش نویز ظاهری را با حفظ اطلاعات مهم اشتباه نگیرید.
رابطه کوتاه
y[n] = Σ_(k=0)^(L−1) h[k] x[n−k]
رابطه یک فیلتر FIR با L ضریب است؛ x ورودی، h ضرایب و y خروجی‌اند. رفتار مرز داده و حالت اولیه باید مشخص شود؛ هر میانگین‌گیری برای هر سیگنال مناسب نیست.
تمرین پیشنهادی
دو موج با فرکانس متفاوت جمع کنید و یک میانگین‌گیر کوتاه اعمال کنید. دامنه موج آهسته و تأخیر خروجی را نیز بسنجید، نه فقط کاهش نوسان سریع را.
- آمادگی پیشنهادی
- بردارها، نمودار و نمونه‌برداری مقدماتی
- محیط اجرا
- محیط آنلاین آموزش MathWorks
شروع شبیه‌سازی ارتباطات بی‌سیم
Wireless Communications Onramp
با مبانی شبیه‌سازی یک پیوند مخابراتی در MATLAB آشنا می‌شوید. پس از تحلیل سیگنال، این مسیر برای مطالعه اثر کانال و سنجش عملکرد انتقال داده مناسب است.
نمای بزرگ‌تر ↗یک زنجیره مخابراتی فقط تولید موج نیست؛ داده باید در فرستنده نگاشت شود، از کانال عبور کند و در گیرنده بازیابی شود. شکل مسیر کلی و یک صورت فلکی چهارحالته نمایشی را نشان می‌دهد. نویز نقاط دریافتی را از مکان‌های ایده‌آل دور می‌کند و تصمیم گیرنده ممکن است بیت اشتباه بسازد. برای مقایسه منصفانه، تعداد بیت‌ها و تعریف نسبت سیگنال به نویز را ثابت نگه دارید. نتیجه یک اجرای کوتاه تصادفی را قطعی فرض نکنید. در شروع، ابتدا زنجیره بدون نویز را بررسی کنید و سپس اثر افزایش نویز را بر خطای بازیابی ببینید.
رابطه کوتاه
BER = N_error / N_bits
BER نسبت تعداد بیت‌های اشتباه به کل بیت‌های مقایسه‌شده پس از هم‌ترازی فرستنده و گیرنده است. صورت فلکی شکل یک نمونه آموزشی مستقل است، نه گزارش خروجی دوره.
تمرین پیشنهادی
یک زنجیره ساده را در دو سطح نویز مقایسه کنید. تعداد بیت‌ها را افزایش دهید و توضیح دهید چرا تخمین نرخ خطا در اجرای کوتاه می‌تواند ناپایدار باشد.
- آمادگی پیشنهادی
- MATLAB و مفاهیم پایه سیگنال و مخابرات
- محیط اجرا
- محیط آنلاین آموزش MathWorks
تحلیل طیف و تبدیل فوریه سریع با fft
fft — Fast Fourier transform
مرجع fft همراه مثال‌ها، محاسبه تبدیل فوریه گسسته را نشان می‌دهد. هنگام ساخت محور فرکانس به نرخ نمونه‌برداری، طول داده و مقیاس دامنه توجه کنید؛ صرف رسم قدرمطلق خروجی کافی نیست.
نمای بزرگ‌تر ↗تبدیل فوریه نشان می‌دهد چه مؤلفه‌های فرکانسی در یک بازه داده وجود دارند. شکل از جمع دو سینوس معلوم ساخته شده تا بتوان جای قله‌ها را با ورودی مقایسه کرد. محور فرکانس باید از نرخ نمونه‌برداری و تعداد نمونه‌ها ساخته شود؛ شماره خانه‌های آرایه به‌تنهایی هرتز نیست. تفکیک فرکانسی، طول داده و پنجره انتخابی بر ظاهر طیف اثر دارند. اگر دامنه طیف یک‌طرفه را گزارش می‌کنید، مقیاس‌بندی و رفتار مؤلفه DC و نایکوئیست را رعایت کنید. با یک ورودی معلوم شروع کنید تا خطای محور یا ضریب دامنه پشت یک نمودار زیبا پنهان نماند.
رابطه کوتاه
X[k] = Σ_(n=0)^(N−1) x[n] exp(−j2πkn/N) ; f_k = k f_s/N
N تعداد نمونه، f_s نرخ نمونه‌برداری و j واحد موهومی است. رابطه، DFT کامل را می‌دهد؛ نمایش دامنه یک‌طرفه به انتخاب نیمه طیف و مقیاس‌بندی مناسب نیاز دارد.
تمرین پیشنهادی
با نرخ ۱۰۰ هرتز، ۱۰۰ نمونه از سینوس‌های ۵ و ۱۲ هرتز بسازید. محل دو قله را بررسی کنید؛ سپس طول داده را تغییر دهید و فاصله خانه‌های فرکانسی را مقایسه کنید.
- آمادگی پیشنهادی
- بردار، عدد مختلط و نرخ نمونه‌برداری
- محیط اجرا
- MATLAB؛ برخی مثال‌های تکمیلی وابستگی جدا دارند
طراحی عملی فیلترهای دیجیتال FIR و IIR
Practical Introduction to Digital Filter Design
طراحی فیلتر با مشخصات پاسخ فرکانسی و تابع designfilt را دنبال می‌کنید. بعد از شناخت طیف، این مثال برای انتخاب فیلتر و بررسی پاسخ آن کاربرد دارد.
نمای بزرگ‌تر ↗طراحی فیلتر از نیاز مسئله آغاز می‌شود: کدام باند باید عبور کند و کدام باند باید تضعیف شود؟ پهنای گذار، ریپل و مرتبه، انتخاب‌های مرتبط‌اند. شکل پاسخ دو فیلتر ساده آموزشی را مقایسه می‌کند؛ این‌ها طراحی نهایی برای یک کاربرد خاص نیستند. خانواده FIR و IIR می‌توانند هزینه محاسباتی، فاز و رفتار متفاوتی داشته باشند. در مثال رسمی، مسیر طراحی با designfilt را دنبال کنید و پاسخ فرکانسی را پیش از اعمال به داده بررسی کنید. کوچک‌ترشدن نوسان در زمان به‌تنهایی کافی نیست؛ ممکن است بخشی از سیگنال مطلوب هم حذف شده باشد.
رابطه کوتاه
A_dB(ω) = 20 log₁₀ |H(exp(jω))|
H پاسخ فرکانسی و ω فرکانس زاویه‌ای دیجیتال بر حسب رادیان بر نمونه است. این رابطه اندازه پاسخ را به دسی‌بل تبدیل می‌کند؛ در نقاط صفر پاسخ، مقدار نظری به منفی بی‌نهایت می‌رود.
تمرین پیشنهادی
یک باند عبور و توقف مشخص کنید. با تغییر مرتبه، پاسخ دامنه و تأخیر را مقایسه کنید و توضیح دهید چرا فیلتر با گذار تندتر همیشه بهترین انتخاب عملی نیست.
- آمادگی پیشنهادی
- طیف فرکانسی و مبانی فیلتر
- محیط اجرا
- MATLAB و Signal Processing Toolbox
دسته‌بندی سیگنال ECG با شبکه LSTM
Classify ECG Signals Using Long Short-Term Memory Networks
یک نمونه آموزشی ترکیب پردازش سیگنال و یادگیری عمیق روی داده ECG است. برای مطالعه آماده‌سازی دنباله‌ها و اثر استخراج ویژگی بر دسته‌بندی مناسب است.
نمای بزرگ‌تر ↗در دسته‌بندی ECG، آماده‌سازی توالی‌ها و جداسازی داده به اندازه انتخاب شبکه اهمیت دارد. شکل یک ضربان کاملاً ساختگی و مسیر کلی ورود توالی به مدل را نشان می‌دهد؛ داده بیمار نیست. در مطالعه مثال، طول توالی، مقیاس دامنه و نحوه جداسازی آموزش و آزمون را دنبال کنید. اگر داده‌های یک فرد در هر دو مجموعه قرار بگیرند، ارزیابی ممکن است خوش‌بینانه شود. نرمال‌سازی باید با آمار بخش آموزش انجام شود و همان تبدیل روی داده جدید اعمال گردد. خروجی یک تمرین دسته‌بندی را معادل تصمیم بالینی یا تشخیص پزشکی نگیرید.
رابطه کوتاه
z = (x − μ_train) / σ_train
این یک روش ساده نرمال‌سازی با میانگین و انحراف معیار داده آموزش است و σ_train باید مثبت باشد. انتخاب تبدیل و جداسازی داده باید متناسب با مسئله و ساختار مجموعه ECG انجام شود.
تمرین پیشنهادی
یک موج ساختگی را در دو مقیاس دامنه بسازید و با آمار آموزش نرمال کنید. توضیح دهید چرا محاسبه آمار از کل داده، اطلاعات آزمون را وارد فرایند آموزش می‌کند.
- آمادگی پیشنهادی
- پردازش سیگنال، داده دنباله‌ای و یادگیری عمیق
- محیط اجرا
- MATLAB، Signal Processing Toolbox و Deep Learning Toolbox
تمرین پیشنهادی برای تثبیت یادگیری
دو مؤلفه سینوسی با فرکانس متفاوت بسازید و کمی نویز به آن‌ها اضافه کنید. سیگنال را در حوزه زمان و فرکانس رسم کنید و محور فرکانس را با نرخ نمونه‌برداری بسازید. سپس فیلتری طراحی کنید که یکی از مؤلفه‌ها را تضعیف کند و نتیجه را در هر دو حوزه مقایسه کنید. با تغییر طول ثبت، تفاوت تفکیک فرکانسی را بررسی کنید و تنظیمات را در گزارش تمرین بنویسید.
شیوه استفاده از منابع
معرفی و ترتیب مطالعه در این صفحه فارسی است؛ محتوای اصلی منابع به زبان انگلیسی در MathWorks قرار دارد. دوره‌های Onramp رایگان‌اند و برای انجام تمرین‌ها به حساب MathWorks و رایانه نیاز دارند. محیط آنلاین دوره به مجوز جداگانه محصولات نیاز ندارد؛ اجرای دوره در نرم‌افزار نصب‌شده شرایط مجوز خودش را دارد.
متن مثال‌ها و صفحه ویدئوها برای مطالعه در دسترس است؛ اجرای فایل نمونه روی رایانه ممکن است به MATLAB، Simulink، جعبه‌ابزارها یا افزونه‌های ذکرشده در منبع و نسخه سازگار نیاز داشته باشد. توضیح رسمی شرایط آموزش‌های MathWorks.
منابع بررسی‌شده در ۲۶ مهر ۱۴۰۵ · ارائه‌دهنده منابع پیوندشده: MathWorks