Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Time-Frequency Signal ProcessingApplications and Theory
Frida Gunnarsson
S. Qian, D. Chen, F. Hlawatsch and G.F. Boudreaux-Bartels
Time-Frequency Signal Processing – p.1
Contents
Introduction
Signal representation
Intuition
Applications
Bat Noise
Laser Radar on Vehicles
Whale Song
Other Examples
Different Analysis Methods
Linear TFR
Qudaratic TFR
Cohen’s class
In Pratice
Software
Discussion subjects
Exercizes
Time-Frequency Signal Processing – p.2
Introduction
Time-Frequency Signal Processing – p.3
Signal representation
s(t) =
∫ ∫Tx(τ, φ)
[g(t− τ)ej2πφt
]dτ dφ
Tx(t, f) spectral component or Time Frequency Representation
g(t) basis signal or synthesis window
Time-Frequency Signal Processing – p.4
Intuition
Takt 10-13 ur March från Nötknäpparsviten, Tchaikovsky.
PSfrag replacements 261.5 Hz 523 Hz
1046 Hz
Time-Frequency Signal Processing – p.5
Applications
Time-Frequency Signal Processing – p.6
Bat Noise
Time-Frequency Signal Processing – p.7
Laser Radar on Vehicles
s(t) = cos(ωct+ µ sin(ωvt))
fc, carrier frequency due to the velocity
fv, vibration frequency due to characteristics of the vehicle.
Time-Frequency Signal Processing – p.8
Whale Song
Time-Frequency Signal Processing – p.9
Other Examples
Acoustic signal processing
Speech coding, recognition, analysis
Room reverberation
Medecin and biology
Stochastic signal processing
Image processing
Time-Frequency Signal Processing – p.10
Different Analysis Methods
Time-Frequency Signal Processing – p.11
Linear TFR
STFT — Short Time Frequency Transform
Fourier transform in a time-window, i.e., local spectrum.
Is generalized and discretized with the Gabor Expansion
x(t) =∑
n
∑
k
Gx(n, k)gnk(t)
gnk(t) = g(t− nT )ej2πkFt
WT — Wavelet Transform
= Can be written as scalar products
T (γ)x (t, f) =< x,OP tfγ >
<> Different time-frequency resolution characteristics
Time-Frequency Signal Processing – p.12
Qudaratic TFR
Combines instantaneous power and spectral energy density =
Energetic TFR
( Combine temporal correlation and spectral correlation = Correlative
TFR )
WD — Wigner Distribution
Optimal time-frequency concentration
Wxy(t, f) =
∫
τ
x(t+τ
2)y∗(t− τ
2)e−j2πfτdτ
Interference terms, IT, are significant
Time-Frequency Signal Processing – p.13
Cohen’s class
Class of all time-frequncy shift invariant quadratic TFRs
All members can be derived from WD, by a time-frequencyconvolution.
Tx(t, f) =
∫
τ
∫
φ
ΨT (t− τ, f − φ)Wx(τ, φ) dτ dφ
Smoothing WD reduces interference and time-frequencyconcentration
Specially
Spectrogram, Tx = |STFTx|2.
Smoothed psuedo WD, SPWDg,Hx , g and H determine time and
frequency smoothing independently.ΨSPWD(t, f) = g(t)H(f)
Time-Frequency Signal Processing – p.14
Reduced interference
Fig. 27 on page 51 in Hlawatsch and Boudreaux-Bartels.
Time-Frequency Signal Processing – p.15
In Pratice
Time-Frequency Signal Processing – p.16
Software
Time-Frequency Signal Analysis Software Package
$590 for the latest version.
Kernel of Fortran
http://www.sprc.bee.qut.edu.au/tfsa/demo.html
Time Frequency Analysis Demos
Free via ftp.
For use with Matlab
http://www.eecs.umich.edu/˜wjw/index.html
Time-Frequency Signal Processing – p.17
Software II
Time Frequency Toolbox
Free to download.
Matlab 6 toolbox.
http://crttsn.univ-nantes.fr/˜auger/tftb.html
Now available from/home/rt/frida/matlab/SigProc/TimeFrequency/Toolbox/
addpath ’.../Toolbox/’addpath ’.../Toolbox/mfiles,demos,mat,manuals/’help current
sig1=fmlin(128); %Linear freq.mod.[tfr,fr]=tfrwv(sig1); %WVD of sig1mesh(1:128,fr,tfr);colormap(cool);
Time-Frequency Signal Processing – p.18
Linear Frequency Modulation
020
4060
80100
120140
0
20
40
60
80
100
120
140−40
−20
0
20
40
60
80
100
Time-Frequency Signal Processing – p.19
Discussion subjects
Optimal koncentration och osäkerhetsprincipen
Varför blir Gauss-funktionen (14) i Qian&Chen optimal?
Interferens
Vad innebär interferenstermerna i WD? Korsspektra? Varförär de oscillativa?
Samplingstakt TF < 1, numerisk stabilitet
Finns pratiska problem med val av samplingstakt?
Intuition och tolkning
Vad innebär det pratiskt att STFT och WT har olikakaraktäristik på upplösningen?
Vad får med oändlig upplösning i någon dimension? t.ex. avscalogram.
Time-Frequency Signal Processing – p.20
Exercizes
Data finns i katalogen’/home/rt/frida/matlab/SigProc/TimeFrequency/Exercize/’
Dataset: ’data.mat’ ger data som innehåller signalerna s1 och s2 ochalla konstanter. I makedata.m syns hur s1 och s2 konstruerats.
s1(t) = aδ(t− t0) + bδ(t− t1) + cej2πf0t + dej2πf1t
Uppgift: Testa t.ex. STFT, WT, WD, spectrogram och SPWD (olikafönster) på båda signalerna. Vilket ger bäst upplösning i både tidoch frekvens, med minst interferens? Hur ser man konstanterna,a, b, c, d och t0, t1, f0, f1 bäst? Vad händer om man adderar brustill signalerna, noisecg?
Obs: Beräkningar kan bli tunga. Använd alltid två-potenser somlängder. Du kan ställa in antalet tid och frekvenspunkter som TFRska beräknas i. Default är lika många som signalens längd.
Time-Frequency Signal Processing – p.21
Exercizes, cont.
Dataset: ’music.mat’ innehåller y och fs.
Uppgift: Vilken låt är detta en halv sekund av? Börjar ca 45s in ilåten. Plotta bara de intressanta frekvenserna.
Tips: Sampla om! Använd set(gca,’YScale’,’log’) ochset(gca,’YTicks’,523*2.∧[-2:2] för att få tonen C’splacering.
Obs: Lägg inte ner så mycket tid på detta. Var noga med att angestorlek på resulterande TFR enligt föregående “Obs”.
Time-Frequency Signal Processing – p.22
Matlab
Path to toolbox:’/home/rt/frida/matlab/SigProc/TimeFrequency/Toolbox/’ and subdirectories.Or download all or parts from ’http://crttsn.univ-nantes.fr/ auger/tftb.html’.
help contents Produces a list of all available commands for the tool-box
tfdemo, tfdemo1-7, paramfun Demos with code print outs. Very nice.
fmlin, fmsin, fmhyp Produces signals with different frequency character-istics, Linear, Sinusoidal and Hyperbolic
noisecg, noisecu Addition of noise
[tfr,tr,fr]=tfrstft, tfrsp,tfrwv, tfrspwv
(x,t,n) Calculates the TFR for the signal x together with thetime and freqeuncy points. t is the time instanceswanted and n is the number of frequency points.
tfrview, tfrqview Visualization of TFR
Time-Frequency Signal Processing – p.23
So
rterade
Frag
or
Bakg
run
dWavelets
dykerupp
itidoch
otid.K
annagon
somlast
mer
omdessa
geen
bra(kortfattad)
introduktiontill
osssom
barasett
demi
forbi-
farten?/Peter
Berakn
ing
aro
chim
plem
entatio
n
Ifigur6,-92-artikeln,visas
hurm
ankan
anvandaS
TF
Tsom
finlterbank.H
urstar
sigden
harlosningen
jamfortm
edde
iShynk?
ST
FT
bordevara
mer
berakningskravande?/S
tina
Detenda
somnam
nsom
modell-baserade
metoder
ariprincip
attdet
arm
ycketdyrareattrakna
padem
.H
urm
yckethargjorts
pa
modellbaserade
metoder
forT
FD
?E
llerar
detsaattdetinte
ar
nagonm
eningattbry
sigom
detfordetalltid
blirfor
dyrt?/Thom
as
Finns
deteffektivaalgoritm
erfor
berakningav
wavelets?/M
arkusD
Finns
detnagotbra(effektivt)sattattim
plementerS
TF
T,elleranvands
FF
T+
fonsterfor
attbyggaupp
STFT
(m∗T,n∗
Ω)?/R
ickard
Op
timalko
ncen
tration
och
osakerh
etsprin
cipen
Iartiklarnapratar
man
mycketom
”uncertatityprinciple”,hur
langtgaendear
dennaanalogi?
Vidare
sagerm
anidetta
samm
anhangattG
auss-funnktionenar
optimaltkoncentrerad
iden
omsesidiga
FT-dom
anen,hurser
man
detta?/T
homas
Med
Fouriertransform
kanfrekvensupplosningen
forbattrasm
ed
langretidssignal(och
pam
otsvarandesattforttidsupplosningen).
Kan
upplosningeniT
FR
forbattrasm
edlangre
signalereller
paannat
sattgenomattvalja
signalenannorlunda?/S
vanteB
.
23-1
Vad innebar det att ekvation (14) (i Qian) uppnar optimal ”joint
time-frequency concentration”./Jonas J
I (Qiang och Chen) sags att ekv 14 ger optimal joint time-frequency
concentration i en uncertainty point of view. Varfor? Vad ar opti-
malt?/Niclas
Interferens
Forfattarna skriver att WD:s tillampningar ar ”restricted” pa grund av
korstermerna, men samtidigt att den anvands flitigt i diverse olika
tillampningar. Ar det ”smoothed WD” man i praktiken
anvander?/Andreas E
Ar interferenstermerna i WD energi som hamnat fel i
tids-frekvensplanet? Borde deras energi hora till autotermerna? Har
autotermerna lagre energi an de borde pga interferenstermerna?
/Svante B.
Varfor blir det interferenstermer for spektrogrammet precis da
autotermer overlappar?/Svante B.
Ar korstermerna i Wignerdistributionen (WD) och
mangtydighetsfunktionen (Ambiguity function) korsspektra resp.
korskovarians? De bor val vara med for att ge en korrekt bild av
signalen som analyseras? /Svante B.
For att oka bade tids- och frekvensupplosning anvands Wigner-Ville
distributionen. Den introducerar en oonskad ”cross-term” som sags
vara ”almost always strongly oscillated” (Qiang och Chen) For att re-
ducera ”cross-termen” anvands ett 2-D filter (Cohen’s class). Jag an-
tar att det bygger pa att ”cross-termen” ar just oscillativ. Ar den nastan
(vad menas med nastan) alltid det? Varfor ar den nastan alltid det? I
vilka fall ar den inte det? /Niclas
23-2
Begransningar i prestanda
Finns det nagra grundlaggande begransningar i prestanda for TFR:er
som ingen TFR kan ge battre prestanda an? Begransningar for kvadratiska
TFR:er?/Svante B.
Samplingstakt TF < 1, numeriskt stabilitet
Vilken samplingstakt ar lamplig for Wigner-Ville distributionen? Ar det
critical sampling eller ska stor oversampling anvandas eftersom det
ar en berakningseffektiv algoritm? /Stefan
TF < 1 rekommenderas for numerisk stabilitet men ger linjart be-
roende gaborkoefficienter. Ger det linjara beroendet praktiska prob-
lem?/Markus D
Intuition och tolkning
Antar WD i sjalva verket en signalmodell med endast en
signalkomponent och darfor inte kan hantera signaler med flera
signalkomponenter? /Svante B.
Intuitivt, varfor har man olika tekniker for att skatta S(t, w)respektive P (t, w) = |S(t, w)|2? Om det finns battre satt att
skatta P (t, w) an att kvadrera STFT:en, kan da dessa skattningar
anvandas for att forbattra skattningen av S(t, w)? Enda skillnaden
tycks ju vara fasinformationen./Ola
Pa sidan 31 (i Hlawatsch) jamfors skillnad mellan STFT och WT. En
skillnad ar att STFT har ett konstant langd pa ”analys fonstret”
medans WT far ett mindre foster (i tidsdoman) for hogre frekvenser.
Vad ar den praktisk konsekvensen av detta? Finns det nagon
tumregel for vilken metod som lampar sig bast - om man kanner den
analyserade signalens egenskaper?/Jonas J
23-3
Formel (3.2) i (F. Hlawatsch mfl). Spektrum ar ju vart vanliga
periodogram, fast nu tidsberoende, dvs energins fordelning i
frekvensplanet (nu tidsvariabelt). Vad ar tolkningen av ”scalogram” ?
/Rickard
Ar det bara med Short Time Fourier Transform som man far tillbaka
Fouriertransformen respektive tidssignalen om man later frekvensupplosningen
resp. tidsupplosningen ga mot oandligheten? /Jonas E
Praktiskt arbete
Ar det nagon som har anvant TFD i sitt arbete/forskning?/Peter
Ovrigt
Varfor kan det vara bra med korstermer i automatiserad signalanalys
(s. 57)?/Svante B
Besvarade fragor
Q. 1. Om man skall anvanda algoritmen som ar beskriven pa sidan 60 sa
behover man G och H (bl a). Hur far man tag pa dessa? (For de ar val
olika for olika signaler, s)./Erik
A. 1. G och H ar analys- och syntesmatriser och fas ur (22). (28) ar ett
annat satt att skriva (22).
Q. 2. Bada artiklarna pratar forfattarna om biortogonala expansioner. Om
man tittar i Fig. 3 s. 54 i -99-artikeln, betyder en biortogonal expan-
sion att vektorn s inte ar entydigt bestamd(till skillnad fran en ortogonal
exp.)? Kortform: vad ar en biortogonal expansion?/Stina
A. 2. Om syntesfunktionen bildar en bas, men analys- och syntes fun-
tkion ar inte ortogonal, kallas expansionen av signalen s mha dessa
analys och syntesfunktioner for en biorthogonal expansion.
Q. 3. I figur 6, -92-artikeln, ar ett steg i filterbanksprocessandet en ”STFT
modification M” - vad ar det? M namns inte i texten./Stina
23-4
A. 3. M ar en modifikation av vad slag som helst pa signalen/STFT-
samplen. Nagot vi vill gora med data helt enkelt.
Q. 4. Kan man pa nagot enkelt satt berakna resultatet av att filtrera en signal
pa nagon TFR-form. (Motsvarande Y = HX for fouriertransformer-
ade signaler) /Andreas E
A. 4. Borde int vara nat problem om man anvander formuleringarna
(28) och (29) i Qian&Chen
Q. 5. Finns det i litterturen en sammanstallning med klara regler for hur man
ska valja en lamplig TFR?/Svante B.
A. 5. Tror att det ar mycket beroende pa tillampning och erfarenhet.
Vad vill vi visa, osv?
Q. 6. Det verkar som signal-adaptive radially-Gaussian kernel distribution
ar bast (fig 21i, 27e). Hur beraknas den? Har den nagra nackdelar?
/Svante B.
A. 6. Inte kvadratisk, dvs., berakningstung. Passar bast for just multi-
komponent signale med linjar frekvensmodulation. Den finns angiven
pa slutet i Table I, s.25 i Hlawatsch&Boudreaux-Bartels.
Q. 7. Var definieras ”time smoothing spread” ∆t och ”frequency smoothing
spread” ∆f i artikeln. De anvands pa sidan 42-43. /Svante B.
A. 7. Det ahndlar om hur utbredd glattningsfunktionen ΨSPEC ar i
tids- och frekvensplanet. jfr, stodet for en en-dimensionell funktion.
Q. 8. Vad ar funktionen η(x) i Pseudo Wigner Distribution?/Svante B.
A. 8. En omskrivning av filtret for frekvens-glattning, se Table I
Hlawatsch&Boudreaux-Bartels.
Q. 9. Pa sidan 34 star det att man inte kan tolka en kvadratisk TFR som
energi i varje punkt i tids-frekvensplanet. Men det ar val det man vill?
Om det inte gar ar val TFR:n vardelos?/Svante B.
A. 9. Det gar inte darfor att vi inte kan ha perfekt upplosning i bada
dimensionerna samtidigt. Det blir dock en approximation.
Q. 10. Om man tittar i Figur 18 verkar det svart att fa ut nagon information ur
en signal som innehaller flera frekvenser under samma tidsintervall.
23-5
Finns det nagon transform som klarar en sadan signal bra? /Jonas E
A. 10. Det gor flera av dem. Studera uppgifterna.
Q. 11. Hur valjer man lampliga funktionerh och γ for Gabor utvecklingen?/Stefan
A. 11. Normalt arh en Gauss-bubbla, men det kan man valja beroende
pa vilka effekter man vill se, t.ex. om man vill sprida ut funktione mer i
frekvens for att undvika IT. γ valjs sedan mha (2.9a) som syntesfunk-
tion.
23-6