DE4123983A1 - Iteratives verfahren zur extrapolation und hochaufloesenden spektralanalyse von signalen - Google Patents
Iteratives verfahren zur extrapolation und hochaufloesenden spektralanalyse von signalenInfo
- Publication number
- DE4123983A1 DE4123983A1 DE4123983A DE4123983A DE4123983A1 DE 4123983 A1 DE4123983 A1 DE 4123983A1 DE 4123983 A DE4123983 A DE 4123983A DE 4123983 A DE4123983 A DE 4123983A DE 4123983 A1 DE4123983 A1 DE 4123983A1
- Authority
- DE
- Germany
- Prior art keywords
- spectrum
- signal
- spectral
- window
- lines
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Description
Die Erfindung geht aus von einem Verfahren nach dem
Oberbegriff des Anspruchs 1.
Bekannte Verfahren zur iterativen Rekonstruktion,
also zur Extrapolation und Spektralanalyse von diskreten
Signalen, sind darauf gerichtet, ein Signal ohne
Sprünge fortzusetzen (Franke, U.: Selective deconvolution:
A new approach to extrapolation and spectral
analysis of discrete signals, ICASSP′87, S. 1300-1303,
1987; Franke U.: Regionenorientierte Bildbeschreibung:
Algorithmen und Möglichkeiten, Fortschrittsberichte
VDI-Reihe 10, Nr. 101, 1989; Papoulis, A.: A new
algorithm in spectral analysis and band-limited extrapolation,
IEEE Trans. on Circuits and Systems, Vol.
CAS-22, Nr. 9, S. 735-742, 1975; Papoulis, A. und
Chamzas, C.: Detection of hidden periodicities by
adaptive extrapolation, IEEE Trans. on Acoustics,
Speech, and Signal Processing, Vol. ASSP-27, Nr. 1,
S. 4-12, 1979).
Die aus den genannten Veröffentlichungen hervorgehenden
Verfahren berücksichtigen dabei sowohl Randbedingungen
im Zeit- als auch im Frequenzbereich. Es ergibt sich
dann ein Vorgehen, wie dies, auch zum besseren Verständnis
vorliegender Erfindung, anhand der den Stand
der Technik angebender Fig. 1 und 2, hier speziell
der Fig. 2 (iterative Rekonstruktion), gezeigt ist.
Hierzu wird im Zeitbereich der bekannte Signalabschnitt
mit Nullen verlängert. Das so verlängerte Signal wird
mittels der Diskreten Fouriertransformation in den
Frequenzbereich transformiert. Es werden zum einen
die betragsmäßig größten Frequenzlinien ausgewählt
(bei Franke), zum anderen wird eine Bandpaßfilterung
durchgeführt (Papoulis). In jedem Fall werden eine
gewisse Anzahl von Frequenzlinien zu Null gesetzt.
Danach wird wieder eine Transformation in den Zeitbereich
durchgeführt. Die Begrenzung im Frequenzbereich
bewirkt bekanntermaßen eine Verschmierung des Signals
im Zeitbereich. In dem Bereich, der vorher mit Nullen
aufgefüllt wurde, befinden sich nun Signalanteile.
Aber es hat auch eine Veränderung des Signals im Beobachtungsintervall
stattgefunden. Die Signaländerungen
innerhalb des Fensters können rückgängig gemacht
werden, da dort das Signal bekannt ist. Es werden
also die bekannten Werte innerhalb des Fensters wieder
eingesetzt, die neu hinzugekommenen Signalanteile
außerhalb dieses Bereiches werden beibehalten. Dadurch
ändert sich wiederum die Frequenzzusammensetzung des
Signals. Diese beiden Schritte im Frequenz- und Zeitbereich
werden nun wiederholt durchgeführt, indem
immer wechselweise im Frequenzbereich und im Zeitbereich
gearbeitet und approximiert wird, bis ein Fehlermaß,
im allgemeinen die Summe der quadratischen
Abweichungen zwischen dem im Beobachtungsintervall
bekannten Signal und dessen nach der Rücktransformation
in den Zeitbereich erhaltenen Schätzung, unterschritten
wird. Bei den bekannten Verfahren wird also
über die Fouriertransformation zur iterativen Rekonstruktion
wiederholt hin- und hergesprungen, so daß
diese Verfahren nicht nur sehr kompliziert sind, sondern
auch Echtzeitrealisierungen nicht möglich sind,
da eine solche Rekonstruktion zu langsam abläuft.
Es sei noch erwähnt, daß das Verfahren nach Franke
zunächst nicht alle Frequenzlinien in einem Schritt
auswählt, sondern daß es sukzessive neue Linien zu
bereits ausgewählten hinzunimmt.
Beide Ansätze benötigen in jedem Iterationsschritt
zwei Diskrete Fouriertransformationen. Dies ist sehr
rechenaufwendig und führt außerdem durch die vielen
Transformationen zu einer großen Fehlerakkumulation.
Die Signalfortsetzungen, die auf der Bandpaßeigenschaft
bei Papoulis beruhen, klingen darüber hinaus
sehr stark ab, was unerwünscht ist.
Bekanntlich besagt das Zeitgesetz der Nachrichtentechnik,
daß die spektrale Zusammensetzung eines Signals
für einen bestimmten Zeitabschnitt nur mit einer gewissen
Genauigkeit bestimmt werden kann (Unschärfebeziehung).
Im allgemeinen wird angenommen, daß das Produkt aus
Frequenzauflösung und Beobachtungsdauer etwa 1 beträgt.
Steht Vorwissen über das Signal zur Verfügung oder
könen sinnvolle Annahmen, dessen zeitlichen Verlauf
betreffend, gemacht werden, so ist es möglich, die
Frequenzauflösung für den gleichen Beobachtungszeitraum
wesentlich zu erhöhen.
Eine sinnvolle Annahme über den zeitlichen Verlauf
eines Signals zeigt Fig. 1 in Verbindung mit einer
Fensterfunktion. Das Beobachtungsintervall ist in
den einzelnen Abbildungen durch ein Rechteck gekennzeichnet.
Innerhalb dieses Zeitraums ist das zu untersuchende
Signal bekannt.
Standardtechniken (Diskrete Fouriertransformation)
analysieren die spektrale Zusammensetzung eines Signalabschnittes
so, also ob dieser Abschnitt periodisch
fortgesetzt worden wäre. In Fig. 1 (unten rechts)
ist dieses veranschaulicht worden. Es wird deutlich,
daß an den Rändern des Beobachtungszeitraums durch
die periodische Fortsetzung Sprünge auftreten können.
Dies bewirkt, daß im Spektrum zusätzliche Komponenten
auftreten, die eigentlich im Signal gar nicht vorhanden
sind (das Spektrum wird verbreitert und verschmiert).
Abhilfe wird durch die Verwendung sogenannter Fensterfunktionen
erreicht. Als Beispiele seien hier Hanning-,
Hamming- und Kaiser-Fenster genannt. Das Signal wird
zwecks Analyse nun nicht mit einem Rechteck, sondern
mit einer solchen Fensterfunktion multipliziert. Dies
führt dazu, daß das Signal dann an den Rändern des
Beobachtungsintervalls sehr stark reduziert wird oder
sogar den Wert Null annimmt. Die periodische Fortsetzung
des Signalabschnitts weist dann nur geringe oder
überhaupt keine Sprünge auf.
Betrachtet man als Beispiel ein Signal, das aus zwei
Sinusschwingungen zusammengesetzt ist, dann werden
durch die endliche Beobachtungsdauer bei der Anwendung
eines Rechteckfensters für die Frequenzanalyse sehr
viele Frequenzanteile sichtbar. Außerdem gibt es auch
eine Störung der Anteile, die tatsächlich im Signal
enthalten sind. Die Störung nimmt ab, falls die beiden
Sinusschwingungen einen großen Frequenzabstand aufweisen.
Die Anwendung der anderen oben beschriebenen
Fensterfunktionen führt zu einer Reduzierung der Anzahl
der scheinbaren Frequenzlinien und zu einer Verringerung
der Störung der im Signal enthaltenen Frequenzanteile,
falls diese einen großen Frequenzabstand
haben, und zu einer Verstärkung dieser Störungen für
den Fall, daß die Frequenz der beiden Schwingungen
etwa gleich groß ist.
Der Einfluß der Fensterfunktionen im Frequenzbereich
ist also der, daß der Verschmierungseffekt sich nur
lokal auswirkt, aber dann um so größer ist.
Es wird demnach ein Kompromiß zwischen lokaler Frequenzauflösung
und einer Verschmierung über einen
großen Frequenzbereich gesucht.
Fig. 1 unten links zeigt ein Beispiel für eine sinnvolle
Fortsetzung des Signals. Innerhalb des bekannten Bereiches
wird das Signal mit möglichst wenigen Schwingungen
beschrieben. Im Gegensatz zur diskreten Fouriertransformation
handelt es sich nicht um eine Fortsetzung,
die ohne Rücksicht auf den Signalverlauf innerhalb
des Beobachtungsintervalles einfach periodisch
durchgeführt wird, sondern es erfolgt eine signalangepaßte
Fortsetzung. Man kann sich nun vorstellen,
wie diese Art der Signalfortsetzung zu einer höheren
Frequenzauflösung führt: Die Beobachtungsdauer wird
nicht erhöht, aber durch eine geeignete Fortsetzung
des Signals über den Beobachtungszeitraum hinaus wird die Beobachtungsdauer
scheinbar verlängert, so daß sich dadurch eine
höhere Frequenzauflösung nach dem oben angeführten
Zeitgesetz der Nachrichtentechnik ergibt. Da die eigentliche
Beobachtungsdauer konstant bleibt, erzielt man
nun ein Produkt aus Frequenzauflösung und Beobachtungsdauer,
welches deutlich unter 1 liegt. Es sei noch
einmal betont, daß als Vorwissen einzig verwendet
wurde, daß das Signal innerhalb des Fensters mit möglichst
wenigen Frequenzlinien beschrieben wird, die
Fortsetzung des Signals über den Beobachtungszeitraum
hinaus infolge dessen also keine Sprünge aufweist.
Diese Art der Signalfortsetzung führt zu einer Frequenzanalyse,
bei welcher der störende Einfluß des
Analysefensters weitgehendst oder sogar vollständig
(je nach Aufwand) eliminiert werden kann.
Der Erfindung liegt daher die Aufgabe zugrunde, ein
besonders schnelles und vor allen Dingen robustes,
sich für viele praktische Anwendungen eignendes, iteratives
Extrapolationsverfahren zur hochauflösenden
Spektralanalyse bei Signalen zu schaffen, welches
möglichst einfache und geringe Rechenoperationen erforderlich
macht, so daß das Verfahren auch numerisch
sehr stabil ist.
Die Erfindung löst diese Aufgabe mit den kennzeichnenden
Merkmalen des Anspruchs 1 und hat den Vorteil, daß überhaupt
nur eine einzige Diskrete Fouriertransformation vor dem Beginn
der Iterationen benötigt wird, da diese dann vollständig im
Frequenzbereich ablaufen. Falls das extrapolierte Zeitsignal
von Interesse ist, muß nach dem Ende der Iterationen noch eine
Transformation des geschätzten Spektrums in den Zeitbereich
erfolgen. In einem Iterationsschritt werden nicht alle Frequenzlinien
ausgewählt, sondern es werden nur bestimmte, im
folgenden näher beschriebene, signifikante Linien genommen.
Die Erfindung ermöglicht daher, mit sehr kleinen Fenstern
sehr sauber und sehr korrekt Signale zu schätzen,
wobei aufgrund des Umstandes, daß nur im Spektralbereich
Iterationen gemacht werden, erheblich schneller
und mit wesentlich weniger Fehlern gearbeitet
wird.
Durch die ausschließliche Durchführung der Selektion
der Spektrallinien und deren Schätzung im Fourierbereich
wird der zugrunde liegende Algorithmus extrem
effizient, wobei sich das erfindungsgemäße Verfahren
für eine Vielzahl von Anwendungsbeispielen eignet,
so etwa bei der Quellcodierung zur Datenreduzierung.
So ist es durch die Erfindung beispielsweise möglich,
bei der Übertragung digitaler Musik die Datenrate
auf ca. 1 Bit pro Abtastwert oder sogar weniger bei
Aufrechterhaltung guter Qualität zu senken. Um hier
nur ein Beispiel anzugeben: selbst bei einer Reduzierung
auf eine Datenrate von 2 Bit erfordert diese
Reduzierung noch eine Übertragungsrate von mehr als
64 kBit/sec, was zum Beispiel neueste ISDN-Verbindungen
bewältigen können. Durch die Erfindung gelingt
es daher beispielsweise, über übliche ISDN
digitale Musikdarbietung in HiFi-Qualität in voller
Dynamik und vollem Frequenzumfang zu übertragen.
Weitere Anwendungsmöglichkeiten ergeben sich bei:
- - Codierung (z. B. Audiosignalcodierung (Hörbeispiel), texturbasierte Bildcodierung): Transformationscodierungsalgorithmen, die auf der FFT oder ähnlichen Spektraltransformationen basieren, können mit dem hier beschriebenen Verfahren arbeiten. Dies hat den Vorteil, daß nur die "eigentliche Information" codiert werden muß, da der Einfluß des Analysefensters eliminiert werden kann.
- - Bildtelefon: Durch einen Segmentierungsprozeß wird eine Person vom Hintergrund unterschieden. Der Hintergrund wird dann extrapoliert und übertragen. Danach muß nur die Information über den Vordergrund (Person) ständig übertragen werden. Nach Bedarf kann die Hintergrundinformation aktualisiert werden.
- - Rauschunterdrückung: Zur Darstellung des Signals werden nur die signifikantesten Spektrallinien verwendet. Die wesentlichen Rauschanteile befinden sich dann im Differenzsignal zwischen dem Originalsignal und dem geschätzten Signal.
- - Trennung tonaler und rauschartiger Komponenten zwecks Analyse: Nachdem die signifikantesten Spektrallinien bestimmt worden sind, enthält das Differenzsignal zwischen dem Originalsignal und dem geschätzten Signal nun die wesentlichen Rauschanteile, die dann parametrisch beschrieben werden können (vergleiche Rauschunterdrückung).
- - "Korrektur" von Übertragungsfehlern: Die Fehler werden "herausgeschnitten", danach werden die Daten durch Extrapolation ergänzt (Hörbeispiel).
- - Schnelle Sprachschalter: Die hochauflösende Spektralanalyse ist hier so zu interpretieren, daß innerhalb eines kurzen Zeitabschnitts eine geforderte Frequenzauflösung erzielt wird. Das menschliche Gehör ist z. B. in der Lage, Sprache nach einer sehr kurzen Zeit (δt≈0,5 * 1/f₁) zu erkennen. Herkömmliche FFT-Analysatoren benötigen mindestens δt=1/f₁. Das hier vorgestellte Verfahren kann die Grundfrequenz der menschlichen Sprache f₁ mit einem wesentlich kürzeren Fenster analysieren.
- - Berechnung psychoakustischer Parameter: Die Modellbildung in der Psychoakustik kann nun wesentlich realistischere Ergebnisse liefern, da mit dem beschriebenen Verfahren eine effiziente Spektralanalyse zur Verfügung steht, die gegenüber der konventionellen FFT dem Gehör besser angepaßt ist.
Weitere Ausgestaltungen der Erfindung sind Gegenstand
der Unteransprüche und in diesen niedergelegt.
Ein Ausführungsbeispiel der Erfindung wird im folgenden
anhand der Zeichnung im einzelnen näher erläutert.
Es zeigt
Fig. 1 Signale beliebiger Verläufe mit zugeordneten
Fensterfunktionen,
Fig. 2 die Grundform bekannter iterativer Rekonstruktionsverfahren
(Stand der Technik),
Fig. 3 die Grundkonzeption einer erfindungsgemäßen
Realisierungsform mit Iteration im Spektralbereich,
Fig. 4 die Multiplikation eines Sinussignals (repräsentiert
durch zwei Spektrallinien: Spektrallinienpaar)
mit einer Fensterfunktion, während
Fig. 5 als Selektion mehrerer Linien verdeutlicht,
wie im allgemeinen Fall der Iteration im Spektralbereich
vorgegangen wird;
Fig. 6 zeigt im Zeitberich ein Originalsignal, bestehend
aus Kontur (Hüllkurve) und Inhalt
(Trägersignal) - vergl. Amplitudenmodulation
-, wobei die Hüllkurve entsprechend
Fig. 7 über eine sogenannte Hilberttransformation
als geschätzte Hüllkurve gezeigt ist; hierzu gehören
die
Fig. 8 und 9 im Spektralbereich, die eine Spektralschätzung
mit 16 Linienpaaren und das FFT-
Spektrum mit 2048 Linienpaaren angeben, während
Fig. 10 die Rekonstruktion und sinnvolle Extrapolation
des Originalsignals darstellt; die
Fig. 11-15 zeigen schließlich verschiedene Realisationsmöglichkeiten
zur Kombination des erfindungsgemäßen
Verfahrens mit einer geeigneten
Zerlegung eines Audiosignals in Teilbänder
mittels einer gehörangepaßten Filterbank sowie
der Verwendung variabler Beobachtungsdauern
in den einzelnen Teilbändern; schließlich
zeigen die
Fig. 16, 17 und 18 in dieser Reihenfolge ein Originalsignal
f(n) mit Fensterdarstellung (gefenstertes
Signal), das FFT-Spektrum des gefensterten
Originalsignals und (Fig. 18) das
geschätzte Spektrum, was identisch mit dem
Spektrum des Originalsignals ist, also Träger
und zwei Seitenbänder; die
Fig. 19 und 20 zeigen zweidimensionale Beispiele
von Extrapolationen, wobei die Figuren von
oben nach unten das Originalsegment, welches
dem segmentierten Bild entnommen worden ist,
die extrapolierte Textur und das rekonstruierte
Segment zeigen, welches man durch Multiplikation
der extrapolierten Textur mit der Fensterfunktion
erhält.
Um den bei der Schätzung eines Kurzzeitspektrums
eines zeitdiskreten Signals f(n) mit der diskreten
Fouriertransformation auftretenden verschmierenden
Einfluß des Analysefensters ω(n) (Leakage-Effekt)
zu vermeiden, werden entsprechend der Erfindung die
Selektion der Spektrallinien und deren Schätzung
ausschließlich im Fourierbereich durchgeführt,
so wie dies schematisch im prinzipiellen Verlauf
der Iterationen in Fig. 3 gezeigt ist. Diese Figur
veranschaulicht das Selektionsverfahren.
Zunächst wird so vorgegangen, daß die Zeitfunktionen
g(n)=f(n) · ω(n)
entsprechend der gewünschten Frequenzauflösung
mit Nullen ergänzt werden. Aus diesen verlängerten
Signalen werden dann G(k) und W(k) mittels
FFT berechnet.
- - Initialisierung:(0) (k) = 0, G(0) (k) = G(k).
- - i-ter Iterationsschritt: Selektiere das Linienpaar G(i-1) (ks (i), G(i-1) (N-ks (i)), welches eine maximale Verringerung des Fehlers bewirkt (die Reduzierung des Fehlers kann als Funktion der Spektralwerte G(i-1) (ks (i) und G(i-1) (N-ks (i)) ausgedrückt werden).
- - Berechne die Schätzwerte (ks (i)) und (N-ks (i)) nach wobeiFΔ (i) (k) = (ks (i))δ(k-ks (i)) + *(ks (i))δ(k-(N-ks (i))).
- - Bilde die i-te Schätzung von F(k) mit (i)(k) = (i-1)(k) + FΔ (i)(k) (akkumuliertes Spektrum).
- - Berechne das neue Fehlerspektrum so daß nun nach Beendigung dieses Iterationsschrittes gilt:G(i) (ks (i)) = G(i) (N-ks (i)) = 0.
- - Beginn des Schrittes i+1 durch die Selektion eines neuen Linienpaares von G(i)(k).
Das Iterationsverfahren kann abgebrochen werden,
sobald das Fehlermaß unter einen vorher festgelegten
Wert gefallen ist oder falls die Selektion eines
neuen Spektrallinienpaares nur noch zu einer kleinen
Abnahme des Fehlers führt.
Fig. 4 zeigt bei einem Spektrallinienpaar, welches
Spektrum erhalten wird, wenn ein Sinussignal (hier
durch zwei Spektrallinien I1, I2 repräsentiert) mit
einer Fensterfunktion multipliziert wird, was im
Spektralbereich einer Faltung entspricht. In diesem
Beispiel ist das Fensterspektrum A ohne Beschränkung
der Allgemeinheit als bandbegrenzt angenommen worden.
Das resultierende Spektrum stellt die Überlagerung
zweier, an die Position der Spektrallinien verschobener
Fensterspektren A1, A2 dar. In Abhängigkeit
von dem Frequenzabstand der beiden Spektrallinien
I1′, I2′ bzw. I1, I2 gibt es eine Abweichung der
Spektralwerte bei der Frequenz der Sinusschwingungen
von den Originalwerten (unten rechts) oder keine
Abweichung (oben rechts). Da das Fensterspektrum
bekannt ist, kann dessen Einfluß auf die Spektralwerte
bei der Frequenz der Sinusschwingungen berechnet
werden, wobei auf diese Berechnung, nämlich Lösung
einer Gleichung, im folgenden noch genauer eingegangen
wird.
Zwei an die Position der Spektrallinien verschobene
Fensterspektren werden nun mit den berechneten Spektralwerten
gewichtet und überlagert. Dieses führt
zu einem Spektrum A1+A2, welches in Fig. 4 oben
nur im Bereich A-A von den beiden Spektren A1 bzw.
A2 verschieden ist. Dagegen ist in der unteren Darstellung
der Fig. 4 der Verlauf des überlagerten Spektrums
wesentlich komplizierter, da hier die beiden
Spektren näher beieinander liegen und dies zu einem
einheitlichen überlagerten Kurvenverlauf führt, der
durch das Bezugszeichen B zwischen den beiden Spektren
dargestellt ist.
Dieses so gewonnene Spektrum wird von dem zuerst
berechneten Spektrum subtrahiert, welches dann verschwindet,
da in diesem Fall beide Spektren identisch
sind. Werden statt der überlagerten Fensterspektren
nur die berechneten Spektralwerte bei der Frequenz
der Sinusschwingungen genommen, entspricht diese
Darstellung dann dem Spektrum eines Signals, das
ohne Sprünge fortgesetzt wird (hier eine Sinusschwingung).
Wie findet man nun die richtige Position der Spektrallinien?
Dies muß nicht unbedingt die Stelle sein,
an der das Spektrum des gefensterten Signals ein
Betragsmaximum aufweist. Es kann auch ein Fehlermaß,
nämlich die Verringerung der Summe der quadratischen
Abweichungen zwischen dem innerhalb des Fensters
bekannten Signal und dessen Schätzung, in Abhängigkeit
von der gewählten Position angegeben werden. Es ist
also möglich, das Spektrallinienpaar auszuwählen,
welches diese Summe optimal reduziert. Für den Fall
einer Sinusschwingung wird also immer die richtige
Frequenz gefunden.
Fig. 5 (Selektion mehrerer Linien) verdeutlicht,
wie im allgemeineren Fall vorgegangen werden muß.
Es handelt sich hier um ein Signal, das neben einer
Sinusschwingung zusätzlich einen Gleichanteil beinhaltet,
siehe a) in Fig. 5. Wir nehmen an, daß im ersten
Schritt die Wahl des Gleichanteils erfolgt. Es wird
dann ein Fensterspektrum bei b) in Fig. 5, welches
in diesem Fall nicht verschoben wird (Gleichanteil!),
normiert mit dem optimalen Schätzwert für den Gleichanteil,
vom Spektrum des gefensterten Signals subtrahiert.
Die Ausgangssituation (Überlagerung dreier Spektren
D0, D1 und D2) ist in der Darstellung bei b) in Fig. 5
durchgehend mit dem Bezugszeichen C versehen, wobei
dieses Bezugszeichen zum besseren Verständnis häufiger
auftaucht. Der resultierende Verlauf des Differenzspektrums,
das sich nach der Subtraktion des gewichteten
Spektrums D0 ergibt, ist bei c) in Fig. 5 mit
E gekennzeichnet.
Ein so berechnetes Differenzspektrum wird im folgenden
als Fehlerspektrum bezeichnet. Das Fehlerspektrum
wird nun auf gleiche Weise nach signifikanten Spektrallinien
(Positionen und Spektralwerte) durchsucht
(unten rechts). Nun wird wie für den Fall zweier
Spektrallinien fortgefahren. Der zweite Iterationsschritt
liefert nun nicht sofort ein Fehlerspektrum,
das überall verschwindet (dies wäre wünschenswert,
da in unserem Beispiel das Signal aus nur drei Spektrallinien
bestand), sondern es wird wieder eine
dominante Komponente bei der Frequenz Null sichtbar
(unten links). Der Grund dafür liegt in der Tatsache,
daß bei der Schätzung des Gleichanteils im ersten
Iterationsschritt die Störung durch die Fensterspektren
an den Positionen, die im zweiten Schritt gefunden
wurden, nicht berücksichtigt worden sind. Der
neue Schätzwert für den Gleichanteil wird zu dem
bereits berechneten und im akkumulierten Spektrum
abgelegten Wert addiert. Der nächste Schritt zeigt
dann in unserem Beispiel wieder einen Anteil bei
der Frequenz der Sinusschwingung . . . Diese Iterationen
lassen sich abkürzen, indem der Einfluß bereits
ausgewählter Spektrallinien bei der Wahl neuer Linien
mit berücksichtigt wird, worauf weiter unten unter
der Überschrift "Erweiterung" noch eingegangen wird.
Es muß, falls dies erwünscht wird, ein Gleichungssystem
(Dimension: Anzahl der selektierten Spektrallinien)
gelöst werden. Auch hier ist vorteilhaft, daß der
Aufwand erst mit der Anzahl der ausgewählten Linien
steigt. Auch bei der Suche nach neuen optimalen Spektrallinien
kann der Einfluß bereits ausgewählter
Linien mit einbezogen werden.
Der Beweis für die Konvergenz des Verfahrens und
die Herleitung der Kriterien für die Wahl geeigneter
Spektrallinien erfolgt weiter unten unter der Überschrift
"Der Extrapolationsalgorithmus" ohne Beschränkung
der Allgemeinheit am Beispiel eines Rechteckfensters.
Die Gültigkeit des Verfahrens läßt sich aber
auch für beliebige reellwertige positive Fensterfunktionen
zeigen.
So ist es z. B. möglich, ein Signal mit Hilfe des
Verfahrens in Kontur (Hüllkurve) und in Inhalt (Trägersignal,
vergleiche Amplitudenmodulation) zu zerlegen.
Die Hüllkurve des Signals kann beispielsweise
mittels der sogenannten Hilberttransformation bestimmt
werden. Deren Spektrum wird hochauflösend mit dem
vorgestellten Verfahren unter Anwendung eines Rechteckfensters
berechnet. Hier kann die Selektionsstrategie
so geändert werden, daß nur tieffrequente Anteile
der Hüllkurve berücksichtigt werden, um auf
diese Weise gleichzeitig eine Tiefpaßfilterung der
Einhüllenden vorzunehmen, wie dies in Fig. 7 im Zeitbereich
dargestellt ist. In einem zweiten Schritt
wird diese Hüllkurve als Fensterfunktion für das
eigentliche Trägersignal betrachtet und ihr Einfluß
durch das Verfahren entfernt. Die Bildung des Produktes
aus Hüllkurve und Trägersignal ergibt dann
wieder das rekonstruierte Originalsignal (Fig. 10).
So wird eine für viele Anwendungen (z. B. die Codierung
von Audio- und Bildsignalen, die Texturklassifikation
oder die Segmentierung bei der segmentorientierten
Bildverarbeitung) sehr brauchbare Signalrepräsentation
gewonnen.
Bei der Audiosignalcodierung, oder noch allgemeiner
bei psychoakustischen Analysen, läßt sich das Verfahren
kombinieren mit einer geeigneten Zerlegung eines
Audiosignals in Teilbänder mittels einer gehörangepaßten
Filterbank (z. B. einer QMF-Filterbank) und der
Verwendung variabler Beobachtungsdauern in den einzelnen
Teilbändern, wie die Fig. 11-15 zeigen. Die
Länge des Beobachtungszeitraums sollte annähernd
umgekehrt proportional der mittleren Frequenzauflösung
in einem Teilband sein. Die Kombination einer gehörbezogenen
Filterbank mit hochauflösenden Spektralanalysatoren, die in
den einzelnen Teilbändern mit angepaßten Beobachtungszeitintervallen
arbeiten - im folgenden als VFR (Variable Frequency
Resolution FFT) bezeichnet - und gleichzeitig die Hüllkurve
in der oben beschriebenen Weise auswerten und verarbeiten, stellt
eine psychoakustisch sehr geeignete Beschreibung der Auswertung
von Audiosignalen im Zeit- und Frequenzbereich dar.
Da sich also ein Hörvorgang durch eine Frequenzanalyse,
wie sie die VFR gehörrichtig nachbildet, nicht hinreichend
beschreiben läßt, denn das Gehör wertet darüber
hinaus die Einhüllende des Signals aus, wird bei
der Codierung die Einhüllende dadurch berücksichtigt,
daß vor der Spektralschätzung die Einhüllende der
Teilbandsignale berechnet wird, die dann als Fensterfunktion
für das Teilbandsignal betrachtet wird.
Zu den psychoakustischen Vorteilen kommt hinzu, daß
der Entfaltungsalgorithmus dann mit weniger Spektrallinien
auskommt, da Modulationen im Signal nun bereits
weitgehend in der Einhüllenden codiert werden.
Die zur Codierung benutzte Einhüllende wird entweder
durch Hilbert-Transformation oder durch Betragsbildung
ermittelt. Sie wird in den Frequenzbereich transformiert
und ebenfalls mit dem beschriebenen Verfahren
geschätzt, wobei hier aber nur sehr tieffrequente
Spektrallinien ausgewählt werden. Die so geschätzte
Hüllkurve wird codiert und wieder in den Zeitbereich
transformiert. Der Sender benutzt als Fensterfunktion die codierte
Einhüllende, wie sie auch der Empfänger nach der Rekonstruktion
verwendet. Ein Beispiel für eine sich so ergebende
Hüllkurve ist in Fig. 7 gezeigt. Die erforderliche
zusätzliche Datenrate zur Codierung der Einhüllenden
beträgt lediglich 0,1-0,2 Bit pro Abtastwert.
Es wird also das mit seiner Hüllkurve entfaltete
Signal codiert. Der Empfänger multipliziert das decodierte
Signal dann wieder mit der Einhüllenden.
Die guten Ergebnisse bei der Codierung mit niedrigen
Bitraten zeigen, daß die geschilderte gehörangepaßte
Art der Spektralanalyse tatsächlich eine psychoakustisch
sehr gute Signalbeschreibung liefert, bei
entsprechend optimal angepaßter Auswahl der Filterbankstruktur,
der Filter, der Transformationslängen,
der Bitverteilung und anderer Details des Codierungsalgorithmus.
Nach der Erläuterung dieser Anwendungsbeispiele wird
anhand der Darstellung der Fig. 3 noch einmal der
prinzipielle Verlauf der Iterationen im Spektralbereich
dargestellt.
Das akkumulierte Spektrum wird mit Nullen und das
Fehlerspektrum mit dem Spektrum des gefensterten Signals
vorbesetzt. Die Frequenzauflösung dieser Spektren
bestimmt die maximale Auflösung des Verfahrens. Eine
praktische Vorgehensweise ist z. B., daß das gefensterte
Signal und auch das Fenster selbst mit Nullen
im Zeitbereich ergänzt und dann für die Ausführung
der Iterationen mittels FFT in den Spektralbereich
transformiert wird; es ergibt sich so ein interpoliertes
(kein hochaufgelöstes) Spektrum. Eine andere
Möglichkeit wäre, mit Hilfe der Diskreten Fouriertransformation
nur für ausgewählte Frequenzen (z. B. auch
während der Iteration) das interpolierte Spektrum
zu berechnen. Welche der beiden Möglichkeiten in
Betracht gezogen wird, hängt vom gewünschten Aufwand
ab. Im allgemeinen wird der erste Weg aus Gründen
der Einfachheit des Verfahrens vorgezogen werden.
Es ist aber auch denkbar, beide Möglichkeiten zu kombinieren.
Die Länge des mit Nullen ergänzten Signales
gibt eine grobe Frequenzauflösung vor (z. B. für
die Suche nach signifikanten Spektrallinien), und
für die Berechnung von Zwischenwerten kann die allgemeinere
Formel der Diskreten Fouriertransformation
Verwendung finden.
Die Iteration beginnt mit der Selektion eines oder
auch eventuell gleich mehrerer Linienpaare. Dies
läßt sich so ausführen, daß eine optimale Kombination
von Spektrallinien zu einer maximalen Reduzierung
des Schätzfehlers, der Summe der quadratischen Abweichungen
zwischen dem Originalsignal im bekannten
Bereich und dem Schätzsignal, führt. Zur Schätzung
der Betrags- und Phasenwerte muß im allgemeinen
ein Gleichungssystem gelöst werden, siehe unten Extrapolationsalgorithmus.
Die selektierten Spektralwerte
werden im akkumulierten Spektrum gespeichert. Die
Iteration wird mit der Berechnung des neuen Fehlerspektrums
abgeschlossen: von dem aktuellen Fehlerspektrum
werden die mit den Spektralwerten gewichteten
und an deren Position verschobenen Fensterspektren
subtrahiert. Auch hier können Vereinfachungen des
allgemeinen Verfahrens vorgeschlagen werden. Falls
das Fensterspektrum schmalbandig ist (das kommt häufig
vor), können für die Subtraktion der Fensterspektren
nur die Werte herangezogen werden, deren Betrag
oberhalb einer Schwelle liegt. Dadurch wird die hohe
Effizienz des Verfahrens weiterhin gesteigert.
An dieser Stelle sei auch noch einmal betont, daß
die mathematischen Grundoperationen "iterative Subtraktion
gewichteter Fensterspektren" vergleichsweise
einfacher Natur sind, sich mit Ganzzahlarithmetik
realisieren lassen, für digitale Signalprozessoren
sehr geeignet sind und auch eine Hardware-Realisierung
problemlos im Bereich des Möglichen liegt.
Im folgenden wird zum besseren Verständis der Erfindung
insbesondere auch für die mit den hier zugrunde
liegenden Problemen ständig befaßten Fachleute
sowie zur Vervollständigung der Erläuterung auch
vom mathematischen Standpunkt aus auf die zugrunde
liegenden rechnerischen Grundlagen genauer eingegangen.
Das zu extrapolierende Signal sei f(n) und w(n) die
Fensterfunktion. Man erhält dann mit
g(n) = f(n) · w(n), 0nN-1,
im diskreten Fourierbereich
Es ist erwünscht, F(k) ⊷ f(n) für 0n, kN-1
zu schätzen. Im folgenden werden nur reelle Signale
betrachtet, so daß die Symmetriebeziehungen
F(k) = F*(N-k) und G(k) = G*(N-k)
gelten. Des weiteren sollen
die Fenster w(n) binär sein, daß heißt w²(n) = w(n).
Der Algorithmus läßt sich aber auch auf komplexwertige
Signale erweitern. In diesem Fall würde in einem
Iterationsschritt anstatt eines Spektrallinienpaares
nur jeweils eine Spektrallinie selektiert. Es können
auch beliebige Fensterfunktionen verwendet werden.
Die Beschränkung auf binärwertige Fenster erfolgt
nur, um das Prinzip des neuen Extrapolationsverfahrens
besser zu verdeutlichen.
Grundsätzlich wird wie folgt verfahren:
Zunächst wird ein Spektrallinienpaar G(ks), G(N-ks) an den Stellen ks und N-ks selektiert. Dann werden die korrespondierenden Linien F(ks), F(N-ks) des unbekannten Spektrums F(k) geschätzt durch
Zunächst wird ein Spektrallinienpaar G(ks), G(N-ks) an den Stellen ks und N-ks selektiert. Dann werden die korrespondierenden Linien F(ks), F(N-ks) des unbekannten Spektrums F(k) geschätzt durch
wobei (ks) und *(ks) die geschätzten Linien repräsentieren.
Die Lösung
dieses Gleichungssystems für
(ks) führt zu
wobei W*(0) = W(0) benutzt wurde. F(k) wird dann
geschätzt durch
(k) = (ks) · δ(k-ks) + *(ks) · δ(k-(N-ks)). (4)
Im Zeitbereich erhält man dann als extrapoliertes
Signal
Dieser Iterationsschritt wird beendet, indem man
ein "Fehlerspektrum" berechnet:
Man beachte, daß nach Gl. (2)
G(1)(ks) = G(1)(N-ks) = 0
gilt. G(k) wird nun ersetzt durch G(1)(k), und
der nächste Iterationsschritt beginnt mit der Selektion
eines neuen Spektrallinienpaares.
Ausgehend von Gl. (6) wird nun gezeigt, daß die Schätzung
durch Gl. (3) optimal im Sinne des mittleren
quadratischen Fehlers ist. Die Anwendung der inversen
DFT auf Gl. (6) ergibt
G(1)(k) ⊷ g(1)(n) = g(n)-(n) · w(n) = w(n)(f(n)-(n)), (7)
welches das Differenzsignal zwischen dem gegebenen
Signal f(n) und seiner Schätzung (n) innerhalb des
Fensters w(n) darstellt.
Unter Benutzung des Parseval′schen Theorems läßt
sich die Energie Eg von g(1)(n), die proportional
zum mittleren quadratischen Fehler (MQF) zwischen
f(n) und seiner Schätzung innerhalb von w(n) ist,
als Summe quadrierter Amplitudenwerte EG durch
G(1)(k) ausdrücken
Es wird nun bewiesen, daß, wenn ein Spektrallinienpaar
selektiert wird, die Energie (1/N)EG von G(1)(k)
und also auch der MQF minimiert wird, indem man F(ks)
und F(N-ks) = F*(ks) wie in Gl. (3) schätzt.
Der Beweis wird indirekt geführt. Man nehme an, es
wäre ein anderer Schätzwert (ks) gegeben, der nicht
nach Gl. (3) ermittelt worden ist. Generell seien
(ks) und (ks) durch (ks) + a verknüpft, wobei a
komplexwertig ist. Das Spektrum (Gl. 6) des Fehlersignals
muß dann durch
ersetzt werden, dabei ist
C(k) = (1/N) (aW(k-ks) + a*W(k+ks)).
Man erhält für die Differenz ΔE(a) zwischen
der Energie G von (1)(k) und EG
Es wird nun gezeigt, daß ΔE(a) stets größer oder
gleich Null ist. Gl. (10) wird nun umgeschrieben in
Die Verwendung von
ergibt
Da w(n) ein binäres Fenster ist, gilt
w(n)g(1)(n) = g(1)(n),
und Gl. (12) wird dann zu
Mit G(1)(ks) = G(1)(N-ks) = 0 aus Gl. (2) und Gl. (6),
bleibt von Gl. (13) nur noch
dies ist ein positiver Ausdruck für a≠0. Damit ist
bewiesen, daß der MQF
minimal ist falls (n) ⊶ (k) nach Gl. (3) geschätzt
wird.
Die rekursive Extrapolation wird wie folgt durchgeführt:
- - Initialisierung: (0)(k) = 0, G(0)(k) = G(k).
- - i-ter Iterationsschritt: Selektiere ein Linienpaar G(i-1)(ks (i)), G(i-1)(N-ks (i)) des Spektrums G(i-1)(k).
- - Schätze (ks (i)), (N-ks (i)), so daß G(i)(ks (i)) = G(i)(N-ks (i)) = 0,das heißt (vergleiche Gl. 2))
- - Bilde die i-te Schätzung von F(k) mit F(i)(k) = (i-1)(k) + FΔ (i)(k),wobei (vergleiche Gl. (3))FΔ (i)(k) = (ks (i))δ(k-ks (i)) + *(ks (i))δ(k-(N-ks (i))).
- - Beende diesen Iterationsschritt mit der Bildung des neuen Fehlerspektrums
- - Beginn des Schrittes i+1 durch die Selektion eines neuen Linienpaares von G(i)(k).
Bisher wurde noch nicht gesagt, welches Linienpaar
von G(i-1)(k) im i-ten Iterationsschritt selektiert
werden sollte. Da es unser Ziel ist, den mittleren
quadratischen Fehler zu minimieren (Gl. (15)) und
daher auch EG (i), sollte das Paar ausgewählt werden,
dessen Schätzwert nach Gl. (16) EG (i) so stark wie
möglich reduziert. Die Reduktion von EG (i), die man
mit dem optimal geschätzten Linienpaar (ks (i),
(N-ks (i)) erreichen kann, ist mit Gl. (14)
oder Gl. (17) umgeschrieben
Da für ein binäres Fenster w²(n) = w(n) gilt, erhält
man unter Verwendung des Parseval′schen Theorems
Die Kombination von Gl. (18), Gl. (19) und Gl. (16)
führt zu
ΔE = *(ks (i)) · Gi-1)) (ks (i)) + (ks (i)) · (G(i-1)(ks (i)))*. (20)
Schließlich kann die Reduzierung der Energie des Fehlersignals
mit Gl. (16) als Funktion der Spektrallinie
des Fehlerspektrums G(i-1)(ks (i)) ausgedrückt werden
Es sollte im i-ten Iterationsschritt das Linienpaar
selektiert werden, für das Gl. (21) maximal wird.
Man beachte, daß die Betrachtungen zur optimalen
Schätzung eines Spektrallinienpaares, die zur Gl. (14)
führten, gleichzeitig eine Strategie für die Wahl
des besten Linienpaares liefern, das heißt das Paar,
welches den mittleren quadratischen Fehler minimiert.
Das beschriebene Iterationsverfahren kann abgebrochen
werden, falls der MQF zwischen g(n) und w(n)(n)
unter einen vorher festgelegten Wert gefallen ist
oder falls die Selektion eines neuen Spektrallinienpaares
nur noch zu einer kleinen Abnahme des MQF′s
führt.
Die obigen Betrachtungen, die für die Selektion eines
Spektrallinienpaares abgeleitet worden sind, können
ähnlich angewendet werden, falls nur eine Spektrallinie
z. B. G(0) selektiert wird. Ebenfalls läßt
sich der Algorithmus so erweitern, daß während eines
Iterationsschrittes mehr als ein Linienpaar betrachtet
wird. Dies ist aus folgendem Grund von Vorteil:
Immer wenn ein Spektrallinienpaar an den Stellen
ks (i), N-ks (i) im i-ten Schritt geschätzt wird, gilt
für das Fehlerspektrum
G(i) (ks (i)) = G(i)(N-ks (i)) = 0.
Wenn auch im vorhergehenden Schritt i-1 erreicht
wurde, daß
G(i-1)(ks (i-1)) = G(i-1)(N-ks (i-1)) = 0,
so gilt im allgemeinen
G(i)(ks (i-1)) =
(G(i)(N-ks (i-1)))*≠0,
da die Schätzformeln Gl. (3)
und Gl. (16) nur garantieren, daß
G(i)(ks (i)) = 0,
dies impliziert, daß die gleiche Spektrallinie
mehrmals während des Iterationsprozesses selektiert
werden kann.
Um den MQF und daher auch die Energie G(i)(k) auf
dem niedrigsten Niveau für eine gegebene Untermenge
von Spektrallinien, die bereits selektiert worden
sind, zu halten, muß sichergestellt sein, daß G(i)(k)
an allen korrespondierenden Stellen verschwindet.
Genauer formuliert: (i)(k) muß so geschätzt werden,
daß gilt
G(i)(ks (j)) = 0, j=1, . . ., i.
Dies beinhaltet, daß bei der Selektion eines neuen
Linienpaares (ks (i)), F(N-ks (i)) die alten Paare
(ks (j)), F(N-ks (j)), j=1, . . ., i-1 entsprechend modifiziert
werden müssen. Daher muß in diesem Fall
Gl. (16) durch ein Gleichungssystem ersetzt werden:
Dieses System konjugiert komplexer Gleichungspaare für
den Schritt i erhält man aus dem vorhergehenden Schritt
i-1, indem man ein neues Gleichungspaar für das
neu selektierte Spektrallinienpaar (ks (i)), (N-ks (i))
hinzunimmt. Die Lösung des Gleichungssystems mittels
einer LR-Zerlegung - der Choleskyalgorithmus kann
hier angewendet werden, da die dem Gleichungssystem
zugrundeliegende Matrix positiv definiert ist - wird
so stark vereinfacht, da die LR-Zerlegung aus dem
Schritt i-1 rekursiv verwendet werden kann.
Man beachte weiterhin, daß wegen des vorhergehenden
Schrittes
G(i-1)(ks (j)) = 0 für j=1, . . ., 1-1
gilt.
Das Spektrum FΔ (i)(k) ist dann
Das neue Fehlerspektrum G(i)(k) und die Schätzung
(i)(k) werden wie bereits beschrieben gebildet.
Das i-te Linienpaar kann so gewählt werden, daß mit
der Berücksichtigung bereits selektierter Linien
der MQF minimal wird. Wenn das geschätzte Spektrum
maximal so viele Linien enthält wie die Anzahl der
Abtastwerte von f(n) innerhalb w(n) beträgt, verschwindet
der MQF selbstverständlich. Da in der Regel
zwei Linien je Iterationsschritt zum geschätzten
Spektrum addiert werden, ist die Anzahl i der notwendigen
Iterationen für einen verschwindenden MQF kleiner
als die Hälfte der Anzahl der bekannten Abtastwerte.
Die obigen Betrachtungen für eindimensionale Signale
lassen sich auch auf höherdimensionale Probleme erweitern.
Es bedarf keiner weiteren Erläuterung, daß der Algorithmus
auch in der Lage ist, wenn ein bekanntes
Frequenzband vorgegeben ist, unter der Annahme dominanter
Abtastwerte im Zeitbereich, das Spektrum zu extrapolieren.
Der beschriebene Algorithmus wurde sowohl auf
eindimensionale als auch auf zweidimensionale Probleme
angewendet.
So zeigt Fig. 16 ein abgetastetes AM-Signal
f(t) = (1+0,25 cos (2 π f₁t)). cos(2 π f₀t),
mit f₁=468,25 Hz,
f₀=2812,5 Hz. Das Fenster w(n) ist durch die beiden
weißen Balken gekennzeichnet. Fig. 17 stellt das
Spektrum G(k) dar, welches 1024 Linien enthält.
Der verschmierende Einfluß von w(n) ⊶ W(k) ist
offensichtlich. Fig. 18 zeigt das geschätzte Spektrum
(k), welches in diesem Fall identisch mit F(k) ist.
Es enthält den Träger und zwei Seitenbänder.
In Fig. 19 und 20 sind zweidimensionale Beispiele
dargestellt. Die Extrapolationen basieren auf relativ
wenig signifikanten Spektrallinien. Die Originalsegmente
sind durch eine Bildsegmentierungsprozedur
erhalten worden, die auf einem statistischen Modell
basiert. Die Figuren zeigen jeweils von oben
nach unten:
- - das Originalsegment, das dem segmentierten Bild entnommen worden ist,
- - die extrapolierte Textur und
- - das rekonstruierte Segment, das man durch die Multiplikation der extrapolierten Textur mit der Fensterfunktion erhält.
Das Segment in Fig. 19 enthält 2775 Bildpunkte, und
die Rekonstruktion basiert auf 100 Spektrallinien.
Das Segment in Fig. 20 besteht aus 381 Bildpunkten,
und seine Textur wurde mit 20 Linien rekonstruiert.
Das Original und die rekonstruierte Textur stimmen
sichtbar gut überein. Wenn es erforderlich ist, kann
der MQF zwischen der Originaltextur und seiner Rekonstruktion
durch die Hinzunahme weiterer Linien stärker
reduziert werden.
Abschließend wird darauf hingewiesen, daß die Ansprüche
und insbesondere der Hauptanspruch Formulierungsversuche
der Erfindung ohne umfassende Kenntnis des
Stands der Technik und daher ohne einschränkende
Präjudiz sind. Daher bleibt es vorbehalten, alle
in der Beschreibung, den Ansprüchen und der Zeichnung
dargestellten Merkmale sowohl einzeln für sich als
auch in beliebiger Kombination miteinander als erfindungswesentlich
anzusehen und in den Ansprüchen niederzulegen
sowie den Hauptanspruch in seinem Merkmalsgehalt
zu reduzieren.
Claims (14)
1. Iteratives Verfahren zur Extrapolation und hochauflösenden
Spektralanalyse von Signalen, dadurch
gekennzeichnet, daß die Iterationen ausschließlich
im Spektralbereich durchgeführt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet,
daß ein zu analysierendes Signal mit einer Fensterfunktion
multipliziert und bei bekanntem Fensterspektrum
dessen Einfluß auf die Spektralwerte
bei der Frequenz der zu analysierenden Schwingung
berechnet wird, daß anschließend die an die Position
der Spektrallinien verschobenen Fensterspektren
mit den berechneten Spektrallinien gewichtet
und überlagert und ein so gewonnenes Spektrum
von dem zuerst berechneten Spektrum subtrahiert
wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet,
daß das durch Subtraktion gewonnene Differenzspektrum
als Fehlerspektrum anschließend nach signifikanten
Spektrallinien (Positionen und Spektralwerte)
durchsucht wird.
4. Verfahren nach einem der Ansprüche 1-3, dadurch
gekennzeichnet, daß die richtige Position der
Spektralllinien an der Stelle bestimmt wird, an
welcher das Spektrum des gefensterten Signals
ein Betragsmaximum aufweist.
5. Verfahren nach einem der Ansprüche 1-3, dadurch
gekennzeichnet, daß die richtige Position der
Spektrallinien an der Stelle bestimmt wird, an
welcher sich eine optimale Reduzierung eines Fehlermaßes,
nämlich die Verringerung der Summe der
quadratischen Abweichungen zwischen dem innerhalb
des Fensters bekannten Signal und dessen Schätzung
ergibt.
6. Verfahren nach einem der Ansprüche 1-5, dadurch
gekennzeichnet, daß nach einer Initialisierung
die Selektion eines Linienpaares, daran anschließend
die Schätzung von Betrag und Phase, daran
anschließend die Bildung eines akkumulierten Spektrums
und daraus die Berechnung des Fehlerspektrums
durchgeführt wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet,
daß nach Schätzung der Betrags- und Phasenwerte
die selektierten Spektralwerte im akkumulierten
Spektrum gespeichert und die Iteration mit der
Berechnung des jeweils neuen Fehlerspektrums abgeschlossen
wird, wobei von dem aktuellen Fehlerspektrum
die mit den Spektralwerten gewichteten und
an deren Position verschobenen Fensterspektren
subtrahiert werden.
8. Verfahren nach einem der Ansprüche 1-7, dadurch
gekennzeichnet, daß zunächst g(n) und w(n) entsprechend
der gewünschten Frequenzauflösung mit Nullen
ergänzt und aus diesen verlängerten Signalen anschließend
G(k) und W(k) mittels FFT berechnet werden, wobei
nach der Initialisierung (0)(k) = 0, G(0)(k) =
G(k) als i-ter Iterationsschritt das Linienpaar
G(i-1)(ks (i)), G(i-1)(N-ks (i)) selektiert wird,
welches eine maximale Verringerung des Fehlers
bewirkt, wobei die Reduzierung des Fehlers als
Funktion der Spektralwerte G(i-1)(ks (i)) und G(i-1)
(N-ks (i)) ausgedrückt wird und anschließend die
Schätzwerte (ks (i)) und (N-ks (i)) nach
berechnet werden, wobeiFΔ (i)(k) = (ks (i))δ(k-ks (i)) + *(ks (i)) δ (k-(N-ks (i)))ist, und anschließend
die i-te Schätzung von F(k) mit(i)(k) = (i-1)(k) + FΔ (i)(k)als akkumuliertes Spektrum gebildet
wird und anschließend
das neue Fehlerspektrum
berechnet wird, so daß nun nach
Beendigung dieses Iterationsschrittes gilt:G(i)(ks (i)) = G(i)(N-ks (i)) = 0und der
Iterationsschritt i+1 durch die Selektion eines
neuen Linienpaares von G(i)(k) beginnt,
wobei das Iterationsverfahren dann abgebrochen
wird, wenn das Fehlermaß unter einen vorher festgelegten
Wert gefallen ist oder die Selektion eines
neuen Spektrallinienpaares nur noch zu einer kleinen
Abnahme des Fehlers führt.
9. Verfahren nach einem der Ansprüche 1-8, dadurch
gekennzeichnet, daß ein zu analysierendes Signal
in Kontur (Hüllkurve) und Inhalt (Trägersignal)
zerlegt und das Spektrum der Hüllkurve mit einem
(Rechteck) Fenster abgeschätzt wird, wobei ausschließlich
tieffrequente Linien selektiert werden und
anschließend die geschätzte Hüllkurve als Fensterfunktion
für die breitbandige Spektralschätzung
des Zeitsignals verwendet wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet,
daß zur Berechnung der Hüllkurve zunächst aus dem
reellen Zeitsignal g(n) ein komplexes Signal z(n) erzeugt
wird, wobei g(n) den Realteil und die
Hilberttransformierte (n) = {g(n)} den Imaginärteil
bildet und der Betrag des komplexen Signals
dann die Einhüllende von
g(n) darstellt.
11. Verfahren nach einem oder mehreren der Ansprüche
1-10, dadurch gekennzeichnet, daß das zu analysierende,
gefensterte Signal und auch das Fenster
selbst zunächst mit Nullen im Zeitbereich ergänzt
und dann für die Durchführung der Iterationen
mittels FFT in den Spektralbereich transformiert
wird zur Gewinnung eines interpolierten Spektrums.
12. Verfahren nach einem oder mehreren der Ansprüche
1-10, dadurch gekennzeichnet, daß lediglich ausgewählte
Frequenzen mit Hilfe der Diskreten Fouriertransformation
zur Berechnung des interpolierten
Spektrums auch während der Iteration zugrundegelegt
werden.
13. Verfahren nach einem oder mehreren der Ansprüche
1-12, dadurch gekennzeichnet, daß ein Audiosignal
zunächst in Teilbänder mittels einer gehörangepaßten
Filterbank (z. B. mit einer QMF-Filterbank)
zerlegt wird und diese Teilbandsignale dann mit
variablen Beobachtungszeitintervallen verarbeitet
werden.
14. Verfahren nach Anspruch 13, dadurch gekennzeichnet,
daß die Länge der Beobachtungszeiträume in dem
untersuchten Teilband in etwa umgekehrt proportional
der mittleren Frequenzauflösung des Gehörs
ist.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4123983A DE4123983C2 (de) | 1990-09-11 | 1991-07-19 | Iteratives Verfahren zur hochauflösenden Spektralanalyse und Extrapolation von Signalen |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4028742 | 1990-09-11 | ||
DE4123983A DE4123983C2 (de) | 1990-09-11 | 1991-07-19 | Iteratives Verfahren zur hochauflösenden Spektralanalyse und Extrapolation von Signalen |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4123983A1 true DE4123983A1 (de) | 1992-03-12 |
DE4123983C2 DE4123983C2 (de) | 1997-09-18 |
Family
ID=6413990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4123983A Expired - Fee Related DE4123983C2 (de) | 1990-09-11 | 1991-07-19 | Iteratives Verfahren zur hochauflösenden Spektralanalyse und Extrapolation von Signalen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4123983C2 (de) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2799321A1 (fr) * | 1999-10-01 | 2001-04-06 | France Telecom | Procede de controle en continu de la qualite des sons numeriques en distribution |
DE4219372C2 (de) * | 1992-06-15 | 2002-09-26 | Busch Dieter & Co Prueftech | Verfahren zur Analyse eines Zeitsignals |
DE10136626A1 (de) * | 2001-07-26 | 2003-02-20 | Siemens Ag | Verfahren und Vorrichtung zum Bestimmen des spektralen Verlaufs von elektromagnetischen Signalen innerhalb eines vorgegebenen Frequenzbereichs |
DE102017205499A1 (de) | 2016-11-23 | 2018-05-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Detektieren von Mehrdeutigkeiten in einer Matrix einer 2D-Struktur |
EP3327629A1 (de) | 2016-11-23 | 2018-05-30 | Robert Bosch GmbH | Verfahren und vorrichtung zum detektieren von mehrdeutigkeiten in einer matrix einer 2d-struktur |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3305496B2 (ja) * | 1994-04-28 | 2002-07-22 | 株式会社アドバンテスト | 高分解能周波数分析装置を用いたドップラ補償装置 |
DE10352537A1 (de) * | 2003-11-11 | 2005-06-09 | Siemens Ag | Verfahren und Filterbank zur spektralen Modifikation eines digitalen Signals |
-
1991
- 1991-07-19 DE DE4123983A patent/DE4123983C2/de not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
FRANKE, U.: Selective deconvolution: A new approach to extrapolation and spectral analysis of discrete signals, ICASSP`87, S. 1300-1303 * |
PAPOULIS, A. u. CHAMZAS, C.: Detection of hidden periodicities by adaptive extra- polation, IEEE Trans. on Acoustics, Speech, and Signal Processing, Vol. ASSP-27, Nr. 5, S. 492-500, 1979 * |
PAPOULIS, A.: A new algorithm in spectral analysis and band-limited extrapolation, IEEE Trans. on Circuits and Systems, Vol. CAS-22, Nr. 9, S. 735-742, 1975 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4219372C2 (de) * | 1992-06-15 | 2002-09-26 | Busch Dieter & Co Prueftech | Verfahren zur Analyse eines Zeitsignals |
FR2799321A1 (fr) * | 1999-10-01 | 2001-04-06 | France Telecom | Procede de controle en continu de la qualite des sons numeriques en distribution |
WO2001026423A1 (fr) * | 1999-10-01 | 2001-04-12 | France Telecom | Procede de controle en continu de la qualite des sons numeriques en distribution |
DE10136626A1 (de) * | 2001-07-26 | 2003-02-20 | Siemens Ag | Verfahren und Vorrichtung zum Bestimmen des spektralen Verlaufs von elektromagnetischen Signalen innerhalb eines vorgegebenen Frequenzbereichs |
DE102017205499A1 (de) | 2016-11-23 | 2018-05-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Detektieren von Mehrdeutigkeiten in einer Matrix einer 2D-Struktur |
EP3327629A1 (de) | 2016-11-23 | 2018-05-30 | Robert Bosch GmbH | Verfahren und vorrichtung zum detektieren von mehrdeutigkeiten in einer matrix einer 2d-struktur |
Also Published As
Publication number | Publication date |
---|---|
DE4123983C2 (de) | 1997-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60303214T2 (de) | Verfahren zur reduzierung von aliasing-störungen, die durch die anpassung der spektralen hüllkurve in realwertfilterbanken verursacht werden | |
DE68920102T2 (de) | Gerät zur Verarbeitung eines echographischen Signals. | |
DE4316297C1 (de) | Frequenzanalyseverfahren | |
EP1741039B1 (de) | Informationssignalverarbeitung durch modifikation in der spektral-/modulationsspektralbereichsdarstellung | |
DE69917181T2 (de) | Verfahren zur Bestimmung und zur Anpassung der Blockgrösse für Audiotransformationskodierung | |
DE10236898A1 (de) | Videofiltern mit verbesserter Spur unter Verwendung von Wavelet-Entrauschungstechniken | |
EP0421186B1 (de) | Verfahren zur Codierung beliebig geformter Bildsegmente | |
EP0414838B1 (de) | Verfahren zur übertragung eines signals | |
DE10296616T5 (de) | Bandbreiten-Ausdehnung von akustischen Signalen | |
EP1525576B1 (de) | Vorrichtung und verfahren zum erzeugen einer komplexen spektraldarstellung eines zeitdiskreten signals | |
DE69824230T2 (de) | Verarbeitungssystem einer verrauschten Bildsequenz und medizinisches Untersuchungsgerät mit einem solchen System | |
DE102008042579A1 (de) | Verfahren zur Fehlerverdeckung bei fehlerhafter Übertragung von Sprachdaten | |
EP3197181B1 (de) | Verfahren zur reduktion der latenzzeit einer filterbank zur filterung eines audiosignals sowie verfahren zum latenzarmen betrieb eines hörsystems | |
DE69206300T2 (de) | Verfahren und Einrichtung zur Bearbeitung von Vorechos eines mittels einer Frequenztransformation kodierten digitalen Audiosignals. | |
DE102008023915A1 (de) | Verfahren zur Einstellung von wenigstens einer Stellgröße eines Entrauschungsfilters in medizinischen Bildern | |
DE102015220092B3 (de) | Verfahren zur Bestimmung einer räumlichen Zuordnung oder räumlichen Verteilung von Magnetpartikeln | |
DE4123983C2 (de) | Iteratives Verfahren zur hochauflösenden Spektralanalyse und Extrapolation von Signalen | |
EP0494990B1 (de) | Verfahren zur übertragung eines signals | |
DE68907098T2 (de) | Differentieller Kodierer mit auto-adaptivem Prädiktorfilter und dazugehörigem Dekodierer. | |
EP1239455A2 (de) | Verfahren und Anordnung zur Durchführung einer an die Übertragungsfunktion menschilcher Sinnesorgane angepassten Fourier Transformation sowie darauf basierende Vorrichtungen zur Geräuschreduktion und Spracherkennung | |
DE69401959T2 (de) | Vom rechenaufwand her effiziente adaptive bitzuteilung für kodierverfahren und einrichtung mit toleranz für dekoderspektralverzerrungen | |
DE60224100T2 (de) | Erzeugung von lsf-vektoren | |
DE3230391C2 (de) | ||
DE69127339T2 (de) | Methode und Einrichtung zur Kodierung und Dekodierung eines abgetasteten Analogsignals mit Wiederholungseigenschaften | |
DE10247150A1 (de) | Verfahren zum Bearbeiten von Magnetresonanzrohdaten, Magnetresonanztomographiegerät und Magnetresonanzspektroskopiegerät |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |