dspdata.psd - パワー スペクトル密度 - MATLAB - MathWorks 日本
Hpsd = dspdata.psd(Data) Hpsd = dspdata.psd(Data,Frequencies) Hpsd = dspdata.psd(...,'Fs',Fs) Hpsd = dspdata.psd(...,'SpectrumType',SpectrumType) Hpsd = dspdata.psd(...,'CenterDC',flag) パワー スペクトル密度 (PSD) は連続スペクトルを対象とするものです。与えられた周波数帯域全体における PSD の積分では、周波数帯全体の信号の平均パワーが計算されます。平均二乗スペクトルとは対照的に、このスペクトルのピークはある周波数におけるパワーを反映するものではありません。詳細については、dspdata の avgpower メソッドを参照してださい。 片側 PSD には、DC からナイキスト レートの半分までの周
dspdata - DSP データ パラメーターの情報 - MATLAB - MathWorks 日本
メモ dspdata.dataobj の使用は推奨されていません。代わりに適切な関数インターフェイスを使用してください。 Hs = dspdata.dataobj(input1,...) では、タイプ dataobj の dspdata オブジェクト Hs が返されます。このオブジェクトは、指定された dataobj タイプに必要なパラメーター情報をすべて含んでいます。個々のリファレンス ページで説明されているとおり、各 dataobj は 1 つ以上の入力を受け入れます。入力値を指定しないと、出力オブジェクトは特定の dataobj タイプに対して適切な既定のプロパティ値をもちます。
FFT を使用したパワー スペクトル密度推定 - MATLAB & Simulink - MathWorks 日本
最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。 FFT を使用したパワー スペクトル密度推定 この例では、fft を使用して、ピリオドグラムと等価なノンパラメトリック PSD (パワー スペクトル密度) 推定を求める方法を示します。例においては、偶数長の入力、正規化周波数、片側および両側 PSD 推定に対し、fft の出力を適切にスケーリングする方法が示されます。 サンプルレートを使用した偶数長の入力fft と periodogram の両方を使用して、1 kHz でサンプリングされた偶数長の信号についてピリオドグラムを求めます。結果を比較します。 100 Hz 正弦波から成り、N(0,1) 加法性ノイズをもつ信号を作成します。サンプリング周波数は 1 kHz です。信号長は 1000 サンプルです。結果に再現性をもたせるために、乱数発
自己相関を使用した残差解析 - MATLAB & Simulink - MathWorks 日本
この例では、信頼区間をもつ自己相関を使用してノイズ データの最小二乗近似の残差を解析する方法を示します。残差は近似モデルとそのデータの誤差を示します。信号とホワイト ノイズのモデルで信号に対して良い近似が得られている場合は、残差はホワイト ノイズのはずです。 加法性ホワイト ガウス ノイズを伴う 1 次の多項式 (直線) で構成されるノイズ データ セットを作成します。加法性ノイズは N(0,1) 分布に従う一連の無相関確率変数です。これは、すべての確率変数は平均 0 と分散 1 をもつことを意味します。再現性のある結果を得るために、乱数発生器を既定の状態に設定します。
一般化線形モデルによるデータの近似 - MATLAB & Simulink Example - MathWorks 日本
この例では、glmfit と glmval を使用して、一般化線形モデルの当てはめと評価を行う方法を示します。通常の線形回帰を使用すると、直線、またはパラメーターにおいて線形である任意の関数を、正規分布した誤差を伴うデータに当てはめることができます。これは最もよく使用されている回帰モデルですが、必ずしも現実的なモデルであるとは限りません。一般化線形モデルは、線形モデルを 2 つの方法で拡張したものです。第 1 に、リンク関数を導入することで、パラメーターにおける線形性の仮定が緩和されます。第 2 に、正規分布以外の誤差分布をモデル化できます。 一般化線形モデル回帰モデルは、応答変数 (一般に y で示される) の分布を、1 つ以上の予測子変数 (一般に x1、x2 などで示される) を使用して定義します。最もよく使用されている回帰モデルである通常の線形回帰は、正規確率変数として y をモデ
ロジスティック回帰モデルのベイズ解析 - MATLAB & Simulink Example - MathWorks 日本
この例では、slicesample を使用してロジスティック回帰モデルでベイズの推論を行う方法を示します。 統計的推定は、最尤推定法 (MLE) に基づくのが一般的です。MLE はデータの尤度を最大化するパラメーターを選択するので、直観的に言えば魅力的です。MLE では、パラメーターは未知でも確定はしているものと想定されており、ある程度の信頼をもって推定されます。ベイズ解析では、未知のパラメーターについては確率を利用して数値化します。それゆえ未知のパラメーターは確率変数として定義されます。 ベイズの推論ベイズの推論は、モデルまたはモデル パラメーターについての予備知識を取り込んで統計モデルを解析する処理です。このような推論の根底にあるのは、ベイズの定理です。 たとえば、次のような正規の観測値があるとします。 ここで、sigma は既知であり、theta の予備知識は次のとおりです。 この式
一般化線形モデルによるデータの近似 - MATLAB & Simulink Example - MathWorks 日本
この例では、glmfit と glmval を使用して、一般化線形モデルの当てはめと評価を行う方法を示します。通常の線形回帰を使用すると、直線、またはパラメーターにおいて線形である任意の関数を、正規分布した誤差を伴うデータに当てはめることができます。これは最もよく使用されている回帰モデルですが、必ずしも現実的なモデルであるとは限りません。一般化線形モデルは、線形モデルを 2 つの方法で拡張したものです。第 1 に、リンク関数を導入することで、パラメーターにおける線形性の仮定が緩和されます。第 2 に、正規分布以外の誤差分布をモデル化できます。 一般化線形モデル回帰モデルは、応答変数 (一般に y で示される) の分布を、1 つ以上の予測子変数 (一般に x1、x2 などで示される) を使用して定義します。最もよく使用されている回帰モデルである通常の線形回帰は、正規確率変数として y をモデ
自己相関列からの反射係数の計算 - MATLAB schurrc - MathWorks 日本
説明k = schurrc(r) では、Schur アルゴリズムを使用して、自己相関列を表すベクトル r から反射係数ベクトル k が計算されます。k と r は同じサイズです。反射係数は、与えられた自己相関列 r を使用した信号に対する予測フィルターの、ラティス フィルター パラメーターを表します。r が行列の場合、関数 schurrc では r の各列が独立した自己相関列として扱われ、r と同じサイズの行列k が返されます。k の各列は、対応する自己相関列 r を使用して変動過程を予測するための、ラティス予測フィルターの反射係数を表します。 [k,e] = schurrc(r) では、予測誤差分散を表すスカラー e も計算されます。r が行列の場合、e は行ベクトルになります。e の行数は、r の列数と同じです。
線形予測と自己回帰モデリング - MATLAB & Simulink Example - MathWorks 日本
この例は、自己回帰モデリングと線形予測の関係を比較する方法を示します。線形予測と自己回帰モデリングという 2 つの問題は、同じ数値結果を得ることが可能です。両方の問題の最終的な目的は、線形フィルターのパラメーターを確定することです。しかし、それぞれの問題で使われるフィルターは異なります。 はじめに線形予測の目的は、過去のサンプルの線形結合に基づいて、自己回帰過程の今後のサンプルを的確に予測できる FIR フィルターを決定することです。実際の自己回帰信号と予測信号の差は、予測誤差と呼ばれます。理想的には、この誤差がホワイト ノイズです。 自己回帰モデリングの目的は、ホワイト ノイズによって励起されたとき、モデル化する自己回帰過程と同じ統計値をもつ信号を生成する全極 IIR フィルターを決定することです。 入力がホワイト ノイズである全極フィルターを使用した AR 信号の生成LPC 関数と F
添字を使用した代入 - MATLAB subsasgn - MathWorks 日本
A = subsasgn(A,S,B) は、A がオブジェクトである場合に構文 A(i) = B、A{i} = B、または A.i = B に対して呼び出されます。 MATLAB® では、インデックス付きの代入ステートメントを組み込み関数 subsasgn を使用して解釈します。 A(i) = B は、B の値を添字ベクトル i で指定された A の要素に代入します。B は i と同じ数の要素をもつか、スカラー値でなければなりません。 A(i,j) = B は、B の値を添字ベクトル i および j で指定された A の長方形の部分行列の要素に代入します。B は length(i) 行 length(j) 列でなければなりません。 A(i,:) = B または A(:,i) = B のように添字として使用されるコロンは、列全体または行全体を示します。 多次元配列の場合、A(i,j,k,…)
配列の形状変更および再配列 - MATLAB & Simulink - MathWorks 日本
MATLAB® の多くの関数は、既存の配列の要素を取得し、別の形状またはシーケンスに配置することができます。これは、その後の計算用にデータを前処理したりデータを解析したりする場合に役立ちます。
Curve Fitting Toolbox
Curve Fitting Toolbox には、データを曲線や曲面で近似するためのアプリや関数が用意されています。このツールボックスでは、探索的データ解析や、データの前処理/後処理、候補となるモデルの比較、異常値の排除などを実行できます。また、付属の線形モデルや非線形モデルのライブラリを使用するか、ユーザー独自のカスタム方程式を指定して、回帰解析を行うことができます。このライブラリには、近似の質を向上するために最適化されたソルバーパラメーターと開始条件が用意されています。またこのツールボックスでは、スプライン、内挿、平滑化などのノンパラメトリック モデリング手法も利用可能です。 近似を行った後には、プロット、内挿および外挿、信頼区間の推測、および積分と微分の計算のために、さまざまな後処理方法を適用できます。
データへの確率分布オブジェクトの近似 - MATLAB fitdist - MathWorks 日本
pd = fitdist(x,distname,Name,Value) は、1 つ以上の名前と値のペア引数で指定された追加オプションを使用して、確率分布オブジェクトを作成します。たとえば、打ち切りデータを示すか、反復近似アルゴリズムの制御パラメーターを指定できます。 [pdca,gn,gl] = fitdist(x,distname,'By',groupvar) は、distname で指定された分布をグループ化変数 groupvar に基づいて x 内のデータに近似して、確率分布オブジェクトを作成します。近似確率分布オブジェクトの cell 配列 pdca、グループ ラベルの cell 配列 gn およびグループ化変数レベルの cell 配列 gl を返します。
スペクトル解析 - MATLAB & Simulink - MathWorks 日本
スペクトル解析背景情報"スペクトル推定" の目的は、有限長のデータをベースに、信号内に含まれているエネルギーの分布 (周波数上) を記述することです。パワー スペクトルの推定は、広い帯域に分布するノイズに含まれる信号の検出など、さまざまなアプリケーションで有用です。 定常的なランダム過程 x(n) の "パワー スペクトル密度" (PSD) は、離散時間フーリエ変換による自己相関列と数学的に関連しています。正規化周波数を使用して、次のように表わせます。
2 次元および 3 次元プロット - MATLAB & Simulink - MathWorks 日本
データを可視化するにはプロットを使用します。たとえば、データのセットを比較したり、時系列でデータの変更を追跡したり、データ分布を表示したりできます。プロットは、グラフィックス関数を使用してプログラムで作成するか、MATLAB® デスクトップの最上部にある [プロット] タブを使用して対話形式で作成します。 プログラムで作成可能ないくつかのプロットの図については、MATLAB プロットのタイプを参照してください。 カテゴリライン プロット ラインプロット、対数プロットおよび関数のプロット データ分布プロット ヒストグラム、円グラフ、ワード クラウド、その他 離散データ プロット 棒グラフ、散布図、その他 地理プロット データをマップ上に可視化 極座標プロット 極座標でのプロット 等高線図 2 次元および 3 次元等値線プロット ベクトル場 矢印、コンパス、フェザーおよびストリーム プロット
確定的周期信号のパワーの測定 - MATLAB & Simulink Example - MathWorks 日本
この例は、確定的な周期信号のパワーを測定する方法を示します。時間は連続ですが、周期的で確定的な信号は離散のパワー スペクトルを生成します。また、この例では、再代入手法を使用してパワー測定値を改善する方法についても説明します。 信号分類通常、信号は、パワー信号、エネルギー信号、その他の信号の 3 つのカテゴリに分類されます。正弦波から生成される確定的な信号は、エネルギーが無限で平均パワーが有限の "パワー信号" の例です。ランダム信号の平均パワーも有限で、パワー信号に分類されます。過渡信号は、ゼロ振幅で開始および終了する "エネルギー信号" の例です。その他の信号には、パワー信号とエネルギー信号の特徴がありません。 単一正弦波の理論的なパワー最初の例として、1 のピーク振幅と 128 Hz の周波数成分をもつ正弦波信号の平均パワーを推定します。
音声の LPC 解析と合成 - MATLAB & Simulink - MathWorks 日本
この例では MATLAB® コマンド ラインで使用可能な DSP System Toolbox™ 機能を使用して、LPC (線形予測符号化) と呼ばれる音声圧縮手法を実装する方法を示します。 はじめにこの例では、音声信号の LPC を実装します。このプロセスは、解析と合成という 2 つの手順で構成されています。解析では信号から反射係数を抽出し、これを使用して残差信号を計算します。合成では残差信号と反射係数を使用して信号を復元します。残差信号と反射係数のコーディングに必要なビット数は、元の音声信号より少なくなります。 次の図は、この例で実装するシステムを示しています。 このシステムでは、まず音声信号を 1600 サンプルのオーバーラップを含む 3200 サンプル サイズのフレームに分割し、ハミング ウィンドウで乗算します。12 次の自己相関係数を計算し、レビンソン・ダービン アルゴリズムを使
自己相関を使用した残差解析 - MATLAB & Simulink - MathWorks 日本
この例では、信頼区間をもつ自己相関を使用してノイズ データの最小二乗近似の残差を解析する方法を示します。残差は近似モデルとそのデータの誤差を示します。信号とホワイト ノイズのモデルで信号に対して良い近似が得られている場合は、残差はホワイト ノイズのはずです。 加法性ホワイト ガウス ノイズを伴う 1 次の多項式 (直線) で構成されるノイズ データ セットを作成します。加法性ノイズは N(0,1) 分布に従う一連の無相関確率変数です。これは、すべての確率変数は平均 0 と分散 1 をもつことを意味します。再現性のある結果を得るために、乱数発生器を既定の状態に設定します。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
複素ケプストラム - 基本周波数推定 - MATLAB & Simulink - MathWorks 日本
一般化線形モデルによるデータの近似 - MATLAB & Simulink Example - MathWorks 日本