آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

مهندس آرش خاصه تراش
مهندس آرش خاصه تراش

محقق دانشگاه تبریز

کارشناس ارشد مهندسی مکانیک


آرش خاصه تراش کارشناس ارشد رشته «مهندسی مکانیک در طراحی کاربردی» می باشند. پایان نامه ارشد وی در زمینه «آنالیز ارتعاشات عضلات پایین تنه در دوهای طولانی مدت به منظور تشخیص خستگی و تعیین پارامترهای بهینه کفش ورزشی» بوده است. همچنین عنوان پایان نامه برتر کشوری در زمینه «آکوستیک و ارتعاشات» در سال ۱۳۹۴ از طرف انجمن آکوستیک و ارتعاشات ایران به ایشان اعطا شده است. (+)



در این آموزش، ابتدا مختصری در مورد روش‌های موجود برای تشخیص محتوای زمان-فرکانسی سیگنال ارائه شده و سپس جایگاه روش EMD در این بین مشخص می‌شود. در ادامه الگوریتم EMD به زبانی ساده و در چندین مرحله با مثال تصویری توضیح داده می‌شود. سپس یک کد در محیط MATLAB برای پیاده سازی الگوریتم EMD نوشته شده در ادامه نیز با ذکر چند مثال کاربردی مراحل کار الگوریتم شرح داده می‌شود. در نهایت نیز روش EMD با روش Wavelet مقایسه شده و ضعف‌ها و نقاط قوت هر روش مختصراً بحث می‌گردد.

👤 مدرس: مهندس آرش خاصه تراش
🕓 مدت زمان: ۴۱ دقیقه
🎓 تعداد دانشجو: ۲۱۲ نفر این آموزش را تهیه کرده اند.
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۱۲,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز
ارسال پیک موتوری در تهران، در همان روز ثبت سفارش

(توضیحات بیشتر +)



    توضیحات

    مسلما بسیار پیش آمده است که بخواهیم محتویات فرکانسی یک سیگنال را بدانیم. به طور مثال میخواهیم بدانیم یک آوای موسیقی از چه فرکانس هایی تشکیل شده است، یا فرکانس حاصل از ارتعاش تیر چقدر است و البته کدام هارمونیک ها شدت بیشتری دارند و ….

    تبدیل فوریه در این مواقع می تواند مورد استفاده قرار گیرد اما این تبدیل، اطلاعاتی در مورد زمان وقوع هر فرکانس مورد نظر نمی دهد. برای این منظور، و برای اینکه اطلاعات زمان-فرکانسی سیگنال را بدست آوریم، نیازمند روشی هستیم که بتواند مودهای ذاتی نهفته در سیگنال را برای ما استخراج کند. روش EMD بدین منظور ارائه شده است. در واقع روش EMD به ما می گوید در هر لحظه، کدام فرکانس و با چه شدتی در یک سیگنال موجود است. از این روش در پردازش تصویر، گفتار، ارتعاش سازه های مکانیکی، الکترومایوگرافی، الکترو انسفالوگرافی، و … می توان استفاده کرد.

    در این آموزش، ابتدا مختصری در مورد روش‌های موجود برای تشخیص محتوای زمان-فرکانسی سیگنال ارائه شده و سپس جایگاه روش EMD در این بین مشخص می‌شود. در ادامه الگوریتم EMD به زبانی ساده و در چندین مرحله با مثال تصویری توضیح داده می‌شود. سپس یک کد در محیط MATLAB برای پیاده سازی الگوریتم EMD نوشته شده در ادامه نیز با ذکر چند مثال کاربردی مراحل کار الگوریتم شرح داده می‌شود. در نهایت نیز روش EMD با روش Wavelet مقایسه شده و ضعف‌ها و نقاط قوت هر روش مختصراً بحث می‌گردد.

    آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: مقدمه
      • مقدمه کوتاهی بر روش های پردازش سیگنال زمان – فرکانس
        • کلیت مبحث
        • ضرورت مبحث
        • تبدیل فوریه
        • تبدیل فوریه زمان کوتاه
        • تبدیل موجک
      • معرفی روش EMD
        • چرایی و چگونگی ایجاد این روش
        • معرفی ارائه دهندگان
      • توضیح الگوریتم روش EMD
        • مؤلفه مود ذاتی
        • منحنی های پوش بالا و پایین
        • تعیین معیار توقف
        • استخراج مؤلفه ها، ترتیب استخراج
    • درس دوم: پیاده سازی الگوریتم در محیط MATLAB
      • نوشتن یک کد ساده، سریع و قدرتمند
      • مثال کاربردی
      • قابلیت ها، ضعف ها و آخرین پیشرفت های الگوریتم
      • قابلیت ها و تفاوت عمده EMD با سایر روش ها
      • ضعف روش EMD در جداسازی فرکانسی
      • کارهای انجام شده تا سال ۲۰۱۵ برای حل ضعف های روش
      • بررسی ضعف EMD در جداسازی فرکانسی با یک مثال کاربردی

     

    مفید برای رشته های
    • مهندسی مکانیک
    • مهندسی آکوستیک
    • مهندسی مخابرات
    • مهندسی پزشکی
    • زمین شناسی


    پیش نیاز

    • تبدیل فوریه

    پیش نمایش

    پیش نمایش ۱ : مقدمه کوتاهی بر روش های پردازش سیگنال زمان – فرکانس، الگوریتم روش EMD - ۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۶ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : پیاده سازی الگوریتم در محیط MATLAB - ۷ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. برای تنظیم کیفیت نمایش آنلاین روی علامت کلیک نمایید یا اینکه آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۹ مگابایت (کلیک کنید +)



    اطلاعات تکمیلی

    نام آموزش آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۵۳۲۴۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVSP9410
    مدت زمان ۴۱ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۴۸ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزشها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۸۸۳۱۲۲۷۶ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • از طریق بخش چت آنلاین، با پشیبان های فرادرس گفتگو کنید.- همه روزهای کاری هفته از ساعت ۸ صبح تا ۱۲ شب
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition

    هزینه آموزش: ۱۲,۰۰۰ تومان




    مطالب مرتبط


    دیدگاه ها

    تا کنون ۲۱۲ نفراز این آموزش استفاده کرده اند.
    1. 5 از 5

      :

      با سلام.

      در ابتدا تشکر می کنم از ارائه ی چنین بحث کاربردی.

      یه سوال داشتم. اکثر اوقات ما دیتاهایی رو که داریم، دیتاهایی است که از دستگاه های داده برداری ارتعاشات یا صدا داریم و به صورت مقداری و ماتریسی هستند. اگر بخواهیم مستقیما این برنامه را بر روی آنها اجرا کنیم چنین امکانی وجود ندارد. فکر می کنم دلیلش هم اون تفریقی هست که می خواهیم از توابع داشته باشیم چرا که اطلاعات پوش به صورت فانکشن هستند ولی اطلاعات اصلی به صورت ماتریسی است. ممنون میشم اگر راه حلی جهت رفع این مشکل اعمال کنید. ممنون.

      همچنین اگر تابع از رفتار سینوسی تبعیت نکنه این برنامه براش کاربردی نداره. چرا که منحنی پوش براساس پیش فرض سینوسی رسم میشه.

      • 0 از 5

        :

        در پاسخ به محمد سبحان:
        با سلام؛

        ضمن تشکر از مکاتبه شما و مطرح نمودن سوال تان؛ پاسخ مدرس به سوال شما در ادامه آمده است:

        “این مسئله مربوط به منحنی پوش نمی شود. در واقع وروردی کد نوشته شده باید به صورت یک بردار باشد. البته می توان با چند سطر کدنویسی ساده این کد را برای ماتریس های n*n نیز استفاده کرد که به دلیل اینکه در اکثر مواقع اجرای کدهای EMD برای کامپیوتر وقت گیر است، بهتر است از این روش استفاده نشود.

        اما برای اطلاع، این کد را می توانید به ابتدای کد EMD اضافه نمایید و سپس یک ماتریس را به عنوان ورودی انتخاب کنبد.

        function IMF=emd_for_matrix_data(X)

        IMF = [];

        [u,v] = size(X);

        if v>u

        signal = X’;

        else

        signal = X;

        end

        [u,v] = size(signal);

        for i=1:v

        temp = emd(signal);

        IMF = [IMF; temp];

        end

        end

        نام برنامه نوشته شده را نیز به emd_for_matrix_data تغییر دهید.

        و اما روش بهتر:

        داده هایی که در ارتعاشات مورد استفاده قرار می گیرند (مثل داده های شتاب ضبط شده به وسیله ی شتاب سنج، یا داده های صدای ضبط شده از طریق میکروفن)، بسته به تعداد کانالهای مورد استفاده می توانند به صورت ماتریس های یک بعدی (بردار یا ماتریس n*1) و یا چند بعدی باشند.

        اگر داده به صورت بردار باشد، که کد نوشته شده کافی است و اگر داده به صورت ماتریس چند بعدی (n*n) باشد، هر سطر، یا ستون این ماتریس به صورت یک بردار خواهد بود که دوباره می توان از کد نوشته شده به منظور تجزیه آن به مودهای ذاتی استفاده کرد.

        در واقع داده های ارتعاشی صورت گسسته ی یک کمیت پیوسته به نام جابجایی محیط (Medium) است که در حقیقت درک سیستم دیجیتال کامپیوتر از داده های آنالوگ می باشد. این درک به فرکانس نمونه برداری بستگی داشته و هر چه مقدار این فرکانس بالاتر باشد، ارتعاشات سریعتر ( با فرکانس بالاتر) می تواند در کامپیوتر ذخیره گردد. مقدار فرکانس نمونه برداری لازم نیز از قضیه نایکوئیست محاسبه شده و در بیشتر کارهای عملی حدود ۲٫۵ برابر بالاترین فرکانس موجود در ارتعاشات سیستم مورد آزمایش است. به طور مثال فرکانس نمونه برداری برای ثبت سه مود اول ارتعاش یک تیر یک سر گیردار فولادی با طول زیاد، کمتر از ۲ کیلوهرتز است. در حالی که همین فرکانس نمونه برداری برای ثبت یک موسیقی در حالت استاندارد حداقل ۴۴٫۱ کیلوهرتز در نظر گرفته می شود.

        برگردیم به موضوع، نتیجه ثبت ارتعاشات، بسته به تعداد کانال مورد استفاده به صورت یک ماتریس n*n خواهد بود که هر ستون این ماتریس معرف ارتعاشات فقط و فقط یک جهت مختصات خواهد بود.

        شاید یک مثال مسئله را روشن تر سازد:

        یک تیر ارتعاشی را در نظر بگیرید که میخواهیم ارتعاشات آزاد آن را با استفاده از یک شتاب سنج سه بعدی ثبت کنیم. خروجی این آزمایش می تواند به صورت یک ماتریس با چهار ستون و n سطر باشد. به طور مثال، ستون اول، داده ی زمان، ستون دوم تا چهارم، داده های ارتعاش در راستاهای x.y.‌و z. حال برای ادامه ی کار، هر ستون این ماتریس را در یک بردار ذخیره کرده و با کمک کد EMD، مود های ذاتی ارتعاش در هر جهت را می یابیم.

        در مثالی دیگر:
        اگر ارتعاشات یک سیم گیتار را بوسیله ی یک میکروفن، در حالت استریو ضبط نماییم یک داده ی صوتی خواهیم داشت که به صورت یک ماتریس n*2 در متلب می تواند نمایش داده شود. ستون اول مربوط به کانال راست و ستون دوم، کانال چپ. حال برای ادامه ی کار هر ستون این ماتریس را در یک بردار ذخیره کرده و مودهای ذاتی هر کدام را با کمک EMD می یابیم.

        در مورد اینکه اگر تابع رفتار سینوسی نداشته باشد کد EMD بلا استفاده است، کاملا حق با شماست. اما اینکه آیا امکان این وجود دارد که ارتعاشات یک تابع سینوسی نباشد؟

        فقط درصورتی که نسبت میرایی سیستم ارتعاشی بزرگتر یا مساوی ۱ باشد، تابع خروجی تحریک اولیه ی سیستم به صورت سینوسی نخواهد بود (مثل میراگرهای درب ورودی ساختمان که معمولا دارای میرایی بحرانی هستند). در این حالت از دیدگاه علم ارتعاشات اصولا ارتعاشی اتفاق نیافتاده است، در واقع خروجی سیستم در این حالات به جای تابع سینوسی، تابعی نمایی ( A*exp(bt)‌خواهد بود. لذا هیچ مود ذاتی در سیستم وجود ندارد که اقدام به استخراج آن نمود. در نتیجه استفاده از الگوریتم EMD نیز در این حالت توجیهی نخواهد داشت.”

    2. 0 از 5

      :

      با سلام

      ضمن عرض ادب، احترام و آرزوی توفیقات الهی برای مجموعه فرادرس، مواردی به شرح زیر در خصوص روش EMD و کد متلب متناظر با آن ارایه شده است:

      ۱- همانطور که در اسلاید ۱۸ آمده است، اگر شرط IMF بودن و یا معیار توقف ارضا نشود، سیگنال حاصل از مرحله چهارم به جای سیگنال اصلی جایگذاری شده و مراحل ۱ تا چهار دوباره تکرار می گردد.

      در فایل کد متلبی که توسط فرادرس ارایه شده است، اگرچنانچه سیگنال
      h(k,:)

      (خط ۲۷ در کد متلب) شرط مزبور را (این شرط D>D0 که در حلقه While آمده است و مقدار D در دستور if در داخل این حلقه محاسبه می شود) ارضا نکند، می بایست سیگنال X را در خارج از دستور if با
      h(k,:)

      برابر قرار داده و عملیات حلقه while D>D0 تکرار شود.

      ۲- خواهشمند است برای درک بیشتر، در خصوصی ارتباط بین شرط همگرایی کوشی (کسر ارایه شده در اسلاید ۱۷) و تعریف IMF (ارایه شده در اسلاید ۱۱) توضیحاتی آورده شود.

      با تشکر.

      • 0 از 5

        :

        در پاسخ به سعید نظامیوند چگینی:
        با سلام؛

        ضمن تشکر از مکاتبه شما و مطرح نمودن سوال تان؛ پاسخ مدرس به سوال شما در ادامه آمده است:

        با تشکر از نظر جنابعالی.

        در کد متلب ارائه شده، تنها زمانی که سیگنال شرط (D < D0) را ارضا کند وارد دستور if خواهد شد. لذا گام چهارم، یعنی جایگذاری سیگنال هر مرحله به جای سیگنال اولیه، به صورت اتوماتیک اجرا شده و نیازی به یک خط دیگر برای اجرای این قسمت از الگوریتم نیست. هرچند اضافه کردن یک خط به برنامه اطمینان کار را بالا خواهد برد، اما با توجه به توضیح ارائه شده ضرورتی برای این کار وجود ندارد. در مورد کسر ارائه شده در اسلاید ۱۷: توجه به این نکته مهم است که الگوریتم EMD در واقع یک فرآیند غربال است. این فرآیند دو اثر عمده دارد: ۱) حذف فرکانس های دیگر موجود در سیگنال از IMF مورد نظر؛ ۲) هموار کردن amplitude هر IMF به طوریکه جهش ناگهانی در دامنه به وجود نیاید. مورد اول در محاسبه فرکانس لحظه ای بسیار ضروری است. مورد دوم زمانی اهمیت پیدا می کند که امواج موجود در سیگنال، دارای دامنه های بسیار متفاوتی باشند. غربال کردن بیش از حد سیگنال می تواند یک سری از تغییرات دامنه ی سیگنال را که جزئی از ماهیت سیگنال هست حذف کند، و IMF به دست آمده در این حالت یک موج تعدیل شده به لحاظ فرکانسی، اما با دامنه ی ثابت خواهد بود که طبیعتا یک سری از ویژگی های مربوط به دامنه را که اتفاقا ذات پدیده ی مورد بررسی است از بین می برد. غربال کردن کم، طبیعتا باعث ایجاد تداخل فرکانسی زیاد خواهد شد. لذا باید مقدار انحراف معیار استاندارد IMF ( کسر ارائه شده در اسلاید ۱۷) را در حد محدودی نگه داشت به طوریکه سیگنال کیفیت فرکانسی و دامنه ای معنی داری را بر اساس ماهیت فیزیکی پدیده ی مورد بررسی داشته باشد. مقدار این محدودیت هم همان طور که توضیح داده شد در کارهای مختلف می تواند متفاوت باشد. لذا دید فیزیکی کاربر از پدیده ی مورد تحلیل، اهمیت ویژه ای در روش تجربی EMD خواهد داشت. با احترام


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *



​همین امروز شروع به آموختن کنید​

آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition

هزینه آموزش: ۱۲,۰۰۰ تومان



برچسب‌ها: , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی logo-samandehi پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان