از جمله کاربردهای پردازش سیگنال می توان به: تشخیص گفتار و پردازش زبان طبیعی در هوش مصنوعی، سونار (Sonar) و رادار، مخابرات و تحلیل داده های دریافت شده از بدن بیمار اشاره نمود. استفاده از زبان برنامه نویسی پایتون (Python)، همواره مورد توجه اهداف پژوهشی و نیز صنعتی بوده است، به گونه ای که این زبان برنامه نویسی به یکی از محبوب ترین زبان های سطح بالا در حوزه مهندسی و تحلیل داده های آماری تبدیل شده است. در پایان این فرادرس، مخاطب قادر خواهد بود تا در پایتون با کمک توابع و کتابخانه های مختلف، به تحلیل سیگنال ها پرداخته و داده های مورد نیاز خود را استخراج نماید. پیش نیاز این آموزش، آشنایی مقدماتی با پایتون است.
آموزش مقدماتی پردازش سیگنال با Python (پایتون)
(کسب اطلاعات بیشتر +)
یگانه آقامحمدی، کارشناس فیزیک از دانشگاه صنعتی خواجه نصیرالدین طوسی و دانشجوی کارشناسی ارشد مهندسی کامپیوتر در دانشگاه صنعتی شریف هستند. پروژه کارشناسی ایشان در زمینه شبیه سازی فوتوداینامیک تراپی بوده و هم اکنون نیز در حوزه هوش مصنوعی مشغول فعالیت هستند.
چکیده آموزش
توضیحات تکمیلی
تحلیل تجربی داده ها و دقیق نبودن نتایج ناشی از تجربه با واقعیت، دانشمندان را بر آن داشت تا با استفاده از ابزارهای دقیق، به بالا بردن کیفیت تحلیل بپردازند. علم ریاضیات، دستیابی به نتایج دقیق تر را برای پژوهشگران میسر نموده است. پردازش سیگنال با استفاده از کامپیوتر، از جمله ابزارهایی است که علم ریاضیات به مهندسین مرهون داشته است و آنان را در جهت نیل به اهداف پژوهشی و صنعتی، یاری نموده است.
پردازش سیگنال یکی از دروس مهم مقطع ارشد رشته های کامپیوتر، برق و مهندسی پزشکی است. از جمله کاربردهای پردازش سیگنال می توان به: تشخیص گفتار و پردازش زبان طبیعی در هوش مصنوعی، سونار (Sonar) و رادار، مخابرات و تحلیل داده های دریافت شده از بدن بیمار اشاره نمود.
استفاده از زبان برنامه نویسی پایتون (Python)، همواره مورد توجه اهداف پژوهشی و نیز صنعتی بوده است، به گونه ای که این زبان برنامه نویسی به یکی از محبوب ترین زبان های سطح بالا در حوزه مهندسی و تحلیل داده های آماری تبدیل شده است. در پایان این فرادرس، مخاطب قادر خواهد بود تا در پایتون با کمک توابع و کتابخانه های مختلف، به تحلیل سیگنال ها پرداخته و داده های مورد نیاز خود را استخراج نماید. پیش نیاز این آموزش، آشنایی مقدماتی با پایتون است.
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- درس یکم: آشنایی با پردازش سیگنال و کاربرد آن
- آشنایی با کاربرد در هوش مصنوعی و صنعت
- درس دوم: نصب پایتون و Anaconda و بررسی برخی ماژول ها
- نصب پایتون
- نصب Anaconda و آشنایی با محیط آن
- آشنایی با محیط Jupyter
- ایجاد Environment جدید در Anaconda
- نصب پکیج های NumPy و Matplotlib
- بررسی یک مثال جهت درک بیشتر ماژول ها
- درس سوم: ساخت سیگنال و دریافت خروجی wav
- معرفی ماژول Wave
- معرفی ماژول Struct
- ایجاد حلقه for داخل آرگومان
- دریافت خروجی wav
- استخراج فرکانس از فایل wav
- آشنایی با متد Pack و Unpack در ماژول Struct
- آشنایی با FFT یا Fast Fourier Transform (تبدیل فوریه سریع)
- درس چهارم: افزودن نویز و حذف نویز
- افزودن نویز با فرکانس متفاوت
- افزودن نویز با فرکانس یکسان
- حذف نویز با عکس تبدیل فوریه سریع (IFFT)
- علت عدم تطبیق نمودار اولیه و ثانویه
- درس پنجم: تحلیل Periodogram و Welch
- نصب ماژول SciPy
- نویز گاوسی سفید و رسم آن
- تحلیل Periodogram یک سیگنال سینوسی در نویز گاوسی سفید
- تحلیل Welch یک سیگنال سینوسی در نویز گاوسی سفید
- درس ششم: آشنایی با متد Detrend
- بررسی Detrend یک تابع خطی به صورت ثابت و خطی
مفید برای رشته های
- مهندسی کامپیوتر
- مهندسی برق
پیش نیاز
آنچه در این آموزش خواهید دید:
نرم افزارهای مرتبط با آموزش
پیش نمایش‌ها
۱.
آشنایی با پردازش سیگنال و کاربرد آن
توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۳ مگابایت -- (کلیک کنید +))
۲.
نصب پایتون و Anaconda و بررسی برخی ماژول ها
توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۶ مگابایت -- (کلیک کنید +))
۳.
ساخت سیگنال و دریافت خروجی wav
توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۹ مگابایت -- (کلیک کنید +))
۴.
افزودن نویز و حذف نویز
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵.
تحلیل Periodogram و Welch
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶.
آشنایی با متد Detrend
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.
راهنمای سفارش آموزش‌ها
.svg)
در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
- با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
- با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه
اطلاعات تکمیلی
| نام آموزش | آموزش مقدماتی پردازش سیگنال با Python (پایتون) |
|---|---|
| ناشر | فرادرس |
| شناسه اثر | ۸–۱۲۴۵۲–۰۷۲۳۶۴ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد) |
| کد آموزش | FVEE9804 |
| مدت زمان | ۱ ساعت و ۴۸ دقیقه |
| زبان | فارسی |
| نوع آموزش | آموزش ویدئویی (نمایش آنلاین + دانلود) |
| حجم دانلود | ۱۵۹ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس) |
- ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ میشود.
- و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده میشود.
نظرات
سینا
دنبال مسائل پیشرفته بودم که برای کارای دانشگام بتونم باهاش پیش برم. از همه لحاظ برام مفید بود.
سینا
در سطح مقدماتی بود.
مسعود
مشخصه که مدرس به مباحث تسلط لازم دارن به همین دلیل بیان گیرا و قابل قبولی دارن.
محمد علی
باسلام
ضمن تشکر بابت ارائه مختصر و مفیدتان، در درس چهارم قسمت دوم (حذف نویز) در انتهای کد، معکوس تبدیل فوریه از آرایه اندازه تبدیل فوریه گرفته شده است و باعث میشود خروجی نسبت به مطلوب اختلاف داشته باشد؛ در صورتی که اگر از خود آرایه تبدیل فوریه (پس از فیلتر کردن) و نه اندازه آن عکس تبدیل فوریه گرفته شود، جواب دقیقا همان سیگنال بدون نویز خواهد بود.
مورد دیگر اینکه اگر نمودار تبدیل فوریه به صورت نقطه ای گسسته رسم شود (با افزودن آرگومان "ob" به انتهای دستور پرینت)، مشاهده میشود که تبدیل فوریه فقط در فرکانس موردنظر مقدار بسیار زیادی دارد و در فرکانس های همسایه، مقدار بسیار ناچیز است؛ بنابراین برای فیلتر کردن عملا نیازی به تعیین بازه نیست.
باتشکر
ahmad
هنوز کامل ندیدم جلسات رو ولی میتونم بگم که تدریس ایشون عالیه مثل مدرسین دیگه توضیحات اضافه نمیدن و جملات هجو ندارن بخاطر همین اصلا حوصله سر بر نیست و ثانیه به ثانیه‌ی آموزش، مفیده
آرش
بنده به پایتون مسلط هستم، ولی چون دانشی از پردازش سیگنال ندارم، این دوره هیچ چیزی به من یاد نداد. در واقع این دوره به نظر من فقط مناسب کسانی هست که هم پایتون بلدن، و هم پردازش سیگنال بلدن. و نیازشون اینه که بدونن دانش پردازش سیگنالشون رو چطور در پایتون پیاده‌سازی کنن.
جلال
فقط یکی از تولباکس های پایتون رو گفته و خوب بود اسمش زو هم میذاشتن مقدماتی. منتظر پیشرفته این آموزش هستم.
آریا
خیلی خلاصه بود ایشون مسلط بودند ولی باید بهتر توضیح می دادند خیلی سریع این مطلب رو به اتمام رسوندند به طور کلی در عین خلاصگی خوب بود.
سعید
خیلی عالی بود نمونه ش رو تو هیج منبعی پیدا نکردم در حد مقدماتی عالی بود.
علی
ممنون از فرادرس بابت این آموزش.
آموزش خوبی بود.ولی امیدوار هر چه زود تر آموزش پیشرفته پردازش سیگنال هم ارائه بشه