×
۲۵,۰۰۰ تومان تا ۱۵۰ هزار تومان تخفیف

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

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

تعداد دانشجو
۸۰۰ نفر
مدت زمان
۴۱ دقیقه
هزینه عادی آموزش
۲۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۵۰ هزار تومان تخفیف (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۷ بازخورد (مشاهده نظرات)
آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition

در این آموزش، ابتدا مختصری در مورد روش های موجود برای تشخیص محتوای زمان-فرکانسی سیگنال ارائه شده و سپس جایگاه روش EMD در این بین مشخص می شود. در ادامه الگوریتم EMD به زبانی ساده و در چندین مرحله با مثال تصویری توضیح داده می شود. 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 می شود. در نهایت نیز روش EMD با روش Wavelet مقایسه شده و ضعف ها و نقاط قوت هر روش مختصرا بحث می گردد.

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

مدت زمان
۴۱ دقیقه
هزینه عادی آموزش
۲۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۵۰ هزار تومان تخفیف

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۷ بازخورد (مشاهده نظرات)
مدرس
آرش خاصه تراش

کارشناس ارشد مهندسی مکانیک

مهندس آرش خاصه تراش کارشناس ارشد رشته مهندسی مکانیک در طراحی کاربردی هستند. 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.

توضیحات تکمیلی

در آموزش تجزیه سیگنال به مولفه های مود ذاتی یا Empirical Mode Decomposition، ابتدا مختصری در مورد روش‌ های موجود برای تشخیص محتوای زمان-فرکانسی سیگنال ارائه شده و سپس جایگاه روش EMD در این بین مشخص می شود. در ادامه الگوریتم EMD به زبانی ساده و در چندین مرحله با مثال تصویری توضیح داده می شود. 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 می شود. در نهایت نیز روش EMD با روش Wavelet مقایسه شده و ضعف ها و نقاط قوت هر روش مختصرا بحث می گردد.

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

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.

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
      • مولفه مود ذاتی
      • منحنی های پوش بالا و پایین
      • تعیین معیار توقف
      • استخراج مولفه 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

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس




پیش نمایش‌ها

۱. مقدمه کوتاهی بر روش های پردازش سیگنال زمان – فرکانس، الگوریتم روش EMD

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: ۷ مگابایت -- (کلیک کنید +))

۲. پیاده سازی الگوریتم در محیط MATLAB

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: ۱۰ مگابایت -- (کلیک کنید +))

این آموزش شامل ۲ جلسه ویدئویی با مجموع ۴۱ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش 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 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 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 (نمایش آنلاین + دانلود)
حجم دانلود ۵۸ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.





نظرات

تا کنون ۸۰۰ نفر از این آموزش استفاده کرده اند و ۷ نظر ثبت شده است.
امید
امید

آموزش خیلی خوبی بود و با کیفیت و خیلی کاربردی تدریس شده بود.

علب
علب

باعرض سلام
ابتداتشکر از اموزش عالیتون ؛ سوالی که تزخدمتون دارم اینکه انواع روشهایی که ازEMD نام بردید چطکر میتوان نحوه کار EEMDرو یادگرفت نحوه کارش به چه صورتی است ممنون

جواد
جواد

آیا این روش برای جداسازی چند موئلفه فرکانسی که در یک بازه زمانی همزمان اتفاق می افتد کارایی دارد؟

سعید نظامیوند چگینی
سعید نظامیوند چگینی

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:

1- همانطور که در اسلاید 18 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 1 تا چهار دوباره تکرار می گردد.

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

(خط 27 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.

2- خواهشمند است برای درک بیشتر، در خصوصی ارتباط بین شرط همگرایی کوشی (کسر ارایه شده در اسلاید 17) و تعریف IMF (ارایه شده در اسلاید 11) توضیحاتی آورده شود.

با تشکر.

روابط عمومی
روابط عمومی

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 17:

توجه به این نکته مهم است که الگوریتم EMD در واقع یک فرآیند غربال است. این فرآیند دو اثر عمده دارد: 1) حذف فرکانس های دیگر موجود در سیگنال از IMF مورد نظر؛ 2) 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 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 شدلذا باید مقدار انحراف معیار استاندارد IMF  ( کسر ارائه شده در اسلاید 17) 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 باشدمقدار 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.


محمد سبحان
محمد سبحان

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.

روابط عمومی
روابط عمومی

با سلام

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 2.5 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 2 کیلوهرتز است. در حالی که همین فرکانس نمونه برداری برای ثبت یک موسیقی در حالت استاندارد حداقل 44.1 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 ازمایش 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 1 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.

امیدوارم پاسخ سوالتان را گرفته باشید. اگر سوال دیگری نیز داشتید خوشحال میشم پاسخ بدم.

برچسب‌ها:
EMD | Empirical Mode Decomposition | آکوستیک | استخراج مؤلفه ها، ترتیب استخراج | پردازش سیگنال | پیاده سازی الگوریتم در محیط MATLAB | تبدیل فوریه | تبدیل فوریه زمان کوتاه | تبدیل موجک | تجزیه تجربی سیگنال | تجزیه فرکانسی | تعیین معیار توقف | توضیح الگوریتم روش EMD | چرایی و چگونگی ایجاد این روش | روش EMD | ضعف روش EMD در جداسازی فرکانسی | مؤلفه مود ذاتی | معرفی ارائه دهندگان | معرفی روش EMD | منحنی‌های پوش بالا و پایین | مود ذاتی
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۲ جلسه ویدئویی