학습 신호 인코딩

맨체스터 인코딩 비트 스트림을 오디오 신호로 나타내는 많은 샘플이 있습니다. 인코딩되는 주파수는 높은 주파수의 주요 주파수 구성 요소이며 백그라운드에 일정한 양의 화이트 노이즈가 있습니다.

이 스트림을 수동으로 디코딩했지만 인코딩 체계를 배우기 위해 일종의 기계 학습 기술을 사용할 수 있는지 궁금합니다. 이렇게하면 이러한 체계를 수동으로 인식하는 데 많은 시간이 절약됩니다. 어려움은 다른 신호가 다르게 인코딩된다는 것입니다.

하나 이상의 인코딩 체계를 디코딩하는 방법을 배울 수있는 모델을 구축 할 수 있습니까? 그러한 모델은 얼마나 강력하고 어떤 기술을 사용하고 싶습니까? ICA ( Independent Component Analysis )는 내가 관심있는 빈도를 격리하는 데 유용 할 것 같지만 인코딩 체계를 어떻게 배울 수 있습니까?

— 성난
소스

(1) 높은 수준과 (0) 낮은 수준의 두 가지 가능한 상태로 숨겨진 Markov 모델을 사용하는 것이 좋습니다.

이 기술은 신호를 해독하는 데 도움이 될 수 있습니다. 아마도 각 목록에 대해 특정 HMM이 필요할 것입니다.

노이즈가 문제인 경우 Blackman-Harris 윈도우 기능이있는 FIR 필터를 사용하면 관련된 주파수를 분리 할 수 있습니다.

— 아데 산토스
소스

이것은 상태 전이에서 값이 인코딩되는 맨체스터 인코딩 신호에서 작동합니까?

— ragingSloth

맨체스터 목록에 달려 있지만 그렇게 말할 것입니다. 그럼에도 불구하고 HMM 교육 이전에는 신호의 측면을 감지하기 위해 제로 크로싱 알고리즘을 사용하는 것이 좋습니다. 이를 통해 변경이 발생하는 최소 시간을 감지하여 클럭 속도에 대한 힌트를 줄 수 있습니다.

— adesantos

클럭 속도가 필요한 이유는 무엇입니까? 맨체스터 인코딩은 자체 클럭킹입니다. 타이밍은 중요하지 않아야합니다.

— ragingSloth

낮은 값과 높은 값 사이의 전환이 얼마나 빠른지 알기 위해 클럭 속도를 아는 것이 도움이 될 수 있습니다.

— adesantos 2016 년