تبدیل فوریه ی سیگنال های تنک
Download
Report
Transcript تبدیل فوریه ی سیگنال های تنک
تبدیل فوریه ی سیگنال های تنک
براساس:
”“Nearly Optimal Sparse Fourier Transform
«گروه پژوهش ی دانشگاه »MIT
1/22
ارائه دهنده:
محمد نجارزادگان
فهرست مطالب
• معرفی سیگنال های تنک و تبدیل فوریه ی آن ها
• کاربرد تبدیل فوریه ی سیگنال های تنک
• الگوریتم های موجود
• الگوریتم جدید و مزایای آن
• مقایسه و نتیجه گیری
2/22
مقدمه
محاسبه ی DFT
• پردازش سیگنال
• پیاده سازی فیلتر
محاسبه ی DFTدر سیستم بالدرنگ
سرعت باال
سرعت الگوریتم :[1]FFT
3/22
)O(n.log(n)) k .n.log(n
معرفی سیگنال تنک
تنک بودن در حوزه ی فرکانس
• صدا
• تصویر
• عکس
فشرده سازی اطالعات
• MPEG
• JPEG
4/2
2
مبنای الگوریتم های SFFT
تعداد نمونه های سیگنال کم است.
][1
AAFFT: 3%
• همبستگی بین نمونه ها (درون یابی)
• تعداد نمونه ها وابسته به دقت مورد نظر است.
• تعداد نمونه ها وابسته به الگوریتم SFFTاست.
تعداد محدودی مولفه فرکانسی وجود دارد.
5/2
2
• وابسته به نوع سیگنال
• وابسته به طول سیگنال
Sparsity = 4
تنک بودن صدا
Voice 2 sec
Voice 10 sec
6/2
2
هدف الگوریتم های SFFT
تشخیص مکان مولفه های فرکانسی
تشخیص اندازه ی هر مولفه
پیاده سازی سخت افزاری
• توان مصرفی
• حافظه ی مورد نیاز
7/2
2
در تعداد عملیات کمبا تعداد نمونه گیریکم
الگوریتم های موجود][1
AAFFT
C2
))O(k .log c 1 (n
های SFFTفقط برای سیگنال های تنک و k
الگوریتم
• :kتعداد مولفه های فرکانس
کوچک سریع عمل می کند.
Hassnieh
3/2
))O( n.k .log (n
اگر ): K O (n
8/2
2
))O(k.logc1 (n
))O( n.k .log3/2 (n
O(n.log(n))
نحوه ی اجرای الگوریتم
چهار مرحله اصلی
• نمونه برداری
• پنجره گذاری و فیلتر
• تبدیل فوریه
• انتخاب مقادیر بزرگ
9/2
2
نحوه ی اجرای الگوریتم(ادامه)
نمونه برداری
• کاهش تعداد نمونه ها
• درون یابی
10/2
2
زمان بر
نحوه ی اجرای الگوریتم(ادامه)][3
پنجره گذاری و فیلتر
• تداخل دنباله های Sincدر
حوزه فرکانس ( خطا)
• تصحیح خطا به کمک تکرار
• پیاده سازی فیلتر :حافظه مورد
نیاز
11/2
2
) x( f ) sinc( f
) x(t ).rect (t
نحوه ی اجرای الگوریتم(ادامه)][3
تبدیل فوریه
• تبدیل فوریه از هر برش زمانی
انتخاب kمقدار بیشینه در .FFT
12/2
2
الگوریتم جدید
دو ضعف در الگوریتم های قبلی
• درون یابی
• تداخل در حوزه فرکانس
انتخاب فیلتر مناسب
13/2
2
• تداخل
• درون یابی
گذاری
گوسی
چبیشف
) rect ( f
شکل دادن در زمان
) sinc(t
پنجره
یا
الگوریتم جدید][4
14/2
2
شبیه سازی
Filter: sinc
Filter: chebychev
Filter: rect
Filter: chebychev
15/2
2
پیاده سازی
نرم افزاری][5
• برنامه C++
• فرکانس 3GHz :CPU
• 6MB :Cache
• 8GB :RAM
N 220 , K 500 ( FPGA
16/2
2
• Virtex 6
• توان1W :
• حافظه4.28Mb :
سرعت 10برابر بیشتر
توان 100برابر کمتر
) ][3
[1]مقایسه
• سرعت انجام الگوریتم
• تعداد نمونه مورد استفاده
)Sparsity( • میزان تنک بودن
Implementation
Samples
FFTW
N
Runtime
O( N .log( N ))
AAFFT
O(k .log C ( N ))
O(k .log C ( N ))
SFFT
O(k .log 4 ( N ))
O(k .log( N ))
.[1] مقایسه ی الگوریتم های مختلف
17/2
2
مقایسه][5
18/2
2
مقایسه][5
19/2
2
نتیجه گیری
• SFFTبرای سیگنال تنک و sparsityکم ،سریع است.
• الگوریتم های SFFTبه دلیل تعداد نمونه کم بسیار سریع است.
• الگوریتم جدید با انتخاب فیلتر مناسب درون یابی و تکرار را حذف کرده است.
20/2
2
مراجع
[1] H.Hassanieh,P.Indyk,D.Katabi,E.Price “ Nearly Optimal
Sparse Fourier Transform”, STOC '12 Proceedings of the 44th
symposium on Theory of Computing 2012,Pages 563-578,.
[2] B.Seg al, M.Iwen “Improved Sparse Fourier Approximation
Results Faster Implementations and Stronger Guarantees”
Springer Science+Business Media, LLC 2012.
[3] A.Agarwal, “FPGA-based design of a Million point Sparse
FFT” 2012.
[4] E.Price, “Sparse Fourier Transform Algorithms” ,2013.
[5] H.Hassanieh,P.Indyk,D.Katabi,E.Price, “Simple and Practical
Algorithm for Sparse Fourier Transform”, SODA
'12 Proceedings of the Twenty-Third Annual ACM-SIAM
Symposium on Discrete Algorithms 2012,Pages 1183-1194 .
21/2
2
با سپاس از توجه شما
سوال؟؟؟
22/2
2