تبدیل فوریه ی سیگنال های تنک
DESCRIPTION
تبدیل فوریه ی سیگنال های تنک. براساس: “Nearly Optimal Sparse Fourier Transform” «گروه پژوهشی دانشگاه MIT » 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 - PowerPoint PPT PresentationTRANSCRIPT
تبدیل فوریه ی سیگنال های تنک
براساس:
“Nearly Optimal Sparse Fourier Transform”
«MIT»گروه پژوهشی دانشگاه
ارائه دهنده:محمد نجارزادگان
1/22
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• 2/2
2
مقدمه محاسبه یDFT
پردازش سیگنال•پیاده سازی فیلتر•
محاسبه ی DFT در سیستم بالدرنگ سرعت باال
[ 1 سرعت الگوریتم]FFT :( .log( ))O n n3/22
. .log( )k n n
معرفی سیگنال تنکتنک بودن در حوزه ی فرکانس
صدا•تصویر•عکس•
فشرده سازی اطالعات•MPEG•JPEG
4/22
SFFTمبنای الگوریتم های .تعداد نمونه های سیگنال کم است
AAFFT: 3% [1] همبستگی بین نمونه ها )درون یابی(•تعداد نمونه ها وابسته به دقت مورد نظر است.• است.SFFTتعداد نمونه ها وابسته به الگوریتم •
.تعداد محدودی مولفه فرکانسی وجود دارد
وابسته به نوع سیگنال•وابسته به طول سیگنال•
5/22
Sparsity = 4
تنک بودن صدا
6/22
Voice 10 sec
Voice 2 sec
SFFTهدف الگوریتم های تشخیص مکان مولفه های فرکانسی
تشخیص اندازه ی هر مولفه
پیاده سازی سخت افزاری
توان مصرفی• حافظه ی مورد نیاز•
-در تعداد عملیات کم
با تعداد نمونه -گیری کم
7/22
[1]الگوریتم های موجود AAFFT
•kتعداد مولفه های فرکانس :
Hassnieh
اگر :
1( .log ( ))cO k n2C
3/2( . .log ( ))O n k n
( )K O n1( .log ( ))cO k n
3/2( . .log ( ))O n k n( .log( ))O n n
فقط برای سیگنال های SFFT الگوریتم های . کوچک سریع عمل می کندkتنک و
8/22
نحوه ی اجرای الگوریتمچهار مرحله اصلی
نمونه برداری•
پنجره گذاری و فیلتر•
تبدیل فوریه•
انتخاب مقادیر بزرگ•
9/22
نحوه ی اجرای الگوریتم)ادامه(نمونه برداری
کاهش تعداد نمونه ها•
درون یابی زمان بر•
10/22
نحوه ی اجرای الگوریتم)ادامه([3]
پنجره گذاری و فیلتر
درSincتداخل دنباله های •حوزه فرکانس ) خطا(
تصحیح خطا به کمک تکرار•
پیاده سازی فیلتر : حافظه مورد• نیاز
( ). ( )x t rect t ( ) sinc( )x f f 11/22
نحوه ی اجرای الگوریتم)ادامه([3]
تبدیل فوریه
تبدیل فوریه از هر برش زمانی•
انتخاب k مقدار بیشینه در FFT.
12/22
الگوریتم جدیددو ضعف در الگوریتم های قبلی
درون یابی•تداخل در حوزه فرکانس•
انتخاب فیلتر مناسب
تداخل •درون یابی شکل دادن در زمان •
پنجره گذاری گوسی یا چبیشف
( )rect fsinc( )t
13/22
[4]الگوریتم جدید
14/22
شبیه سازی
15/22
Filter: rectFilter: chebychev
Filter: sinc
Filter: chebychev
پیاده سازی[5] نرم افزاری++Cبرنامه •CPU: 3GHzفرکانس ••Cache: 6MB•RAM: 8GB
FPGA ( ) [3]•Virtex 61Wتوان: •4.28Mbحافظه: •
202 , 500N K
16/22
برابر بیشتر10سرعت برابر کمتر100توان
[1]مقایسهسرعت انجام الگوریتم•تعداد نمونه مورد استفاده•(Sparsityمیزان تنک بودن )•
17/22
[.1 ]مقایسه ی الگوریتم های مختلف
Implementation Samples Runtime
FFTW N
AAFFT
SFFT
( .log ( ))CO k N
4( .log ( ))O k N
( .log( ))O N N
( .log( ))O k N
( .log ( ))CO k N
[5]مقایسه
18/22
[5]مقایسه
19/22
نتیجه گیری•SFFT برای سیگنال تنک و sparsity.کم ، سریع است
به دلیل تعداد نمونه کم بسیار سریع است.SFFTالگوریتم های •
الگوریتم جدید با انتخاب فیلتر مناسب درون یابی و تکرار را •حذف کرده است.
20/22
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 .
21/22
سوال؟؟؟
با سپاس از توجه شما
22/22