Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Электр техникасы және қолданбалы математикада соқыр деконволюция – конволюцияда қолданылған импульстік жауап функциясы туралы нақты мәліметсіз жүзеге асырылатын деконволюция. Әдетте, бұл шығысты талдау арқылы импульстік жауапты бағалау үшін кіріс туралы тиісті болжамдар жасау арқылы қол жеткізіледі. Кіріс және импульстік жауап туралы болжамдар жасамайынша соқыр деконволюцияны шешу мүмкін емес. Бұл мәселені шешуге арналған көптеген алгоритмдер кіріс және импульстік жауаптың белгілі субкеңістіктерде болатыны туралы болжамға негізделген. Дегенмен, осы болжаммен де соқыр деконволюция өте қиын, дөңес емес оптимизациялық мәселе болып қалады.
In electrical engineering and applied mathematics, blind deconvolution is deconvolution without explicit knowledge of the impulse response function used in the convolution. This is usually achieved by making appropriate assumptions of the input to estimate the impulse response by analyzing the output. Blind deconvolution is not solvable without making assumptions on input and impulse response. Most of the algorithms to solve this problem are based on assumption that both input and impulse response live in respective known subspaces. However, blind deconvolution remains a very challenging non convex optimization problem even with this assumption.
Сейсмикалық деректер
Сейсмикалық деректерді деконволюциялау кезінде бастапқы белгісіз сигнал импульстардан құралғандықтан, оны 1978 жылы В. К. Грей ұсынған l1 нормасы / 'l'2 нормасы қатынастары сияқты сиректік шектеулермен немесе реттеулермен сипаттау мүмкін.
In the case of deconvolution of seismic data, the original unknown signal is made of spikes hence is possible to characterize with sparsity constraints or regularizations such as l1 norm/''l''2 norm norm ratios, suggested by W. C. Gray in 1978.
Аудионың бұрылысын ажырату
Аудио деконволюция (көбінесе дереверберация деп аталады) – аудио қоспаларындағы дыбыс қайталануын азайту процесі. Бұл, «коктейльдік кеш» эффектісі сияқты, дұрыс шешімі жоқ жағдайлардағы дыбыс жазбаларын өңдеудің бір бөлігі. Бір мүмкіндік – ICA қолдану.
Audio deconvolution (often referred to as dereverberation) is a reverberation reduction in audio mixtures. It is part of audio processing of recordings in ill posed cases such as the cocktail party effect. One possibility is to use ICA.
Жалпы алғанда
Егер сигнал бір арна арқылы жіберілсе, арнаны әдетте сызықтық қағида бойынша өзгермейтін жүйе ретінде модельдеуге болады. Сондықтан қабылдағыш бастапқы сигналдың арнаның импульстік реакциясымен конволюциясын алады. Егер біз арнаның әсерін кері қайтарып, бастапқы сигналды алуды қаласақ, алынған сигналды екінші сызықтық жүйе арқылы өңдеп, арнаның реакциясын инверттеуіміз керек. Бұл жүйе теңестіргіш деп аталады. Егер бізге бастапқы сигнал белгілі болса, біз бақылау әдісін қолдана аламыз, мысалы, Винер сүзгісін табуға болады, бірақ оның болмаған жағдайында да, оны қалпына келтіру үшін бізге белгілі нәрселерді зерттей аламыз. Мысалы, алынған сигналды сүзу арқылы қажетті спектральдік қуат тығыздығын алуға болады. Бұл, мысалы, бастапқы сигналдың автокорреляциясы жоқ екені белгілі болғанда, алынған сигналды "ақтандыру" кезінде болады. Ақтандыру әдетте нәтижеде фазалық бұрмалауды қалдырады. Көптеген соқыр деконволюция әдістері сигналдардың жоғары реттік статистикасын пайдаланады және мұндай фазалық бұрмалауларды түзетуге мүмкіндік береді. Біз теңестіргішті бастапқы PSF туралы біздің білімімізге сәйкес PSF-і бар сигнал алу үшін оңтайландыра аламыз.
Suppose we have a signal transmitted through a channel. The channel can usually be modeled as a linear shift invariant system, so the receptor receives a convolution of the original signal with the impulse response of the channel. If we want to reverse the effect of the channel, to obtain the original signal, we must process the received signal by a second linear system, inverting the response of the channel. This system is called an equalizer. If we are given the original signal, we can use a supervising technique, such as finding a Wiener filter, but without it, we can still explore what we do know about it to attempt its recovery. For example, we can filter the received signal to obtain the desired spectral power density. This is what happens, for example, when the original signal is known to have no auto correlation, and we "whiten" the received signal. Whitening usually leaves some phase distortion in the results. Most blind deconvolution techniques use higher order statistics of the signals, and permit the correction of such phase distortions. We can optimize the equalizer to obtain a signal with a PSF approximating what we know about the original PSF.
Жоғары деңгейдегі статистика
Соқыр деконволюция алгоритмдері көбінесе екіншіден жоғары реттік статистиканы қолданады, яғни екіншіден жоғары сәттерді пайдаланады. Бұл ашық немесе жасырын түрде болуы мүмкін.
Blind deconvolution algorithms often make use of high order statistics, with moments higher than two. This can be implicit or explicit.