zero padding意思 在 コバにゃんチャンネル Youtube 的最讚貼文
zero padding意思 在 卷积神经网络CNN，用CNN解决MNIST分类问题 - GitHub 的推薦與評價
No zero padding，non-unit strides： 没有0 填充，步伐不为1 ... strides=[1, 1, 1, 1], padding='SAME') # 2d的意思是二维的卷积操作 # 池化层 def max_pool_2x2(x): ... ... <看更多>
zero padding意思 在 [問題] DFT 的適用時機(DSP問題) - 看板MATLAB - 批踢踢實業坊 的推薦與評價
各位版上的先進大家好，小弟剛大學畢業，趁研究所開學前的空閒正在複習訊號處理(DSP)
( 先說我研究所的領域是 CS 的，跟這個八竿子打不著 XD )
有個問題困擾了我許久，只可惜在學校的時候沒學好，現在找不到老師問，
想說 matlab 版的大家應該有比較多訊號處理的經驗，所以 PO 上來尋求協助，
我只覺得訊號處理這種科目沒有人帶真的很難學到精隨，是很吃經驗的科目呢。
==========================================================================
問題是這樣的：什麼時候該用 DFT，什麼時候該用 DTFT？
我們都知道在離散時間裡面處理訊號的方式有兩種，DTFS (俗稱DFT) 跟 DTFT，
前者適用於週期性訊號，會使頻譜離散化，而後者適用於非週期性訊號，頻譜連續，
不過我實在想不到該用 DFT 而不用 DTFT 的理由。
如果單純只是對時域的訊號做處理，那我大可以在時域設計出一個 FIR，
然後兩個一起做 convolution，答案就出來了，也就是說頻譜的「連續性」只是一個現象，
不一定要讓頻譜離散化才能用 matlab 運算吧。
再考慮 IIR (無限延伸的 filter) 的情況，如果這個 filter 剛好在 n 很大的時候值會
趨近於零，
我們應該也可以直接忽略它，化簡成一個 FIR (有限長度)，直接跟訊號 convolution，
就跟上面提到的一樣。
所以說目前我只想到該用 DFT 而不用 DTFT 的原因只有兩個：
(1) IIR 在任意時刻都有不可忽略的值，不容易直接乘，只好取一部份並利用 DFT 自動
隱含週期性的特性運算
(2) DFT 有 FFT 快速實作法，在計算頻譜會快很多
========================================================================
以上大概就是主要問題，想不太到在實際訊號處理的案例中 DFT 相對於 DTFT 的優點，
請問版上各位先進上面的論述是否正確？又 DFT 的主要應用為何？先謝謝版上大大！
因為這個問題困擾我許久，視情況我可能會發送稅前 30P - 50P 給有說服到我的最佳解
答作為回報
( 意即，只能有一位最佳解，因為我很窮 QQ )
當然，如果其他解答也很好的話我視財力也會發送一些 (10P) 作為謝禮！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.168.86.10
※ 文章網址: https://www.ptt.cc/bbs/MATLAB/M.1498678746.A.BC7.html
※ 編輯: alan23273850 (1.168.86.10), 06/29/2017 03:40:06
※ 編輯: alan23273850 (1.168.86.10), 06/29/2017 03:40:41
不過坦白說我的看法跟您的有點不太一樣，
同時也是問題點所在，我現在只覺得大家會喜歡用 DFT
只是因為 matlab 有 fft 這個快速函式可用而已。
假設現在有一個有限長度的訊號 x[n]，我們要對他做 moving average filter
也就是 h[n] = 0.33delta[n] + 0.33delta[n-1] + 0.33delta[n-2]
這裡的 delta 是脈衝函數，那如果直接算 x[n] CONV. h[n]，
這邊就完全不會出現 DFT 的運算。
如果是要先觀察 x[n] 有哪些頻率成分，再決定 filter 的話，
我們依然可以套原本的公式算出精準的頻譜，sigma(n=-INF~INF) x[n]*exp(-jwn)
只是說我們如果要「觀察」這個頻譜的話一定只能挑有限個點觀察，
這邊跟 DFT 裡面本來就是離散的頻譜概念還是不太一樣，
一個是我們只能挑有限個點去觀察連續的頻譜，
一個是基於假設訊號的週期性得到離散的頻譜。
這樣的話感覺還是不用 DFT 耶？
目前我有點逃避 DFT 是因為不太理解 DFT 自動把訊號週期化的概念，
好像頻譜還會失真，覺得這是不必要的。
其實傅立葉變換家族那邊我看很多遍了，基本上還算熟，只是不知道 DFT 存在的價值
不過您的解說裡面有個地方我真的有想過，如果是想過濾低頻的話，
它在頻域是個方波，那轉回時域就一定會出現 sinc，我還真的想把它的尾巴砍掉，
近似成 FIR，我一直以為可以，因為感覺只是微小誤差，這邊想再問更詳細一些＞＜
-------------------
還有按照您的說法感覺 DTFT 就很夠了，真的跟我原本想的一樣 DFT 沒啥價值
我比較想知道有什麼時候是「必須」使用 DFT 而不能使用 DTFT 的情況，
因為感覺 DSP 課本是很強調 DFT 而不可忽視的，但我從課本中只知道
(1) 頻譜離散化、(2) 有 fft 快速實作法，這兩大優勢而已
上面我有提過頻譜不需要離散化的理由，再加上不考慮效率問題的話，
其實 DTFT 就已經在離散時域中提供足夠的理論了，不需要 DFT 再參一腳。
拜託了！
※ 編輯: alan23273850 (1.168.84.224), 06/29/2017 12:03:47
※ 編輯: alan23273850 (1.168.84.224), 06/29/2017 12:20:43
其實我剛剛在看完兩位大大回覆後又上網爬了許多各家投影片，
現在概念有比較清楚些，且讓我慢慢把目前的理解貼在這裡給各位檢驗。
(1) 先說說我現在比較接受 DFT 的主要原因：其實如果想要降低 DFT
自動隱含週期性這個特性的話，可以做 zero padding，padding 的愈多
則週期性愈低，這個 DSP 課本上面有寫。再者其實自動隱含週期性也不是
什麼壞事，反而原本沒有隱含週期性的 DTFT 作法才會讓某些成分變形，
也就是說忠實的反映原先 time-limited signal 的頻譜未必較好。
之前我怕取的點數所造成的隱含週期會跟原本的訊號週期不吻合，不過
這個好像也只要讓點數多一些讓頻譜密集就可以舒緩了，所以也還不算什麼大問題。
(2) 其實要計算整段訊號 x[n] 的總頻譜，仍然只有一個方法，就是把
「整段訊號」套進 DTFT 或 DFT 公式，而 DFT 好像會快一些。
(只是會隱含週期性，不然就做 zero-padding，不過會讓點數更多就是)
不過在實務應用上有些訊號像一首歌 4 分多鐘，取樣點數早就超過記憶體容量，
這種情況我想也只能取一部分作轉換，這樣其實或許也觀察得到男女聲頻率，
或許並不是每個時候都要計算「整段」訊號才能分析。
(3) 要計算跟 h[n] 的 convolution 的話，有兩個方法，一個是老實的
通通把 h[n] 給滑起來，另外一個是利用 DFT 作 overlap-add 或 overlap-save，
另外搭配 zero-padding，這兩個效率好像也是跟 h[n] 的長度有關，各有適用時機。
所以總結來說，大家喜歡 DFT 似乎還是跟效率有關，感謝 p 大的再次強調！
(4) 最後那個 sinc 函數 truncate 的部分，那些 Gabor 和 wavelet transform 對我
來說還太高深，目前不打算學。如果是我來近似 ideal LPF，應該會使用
windowing 的技巧把兩邊河蟹掉，其實還是跟 truncate 有 87% 像，只是說
windowing 會確保它的連續性。不過這邊還是感謝 Y 大的補充，只能說人外有人
天外有天，大神無所不在！
=============================================================
上面就是我這篇的結論了，感謝 p 大和 Y 大的耐心回答，為此我打算贈與兩位各
稅前 45 P 作為謝禮，請別嫌小弟寒酸，這加起來已經超過我半數的積蓄了 XD
如果結論還是有小錯的話歡迎再來推文修正！
※ 編輯: alan23273850 (1.168.84.224), 06/30/2017 01:52:02
... <看更多>