Загрузите речевой сигнал, дискретизированный $$F_s=7418Hz$$. Файл содержит запись женского голоса, говорящего слово «MATLAB ®». Воспроизведите звук.

load mtlb

% To hear, type soundsc(mtlb,Fs)

Симулируйте ситуацию, в которой шумный канал передачи искажает части сигнала безвозвратно. Вводите погрешности случайной длины примерно каждые 500 выборки. Сбросьте генератор случайных чисел для воспроизводимых результатов.

rng default

gn = 3;

mt = mtlb;

gl = randi([300 600],gn,1);

for kj = 1:gn
    mt(kj*1000+randi(100)+(1:gl(kj))) = NaN;
end

Постройте график исходных и поврежденных сигналов. Смещите поврежденный сигнал для удобства отображения. Воспроизведите сигнал с погрешностями.

plot([mtlb mt+4])
legend('Original','Corrupted')

% To hear, type soundsc(mt,Fs)

Восстановите сигнал с помощью авторегрессивного процесса. Использование fillgaps с настройками по умолчанию. Постройте график исходных и восстановленных сигналов, снова используя смещение. Воспроизведите восстановленный сигнал.

lb = fillgaps(mt);

plot([mtlb lb+4])
legend('Original','Reconstructed')

% To hear, type soundsc(lb,Fs)

Загрузите файл, содержащий измерения глубины пресс-формы, используемой для чеканки пенни США. Данные, взятые в Национальном институте стандартов и технологий, отбираются на сетке 128 на 128.

load penny

Нарисуйте контурный график с 25 контурными линиями медного цвета.

nc = 25;

contour(P,nc)
colormap copper
axis ij square

Внесите в данные четыре погрешности 10 на 10. Нарисуйте контурный график поврежденного сигнала.

P(50:60,80:90) = NaN;
P(100:110,20:30) = NaN;
P(100:110,100:110) = NaN;
P(20:30,110:120) = NaN;

contour(P,nc)
colormap copper
axis ij square

Использование fillgaps для восстановления данных, обработки каждого столбца как независимого канала. Задайте авторегрессивную модель 8-го порядка, экстраполированную из 30 выборок на каждом конце. Нарисуйте контурный график реконструкции.

q = fillgaps(P,30,8);

contour(q,nc)
colormap copper
axis ij square

Сгенерируйте функцию, которая состоит из суммы двух синусоидов и кривой Лоренца. Функция дискретизируется на частоте 200 Гц в течение 2 секунд. Постройте график результата.

x = -1:0.005:1;

f = 1./(1+10*x.^2)+sin(2*pi*3*x)/10+cos(25*pi*x)/10;

plot(x,f)

Вставить зазоры с интервалами (-0,8, -0,6), (-0,2,0,1) и (0,4,0,7).

h = f;

h(x>-0.8 & x<-0.6) = NaN;
h(x>-0.2 & x< 0.1) = NaN;
h(x> 0.4 & x< 0.7) = NaN;

Заполните погрешности, используя настройки по умолчанию fillgaps. Постройте график исходных и восстановленных функций.

y = fillgaps(h);

plot(x,f,'.',x,y)
legend('Original','Reconstructed')

Повторите расчет, но теперь задайте максимальную длину последовательности предсказаний из 3 выборок и порядок модели 1. Постройте график исходных и восстановленных функций. На самом простом, fillgaps выполняет линейную подгонку.

y = fillgaps(h,3,1);

plot(x,f,'.',x,y)
legend('Original','Reconstructed')

Задайте максимальную длину последовательности предсказаний 80 выборок и порядок модели 40. Постройте график исходных и восстановленных функций.

y = fillgaps(h,80,40);

plot(x,f,'.',x,y)
legend('Original','Reconstructed')

Измените порядок модели на 70. Постройте график исходных и восстановленных функций.

y = fillgaps(h,80,70);

plot(x,f,'.',x,y)
legend('Original','Reconstructed')

Реконструкция несовершенна, потому что очень высокие порядки моделей часто имеют проблемы с конечной точностью.

Сгенерируйте многоканальный сигнал, состоящий из двух образцов щебета, дискретизированного с частотой 1 кГц в течение 1 секунды. Частота щебета равна нулю на 0,3 секунде и увеличивается линейно, чтобы достичь конечного значения 40 Гц. Каждый образец имеет разное значение постоянного тока.

Fs = 1000;
t = 0:1/Fs:1-1/Fs;
r = chirp(t-0.3,0,0.7,40);
f = 1.1;
q = [r-f;r+f]';

Вводите погрешности в сигнал. Один из зазоров охватывает низкочастотную область, а другой - высокочастотную область.

gap = (460:720);
q(gap-300,1) = NaN;
q(gap+200,2) = NaN;

Заполните погрешности с помощью параметров по умолчанию. Постройте график восстановленных сигналов.

y = fillgaps(q);

plot(t,y)

Заполните погрешности, подгоняя авторегрессивные модели 14-го порядка к сигналу. Ограничьте модели, чтобы включать 15 выборки на конце каждого зазора. Используйте функциональность fillgaps для построения графика реконструкции.

fillgaps(q,15,14)

Увеличьте количество выборок для использования в оценке до 150. Увеличьте порядок модели до 140.

fillgaps(q,150,140)