Загрузите файл данных, содержащий запись гудка поезда, произведенного на уровне 8 192 Гц. Найдите 10 точек, в которых изменяется наиболее значительно среднеквадратичный уровень сигнала.

load train

findchangepts(y,'MaxNumChanges',10,'Statistic','rms')

Вычислите кратковременную спектральную плотность мощности сигнала. Разделите сигнал на сегменты с 128 выборками и окно каждый сегмент с Окном Хэмминга. Задайте 120 выборок перекрытия между смежными сегментами и 128 точками ДПФ. Найдите 10 точек, в которых среднее значение спектральной плотности мощности изменяется старше значащий.

[s,f,t,pxx] = spectrogram(y,128,120,128,Fs);

findchangepts(pow2db(pxx),'MaxNumChanges',10)

Сбросьте генератор случайных чисел для восстанавливаемых результатов. Сгенерируйте случайный сигнал где:

rng('default')

lr = 20;

mns = [0 1 4 -5 2 0 1];
nm = length(mns);

vrs = [1 4 6 1 3];
nv = length(vrs);

v = randn(1,lr*nm*nv)/2;

f = reshape(repmat(mns,lr*nv,1),1,lr*nm*nv);
y = reshape(repmat(vrs,lr*nm,1),1,lr*nm*nv);

t = v.*y+f;

Постройте сигнал, подсветив шаги его конструкции.

subplot(2,2,1)
plot(v)
title('Original')
xlim([0 700])

subplot(2,2,2)
plot([f;v+f]')
title('Means')
xlim([0 700])

subplot(2,2,3)
plot([y;v.*y]')
title('Variances')
xlim([0 700])

subplot(2,2,4)
plot(t)
title('Final')
xlim([0 700])

Найдите пять точек, где среднее значение сигнала изменяется наиболее значительно.

figure
findchangepts(t,'MaxNumChanges',5)

Найдите пять точек, где среднеквадратичный уровень сигнала изменяется наиболее значительно.

findchangepts(t,'MaxNumChanges',5,'Statistic','rms')

Найдите точку, где среднее и стандартное отклонение сигнала изменяется больше всего.

findchangepts(t,'Statistic','std')

Загрузите речевой сигнал, произведенный в $$F_s=7418Hz$$. Файл содержит запись женского голоса, говоря слово "MATLAB®".

load mtlb

Различите гласные и согласные в слове путем нахождения точек, в которых отклонение сигнала значительно изменяется. Ограничьте количество changepoints к пять.

numc = 5;

[q,r] = findchangepts(mtlb,'Statistic','rms','MaxNumChanges',numc);

Постройте сигнал и отобразите changepoints.

findchangepts(mtlb,'Statistic','rms','MaxNumChanges',numc)

Создайте маску сигнала для речевого сигнала на основе changepoint индексов. Смотрите signalMask для получения дополнительной информации об использовании маски сигнала.

t = (0:length(mtlb)-1)/Fs;
roitable = t([[1;q] [q;length(mtlb)]]);
x = ["M" "A" "T" "L" "A" "B"]';
y = unique(x,"stable");
c = categorical(x,y);
src = table(roitable,c);
msk = signalMask(src,"SampleRate",Fs,"RightShortening",1);
roimask(msk)

ans=6×2 table
         roitable          c
    ___________________    _

          0    0.017525    M
    0.01766     0.10461    A
    0.10475     0.22162    T
    0.22176     0.33675    L
    0.33688     0.46535    A
    0.46549     0.53909    B

Постройте речевой сигнал и обнаруженный changepoints в подграфике наряду с необходимыми областями от маски сигнала:

subplot(2,1,1)
plotsigroi(msk,mtlb)
    colorbar('off')
    clrs = lines(numel(c)-1);
    cmap = fliplr(clrs);
    tickLbls = categories(c)';
    colormap(gca,clrs);
    numCategories = numel(c)-1;
    Ticks = 1/(numCategories*2):1/numCategories:1;
    colorbar(TickLabels=tickLbls,Ticks=Ticks,TickLength=0,Location='northoutside')
subplot(2,1,2)
plot(t,mtlb)
hold on
xline(q/Fs)
hold off
xlim([0 t(end)])

Чтобы проигрывать звук с паузой после каждого из сегментов, не прокомментируйте следующие линии.

% soundsc(1:q(1),Fs)
% for k = 1:length(q)-1
%     soundsc(mtlb(q(k):q(k+1)),Fs)
%     pause(1)
% end
% soundsc(q(end):length(mtlb),Fs)

Создайте сигнал, который состоит из двух синусоид с различной амплитудой и линейным трендом.

vc = sin(2*pi*(0:201)/17).*sin(2*pi*(0:201)/19).* ...
    [sqrt(0:0.01:1) (1:-0.01:0).^2]+(0:201)/401;

Найдите точки, где среднее значение сигнала изменяется наиболее значительно. 'Statistic' аргумент значения имени является дополнительным в этом случае. Задайте минимальное улучшение остаточной ошибки 1.

findchangepts(vc,'Statistic','mean','MinThreshold',1)

Найдите точки, где среднеквадратичный уровень сигнала изменяется больше всего. Задайте минимальное улучшение остаточной ошибки 6.

findchangepts(vc,'Statistic','rms','MinThreshold',6)

Найдите точки, где стандартное отклонение сигнала изменяется наиболее значительно. Задайте минимальное улучшение остаточной ошибки 10.

findchangepts(vc,'Statistic','std','MinThreshold',10)

Найдите точки где среднее значение и наклон изменения сигнала наиболее резко. Задайте минимальное улучшение остаточной ошибки 0,6.

findchangepts(vc,'Statistic','linear','MinThreshold',0.6)

Сгенерируйте двумерную, кривую Bézier с 1000 выборками с 20 случайными контрольными точками. Кривая Bézier задана:

$$C(t)={\displaystyle \sum _{k=0}^m\left(\genfrac{}{}{0ex}{}{m}{k}\right)t^k(1-t{)}^{m-k}{P}_k}$$,

где ${\mathit{P}}_{\mathit{k}}$ $\mathit{k}$th $\mathit{m}$ контрольные точки, $\mathit{t}$ диапазоны от 0 до 1, и $$\left(\genfrac{}{}{0ex}{}{m}{k}\right)$$ биномиальный коэффициент. Постройте кривую и контрольные точки.

m = 20;
P = randn(m,2);
t = linspace(0,1,1000)';

pol = t.^(0:m-1).*(1-t).^(m-1:-1:0);
bin = gamma(m)./gamma(1:m)./gamma(m:-1:1);
crv = bin.*pol*P;

plot(crv(:,1),crv(:,2),P(:,1),P(:,2),'o:')

Разделите кривую в три сегмента, такие, что точки в каждом сегменте на минимальном расстоянии от среднего значения сегмента.

findchangepts(crv','MaxNumChanges',3)

Разделите кривую в 20 сегментов, которые являются лучшей подгонкой прямыми линиями.

findchangepts(crv','Statistic','linear','MaxNumChanges',19)

Сгенерируйте и постройте 3D кривую Bézier с 20 случайными контрольными точками.

P = rand(m,3);
crv = bin.*pol*P;

plot3(crv(:,1),crv(:,2),crv(:,3),P(:,1),P(:,2),P(:,3),'o:')
xlabel('x')
ylabel('y')

Визуализируйте кривую сверху.

view([0 0 1])

Разделите кривую в три сегмента, такие, что точки в каждом сегменте на минимальном расстоянии от среднего значения сегмента.

findchangepts(crv','MaxNumChanges',3)

Разделите кривую в 20 сегментов, которые являются лучшей подгонкой прямыми линиями.

findchangepts(crv','Statistic','linear','MaxNumChanges',19)