信息处理 - 离散事件的信号处理 - 吾爱随笔录

信息处理离散信号信号分析采样

2022-01-13 10:49:57

这不是一个具体的问题，更多的是......“这叫什么”和“我在哪里可以阅读更多关于它的信息”？

在我的职业生涯中，我曾多次使用带有“离散事件”的数据集。假设顾客在店面通过红外传感器。

通常，信号处理将关注连续时间信号，例如红外接收器上的电压......但我的问题与有人穿过门的事件有关。“信号”（在这种情况下）更像是有人穿过大门的时间列表。

例如：


# Unix Timestamps
entry_times = [1490648032, 1490648102, 1490648591, ..., ...]

处理此信号的“粗略”方法是将进入时间划分为一天中的几个小时，并插入该数据集以大致了解客户与时间的关系。但是，我认为这个问题还有更多。

如果我们计算每小时进入和退出的数量，这会得到一个粗略的客户吞吐量图表，我们可以对其进行插值以获得更高的分辨率……但是我们如何动态创建它呢？

这种信号的名称是什么？是否有任何信号处理算法或技术可以帮助回答我的问题？

2个回答

要解决“有孩子的母亲”问题，您可以实施一种算法，根据传感器是否在约 5 秒的时间范围内被激活，将值设置为 1 或 0。每 5 秒保存一次此值会导致时域中的样本等距。

进出问题可以使用两个红外传感器来解决，客户必须一个接一个地通过才能进入或离开。通过检查激活时间差是正还是负，你可以知道他们是来了还是离开了。

我不建议插值，因为客户外观不必绑定到任何模式或公式，而是有点随机，因为它取决于很多不容易预测的事情。在这种情况下，考虑使用固定时间间隔（15/30/60 分钟）的直方图来可视化客户分布（高峰时间......）。

假设您每 5 秒采集一次上述样本，您正在处理的值和时间离散信号可能是确定性/周期性（可预测）也可能不是确定性/周期性（可预测），但在某种程度上是随机/随机的。

这些被称为计数过程，泊松过程有很多与之相关的理论。

给定统计模型，速率参数有一个最大似然估计 $\lambda$ ，或者在非同质情况下 $\lambda(t)\; \lambda(x,y,z)$ 以及贝叶斯估计器。

这是其中之一，知识主题的消防软管。

如果你想更多地关注信号处理，也许看看，

斯特赖特，罗伊 (2010)。泊松点过程：成像、跟踪和传感。施普林格科学与商业媒体。国际标准书号 1441969225。

我没有看过这本书，但我认识 Roy，他职业生涯的大部分时间都被工程师包围，所以它可能是可读的。

以及为可能并不真正需要该文章的人写的一般文章：

其它你可能感兴趣的问题