آموزش مشکلات پردازش سیگنال در MATLAB و Python حل شده است

Signal processing problems, solved in MATLAB and in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: دستورالعمل برنامه محور در مورد پردازش سیگنال و پردازش سیگنال دیجیتال (DSP) با استفاده از کدهای MATLAB و Python درک ابزارهای پردازش سیگنال متداول طراحی، ارزیابی و اعمال فیلترهای دیجیتالی پاک کردن و حذف نویز داده ها بدانید زمانی که چیزی درست نیست به دنبال چه چیزی باشید. داده ها یا کد بهبود مهارت های برنامه نویسی MATLAB یا Python نحوه تولید سیگنال های آزمایشی برای روش های پردازش سیگنال را بدانید * شرح های انگلیسی کاملاً به صورت دستی تصحیح شده اند! پیش نیازها:تجربه برنامه نویسی پایه در MATLAB یا Python ریاضی دبیرستان

چرا باید پردازش سیگنال دیجیتال را یاد بگیرید.

طبیعت مرموز، زیبا و پیچیده است. تلاش برای درک طبیعت عمیقاً پاداش است، اما عمیقاً چالش برانگیز است. یکی از چالش های بزرگ در مطالعه طبیعت، تجزیه و تحلیل داده ها است. طبیعت دوست دارد بسیاری از منابع سیگنال و بسیاری از منابع نویز را در یک ضبط‌های مشابه ترکیب کند و این کار شما را دشوار می‌کند.

بنابراین، یکی از مهم‌ترین اهداف تحلیل سری‌های زمانی و پردازش سیگنال، حذف نویز است: جداسازی سیگنال‌ها و نویزهایی که در کانال‌های داده یکسانی مخلوط می‌شوند.

ایده بزرگ DSP (پردازش سیگنال دیجیتال) کشف اسرار پنهان در داده های سری زمانی است و این دوره متداول ترین استراتژی های کشف را به شما آموزش می دهد.


این دوره چه ویژگی خاصی دارد؟

تمرکز اصلی این دوره بر پیاده سازی تکنیک های پردازش سیگنال در متلب و پایتون است. برخی از نظریه‌ها و معادلات نشان داده شده‌اند، اما من حدس می‌زنم که شما این را می‌خوانید زیرا می‌خواهید تکنیک‌های DSP را روی سیگنال‌های واقعی پیاده‌سازی کنید، نه اینکه فقط نظریه انتزاعی را تقویت کنید.

این دوره با بیش از 10000 خط کد MATLAB و Python به همراه مجموعه داده‌های نمونه ارائه می‌شود که می‌توانید از آنها برای یادگیری و تطبیق با درس‌ها یا برنامه‌های کاربردی خود استفاده کنید.

در این دوره، نحوه شبیه‌سازی سیگنال‌ها را به منظور آزمایش و اطلاعات بیشتر در مورد روش‌های پردازش و تجزیه و تحلیل سیگنال خود خواهید آموخت.

همچنین نحوه کار با سیگنال های نویز یا خراب را یاد خواهید گرفت.


آیا پیش نیازهایی وجود دارد؟

به تجربه برنامه نویسی نیاز دارید. من ویدیوها را در MATLAB مرور می‌کنم، و شما همچنین می‌توانید با استفاده از Octave (یک برنامه رایگان و چند پلتفرمی که MATLAB را شبیه‌سازی می‌کند) همراه باشید. اگر پایتون را ترجیح می دهید، کد پایتون مربوطه را ارائه می کنم. شما می توانید از هر زبان دیگری استفاده کنید، اما باید خودتان ترجمه را انجام دهید.

من توصیه می کنم دوره تبدیل فوریه را قبل یا در کنار این دوره بگذرانید. اما این یک الزام نیست و شما می توانید بدون گذراندن دوره تبدیل فوریه در این دوره موفق شوید.


اکنون چه کاری باید انجام دهید؟

نمونه ویدئوها را تماشا کنید و نظرات دوره های دیگر من را بررسی کنید -- بسیاری از آنها "پرفروش" یا "با رتبه برتر" هستند و نظرات مثبت زیادی دارند. اگر مطمئن نیستید که این دوره برای شما مناسب است یا خیر، در صورت تمایل برای من پیام ارسال کنید. امیدوارم شما را در کلاس ببینم!


سرفصل ها و درس ها

مقدمه ها Introductions

  • پردازش سیگنال = تصمیم گیری + ابزار Signal processing = decision-making + tools

  • استفاده از متلب در این دوره Using MATLAB in this course

  • استفاده از Octave-online در این دوره Using Octave-online in this course

  • استفاده از پایتون در این دوره Using Python in this course

  • با رقص شیشه ای فیلتر شده سرگرم شوید Having fun with filtered Glass dance

  • نوشتن کد در مقابل استفاده از جعبه ابزار/برنامه ها Writing code vs. using toolboxes/programs

  • استفاده از Udemy مانند یک حرفه ای Using Udemy like a pro

حذف نویز سری های زمانی Time series denoising

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • یک سری زمانی متوسط-هموار Mean-smooth a time series

  • سری زمانی گاوسی صاف Gaussian-smooth a time series

  • سری زمانی یک سنبله صاف گاوسی Gaussian-smooth a spike time series

  • حذف نویز سیگنال های EMG از طریق TKEO Denoising EMG signals via TKEO

  • فیلتر میانه برای حذف نویز سنبله Median filter to remove spike noise

  • حذف روند خطی (نزولی) Remove linear trend (detrending)

  • روند غیرخطی را با چند جمله ای حذف کنید Remove nonlinear trend with polynomials

  • میانگین گیری چندین تکرار (میانگین گیری همزمان با زمان) Averaging multiple repetitions (time-synchronous averaging)

  • از طریق تطبیق الگوی حداقل مربعات، مصنوع را حذف کنید Remove artifact via least-squares template-matching

  • چالش کد: این سیگنال ها را حذف کنید! Code challenge: Denoise these signals!

تجزیه و تحلیل طیفی و ریتمیک Spectral and rhythmicity analyses

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • دوره سقوط در تبدیل فوریه Crash course on the Fourier transform

  • تبدیل فوریه برای تجزیه و تحلیل طیفی Fourier transform for spectral analyses

  • روش ولش و پنجره سازی Welch's method and windowing

  • طیف آواز پرندگان Spectrogram of birdsong

  • چالش کد: یک طیف نگار را محاسبه کنید! Code challenge: Compute a spectrogram!

کار با اعداد مختلط Working with complex numbers

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • از خط اعداد تا صفحه اعداد مختلط From the number line to the complex number plane

  • جمع و تفریق با اعداد مختلط Addition and subtraction with complex numbers

  • ضرب با اعداد مختلط Multiplication with complex numbers

  • مزدوج پیچیده The complex conjugate

  • تقسیم با اعداد مختلط Division with complex numbers

  • قدر و فاز اعداد مختلط Magnitude and phase of complex numbers

فیلتر کردن Filtering

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • فیلتر کردن: شهود، اهداف و انواع Filtering: Intuition, goals, and types

  • فیلترهای FIR با فرها FIR filters with firls

  • فیلترهای FIR با fir1 FIR filters with fir1

  • فیلترهای IIR Butterworth IIR Butterworth filters

  • فیلترهای علّی و تغییر فاز صفر Causal and zero-phase-shift filters

  • از جلوه های لبه با بازتاب اجتناب کنید Avoid edge effects with reflection

  • طول داده و طول هسته فیلتر Data length and filter kernel length

  • فیلترهای کم گذر Low-pass filters

  • فیلترهای پنجره دار Windowed-sinc filters

  • فیلترهای بالاگذر High-pass filters

  • فیلترهای باند باریک Narrow-band filters

  • فیلتر دو مرحله ای باند پهن Two-stage wide-band filter

  • کمی کردن ویژگی های رول آف Quantifying roll-off characteristics

  • نویز خطوط برق و هارمونیک های آن را حذف کنید Remove electrical line noise and its harmonics

  • از فیلتر برای جدا کردن پرندگان در یک ضبط استفاده کنید Use filtering to separate birds in a recording

  • چالش کد: این سیگنال ها را فیلتر کنید! Code challenge: Filter these signals!

پیچیدگی Convolution

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • پیچیدگی دامنه زمان Time-domain convolution

  • کانولوشن در متلب Convolution in MATLAB

  • چرا کرنل به عقب برمیگرده؟؟!!؟ Why is the kernel flipped backwards?!?!!?

  • قضیه پیچیدگی The convolution theorem

  • تفکر در مورد کانولوشن به عنوان ضرب طیفی Thinking about convolution as spectral multiplication

  • پیچیدگی با گاوسی حوزه زمان (فیلتر صاف کننده) Convolution with time-domain Gaussian (smoothing filter)

  • پیچیدگی با گاوسی دامنه فرکانس (فیلتر باند باریک) Convolution with frequency-domain Gaussian (narrowband filter)

  • پیچیدگی با مخروطی پلانک دامنه فرکانس (فیلتر گذر باند) Convolution with frequency-domain Planck taper (bandpass filter)

  • چالش کد: یک فیلتر هموارسازی میانگین دامنه فرکانس ایجاد کنید Code challenge: Create a frequency-domain mean-smoothing filter

تجزیه و تحلیل موجک Wavelet analysis

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • موجک چیست؟ What are wavelets?

  • پیچیدگی با موجک Convolution with wavelets

  • انتشارات علمی در مورد تعریف موجک مورلت Scientific publication about defining Morlet wavelets

  • پیچیدگی موجک برای فیلتر باند باریک Wavelet convolution for narrowband filtering

  • بررسی اجمالی: تجزیه و تحلیل زمان-فرکانس با موجک های پیچیده Overview: Time-frequency analysis with complex wavelets

  • پیوند به کانال یوتیوب با 3 ساعت مطالب مرتبط Link to youtube channel with 3 hours of relevant material

  • MATLAB: تجزیه و تحلیل زمان-فرکانس با موجک های پیچیده MATLAB: Time-frequency analysis with complex wavelets

  • تجزیه و تحلیل فرکانس زمانی سیگنال های مغزی Time-frequency analysis of brain signals

  • چالش کد: کانولوشن موجک و فیلتر FIR را مقایسه کنید! Code challenge: Compare wavelet convolution and FIR filter!

نمونه گیری مجدد، درون یابی، برون یابی Resampling, interpolating, extrapolating

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • نمونه برداری Upsampling

  • کاهش نمونه Downsampling

  • استراتژی برای سیگنال های چند نرخی Strategies for multirate signals

  • درون یابی Interpolation

  • نمونه گیری مجدد از داده های نمونه گیری نامنظم Resample irregularly sampled data

  • برون یابی Extrapolation

  • درون یابی طیفی Spectral interpolation

  • تاب برداشتن زمان پویا Dynamic time warping

  • چالش کد: حذف نویز و نمونه برداری از این سیگنال! Code challenge: denoise and downsample this signal!

تشخیص پرت Outlier detection

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • نقاط پرت از طریق آستانه انحراف استاندارد Outliers via standard deviation threshold

  • نقاط پرت از طریق فراتر از آستانه محلی Outliers via local threshold exceedance

  • پنجره های زمانی دورتر از طریق RMS کشویی Outlier time windows via sliding RMS

  • چالش کد Code challenge

تشخیص ویژگی Feature detection

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • حداکثر و حداقل محلی Local maxima and minima

  • بازیابی سیگنال از دامنه نویز Recover signal from noise amplitude

  • پیچش موجک برای استخراج ویژگی Wavelet convolution for feature extraction

  • ناحیه زیر منحنی Area under the curve

  • کاربرد: تشخیص حرکات عضلانی از ضبط EMG Application: Detect muscle movements from EMG recordings

  • عرض کامل در نصف حداکثر Full width at half-maximum

  • چالش کد: ویژگی ها را پیدا کنید! Code challenge: find the features!

تغییرپذیری Variability

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • کدهای متلب و پایتون برای این بخش MATLAB and Python code for this section

  • واریانس کل و پنجره ای و RMS Total and windowed variance and RMS

  • نسبت سیگنال به نویز (SNR) Signal-to-noise ratio (SNR)

  • ضریب تغییرات (CV) Coefficient of variation (CV)

  • آنتروپی Entropy

  • چالش کد Code challenge

  • چالش کد Code challenge

بخش پاداش Bonus section

  • سخنرانی پاداش Bonus lecture

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش مشکلات پردازش سیگنال در MATLAB و Python حل شده است
جزییات دوره
12.5 hours
98
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
12,872
4.6 از 5
دارد
دارد
دارد
Mike X Cohen
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mike X Cohen Mike X Cohen

من دانشیار علوم اعصاب در دانشگاه رادبود (هلند) هستم. آزمایشگاه تحقیقاتی من از روش های علوم اعصاب پیشرفته برای اندازه گیری فعالیت الکتریکی مغز استفاده می کند و ما برای درک همه داده ها از روش های پیشرفته پردازش سیگنال چند متغیره و روش یادگیری ماشین یادگیری استفاده می کنیم! من چندین کتاب درسی درباره برنامه نویسی علمی در MATLAB ، پردازش سیگنال و آمار نوشته ام. من همچنین معتقد به اهمیت ادامه تحصیل در سطح حرفه ای هستم. تمرکز آموزش Pluralsight من تجزیه و تحلیل داده های عملی در MATLAB است. آموزش مباحث فنی می تواند یک چالش برای دوره های آنلاین باشد که تعاملات رو در رو در زمان واقعی ندارند. من تمام تلاشم را می کنم تا تعادل درستی بین درک و دقت ریاضی و بین تئوری و اجرا پیدا کنم. امیدوارم موافقت کنید و مشتاقانه منتظر دیدن شما در کلاس هستم!