Charakteristische Signalform erkennen

Kreuzkorrelation?

Fan von Yussif schrieb:
> Kreuzkorrelation?

Das hatte ich auch erst überlegt nur hat das Signal ja nicht immer die 
gleiche Amplitude und kann in der Form schon etwas abweichen (kleine 
Hügel usw.) ist aber für den Menschen noch erkennbar.

Andrew H. schrieb:

> Das hatte ich auch erst überlegt nur hat das Signal ja nicht immer die
> gleiche Amplitude und kann in der Form schon etwas abweichen (kleine
> Hügel usw.) ist aber für den Menschen noch erkennbar.

Aber der zeitliche Verlauf ist immer "in etwa" gleich, nur die Amplitude 
variiert, richtig?

Dann braucht man ganz sicher keine KI dafür. Nur ein bissel stupide 
Rechnerei und einen willkürlichen Schwellwert für eine zur Detektion 
ausreichende "Ähnlichkeit" mit dem gesuchten Signal.

Der Witz ist, dass KI letztlich dasselbe macht. Bloß mit noch sehr viel 
mehr Rechnerei und so, dass hinterher niemand die Sache nachvollziehen 
kann, jedenfalls nicht mit akzeptablen Zeitaufwand...

Stell dir das wie ein Kardiogramm vor, dass ich zeitlich aufnehme und 
dort eine charakteristische Form suchen möchte. Da diese Signalform dann 
aber wandert weil ich ja zeitlich aufgelöst messe will ich die Position 
dieses Signals finden, das eben diese Eigenschaften hat. Ich dachte da 
an sowas ind er Art, dass man ein paar mal das Feature vorgibt aus 
bekannten Signalen und den Bereich markiert. Nach ein paar Lernvorgängen 
sollte das dann selbstständig passieren.

c-hater schrieb:
> Der Witz ist, dass KI letztlich dasselbe macht. Bloß mit noch sehr viel
> mehr Rechnerei und so, d

Um es genau zu sagen, findet KI die Grenze selber und wenn sie sehr 
schlau ist, findet sie auch, dass man überhaupt mit einem Schwellenwert 
arbeiten kann. Die Frage ist halt, wie sehr man der KI vorab auf die 
Sprünge helfen kann, indem man die Wege einprogrammiert, damit nicht 
elend lang etwas trainiert wird, was man eh schon kennt.

Eine "Charakteristische Signalform erkennen" ist da eine eigentlich 
einfache Sache: Spektrale Zerlegung, Normierung und dann die Frequenzen 
vergleichen. Ist das Profil bis auf einige massive Abweicher ähnlich, 
dann stimmt es und man hat zugleich die Störer detektiert.

Aufgabe der Zerlegung ist es ja gerade, Amplituden, Phasen und Offset 
der einzelnen Komponenten zu trennen, damit man nur deren zeitlichen 
Verlauf hat und andere Dinge beiseite lassen kann. Spracherkennung läuft 
so, z.B.

Die soll ja nur ausgeben zwischen welchen grenzen so ein signal ist.

Richter schrieb:

> Um es genau zu sagen, findet KI die Grenze selber

Nein, nicht wirklich. Wie jedes Lernen erfolgt auch das Lernen der KI in 
einer Feedback-Schleife. Irgendeine Instanz muss ihr vorgeben, was ein 
"gutes" Lernergebnis ist.

Den Schwellwert, den sie dann scheinbar "eigenständig" findet, der 
resultiert einfach aus der Summe des Trainingsmaterials und der 
Information, ob sie sich in jedem Einzelfall richtig oder falsch 
entschieden hat.

So ist das nunmal: von nix kommt nix. Auch KI ändert da rein garnix 
dran.

Richter schrieb:
> Eine "Charakteristische Signalform erkennen" ist da eine eigentlich
> einfache Sache: Spektrale Zerlegung, Normierung und dann die Frequenzen
> vergleichen.
Das hätte ich auch empfohlen. Die Amplituden im Spektrum dann 
kreuzkorrellieren.