spectrum1dgmt - ক্লাউডে অনলাইন

কার্যক্রম:

NAME এর

স্পেকট্রাম1ডি - একটি [বা দুটি] টাইম-সিরিজ থেকে স্বয়ংক্রিয়- [এবং ক্রস-] স্পেকট্রা গণনা করুন

সাইনোপিসিস

বর্ণালী 1d [ টেবিল ] সেগমেন্ট_সাইজ] [xycnpago] ] [ dt ] [h|m] ] [নাম_স্টেম ] ] [ ] [
] [ -b] [ -d] [ -f] [ -g] [ -h] [ -i]

বিঃদ্রঃ: বিকল্প পতাকা এবং সংশ্লিষ্ট আর্গুমেন্টের মধ্যে কোনো স্থান অনুমোদিত নয়।

বর্ণনাঃ

বর্ণালী 1d স্ট্যান্ডার্ড ইনপুটে প্রথম [এবং দ্বিতীয়] কলাম থেকে X [এবং Y] মান পড়ে
[বা x[y] ফাইল]। এই মানগুলিকে টাইমসিরিজ X(t) [Y(t)] হিসাবে সমানভাবে নমুনা হিসাবে বিবেচনা করা হয়
ব্যবধান dt ইউনিট আলাদা। ইনপুট লাইনের কোনো সংখ্যা হতে পারে. বর্ণালী 1d
ওয়েলচ-এর দ্বারা স্বয়ংক্রিয়- [এবং ক্রস-] বর্ণালী ঘনত্বের অনুমান সহ ফাইল[গুলি] তৈরি করবে
স্ট্যান্ডার্ড ত্রুটি ব্যবহার করে একাধিক ওভারল্যাপ করা উইন্ডোর গড় গড় করার পদ্ধতি
Bendat এবং Piersol থেকে অনুমান।

আউটপুট ফাইলে 3টি কলাম থাকে: f বা w, p, এবং e। f বা w হল কম্পাঙ্ক বা তরঙ্গদৈর্ঘ্য,
p হল বর্ণালী ঘনত্বের অনুমান, এবং e হল একটি প্রমিত বিচ্যুতি ত্রুটি বার আকার।
এই ফাইলগুলির উপর ভিত্তি করে নামকরণ করা হয় নাম_স্টেম। যদি -C অপশন ব্যবহার করা হয়, আটটি ফাইল পর্যন্ত
সৃষ্টি করা; অন্যথায় শুধুমাত্র একটি (xpower) লেখা হয়। ফাইলগুলি (যা ASCII যদি না হয় -বো is
সেট) নিম্নরূপ:

নাম_স্টেম.xpower
X(t) এর পাওয়ার বর্ণালী ঘনত্ব। X * X * এর একক dt.

নাম_স্টেম.ypower
Y(t) এর পাওয়ার বর্ণালী ঘনত্ব। Y * Y * এর একক dt.

নাম_স্টেম.cpower
সুসংগত আউটপুটের পাওয়ার বর্ণালী ঘনত্ব। ইউনিটগুলি ypower হিসাবে একই।

নাম_স্টেম.npower
শব্দ আউটপুটের পাওয়ার বর্ণালী ঘনত্ব। ইউনিটগুলি ypower হিসাবে একই।

নাম_স্টেম.লাভ করা
স্পেকট্রাম লাভ, বা স্থানান্তর ফাংশন মডুলাস. (Y/X) এর একক।

নাম_স্টেম.পর্যায়
ফেজ স্পেকট্রাম, বা স্থানান্তর ফাংশনের ফেজ। একক হল রেডিয়ান।

নাম_স্টেমস্বীকার করুন
ভর্তির বর্ণালী, বা স্থানান্তর ফাংশনের আসল অংশ। (Y/X) এর একক।

নাম_স্টেম.coh
(বর্গীয়) সুসংগতি বর্ণালী, বা একটি ফাংশন হিসাবে রৈখিক পারস্পরিক সম্পর্ক সহগ
ফ্রিকোয়েন্সি [0, 1] এ মাত্রাবিহীন সংখ্যা। সিগন্যাল-টু-নয়েজ-অনুপাত (SNR) হল coh/
(1 - coh)। SNR = 1 যখন coh = 0.5।

উপরন্তু, পৃথক কলাম হিসাবে উপরের সমস্ত সহ একটি একক ফাইল লেখা হবে
stdout (এর মাধ্যমে নিষ্ক্রিয় না হলে -T).

REQUIRED টি যুক্তি

-Sসেগমেন্ট_সাইজ]
সেগমেন্ট_সাইজ এনসেম্বল এভারেজিংয়ের জন্য উইন্ডো প্রতি নমুনার একটি রেডিক্স-2 নম্বর। দ্য
আনুমানিক ক্ষুদ্রতম ফ্রিকোয়েন্সি হল 1.0/(সেগমেন্ট_সাইজ * dt), যখন বৃহত্তম
1.0/(2 * dt) পাওয়ার বর্ণালী ঘনত্বে একটি আদর্শ ত্রুটি প্রায় 1.0 /
sqrt(n_ডেটা / সেগমেন্ট_সাইজ), তাই যদি সেগমেন্ট_সাইজ = 256, পেতে আপনার 25,600 ডেটা লাগবে
10% এর একটি একটি স্ট্যান্ডার্ড ত্রুটি বার। ক্রস-স্পেকট্রাল ত্রুটি বারগুলি বড় এবং আরও বেশি
জটিল, সুসংগতি একটি ফাংশন হচ্ছে.

ঐচ্ছিক যুক্তি

টেবিল এক বা একাধিক ASCII (বা বাইনারি, দেখুন -বি) ফাইলগুলিতে X(t) [Y(t)] নমুনা রয়েছে৷
প্রথম 1 [বা 2] কলাম। যদি কোন ফাইল নির্দিষ্ট করা না থাকে, বর্ণালী 1d থেকে পড়বে
স্ট্যান্ডার্ড ইনপুট।

-সি[xycnpago]
দুটি টাইম-সিরিজের নমুনা হিসাবে ইনপুটের প্রথম দুটি কলাম পড়ুন, X(t) এবং Y(t)।
শব্দ সহ একটি রৈখিক সিস্টেমে Y(t) কে আউটপুট এবং X(t) ইনপুট হিসাবে বিবেচনা করুন।
সর্বোত্তম ফ্রিকোয়েন্সি প্রতিক্রিয়া ফাংশন কমপক্ষে স্কোয়ার দ্বারা অনুমান করুন, যেমন
নয়েজ আউটপুট মিনিমাইজ করা হয় এবং সুসংগত আউটপুট এবং নয়েজ আউটপুট হয়
সম্পর্কহীন ঐচ্ছিকভাবে সেট থেকে 8টি অক্ষর উল্লেখ করুন { x y c n p a g o }
ডিফল্ট [সমস্ত] এর পরিবর্তে শুধুমাত্র সেই আউটপুট ফাইলগুলি তৈরি করতে যেকোনো ক্রমে। x =
এক্সপাওয়ার, y = ypower, c = cpower, n = শক্তি, p = পর্যায়, a = স্বীকার করা, g = লাভ, o =
coh

-Ddt dt টাইম সিরিজে নমুনার মধ্যে ব্যবধান সেট করুন [ডিফল্ট = 1]।

-L প্রবণতা একা ছেড়ে দিন। ডিফল্টরূপে, একটি রৈখিক প্রবণতা এর আগে সরানো হবে
রূপান্তর বিকল্পভাবে, যোগ করুন m শুধু গড় মান অপসারণ বা h অপসারণ করতে
মধ্য-মান।

-এন[নাম_স্টেম]
আউটপুট ফাইলের জন্য একটি বিকল্প নামের স্টেম সরবরাহ করুন [ডিফল্ট = "স্পেকট্রাম"]।
কোনো যুক্তি না দিলে স্বতন্ত্র আউটপুট ফাইল লেখা নিষ্ক্রিয় হবে।

-ভি[স্তর] (আরও ...)
ভার্বোসিটি স্তর নির্বাচন করুন [গ]।

-T একটি একক যৌগিক ফলাফলের ফাইল stdout এ লেখা অক্ষম করুন।

-W আউটপুট ফাইলের কলাম 1 এ কম্পাঙ্কের পরিবর্তে তরঙ্গদৈর্ঘ্য লিখুন [ডিফল্ট =
ফ্রিকোয়েন্সি, (চক্র / dt)]।

-বি[ncols[টি] (আরও ...)
নেটিভ বাইনারি ইনপুট নির্বাচন করুন। [ডিফল্ট হল 2টি ইনপুট কলাম]।

-বো[ncols][আদর্শ] (আরও ...)
নেটিভ বাইনারি আউটপুট নির্বাচন করুন। [ডিফল্ট হল 2টি আউটপুট কলাম]।

-d[i|o]নোডাটা (আরও ...)
সমান ইনপুট কলাম প্রতিস্থাপন করুন নোডাটা NaN দিয়ে এবং আউটপুটে বিপরীত করুন।

-f[i|o]colinfo (আরও ...)
ইনপুট এবং/অথবা আউটপুট কলামের ডেটা প্রকারগুলি নির্দিষ্ট করুন।

-g[a]x|y|d|X|Y|D|[পর্বতমালার টোল]z[+|-]ফাঁক[বা] (আরও ...)
ডেটা ফাঁক এবং লাইন বিরতি নির্ধারণ করুন।

-h[i|o]n][+c][+d][+rমন্তব্য][+আরখেতাব] (আরও ...)
এড়িয়ে যান বা হেডার রেকর্ড(গুলি) তৈরি করুন।

-iকলস[l]স্কেল[ওঅফসেট[,...] (আরও ...)
ইনপুট কলাম নির্বাচন করুন (0 হল প্রথম কলাম)।

-^ or মাত্র -
কমান্ডের সিনট্যাক্স সম্পর্কে একটি ছোট বার্তা প্রিন্ট করুন, তারপরে প্রস্থান করুন (দ্রষ্টব্য: উইন্ডোজে
শুধু ব্যবহার করুন -).

-+ or মাত্র +
একটি ব্যাপক ব্যবহার (সহায়তা) বার্তা প্রিন্ট করুন, যার ব্যাখ্যা সহ
মডিউল-নির্দিষ্ট বিকল্প (কিন্তু GMT সাধারণ বিকল্প নয়), তারপর প্রস্থান করুন।

-? or না। আর্গুমেন্ট
তারপরে বিকল্পগুলির ব্যাখ্যা সহ একটি সম্পূর্ণ ব্যবহার (সহায়তা) বার্তা প্রিন্ট করুন
প্রস্থান

--সংস্করণ
GMT সংস্করণ প্রিন্ট করুন এবং প্রস্থান করুন।

--শো-দাতাদির
GMT শেয়ার ডিরেক্টরিতে সম্পূর্ণ পথ প্রিন্ট করুন এবং প্রস্থান করুন।

হওয়া ASCII বিন্যাসে যথার্থ

সাংখ্যিক ডেটার ASCII আউটপুট ফর্ম্যাটগুলি আপনার প্যারামিটার দ্বারা নিয়ন্ত্রিত হয় gmt.conf
ফাইল দ্রাঘিমাংশ এবং অক্ষাংশ FORMAT_GEO_OUT অনুযায়ী ফর্ম্যাট করা হয়, যেখানে অন্যান্য
মান FORMAT_FLOAT_OUT অনুযায়ী ফর্ম্যাট করা হয়। সচেতন থাকুন যে ফরম্যাটে কার্যকর হতে পারে
আউটপুটে নির্ভুলতা হারাতে পারে, যা নিম্নধারায় বিভিন্ন সমস্যার সৃষ্টি করতে পারে। যদি
আপনি দেখতে পাচ্ছেন যে আউটপুট যথেষ্ট নির্ভুলতার সাথে লেখা হয়নি, বাইনারিতে স্যুইচ করার কথা বিবেচনা করুন
আউটপুট (-বো যদি পাওয়া যায়) অথবা FORMAT_FLOAT_OUT সেটিং ব্যবহার করে আরও দশমিক নির্দিষ্ট করুন।

উদাহরণ

ধরুন data.g হল mGal-এ মাধ্যাকর্ষণ ডেটা, প্রতি 1.5 কিলোমিটারে নমুনা করা। এর পাওয়ার স্পেকট্রাম লিখতে,
mGal**2-কিমি, ফাইল data.xpower, ব্যবহার করুন

gmt spectrum1d data.g -S256 -D1.5 -Ndata

ধরুন data.g ছাড়াও আপনার কাছে data.t আছে, যা নমুনাকৃত মিটারে টপোগ্রাফি
data.g হিসাবে একই পয়েন্ট স্থানান্তর ফাংশনের বিভিন্ন বৈশিষ্ট্য অনুমান করতে,
data.t কে ইনপুট এবং data.g আউটপুট হিসাবে বিবেচনা করে, ব্যবহার করুন

পেস্ট data.t data.g | gmt spectrum1d -S256 -D1.5 -Ndata -C > results.txt

টিউটোরিয়াল

বর্ণালী 1d-এর আউটপুট পাওয়ার স্পেকট্রাল ঘনত্বের একক এবং তাই একক পেতে
ডেটা-স্কোয়ার আপনাকে অবশ্যই delta_t দ্বারা ভাগ করতে হবে, যেখানে delta_t হল নমুনা ব্যবধান। (সেখানে হতে পারে
কোথাও 2 পাই এর একটি ফ্যাক্টর হতে, এছাড়াও. আপনি যদি স্বাভাবিককরণ সম্পর্কে নিশ্চিত হতে চান তবে আপনি করতে পারেন
পার্সেভালের উপপাদ্য থেকে একটি স্কেল ফ্যাক্টর নির্ধারণ করুন: আপনার ইনপুটের বর্গক্ষেত্রের সমষ্টি
ডেটা স্পেকট্রাম 1d থেকে আউটপুটগুলির বর্গক্ষেত্রের সমষ্টির সমান হওয়া উচিত, যদি আপনি সহজ হন
একটি পিরিয়ডোগ্রাম পেতে চেষ্টা করছে। [নিচে দেখ.])

ধরুন আমরা কেবলমাত্র একটি ডেটা সেট, x(t) নিই এবং বিচ্ছিন্ন ফুরিয়ার ট্রান্সফর্ম (DFT) গণনা করি।
একযোগে সমগ্র ডেটা সেট। এটিকে X(f) কল করুন। তারপর ধরুন আমরা X(f) বার গঠন করি
X(f) এর জটিল কনজুগেট।

P_raw(f) = X(f) * X'(f), যেখানে ' জটিল সংযোগ নির্দেশ করে।

P_raw কে বলা হয় পিরিয়ডোগ্রাম। পিরিয়ডোগ্রামের নমুনার যোগফল সমষ্টির সমান
পার্সেভালের উপপাদ্য দ্বারা x(t) এর বর্গের নমুনা। (যদি আপনি একটি DFT সাবরুটিন ব্যবহার করেন
একটি কম্পিউটারে, সাধারণত P_raw-এর যোগফল x-বর্গক্ষেত্রের সমষ্টির সমান হয়, বার M, যেখানে M হয়
x(t) এ নমুনার সংখ্যা

X(f) এর প্রতিটি অনুমান এখন সমস্ত x(t) এর ওজনযুক্ত রৈখিক সমন্বয় দ্বারা গঠিত হয়
মান (ডিএফটি সাহিত্যে ওজনকে কখনও কখনও "টুইডল ফ্যাক্টর" বলা হয়।) তাই,
x(t) মানের জন্য সম্ভাব্যতা বন্টন যাই হোক না কেন, সম্ভাব্যতা
X(f) মানগুলির জন্য বণ্টন [জটিল] গাউসিয়ান, কেন্দ্রীয় সীমা দ্বারা
উপপাদ্য। এর মানে হল P_raw(f) এর সম্ভাব্যতা বন্টন chi-squared এর কাছে পৌঁছেছে
স্বাধীনতার দুই ডিগ্রি সহ। এটি একটি সূচকীয় বন্টন এবং বৈচিত্র্যকে হ্রাস করে
P_raw-এর অনুমান গড়ের বর্গক্ষেত্রের সমানুপাতিক, অর্থাৎ প্রত্যাশিত
P_raw এর মান।

অনুশীলনে যদি আমরা P_raw গঠন করি, তাহলে অনুমানগুলি হতাশাজনকভাবে গোলমাল হয়। এইভাবে P_raw নয়
দরকারী, এবং একটি দরকারী অনুমান পেতে আমাদের কিছু ধরণের মসৃণ বা গড় করতে হবে,
P_useful(f)।

সাহিত্যে এটি করার বিভিন্ন উপায় রয়েছে। একটি হল P_raw গঠন করা এবং
তারপর মসৃণ করুন। আরেকটি হল x(t), মসৃণ, টেপার এবং এর অটো-কোভারিয়েন্স ফাংশন গঠন করা
এটিকে আকৃতি দিন এবং তারপর মসৃণ, টেপারড এবং আকৃতির ফুরিয়ার রূপান্তর নিন
স্বয়ংক্রিয় সহভক্তি আরেকটি হল স্বয়ংক্রিয় সম্পর্ক কাঠামোর জন্য একটি প্যারামেট্রিক মডেল তৈরি করা
x(t) এ, তারপর সেই মডেলের বর্ণালী গণনা করুন। এই শেষ পদ্ধতি কি করা হয়
যাকে "সর্বোচ্চ এনট্রপি" বা "বার্গ" বা "বক্স-জেনকিন্স" বা "এআরএমএ" বা "আরআইএমএ" বলা হয়
পদ্ধতি।

ওয়েলচের পদ্ধতি একটি পরীক্ষিত এবং সত্য পদ্ধতি। তার পদ্ধতিতে, আপনি একটি সেগমেন্ট দৈর্ঘ্য চয়ন করুন,
-SN, যাতে অনুমান করা হবে দৈর্ঘ্যের অংশগুলি থেকে N. ফ্রিকোয়েন্সি নমুনা (এ
আপনার P_useful এর প্রতি ডেল্টা_টি ইউনিটের চক্র তখন হবে k /(N * ডেল্টা_টি), কোথায় k একটি
পূর্ণসংখ্যা, এবং আপনি পাবেন N নমুনা (যেহেতু বর্ণালী একটি সমান ফাংশন f, কেবল N/2
তাদের মধ্যে সত্যিই দরকারী)। যদি আপনার সম্পূর্ণ ডেটা সেটের দৈর্ঘ্য x(t), হয় M নমুনা
long, তাহলে আপনার P_useful-এর ভেরিয়েন্স অনুপাতে কমে যাবে এন / এম. এইভাবে আপনার প্রয়োজন
বেছে নিতে N << M P_useful-এ খুব কম শব্দ এবং উচ্চ আত্মবিশ্বাস পেতে। সেখানে একটি
এখানে বাণিজ্য বন্ধ; নিচে দেখ.

ওয়েলচের পদ্ধতিতে একটি ভন হ্যান ব্যবহার করে ভিন্নতা একটি অতিরিক্ত হ্রাস রয়েছে
দৈর্ঘ্যের প্রতিটি নমুনার উপর বর্ণালী উইন্ডো N. এটি পার্শ্ব লোব ফুটো হ্রাস এবং আছে
মসৃণ করার প্রভাব (N সেগমেন্ট) পিরিয়ডোগ্রাম যেন X(f) এর সাথে জড়িত ছিল
[1/4, 1/2, 1/4] P_useful গঠনের আগে। কিন্তু এটি বর্ণালী ব্যান্ডউইথকে কিছুটা প্রশস্ত করে
প্রতিটি অনুমান, কারণ ফ্রিকোয়েন্সি নমুনায় অনুমান k এখন একটু সম্পর্কযুক্ত
ফ্রিকোয়েন্সি নমুনা k+1 অনুমান সহ। (অবশ্যই এটি ঘটবে যদি আপনি সহজভাবে করেন
P_raw গঠন করে এবং তারপর মসৃণ করে।)

অবশেষে, ওয়েলচের পদ্ধতি ওভারল্যাপড প্রসেসিং ব্যবহার করে। যেহেতু ভন হ্যান উইন্ডো
মাঝখানে বড় এবং প্রান্তে শূন্যের কাছাকাছি, শুধুমাত্র এর সেগমেন্টের মাঝখানে
লম্বা N তার অনুমান অনেক অবদান. তাই ডেটার পরবর্তী সেগমেন্ট নেওয়ার ক্ষেত্রে,
আমরা শুধুমাত্র x(t) ক্রমানুসারে এগিয়ে যাই N/2 পয়েন্ট। এই ভাবে, পরবর্তী সেগমেন্ট পায়
বড় ওজন যেখানে এর উভয় পাশের অংশগুলি সামান্য ওজন পাবে, এবং ভাইস
বিপরীত এটি মসৃণ প্রভাবকে দ্বিগুণ করে এবং নিশ্চিত করে যে (যদি N << M) প্রায় প্রতিটি পয়েন্ট
x(t) চূড়ান্ত উত্তরে প্রায় সমান ওজন সহ অবদান রাখে।

বর্ণালী অনুমানের ওয়েলচের পদ্ধতি ব্যাপকভাবে ব্যবহৃত এবং ব্যাপকভাবে অধ্যয়ন করা হয়েছে। এটা খুবই
নির্ভরযোগ্য এবং এর পরিসংখ্যানগত বৈশিষ্ট্যগুলি ভালভাবে বোঝা যায়। এটা অত্যন্ত বাঞ্ছনীয়
যেমন পাঠ্যপুস্তক "এলোমেলো ডেটা: বিশ্লেষণ এবং পরিমাপ পদ্ধতি" বেন্ডেট দ্বারা এবং
পিয়ারসোল।

ডেটা থেকে প্যারামিটার অনুমান করার সমস্ত সমস্যার মধ্যে, এর মধ্যে একটি ক্লাসিক ট্রেড-অফ রয়েছে
রেজোলিউশন এবং ভিন্নতা। আপনি যদি আপনার ডেটা থেকে আরও রেজোলিউশন চেপে চেষ্টা করতে চান
সেট, তারপর আপনি অনুমান আরো গোলমাল গ্রহণ করতে ইচ্ছুক হতে হবে. একই বাণিজ্য বন্ধ
এখানে ওয়েলচের পদ্ধতিতে স্পষ্ট। আপনি যদি বর্ণালীতে খুব কম শব্দ করতে চান
অনুমান, তারপর আপনি চয়ন করতে হবে N << M, এবং এই আপনি শুধুমাত্র পেতে মানে N এর নমুনা
বর্ণালী, এবং দীর্ঘতম সময় যে আপনি সমাধান করতে পারেন শুধুমাত্র N * ডেল্টা_টি. তাহলে তুমি দেখ
যে শব্দ কমানো বর্ণালী নমুনার সংখ্যা কমায় এবং দীর্ঘতম নমুনা কমিয়ে দেয়
সময়কাল বিপরীতভাবে, যদি আপনি চয়ন N সমীপবর্তী M, তারপর আপনি সঙ্গে periodogram যোগাযোগ
এর খুব খারাপ পরিসংখ্যানগত বৈশিষ্ট্য, কিন্তু আপনি প্রচুর নমুনা এবং একটি বড় মৌলিক পাবেন
সময়ের.

অন্যান্য বর্ণালী অনুমান পদ্ধতিগুলিও একটি ভাল কাজ করতে পারে। ওয়েলচের পদ্ধতি নির্বাচন করা হয়েছিল
কারণ এটি যেভাবে কাজ করে, কীভাবে কেউ এটি কোড করতে পারে এবং পরিসংখ্যানগত উপর এর প্রভাব
ডিস্ট্রিবিউশন, রেজোলিউশন, সাইড-লোব লিকেজ, বায়াস, ভ্যারিয়েন্স ইত্যাদি সবই সহজে
বোঝা যায় অন্য কিছু পদ্ধতি (যেমন সর্বোচ্চ এনট্রপি) যেখানে কিছু লুকিয়ে থাকে
এই ট্রেড-অফগুলি একটি "ব্ল্যাক বক্স" এর ভিতরে ঘটছে।

onworks.net পরিষেবা ব্যবহার করে অনলাইনে spectrum1dgmt ব্যবহার করুন