来自子话题：
会有很明显的区别。&br&我有一次在用网易云音乐听歌，因为是比较熟悉的歌曲，我听了一耳朵就发现不对，后来问了同事才知道，云音乐会根据你的网速自动选择码率，我连忙强制设置了播放码率，才感觉声音正常了。&br&槽点在哪里呢？&br&1、我当时用的Wi-Fi&br&&b&2、我人就在网易公司里啊！摔！&/b&&br&&img src=&/0f71de513fae5b_b.jpg& data-rawwidth=&306& data-rawheight=&313& class=&content_image& width=&306&&
会有很明显的区别。我有一次在用网易云音乐听歌，因为是比较熟悉的歌曲，我听了一耳朵就发现不对，后来问了同事才知道，云音乐会根据你的网速自动选择码率，我连忙强制设置了播放码率，才感觉声音正常了。槽点在哪里呢？1、我当时用的Wi-Fi2、我人就在网易…
来自子话题：
这个问题涉及到好多方面了，要简化一下才好回答。下面假设你对比的音乐来源是相同的（比如，从同一张 CD 抓下来的），只是比较有损压缩方式和无损压缩方式的区别。有很多因素会影响最终结果，下面列出比较重要的：&br&&br&&ul&&li&音源的特点。摇滚乐和交响乐的声音特性是非常不同的。压缩过程中对声音信息的不同取舍会导致结果很大差异。这个因素很难控制。大部分双盲测试都无法摆脱测试音源样本不同而导致的偏差。&/li&&li&压缩算法和编码器。使用不同的压缩算法得到的结果也很不一样。现在主流的两种有损压缩方式，一个是最流行的 MP3，另一个是正在逐渐兴起的 AAC。理论上说，AAC 的压缩算法要比 MP3 高级。但具体得到的效果怎样，又要因为编码器的不同而有差异。即便是同样的压缩算法，不同编码器得到最终结果也是不同的。MP3 年代更久，相关的技术更加成熟。目前最好的 MP3 编码器是开源的 LAME。它采用了多种复杂的声学、心理模型进行优化，使得用 LAME 编码得到的同样码率的 MP3 的效果通常远好于一些简单的 MP3 编码器。AAC 出现得年份比较晚，常见的 AAC 编码器也不如 LAME
成熟，有些双盲测试的结果显示 LAME 编码的 MP3 比同等码率的 iTunes 编码的 AAC 效果要好。这个是影响有损压缩的一个关键因素。另外就是同一款编码器的不同版本编码的结果也是不一样的，所以在比较参考网上的测试结果时务必弄清楚他们使用的编码器版本。&/li&&li&码率。码率有好几种，常见的有常数码率（CBR，每一秒的音乐占用的空间一样）、可变码率（VBR，复杂的音乐部分占用的空间多，简单的音乐部分占用空间少）、平均码率（ABR，有上下限的动态码率）。一般比较码率的均值就好了。通常的规律是，同一款编码器用同样的设置，码率越高，效果越好。请注意这个前提条件。比较不同编码器、不同压缩算法得到的音乐文件的码率通常是没有意义的，只能作为大致的参考。一般的共识是，采用 LAME
这样比较成熟的编码器编码 MP3，对于大部分音乐，至少需要 128kbps 码率才能实现对多数人来说『透明』，即无法区分压缩前和压缩后的音乐的区别。实际使用中，一般用 LAME 的优化档案 （profile）编码得到的 192kbps 的 MP3 文件的效果在非专业设备上是和原始音乐等效的。发烧友有些甚至采用了 MP3 最高的 320kbps 码率。个人觉得真的没有必要。如果要用高于 256kbps 的码率，还不如使用无损压缩来得省心。&/li&&li&声卡、耳机、或者音响。一分钱一分货，想要听最高音质的音乐，便宜的设备是肯定不行的。几十块钱的耳机和几千块钱的耳机效果完全不一样。大多数人的设备是根本听不出高码率（
160kbps）压缩音乐和原音的区别的。&/li&&li&个人特质。每个人的耳朵敏感度是不同的。同一个人，童年时期耳朵的敏感度要比晚年高。这个因人而异，比较难比较。自己感觉好就好吧。&/li&&/ul&
这个问题涉及到好多方面了，要简化一下才好回答。下面假设你对比的音乐来源是相同的（比如，从同一张 CD 抓下来的），只是比较有损压缩方式和无损压缩方式的区别。有很多因素会影响最终结果，下面列出比较重要的：音源的特点。摇滚乐和交响乐的声音特性是非…
居然没人从特征向量这个角度去理解该问题！&br&我们研究的系统往往都是线性时不变即LTI系统，能够证明LTI系统的特征向量就是&img src=&///equation?tex=exp%28jwt%29& alt=&exp(jwt)& eeimg=&1&&！&br&在数学上，特征向量是个很优美的东西。这体现在：系统作用在特征向量上，并不会改变向量的方向，只是变变幅度而已；&br&也就是说，如果对LTI系统输入正弦波，输出肯定还是正弦波，只是加了个权值而已！（这个权值-也就是特征值，就是常说的频率响应。）这样研究信号与系统起来就方便多了，只要把信号用{特征向量}表示，就能很容易的得到系统输出信号（每个分量乘以响应的特征值就行）。&br&以上就是信号与系统中，常用正弦波作为分析基础的重要原因。
居然没人从特征向量这个角度去理解该问题！我们研究的系统往往都是线性时不变即LTI系统，能够证明LTI系统的特征向量就是exp(jwt)！在数学上，特征向量是个很优美的东西。这体现在：系统作用在特征向量上，并不会改变向量的方向，只是变变幅度而已；也就是说…
傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。&br&离散化也就是要抽样。我们知道，时域等间隔抽样，频域发生周期延拓；频域抽样，时域发生周期延拓。那么要得到时域频域都离散的结果，显然时域频域都要抽样。周期延拓怎么办？只取一个周期就行了。&br&总结一下：&br&第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；&br&第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。&br&第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。&br&这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。&br&剩下的问题就是你说的以怎样的频率抽样，DFT取多少长度什么的了，具体可以去读一读《深入浅出数字信号处理》这本书，偏重物理意义上的理解，而不是堆砌数学公式。不推荐程佩青的《数字信号处理》，论文一样的语言，典型学院派。
傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。离散化也就是要抽样。我们知道，时域等间隔抽样，频域发生周期延拓；频域抽样，时域发生周期延拓。那么要得到时域频域都离散的结果，显然时域频域都要抽样。周期延拓…
来自子话题：
CRT电视分辨率太低了，无法分别DVD和蓝光的画质。蓝光比DVD的好处，就在于细节多。分辨率太低，细节就没了。&br&同理，播放系统的分析力太低了，也听不出320k MP3文件和无损文件的差别。无损的好处也是细节多。&br&&br&听不出差别，不等于没差别。否则现代录音技术也不用提高到192kHz/24bit了——用这个规格录制的音乐，以WAV格式保存，一分钟有100多M，一首曲子容量可能上G。&br&&br&无损当然有真伪。APE、FLAC，甚至WAV，都只是文件格式。MP3文件也可以被转换成APE格式，但素质并没有提高。就好像一张320*320像素的照片，虽然被放大到640*640像素，也不会变得更清晰。&br&&br&一般所指的无损，其实是“用更小的容量无损失地保存CD音质”。由于CD格式本身有一定的缺陷，所以转成无损后这些缺陷仍然是存在的。&br&&br&很多常规软件已经支持播放无损了，比如foobar，用PC播放无损非常简单。&br&&br&直接用硬件播放无损，取决于硬件本身是否支持解码无损格式。&br&&br&无损音乐中，有些是用杜比和DTS进行编码的，需要专门的解码器。&br&&br&无损音乐能否播放，只跟音源处理有关，与功放和喇叭无关。&br&也与耳机无关。&br&几乎所有设计用来听音乐的耳机，都至少是立体声的，立体声就是两声道。有些耳机不仅可以播放两声道，还可以播放多声道。
CRT电视分辨率太低了，无法分别DVD和蓝光的画质。蓝光比DVD的好处，就在于细节多。分辨率太低，细节就没了。同理，播放系统的分析力太低了，也听不出320k MP3文件和无损文件的差别。无损的好处也是细节多。听不出差别，不等于没差别。否则现代录音技术也不…
来自子话题：
如何看索尼成都新品鉴赏会呢，这是一个十分值得关注的话题。首先是新进男神杨洋代言的新品耳机&img data-rawwidth=&720& data-rawheight=&1018& src=&/fafdc3ba1c_b.jpg& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/fafdc3ba1c_r.jpg&&哈哈，这款耳机呢，怎么说第一眼就是一个字-骚。绝对亮骚的外观在配上金属的材质让人有了高大上的感觉。你说怎么那么像beats？可是不太一样哦，beats耳机首先是外观以树脂材料为主，而且声音我觉得比较适合摇滚，咱们年轻人玩玩没问题，要是送给老爸老妈，估计他们听歌课是受不了的哦。在说一下这个耳机的售价吧，1299，定价和solo二代相仿，所以不得不说这回的主要竞争对手也必然是solo二代啦。对对，忘记说型号啦:mdr-100AA。试用这回提供的前段zx100(我后面会说)听一首老歌right here waiting for you，感觉真的很舒服，高新音准很不错，并且绝对没有出现有时候像我的魔声灵动系列那种人声和背景音乐有点混的感觉。来来来，上一张实拍的图&img data-rawwidth=&2448& data-rawheight=&3264& src=&/ad81917fac6e4b72e31035abf1189976_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/ad81917fac6e4b72e31035abf1189976_r.jpg&&感谢配合的同学啦。是不是红色很亮骚，不过这款耳机最经典的颜色可不是红色哦，它可是存在一个中间色的，透露一下波尔多红，相信大家都知道波尔多盛产什么吧，卖个关子大家去点击体验吧。&img data-rawwidth=&720& data-rawheight=&638& src=&/406bbabdb96e4b8a8d4e9e9_b.jpg& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/406bbabdb96e4b8a8d4e9e9_r.jpg&&然后下一个产品呢是一个入耳耳机，喜欢低调内敛的同鞋可以关注啦&img data-rawwidth=&2448& data-rawheight=&3264& src=&/b5a446ae60a3beabbd90432_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/b5a446ae60a3beabbd90432_r.jpg&&怎么样，发现了没有这款耳机可是透明的哦！xba-300。这会还真是头一次见到会把耳机内部结构展现在我们面前的耳机，并且这个耳机只有3到5个耳钉的质量（原谅我是工科转文科的学生，重量在物理里面没有这个叫法）很轻是吧，最重要的是这个耳机是动铁单元的耳机，主持人介绍了哦，里面是三个动铁单元，让我的xba-100情何以堪。众所周知动铁耳机的低音部分真的是让人无语，我的100也遇到同样的情况，于是抱着试一试的心态来看看这个耳机，哈哈，我准备了的贝多芬的命运，怎么样！够坏吧！开头试了一下，重音部分竟然毫无压力！重音震撼，整首曲子中，低音下沉也非常的棒，中高音就不用说了，听了一下梁静茹的《勇气》，高音部分像是在仙界看我们的神仙姐姐，售价嘛，3动铁单元，而且能过听得低音上的高音的耳机预算自然不能太少啦，1599。不过有一句话说的对，人不发烧往少年！。好啦，耳机小说这么多啦，不过预算不多的朋友想购入第一个耳机的话，我推荐大法的MDR-EX650！可谓是十分全面的动圈耳机哦。&img data-rawwidth=&2448& data-rawheight=&3264& src=&/f3ca57c2d272a7d486be1a5d7ad804d6_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/f3ca57c2d272a7d486be1a5d7ad804d6_r.jpg&&看到后面的耳机的没？我的奖品哦！最后说一下这回来的主要目的！ZX100&img data-rawwidth=&720& data-rawheight=&1620& src=&/4b5ceeee4b422e109a01_b.jpg& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/4b5ceeee4b422e109a01_r.jpg&&先放一张官方微博图告一下，大家可以去这些地方试听。嗯，总体来说呢，首先，全金属的手感让我的5s自愧不如，虽然也是全金属，不过感觉硬度差了很多，果粉勿喷，我学过金属工艺学的哦！颜色就是纯粹的金属银色，其实就是我们所喜欢的低调内敛的颜色，同时有复古亮骚。背面是皮革处理的，所以摩擦系数很大，不容易划跑的。背后有nfc哦，可以连接很多音箱的，比如大法的x55，jbl的pluse，还有哈曼的一些。在这里不要跟我提bose，不是说bose不好，你看看亚马逊中国，加拿大，美国bose的价格你就懂了，价格太坑国人了，而且真不懂bose为什么会有人和boss混。不多说了上图！！！&img data-rawwidth=&2448& data-rawheight=&3264& src=&/353b98bbfd9d1d42a104d8215ccbfde8_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/353b98bbfd9d1d42a104d8215ccbfde8_r.jpg&&&img data-rawwidth=&2448& data-rawheight=&3264& src=&/72ab85bbaef_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/72ab85bbaef_r.jpg&&看到小金标了没？Hi-Res音效哦，只可惜我的m504没有这个金标，好遗憾。右下角还有我们熟悉的walkman的标志，以前索尼爱立信手机的经典标志，有情怀啊。可以看到吧，这个可是按键的walkman哦，不是安卓系统的哦，所以你可不用担心会不会多任务系统卡的问题啦，其实到不是说安卓系统不好，为什么会卡主要是硬件损耗太快了，谁让安卓是多任务系统ios是单任务系统呢，就好比安卓是4个人干6项任务，ios是一个人干一项任务。你说谁先累死？既然这个音乐播放器是复古的外观，那按键也必须是复古的全金属，非常舒服，外观部分最重要的是耳机接口是黄铜的哦，耳机接口是黄铜的哦，耳机接口是黄铜的哦，重要的事情说三遍！！！黄铜很贵的而且是战略物资哦，可想这个设备用财如何啦。最后说说音质，首先贵的东西自然有贵的道理，音质是很复古的walknan的感觉，高音能升的上去，中音非常准，低音下沉也非常厉害，接上上边两个耳机听歌简直胜过音乐会，以至于我会宿舍了以后听不了我的pluse的声音了。哈哈，睡了一觉内心依然痒痒，实在太喜欢了，打算入手，哈哈哈，说到最后非常感谢这次体验会，也同时想跟大家说播放器不一样音乐的音质绝对不一样！手机可以满足没有专门音乐播放器的人们听歌的需求，但是不能满足更多的要求！而且这个手机用电大家懂的。还有就是人活一世，能享受就享受吧，最后一句话人不发烧往少年！&img data-rawwidth=&2448& data-rawheight=&3264& src=&/41fd4d7c2bc138aa54eaa_b.jpg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/41fd4d7c2bc138aa54eaa_r.jpg&&
如何看索尼成都新品鉴赏会呢，这是一个十分值得关注的话题。首先是新进男神杨洋代言的新品耳机哈哈，这款耳机呢，怎么说第一眼就是一个字-骚。绝对亮骚的外观在配上金属的材质让人有了高大上的感觉。你说怎么那么像beats？可是不太一样哦，beats耳机首先是…
来自子话题：
Sony NWZ-W274S 八公里测试回来：&br&&ol&&li&8G容量，音乐格式可以播 MP3，WMA， AAC 或者 L-PCM。&/li&&li&普通耳塞和游泳专用耳塞各有四个大小，S/M/L/XL。只要把耳塞塞好，跑步时就不会乱动， &a data-hash=&abda3aabff8583cff7d4d4& href=&///people/abda3aabff8583cff7d4d4& class=&member_mention& data-editable=&true& data-title=&@邵亚方& data-tip=&p$b$abda3aabff8583cff7d4d4&&@邵亚方&/a& 也不会乱撞后脑勺。人倒挂着也不会掉下来。它后面除了连接线还有一条皮筋可以调节松紧，不要以为索尼大法是虚的。。。我是梳马尾的，如果要梳莫西干头建议还是带耳机吧。&br&&/li&&li&耳塞被动降噪很管用，戴上基本上就听不见人声了。在山路上跑步时脚步声听不到了，鸟叫声听得到，蚊子在脸前的声音也听得到。坐火车时车厢里的说话声基本上可以消除，但是广播报站还是听得到的。&/li&&li&音质的话，跑个步你还要听什么发烧碟啊！&/li&&li&充电秒杀，听八小时没压力。唯一不方便就是只能用USB充电。&/li&&li&我买的黑色，戴上很低调的奢华 =“= &/li&&/ol&等下周去游泳再测试一下。。。哎？好像不在答题范围了。。。&br&&br&---------------------------------------------------骚尼初体验-------------------------------------------------------&br&&br&这周四sony NWZ-W274s刚到货！充电超快，满电周末坐火车足听了8小时以上的歌。&br&刚开始耳朵里塞着不太方便。估计是我的耳朵太贴头了，把线像广告里挂在耳朵上就会咯得慌。索性不挂线后舒服多了。&br&刚刚往里面拷歌m4a格式的有提示要不要转换了再复制。。。&br&&br&给我仨小时，我去跑一圈来答～
Sony NWZ-W274S 八公里测试回来：8G容量，音乐格式可以播 MP3，WMA， AAC 或者 L-PCM。普通耳塞和游泳专用耳塞各有四个大小，S/M/L/XL。只要把耳塞塞好，跑步时就不会乱动，
也不会乱撞后脑勺。人倒挂着也不会掉下来。它后面除了连接线还有一条皮筋…
第一次回答 &br&&br&我也是大四，之前与导师做过一些桥梁模态参数识别与模型修正方面的课题，对频域分析略有了解，结合我的经历和理解试做回答，但愿能对你有所帮助。&br&&br&&b&1.
为什么进行模型修正&/b&&p&有限元模型的计算结果往往与实测结果存在一定的差异，这种差异来源于有限元模型误差和实验误差。实际工程中，一般认为实验数据更为准确可靠，因此&b&依据实验结果对有限元模型进行修正&/b&，提高精度和可靠性。对于桥梁健康监测，关键问题是如何根据健康监测信息反演桥梁结构工作状态和健康状况，&b&建立精确有限元模型&/b&，识别出可能的结构损伤及其损伤程度，预测桥梁可能的相应，在此基础上实现安全及可靠度评估。&/p&&p&理论有限元建模的误差来源于：&/p&&ul&&li&模型阶次误差，如有限元离散误差&br&&/li&&li&建模参数设置误差，材料参数（弹性模量、剪切模量），构件几何尺寸&br&&/li&&li&模型简化假定误差，边界条件（转动支座、固定支座）节点假设（铰节点、刚节点）&br&&/li&&/ul&&p&这些误差影响了建模分析的精确性，为了得到更精确的模型，需要对&b&结构参数进行修正&/b&。对于动力分析，模态参数包括：频率、振型、阻尼比，即&img src=&///equation?tex=%5Comega%5Cphi+%5Ceta+& alt=&\omega\phi \eta & eeimg=&1&&。结构模型修正的目标即为将理论有限元模型&img src=&///equation?tex=FEM_%7Ba%7D& alt=&FEM_{a}& eeimg=&1&&，修正为更接近真实结构的&img src=&///equation?tex=FEM_%7Bu%7D& alt=&FEM_{u}& eeimg=&1&&。&/p&&br&&p&实际结构的模型修正可以通过直接修正结构的&img src=&///equation?tex=%5Comega%5Cphi+%5Ceta+& alt=&\omega\phi \eta & eeimg=&1&&参数，然而实际的桥梁结构自由度较多，能布设的测点传感器有限，传感器数量少于自由度数，因此实测数据只能得到结构的&b&一部分低阶频率，不完备&/b&。故针对结构频率、振型、阻尼比的修正转化为对结构质量、刚度矩阵的修正，一般认为质量矩阵的精确度较高，只修正结构刚度矩阵，即&img src=&///equation?tex=K_%7Ba%7D%5Crightarrow+K& alt=&K_{a}\rightarrow K& eeimg=&1&&。&/p&&p&刚度矩阵表达式为：&/p&&p&设修正参数&img src=&///equation?tex=%5Ctheta+& alt=&\theta & eeimg=&1&&为令刚度矩阵中的每一个元素都为&img src=&///equation?tex=%5Ctheta+& alt=&\theta & eeimg=&1&&的函数 ，如：&/p&&img src=&/55995dd7ded3ef6b7e70_b.jpg& data-rawwidth=&148& data-rawheight=&47& class=&content_image& width=&148&&&p&修正的目标即为调整修正参数&img src=&///equation?tex=%5Ctheta+& alt=&\theta & eeimg=&1&&,令理论计算的频率参数与实测参数之间残差最小：&/p&&img src=&/ba188dcd35aaa045e22319ebbbd333e6_b.jpg& data-rawwidth=&121& data-rawheight=&45& class=&content_image& width=&121&&&p&而得到实测频率参数的过程就是模态参数识别。&/p&&br&&b&2.
如何识别模态参数&/b&&p&模态参数的识别主要有三种方法：&/p&&ul&&li&时域法&br&&/li&&li&频域法&br&&/li&&li&时频域结合法&br&&/li&&/ul&&p&对于单自由度系统，结构动力方程为：&/p&&img src=&/407afddfa48976efde8ba5_b.jpg& data-rawwidth=&212& data-rawheight=&36& class=&content_image& width=&212&&&p&此微分方程以时间为变量，即在时域范围内，可以求解。&/p&&p&而对于对自由度系统，方程中的质量、阻尼、刚度均为矩阵，位移x为列向量。单自由度系统一个方程对应多自由度系统的方程组，&b&互相耦合难以求解&/b&。&/p&&img src=&/ca5b1b727b1b084d18ff8cf0_b.jpg& data-rawwidth=&226& data-rawheight=&51& class=&content_image& width=&226&&&p&由离散傅里叶变换，位移&/p&&img src=&/f1bd807ddbc18a010e6d7ab08f2ba40c_b.jpg& data-rawwidth=&118& data-rawheight=&54& class=&content_image& width=&118&&&p&……经过一系列我也说不清的变换后……得到下式：&/p&&img src=&/de5f17bfc4a36f64dcb169_b.jpg& data-rawwidth=&278& data-rawheight=&39& class=&content_image& width=&278&&&p&其中&img src=&///equation?tex=%5Comega+& alt=&\omega & eeimg=&1&&为频率，注意，原来方程组的变量由&b&时间变成了频率&/b&，方程的形式由&b&微分方程变成了代数方程&/b&。进一步变换得到：&img src=&/dd6dfc15cfb46b54e184ad2_b.jpg& data-rawwidth=&239& data-rawheight=&47& class=&content_image& width=&239&&其中&img src=&/a0eb30bd4d4e180df65773e17cac943d_b.jpg& data-rawwidth=&253& data-rawheight=&71& class=&content_image& width=&253&&即为传说中的&b&频响函数&/b&。对脉冲响应函数进行傅里叶逆变换又可以得到&b&脉冲响应函数&/b&。这其中更深刻的关系我也说不清楚了，以我目前的水平，我只能说这就是傅里叶变换的意义了。&/p&&br&&b&3. 频域分析与参数识别的应用&/b&&br&以下是我和导师开发的针对东营黄河大桥的有限元模型修正程序算例。&br&&img src=&/aafe9b11a8ef7_b.jpg& data-rawwidth=&839& data-rawheight=&423& class=&origin_image zh-lightbox-thumb& width=&839& data-original=&/aafe9b11a8ef7_r.jpg&&实桥照片&br&&b&振动加速度测点布置示意图如下&/b&&br&&img src=&/ead4fa8cbefe1_b.jpg& data-rawwidth=&572& data-rawheight=&158& class=&origin_image zh-lightbox-thumb& width=&572& data-original=&/ead4fa8cbefe1_r.jpg&&&br&在程序中加载各测点的时程数据：&br&&img src=&/ac77963eec9f8fe3ed1e1518_b.jpg& data-rawwidth=&640& data-rawheight=&249& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/ac77963eec9f8fe3ed1e1518_r.jpg&&于是乎得到两列（两个测点）的长达60000、充满白噪声、上下波动的图像，如果不将时域信号转换为频域信号，我也不知道这样的图像能得到什么信息。&br&&br&下一步进行，&b&FFT&/b&&b&快速傅里叶变换&/b&：&br&&img src=&/efc33a14dba009f7c26b2dd4_b.jpg& data-rawwidth=&639& data-rawheight=&340& class=&origin_image zh-lightbox-thumb& width=&639& data-original=&/efc33a14dba009f7c26b2dd4_r.jpg&&&br&注意，坐标轴为&b&傅里叶谱幅值VS频率&/b&，数据转换到了频域。但此时的图像还是杂乱无章，不能清晰分辨结构的各阶频率。&br&要想清晰地分辨各阶频率可进行&b&自功率谱、互功率谱变换&/b&。这两种变换实质是在以上频响函数的分式上下各乘以&img src=&///equation?tex=x%28%5Comega+%29& alt=&x(\omega )& eeimg=&1&&或&img src=&///equation?tex=f%28%5Comega+%29& alt=&f(\omega )& eeimg=&1&&的共轭。（具体原理我也不懂）&br&&img src=&/9fc5db8a0f55e5211921b_b.jpg& data-rawwidth=&640& data-rawheight=&166& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/9fc5db8a0f55e5211921b_r.jpg&&&br&&img src=&/fc2e4ebd0b95ce8dad8759_b.jpg& data-rawwidth=&639& data-rawheight=&167& class=&origin_image zh-lightbox-thumb& width=&639& data-original=&/fc2e4ebd0b95ce8dad8759_r.jpg&&自功率谱、互功率谱变换使结构的各阶频率在图像上更显著突出。&br&下一步全选所有通道数据，通过模态参数识别算法计算，可以得到测试频率、阻尼比、可信度等参数，并&b&求解各阶测试振型&/b&。&br&&img src=&/4f4dbd63afd3_b.jpg& data-rawwidth=&637& data-rawheight=&332& class=&origin_image zh-lightbox-thumb& width=&637& data-original=&/4f4dbd63afd3_r.jpg&&&br&然而，根据实测数据求得的模态参数不完备，而且存在虚假模态（通过可信度和阻尼比筛选判断）。要对结构理论模态参数（通过ANSYS建模求解）进行修正，需要确认理论模态与实测模态的对应关系，进行匹配。&br&&img src=&/0b6ea8405219fafc50b22c9da012ceb9_b.jpg& data-rawwidth=&962& data-rawheight=&229& class=&origin_image zh-lightbox-thumb& width=&962& data-original=&/0b6ea8405219fafc50b22c9da012ceb9_r.jpg&&匹配的过程实际上就是振型图形的比较，如上图中，解析模态的6阶与实测模态的16阶匹配。完成所有匹配之后，就可以进行模态参数的修正，即&b&Model Updating&/b&，得到更精确的结构模型进行下一步损伤识别、安全评定等分析。&br&&br&&b&扯得有点远，我也拽不回来了，希望对你理解桥梁频域分析有所帮助。&/b&
第一次回答 我也是大四，之前与导师做过一些桥梁模态参数识别与模型修正方面的课题，对频域分析略有了解，结合我的经历和理解试做回答，但愿能对你有所帮助。1. 为什么进行模型修正有限元模型的计算结果往往与实测结果存在一定的差异，这种差异来…
本科时候，一个专业做信号处理的老院士给我们上课的时候，说过这样一句话：filtering is weighting（滤波即加权）。 滤波的作用就是给不同的信号分量不同的权重。最简单的loss pass filter， 就是直接把低频的信号给0权重，而给高频部分1权重。对于更复杂的滤波，比如维纳滤波, 则要根据信号的统计知识来设计权重。&br&&br&从统计信号处理的角度，降噪，可以看成滤波的一种。降噪的目的在于突出信号本身而抑制噪声影响。从这个角度，降噪就是给信号一个高的权重而给噪声一个低的权重。维纳滤波就是一个典型的降噪滤波器。&br&&br&对于这个问题，更深入的讨论可以参考 steven kay 的 fundamental of signal processing: estimation。
本科时候，一个专业做信号处理的老院士给我们上课的时候，说过这样一句话：filtering is weighting（滤波即加权）。 滤波的作用就是给不同的信号分量不同的权重。最简单的loss pass filter， 就是直接把低频的信号给0权重，而给高频部分1权重。对于更复杂的…
来自子话题：
单反普及USB3.0是什么时候的事情？&br&键盘鼠标普及USB3.0又是什么时候的事情？&br&作为电子产品界的一朵奇葩，hifi本身的更新换代就非常慢&br&因为&b&新技术固然对hifi很重要，但是hifi界靠的更是技术的积累，是厂家长年累月养成的对音质的操控能力，调音能力，以及其品牌内涵对音乐独特的见解&/b&&br&这就造成了hifi的研发周期比一般的电子产品要长，在很多的产品上秉承“够用就行”的原则&br&题主可以去关注一下各类hifi播放器，除了索大的黑科技安卓平台播放器，其余的，尤其是国砖，大多数主控还停留在ARM11时代&br&我想晓龙800，退一步，晓龙400已经是很便宜了吧？&br&为什么不用？对得起动辄超iPhone的售价嘛？&br&没必要呗！&br&与其花那么多功夫吃力不讨好的设计复杂电路板，设计专属APP，还不如钱用在刀锋上，好好设计一下OPA627SM一类的电老虎怎么塞播放器里呢&br&USB3.0也是同样的道理，专门用它还要设计专门的转接电路，搞不好还要顾及兼容性一大坨东西，而且&b&很大程度上，电路设计越复杂，越不有利于音质的发挥&/b&，相比之下USB2.0速度已经足够，3.0完全是没有必要折腾的&br&其实仔细想想，单反也是同样的道理&br&记住，&b&并不是把所有高新技术堆砌到一个产品上，生产出来的就是好产品，那只是博人眼球的工具，真正根据自己的需要，去选择，去优化新技术的，才是好产品&/b&
单反普及USB3.0是什么时候的事情？键盘鼠标普及USB3.0又是什么时候的事情？作为电子产品界的一朵奇葩，hifi本身的更新换代就非常慢因为新技术固然对hifi很重要，但是hifi界靠的更是技术的积累，是厂家长年累月养成的对音质的操控能力，调音能力，以及其品牌…
来自子话题：
（1）&img src=&///equation?tex=%5Cmathrm%7Bsgn%7D%28t%29& alt=&\mathrm{sgn}(t)& eeimg=&1&&的Fourier变换&b&不是&/b&&img src=&///equation?tex=%5Cfrac%7B2%7D%7Biw%7D& alt=&\frac{2}{iw}& eeimg=&1&&，因为前者是tempered distribution，后者不是(只有局部可积函数才能被看作distribution)&br&（2）&img src=&///equation?tex=%5Cmathrm%7Bsgn%7D%28t%29& alt=&\mathrm{sgn}(t)& eeimg=&1&&的Fourier变换是一个tempered distribution（即Schwartz class上的连续线性泛函），对Schwartz函数&img src=&///equation?tex=%5Cphi& alt=&\phi& eeimg=&1&&按下列方式定义：&br&&img src=&///equation?tex=%5Cmathcal%7BF%7D%5Cmathrm%7Bsgn%7D%28%5Cphi%29%3D%5Clim_%7B%5Cepsilon%5Cto+0%7D%5Cint_%7B%7Cw%7C%3E%5Cepsilon%7D%5Cfrac%7B2%7D%7Biw%7D%5Cphi%28w%29%5C%2C%5Cmathrm%7Bd%7Dw& alt=&\mathcal{F}\mathrm{sgn}(\phi)=\lim_{\epsilon\to 0}\int_{|w|&\epsilon}\frac{2}{iw}\phi(w)\,\mathrm{d}w& eeimg=&1&&&br&我们通常把它叫做&img src=&///equation?tex=%5Cfrac%7B2%7D%7Biw%7D& alt=&\frac{2}{iw}& eeimg=&1&&的&b&Cauchy主值，或者&img src=&///equation?tex=%5Cmathrm%7Bp.v.%7D%5Cbigg%28%5Cfrac%7B2%7D%7Biw%7D%5Cbigg%29& alt=&\mathrm{p.v.}\bigg(\frac{2}{iw}\bigg)& eeimg=&1&&&/b&&br&（3）&img src=&///equation?tex=%7Ct%7C& alt=&|t|& eeimg=&1&&的Fourier变换是，按照下式定义的distribution：&br&&img src=&///equation?tex=%5Cmathcal%7BF%7D%7Ct%7C%28%5Cphi%29%3D%5Clim_%7B%5Cepsilon%5Cto+0%7D%5Cint_%7B%7Cw%7C%3E%5Cepsilon%7D%5Cfrac%7B2%28%5Cphi%28w%29-%5Cphi%280%29%29%7D%7Bw%5E%7B2%7D%7D%5C%2C%5Cmathrm%7Bd%7Dw& alt=&\mathcal{F}|t|(\phi)=\lim_{\epsilon\to 0}\int_{|w|&\epsilon}\frac{2(\phi(w)-\phi(0))}{w^{2}}\,\mathrm{d}w& eeimg=&1&&&br&－－－－－－－－－－－－－－－－－－－－－－－－－－－－－&br&按照 &a data-hash=&cd5b4817676& href=&///people/cd5b4817676& class=&member_mention& data-editable=&true& data-title=&@铅笔& data-tip=&p$b$cd5b4817676&&@铅笔&/a&的建议，写个证明。&br&关于distribution theory的基础参见 &a data-hash=&336d88c717a698e1dec3bd6a79b08845& href=&///people/336d88c717a698e1dec3bd6a79b08845& class=&member_mention& data-editable=&true& data-title=&@王筝& data-tip=&p$b$336d88c717a698e1dec3bd6a79b08845&&@王筝&/a&的答案，和原题评论栏里 &a data-hash=&3b1396fd6bdbfa0b6f0ce283d1402d95& href=&///people/3b1396fd6bdbfa0b6f0ce283d1402d95& class=&member_mention& data-editable=&true& data-title=&@rainbow zyop& data-tip=&p$b$3b1396fd6bdbfa0b6f0ce283d1402d95&&@rainbow zyop&/a&提供的pdf。&br&其实&a data-hash=&336d88c717a698e1dec3bd6a79b08845& href=&///people/336d88c717a698e1dec3bd6a79b08845& class=&member_mention& data-editable=&true& data-title=&@王筝& data-tip=&p$b$336d88c717a698e1dec3bd6a79b08845&&@王筝&/a&的答案里已经基本写出来了，因为&img src=&///equation?tex=%5Cmathrm%7Bsgn%7D%28t%29%3D%5Clim_%7Ba%5Cto0%2B%7De%5E%7B-a%7Ct%7C%7D%5Cmathrm%7Bsgn%7D%28t%29& alt=&\mathrm{sgn}(t)=\lim_{a\to0+}e^{-a|t|}\mathrm{sgn}(t)& eeimg=&1&&在分布意义下成立，由Fourier变换的连续性和那里的计算，我们知道&img src=&///equation?tex=%5Cmathcal%7BF%7D%28%5Cmathrm%7Bsgn%7D%29%3A%3Dg%3D%5Clim_%7Ba%5Cto+0%2B%7D%5Cfrac%7B2%7D%7Bi%7D%5Cfrac%7Bw%7D%7Bw%5E%7B2%7D%2Ba%5E%7B2%7D%7D& alt=&\mathcal{F}(\mathrm{sgn}):=g=\lim_{a\to 0+}\frac{2}{i}\frac{w}{w^{2}+a^{2}}& eeimg=&1&&在分布意义下成立，也就是说&img src=&///equation?tex=g%28%5Cphi%29%3D%5Clim_%7Ba%5Cto+0%2B%7D%5Cint_%7B%5Cmathbb%7BR%7D%7D%5Cfrac%7B2%7D%7Bi%7D%5Cfrac%7Bw%7D%7Bw%5E%7B2%7D%2Ba%5E%7B2%7D%7D%5Cphi%28w%29%5C%2C%5Cmathrm%7Bd%7Dw& alt=&g(\phi)=\lim_{a\to 0+}\int_{\mathbb{R}}\frac{2}{i}\frac{w}{w^{2}+a^{2}}\phi(w)\,\mathrm{d}w& eeimg=&1&&。&br&现在问题来了，为什么这个就是Cauchy主值呢？因为和 Cauchy主值一样，由于&img src=&///equation?tex=%5Cfrac%7B1%7D%7Bw%7D& alt=&\frac{1}{w}& eeimg=&1&&和&img src=&///equation?tex=%5Cfrac%7Bw%7D%7Bw%5E%7B2%7D%2Ba%5E2%7D& alt=&\frac{w}{w^{2}+a^2}& eeimg=&1&&都是奇函数，所以形式上令&img src=&///equation?tex=a%3D0& alt=&a=0& eeimg=&1&&的话singular的部分刚好正负抵消。具体地说，我们写&img src=&///equation?tex=%5Cphi%3D%5Cphi_%7B1%7D%2B%5Cphi_%7B2%7D& alt=&\phi=\phi_{1}+\phi_{2}& eeimg=&1&&，其中两项分别是奇函数和偶函数，那么由对称性&img src=&///equation?tex=g%28%5Cphi_%7B2%7D%29%3D0%3D%5Cmathrm%7Bp.v.%7D%5Cbigg%28%5Cfrac%7B2%7D%7Biw%7D%5Cbigg%29%28%5Cphi_%7B2%7D%29& alt=&g(\phi_{2})=0=\mathrm{p.v.}\bigg(\frac{2}{iw}\bigg)(\phi_{2})& eeimg=&1&&，而因为&img src=&///equation?tex=%5Cphi_%7B1%7D%280%29%3D0& alt=&\phi_{1}(0)=0& eeimg=&1&&，所以约掉了singularity之后主值积分就是普通积分，所以&img src=&///equation?tex=g%28%5Cphi_%7B1%7D%29%3D%5Cfrac%7B2%7D%7Bi%7D%5Cint_%7B%5Cmathbb%7BR%7D%7D%5Cfrac%7B%5Cphi_%7B1%7D%28w%29%7D%7Bw%7D%5C%2C%5Cmathrm%7Bd%7Dw%3D%5Cmathrm%7Bp.v.%7D%5Cbigg%28%5Cfrac%7B2%7D%7Biw%7D%5Cbigg%29%28%5Cphi_%7B1%7D%29& alt=&g(\phi_{1})=\frac{2}{i}\int_{\mathbb{R}}\frac{\phi_{1}(w)}{w}\,\mathrm{d}w=\mathrm{p.v.}\bigg(\frac{2}{iw}\bigg)(\phi_{1})& eeimg=&1&&。
（1）\mathrm{sgn}(t)的Fourier变换不是\frac{2}{iw}，因为前者是tempered distribution，后者不是(只有局部可积函数才能被看作distribution)（2）\mathrm{sgn}(t)的Fourier变换是一个tempered distribution（即Schwartz class上的连续线性泛函），对Schwar…
我要打击下题主。 &br&&br&这么短的几句话，漏字，漏标点，中英文标点混用，英文拼写错误，语病...&br&&br&建议不要向这个方向发展。&br&&img src=&/2df1c0bf37a398c498d85d_b.jpg& data-rawwidth=&586& data-rawheight=&123& class=&origin_image zh-lightbox-thumb& width=&586& data-original=&/2df1c0bf37a398c498d85d_r.jpg&&
我要打击下题主。 这么短的几句话，漏字，漏标点，中英文标点混用，英文拼写错误，语病...建议不要向这个方向发展。
其实题主说得很有道理。&br&
让我想起了上学期教我们advanced digital signal processing的老师经常说的一句话。学数字信号处理的悲哀之处在于，你学得越深，就越是越觉得滤波器多余。&br&
低通滤波的实现方法除了用巴特沃思滤波器，切比雪夫滤波器滤波，最简单粗暴的方法就是直接做FFT（快速傅里叶变换）得到信号的频域图。然后直接把不要的（这里是高频段）直接置0，然后在IFFT（快速傅里叶反变换）回来就好了。可以达到完美的无相移，无时延的滤波结果。&br&
巴特沃思滤波器，切比雪夫滤波器滤器存在的意义的话，我个人理解是，采用FFT变化你需要大量的计算，而信号过滤波器只需要卷积就可以了，并不需要做时频转换。这在生产应用中是很重要的。因为不需要多余的计算浪费时间。而且业界用到的滤波器也不需要特别号的滤波效果，大多数是凑合能用就行。&br&
但是随着现在硬件的发展，大家也不愿意为了省那么点时间去用滤波器了。我曾经呆过的一个实验室，做LTE基带信号处理芯片的。遇到需要滤波的直接就一个FFT过去，然后切掉不要频率，再一个IFFT回来。这酸爽，根本停不下来。
其实题主说得很有道理。 让我想起了上学期教我们advanced digital signal processing的老师经常说的一句话。学数字信号处理的悲哀之处在于，你学得越深，就越是越觉得滤波器多余。 低通滤波的实现方法除了用巴特沃思滤波器，切比雪夫滤波器滤波，最简单粗暴…
来自子话题：
国外一般用户基本就不需要什么rmvb的支持。&br&&br&mp4一定程度上算是中国这个盗版大国特有的东西。日本很少见到听到mp4的概念，顶多就是带一点视频播放功能的mp3而已，产品基本上也还是叫mp3播放器的。要看视频要么买/借/租 dvd/bd，要么付费在线/电视看。商场里从来没见过国内那样专门针对看本地视频的大屏幕播放器。能看视频的机子，都是些移动dvd播放机之类的……我也从来没见外国人用过国内那种mp4。本地看视频文件什么至少七八成就代表着是盗版，哪有企业愿意/敢去支持这种违法行为呢。我手机都不好意思在公共场所拿出来看动画什么的。我的导师，教授，怎么说也是个曾经搞编程搞多媒体的，虽然年纪大了点，但都不知道rmvb是什么格式，然后我继续发现他对mkv啊什么的也不知道……再问了同学也都基本不知道……尤其自从flv/mp4/h263等在线视频开始普及，也确实不太见得到real的身影了。&br&&br&就算自己收藏碟片弄到电脑里or自己的片子要转到电脑里，需要编码，现在也一般不会选real吧。&br&Helix Producer是共享软件，而且现在real media的优势也不是那么明显，谁要选啊。而国内一个mp4不支持rmvb准被人骂sb了。
国外一般用户基本就不需要什么rmvb的支持。mp4一定程度上算是中国这个盗版大国特有的东西。日本很少见到听到mp4的概念，顶多就是带一点视频播放功能的mp3而已，产品基本上也还是叫mp3播放器的。要看视频要么买/借/租 dvd/bd，要么付费在线/电视看。商场里从…
离散傅里叶变换：&br&傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。&br&离散化也就是要采样。我们知道，时域等间隔采样，频域发生周期延拓；频域采样，时域发生周期延拓。那么要得到时域频域都离散的结果，显然时域频域都要采样。周期延拓怎么办？只取一个周期就行了。&br&总结一下：&br&第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；&br&第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。&br&第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。&br&这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。&br&&br&FFT：&br&这就是DFT的一种快速算法。&br&复数的加法乘法计算量很大，FFT利用了DFT中WN的周期性和对称性，把一个N项序列按奇偶分组，分为两个N/2项的子序列，继续分解，迭代下去，大大缩减计算量。具体算法就看那张蝶形图吧。&br&FFT对傅氏变换的理论并没有新的发现，但是对于在计算机系统或者说数字系统中应用离散傅里叶变换，可以说是进了一大步。
离散傅里叶变换：傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。离散化也就是要采样。我们知道，时域等间隔采样，频域发生周期延拓；频域采样，时域发生周期延拓。那么要得到时域频域都离散的结果，显然时域频域都…
来自子话题：
通俗的来说，卡尔曼滤波就是平均的一种更优算法（我们知道求平均是一种比较简单的滤波）。&br&&blockquote&&strong&Kalman filter finds the most optimum averaging factor for each consequent state. Also somehow remembers a little bit about the past states&/strong&.&/blockquote&例如，对于&img src=&///equation?tex=x_%7Bk%7D+& alt=&x_{k} & eeimg=&1&&和&img src=&///equation?tex=x_%7Bk-1%7D& alt=&x_{k-1}& eeimg=&1&& 2个时刻的状态，我们可以用其平均来进行初步滤波，即&br&&br&&img src=&///equation?tex=%5Ctilde%7Bx_%7Bk%7D%7D++%3D+0.5%2Ax_%7Bk%7D+%2B+0.5%2Ax_%7Bk-1%7D& alt=&\tilde{x_{k}}
= 0.5*x_{k} + 0.5*x_{k-1}& eeimg=&1&&&br&&br&这其中0.5是一种很简单的权值，平等的考虑了&img src=&///equation?tex=x_%7Bk%7D+& alt=&x_{k} & eeimg=&1&&和&img src=&///equation?tex=x_%7Bk-1%7D& alt=&x_{k-1}& eeimg=&1&& 2个状态的值。&br&&br&但卡尔曼滤波的权值是根据系统状态和噪音计算出的最优权值K:&br&&br&&img src=&///equation?tex=%5Ctilde%7Bx_%7Bk%7D%7D++%3D+K%2Ax_%7Bk%7D+%2B+%5Ctilde%7Bx_%7Bk-1%7D%7D& alt=&\tilde{x_{k}}
= K*x_{k} + \tilde{x_{k-1}}& eeimg=&1&&&br&&br&所以用其滤波，在线性系统中是最优的。&br&可参考（Kalman Filter for &strong&Dummies&/strong&）&a href=&http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&bilgin.esme.org/BitsByt&/span&&span class=&invisible&&es/KalmanFilterforDummies.aspx&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
通俗的来说，卡尔曼滤波就是平均的一种更优算法（我们知道求平均是一种比较简单的滤波）。Kalman filter finds the most optimum averaging factor for each consequent state. Also somehow remembers a little bit about the past states.例如，对于x_{k}…
题主自己来回答一下一年前的提问。&br&为了写新的一篇论文，我对现在的一些research里面常用的视频降噪算法做了一个survey。希望能对其他的关注者提供一些帮助。&br&&br&先做一些限定：&br&1）目前只讨论人为添加的白噪声（i.i.d. white Gaussian noise）。并且一般我们已知噪声的强度（mean = 0, variance已知）。如果不知道的话，有很多算法可以帮忙测算视频的平均噪声强度，或者单帧噪声。&br&2） 对于评价降噪的标准，我们目前只讨论objective的metric，我们使用Peak Signal-to-Noise Ratio（PSNR）来评价。有很多给予视觉主观效果的metric，比如SSIM之类的，我们目前暂时不使用（不过根据我的经验观察，主流的降噪算法，SSIM一般和PSNR成正相关）。&br&&br&结论：&br&1）效果上最优的算法是VBM3D（对，就是那个图像降噪的BM3D的高维版），或者VBM4D（升级版...）。都是芬兰的那个组搞的。&br&安利一下，答主刚刚提交了一篇ICIP论文实现了一个算法（叫VIDOLSAT），可以在比较标准的数据集上beat掉这两个算法，平均大概0.2到0.5dB的样子。这只是一个初步的结果，我们还在work on一些细节，更多的details会在之后的journal里出现。&br&&br&2） 对于实时降噪算法，这两个都不能使用。因为他们都会用到block matching这样的non-local method。实际上，答主发现大部分的视频降噪，效果比较好的都无法做到实时。&br&&br&3）大多数降噪都用到motion compensation之类的步骤。这是因为时间上的redundancy其实比空间上的redundancy要大。&br&&br&4）对于视频来说，我们其实需要算法能够及时adapt到变化的frame上面去。所以根据已知数据的学习概率模型之类的方法在我看来，并不太符合视频降噪的nature。
题主自己来回答一下一年前的提问。为了写新的一篇论文，我对现在的一些research里面常用的视频降噪算法做了一个survey。希望能对其他的关注者提供一些帮助。先做一些限定：1）目前只讨论人为添加的白噪声（i.i.d. white Gaussian noise）。并且一般我们已知…
f(x)做两次是f(-x)，做四次是自己.
f(x)做两次是f(-x)，做四次是自己.
谢邀，前段时间忙，这么久才回答这个问题，实在抱歉。&br&对于题主的问题，我认为问道”有何不足“，首先需要明确”不足“是指在什么方面不足。换而言之，我们做傅里叶变换或者题主提到的其他的变化（题主提到Wavelet，Spectral Analysis），所谓目的为何？&br&之前我有回答过一个问题：&a href=&/question//answer/& class=&internal&&本科学习数字信号处理、数字图像处理、模式识别这一类课程，理解与应用和严格的数学推导哪个更重要？ - Bihan Wen 的回答&/a&&br&里面以傅里叶变换为例子，解释了为什么对于任何的问题，理解到1）定义，2）形象表达，3）为了什么？这三层是很重要的。&br&&br&回到题主的问题，我来简单地回答一下各个问题：&br&1）题主说傅里叶变换很给力，我同意in some sense。Fourier Transform将我们实际接触，直观感受和采样到的信号（无论是Real还是Complex Signal），通过一个固定的变换，抽象出了频域上的分析。从而让我们有了对信号在不同频率上的分解，这对我们解释信号的本质和意义有很大的作用！这里我是从Analysis的角度来看，给出了题主提到的“给力”的证据。&br&&br&2）我再来说说题主提出的Fourier Transform“不足”的角度。前面的答案提到了，傅里叶变换的“有效性”建立在信号要是平稳（smooth）的前提下。这里我认为“有效”与否，是指如果通过保留低频，舍弃高频的方式在频域保存信号，信号的特征是否能够充分地被保留而言。换而言之，利用保留的transform domain上的信息，能够多准确地恢复原有的信号。在这个意义上，“不足”是正确的：并不是所有的信号在Fourier Domain下都集中在低频中！&br&但是在这个意义下，小波变换就一定是最好的吗？如果想通过同样的方式对信号进行特征保留（或者换一个角度：通过存Low Pass，舍弃 High Pass来对信号进行压缩），Wavelet同样对被处理有信号有一定的要求，比如piecewise smooth。不过相较于Fourier，小波变换对于很多的自然图像更有压缩优势：比如在Spatial Domain下，不同的区域里都是smooth的，但是区域间是剧烈变化，这种情况用Wavelet来处理压缩会比用Fourier处理更优一点。并且对于低维信号，Wavelet（或者其他的延伸统称为X-let）有一些theoretical guarantee他的稀疏表达的最优性。&br&&br&但这里我想提出几个问题：&br&a）信号的压缩，是所有的变换的唯一目的吗？&br&b）所谓”不足“和”最优“是以什么目的而做出的判断（For what goal?）&br&&br&对于问题（a），我的回答是否定的。变换(transform）在信号处理领域有很多不同的用处，而压缩只是其中一种。这里举个简单的栗子：图像的降噪。相信很多EE的本科生都做过一个很简单的实验，把一幅图片加上White Gaussian Noise，然后做FFT，保留低频然后zero掉高频，再inverse FFT回来，就得到一幅降噪的图片！&br&&br&对于问题（b），我们在判断这个问题的时候是有很多标准的。还是刚才的栗子：我们之所以可以用Fourier来降噪，用到了一个很简单原理：自然图片在频域往往是低频的，而白噪声在频域是Uniform Distributed的。把这个结论推广一下：我们需要一种Transform，来区别我们想要的信号，和不想要的噪声和干扰。那么如果有这样的一种transform，我们可不可以说他也是流弊的，有用的，“优”的呢？&br&&br&（3）对于题主的第二个和第三个问题，其实现在有很多研究都在提出各种各样所谓“高端”的transform，以用于各种不同的应用和目的。论文不胜枚举。&br&这里我夹杂一点私货，谈一下我正在研究得课题：与其提出一种固定的transform，对于我们感兴趣的数据，为什么不干脆Let the data speak for themselves呢？我们可以学习一种adaptive transform来使得它对于我们要处理的数据在某种意义上最优！这里涉及到信号处理，优化，稀疏表达还有机器学习的知识。我给出两篇我们组的两篇论文：&br&1) Learning Sparsifying Transform: &a href=&http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6339108&tag=1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&IEEE Xplore Abstract&i class=&icon-external&&&/i&&/a&&br&2) OCTOBOS: &a href=&/article/10.-014-0761-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Structured Overcomplete Sparsifying Transform Learning with Convergence Guarantees and Applications&i class=&icon-external&&&/i&&/a&&br&目前我们只探讨了从稀疏性的角度来看学习最优的transform，可以用来压缩，降噪，甚至分类（依照OCTOBOS的分类）和inpainting。至于为什么稀疏表达很重要，我之前有回答过，&br&&a href=&/question//answer/& class=&internal&&稀疏表达的意义在于？为什么稀疏表达得到广泛的应用？ - Bihan Wen 的回答&/a&&br&另外目的意义上的最优，则是open question。
谢邀，前段时间忙，这么久才回答这个问题，实在抱歉。对于题主的问题，我认为问道”有何不足“，首先需要明确”不足“是指在什么方面不足。换而言之，我们做傅里叶变换或者题主提到的其他的变化（题主提到Wavelet，Spectral Analysis），所谓目的为何？之前…
来自子话题：
我所知的原因，并非什么版权考量。而是这些播放设备的解码芯片，不会支持太多编码格式，否则成本要升高，能耗也变大。比如苹果的音频，就是做专了 mp3 和 m4a (Apple Lossless 其实一样)。移动视频芯片就是支持 MPEG 4 。（ipad 上的 VLC 等于调用 CPU 软解码，因此耗电。）另外，rmvb 解码无论软硬都需要Real授权，成本提高，而且这格式本身在全球范围内就是个过时的东西。&br&&br&手机上打的。乱。见谅。
我所知的原因，并非什么版权考量。而是这些播放设备的解码芯片，不会支持太多编码格式，否则成本要升高，能耗也变大。比如苹果的音频，就是做专了 mp3 和 m4a (Apple Lossless 其实一样)。移动视频芯片就是支持 MPEG 4 。（ipad 上的 VLC 等于调用 CPU 软解…}