매트랩 이용하여 자신의 목소리 취득후 신호 처리 하는 코딩및 출력

소개글

1-1. 자신의 음성을 3초 동안 녹음해서 ‘자신의이름.wav’파일을 만들어 보라.
1-2. 위에서 만든 .wav 파일을 읽어들여 data로 저장하고 이 데이터를 시간에 따라 plot해 보아라.
2-1. 이 신호에서 0.5초에서 2.5초까지 2초 동안의 신호를 추출하여 random process X라 하고 X의 평균 power P를 구해보라.
2-2. X의 frequency 성분을 plot해 보아라. 이 때 신호의 크기가 2^14이므로 2^14 point FFT를 이용하여 magnitude를 plot해 본다.
2-3. 이 신호 X의 autocorrelation function을 구해보라.
2-4. power spectral density의 magnitude를 plot해 보아라.
3-1. 위 random process (X)에 additive white guassian noise (AWGN) N을 더하여 새로운 random process Y (= X+N) 를 만들어 보아라. 이 때 noise power는 signal power P의 10%로 한다. Y를 plot해 보고 Y를 소리로 들어보라 어떤가?
3-2. 신호 Y의 average power PY를 구해보고 실제 PY가 P의 1.1배 정도가 되는지 확인하라.
3-3. Y의 Fourier transform을 구하기 위해 Y에 대해 FFT를 수행해 보고 magnitude를 plot해 본다. Y의 FFT에서 2-2에서 구한 X의 FFT를 빼서 noise의 FFT를 구한 후 magnitude를 plot해 보라.
3-4. Y의 autocorrelation을 구해보고 plot해 보라.
3-5. 위에서 구한 Y의 autocorrelation function과 X의 autocorrelation function과의 차이를 plot해 보라. 이를 Noise의 autocorrelation function과 비교해 보라. 어떠한가? 만약 차이가 난다면 그 원인에 대해 논하라.
3-6. Y의 autocorrelation을 FFT하면 Y의 power spectral density를 구할 수 있다. Y의 PSD를 구해 plot해 보라. Noise의 PSD도 구해 보라. Y의 PSD, X의 PSD, N의 PSD 사이의 관계에 대해 논하라.
4-1. Matlab의 ‘conv’ function을 이용하여 signal Y를 위의 gaussian filter와 convolution해 보고 이를 plot 해 보라. 또한 이 신호 Z를 들어보라. 어떠한가?
4-2. 위 Y*G를 Z라는 random process라 정의할 때 Z의 FFT를 plot해 보라.
4-3. Z의 autocorrelation을 구한 후 이를 FFT해 서 Z의 PSD를 구해 보라.
4-4. Z의 PSD에서 원래 신호 X의 PSD를 뺀 차이를 구해보라. 이것이 Gaussian filtering 후 noise spectrum이다. Y의 noise power와 Z의 noise power를 비교하면 어떠한가? Filtering의 효과는 무엇인가?

이 문제에 대한 매트랩 코딩

컴파일 실행환경

Matlab(매트랩)

참고 자료

없음