Sinyaller ve Sistemler

Sinyaller ve Sistemler kapsamında amaç formül ezberlemek değil, zaman alanı ile frekans alanı arasındaki bağı ve bir sistemin sinyali nasıl değiştirdiğini tek çerçevede görmektir.

Ünite 1: Sinyal ve Sistem Temelleri

Sinyal ve sistem

Sinyal bilgi taşıyan bir fonksiyondur; sürekli zamanda x(t), ayrık zamanda x[n] ile gösterilir. Sistem, girişi çıkışa dönüştürür:

x -> sistem -> y

Bir sistem belleksiz, nedensel, BIBO kararlı, zamanla değişmez, doğrusal veya tersinir olabilir. Doğrusallık toplamsallık ve homojenliği birlikte ister; y=2x+3 doğrusal değildir, y[n]=x[n-1] nedenseldir fakat bellek içerir.

Temel sinyaller

Birim basamak ile dürtü arasındaki ayrık zaman bağıntısı:

δ[n] = u[n] - u[n-1]
u[n] = Σ(k=-∞..n) δ[k]

Sürekli zamanda Dirac dürtüsü integral altındaki davranışıyla tanımlanır:

u(t) = ∫(-∞..t)δ(τ)dτ
δ(t) = du(t)/dt
∫x(t)δ(t-t0)dt = x(t0)

Karmaşık üstel:

e^(jωt) = cos(ωt) + j sin(ωt)

sinüzoidal çözümlemenin doğal temelidir. Sürekli zamanda e^(jω0t) her ω0 için periyodikken ayrık zamanda e^(jω0n) ancak ω0/(2π) rasyonelse periyodiktir; ayrık frekans ekseni 2π periyotludur.

Enerji:

E = ∫|x(t)|²dt
E = Σ|x[n]|²

sonluysa enerji sinyali, enerji sonsuz fakat ortalama güç sonlu ve sıfırdan farklıysa güç sinyali elde edilir. Periyodik sinyaller güç sinyalidir.

Zaman dönüşümleri

x(t-t0)   kaydırma
x(-t)     tersleme
x(at)     ölçekleme

Sürekli zamanda ölçekleme serbesttir; ayrık zamanda indislerin tamsayı kalması gerektiğinden örnek atma ve örnek ekleme ayrı işlemlerdir.

Tek ve çift ayrışım:

x_e(t) = [x(t)+x(-t)]/2
x_o(t) = [x(t)-x(-t)]/2

LTI sistemler ve evrişim

Doğrusal ve zamanla değişmez sistem, dürtü tepkisi h ile bütünüyle tanımlanır.

Ayrık zaman:

x[n] = Σ x[k]δ[n-k]
y[n] = Σ x[k]h[n-k] = x[n]*h[n]

Sürekli zaman:

y(t) = ∫x(τ)h(t-τ)dτ = x(t)*h(t)

Evrişim değişmeli, birleşmeli ve toplama üzerine dağılır; seri bağlı LTI sistemlerde dürtü tepkileri evrişir, paralel bağlı sistemlerde toplanır.

Dürtü tepkisi sistem özelliklerini doğrudan verir:

belleksiz   h(t)=Kδ(t)
nedensel    h(t)=0, t<0
kararlı     ∫|h(t)|dt < ∞

Ayrık karşılıkta kararlılık Σ|h[n]|<∞ koşuludur.

Basamak tepkisi ve dürtü tepkisi:

s(t)=u(t)*h(t)
h(t)=ds(t)/dt
h[n]=s[n]-s[n-1]

ile birbirine bağlıdır.

Diferansiyel ve fark denklemleri

Sürekli LTI sistem:

Σ a_k d^k y(t)/dt^k = Σ b_k d^k x(t)/dt^k

ayrık sistem:

Σ a_k y[n-k] = Σ b_k x[n-k]

biçiminde yazılır. Başlangıç koşulları doğal tepkiyi belirler; özyineli ayrık sistemler genellikle IIR, yalnız sonlu giriş örneği kullanan özyinesiz yapılar FIR davranışı verir.

Özfonksiyon ve frekans tepkisi

Karmaşık üsteller LTI sistemlerin özfonksiyonlarıdır:

e^(st) -> H(s)e^(st)
z^n    -> H(z)z^n

Sistem üstel bileşenin biçimini değiştirmez, yalnız katsayısını değiştirir. Bu nedenle H(jω) frekans tepkisi, sinüzoidal bileşenlerin genlik ve faz değişimini doğrudan gösterir.

Ünite 2: Fourier Analizi ve Frekans Alanı

Fourier serisi

T0 periyotlu sinyal ve ω0=2π/T0 için:

x(t)=Σ a_k e^(jkω0t)
a_k=(1/T0)∫(T0)x(t)e^(-jkω0t)dt

a0 ortalama değerdir; gerçek sinyaller eşlenik simetri gösterir. Dirichlet koşulları altında seri süreklilik noktalarında sinyale, sıçramada iki taraflı limitlerin ortalamasına yakınsar.

Sonlu terim sayısında süreksizlik çevresindeki yaklaşık yüzde dokuzluk aşım daralır fakat yok olmaz; Gibbs olayı budur.

Parseval:

(1/T0)∫|x(t)|²dt = Σ|a_k|²

zaman alanındaki ortalama gücü harmoniklerin güç toplamına bağlar. Ayrık zamanlı periyodik sinyalde yalnız N farklı harmonik vardır ve seri sonludur.

Fourier dönüşümü

Dönemsiz sinyal için:

X(jω)=∫x(t)e^(-jωt)dt
x(t)=(1/2π)∫X(jω)e^(jωt)dω

Temel özellikler:

x(t-t0)     <-> e^(-jωt0)X(jω)
dx/dt       <-> jωX(jω)
x(at)       <-> (1/|a|)X(jω/a)
x*h         <-> XH
xh          <-> (1/2π)X*H

Zamanda daralma frekansta genişlemeye dönüşür; ideal zaman sınırlılığı ile ideal bant sınırlılığı aynı anda sağlanamaz.

Temel çiftler:

δ(t)          <-> 1
1             <-> 2πδ(ω)
e^(-at)u(t)   <-> 1/(a+jω)
dikdörtgen    <-> sinc

Evrişimin çarpmaya dönüşmesi, LTI çözümlemenin merkezidir.

DTFT, DFT ve FFT

Ayrık zamanlı Fourier dönüşümü:

X(e^(jω)) = Σx[n]e^(-jωn)
x[n] = (1/2π)∫(2π)X(e^(jω))e^(jωn)dω

olup 2π periyotludur.

Sonlu N örnek için DFT:

X[k]=Σ(n=0..N-1)x[n]e^(-j2πkn/N)
x[n]=(1/N)Σ(k=0..N-1)X[k]e^(j2πkn/N)

kullanılır. DFT veri bloğunu periyodik kabul eder; uçların uyuşmaması spektral sızıntı üretir.

FFT farklı dönüşüm değil, DFT'yi yaklaşık N log N karmaşıklıkla hesaplayan algoritma ailesidir; doğrudan DFT yaklaşık N² işlem gerektirir.

Pencereleme

Sonlu kayıt, sinyalin pencereyle çarpılmasıdır. Dikdörtgen pencere dar ana loba fakat yüksek yan loba, Hann ve Hamming daha düşük sızıntıya, Blackman daha güçlü yan lob bastırmasına karşı daha geniş ana loba sahiptir.

Sıfır doldurma frekans eksenini daha sık örnekler ancak gerçek çözünürlüğü artırmaz; çözünürlüğü esas olarak gözlem süresi belirler.

STFT

Tek Fourier dönüşümü frekansı verir, zamanı vermez. Kısa zamanlı Fourier dönüşümü sinyali örtüşen pencerelerde çözerek zaman-frekans gösterimi üretir:

STFT -> spektrogram

Kısa pencere iyi zaman, uzun pencere iyi frekans çözünürlüğü verir; konuşma, müzik, titreşim, radar ve sonar çözümlemesinde bu ödünleşim doğrudan görülür.

Korelasyon ve güç spektrumu

Çapraz korelasyon:

r_xy[k]=Σx[n]y*[n-k]

iki sinyalin gecikmeye bağlı benzerliğini, otokorelasyon ise sinyalin kendi kaydırılmış kopyalarıyla benzerliğini ölçer. Gecikme kestirimi, periyodiklik, eşleşmiş süzgeç ve senkronizasyon bu işlemi kullanır.

Wiener-Khinchin bağıntısı otokorelasyon ile güç spektral yoğunluğunu Fourier dönüşümüyle bağlar. Periodogram sonlu kayıtta yüksek varyanslıdır; Welch yöntemi örtüşen ve pencerelenmiş blokların spektrumlarını ortalayarak varyansı azaltır.

Kısa zamanlı Fourier dönüşümünden konuşma özelliklerine

Fourier dönüşümü bir kaydın genel frekans içeriğini gösterir; fakat konuşma ve birçok gerçek sinyal zaman içinde değişir. Kısa bir zaman aralığında yaklaşık durağan kabul edilebilen sinyal, örtüşen çerçevelere bölünerek her çerçevede ayrı spektrum hesaplanabilir. Kısa zamanlı Fourier dönüşümü (STFT) bu zaman-frekans görünümünü kurar.

örnekler
→ çerçeveleme
→ pencereleme
→ STFT
→ zaman-frekans katsayıları
→ spektrogram

Çerçeve uzunluğu ve ardışık çerçeveler arasındaki adım birlikte seçilir. Kısa çerçeve hızlı değişimleri daha iyi izlerken frekans ayrımını azaltır; uzun çerçeve frekans ayrımını artırırken zaman yerelleştirmesini zayıflatır. Pencereleme ise sonlu çerçevenin sınırlarında oluşan spektral sızıntıyı denetlemeye yardım eder.

Konuşma işlemede STFT çoğu zaman son özellik değil, sonraki gösterimlerin başlangıcıdır. Tipik bir zincir şöyledir:

STFT
→ güç spektrumu
→ Mel filtre bankası
→ log enerji
→ log-Mel gösterimi

Mel ölçeği frekans eksenini insan işitmesinin algısal çözünürlüğüne daha yakın bir eksende örnekler. Logaritma geniş enerji aralığını sıkıştırır. Log-Mel katsayılarına ek bir dönüşüm uygulanarak cepstral katsayılar elde edilebilir; bu hattın ayrıntısı MFCC ile Konuşma Özellik Çıkarımı ve Ses İşlemede Spektrumdan Cepstruma derslerinde ele alınır.

Bu gösterimleri kalite ölçütleriyle karıştırmamak gerekir. SNR doğrudan sinyal ve gürültü enerjisiyle, PESQ ve STOI algılanan konuşma kalitesi veya anlaşılabilirliğiyle ilgilidir. WER ve CER ise bir konuşma tanıma sisteminin ürettiği metnin hata oranını ölçer. İyi bir sinyal kalitesi düşük WER'i garanti etmediği gibi, tek başına WER de ses iyileştirmenin algısal kalitesini açıklamaz.

Benzer biçimde ses etkinliği algılama (VAD) konuşmanın hangi zaman aralıklarında bulunduğunu belirleyen bir bölümleme problemidir; MFCC veya log-Mel ise seçilen zaman aralıklarını sayısal özelliklerle temsil eder. Modern konuşma tanıma sistemleri bu kavramları farklı biçimlerde birleştirebilir. Uçtan uca örnek için Konuşma Tanıma Sistemlerinde Whisper Mimarisi ayrı bir incelemedir.

Temel ders şudur: zaman alanındaki örnekten model girdisine giderken her dönüşüm belirli bilgiyi korur, vurgular veya azaltır. Özellik çıkarımını yalnız “modele uygun tensör üretme” işlemi olarak değil, sinyal bilgisinin kontrollü yeniden gösterimi olarak değerlendirmek gerekir.

Spektrumdan cepstruma, MFCC'ye ve ASR model girdisine

STFT ile elde edilen zaman-frekans gösterimi, konuşma işlemeye giden zincirin yalnız ilk dönüşümüdür. Güç spektrumunun logaritması çarpımsal spektral bileşenleri toplamsal yapıya dönüştürür; log spektrumuna ikinci bir dönüşüm uygulandığında cepstrum ekseni elde edilir. Gerçek cepstrumda bu dönüşüm çoğunlukla ters Fourier dönüşümüdür. MFCC hattında ise önce Mel filtre bankasıyla spektral enerji bantları oluşturulur, logaritma alınır ve bu log enerjilere çoğunlukla DCT uygulanır. Bu nedenle MFCC ile gerçek cepstrum aynı nesne değildir; ortak fikir, logaritmik spektral yapıyı daha ayrıştırılabilir ve düşük boyutlu katsayılara taşımaktır (Davis ve Mermelstein, 1980; Oppenheim ve Schafer, 2004).

Bu ayrım model girdisini yorumlarken önemlidir. Klasik konuşma tanıma sistemleri MFCC gibi elle tasarlanmış özellikleri yaygın biçimde kullanırken bazı modern sistemler log-Mel spektrogramını doğrudan sinir ağına verir. Whisper buna açık bir örnektir (Radford vd., 2022). "Model cepstrum kullanmıyor" ifadesi bu yüzden "Fourier ve log-spektral temsil önemsiz hale geldi" anlamına gelmez; dönüşümlerin bir bölümü yalnızca ağın önüne veya içine taşınmıştır.

Bu teorik zincirin uygulama bağlamı sitedeki Ses İşlemede Spektrumdan Cepstruma, MFCC ile Konuşma Özellik Çıkarımı ve Konuşma Tanıma Sistemlerinde Whisper Mimarisi notlarında ayrı katmanlarda sürdürülür. Ortak yazarlı Görüntü ve Ses İşleme (Kitap Bölümü) ise seste öznitelik vektörleri, konuşma tanıma ve konuşmacı tanıma başlıklarını aynı yayımlanmış çalışma içinde bir araya getirir. Bu bağlantı kişisel provenance sağlar; Fourier, cepstrum ve MFCC hakkındaki genel iddialar bağımsız akademik kaynaklarla temellendirilir.

Otokorelasyon ve güç spektral yoğunluğu

Otokorelasyon bir sinyalin gecikmiş kopyasıyla benzerliğini gecikmenin fonksiyonu olarak ölçer. Geniş anlamda durağan bir süreç için:

R_xx(tau) = E[x(t) x(t+tau)]

biçiminde düşünülür. Wiener-Khinchin ilişkisi, uygun koşullarda güç spektral yoğunluğunu otokorelasyonun Fourier dönüşümüyle bağlar. Böylece zaman alanındaki gecikme yapısı ile frekans alanındaki enerji dağılımı aynı ikinci-mertebe bilginin iki görünümüdür.

Sonlu kayıtta hesaplanan periodogram gerçek PSD'nin kendisi değil bir kestirimdir. Pencere, segment uzunluğu ve ortalama alma seçimi frekans çözünürlüğü ile varyans arasında ödünleşim oluşturur.

Ünite 3: Örnekleme, Çok Hızlı İşleme ve Süzgeçler

Örnekleme ve nicemleme

Dürtü katarıyla örnekleme:

x_p(t)=x(t)Σδ(t-nT)

spektrumun ωs=2π/T aralıklarla kopyalanmasına yol açar:

X_p(jω)=(1/T)ΣX(j(ω-kωs))

Bant sınırı ωM ise ωs>2ωM koşulu spektral kopyaları ayırır. 2ωM Nyquist oranıdır; gerçek örnekleme hızı uygulamanın seçtiği değerdir.

Örtüşme (aliasing), yüksek frekansların düşük frekans olarak görünmesidir ve örnekleme anında geri döndürülemez bilgi kaybı üretir. Bu yüzden gerçek zincir:

analog -> kenar süzgeci -> örnekle/tut -> ADC -> sayısal veri

şeklindedir.

Örnekleme zamanı, nicemleme genliği ayrıklaştırır. İdeal B bit ADC 2^B seviye üretir ve tam ölçek sinüzoidinde yaklaşık:

SNR ≈ 6.02B + 1.76 dB

sınırına sahiptir. Gerçekte termal gürültü, saat titreşimi ve doğrusal olmama ENOB değerini düşürür.

İdeal geri kazanım sinc aradeğerlemesidir; gerçek DAC sıfırıncı derece tutucu ve analog yeniden yapılandırma süzgeci kullanır.

Çok hızlı işleme

Ondalıklama:

alçak geçiren -> M ile örnek azalt

aradeğerleme:

L-1 sıfır ekle -> alçak geçiren

biçimindedir. Ön süzme olmadan ondalıklama ayrık alanda örtüşme üretir; aradeğerleme süzgeci spektral görüntüleri temizler.

L/M oranlı örnekleme hızı dönüşümünde polifaz yapıları daha sonra atılacak hesapları baştan yapmayarak işlemi verimli hale getirir.

Süzgeçler

Temel süzgeçler alçak geçiren, yüksek geçiren, bant geçiren, bant durduran ve tüm geçirendir. İdeal keskin sınır nedensel değildir; gerçek tasarım geçiş bandı, dalgalanma, bastırma, faz, derece ve maliyet arasında seçim yapar.

FIR:

y[n]=Σ b_k x[n-k]

geri beslemesiz, sonlu tepkili ve uygun simetriyle tam doğrusal fazlı olabilir.

IIR:

y[n]=-Σa_k y[n-k]+Σb_k x[n-k]

daha az katsayıyla yüksek seçicilik sağlayabilir fakat kutup kararlılığı ve sayısal duyarlılık gerektirir.

Klasik aileler:

• Butterworth: düz geçirme bandı,
• Chebyshev I: geçirme bandı dalgalı, keskin geçiş,
• Chebyshev II: durdurma bandı dalgalı,
• elliptic: iki bantta dalgalı, çok keskin geçiş,
• Bessel: faz ve grup gecikmesi düzgünlüğü.

Faz ve grup gecikmesi

Bozulmasız iletim:

H(jω)=Ke^(-jωt0)

gerektirir; genlik sabit, faz doğrusal olmalıdır.

Grup gecikmesi:

τg(ω)=-d∠H(jω)/dω

dar bantlı zarf gecikmesidir. Frekansla değişirse darbeler yayılır ve haberleşme sembolleri bozulabilir.

Bode genliği:

20log10|H(jω)|

ile gösterilir; kaskat sistemlerin çarpılan kazançları dB alanında toplanır.

Yeniden örnekleme, interpolasyon ve örnekleme hızı dönüşümü

Bir ayrık sinyalin örnekleme hızını değiştirmek yalnız indeksleri seyrekleştirmek veya araya sıfır koymak değildir. Upsampling sonrası görüntü spektrumlarını bastırmak için interpolasyon filtresi, downsampling öncesi ise yeni Nyquist sınırının üstündeki bileşenleri bastırmak için anti-aliasing filtresi gerekir.

Rasyonel oran için:

L / M

biçimindeki örnekleme hızı dönüşümü kavramsal olarak L kat yükseltme, uygun alçak geçiren süzme ve M kat azaltma şeklinde düzenlenebilir. Uygulamada polyphase yapılar gereksiz hesapları azaltır.

Bu işlem ses örnekleme hızı dönüşümü, sensör füzyonu ve farklı zaman tabanlarındaki veri akışlarının hizalanmasında kullanılır. Genel interpolasyon teorisi Nümerik Analizde, burada ise band-sınırlı sinyal ve aliasing koşulları açısından ele alınır.

Ünite 4: Laplace, z-Dönüşümü ve Durum Uzayı

Laplace dönüşümü

X(s)=∫x(t)e^(-st)dt
s=σ+jω

Laplace dönüşümü Fourier çözümlemesini üstel ağırlık ve yakınsama bölgesiyle genişletir. Aynı cebirsel ifade farklı ROC ile farklı zaman sinyallerine karşılık gelebilir.

Nedensel rasyonel sistemde ROC en sağ kutbun sağındadır; kararlılık için jω ekseni ROC içinde olmalıdır. Nedensel ve kararlı sürekli sistemin kutupları sol yarı düzlemdedir.

Sistem fonksiyonu:

H(s)=Y(s)/X(s)

başlangıçta durgun diferansiyel denklemden elde edilir. Tek taraflı dönüşüm:

L{dx/dt}=sX(s)-x(0-)

ile başlangıç koşullarını doğrudan taşır.

z-dönüşümü

X(z)=Σx[n]z^(-n)

ayrık sistemlerin Laplace karşılığıdır. z=re^(jω) için birim çember DTFT'ye karşılık gelir.

Nedensel rasyonel ayrık sistemde ROC en dış kutbun dışındadır; kararlılık için birim çember ROC içinde olmalıdır. Nedensel ve kararlı sistemin tüm kutupları birim çemberin içindedir.

Fark denkleminden:

H(z)=B(z)/A(z)

elde edilir. Kutupların birim çembere yaklaşması tepkiyi uzatır ve frekans seçiciliğini artırır.

Sayısal gerçekleme

Yüksek dereceli IIR süzgeci tek polinom biçiminde çalıştırmak sayısal olarak kırılgandır; ikinci dereceden bölümler daha güvenlidir:

H(z)=H1(z)H2(z)...Hm(z)

Sabit noktalı sistemlerde taşma, yuvarlama, katsayı nicemlemesi ve limit çevrimi gerçek sistem davranışıdır. Teorik olarak aynı aktarım fonksiyonuna sahip doğrudan, kaskat ve paralel yapılar sonlu hassasiyette farklı sonuç verebilir.

Durum uzayı

Aktarım fonksiyonu giriş-çıkışı, durum uzayı sistemin iç belleğini gösterir.

Sürekli zaman:

x_dot=Ax+Bu
y=Cx+Du

Ayrık zaman:

x[n+1]=Ax[n]+Bu[n]
y[n]=Cx[n]+Du[n]

Durum, gelecek giriş bilindiğinde sistemin geleceğini belirlemek için gereken en küçük iç bilgi kümesidir. Çok girişli çok çıkışlı sistemler, denetlenebilirlik ve gözlenebilirlik bu gösterimde doğal hale gelir.

Kontrol edilebilirlik, gözlenebilirlik ve Kalman filtresine köprü

Durum uzayı modeli:

x_(k+1) = A x_k + B u_k
y_k     = C x_k + D u_k

biçiminde yazıldığında iki yapısal soru ortaya çıkar. Kontrol edilebilirlik, uygun girişlerle durum uzayında gerekli hareketin üretilebilirliğini; gözlenebilirlik, çıktı geçmişinden iç durumun ayırt edilebilirliğini sorgular.

Bu özellikler yalnız denetim teorisi için değil durum kestirimi için de önemlidir. Kalman filtresi doğrusal-Gaussian modelde model tahmini ile ölçümü, belirsizlik kovaryanslarını kullanarak birleştiren özyinelemeli bir durum kestiricisidir.

Bu derste amaç Kalman denklemlerini ayrıntılı türetmek değil, filtreyi "bir yumuşatma algoritması" olarak görmek yerine durum uzayı, gürültü modeli ve gözlenebilirlik bağlamına yerleştirmektir. İstatistiksel yorum Olasılık ve İstatistik dersindeki koşullu dağılım ve Gaussian yapı ile tamamlanır.

Ünite 5: Haberleşme, Geri Besleme ve Gerçek Sistem Zincirleri

Modülasyon ve haberleşme

Genlik modülasyonunun çekirdeği:

x(t)cos(ωct)
<->
(1/2)[X(j(ω-ωc))+X(j(ω+ωc))]

Senkron çözme taşıyıcı fazını ister; zarf çözme alıcıyı basitleştirir fakat taşıyıcıya güç harcar. Tek yan bant aynı bilgiyi yarı bant genişliğinde taşır.

Frekans modülasyonu bilgiyi anlık frekansa yerleştirir ve daha fazla bant karşılığında genlik gürültüsüne dayanıklılık sağlar.

PAM sembol genliklerini, QAM dik fazlı iki taşıyıcı bileşenini kullanır. Bant sınırlaması simgeler arası girişim üretir; yükseltilmiş kosinüs ve kök yükseltilmiş kosinüs darbeleri bant ile zamanlama dayanıklılığını dengeler.

OFDM çok sayıda dik alt taşıyıcıyı DFT/FFT ile gerçekler. Çevrimsel önek, yeterli uzunlukta olduğunda kanal evrişimini frekans alanında kolay eşitlenebilir hale getirir; bedeli ek yük, yüksek tepe-ortalama güç oranı ve frekans kaymasına duyarlılıktır.

Eşleşmiş süzgeç

Bilinen bir dalga biçimini beyaz gürültü içinde algılarken örnekleme anındaki SNR'ı en büyük yapan LTI sistem eşleşmiş süzgeçtir; dürtü tepkisi hedef sinyalin zaman terslenmiş eşleniğiyle orantılıdır. Radar, sonar, sayısal haberleşme ve korelasyon tabanlı tespit aynı sonuca dayanır.

Geri besleme

Negatif geri besleme:

Q=H1/(1+H1H2)

biçimindedir ve kapalı çevrim kutupları 1+H1H2=0 denklemiyle belirlenir.

Geri besleme duyarlılığı ve bozucuyu azaltabilir, izlemeyi iyileştirebilir ve kararsız bir sistemi kararlılaştırabilir; uygun olmayan faz koşulunda kararlı sistemi de kararsızlaştırabilir.

Kök yer eğrisi kutupların kazançla hareketini, Nyquist ölçütü -1 çevresindeki kuşatmalar üzerinden kapalı çevrim kararlılığını gösterir. Kazanç ve faz payları model hatası ve gecikmeye karşı kalan güvenlik mesafesidir; saf gecikme genliği değiştirmeden faz payını tüketir.

Gerçek sistem zinciri

Teoride ayrı başlıklar uygulamada birleşir:

fiziksel kaynak
-> analog ön uç
-> kenar süzgeci
-> ADC
-> tampon
-> sayısal süzgeç
-> dönüşüm / özellik
-> karar / kodlama
-> iletim / saklama

Gerçek zamanlı sistemde doğruluk kadar gecikme, blok boyu, hesap karmaşıklığı, bellek erişimi, sayısal hassasiyet, saat sapması ve örnek kaybı da önemlidir. Uzun FFT frekans aralığını sıklaştırır fakat blok gecikmesini; uzun FIR seçiciliği artırır fakat işlem maliyeti ve grup gecikmesini büyütür.

Tek çerçeve

zaman alanı          dönüşüm alanı
------------------   ----------------
evrişim              çarpma
türev / fark         frekans ağırlığı
kaydırma              faz çarpanı
üstel giriş           skaler kazanç
kararlılık            kutup + ROC

Fourier serisi periyodik sinyali harmoniklere, Fourier dönüşümü dönemsiz sinyali sürekli spektruma ayırır. Laplace sürekli sistemde, z-dönüşümü ayrık sistemde yakınsama bölgesini ekler.

Sürekli kararlılık sınırı jω ekseni, ayrık karşılığı birim çemberdir; örnekleme iki frekans eksenini ω=ΩT bağıntısıyla bağlar.

Temel ayrımlar

• Doğrusallık, sıfır girişte sıfır çıkış gerektirir.
• Nedensellik gerçek zamanlı fiziksel çalışmada zorunludur; kayıtlı veri nedensel olmayan işleme izin verir.
• BIBO kararlılık mutlak integrallenebilir veya toplanabilir dürtü tepkisi ister.
• Ayrık sinüzoid yalnız normalize frekansı rasyonelse periyodiktir.
• DTFT sürekli ve periyodik frekans değişkenine, DFT sonlu frekans örneklerine sahiptir.
• FFT yeni dönüşüm değil DFT hesaplama yöntemidir.
• Sıfır doldurma gerçek çözünürlüğü artırmaz.
• Örnekleme zamanı, nicemleme genliği ayrıklaştırır.
• Nyquist oranı alt sınır, örnekleme hızı seçilen değerdir.
• Örtüşme geri döndürülemez bilgi kaybıdır.
• Ondalıklama öncesi bant sınırlama gerekir.
• FIR sonlu ve geri beslemesizdir; IIR kutup kararlılığı gerektirir.
• Doğrusal faz sıfır faz değildir.
• Laplace ve z-dönüşümü ROC olmadan eksiktir.
• Sürekli nedensel-kararlı sistem kutupları sol yarı düzlemde, ayrık karşılığı birim çember içindedir.
• Aynı aktarım fonksiyonu farklı sayısal yapılarda sonlu hassasiyet nedeniyle farklı davranabilir.
• Açık çevrim kararlılığı kapalı çevrim kararlılığını tek başına belirlemez.

Örnekleme, aliasing ve pencereleme

Örnekleme teoremi yalnız örnekleme frekansını "sinyalin iki katı" seçmek değildir. Gerçek sinyal çoğu zaman sınırsız spektruma sahiptir; ADC öncesi anti-aliasing filtresi, ilgilenilen bandın dışında kalan enerjiyi yeterince bastırmalıdır.

Sonlu uzunlukta kayıt üzerinde FFT almak da spektrumu doğrudan "görmek" değildir. Kayıt penceresi, gerçek sinyalin spektrumunu pencere spektrumuyla yayar. Frekans tam FFT bin'ine oturmadığında leakage oluşabilir; pencere seçimi ana lob genişliği ile yan lob bastırma arasında ödünleşmedir.

Genlik ölçümünde pencerenin coherent gain'i, güç spektrumunda eşdeğer gürültü bant genişliği dikkate alınmalıdır. Böylece FFT grafiği yalnız görsel çıktı değil, ölçüm aracı hâline gelir.

Sinyal analizinde ölçek ve örnekleme koşulu

Bir FFT grafiği, kayıt süresi ve örnekleme frekansı belirtilmeden tam olarak yorumlanamaz. Frekans çözünürlüğü, pencere, zero-padding ve genlik ölçekleme sonucu etkiler. Zero-padding spektral bilgi eklemez; yalnız örneklenen frekans eksenini daha sık gösterir.

LTI sistem sonucunda zaman ve frekans alanı birbirini kontrol etmek için kullanılabilir. Konvolüsyonla elde edilen çıktı ile transfer fonksiyonu üzerinden bulunan sonuç uygun koşullarda uyuşmalıdır.

Fiziksel ölçümde anti-alias filtresi ve sensör bant genişliği de modelin parçasıdır. Nyquist koşulunu yalnız örnekleme frekansına bakarak değerlendirmek, ADC öncesindeki analog içeriği gözden kaçırabilir.

Sinyal İşleme ile Yapay Zekâ Arasındaki Etkileşim

Bir öğrenme modeli fiziksel ölçüm zincirinin dışına çıkamaz. Sinyal işleme ölçümü örneklenmiş ve anlamlı bir temsile dönüştürür; öğrenme yöntemleri bu temsiller üzerinde sınıflandırma, kestirim, ayrıştırma veya yeniden oluşturma yapar. Modern sistemlerde bazı klasik özellik çıkarım adımları model tarafından öğrenilse de örnekleme, bant sınırlama ve ölçüm fiziği ortadan kalkmaz.

Fiziksel sinyalden model girdisine

Bir ses, titreşim veya haberleşme sinyali önce ölçülür ve örneklenir. Nyquist koşulu ihlal edilmişse aliasing oluşur. Bu hata daha sonra yapay sinir ağına daha fazla veri verilerek deterministik biçimde geri alınamaz; farklı frekans bileşenleri aynı sayısal frekansa katlanmıştır. Bu nedenle anti-alias süzme ve örnekleme hızı AI hattının dışı değil, ön koşuludur.

fiziksel sinyal
↓
örnekleme
↓
sayısal temsil
↓
zaman / frekans / zaman-frekans dönüşümü
↓
öğrenme modeli

Fourier ve zaman-frekans temsili

Konuşma ve birçok akustik olay durağan değildir. Tüm kaydın tek Fourier dönüşümü zaman içindeki değişimi gizler. Kısa Zamanlı Fourier Dönüşümü (STFT), sinyali pencerelere ayırarak yerel spektrumu verir. Pencere uzunluğu zaman ve frekans çözünürlüğü arasında denge kurar.

Bir model spektrogram ile eğitiliyorsa pencere, ilerleme adımı (hop size), örnekleme hızı ve ölçekleme model sözleşmesinin parçasıdır. Eğitimde 16 kHz, üretimde farklı örnekleme veya farklı STFT ayarı kullanmak boyutlar aynı kalsa bile veri dağılımını değiştirir.

Klasik özellikten öğrenilmiş temsile

Klasik konuşma tanımada MFCC, filtre bankası enerjisi veya spektral özellikler elle tanımlı ön uç olarak kullanılmıştır. Modern öğrenen modeller ham dalga biçimi veya daha düşük seviyeli temsil üzerinden özellikleri kısmen öğrenebilir. Bu geçiş, sinyal işleme bilgisini geçersiz kılmaz. Modelin ilk katmanları da sonuçta belirli bant ve zaman ölçeklerine duyarlı filtreler öğrenir; fark, filtrelerin katsayılarının görev verisinden elde edilmesidir.

klasik yaklaşım: sinyal → tasarlanmış özellik → sınıflandırıcı
öğrenen yaklaşım: sinyal → öğrenilmiş temsil → karar

İki yaklaşım hibrit de olabilir. Örneğin log-Mel spektrogram fiziksel ve algısal ön bilgi taşırken sonraki temsil yapay sinir ağı tarafından öğrenilebilir.

Konvolüsyonun iki anlamı

LTI sistemlerde konvolüsyon sistem cevabını tanımlar:

y[n] = Σ x[k] h[n-k]

Evrişimli yapay sinir ağında (CNN) benzer kayan çekirdek işlemi kullanılır, ancak çekirdek fiziksel dürtü yanıtı olmak zorunda değildir; eğitimle öğrenilen bir özellik dedektörüdür. Matematiksel operatör benzer olsa da modelleme anlamı farklıdır. Bu ayrım, “CNN fiziksel LTI sistemdir” gibi yanlış bir eşitlemeyi önler.

Gürültü, artırma ve sağlamlık

Sinyal gürültüsü ile veri artırma aynı kavram değildir. Gerçek sensör gürültüsü fiziksel süreçten gelir; veri artırma eğitim sırasında kontrollü değişkenlik ekler. Gerçek dağılımı temsil etmeyen veri artırma modeli daha sağlam yapmak yerine farklı bir probleme optimize edebilir. SNR, kırpılma, yankılanma ve kanal etkileri mümkün olduğunca gerçek çalışma koşullarına göre modellenmelidir.

Öğrenme sinyal işleme problemlerine ne katar?

Gürültü giderme, kaynak ayrıştırma, konuşma tanıma, akustik olay algılama ve kanal kestirimi gibi görevlerde öğrenen yöntemler klasik modelin zor kurulduğu yüksek boyutlu örüntüleri kestirebilir. Fakat model çıktısı fiziksel sinyal ile aynı şey değildir. Örneğin konuşma iyileştirme modelinin ürettiği temiz ses, girişte gerçekten var olmayan bileşenler oluşturabilir. Adli veya ölçümsel kullanımda bu ayrım kritiktir.

Değerlendirme katmanları

Tek bir yapay zekâ metriği yeterli değildir. Sistem şu katmanlarda ölçülebilir:

ölçüm kalitesi → SNR / kırpılma / örnekleme
sinyal dönüşümü → spektral veya zaman alanı hata
model görevi → WER / doğruluk / F1 / görev metriği
sistem → gecikme / RTF / iş hacmi

Bir katmandaki iyileşme diğerinde otomatik iyileşme anlamına gelmez. Örneğin algısal olarak daha temiz ses, ASR için daha düşük WER sağlamayabilir.

Sinyal işleme yapay zekâdan önce gelen basit bir “ön işleme” alanı değildir; yapay zekâ da klasik DSP'nin otomatik alternatifi değildir. Fiziksel ölçümün hangi bilgiyle sayısallaştığını sinyal işleme, bu bilgiden hangi kararın veriden öğrenilebileceğini ise öğrenme yöntemi belirler. Güvenilir sistem iki katmanı aynı ölçüm zincirinde ele alır.

Temsil Alanını Problemin Yapısına Göre Seçmek

Sinyaller ve Sistemler dersindeki dönüşümler aynı sinyali farklı bir “dilde” ifade eder. Zaman alanı örneklerin ne zaman ve hangi genlikle ortaya çıktığını gösterir; frekans alanı ise değişimin hangi frekans bileşenlerinden oluştuğunu görünür kılar. Doğrusal zamanla değişmeyen bir sistemde zaman alanındaki evrişim, frekans alanında çarpıma dönüşür. Bu nedenle uzun bir evrişim hesabı yerine Y(f) = X(f)H(f) ilişkisi daha uygun olabilir. Buna karşılık geçiş anı, gecikme veya darbe cevabının zamansal yapısı soruluyorsa zaman alanı daha açıklayıcıdır.

Fourier serisi periyodik sinyalleri ayrık harmonik bileşenlerle, Fourier dönüşümü periyodik olmak zorunda olmayan sinyalleri sürekli frekans gösterimiyle ele alır. Laplace dönüşümü frekans yorumunu büyüme ve sönüm davranışını da içeren karmaşık düzleme taşır; yakınsama bölgesi bu nedenle yalnız teknik ayrıntı değildir. Ayrık zamanlı sistemlerde z dönüşümü benzer işlevi görür ve kutupların birim çembere göre konumu kararlılıkla doğrudan ilişkilidir.

Örnekleme konusunda en kritik ayrım, yüksek örnekleme hızının sonradan her problemi çözmeyeceğidir. Nyquist koşulu, örneklemeden önce bant sınırlı olduğu kabul edilen sinyal için bir yeniden oluşturma koşuludur. Örnekleme sırasında frekanslar üst üste katlanıp aliasing oluştuğunda kaybolan ayrım genel olarak sayısal bir süzgeçle geri getirilemez.

Bir problemi çözerken sinyalin sürekli mu ayrık mı, periyodik mi, sistemin LTI varsayımını sağlayıp sağlamadığı ve hangi bilginin korunmak istendiği önce belirlenmelidir. Dönüşüm seçimi bundan sonra gelir. Böyle bakıldığında Fourier, Laplace ve z dönüşümleri birbirinin rakibi değil, farklı varsayımlar altında aynı sistem davranışını görünür kılan araçlardır.

İleri Düzey Genişletme: Sinyal Ölçümünde Aykırı Değer ve Dayanıklı Özellik Çıkarımı

Robust istatistik, modelin ideal varsayımlarından küçük sapmalar olduğunda tahminin ne kadar bozulduğunu inceler. Medyan ve MAD gibi dayanıklı özetlerin yanında influence function ve breakdown point, bir tahmin edicinin aykırı gözlemlere duyarlılığını daha biçimsel tanımlar. Özellikle ağır kuyruklu veya kontamine veride yalnız ortalama ve standart sapmaya dayalı kararlar yanıltıcı olabilir.

Sinyaller ve Sistemler bağlamında bu yaklaşım şu noktalarda somutlaştırılabilir:

• Impulsive noise altında ortalama tabanlı özelliklerin nasıl bozulduğunun gösterilmesi.
• Median tabanlı filtre/özetlerin hangi tür bozucuya karşı avantaj sağladığının belirtilmesi.
• Anomali bastırma ile gerçek transient olayın silinmesi arasındaki riskin korunması.

Bu bölümdeki amaç, mevcut temel anlatımı değiştirmek değil; kavramların yüksek hacimli, eşzamanlı veya hata toleranslı sistemlerde hangi ölçüm ve doğruluk sınırlarıyla kullanılacağını görünür kılmaktır. Bir optimizasyon önerisi ölçümle doğrulanmadıkça, bir ilişki ölçüsü nedensellik göstermedikçe ve yaklaşık bir algoritmanın hata sınırı belirtilmedikçe sonuç kesin kabul edilmemelidir.

Kavramsal kaynak dayanağı: Peter J. Huber; Elvezio M. Ronchetti — Robust Statistics; Mor Harchol-Balter — Performance Modeling and Design of Computer Systems.

Kaynakça

• Alan V. Oppenheim; Ronald W. Schafer. (2004). From Frequency to Quefrency: A History of the Cepstrum. IEEE Signal Processing Magazine, 21(5), 95-106. doi:10.1109/MSP.2004.1328092

• Alec Radford; Jong Wook Kim; Tao Xu; Greg Brockman; Christine McLeavey; Ilya Sutskever. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. arXiv. doi:10.48550/arXiv.2212.04356

• Alex Graves, Abdel-rahman Mohamed, Geoffrey Hinton. “Speech Recognition with Deep Recurrent Neural Networks.” ICASSP, 2013. https://doi.org/10.1109/ICASSP.2013.6638947

• Cooley, J. W., & Tukey, J. W. “An Algorithm for the Machine Calculation of Complex Fourier Series.” Mathematics of Computation, 19(90), 1965. https://doi.org/10.1090/S0025-5718-1965-0178586-1

• Franklin, G. F., Powell, J. D., & Emami-Naeini, A. Feedback Control of Dynamic Systems, 8th ed. Pearson, 2019.

• Geoffrey Hinton et al. “Deep Neural Networks for Acoustic Modeling in Speech Recognition.” IEEE Signal Processing Magazine, 29(6), 2012. https://doi.org/10.1109/MSP.2012.2205597

• Harris, F. J. “On the Use of Windows for Harmonic Analysis with the Discrete Fourier Transform.” Proceedings of the IEEE, 66(1), 1978. https://doi.org/10.1109/PROC.1978.10837

• Haykin, S., & Van Veen, B. Signals and Systems, 2nd ed. Wiley, 2003.

• Lathi, B. P. Linear Systems and Signals, 2nd ed. Oxford University Press, 2005.

• Lyons, R. G. Understanding Digital Signal Processing, 3rd ed. Pearson, 2011.

• Oppenheim, A. V., & Schafer, R. W. Discrete-Time Signal Processing, 3rd ed. Pearson, 2010.

• Oppenheim, A. V., Willsky, A. S., & Nawab, S. H. Signals and Systems, 2nd ed. Prentice Hall, 1997.

• Proakis, J. G., & Manolakis, D. G. Digital Signal Processing: Principles, Algorithms, and Applications, 4th ed. Pearson, 2007.

• Proakis, J. G., & Salehi, M. Digital Communications, 5th ed. McGraw-Hill, 2007.

• Shannon, C. E. “Communication in the Presence of Noise.” Proceedings of the IRE, 37(1), 1949. https://doi.org/10.1109/JRPROC.1949.232969

• Steven Davis; Paul Mermelstein. (1980). Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences. IEEE Transactions on Acoustics, Speech, and Signal Processing, 28(4), 357-366. doi:10.1109/TASSP.1980.1163420

• Welch, P. D. “The Use of Fast Fourier Transform for the Estimation of Power Spectra.” IEEE Transactions on Audio and Electroacoustics, 15(2), 1967. https://doi.org/10.1109/TAU.1967.1161901