网课链接（是一个开设给研究生的课程）
离散时间信号处理吴炳飞

概论

课程目标是建立基本的DSP观念

DSP 的研究对象：信号

要将模拟信号转换为数字信号，必须知道所研究信号的特性（对数字的敏感）

?e.g.语音信号的采样频率为什么选择8KHz？MP3为什么用44.1KHz而不是48或32？

✏️如果每次采样用8个字节（8bit）存储，8k*80刚好是64Kbps（bit per second，比特率越大，精度越高），需要压缩到4.8K或5.6K（经验值）

? e.g.心电图的频宽？采样频率用多少？256，512？

✏️假设一分钟心跳72～124次，极限一点可以取f=2Hz，256是不是太多了

?e.g.影像信号的频宽一般较大，有实体的信号（比如心脏（生物医学领域），马达，人跑步）则频宽较窄，但是人打电话的时候声音会变成高频电磁波（1.8GHz）

✨一定要了解信号是做什么的，不是只知道它的代表名词x[n]

DSP的处理过程

使用dsp芯片采样：模拟信号→数字形式的信号

DSP的目标

去掉噪声

如何求随机信号的频谱（如果不允许用频谱分析仪的话）

将时域信号转换为合适的表示形式（e.g.傅里叶变换，小波变换，Discrete Cosine Transform ）

time domain 的运算使用 Convolution （做一次错一次）
于是有人发明了transform，在频域里可以变成简单的相乘
觉得乘法也麻烦？使用log对数运算可以转换成相加

?Fourier Transform 举例

MP3：动态影像压缩，而对于大多数用户来说重放的音质与最初的不压缩音频相比没有明显的下降（耳朵和眼睛的分辨率不够呀）

JPEG：静态图像压缩

?小波变换举例

JPEG2000标准（没有IE支持于是没有变成standard）

?web transform与傅里叶变换的不同之处在于，它的频率轴不是等间隔的，对高频和低频的解析度不同。信号如果变化快，采样点数多一点；信号变化慢，采样点数少一点。

?DCT

应用面广泛，与FFT相比它只需要cos

? Fourier Transform 就是 Frequency Transform❓你相信嘛？

DSP的优点

可programming，试错成本比IC小

DSP的缺点

Finite length effect：一个word可能是32个bit或者16个bit（为运算速度快有时不用长长的浮点数，DSP中通常使用至少16bit的fixed-point）。在PC上可能没啥感觉（IEEE 802标准中计算机可能用80个bit来储存一个floating point），但是在DSP中，性能有时比精度更重要。

要分析Finite length会造成什么影响就要用到概率论的观念了。

Fixed point 的术语指的是数字表示的相应方式，小数点后（有时也在小数点前）有固定数量的数字。而在浮点表示中，小数点相对于数字的有效数字可以“浮动”。例如，具有统一小数点放置约定的固定点表示可以表示数字123.45、1234.56、12345.67等，而浮点表示还可以表示1.234567、123456.7、0.00001234567、1234567000000000等。

DSP的关键运算

Convolution
Correlation（相关性）
Filtering
Discrete Transforms
DTFT,DFT,FFT,DCT（余弦变换）,DWT（小波变换），Z-Transform
Modulation

第一节有很多实际项目经验（比如soc，双核，实时道路偏移影像处理和瞌睡警示，集成到手机）和TI、ADI的DSP规格介绍
工程师如何在成本和性能中权衡：由市场决定
后PC时代：生活周边很多东西都不是用PC的，最常见的东西是用嵌入式的风格解决的（比如手机），嵌入式中就有很多DSP了
接触真正有趣的东西要经历一番寒彻骨