ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 2. Badanie algorytmów adaptacyjnych LMS i RLS

Wielkość: px
Rozpocząć pokaz od strony:

Download "ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 2. Badanie algorytmów adaptacyjnych LMS i RLS"

Transkrypt

1 ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM Ćwiczenie 2 Badanie algorytmów adaptacyjnych LMS i RLS 1. CEL ĆWICZENIA Celem ćwiczenia jest samodzielna implementacja przez studentów dwóch podstawowych algorytmów adaptacyjnych, LMS (Least Mean Square) i RLS (Recursive Least Squares), oraz zbadanie ich podstawowych właściwości, takich jak: stabilność, szybkość zbieżności, niedopasowanie, a także zdolność do śledzenia liniowych systemów niestacjonarnych. 2. ZAKRES BADAŃ Badania eksperymentalne algorytmów LMS i RLS obejmują: samodzielną implementację algorytmów LMS i RLS w języku MATLAB badanie stabilności algorytmu LMS w zależności od rzędu filtru adaptacyjnego, kroku adaptacji α oraz typu sygnału wejściowego określenie parametrów filtru adaptacyjnego i właściwości sygnału wejściowego mających wpływ na niedopasowanie algorytmów LMS i RLS w stanie ustalonym analizę porównawczą szybkości zbieżności dwóch badanych w ćwiczeniu algorytmów w układzie adaptacyjnej identyfikacji liniowego systemu stacjonarnego ocenę zdolności śledzenia przez filtry adaptacyjne LMS i RLS niestacjonarności identyfikowanego systemu 3. PODSTAWY TEORETYCZNE Algorytmy LMS i RLS są podstawowymi algorytmami adaptacyjnymi, z których wywodzi się cały szereg ich najrozmaitszych modyfikacji. Celem tych modyfikacji jest poprawa właściwości algorytmów pierwotnych. Głównie dąży się do zwiększenia szybkości zbieżności algorytmu LMS oraz do redukcji złożoności obliczeniowej osiągającego świetne wyniki algorytmu RLS. Bardzo często inspiracją do tworzenia nowych algorytmów adaptacyjnych są wymagania konkretnej aplikacji, w której wykorzystano technikę filtracji adaptacyjnej. Z wybranymi nowymi podejściami do syntezy algorytmów adaptacyjnych oraz specyficznymi aplikacjami, w których znajdują one zastosowanie, studenci zapoznają się podczas realizacji swoich zadań projektowych. Ze względu na fakt, że szczegółowe wyprowadzenia algorytmów LMS i RLS przedstawiono na wykładzie, jak również można je znaleźć w literaturze poświęconej tematyce filtracji 1

2 adaptacyjnej, w niniejszym punkcie instrukcji przytoczymy jedynie rekursje obydwu algorytmów oraz przedstawimy podstawowe zależności opisujące ich właściwości. 3.1 Algorytm LMS i jego właściwości Wprowadźmy na początek wspólne dla wszystkich algorytmów adaptacyjnych oznaczenia. Przez x n = [x(n), x(n 1),..., x(n L + 1)] T oznaczać będziemy wektor danych wejściowych filtru adaptacyjnego, zaś przez f n = [f n (0), f n (1),..., f n (L 1)] T wektor jego współczynników w chwili n, przy czym L jest tu rzędem filtru. Rekursje algorytmu LMS wraz z warunkami początkowymi zamieszczono w tablicy 1. Tablica 1 Algorytm LMS Warunki początkowe: f 0 = 0 Dla kolejnych chwil czasu n obliczamy: e(n) = d(n) f T nx n f n+1 = f n + αe(n)x n Sygnały x(n), d(n) i e(n) to odpowiednio sygnał wejściowy, sygnał odniesienia oraz sygnał błędu. Stała α, nazywana również krokiem adaptacji, jest stałą heurystyczną dobieraną doświadczalnie w zależności od konkretnego zastosowania algorytmu. Aby algorytm pracował stabilnie musi ona spełniać warunek [4, 1, 3]: 0 < α < 2 λ max, (1) gdzie λ max jest największą wartością własną macierzy autokorelacji R sygnału wejściowego x(n). W praktyce jednak do oszacowania górnej granicy wartości jakie może przyjmować stała α wykorzystuje się warunek nie wymagający znajomości wartości własnych macierzy autokorelacyjnej: 2 0 < α < L E[x 2 (n)], (2) z którego wynika, że kres górny wartości, jakie może przyjmować stała α jest okreslony przez rząd filtru i moc sygnału wejściowego. Wektor współczynników obliczany za pomocą algorytmu LMS ma charakter losowy i nie ma gwarancji, że jest on zbieżny do optymalnego rozwiązania wienerowskiego f. Przy pewnych mocnych założeniach odnośnie sygnałów x(n) i d(n) dowodzi się [3], że wektor współczynników f n filtru adaptacyjnego LMS jest średnio zbieżny do tego rozwiązania, tzn. lim E[f n n] f. (3) Warunek (3) nie oznacza jednak zbieżności błędu średniokwadratowego J(n) = E[e 2 (n)] rozwiązań generowanych przez algorytm LMS do minimalnego błędu średniokwadratowego J min optymalnego rozwiązania MMSE. W rzeczywistości błąd średniokwadratowy zbiega do pewnej ustalonej wartości, którą oznaczymy przez J. Wynika to z faktu, że wartości współczynników f n filtru, podlegają po osiągnięciu stanu ustalonego pewnym fluktuacjom wokół rozwiązania optymalnego f. Różnica między wartością błędu średniokwadratowego 2

3 uzyskaną przez algorytm w stanie ustalonym, a minimalną wartością tego błędu nazywana jest błędem ekscesu i oznaczana przez J ex = J J min. Stosunek błędu ekscesu do minimalnego błędu średniokwadratowego, będący miarą stopnia odchylenia rozwiązań generowanych przez algorytm od optymalnego rozwiązania wienerowskiego, jest określany jako niedopasowanie M (ang. misadjustment): M = J ex J min = J J min J min. (4) Niedopasowanie algorytmu LMS, przy założeniu stacjonarności sygnałów x(n) i d(n), określa wzór: M LMS = αtr(r), (5) gdzie tr(r) jest śladem macierzy autokorelacji sygnału wejściowego. Dla algorytmów adaptacyjnych określa się ponadto parametr zwany stałą zbieżności algorytmu τ, który jest zdefiniowany jako czas, po którym błąd estymacji najwolniej zbieżnego współczynnika filtru adaptacyjnego maleje e-krotnie [4, 1]. Dla algorytmu LMS stałą zbieżności określa wzór: τ LMS = 1 αλ min, (6) gdzie λ min jest najmniejszą wartością własną macierzy autokorelacji R. Wracając do kroku adaptacji α, możemy, po przyjrzeniu się wzorom (5) i (6), łatwo stwierdzić, że dobór tego parametru wiąże się z kompromisem między szybkością zbieżności algorytmu a jego niedopasowaniem. Wraz ze wzrostem wartości kroku adaptacji, rośnie szybkość zbieżności, ale towarzyszy temu również wzrost niedopasowania. 3.2 Algorytm RLS i jego właściwości Drugim z badanych w niniejszym ćwiczeniu algorytmów adaptacyjnych jest algorytm RLS. Otrzymujemy go w wyniku minimalizacji funkcji kosztu określonej wzorem: n J(n) = λ n i e 2 (i), (7) i=1 gdzie λ jest stałą zapominania, przyjmującą wartości z przedziału (0, 1]. Wprowadzenie tego parametru powoduje wykładnicze oknowanie sygnału błędu e(n), tzn. działanie polegające na tym, że starsze próbki sygnału błędu estymacji są brane do sumarycznej miary błędu J(n) z odpowiednio mniejszą wagą. Za miarę pamięci algorytmu RLS można przyjąć odwrotność dopełnienia współczynnika λ do jedności, tj. 1/(1 λ). W przypadku podstawowej wersji algorytmu RLS, stosowanej z reguły dla sygnałów stacjonarnych, przyjmuje się λ = 1. Dostajemy wtedy rekursywne rozwiązanie klasycznego, dobrze znanego zagadnienia najmniejszych kwadratów, a pamięć algorytmu jest wtedy nieskończona. Przyjmując λ 1, otrzymujemy tzw. algorytm RLS z wykładniczą stałą zapominania. Algorytm ten zamieszczono w tablicy 2. 3

4 Tablica 2 Warunki początkowe: P 0 = γi γ 1 f 0 = 0 Algorytm RLS Dla kolejnych chwil czasu n obliczamy: e(n n 1) = d(n) f T n 1x n P n 1 x n k n = λ + x T np n 1 x n f n = f n 1 + k n e(n n 1) P n = 1 [ ] P n 1 k n x T λ np n 1 Występująca w rekursjach algorytmu RLS macierz P n o wymiarze dim(p n ) = L L jest estymatą w chwili n macierzy R 1, odwrotnej do macierzy autokorelacji sygnału wejściowego x(n) filtru adaptacyjnego. Symbol e(n n 1) oznacza tu błąd estymacji a priori, w odróżnieniu do wykorzystanego w kryterium minimalizacji (7) błędu a posteriori e(n). Błąd estymacji a posteriori oblicza się wykorzystując aktualny wektor współczynników filtru f n, zaś błąd a priori - korzystając z wektora współczynników filtru f n 1 z chwili poprzedniej. Wektor k n nazywany jest wektorem wzmocnienia algorytmu lub wektorem wzmocnienia kalmanowskiego. Druga z przytoczonych nazw wektora k n wynika z faktu, że algorytm RLS może być rozpatrywany jako szczególny przypadek filtru Kalmana. Niedopasowanie algorytmu RLS w przypadku stacjonarności sygnałów x(n) i d(n) opisuje następująca formuła [2]: M RLS = 1 λ L. (8) 1 + λ Ze wzoru (8) wynika, że błąd średniokwadratowy rozwiązań generowanych przez algorytm RLS z nieskończoną pamięcią (λ = 1) w przypadku, gdy sygnały x(n) i d(n) są stacjonarne, jest zbieżny do minimalnego błędu średniokwadratowego J min. To z kolei oznacza, że algorytm RLS pracujący w określonych wyżej warunkach, jest w stanie zapewnić w stanie ustalonym optymalne rozwiązanie problemu liniowej estymacji średniokwadratowej sygnałów. 3.3 Identyfikacja systemu liniowego za pomocą filtru adaptacyjnego Część badań eksperymentalnych przeprowadzanych przez studentów podczas niniejszego ćwiczenia, a dokładniej analiza porównawcza szybkości zbieżności algorytmów LMS i RLS oraz ocena zdolności śledzenia systemów niestacjonarnych przez te algorytmy, przeprowadzona zostanie z wykorzystaniem filtru adaptacyjnego w systemie adaptacyjnej identyfikacji nieznanego liniowego, w ogólności niestacjonarnego układu. Schemat takiego systemu przedstawiono na rys. 1. Zadaniem filtru adaptacyjnego jest tu takie przetworzenie sygnału x(n), aby błąd estymacji e(n) był minimalny w sensie pewnego kryterium, które jest zależne od zastosowanego algorytmu. Po osiągnięciu zbieżności, filtr adaptacyjny modeluje z pewną dokładnością nieznany system, z którym równolegle przetwarza sygnał wejściowy x(n). Stopień naszej niewiedzy o identyfikowanym systemie może być różny. 4

5 x( n) y( n) hn + s( n) + d( n) y ^ ( n) - f n + e( n) Rys. 1: Schemat adaptacyjnego systemu identyfikacji nieznanego liniowego układu niestacjonarnego W pierwszym podejściu możemy przyjąć, że nic nie wiemy ani o strukturze modelu ani o właściwościach identyfikowanego systemu. W kolejnych przybliżeniach możemy zakładać, że system jest liniowy, dalej stacjonarny, aż po przyjęcie, że jest modelowany filtrem SOI o znanym rzędzie. I takie, dość mocne założenia przyjmiemy w naszych badaniach. W ostatnim eksperymencie ćwiczenia, w którym poddamy ocenie zdolność śledzenia fitrów adaptacyjnych, z oczywistych względów odejdziemy od założenia o stacjonarności identyfikowanego systemu. Stosowaną w symulacjach miarę dokładności estymacji odpowiedzi impulsowej identyfikowanego systemu będzie względny błąd estymacji określony wzorem: δ(n) = 10 log h n f n 2 h n 2, (9) gdzie h n jest odpowiedzią impulsową systemu niestacjonarnego w chwili n. Dla przypadku stacjonarnego przyjmować będziemy, że h n = h. 4. IMPLEMENTACJA ALGORYTMÓW LMS I RLS (zadanie domowe) Przed przystąpieniem do badań eksperymentalnych, zadaniem studentów jest samodzielne zaimplementowanie algorytmów LMS i RLS jako funkcji pakietu MATLAB. Implementacje te należy zrealizować przyjmując następujące prototypy tychże funkcji: 1. dla algorytmu LMS [e, F] = lms(x, d, L, alfa) 2. dla algorytmu RLS [e, F] = rls(x, d, L, lambda) W trakcie implementacji przyjąć, że stała γ o dużej wartości, występująca w określonych dla algorytmu RLS warunkach początkowych, wynosi 100. Sygnały oznaczone literami x, d, e oraz parametry alfa i lambda korespondują w sposób oczywisty z sygnałami i parametrami, które pojawiają się w równaniach algorytmów LMS i RLS zamieszczonych w tabelach 1 i 2, zaś L jest liczbą określającą rząd filtru adaptacyjnego. Wyjaśnienia wymaga natomiast macierz oznaczona przez F. Jest to macierz współczynników filtru adaptacyjnego w kolejnych chwilach przetwarzania. Ma ona wymiar 5

6 dim(f) = L M, gdzie M oznacza długość (liczbę próbek) realizacji sygnałów x(n) i d(n). Macierz F jest potrzebna do wyznaczania względnego błędu estymacji δ(n) odpowiedzi impulsowej identyfikowanego systemu w kolejnych chwilach czasu n. 5. BADANIA EKSPERYMENTALNE (zadania laboratoryjne) 5.1 Badanie stabilności algorytmu LMS 1. Wygenerować 1000 próbek realizacji następujących sygnałów wejściowych: x 1 (n) szumem białym o rozkładzie równomiernym w przedziale [-1, 1]; x 2 (n) szumem białym gaussowskim o zerowej średniej i jednostkowej wariancji; x 3 (n) sygnałem cosinusoidalnym o pulsacji π/5 i zerowej fazie. Dla każdego typu danych oraz dla rzędów filtrów L = 5 i L = 50 w pierwszej kolejności oszacować górną granice kroku adaptacji α g, zapewniającą stabilną pracę algorytmu, a następnie wyznaczyć eksperymentalnie maksymalną graniczną wartość tegoż parametru. Jako kryterium stabilności przyjąć wartości sygnału błędu. Duże i niemalejące dla kolejnych chwil czasu n błędy świadczą o niestabilnym zachowaniu algorytmu adaptacyjnego. We wszystkich przypadkach przyjąć, że sygnał odniesienia d(n) jest tym samym sygnałem, co sygnał wejściowy. Skomentować uzyskane rezultaty. 2. Wygenerować dwa nieskorelowane ciągi 1000 próbek szumu białego o rozkładzie równomiernym w przedziale [-1, 1]. Obejrzeć przebieg sygnału błędu przyjmując jako sygnał d(n) pierwszy ciąg, a jako sygnał x(n) drugi ciąg próbek. Rząd filtru ustalić na L = 50, zaś krok adaptacji zmieniać w zakresie od α g (wyznaczonego wcześniej dla tego typu danych i filtru o 50 współczynnikach) do wartości bliskiej 0. Porównać przebiegi sygnałów błędu e(n) otrzymane w tym i w poprzednim doświadczeniu. 5.2 Wpływ stałych algorytmu oraz właściwości sygnału wejściowego na szybkość zbieżności i niedopasowanie filtrów adaptacyjnych W tym punkcie badań eksperymentalnych, jako sygnały wejściowe wykorzystamy M = 2000 próbkowe realizacje szumu gaussowskiego x 1 (n) o zerowej średniej i jednostkowej wariancji (rozrzut wartości własnych macierzy autokorelacji χ(r) = 1) oraz sygnału x 2 (n) będącego realizacją procesu autoregresyjnego AR(1) o współczynnikach a = [1-0,8] T oraz o rozrzucie wartości własnych macierzy autokorelacji χ(r) = 9. Znormalizować wariancję sygnału x 2 (n) poprzez wykonanie następującej operacji: x2 = 0.6 * x2;. W celu uzyskania sygnałów odniesienia d 1 (n) oraz d 2 (n) określone sygnały wejściowe należy poddać filtracji za pomocą filtru SOI o odpowiedzi impulsowej h = [1,0000 0,9000 0,3000-0,5500-0,4850 0,1424 0,4107 0,1056-0,2347-0,1913] T. 1. Dla algorytmu LMS przyjąć rząd filtru L = 10. Dokonać filtracji sygnałów wejściowych x 1 (n) i x 2 (n) dla dwóch wartości kroków adaptacji: α 1 = 0, 05 i α 2 = 0, 005. Na jednym rysunku wykreślić wszystkie cztery trajektorie sygnału błędu podniesionego do kwadratu, wykorzystując do tego celu funkcję semilogy. Co można powiedzieć 6

7 o wpływie wartości kroku adaptacji oraz rozrzutu wartości własnych macierzy autokorelacji sygnału wejściowego na szybkość zbieżności filtru adaptacyjnego strojonego za pomocą algorytmu LMS? 2. Dla algorytmu RLS przyjąć rząd filtru L = 10. Dokonać filtracji sygnałów wejściowych x 1 (n) i x 2 (n) dla dwóch wartości stałych zapominania: λ 1 = 0, 9 i λ 2 = 0, 999. Na jednym rysunku wykreślić wszystkie cztery trajektorie sygnału błędu podniesionego do kwadratu, tak jak to miało miejsce w przypadku algorytmu LMS. Co można powiedzieć o wpływie wartości stałej zapominania i typu sygnału wejściowego na niedopasowanie oraz szybkość zbieżności algorytmu adaptacyjnego RLS? 5.3 Porównanie szybkości zbieżności algorytmów LMS i RLS Badania przeprowadzone w punkcie 5.2 dały nam już pewien pogląd na szybkość zbieżności algorytmów LMS i RLS. W tym punkcie ćwiczenia dokonamy analizy porównawczej szybkości zbieżności tych algorytmów w układzie adaptacyjnej identyfikacji systemu stacjonarnego. Miarą, którą wykorzystamy w eksperymencie będzie względny błąd estymacji δ(n) odpowiedzi impulsowej systemu w kolejnych chwilach czasu, wyznaczony dla filtrów LMS i RLS pobudzanych różnymi sygnałami wejściowymi. Sposób postępowania przy realizacji doświadczenia symulacyjnego ujęto w kolejnych punktach. 1. Wygenerować M = 3000 próbek realizacji szumu gaussowskiego x 1 (n) o zerowej średniej i jednostkowej wariancji oraz sygnału x 2 (n) będącego realizacją procesu AR(4) o współczynnikach a = [1 0,3 0,9 0,4 0,7] T (χ(r) 630). Trzecim sygnałem, który zostanie wykorzystany będzie rzeczywisty sygnał mowy. Odpowiednia ilość próbek takiego sygnału x m (n) jest zapisana jako wektor xm w pliku fraza.mat. 2. Wczytać dane z pliku h.mat. Wektor h stanowi odpowiedź impulsową h identyfikowanego systemu stacjonarnego. Wykorzystując znajomość charakterystyki systemu wygenerować sygnały odniesienia d 1 (n), d 2 (n) oraz d m (n). Przyjąć, że szum zakłócający s(n) = Dokonać identyfikacji odpowiedzi impulsowej nieznanego systemu za pomocą algorytmów LMS i RLS, wykorzystując wszystkie trzy rodzaje sygnałów wejściowych. Po każdorazowym wyznaczeniu macierzy F zawierającej estymaty odpowiedzi impulsowej systemu dla kolejnych chwil czasu n obliczyć względny błąd estymacji δ(n) tejże odpowiedzi, wykorzystując funkcję delta.m. W celu uniknięcia zapełnienia pamięci komputera, w kolejnych eksperymentach nadpisywać macierz F. W pamięci przechowywać jedynie przebiegi błędu δ(n), które zostaną porównane w końcowej fazie badań. W przypadku algorytmu LMS zastosować następujące wartości kroku adaptacji: α 1 = 0, 030, α 2 = 0, 003 i α m = 0, 050. Są to wyznaczone doświadczalnie maksymalne wartości tego parametru dla każdego typu sygnału wejściowego. Dla algorytmu RLS we wszystkich trzech przypadkach przyjąć, że λ = 0, 980. Rząd filtrów L = Wykreślić trzy rysunki. Na pierwszym i drugim przedstawić przebiegi względnego błędu estymacji δ(n) wyznaczone odpowiednio przy zastosowaniu algorytmu LMS (pierwszy rysunek) oraz algorytmu RLS (rysunek drugi). Na trzecim wykresie zamieścić dwa przebiegi błędu δ(n): uzyskany w przypadku wykorzystania w procesie identyfikacji filtru LMS pobudzanego sygnałem x 1 (n) oraz otrzymany z użyciem filtru RLS pracującego z sygnałem x m (n) jako sygnałem wejściowym. 7

8 Przeanalizować otrzymane wyniki. Skomentować zależność szybkości zbieżności algorytmów LMS i RLS od rodzaju sygnału wejściowego. Dokonać analizy porównawczej badanych algorytmów pod kątem szybkości zbieżności. 5.4 Badanie zdolności śledzenia przez filtry adaptacyjne LMS i RLS niestacjonarności identyfikowanego systemu Ostatnie zadanie laboratoryjne poświęcone jest bardzo istotnej, z punktu widzenia praktycznych zastosowań, cesze algorytmów adaptacyjnych, jaką jest zdolność do śledzenia niestacjonarności sygnałów bądź systemów. Cecha ta jest poniekąd podstawowym powodem wielkiej popularności i atrakcyjności tego narzędzia przetwarzania sygnałów. To zmiany widma estymowanych sygnałów, fluktuacje odpowiedzi impulsowej identyfikowanych systemów czy wahania wyrównywanej charakterystyki częstotliwościowej kanału transmisyjnego powodują, że w aplikacjach charakteryzujących się tego typu problemami, nieodzownym staje się zastosowanie filtrów adaptacyjnych, które są w stanie owe zmiany śledzić. Eksperyment wykonywany przez studentów w tym punkcie polega na identyfikacji przy użyciu filtrów typu LMS i RLS, zmieniającej się w czasie odpowiedzi impulsowej h n systemu niestacjonarnego (rys. 1). W celu dokonania oceny zdolności filtrów LMS i RLS do śledzenia niestacjonarności systemu, należy wykonać niżej opisane badania symulacyjne. 1. Wygenerować M = 6000 próbek sygnału AR(5) o współczynnikach a = [1-0,65 0,70-0,22 0,31-0,18] T, będącego sygnałem wejściowym x(n). Uruchomić skrypt hn.m generujący macierz Hn o wymiarach dim(hn)= , której kolejne kolumny stanowią odpowiedzi impulsowe identyfikowanego systemu niestacjonarnego. Za pomocą funkcji gain.m zobrazować jak zmienia się maksymalne wzmocnienie systemu o odpowiedzi h n dla kolejnych chwil czasu n. Wytworzyć sygnał wyjściowy y(n) systemu niestacjonarnego przy użyciu funkcji nsfilter.m. Wyznaczyć sygnał odniesienia d(n) = y(n) + s(n) przyjmując, że zakłócenia s(n) są modelowane białym szumem gaussowskim o standardowym odchyleniu σ s = 0, Dokonać identyfikacji systemu niestacjonarnego za pomocą algorytmu LMS. Przyjąć następujące parametry: L = 100, α = 0, 003. Następnie powtórzyć jeszcze dwukrotnie ten proces, stosując algorytm RLS i przyjmując następujące wartości stałych: L = 100, λ 1 = 0, 985 dla pierwszego przypadku i λ 2 = 0, 999 dla drugiego przypadku. Po każdorazowym zakończeniu procesu identyfikacji wyznaczyć za pomocą funkcji delta.m przebieg względnego błędu estymacji δ(n). 3. Na jednym ekranie wykreślić dwa wykresy. Na pierwszym z nich zamieścić przebiegi błędu δ(n) wyznaczone przy wykorzystaniu algorytmu LMS oraz RLS ze stałą λ 1 = 0, 985. Na drugim, ponownie przebieg błędu uzyskany z użyciem algorytmu LMS oraz wykres δ(n) uzyskany przy zastosowaniu filtru RLS ze stałą zapominania λ 2 = 0, 999. Na podstawie analizy wykreślonych krzywych sformułować odpowiednie wnioski dotyczące zdolności śledzenia systemów niestacjonarnych przez algorytmy adaptacyjne. 8

9 LITERATURA [1] Clarkson P. M.: Optimal and Adaptive Signal Processing. CRC Press, [2] Eleftheriou E. and Falconer D. D.: Tracking properties and steady-state performance of RLS adaptive filter algorithms. IEEE Trans. on Acoustic, Speech, and Signal Processing, vol. ASSP-34, no. 2, October 1986, pp [3] Haykin S.: Adaptive Filter Theory. Englewood Cliffs, New York: Prentice-Hall, [4] Widrow B. and Stearns S. D.: Adaptive Signal Processing. Prentice-Hall, Englewood Cliffs,

Praca dyplomowa magisterska

Praca dyplomowa magisterska Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji

Bardziej szczegółowo

Narzędzia matematyczne zastosowane w systemie biomonitoringu wody

Narzędzia matematyczne zastosowane w systemie biomonitoringu wody Narzędzia matematyczne zastosowane w systemie biomonitoringu wody Piotr Przymus Krzysztof Rykaczewski Wydział Matematyki i Informatyki Uniwersytet Mikołaja Kopernika Toruń 1 of 24 18 marca 2009 Cel referatu

Bardziej szczegółowo

Sposoby opisu i modelowania zakłóceń kanałowych

Sposoby opisu i modelowania zakłóceń kanałowych INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń

Bardziej szczegółowo

Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej

Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015

Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI)

Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI) Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI) 1. Filtracja cyfrowa podstawowe

Bardziej szczegółowo

Przekształcenia sygnałów losowych w układach

Przekształcenia sygnałów losowych w układach INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Sygnały i kodowanie Przekształcenia sygnałów losowych w układach Warszawa 010r. 1. Cel ćwiczenia: Ocena wpływu charakterystyk

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Egzamin / zaliczenie na ocenę*

Egzamin / zaliczenie na ocenę* WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim CYFROWE PRZETWARZANIE SYGNAŁÓW Nazwa w języku angielskim DIGITAL SIGNAL PROCESSING Kierunek studiów

Bardziej szczegółowo

Metody Prognozowania

Metody Prognozowania Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje

Bardziej szczegółowo

Podstawy Przetwarzania Sygnałów

Podstawy Przetwarzania Sygnałów Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech

Bardziej szczegółowo

Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA.

Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA. Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Automatyka i Robotyka Praca magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

Hierarchiczna analiza skupień

Hierarchiczna analiza skupień Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym

Bardziej szczegółowo

b n y k n T s Filtr cyfrowy opisuje się również za pomocą splotu dyskretnego przedstawionego poniżej:

b n y k n T s Filtr cyfrowy opisuje się również za pomocą splotu dyskretnego przedstawionego poniżej: 1. FILTRY CYFROWE 1.1 DEFIICJA FILTRU W sytuacji, kiedy chcemy przekształcić dany sygnał, w inny sygnał niezawierający pewnych składowych np.: szumów mówi się wtedy o filtracji sygnału. Ogólnie Filtracją

Bardziej szczegółowo

Analiza właściwości filtrów dolnoprzepustowych

Analiza właściwości filtrów dolnoprzepustowych Ćwiczenie Analiza właściwości filtrów dolnoprzepustowych Program ćwiczenia. Zapoznanie się z przykładową strukturą filtra dolnoprzepustowego (DP) rzędu i jego parametrami.. Analiza widma sygnału prostokątnego.

Bardziej szczegółowo

Symulacyjne metody wyceny opcji amerykańskich

Symulacyjne metody wyceny opcji amerykańskich Metody wyceny Piotr Małecki promotor: dr hab. Rafał Weron Instytut Matematyki i Informatyki Politechniki Wrocławskiej Wrocław, 0 lipca 009 Metody wyceny Drzewko S 0 S t S t S 3 t S t St St 3 S t St St

Bardziej szczegółowo

WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA

WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 9. Dobór nastaw

Bardziej szczegółowo

Estymacja parametrów, przedziały ufności etc

Estymacja parametrów, przedziały ufności etc Estymacja parametrów, przedziały ufności etc Liniowa MNK przypomnienie Wariancja parametrów Postulat Bayesa: rozkłady p-stwa dla parametrów Przypadek nieliniowy Przedziały ufności Rozkłady chi-kwadrat,

Bardziej szczegółowo

Za pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).

Za pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa). Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z

Bardziej szczegółowo

Dopasowywanie modelu do danych

Dopasowywanie modelu do danych Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Imię i nazwisko (e mail) Grupa:

Imię i nazwisko (e mail) Grupa: Wydział: EAIiE Kierunek: Imię i nazwisko (e mail) Rok: Grupa: Zespół: Data wykonania: LABORATORIUM METROLOGII Ćw. 12: Przetworniki analogowo cyfrowe i cyfrowo analogowe budowa i zastosowanie. Ocena: Podpis

Bardziej szczegółowo

Analiza Statystyczna

Analiza Statystyczna Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Egzamin / zaliczenie na ocenę*

Egzamin / zaliczenie na ocenę* Zał. nr do ZW /01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Identyfikacja systemów Nazwa w języku angielskim System identification Kierunek studiów (jeśli dotyczy): Inżynieria Systemów

Bardziej szczegółowo

Systemy. Krzysztof Patan

Systemy. Krzysztof Patan Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Laboratorium Przetwarzania Sygnałów Biomedycznych

Laboratorium Przetwarzania Sygnałów Biomedycznych Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 3 Analiza sygnału o nieznanej strukturze Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - mgr inż. Tomasz Kubik Politechnika Warszawska,

Bardziej szczegółowo

REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH

REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK 1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest

Bardziej szczegółowo

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych

Bardziej szczegółowo

Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych - opis przedmiotu

Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych - opis przedmiotu Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych Kod przedmiotu 06.5-WE-EP-PSzZPS

Bardziej szczegółowo

Politechnika Śląska Wydział Automatyki, Elektroniki i Informatyki Instytut Automatyki PRACA MAGISTERSKA

Politechnika Śląska Wydział Automatyki, Elektroniki i Informatyki Instytut Automatyki PRACA MAGISTERSKA Politechnika Śląska Wydział Automatyki, Elektroniki i Informatyki Instytut Automatyki PRACA MAGISTERSKA Temat: Badanie strefy ciszy w falowodzie akustycznym w funkcji odległości mikrofonu błędu od głośnika

Bardziej szczegółowo

W celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0,

W celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0, Bierne obwody RC. Filtr dolnoprzepustowy. Filtr dolnoprzepustowy jest układem przenoszącym sygnały o małej częstotliwości bez zmian, a powodującym tłumienie i opóźnienie fazy sygnałów o większych częstotliwościach.

Bardziej szczegółowo

Wydział Elektryczny. Katedra Telekomunikacji i Aparatury Elektronicznej. Konstrukcje i Technologie w Aparaturze Elektronicznej.

Wydział Elektryczny. Katedra Telekomunikacji i Aparatury Elektronicznej. Konstrukcje i Technologie w Aparaturze Elektronicznej. Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Konstrukcje i Technologie w Aparaturze Elektronicznej Ćwiczenie nr 5 Temat: Przetwarzanie A/C. Implementacja

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.

Bardziej szczegółowo

FILTRY AKTYWNE. Politechnika Wrocławska. Instytut Telekomunikacji, Teleinformatyki i Akustyki. Instrukcja do ćwiczenia laboratoryjnego

FILTRY AKTYWNE. Politechnika Wrocławska. Instytut Telekomunikacji, Teleinformatyki i Akustyki. Instrukcja do ćwiczenia laboratoryjnego Politechnika Wrocławska Instytut Telekomunikacji, Teleinormatyki i Akustyki Zakład Układów Elektronicznych Instrukcja do ćwiczenia laboratoryjnego FILTY AKTYWNE . el ćwiczenia elem ćwiczenia jest praktyczne

Bardziej szczegółowo

8. Realizacja projektowanie i pomiary filtrów IIR

8. Realizacja projektowanie i pomiary filtrów IIR 53 8. Realizacja projektowanie i pomiary filtrów IIR Cele ćwiczenia Realizacja na zestawie TMX320C5515 ezdsp prostych liniowych filtrów cyfrowych. Pomiary charakterystyk amplitudowych zrealizowanych filtrów

Bardziej szczegółowo

ĆWICZENIE nr 3. Badanie podstawowych parametrów metrologicznych przetworników analogowo-cyfrowych

ĆWICZENIE nr 3. Badanie podstawowych parametrów metrologicznych przetworników analogowo-cyfrowych Politechnika Łódzka Katedra Przyrządów Półprzewodnikowych i Optoelektronicznych WWW.DSOD.PL LABORATORIUM METROLOGII ELEKTRONICZNEJ ĆWICZENIE nr 3 Badanie podstawowych parametrów metrologicznych przetworników

Bardziej szczegółowo

7. Identyfikacja defektów badanego obiektu

7. Identyfikacja defektów badanego obiektu 7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Zał. nr do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim Analiza sygnałów Nazwa w języku angielskim Signal analysis Kierunek studiów (jeśli dotyczy): Matematyka stosowana

Bardziej szczegółowo

KARTA INFORMACYJNA PRZEDMIOTU

KARTA INFORMACYJNA PRZEDMIOTU Uniwersytet Rzeszowski WYDZIAŁ KIERUNEK Matematyczno-Przyrodniczy Fizyka techniczna SPECJALNOŚĆ RODZAJ STUDIÓW stacjonarne, studia pierwszego stopnia KARTA INFORMACYJNA PRZEDMIOTU NAZWA PRZEDMIOTU WG PLANU

Bardziej szczegółowo

PRAWO OHMA DLA PRĄDU PRZEMIENNEGO

PRAWO OHMA DLA PRĄDU PRZEMIENNEGO ĆWICZENIE 53 PRAWO OHMA DLA PRĄDU PRZEMIENNEGO Cel ćwiczenia: wyznaczenie wartości indukcyjności cewek i pojemności kondensatorów przy wykorzystaniu prawa Ohma dla prądu przemiennego; sprawdzenie prawa

Bardziej szczegółowo

ZAJĘCIA II. Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe

ZAJĘCIA II. Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe ZAJĘCIA II Zmienne losowe, sygnały stochastyczne, zakłócenia pomiarowe Po co statystyka w identyfikacji? Zmienne losowe i ich parametry Korelacja zmiennych losowych Rozkłady wielowymiarowe i sygnały stochastyczne

Bardziej szczegółowo

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

8. Neuron z ciągłą funkcją aktywacji. 8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i

Bardziej szczegółowo

Wprowadzenie do złożoności obliczeniowej

Wprowadzenie do złożoności obliczeniowej problemów Katedra Informatyki Politechniki Świętokrzyskiej Kielce, 16 stycznia 2007 problemów Plan wykładu 1 2 algorytmów 3 4 5 6 problemów problemów Plan wykładu 1 2 algorytmów 3 4 5 6 problemów problemów

Bardziej szczegółowo

Fuzja sygnałów i filtry bayesowskie

Fuzja sygnałów i filtry bayesowskie Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna

Bardziej szczegółowo

Modyfikacja algorytmów retransmisji protokołu TCP.

Modyfikacja algorytmów retransmisji protokołu TCP. Modyfikacja algorytmów retransmisji protokołu TCP. Student Adam Markowski Promotor dr hab. Michał Grabowski Cel pracy Celem pracy było przetestowanie i sprawdzenie przydatności modyfikacji klasycznego

Bardziej szczegółowo

Rozwiązywanie równań liniowych. Transmitancja. Charakterystyki częstotliwościowe

Rozwiązywanie równań liniowych. Transmitancja. Charakterystyki częstotliwościowe Zał. nr do ZW 33/01 WYDZIAŁ Informatyki i Zarządzania / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Modele systemów dynamicznych Nazwa w języku angielskim Dynamic Systems Models. Kierunek studiów (jeśli

Bardziej szczegółowo

Cyfrowe algorytmy sterowania AR S1 semestr 4 Projekt 4

Cyfrowe algorytmy sterowania AR S1 semestr 4 Projekt 4 Cyfrowe algorytmy sterowania AR S1 semestr 4 Projekt 4 MPC Sterowanie predykcyjne Cel: Poznanie podstaw regulacji predykcyjnej i narzędzi do badań symulacyjnych Wykonali: Konrad Słodowicz Patryk Frankowski

Bardziej szczegółowo

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa

Bardziej szczegółowo

Analiza właściwości filtra selektywnego

Analiza właściwości filtra selektywnego Ćwiczenie 2 Analiza właściwości filtra selektywnego Program ćwiczenia. Zapoznanie się z przykładową strukturą filtra selektywnego 2 rzędu i zakresami jego parametrów. 2. Analiza widma sygnału prostokątnego..

Bardziej szczegółowo

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne zmienne czasowe własności i testowanie Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza

Bardziej szczegółowo

Podstawy elektroniki i miernictwa

Podstawy elektroniki i miernictwa Podstawy elektroniki i miernictwa Kod modułu: ELE Rodzaj przedmiotu: podstawowy; obowiązkowy Wydział: Informatyki Kierunek: Informatyka Poziom studiów: pierwszego stopnia Profil studiów: ogólnoakademicki

Bardziej szczegółowo

Pomiar rezystancji metodą techniczną

Pomiar rezystancji metodą techniczną Pomiar rezystancji metodą techniczną Cel ćwiczenia. Poznanie metod pomiarów rezystancji liniowych, optymalizowania warunków pomiaru oraz zasad obliczania błędów pomiarowych. Zagadnienia teoretyczne. Definicja

Bardziej szczegółowo

OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp

OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE

Bardziej szczegółowo

Teoria przetwarzania A/C i C/A.

Teoria przetwarzania A/C i C/A. Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych

Bardziej szczegółowo

Ekonometria_FIRJK Arkusz1

Ekonometria_FIRJK Arkusz1 Rok akademicki: Grupa przedmiotów Numer katalogowy: Nazwa przedmiotu 1) : łumaczenie nazwy na jęz. angielski 3) : Kierunek studiów 4) : Ekonometria Econometrics Ekonomia ECS 2) Koordynator przedmiotu 5)

Bardziej szczegółowo

Podstawy OpenCL część 2

Podstawy OpenCL część 2 Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur

Bardziej szczegółowo

RÓWNOWAŻNOŚĆ METOD BADAWCZYCH

RÓWNOWAŻNOŚĆ METOD BADAWCZYCH RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych

Bardziej szczegółowo

KARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3

KARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3 KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:

Bardziej szczegółowo

Sympozjum Trwałość Budowli

Sympozjum Trwałość Budowli Sympozjum Trwałość Budowli Andrzej ownuk ROJEKTOWANIE UKŁADÓW Z NIEEWNYMI ARAMETRAMI Zakład Mechaniki Teoretycznej olitechnika Śląska pownuk@zeus.polsl.gliwice.pl URL: http://zeus.polsl.gliwice.pl/~pownuk

Bardziej szczegółowo

Regulacja dwupołożeniowa (dwustawna)

Regulacja dwupołożeniowa (dwustawna) Regulacja dwupołożeniowa (dwustawna) I. Wprowadzenie Regulacja dwustawna (dwupołożeniowa) jest często stosowaną metodą regulacji temperatury w urządzeniach grzejnictwa elektrycznego. Polega ona na cyklicznym

Bardziej szczegółowo

Inteligentna analiza danych

Inteligentna analiza danych Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu 1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie

Bardziej szczegółowo

Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej.

Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej. Wyznaczanie minimalnej odważki jako element kwalifikacji operacyjnej procesu walidacji dla wagi analitycznej. Andrzej Hantz Dyrektor Centrum Metrologii RADWAG Wagi Elektroniczne Pomiary w laboratorium

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

Teoria sygnałów Signal Theory. Elektrotechnika I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny)

Teoria sygnałów Signal Theory. Elektrotechnika I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) . KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Teoria sygnałów Signal Theory A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW

Bardziej szczegółowo

Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej

Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej. Filtry FIR o skończonej odpowiedzi impulsowej (SOI) Filtracja FIR polega na tym, że sygnał wyjściowy powstaje

Bardziej szczegółowo

KORELACJE I REGRESJA LINIOWA

KORELACJE I REGRESJA LINIOWA KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem

Bardziej szczegółowo

4. Schemat układu pomiarowego do badania przetwornika

4. Schemat układu pomiarowego do badania przetwornika 1 1. Projekt realizacji prac związanych z uruchomieniem i badaniem przetwornika napięcie/częstotliwość z układem AD654 2. Założenia do opracowania projektu a) Dane techniczne układu - Napięcie zasilające

Bardziej szczegółowo

PROCESORY SYGNAŁOWE - LABORATORIUM. Ćwiczenie nr 04

PROCESORY SYGNAŁOWE - LABORATORIUM. Ćwiczenie nr 04 PROCESORY SYGNAŁOWE - LABORATORIUM Ćwiczenie nr 04 Obsługa buforów kołowych i implementacja filtrów o skończonej i nieskończonej odpowiedzi impulsowej 1. Bufor kołowy w przetwarzaniu sygnałów Struktura

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: PODSTAWY MODELOWANIA PROCESÓW WYTWARZANIA Fundamentals of manufacturing processes modeling Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności APWiR Rodzaj

Bardziej szczegółowo

Jak poprawnie napisać sprawozdanie z ćwiczeń laboratoryjnych z fizyki?

Jak poprawnie napisać sprawozdanie z ćwiczeń laboratoryjnych z fizyki? 1 Jak poprawnie napisać sprawozdanie z ćwiczeń laboratoryjnych z fizyki? Sprawozdania należny oddać na kolejnych zajęciach laboratoryjnych. Każde opóźnienie powoduje obniżenie oceny za sprawozdanie o 0,

Bardziej szczegółowo

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy

Bardziej szczegółowo

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006 , transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCHY KOMPETENCJI EFEKTY KSZTAŁCENIA

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCHY KOMPETENCJI EFEKTY KSZTAŁCENIA I. KARTA PRZEDMIOTU. Nazwa przedmiotu: MATEMATYKA STOSOWANA 2. Kod przedmiotu: Ms 3. Jednostka prowadząca: Wydział Nawigacji i Uzbrojenia Okrętowego 4. Kierunek: Nawigacja 5. Specjalność: Nawigacja morska

Bardziej szczegółowo

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele

Bardziej szczegółowo

Metoda największej wiarygodności

Metoda największej wiarygodności Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna

Bardziej szczegółowo

Stabilność. Krzysztof Patan

Stabilność. Krzysztof Patan Stabilność Krzysztof Patan Pojęcie stabilności systemu Rozważmy obiekt znajdujący się w punkcie równowagi Po przyłożeniu do obiektu siły F zostanie on wypchnięty ze stanu równowagi Jeżeli po upłynięciu

Bardziej szczegółowo

Tranzystor bipolarny LABORATORIUM 5 i 6

Tranzystor bipolarny LABORATORIUM 5 i 6 Tranzystor bipolarny LABORATORIUM 5 i 6 Marcin Polkowski (251328) 10 maja 2007 r. Spis treści I Laboratorium 5 2 1 Wprowadzenie 2 2 Pomiary rodziny charakterystyk 3 II Laboratorium 6 7 3 Wprowadzenie 7

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Laboratorium Cyfrowego Przetwarzania Obrazów

Laboratorium Cyfrowego Przetwarzania Obrazów Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

Wzmacniacze operacyjne

Wzmacniacze operacyjne Wzmacniacze operacyjne Cel ćwiczenia Celem ćwiczenia jest badanie podstawowych układów pracy wzmacniaczy operacyjnych. Wymagania Wstęp 1. Zasada działania wzmacniacza operacyjnego. 2. Ujemne sprzężenie

Bardziej szczegółowo

1.Wstęp W ćwiczeniu bada się zestaw głośnikowy oraz mikrofon pomiarowy z wykorzystaniem sekwencji MLS opis w załącznikui skrypcie- [1].oraz poz.

1.Wstęp W ćwiczeniu bada się zestaw głośnikowy oraz mikrofon pomiarowy z wykorzystaniem sekwencji MLS opis w załącznikui skrypcie- [1].oraz poz. Temat ćwiczenia: Pomiar odpowiedzi impulsowej głośników i mikrofonów metodą MLS 1.Wstęp W ćwiczeniu bada się zestaw głośnikowy oraz mikrofon pomiarowy z wykorzystaniem sekwencji MLS opis w załącznikui

Bardziej szczegółowo

Ćwiczenie 1 Podstawy opisu i analizy obwodów w programie SPICE

Ćwiczenie 1 Podstawy opisu i analizy obwodów w programie SPICE Ćwiczenie 1 Podstawy opisu i analizy obwodów w programie SPICE Cel: Zapoznanie ze składnią języka SPICE, wykorzystanie elementów RCLEFD oraz instrukcji analiz:.dc,.ac,.tran,.tf, korzystanie z bibliotek

Bardziej szczegółowo

Ćwiczenie 2 LABORATORIUM ELEKTRONIKI POLITECHNIKA ŁÓDZKA KATEDRA PRZYRZĄDÓW PÓŁPRZEWODNIKOWYCH I OPTOELEKTRONICZNYCH

Ćwiczenie 2 LABORATORIUM ELEKTRONIKI POLITECHNIKA ŁÓDZKA KATEDRA PRZYRZĄDÓW PÓŁPRZEWODNIKOWYCH I OPTOELEKTRONICZNYCH LABORATORIUM LKTRONIKI Ćwiczenie Parametry statyczne tranzystorów bipolarnych el ćwiczenia Podstawowym celem ćwiczenia jest poznanie statycznych charakterystyk tranzystorów bipolarnych oraz metod identyfikacji

Bardziej szczegółowo

Politechnika Warszawska

Politechnika Warszawska Politechnika Warszawska Wydział Elektryczny Laboratorium Teletechniki Skrypt do ćwiczenia T.02. Woltomierz RMS oraz Analizator Widma 1. Woltomierz RMS oraz Analizator Widma Ćwiczenie to ma na celu poznanie

Bardziej szczegółowo