Notebook. Spis treści
|
|
- Wacław Mróz
- 6 lat temu
- Przeglądów:
Transkrypt
1 Spis treści 1 Notebook 2 Implementacja filtrowania: funkcja lfilter 2.1 Dla przypomnienia: Działanie filtra w dziedzinie czasu Implementacja w pythonie 3 Badanie własności filtra w dziedzinie czasu i częstości: 3.1 Zadanie: budujemy funkcję do ilustracji własności filtra 4 Funkcje do projektowania filtrów 4.1 FIR firwin Przykłady: Zbadaj włsności przykładowych projektów Zadanie: Zaprojektuj i zbadaj własności filtra: Zadanie: Znajdź rząd filtra FIR: firwin Zadanie: filtr wielopasmowy 5 Filtry IIR 5.1 Funkcje do projektowania filtrów IIR dostępne w module scipy.signal Filtr Butterwortha Filtr Czebyszewa I rodzaju Filtr Czebyszewa II rodzaju Filtr eliptyczny 5.2 Filtrowanie z zerowym przesunięciem fazowym Zadanie Zadanie Zadanie Zadanie: filtr pasmowy do wyszukiwania wrzecion snu Zadanie 5: uwaga na odpowiedź impulsową Zadanie: Uwaga na odpowiedź schodkową 5.3 Przepróbkowywanie Przepróbkowywanie do góry: Przepróbkowanie do dołu: Zmiana częstości o wymierną ilość razy: Zadanie 6 Notebook notebook o filtrach Ustawiamy parametry wyświetlania i font. # encoding: utf-8
2 % matplotlib inline import matplotlib matplotlib.rcparams['figure.figsize'] = (7,7)#(10, 7) matplotlib.rcparams.update({'font.family': 'Arial'}) matplotlib.rcparams.update({'font.size': 10}) from IPython.core.display import display, HTML display(html("<style>.container { width:100%!important; }</style>")) Importujemy podstawowe moduły: import numpy as np import pylab as py Importujemy funkcje specyficzne dla filtrowania w pythonie: from scipy.signal import freqz, group_delay #funkcja obliczająca funkcję systemu from scipy.signal import firwin, firwin2 # funkcje do projektowania filtrów FIR from scipy.signal import butter, buttord # funkcje do projektowania filtrów from scipy.signal import cheby1, cheb1ord # funkcje do projektowania filtrów from scipy.signal import cheby2, cheb2ord # funkcje do projektowania filtrów from scipy.signal import ellip, ellipord # funkcje do projektowania filtrów eliptycznych from scipy.signal import lfilter, filtfilt # funkcje do aplikowania filtrów Implementacja filtrowania: funkcja lfilter Dla przypomnienia: Działanie filtra w dziedzinie czasu Najczęściej, wyjście filtra jest kombinacją liniową:
3 gdzie: liczba przeszłych próbek wejściowych liczba przeszłych próbek wyjściowych użytych do obliczenia aktualnego wyjścia. Większa z liczb i określa "rząd" filtra. Zauważmy, że matematycznie operacje te odpowiadają splataniu próbek wejściowych z wektorem i próbek wyjściowych z wektorem. Implementacja w pythonie Filtrowanie zgodne z powyższymi równaniami zaimplementowane jest w pythonie w module scipy.signal jako funkcja lfilter. Podstawowe wywołanie tej funkcji dla sygnału we wygląda następująco: wy = scipy.signal.lfilter(b,a,we) gdzie b, a są to współczynniki z poprzedniego równania. Badanie własności filtra w dziedzinie czasu i częstości: Przy projektowaniu filtra musimy brać pod uwagę jego następujące własności: - w dziedzinie częstości: - moduł transmitancji (funkcji przenoszenia) - jest to zależność modułu funkcji systemu od częstości - opóźnienie grupowe - opóźnienie fazowe - w dziedzinie czasu: - funkcję odpowiedzi impulsowej - funkcję odpowiedzi schodkowej Zadanie: budujemy funkcję do ilustracji własności filtra Nasza funkcja będzie przyjmowała na wejściu: * współczynniki filtra a, b, * wektor zawierający częstości f, dla których własności mają być policzone, * długość odcinka czasu, T, na którym mają być prezentowane własności czasowe filtra, oraz częstość próbkowania Fs. Funkcja ta będzie rysowała wszystkie powyżej wspomniane charakterystyki filtra. def charkterystyki(a,b,f,t,fs): # przyda nam się oś czasu od -T do T sekund t = np.arange(-t, T, 1/Fs)
4 # oś częstości przeliczamy na radiany w = 2*np.pi* f/fs # obliczamy transmitancję w, h = freqz(...) # obliczamy moduł transmitancji m = np.abs(h) # obliczamy fazę i "rozwijamy" ją faza = np.unwrap(np.angle(h)) # obliczamy opóźnienie fazowe opoznieniefazowe = - faza/w # obliczamy opóźnienie grupowe df = np.diff(faza) idx, = np.where(np.abs(df-np.pi)<0.05) #to zabezpieczenie na błędy przy "rozwijaniu" fazy df[idx] = (df[idx+1]+df[idx-1])/2 grupowe = - df/np.diff(w) # obliczamy odpowiedź impulsową x = np.zeros(len(t)) x[len(t)//2] = 1 # impuls y = lfilter(b,a,x) # obliczamy odpowiedź schodkową s = np.zeros(len(t)) s[len(t)//2:] = 1 # schodek ys = lfilter(b,a,s) # przepuszczamy impuls przez filtr i obserwujemy odpowiedź impulsową # rysujemy fig = py.figure() py.subplot(3,2,1) py.title('moduł transmitancji') py.plot(f,20*np.log10(m)) py.ylabel('[db]') py.grid('on') py.subplot(3,2,3) py.title('opóźnienie fazowe') py.plot(f, opoznieniefazowe) py.ylabel('próbki') py.grid('on')
5 py.subplot(3,2,5) py.title('opóźnienie grupowe') py.plot(f[:-1],grupowe) py.ylabel('próbki') py.xlabel('częstość [Hz]') py.grid('on') py.ylim([, np.max(grupowe)+1]) py.subplot(3,2,2) py.title('odpowiedź impulsowa') py.plot(t, x) py.plot(t, y) py.xlim([-t/2,t]) py.grid('on') py.subplot(3,2,4) py.title('odpowiedź schodkowa') py.plot(t, s) py.plot(t, ys) py.xlim([-t/2,t]) py.xlabel('czas [s]') py.grid('on') fig.subplots_adjust(hspace=.5) py.show() Testujemy: b = firwin(54,0.5)# licznik a = np.array([1.0]) # mianownik Fs = 100 T = 1 f = np.arange(0.01,fs/2,0.01) charkterystyki(a,b,f,t,fs) Funkcje do projektowania filtrów W bibliotece scipy.signal jest kilka funkcji do projektowania filtrów o zadanych parametrach. My skupimy się na dwóch zasadniczych grupach: * FIR - filtry o skończonej odpowiedzi impulsowej * klasyczne IIR - filtry o nieskończonej odpowiedzi impulsowej
6 FIR Filtry typu FIR zwykle wymagają znacznie wyższych rzędów aby osiągnąć transmitancję o porządanej formie. Mają jednak dwie podstawowe zalety: * ich funkcja odpowiedzi jest skończona opisana wektorem b - efekty brzegowe sięgają z obu końców filtrowanego sygnału na dokładnie połowę długości wektora b * mają liniową zależnaość fazy od częstości. Z tego powodu opóżnienie grupowe dla wszystkich częstości jest takie samo. W module scipy.signal mamy kilka funkcji do projektowania filtrów typu FIR: firwin i firwin2. firwin Najprostszą koncepcyjnie metodą projektowania filtrów FIR jest metoda okienkowa. Metoda składa się z następujących kroków: w dziedzinie częstości projektowana jest idealna funkcja przenoszenia, obliczana jest od niej odwrotna transformata Fouriera, następnie otrzymana sekwencja czasowa (odpowiedź impulsowa) jest przemnażana przez wybrane okno. Metoda ta zaimplementowana jest w funkcji scipy.signal.firwin(numtaps, cutoff, width=none, window='hamming', pass_zero=true, scale=true, nyq=1.0). Pozwala ona projektować filtry dolno- i górno- przepustowe oraz pasmowo przepustowe i pasmowo zaporowe metodą okienkową. Najważniejsze parametry (kompletny opis w dokumentacji) numtaps: int, ilość współczynników filtru (rząd filtru+1). Liczba ta musi być parzysta jeśli pasmo przenoszenia ma zawierać częstość Nyquista. cutoff: częstość odcięcia filtru. Może być jedną liczbą zmiennoprzecinkową dla filtru dolnolub górno- przepustowego lub tablicą dla filtrów pasmowych. Wyrażamy ją w tych samych jednostkach co nyq i musi zawierać się pomiędzy 0 a nyq. window: napis lub krotka: określa jakiego okna użyć do projektu filtru. Może to być dowolne okno spośród opisanych w scipy.signal.get_window pass_zero: bool, Jeśli True to zero jest przenoszone, jeśli False to nie jest. Ten parametr decyduje jak jest interpretowane pierwsze pasmo od 0 do cutoff - czy ma to być pasmo przenoszone czy tłumione. nyq: float. Częstość Nyquista. Zwraca: współczynniki b Przykłady: Zbadaj włsności przykładowych projektów We wszystkich poniższych przykładach zakładamy, że częstość próbkowania wynosi 256Hz: filtr dolnoprzepustowy rzędu 20 z częstością odcięcia 40Hz: firwin(21, 40, nyq= 128) Fs = 128
7 T = 0.2 f = np.arange(0.01,fs/2,0.01) b = firwin(21, 40, nyq= 128) charkterystyki(1,b,f,t,fs) filtr górnoprzepustowy rzędu 15 z częstością odcięcia 5 Hz: firwin(17, 15, nyq= 128, pass_zero=false) Fs = 256 T = 1 f = np.arange(0.01,fs/2,0.01) b = firwin(17, 15, nyq= 128, pass_zero=false) charkterystyki(1,b,f,t = 0.2,Fs=Fs) pasmowo przepustowy 51 rzędu przenoszący częstości pomiędzy 8 a 14 Hz: firwin(51, [8, 14], nyq= 128, pass_zero=false) Fs = 256 f = np.arange(0.01,fs/2,0.01) b=firwin(51, [8, 14], nyq= Fs/2, pass_zero=false) charkterystyki(1,b,f,t = 0.2,Fs=Fs) Zadanie: Zaprojektuj i zbadaj własności filtra: FIR dolno z pasmem przenoszenia od 30 Hz dla sygnału próbkowanego 256 Hz Zadanie: Znajdź rząd filtra FIR: dolnoprzepustowego z pasmem przenoszenia do 40 Hz dla sygnału próbkowanego 256 Hz, tak aby dla częstości powyżej 45 Hz jego tłumienie było nie mniejsze niż 20dB. firwin2 Funkcja scipy.signal.firwin2(numtaps, freq, gain, nfreqs=none, window='hamming', nyq=1.0)
8 również implementuje okienkową metodę projektowania filtrów FIR. Daje ona nieco większą swobodę w kształtowaniu idealnej funkcji przenoszenia. Zadaje się ją przez podanie dwóch wektorów: * freq i Wektor freq definiuje punkty w częstości (jednostki takie same jak nyq, muszą zawierać 0 i nyq) dla których znana jest wartość pożądanego przenoszenia. Wartości freq muszą być ułożone w kolejności rosnącej, dopuszczalne jest powtórzenie tej samej wartości częstości i odpowiadających im różnych wartości gain aby zdefiniować nieciągłość funkcji przenoszenia. * gain Pożądane wartości przenoszenia odpowiadające kolejnym częstościom definiowane są w gain. * Znaczenie pozostałych parametrów jest takie samo jak dla ``firwin. Zadanie: filtr wielopasmowy Zaprojektuj filtr przenoszący częstości w pasmach pomiędzy : 10-11, i Hz, który w paśmie zaporowym ma co najmniej 60 db tłumienia. Fs =100 T = 2 f = np.arange(0.01,fs/2,0.01) freq = np.array([, 10, 10, 11, 11, 20, 20, 21, 21, 30, 30, 31, 31, 50]) gain = np.array([,, 1, 1,,, 1, 1,,, 1, 1,, ]) b = firwin2(100, freq, gain, nyq= 50) charkterystyki(1,b,f,t,fs) Filtry IIR Filtry o nieskończonej odpowiedzi impulsowej (infinite impulse response, IIR) mają zazwyczaj dużo niższe rzędy niż filtry o skończonej odpowiedzi impulsowej (finite impulse response, FIR) z analogicznym poziomem tłumienia i szerokością pasma przejściowego. W module scipy.signal mamy zaimplementowane kilka funkcji do projektowania optymalnych pod różnymi względami filtrów w klasycznych konfiguracjach: dolno- albo górnoprzepustowe i pasmowo-przepustowe albo pasmowo-zaporowe. Funkcje do projektowania filtrów IIR dostępne w module scipy.signal W module scipy.signal dostępne są funkcje do projektowania czterech typów filtrów: Butterwortha, Czebyszewa typu I i II, oraz eliptyczny. Do opisu wymagań projektowych funkcje te wykorzystują następujące pojęcia: * wp, ws krawędzie pasma przenoszenia i tłumienia. Częstości są znormalizowane do zakresu od 0 do 1 (1 odpowiada częstości Nyquista) przykładowo: * * dolno-przepustowy: wp = 0.2, ws = 0.3 * * górno-przepustowy: wp = 0.3, ws = 0.2 * * pasmowo-przepustowy: wp = [0.2, 0.5], ws = [0.1, 0.6] * * pasmowo-zaporowy: wp = [0.1, 0.6], ws = [0.2, 0.5] * gpass maksymalna dopuszczalna strata w pasmie przenoszenia (w funkcjach projektujących filtry jest to rp) (db). * gstop minimalne wymagane tłumienie w pasmie tłumienia (w funkcjach projektujących filtry jest to rs) (db). * btype typ filtra
9 ('lowpass', 'highpass', 'bandpass', 'bandstop'). Funkcje do projektowania filtrów są zaimplementowane parami: * jedna pomaga dobierać rząd filtru do wymagań projektowych, * druga oblicza współczynniki filtru. W poniższych przykładach przyjmiemy: T = 0.3 Fs = 100 # Hz f = np.arange(0.01,fs/2,0.01) wp = 10/(Fs/2) ws = 30/(Fs/2) gpass = 1 gstop = 25 analog= rp = gpass rs = gstop Filtr Butterwortha daje gładką (bez tętnień) funkcję przenoszenia w całym zakresie częstości. [n,wn]=buttord(wp, ws, gpass, gstop) [b,a]=butter(n,wn) charkterystyki(a,b,f,t,fs) print('filtr Butterwortha, rząd: {}, częstość odcięcia {:.3f}'.format(n,Wn*Fs/2)) Filtr Czebyszewa I rodzaju gładka funkcja przenoszenia w paśmie tłumienia, minimalizowane są tętnienia w paśmie przenoszenia [n,wn]=cheb1ord(wp, ws, gpass, gstop, analog) [b,a]=cheby1(n, rp, Wn, btype='low', output='ba') charkterystyki(a,b,f,t,fs) print('czebyszewa I Typu: rząd: {}, częstość odcięcia {:.3f}'.format(n,Wn*Fs/2)) Filtr Czebyszewa II rodzaju gładka funkcja przenoszenia w paśmie przenoszenia, minimalizowane tętnienia w paśmie tłumienia
10 [n,wn]=cheb2ord(wp, ws, gpass, gstop, analog=); [b,a]=cheby2(n, rs, Wn, btype='low', analog=, output='ba') charkterystyki(a,b,f,t,fs) print('czebyszewa II Typu: rząd: {}, częstość odcięcia {:.3f}'.format(n,Wn*Fs/2)) Filtr eliptyczny daje najostrzejsze przejście pomiędzy pasmem tłumienia i przenoszenia przy tym samym rzędzie w porównaniu z wyżej wymienionymi filtrami, tętnienia są obecne zarówno w paśmie przenoszenia jak i w paśmie tłumienia [n,wn]=ellipord(wp, ws, rp,rs); [b,a]=ellip(n, rp, rs, Wn, btype='low', analog=, output='ba') charkterystyki(a,b,f,t,fs) print('eliptyczny: rząd: {}, częstość odcięcia {:.3f}'.format(n,Wn*Fs/2)) Filtrowanie z zerowym przesunięciem fazowym Zadanie Filtrowanie sygnałów off-line można zrealizować tak, aby sygnał wyjściowy nie miał przesunięcia fazowego. Procedura powyższa zaimplementowana jest w funkcji: scipy.signal.filtfilt. Jej działanie i porównanie z efektami funkcji lfilter przedstawia poniższy przykład: # częstość próbkowania Fs = # projekt dolnoprzepustowego filtra Butterwortha 5 rzędu # o częstości odcięcia 10 Hz [b,a] = butter(...) # obliczamy funkcję przenoszenia w,h = freqz(...) transmitancja =... #opóźnienie grupowe grupowe = -np.diff(np.unwrap(np.angle(h)))/np.diff(w) # przeliczamy skalę w (radiany) na częstości w Hz f =... # generujemy sygnał t = np.arange(,1,1/fs) s = np.sin(2*np.pi*5*t)*np.hanning(len(t))
11 # Filtrowanie z zerowym opoznieniem fazowym y = filtfilt(...) # Filtrowanie standardowe y1 = lfilter(b,a,s) # WYKRESY py.subplot(2,2,1) py.plot(f,20*np.log10(transmitancja)) # przeliczenie modułu transmitancji na db py.title('moduł transmitancji') py.ylabel('[db]') py.subplot(2,2,3) py.plot(f[:-1], grupowe ) py.title('opoznienie grupowe') py.xlabel('[hz]') py.ylabel('punkty') py.subplot(1,2,2) py.plot(t,s) py.plot(t,y,'g.') py.plot(t,y1,'r') py.legend(('s','filtfilt','lfilter')) py.xlabel('[s]') py.title('sygnaly') py.show() Zadanie Skonstruować filtry dolnoprzepustowe rzędu n=5, o częstości odcięcia 30 Hz przy częstości próbkowania sygnału 128 Hz, rp = 0,5 db, rs = 20 db, przy pomocy wszystkich podanych powyżej funkcji i porównać ich własności. Zadanie Dobrać rząd i zaprojektować, a następnie zbadać własności otrzymanego filtru Butterwortha spełniającego poniższe kryteria: pasmo przenoszenia Hz, pasmo tłumienia zaczyna się 500 Hz od każdego z brzegów pasma przenoszenia, próbkowanie 10 khz, najwyżej 1 db tętnienia w paśmie przenoszenia, co najmniej 60 db tłumienia w paśmie tłumienia.
12 Zadanie: filtr pasmowy do wyszukiwania wrzecion snu Zaprojektować filtr do wyławiania wrzecion snu z sygnału. Wrzeciona snu to struktury w sygnale EEG rejestrowanym w czasie snu zawierające się w paśmie Hz. Działanie filtra przetestować na sygnale: Sygnał ten to fragment zapisu EEG z II stadium snu elektroda C4 próbkownie 128Hz. s = np.loadtxt('c4spin.txt') # wczytujemy sygnał z pliku tekstowego Fs = 128 t = np.arange(,len(s))/fs # przygotowujemy oś czasu py.plot(t, s) [b,a] = butter(...) sf = filtfilt(...) py.plot(t,sf) py.show() Zadanie 5: uwaga na odpowiedź impulsową Przydadzą nam się pliki: * Plik z sygnałem EKG * Plik z metadanymi do tego sygnału Proszę: * wykreślić pierwsze 10 sekund sygnału * zastosować filtr górnoprzepustowy Butterwartha o częstościach odcięcia: 0.01, 0.1, 0.5 -> zaobserwuj jak długo stabilizuje się sygnał * Zastosuj filtr pasmowoprzepustowy (11-14 Hz) i wykreśl wynik jego zastosowania na tle poprzedniej wersji sygnału. Zinterpretuj wynik w kontekście funkcji odpowiedzi impulsowej tego filtra. s = np.fromfile('ekg.bin', dtype='<f') # tworzymy tablicę sig o typie określonym przez ''dtype'' # ustawiamy częstość próbkowania Fs = 128 # tworzymy wektor czasu t = np.arange(,len(s))/fs # ustalamy zakres indeksów sygnału i czasu do wyświetlania zakres = np.logical_and(<t, t<10) py.plot(t[zakres],s[zakres]) # filtr górnoprzepustowy (0.01, 0.1, 0.5) [b,a] = butter(... ) sf = filtfilt(...)
13 py.plot(t[zakres],sf[zakres]) # filtr pasmowy [bl,al] = butter(... ) sf_l = filtfilt(bl,al,sf) py.plot(t[zakres],sf_l[zakres]) py.show() Zadanie: Uwaga na odpowiedź schodkową Wykorzystajmy fragment sygnału EKG z poprzedniego zadania (pomiędzy 12 a 40 -tą sekundą). * wykreśl ten fragment * zaprojektuj filtr górnoprzepustowy Butterwortha o częstości odcięcia 0.1 (potem 0.5), rzedu 1 (potem 5), * przefiltruj sygnał z tymi współczynnikami za pomocą funkcji filtfilt i lfilter, * dodaj do sygnału z lewej strony jego kopię odwróconą w czasie, * ten sygnał przefiltruj funkcją lfilter i wykreśl jego drugą połowę, * zinterpretuj uzyskane wyniki w kontekście funkcji odpowiedzi impulsowej. zakres = np.logical_and(10<t, t<40) t_z = t[zakres] s_z = s[zakres] py.plot(t_z,s_z, label = 'oryginalny') py.grid('on') # filtr górnoprzepustowy ( 0.1, 0.5) [b,a] = butter(...) sff = filtfilt(...) py.plot(t_z, sff, label = 'filtfilt') # lfilter sfl = lfilter(...) py.plot(t_z,...,label = 'lfilter') # lfilter z przedłużeniem x=np.concatenate((s_z[::-1],s_z)) sfl_p = lfilter(...) py.plot(t_z,sfl_p[len(t_z):],label = 'lfilter z przedłużaniem') py.legend() py.show() Przepróbkowywanie Przepróbkowywanie do góry: Zwiększamy częstość prókowania całkowitą ilość razy P
14 Najpowszechniej stosowana metoda polega na dodaniu P zer pomiędzy istniejące próbki sygnału tak aby osiągnął on P-krotnie większą długość. Następnie taki rozciągnięty sygnał filtrujemy filtrem dolnoprzepustowym o częstości odcięcia nie większej niż częstość Nyquista oryginalnego sygnału rozciąganie sygnału nie dokłada do niego nowej informacji więc i tak nic nie tracimy. Przykład przepróbkowania do góry: t = np.arange(,0.05,0.001) # czas x = np.sin(2*np.pi*30*t) + np.sin(2*np.pi*60*t) # sygnał py.subplot(3,1,1) py.plot(x,'.') py.title('sygnał oryginalny') py.subplot(3,1,2) X = np.zeros(4*len(x)) X[::4] = x py.plot(x,'.') py.title('sygnał poprzetykany zerami') [b,a] = butter(8,...) # filtr powinien przepuszczać tylko te częstości, # które były w oryginalnym sygnale tzn. poniżej pierwotnego Nyqista y = filtfilt(b,a,x); # filtrujemy dolnoprzepustowo py.subplot(3,1,3) py.plot(y,'.') py.show() Przepróbkowanie do dołu: Zmniejszamy częstość próbkowania całkowitą ilość razy. Musimy pamiętać o tym, żeby wyfiltrować to, co było w oryginalnym sygnale powyżej docelowego Nyquista, żeby uniknąć aliasingu w wynikowym sygnale. Fs1 = # pierwotna częstość próbkowania [Hz] FN1 = Fs1/2 # pierwotna częstość Nyquista t = arange(,1,1.0/fs1) # czas probkowany 1/Fs1 f1 = 6 # Hz f2 = 60 fi = pi/2 s = sin(2*pi*t*f1+fi) + sin(2*pi*t*f2+fi) subplot(4,1,1) plot(t,s,'.-') title(u'sygnał pierwotny') # obnizamy czestosc probkowania k razy
15 k = 2 Fs2 = Fs1/k # nowa czestosc probkowania jest k razy niższa FN2 = Fs2/2 # nowa częstość Nyquista [b,a] = butter(8,fn2/fn1) # przefiltrujemy filtrem dolnoprzepustowym # tak aby nic nie zostało powyzej # docelowej częstości Nyquista ss = filtfilt(b,a,s); t2 = arange(,1,1.0/fs2) subplot(4,1,2) plot(t,ss,'.-') title(u'sygnał przefiltrowany dolnoprzepustowy') subplot(4,1,3) ss2 = ss[::k] plot(t2,ss2,'.-') title(u'sygnał przepróbkowany prawidłowo') subplot(4,1,4) ss3 = s[::k] plot(t2,ss3,'.-') title(u'sygnał przepróbkowany nieprawidłowo, bez filtrowania dolnoprzepustowego') show() Zmiana częstości o wymierną ilość razy: Zmieniamy częstość próbkowania o wymierną liczbę razy uzyskujemy składając powyższe kroki tzn. najpierw zwiększamy częstość P-krotnie, a następnie zmniejszamy Q-krotnie. Zadanie 6 Proszę napisać funkcję, która będzie przepróbkowywać sygnał o wymierną liczbę razy. Funkcja powinna przyjmować sygnał, częstość próbkowania, parametry P i Q i zwracać przepróbkowany sygnał i nową częstość próbkowania def resample(s,fs,p=1,q=1): if P>1 and isinstance(p,int): sp = np.zeros(p*len(s)) sp[...] = s fs =... [b,a] = butter(...) s = filtfilt(...) if Q>1 and isinstance(q,int): fs = fs/q
16 [b,a] = butter(...) s = filtfilt(...) s = s[...] return s,fs fs = 1000 t = np.arange(,0.05,0.001) # czas s1 = np.sin(2*np.pi*30*t) + np.sin(2*np.pi*60*t) # sygnał py.subplot(3,1,1) py.plot(s1,'.') y,fs2 = resample(s1,fs,p=10,q=1) py.subplot(3,1,2) py.plot(y,'.') py.show() fs = t = np.arange(,1,1.0/fs) f1 = 6 # Hz f2 = 40 fi = np.pi/2 s2 = np.sin(2*np.pi*t*f1+fi) + np.sin(2*np.pi*t*f2+fi) py.subplot(3,1,1) py.plot(s2,'.-') y,fs2 = resample(s2,fs,p=1,q=2) py.subplot(3,1,2) py.plot(y,'.-') py.show()
Filtry IIR. Zadania Przepróbkowywanie. Filtry IIR
Filtry IIR Filtry IIR mają zazwyczaj dużo niższe rzędy przy osiągach takich jak FIR z dużo wyższymi rzędami. W matlabie mamy zaimplementowane kilka funkcji do projektowania óptymalnych pod różnymi względami
Bardziej szczegółowoWprowadzenie. Spis treści. Analiza_sygnałów_-_ćwiczenia/Filtry
Analiza_sygnałów_-_ćwiczenia/Filtry Spis treści 1 Wprowadzenie 2 Filtry cyfrowe: powtórka z wykładu 2.1 Działanie filtra w dziedzinie czasu 2.2 Nazewnictwo 2.3 Przejście do dziedziny częstości 2.3.1 Działanie
Bardziej szczegółowoLaboratorium nr 4: Porównanie filtrów FIR i IIR. skończonej odpowiedzi impulsowej (FIR) zawsze stabilne, mogą mieć liniową charakterystykę fazową
Teoria Sygnałów sprawozdanie z zajęć laboratoryjnych Zajęcia z dnia 07.01.2009 Prowadzący: dr inż. Stanisław Nuckowski Sprawozdanie wykonał: Tomasz Witka Laboratorium nr 4: Porównanie filtrów FIR i IIR
Bardziej szczegółowoFiltrowanie a sploty. W powyższym przykładzie proszę zwrócić uwagę na efekty brzegowe. Wprowadzenie Projektowanie filtru Zadania
Filtrowanie a sploty idea x=[2222222222] %sygnałstochastycznyodługości5próbek h=[1111]/4; %Filtruśredniającypo4sąsiednichelementach y=conv(h,x)%zaaplikowaniefiltruhdosygnałux W powyższym przykładzie proszę
Bardziej szczegółowoTransformata Laplace a to przekształcenie całkowe funkcji f(t) opisane następującym wzorem:
PPS 2 kartkówka 1 RÓWNANIE RÓŻNICOWE Jest to dyskretny odpowiednik równania różniczkowego. Równania różnicowe to pewne związki rekurencyjne określające w sposób niebezpośredni wartość danego wyrazu ciągu.
Bardziej szczegółowoPrzetwarzanie sygnałów
Przetwarzanie sygnałów Ćwiczenie 5 Filtry o nieskończonej odpowiedzi impulsowej (NOI) Spis treści 1 Wprowadzenie 1 1.1 Filtry jednobiegunowe....................... 1 1.2 Filtry wąskopasmowe........................
Bardziej szczegółowoANALIZA SYGNAŁÓ W JEDNÓWYMIARÓWYCH
ANALIZA SYGNAŁÓ W JEDNÓWYMIARÓWYCH Generowanie podstawowych przebiegów okresowych sawtooth() przebieg trójkątny (wierzhołki +/-1, okres 2 ) square() przebieg kwadratowy (okres 2 ) gauspuls()przebieg sinusoidalny
Bardziej szczegółowoPodstawy 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 szczegółowob 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 szczegółowox(n) x(n-1) x(n-2) D x(n-n+1) h N-1
Laboratorium Układy dyskretne LTI projektowanie filtrów typu FIR Z1. apisać funkcję y = filtruj(x, h), która wyznacza sygnał y będący wynikiem filtracji sygnału x przez filtr FIR o odpowiedzi impulsowej
Bardziej szczegółowo2. Próbkowanie Sygnały okresowe (16). Trygonometryczny szereg Fouriera (17). Częstotliwość Nyquista (20).
SPIS TREŚCI ROZDZIAŁ I SYGNAŁY CYFROWE 9 1. Pojęcia wstępne Wiadomości, informacje, dane, sygnały (9). Sygnał jako nośnik informacji (11). Sygnał jako funkcja (12). Sygnał analogowy (13). Sygnał cyfrowy
Bardziej szczegółowoĆwiczenie 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 szczegółowoPrzetwarzanie sygnałów
Przetwarzanie sygnałów Ćwiczenie 3 Filtry o skończonej odpowiedzi impulsowej (SOI) Spis treści 1 Filtracja cyfrowa podstawowe wiadomości 1 1.1 Właściwości filtru w dziedzinie czasu............... 1 1.2
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI) 1. Filtracja cyfrowa podstawowe
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 4. Filtry o skończonej odpowiedzi impulsowej (SOI) 1. Filtracja cyfrowa podstawowe
Bardziej szczegółowoĆwiczenie 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 szczegółowo8. 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 szczegółowoLiniowe układy scalone. Filtry aktywne w oparciu o wzmacniacze operacyjne
Liniowe układy scalone Filtry aktywne w oparciu o wzmacniacze operacyjne Wiadomości ogólne (1) Zadanie filtrów aktywnych przepuszczanie sygnałów znajdujących się w pewnym zakresie częstotliwości pasmo
Bardziej szczegółowoSPRZĘTOWA REALIZACJA FILTRÓW CYFROWYCH TYPU SOI
1 ĆWICZENIE VI SPRZĘTOWA REALIZACJA FILTRÓW CYFROWYCH TYPU SOI (00) Celem pracy jest poznanie sposobu fizycznej realizacji filtrów cyfrowych na procesorze sygnałowym firmy Texas Instruments TMS320C6711
Bardziej szczegółowoWydział 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 szczegółowoSpis treści. Widmo mocy. Obliczanie mocy sygnału. Analiza_sygnałów_-_ćwiczenia/Fourier_4
Analiza_sygnałów_-_ćwiczenia/Fourier_4 Spis treści 1 Widmo mocy 1.1 Obliczanie mocy sygnału 1.1.1 Zadanie 1: Moc i energia sygnału w dziedzinie czasu 1.1.2 Zadanie 2: Moc i energia sygnału w dziedzinie
Bardziej szczegółowoCyfrowe przetwarzanie sygnałów Jacek Rezmer -1-
Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1- Filtry cyfrowe cz. Zastosowanie funkcji okien do projektowania filtrów SOI Nierównomierności charakterystyki amplitudowej filtru cyfrowego typu SOI można
Bardziej szczegółowo5 Filtry drugiego rzędu
5 Filtry drugiego rzędu Cel ćwiczenia 1. Zrozumienie zasady działania i charakterystyk filtrów. 2. Poznanie zalet filtrów aktywnych. 3. Zastosowanie filtrów drugiego rzędu z układem całkującym Podstawy
Bardziej szczegółowoWydział 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 szczegółowoZadanie: Filtr adaptywny
Spis treści 1 Zadanie: Filtr adaptywny 1.1 Przygotuj sygnały: 1.2 Symulacja sieci 1.3 Wykresy 1.4 Szkielet rozwiązania: 1.5 Pytania Zadanie: Filtr adaptywny W tym zadaniu symulujemy działanie filtra, który
Bardziej szczegółowoLaboratorium Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z przetwarzaniem sygnałów w MATLAB. 2. Program ćwiczenia. Przykład 1 Wprowadź
Podstawy Informatyki 1 Laboratorium 9 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z przetwarzaniem sygnałów w MATLAB 2. Program ćwiczenia Przykład 1 Wprowadź fo = 4; %frequency of the sine wave
Bardziej szczegółowoFiltry FIR i biblioteka DSPLIB
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Filtry FIR i biblioteka DSPLIB Wstęp Na poprzednim wykładzie napisaliśmy algorytm
Bardziej szczegółowoWydział 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 szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1C400027 Temat ćwiczenia:
Bardziej szczegółowoWydział 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 szczegółowoTemat: Filtracja cyfrowa okresowych sygnałów deterministycznych Ćwiczenie 3
CYFROWE PRZETWARZANIE SYGNAŁÓW Laboratorium Inżynieria Biomedyczna, studia stacjonarne pierwszego stopnia imei Instytut Metrologii, Elektroniki i Informatyki Temat: Filtracja cyfrowa okresowych sygnałów
Bardziej szczegółowoBADANIE FILTRÓW. Instytut Fizyki Akademia Pomorska w Słupsku
BADANIE FILTRÓW Cel ćwiczenia. Celem ćwiczenia jest zapoznanie się z właściwościami filtrów. Zagadnienia teoretyczne. Filtry częstotliwościowe Filtrem nazywamy układ o strukturze czwórnika, który przepuszcza
Bardziej szczegółowoAKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ
AKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ ELEMETY ELEKTRONIKI LABORATORIUM Kierunek NAWIGACJA Specjalność Transport morski Semestr II Ćw. 2 Filtry analogowe układy całkujące i różniczkujące Wersja opracowania
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1C400027 Temat ćwiczenia:
Bardziej szczegółowoTechnika audio część 2
Technika audio część 2 Wykład 12 Projektowanie cyfrowych układów elektronicznych Mgr inż. Łukasz Kirchner lukasz.kirchner@cs.put.poznan.pl http://www.cs.put.poznan.pl/lkirchner Wprowadzenie do filtracji
Bardziej szczegółowoTemat: Filtracja cyfrowa okresowych sygnałów deterministycznych Ćwiczenie 3
CYFROWE PRZETWARZANIE SYGNAŁÓW Laboratorium Informatyka, studia stacjonarne drugiego stopnia imei Instytut Metrologii, Elektroniki i Informatyki Temat: Filtracja cyfrowa okresowych sygnałów deterministycznych
Bardziej szczegółowoPORÓWNANIE METOD PROJEKTOWANIA FILTRÓW CYFROWYCH
POZNAN UNIVERSITY OF TECHNOLOGY ACADEMIC JOURNALS No 93 Electrical Engineering 2018 DOI 10.21008/j.1897-0737.2018.93.0029 Dominik MATECKI * PORÓWNANIE METOD PROJEKTOWANIA FILTRÓW CYFROWYCH W artykule zostały
Bardziej szczegółowoKompresja Danych. Streszczenie Studia Dzienne Wykład 13, f(t) = c n e inω0t, T f(t)e inω 0t dt.
1 Kodowanie podpasmowe Kompresja Danych Streszczenie Studia Dzienne Wykład 13, 18.05.2006 1.1 Transformaty, próbkowanie i filtry Korzystamy z faktów: Każdą funkcję okresową można reprezentować w postaci
Bardziej szczegółowoWydział 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 szczegółowoĆWICZENIE 6 Transmitancje operatorowe, charakterystyki częstotliwościowe układów aktywnych pierwszego, drugiego i wyższych rzędów
ĆWICZENIE 6 Transmitancje operatorowe, charakterystyki częstotliwościowe układów aktywnych pierwszego, drugiego i wyższych rzędów. Cel ćwiczenia Badanie układów pierwszego rzędu różniczkującego, całkującego
Bardziej szczegółowoKartkówka 1 Opracowanie: Próbkowanie częstotliwość próbkowania nie mniejsza niż podwojona szerokość przed spróbkowaniem.
Znowu prosta zasada - zbierzmy wszystkie zagadnienia z tych 3ech kartkówek i opracujmy - może się akurat przyda na dopytkę i uda się zaliczyć labki :) (dodatkowo można opracowania z tych rzeczy z doc ów
Bardziej szczegółowoW 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 szczegółowoKOMPUTEROWE SYSTEMY POMIAROWE
KOMPUTEROWE SYSTEMY POMIAROWE Dr inż. Eligiusz PAWŁOWSKI Politechnika Lubelska Wydział Elektrotechniki i Informatyki Prezentacja do wykładu dla EMST - ITwE Semestr zimowy Wykład nr 12 Prawo autorskie Niniejsze
Bardziej szczegółowo13.2. Filtry cyfrowe
Bibliografia: 1. Chassaing Rulph, Digital Signal Processing and Applications with the C6713 and C6416 DSK, Wiley-Interscience 2005. 2. Borodziewicz W., Jaszczak K., Cyfrowe Przetwarzanie sygnałów, Wydawnictwo
Bardziej szczegółowoA3 : Wzmacniacze operacyjne w układach liniowych
A3 : Wzmacniacze operacyjne w układach liniowych Jacek Grela, Radosław Strzałka 2 kwietnia 29 1 Wstęp 1.1 Wzory Poniżej zamieszczamy podstawowe wzory i definicje, których używaliśmy w obliczeniach: 1.
Bardziej szczegółowoLaboratorium 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 szczegółowoA-2. Filtry bierne. wersja
wersja 04 2014 1. Zakres ćwiczenia Celem ćwiczenia jest zrozumienie propagacji sygnałów zmiennych w czasie przez układy filtracji oparte na elementach rezystancyjno-pojemnościowych. Wyznaczenie doświadczalne
Bardziej szczegółowoAnaliza 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 szczegółowoFiltry elektroniczne sygnałów ciągłych - cz.1
Filtry elektroniczne sygnałów ciągłych - cz.1 Wprowadzenie Podstawowe pojęcia Klasyfikacje, charakterystyki częstotliwościowe filtrów Właściwości filtrów w dziedzinie czasu Realizacje elektroniczne filtrów
Bardziej szczegółowoAnaliza szeregów czasowych: 4. Filtry liniowe
Analiza szeregów czasowych: 4. Filtry liniowe P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Filtry liniowe W dziedzinie fourierowskiej filtruje się bardzo prosto: oblicza się iloczyn
Bardziej szczegółowoCelem tych ćwiczeń jest zapoznanie się z klasyfikacją za pomocą sieci neuronowych.
Spis treści 1 Wstęp 1.1 Importy 2 Zbiór uczący 3 Klasyfikacja 3.1 Rysunki dodatkowe 4 Polecenia dodatkowe Wstęp Celem tych ćwiczeń jest zapoznanie się z klasyfikacją za pomocą sieci neuronowych. Importy
Bardziej szczegółowoLaboratorium: Projektowanie pasywnych i aktywnych filtrów analogowych
Laboratorium: Projektowanie pasywnych i aktywnych filtrów analogowych Autorzy: Karol Kropidłowski Jan Szajdziński Michał Bujacz 1. Cel ćwiczenia 1. Cel laboratorium: Zapoznanie się i przebadanie podstawowych
Bardziej szczegółowoZaawansowane algorytmy DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Zaawansowane algorytmy DSP Wstęp Cztery algorytmy wybrane spośród bardziej zaawansowanych
Bardziej szczegółowoFiltry cyfrowe. h(n) odpowiedź impulsowa. Filtr cyfrowy. Procesory sygnałowe (DSP), układy programowalne
Filtry cyfrowe Procesory sygnałowe (DSP), układy programowalne x(n) Filtr cyfrowy y(n) h(n) odpowiedź impulsowa x(n) y(n) y(n) = x(n) h(n) 1 Filtry cyfrowe Po co filtrujemy sygnały? Aby uzyskać: redukcję
Bardziej szczegółowoWykonawcy: Data Wydział Elektryczny Studia dzienne Nr grupy:
POLITECHNIKA POZNAŃSKA INSTYTUT ELEKTROTECHNIKI I ELEKTRONIKI PRZEMYSŁOWEJ Zakład Elektrotechniki Teoretycznej i Stosowanej Laboratorium Podstaw Telekomunikacji Ćwiczenie nr 2 Temat: Projektowanie i analiza
Bardziej szczegółowoKlasyczna rekonstrukcja obrazu (Beamforming)
Spis treści 1 Klasyczna rekonstrukcja obrazu (Beamforming) 1.1 Dane RF 1.2 Opóźnienia nadawczo-odbiorcze 1.3 Rekonstrukcja obrazu 1.3.1 Zakres dynamiki 1.3.2 Filtrowanie obrazu 1.4 Obraz B-mode 1.5 Położenie
Bardziej szczegółowoDetekcja zespołów QRS w sygnale elektrokardiograficznym
Detekcja zespołów QRS w sygnale elektrokardiograficznym 1 Wprowadzenie Zadaniem algorytmu detekcji zespołów QRS w sygnale elektrokardiograficznym jest określenie miejsc w sygnale cyfrowym w których znajdują
Bardziej szczegółowoĆwiczenia z przetwarzania tablic 2D
Ćwiczenia z przetwarzania tablic 2D Wyświetlanie tablic 2D Jako wstęp do przetwarzania obrazów w pythonie przećwiczmy podstawowe operacje na dwuwymiarowych tablicach numpy w postaci których będziemy takie
Bardziej szczegółowoPROCESORY 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 szczegółowoFiltracja. Krzysztof Patan
Filtracja Krzysztof Patan Wprowadzenie Działanie systemu polega na przetwarzaniu sygnału wejściowego x(t) na sygnał wyjściowy y(t) Równoważnie, system przetwarza widmo sygnału wejściowego X(jω) na widmo
Bardziej szczegółowoLABORATORIUM ELEKTRONIKI
INSTYTUT NAWIGACJI MOSKIEJ ZAKŁD ŁĄCZNOŚCI I CYBENETYKI MOSKIEJ AUTOMATYKI I ELEKTONIKA OKĘTOWA LABOATOIUM ELEKTONIKI Studia dzienne I rok studiów Specjalności: TM, IM, PHiON, AT, PM, MSI ĆWICZENIE N 10
Bardziej szczegółowoWOJSKOWA AKADEMIA TECHNICZNA
WOJSKOWA AKADEMIA TECHNICZNA LABORATORIUM CYFROWE PRZETWARZANIE SYGNAŁÓW Stopień, imię i nazwisko prowadzącego Imię oraz nazwisko słuchacza Grupa szkoleniowa Data wykonania ćwiczenia dr inż. Andrzej Wiśniewski
Bardziej szczegółowoWykresy i interfejsy użytkownika
Wrocław, 07.11.2017 Wstęp do informatyki i programowania: Wykresy i interfejsy użytkownika Wydział Matematyki Politechniki Wrocławskiej Andrzej Giniewicz Dzisiaj na zajęciach... Instrukcje sterujące Biblioteka
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoĆwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej
Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej 1. Filtry FIR o skończonej odpowiedzi impulsowej (SOI) Filtracja FIR polega na tym, że sygnał wyjściowy powstaje
Bardziej szczegółowoGenerowanie sygnałów na DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Generowanie sygnałów na DSP Wstęp Dziś w programie: generowanie sygnałów za pomocą
Bardziej szczegółowoPolitechnika Łódzka. Instytut Systemów Inżynierii Elektrycznej
Politechnika Łódzka Instytut Systemów Inżynierii Elektrycznej Laboratorium komputerowych systemów pomiarowych Ćwiczenie 4 Filtracja sygnałów dyskretnych 1. Opis stanowiska Ćwiczenie jest realizowane w
Bardziej szczegółowoPrzetwarzanie sygnałów z czasem ciągłym
Przetwarzanie sygnałów z czasem ciągłym Model systemowy układu p( t ) r ( t) wejście Układ wyjście p( t ) pobudzenie r ( t) reakcja Układ wykonuje pewną operację { i } na sygnale wejściowym p t (pobudzeniu),
Bardziej szczegółowoAnaliza 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 szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoĆwiczenie - 1 OBSŁUGA GENERATORA I OSCYLOSKOPU. WYZNACZANIE CHARAKTERYSTYKI AMPLITUDOWEJ I FAZOWEJ NA PRZYKŁADZIE FILTRU RC.
Ćwiczenie - 1 OBSŁUGA GENERATORA I OSCYLOSKOPU. WYZNACZANIE CHARAKTERYSTYKI AMPLITUDOWEJ I FAZOWEJ NA PRZYKŁADZIE FILTRU RC. Spis treści 1 Cel ćwiczenia 2 2 Podstawy teoretyczne 2 2.1 Charakterystyki częstotliwościowe..........................
Bardziej szczegółowoZadania z rysowania i dopasowania funkcji
Spis treści 1 Zadania z rysowania i dopasowania funkcji 1.1 Znajdowanie miejsca zerowego funkcji 1.2 Wczytywanie danych i wykres 1.3 Dopasowywanie krzywej do danych i wykres 1.3.1 Wskazówki Zadania z rysowania
Bardziej szczegółowoFFT i dyskretny splot. Aplikacje w DSP
i dyskretny splot. Aplikacje w DSP Marcin Jenczmyk m.jenczmyk@knm.katowice.pl Wydział Matematyki, Fizyki i Chemii 10 maja 2014 M. Jenczmyk Sesja wiosenna KNM 2014 i dyskretny splot 1 / 17 Transformata
Bardziej szczegółowoĆwiczenie - 7. Filtry
LABOATOIUM ELEKTONIKI Ćwiczenie - 7 Filtry Spis treści 1 el ćwiczenia 1 2 Podstawy teoretyczne 2 2.1 Transmitancja filtru dolnoprzepustowego drugiego rzędu............. 2 2.2 Aktywny filtr dolnoprzepustowy
Bardziej szczegółowo4. Funkcje. Przykłady
4. Funkcje Przykłady 4.1. Napisz funkcję kwadrat, która przyjmuje jeden argument: długość boku kwadratu i zwraca pole jego powierzchni. Używając tej funkcji napisz program, który obliczy pole powierzchni
Bardziej szczegółowoCyfrowe przetwarzanie sygnałów. Wykład 7. Projektowanie filtrów cyfrowych. dr inż. Robert Kazała
Cyfrowe przetwarzanie sygnałów Wykład 7 Projektowanie filtrów cyfrowych dr inż. Robert Kazała 1 Literatura The Scientist and Engineer's Guide to Digital Signal Processing, Steven W. Smith - www.dspguide.com
Bardziej szczegółowoRys. 1. Wzmacniacz odwracający
Ćwiczenie. 1. Zniekształcenia liniowe 1. W programie Altium Designer utwórz schemat z rys.1. Rys. 1. Wzmacniacz odwracający 2. Za pomocą symulacji wyznaczyć charakterystyki częstotliwościowe (amplitudową
Bardziej szczegółowoDYSKRETNE PRZEKSZTAŁCENIE FOURIERA C.D.
CPS 6 DYSKRETE PRZEKSZTAŁCEIE FOURIERA C.D. Twierdzenie o przesunięciu Istnieje ważna właściwość DFT, znana jako twierdzenie o przesunięciu. Mówi ono, że: Przesunięcie w czasie okresowego ciągu wejściowego
Bardziej szczegółowoAndrzej Leśnicki Laboratorium CPS Ćwiczenie 7 1/7 ĆWICZENIE 7. Splot liniowy i kołowy sygnałów
Andrzej Leśnicki Laboratorium CPS Ćwiczenie 7 1/7 ĆWICZEIE 7 Splot liniowy i kołowy sygnałów 1. Cel ćwiczenia Operacja splotu jest jedną z najczęściej wykonywanych operacji na sygnale. Każde przejście
Bardziej szczegółowoRównania różniczkowe zwyczajne
Równania różniczkowe zwyczajne Zajmiemy się teraz problemem numerycznego rozwiązywania równań różniczkowych zwyczajnych o postaci: z warunkeim początkowym. Zauważmy że przykładowe równanie różniczkowe
Bardziej szczegółowoTechnika analogowa. Problematyka ćwiczenia: Temat ćwiczenia:
Technika analogowa Problematyka ćwiczenia: Pomiędzy urządzeniem nadawczym oraz odbiorczym przesyłany jest sygnał użyteczny w paśmie 10Hz 50kHz. W trakcie odbioru sygnału po stronie odbiorczej stwierdzono
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoWYDZIAŁ 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 10. Dyskretyzacja
Bardziej szczegółowoĆwiczenie: "Obwody prądu sinusoidalnego jednofazowego"
Ćwiczenie: "Obwody prądu sinusoidalnego jednofazowego" Opracowane w ramach projektu: "Informatyka mój sposób na poznanie i opisanie świata realizowanego przez Warszawską Wyższą Szkołę Informatyki. Zakres
Bardziej szczegółowoFILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI
FILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI ( frequency domain filters) Każdy człon F(u,v) zawiera wszystkie wartości f(x,y) modyfikowane przez wartości członów wykładniczych Za wyjątkiem trywialnych przypadków
Bardziej szczegółowoWZMACNIACZE OPERACYJNE
WZMACNIACZE OPERACYJNE Indywidualna Pracownia Elektroniczna Michał Dąbrowski asystent: Krzysztof Piasecki 25 XI 2010 1 Streszczenie Celem wykonywanego ćwiczenia jest zbudowanie i zapoznanie się z zasadą
Bardziej szczegółowoAPARATURA BADAWCZA I DYDAKTYCZNA
APARATURA BADAWCZA I DYDAKTYCZNA Badanie filtrów analogowych FILIP KAGANKIEWICZ DOKTORANT, POLITECHNIKA WARSZAWSKA, WYDZIAŁ INŻYNIERII PRODUKCJI Słowa kluczowe: filtry, analogowe, aktywne, dolnoprzepustowe,
Bardziej szczegółowoZjawisko aliasingu. Filtr antyaliasingowy. Przecieki widma - okna czasowe.
Katedra Mechaniki i Podstaw Konstrukcji Maszyn POLITECHNIKA OPOLSKA Komputerowe wspomaganie eksperymentu Zjawisko aliasingu.. Przecieki widma - okna czasowe. dr inż. Roland PAWLICZEK Zjawisko aliasingu
Bardziej szczegółowoCZWÓRNIKI KLASYFIKACJA CZWÓRNIKÓW.
CZWÓRNK jest to obwód elektryczny o dowolnej wewnętrznej strukturze połączeń elementów, mający wyprowadzone na zewnątrz cztery zaciski uporządkowane w dwie pary, zwane bramami : wejściową i wyjściową,
Bardziej szczegółowoĆwiczenie 2: pomiar charakterystyk i częstotliwości granicznych wzmacniacza napięcia REGIONALNE CENTRUM EDUKACJI ZAWODOWEJ W BIŁGORAJU
REGIONALNE CENTRUM EDUKACJI ZAWODOWEJ W BIŁGORAJU R C E Z w B I Ł G O R A J U LABORATORIUM pomiarów elektronicznych UKŁADÓW ANALOGOWYCH Ćwiczenie 2: pomiar charakterystyk i częstotliwości granicznych wzmacniacza
Bardziej szczegółowoCHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Do opisu członów i układów automatyki stosuje się, oprócz transmitancji operatorowej (), tzw. transmitancję widmową. Transmitancję widmową () wyznaczyć można na podstawie
Bardziej szczegółowoDyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transform
Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transformata Z. March 20, 2013 Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transformata Z. Sygnał i system Sygnał jest opisem
Bardziej szczegółowoKatedra Elektrotechniki Teoretycznej i Informatyki
Katedra Elektrotechniki Teoretycznej i Informatyki Przedmiot: Zintegrowane Pakiety Obliczeniowe W Zastosowaniach InŜynierskich Numer ćwiczenia: 7,8 Temat: Signal Processing Toolbox - filtry cyfrowe, transmitancja
Bardziej szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 9 Kodowanie podpasmowe. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 9 Kodowanie podpasmowe Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS Wykład opracowano
Bardziej szczegółowoCharakterystyka amplitudowa i fazowa filtru aktywnego
1 Charakterystyka amplitudowa i fazowa filtru aktywnego Charakterystyka amplitudowa (wzmocnienie amplitudowe) K u (f) jest to stosunek amplitudy sygnału wyjściowego do amplitudy sygnału wejściowego w funkcji
Bardziej szczegółowoćw. Analiza zmiennoprądowa i parametryczna Data wykonania: Data oddania:
Laboratorium Komputerowe Wspomaganie Projektowania Układów Elektronicznych Jarosław Gliwiński, Paweł Urbanek 1. Cel ćwiczenia ćw. Analiza zmiennoprądowa i parametryczna Data wykonania: 04.04.08 Data oddania:
Bardziej szczegółowoWidmo akustyczne radia DAB i FM, porównanie okien czasowych Leszek Gorzelnik
Widmo akustycznych sygnałów dla radia DAB i FM Pomiary widma z wykorzystaniem szybkiej transformacji Fouriera FFT sygnału mierzonego w dziedzinie czasu wykonywane są w skończonym czasie. Inaczej mówiąc
Bardziej szczegółowoPOŁÓWKOWO-PASMOWE FILTRY CYFROWE
Krzysztof Sozański POŁÓWKOWOPASMOWE FILTRY CYFROWE W pracy przedstawiono połówkowopasmowe filtry cyfrowe. Opisano dwa typy filtrów: pierwszy z zastosowaniem filtrów typu FIR oraz drugi typu IIR. Filtry
Bardziej szczegółowoLaboratorum 2 Badanie filtru dolnoprzepustowego P O P R A W A
Laboratorum 2 Badanie filtru dolnoprzepustowego P O P R A W A Marcin Polkowski (251328) 15 marca 2007 r. Spis treści 1 Cel ćwiczenia 2 2 Techniczny i matematyczny aspekt ćwiczenia 2 3 Pomiary - układ RC
Bardziej szczegółowo