Języki Modelowania i Symulacji
|
|
- Czesław Kucharski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Języki Modelowania i Symulacji Podstawowe Marcin Ciołek Katedra Systemów Automatyki WETI, Politechnika Gdańska 13 października 211
2 Literatura: 1. D. Kincaid, W. Cheney: Analiza numeryczna, Wydawnictwo Naukowo Techniczne, P. Davis, W.: Differential Equations - Modelling with MATLAB, Prentice Hall, Dokumentacja MATLABA i SIMULINKA. 4. B.Mrozek, Z. Mrozek: MATLAB Uniwersalne środowisko do obliczeń naukowo-technicznych, Kraków T.P. Zieliński: Cyfrowe przetwarzanie sygnałów - Od teori do zastosowań, Warszawa 29.
3 O czym będziemy dziś mówili?
4 FFT Funkcje fft(x) i ifft(x) (Fast Fourier Transform) impementuja prosta i odwrotna transformatę gdzie w N = e (2πi)/N X(k) = x(j) = 1 N N j=1 N k=1 x(j)w (j 1)(k 1) N X(k)w (j 1)(k 1) N
5 FFT Sygnał y(t) Fs=1; T = 1/Fs; L= 1; t= (:L-1).*T; f1=2; f2=5; f3=1; y= sin(2*pi*f1.*t)+sin(2*pi*f2.*t)+sin(2*pi*f3.*t); plot(t,y)
6 1 Widmo amplitudowe FFT Y(f) Częstotliwość (Hz) NFFT = 2^nextpow2(L); Y = fft(y,nfft)/l; f = Fs/2*linspace(,1,NFFT/2+1); plot(f,2*abs(y(1:nfft/2+1))) set(gca,'fontname', 'Times New Roman CE', 'FontSize',16) title('widmo amplitudowe') xlabel('częstotliwość (Hz)') ylabel(' Y(f) ')
7 FFT Sygnał y(t) Fs=1; T = 1/Fs; L= 1; t= (:L-1).*T; f1=2; f2=5; f3=1; y= sin(2*pi*f1.*t)+sin(2*pi*f2.*t)+sin(2*pi*f3.*t); y = y +.625*randn(size(t)); plot(t,y)
8 FFT Y(f) Widmo amplitudowe Częstotliwość (Hz)
9 IFFT 2 x Różnica sygnału oryginalnego z sygnałem otrzymanym po odwrotnej transformacie. Czy bład jest akceptowalny?
10 rand Funkcja gęstości rozkładu równomiernego (prostokatnego) w przedziale (a, b), gdzie h = b a { 1/h dla x (a, b) p(x) = dla x / (a, b) Funkcja MATLAB-a p = a + (b a). rand(n, 1)
11 rand równomiernym a = ; b = 1; n = 1; x = a + (b-a).* rand(n,1); plot(x)
12 hist równomiernym hist(x)
13 zadanie Jak wygenerować sygnał losowy, który przyjmuje stan wysoki(h = 1) z prawdopodobieństwem.2 oraz stan niski (L = ) z prawdopodobieństwem.8? Sygnał losowy
14 find Sygnał losowy a = ; b = 1; n = 1; x = a + (b-a).*rand(n,1); ii = find(x>=.8); length(ii) ans = 19 y = zeros(n,1); y(ii)=1; stairs(y) axis([ n ])
15 randn Funkcja gęstości rozkładu normalnego (gaussowskiego) ze średnia µ i odchyleniem standardowym σ φ µ,σ (x) = 1 ( ) (x µ) 2 σ 2π exp 2σ 2 Funkcja MATLAB-a p = µ + σ. randn(n, 1)
16 randn mi =.5; xs = ; n = 1; x = xs + mi.*randn(n,1); plot(x) mean(x) >> ans = e-4 std(x) >> ans =.51 var(x) >> ans =.2511
17 hist h = -2:.1:2; hist(x,h)
18 cov P jest uogólnieniem pojęcia wariancji na przypadek wielowymiarowy. taka dla macierzy X = (x 1, x 2,..., x n ) ma postać: P = cov(x) σ 2 1 σ σ 1n σ 21 σ σ 2n P = σ n1 σ n2... σn 2 P jest symetryczna i dodatnio określona
19 cov x1 = [1 2 3]'; x2 = [4 2 6]'; A = [6 2 3; 6 5 6; 9 8 9]; cov(x1) >> ans = 1 cov(x1,x2) >> ans = [1 1; 1 4] cov(a) >> ans = [ ; ; ] v = diag(cov(a))' >> ans =???
20 xcorr Funkcja korelacji wzajemnej w MATLAB-ie c = xcorr(x,y, option ) ˆR xy (m) = biased - obciażony N m n=1 x(n)y(n m) R xy (m) = 1 N R xy(m) unbiased - nieobciażony R xy (m) = 1 N m R xy(m)
21 xcorr Funkcja korelacji wzajemnej c = xcorr(x,y, option ) x = [ ]'; y = [ ]'; xcorr(x,y) ans = xcorr(y,x) ans = xcorr(x,x) ans =
22 xcorr y(t)=sin(2πft) xcorr(y,y,'unbiased') xcorr(y,y,'biased') xcorr(y,y) Funkcja autokorelacji sygnału y(t)
23 xcorr Fragment sygnału mowy dźwięcznej x 1-3 xcorr(y,y,'unbiased') x 1-3 xcorr(y,y,'biased') xcorr(y,y)
24 xcorr Fragment sygnału mowy bezdźwięcznej x 1-3 xcorr(y,y,'unbiased') x 1-3 xcorr(y,y,'biased') xcorr(y,y)
25 xcorr Funkcja autokorelacji szumu o Dla jakiego przesunięcia szum jest skorelowany sam ze soba?
26 sygnał Sygnał składa się z części deterministycznej oraz części losowej. Przykład: model autoregresyjny y(t) = r a i y(t i) + n(t) i=1 y(t) - bieżace wyjście modelu r - rzad modelu a i - współczynniki autoregresji n(t) - szum gaussowski o zerowej wartości średniej i wariancji σn 2 Aby model był stabilny pierwiastki wielomianu charakterystycznego W(z) musza leżeć wewnatrz okręgu jednostkowego na płaszczyźnie zespolonej z. W (z) = 1 a 1 z 1 a r z z r
27 pierwiastki Określakac wartości pierwiastków wewnatrz okręgu jednostkowego na płaszczyźnie zespolonej z można otrzymać poszukiwany wektor współczynników Im ZERA i BIEGUNY Re re = [ ]'; im = [ ]'; NP = 1; fi=2*pi*(:1:np-1)/np; s=sin(fi); c=cos(fi); plot(s,c,'-k',re,im,'r*'); title('zera i BIEGUNY'); xlabel('re') ylabel('im') grid;
28 poly Funkcja MATLABA-a zwraca współczynniki wielomianu c = poly(p) gdzie p to wektor pierwiastków naszego wielomianu W(z) p = [ ]'; r = poly(p) ans>> p = roots(r) ans>> a = -r(2:4) ans>>
29 generowanie sygnału Autoregresyjny model sygnału, gdzie zakładamy σn 2 = 1 r y(t) = a i y(t i) + n(t) i= Wygenerowany sygnał dla obliczonych współczynników
30 generowanie sygnału N = 1; r = 3; a = [ ]'; sr = ; war = 1; odch = sqrt(war); n = sr + odch.*randn(n,1); y=zeros(n,1); for t=1:n if t < r + 1 y(t)= ; else fi = y(t-1:-1:t-r); y(t)= fi'*a+n(t); end end plot(y)
31 Jak filtrujemy sygnał? (z ang. finite impulse response ) filtr FIR H(z 1 ) = b + b 1 z b n z n
32 Własności filtrów FIR: Zalety: liniowy przebieg fazy filtr stabilny względnie łatwe procedury projektowania filtrów łatwość implemaentacji hardware owej wpływ warunków poczatkowych jest zawsze skończony Wady: duży wymagany rz ad filtru (większy niż odpowiednich filtrów IIR) większe opóźnienie w torach sygnałowych
33 Idelana charakterystyka amplitudowa filtru idealny filr odpowiedź impulsowa tego filtru h(n) = 1 2π π π H(ω)e jωn dω = 1 2π ωo ω o e jωn dω = = ω o π sinc(ω on π ) Co powiesz o odpowiedzi impulsowej idealnego filtru FIR?
34 sinc Idelana charakterystyka amplitudowa filtru obcięta za pomoca okna prostokatnego Ile wynosi częstotliwość odcięcia? b =.4*sinc(.4.*(-25:25)); stem(.4.*(-25:25),b)
35 Jak można ograniczyć ten efekt? efekt Gibbsa Efekt obcinania metodą okna prostokątnego Fp = 2; %Hz n = 512; [H,w]=freqz(b,1,n,Fp); plot(w,abs(h)) set(gca,'fontname', 'Times New Roman CE', 'FontSize',16) title('efekt obcinania metodą okna prostokątnego') xlabel('rad/sek')
36 Co się poprawiło, a co się pogorszyło? hamming Zastosowanie okna Hamminga rad/sek Fp = 2; %Hz n = 512; b=b.*hamming(51)'; [H,w]=freqz(b,1,512,2); plot(w,abs(h)) set(gca,'fontname', 'Times New Roman CE', 'FontSize',16) title('zastosowanie okna Hamminga') xlabel('rad/sek')
37 Co się poprawiło, a co się pogorszyło? Porównanie obu okien hamming prostokątne hamming rad/sek
38 w[k] = bartlett { 2(k 1) n 1 dla 1 k n (k 1) n 1 dla n+1 2 k n Okno Bartletta w3 = bartlett(51); stem(-25:25,w3)
39 blackman ( w[k] =.42.5 cos 2π k 1 ) ( +.8 cos 4π k 1 ) n 1 n 1 k = 1,..., n Okno Blackmana w3 = blackman(51); stem(-25:25,w3)
40 Okno prostokatne w = boxcar(n) Okno prostokątne boxcar w3 = boxcar(51); stem(-25:25,w3)
41 Okno Czebyszewa w = chebwin(n,r) Okno Czebyszewa chebwin n=51; r=1;%db w3 = chebwin(n,r); h=stem(-25:25,w3)
42 Okno Czebyszewa w = chebwin(n,r) chebwin n - punktowe okno dla n nieparzystego (n + 1) - punktowe okno dla n parzystego r - wielkość tłumienia zafalowań poza pasmem przenoszenia w [db] Amplitude Time domain Magnitude (db) Frequency domain Samples Normalized Frequency ( π rad/sample) n=51; r=1;%db wvtool(chebwin(n,r))
43 ( w[k] = cos 2π k ) n Okno Hamminga hamming k =,..., n w3 = hamming(51); stem(-25:25,w3)
44 ( w[k] =.5(1 cos 2π k ) n Okno Hanninga hanning k = 1,..., n w3 = hanning(51); stem(-25:25,w3)
45 Okno Kaisera w = kaiser(n,β) kaiser β - współczynnik odpowiedzialny za tłumienie listków bocznych α - [db] tłumienie listków bocznych.112(α 8.7) dla α 5 β =.5842(α 21) (α.21) dla 5 α 21 dla α 21 zwiększajac β uzyskuje się: poszerzenie listka głównego zwiększenie tłumienia listków bocznych n α gdzie [rad/s] pasmo 2.285
46 kaiser 1.8 Time domain Frequency domain Amplitude Magnitude (db) Samples Normalized Frequency ( π rad/sample) n=54; beta = ; alpha = 1;%dB wvtool(kaiser(n,beta))
47 triang Okno trójkatne n - nieparzyste n - parzyste w[k] = w[k] = { 2k w = triang(n) n+1 dla 1 k n+1 2 2(n k+1) n+1 dla n+1 2 k n { 2k 1 n+1 dla 1 k n 2 2(n k+1) n dla n+2 2 k n
48 triang 1.8 Time domain Frequency domain Amplitude Samples Magnitude (db) Normalized Frequency ( π rad/sample) n=54; wvtool(triang(n))
49 kaiser Magnitude (db) and Phase Responses.313 Magnitude (db) Phase (radians) Normalized Frequency ( π rad/sample) b = fir1(8,.5,kaiser(81,8)); hd = dfilt.dffir(b); freqz(hd);
50 wymnażanie okien w[n] - okno 1 n N h[n] - odpowiedź impulsowa idealnego filtru ( prototypu ), czyli odwrotna transformata idealnej charakterystyki częstotliwościowej zatem b[n] = w[n]h[n] 1 n N
51 fir1 Klasyczna metoda syntezy filtru FIR-owego o liniowej fazie b = fir1(n,wn, ftype, window ) b(z 1 ) = b(1) + b(2)z b(n + 1)z n n - rzad filtru W n [, 1] - wektor unormowanych pulsacji (1 - odpowiada pulsacji Nyquista) ftype - high, stop window - typ okna poprawjajacego charakterystykę filtru (domyślnie window = hamming )
52 fir1 F p, f g1, f g2, w 1 = 2f g1 F p, w 2 = 2f g2 F p filtr dolnopasmowy b = fir1(n,w1) filtr górnopasmowy (n - parzyste!) filtr pasmowoprzepustowy b = fir1(n, high,w1, hann ) b = fir1(n,[w1 w2], bartlett ) filtr pasmowozaporowy (n - parzyste!) b = fir1(n, stop,[w1 w2], boxcar )
53 F p = 1Hz, f 1 = 5Hz, f 2 = 4Hz, f g = 2Hz, w 1 = 2fg F p fir1(n,w1) Sygnal filtrowany fir Odp impulsowa filtru FIR
54 fir1 N = 64; fpr=1; fx1=5; fx2=4; nx = :N-1; dt = 1/fpr; t = dt*nx; x1 = cos(2*pi*fx1*t); x2 = cos(2*pi*fx2*t); x = x1 + x2; M = 7; fg = 2; h = fir1(m-1,2*fg/fpr,boxcar(m)) >>ans = subplot(211); stem(x,'filled'); grid; title('sygnał filtrowany'); subplot(212); stem(h,'filled'); grid; title('odp impulsowa filtru FIR');
55 conv Funkcja MATLAB-a pozwala w łatwy sposób dokonać splotu dwóch wektorów conv(x,h) sygnal po filtracji sygnal x 1 o f 1 = 5Hz
56 Funkcja splotu realizowana przez MATLAB-a conv % odwróć kolejność próbek h = h(m:-1:1); % uzupełnij sygnał M-1 zerami po obu stronach xe = [zeros(1,m-1) x zeros(1,m-1)]; % sygnał wyjściowy ye = zeros(1,n+2*(m-1)); subplot(311); stem(xe,'filled'); title('we'); pause % liczba próbek niezerowych for n = 1 : N+(M-1) % przesuń (ustaw) odp impulsową he = [zeros(1,n-1) h zeros(1,(n-1)+(m-1)-(n-1))]; % wymnóż x i przesunięte h y(n) = sum( xe.* he ); ye((m-1)+n)=y(n); % narysuj przesunięte h subplot(312); stem(he,'filled'); title('odp impuls'); % narysuj aktualne wyjście subplot(313); stem(ye,'filled'); title('wy'); pause end subplot(111); plot(t,x1,'r',t,y(1:n),'b'); grid; title('we (R) i Wy (B)');
57 splot bezpośredni % długość sygnałów z dodanymi zerami K = N+M-1; % dodaj zera jeśli krótszy xz=[x zeros(1,k-n)]; % odwróć kolejność próbek hh = h(m:-1:1); % bufor na próbki wejściowe bx = zeros(1,m); % wyzeruj sygnał wyjściowy y = []; % pętla po próbkach for n = 1 : K % przesuń próbki w buforze o jedną do tyłu, bx(1)=x(n); bx = [xz(n) bx(1:m-1)]; % filtracja; inaczej (szybciej): y(n)=bx*h' y(n) = sum(bx.*hh); end
58 szybki splot % znajdź dłuższy NM = max(n,m); % dodaj zera, jeśli krótszy xz=[x zeros(1,nm-n)]; % dodaj zera, jeśli krótszy hz=[h zeros(1,nm-m)]; X = fft(xz); H=fft(hz); Y = X.* H; yfft = ifft(y); y1 = real(yfft);
59 splot liniowy % długość sygnałów z dodanymi zerami K = N+M-1; % dodaj zera, jeśli krótszy xz=[x zeros(1,k-n)]; % dodaj zera, jeśli krótszy hz=[h zeros(1,k-m)]; X = fft(xz); H=fft(hz); Y = X.* H; yfft = ifft(y); y2 = real(yfft);
Języki Modelowania i Symulacji
Języki Modelowania i Symulacji Podstawowe Marcin Ciołek Katedra Systemów Automatyki WETI, Politechnika Gdańska 18 października 211 Literatura: 1. D. Kincaid, W. Cheney: Analiza numeryczna, Wydawnictwo
Bardziej szczegółowoDYSKRETNA TRANSFORMACJA FOURIERA
Laboratorium Teorii Sygnałów - DFT 1 DYSKRETNA TRANSFORMACJA FOURIERA Cel ćwiczenia Celem ćwiczenia jest przeprowadzenie analizy widmowej sygnałów okresowych za pomocą szybkiego przekształcenie Fouriera
Bardziej szczegółowoTransformacje i funkcje statystyczne
Generacja okien: win = window(@fwin,n); Generacja okien gui: wintool; Rodzaje niektórych okien: @bartlett - Bartletta. @blackman - Blackmana. @chebwin - Czebyszewa. @gausswin - gausowskie. @hamming - Hamminga.
Bardziej szczegółowoĆWICZENIE III ANALIZA WIDMOWA SYGNAŁÓW DYSKRETNYCH. ver.3
1 Zakład Elektrotechniki Teoretycznej ver.3 ĆWICZEIE III AALIZA WIDMOWA SYGAŁÓW DYSKRETYCH (00) Celem ćwiczenia jest przeprowadzenie analizy widmowej dyskretnych sygnałów okresowych przy zastosowaniu szybkiego
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 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 szczegółowoJęzyki Modelowania i Symulacji
Języki Modelowania i Symulacji Przetwarzanie sygnałów fonicznych Marcin Ciołek Katedra Systemów Automatyki WETI, Politechnika Gdańska 3 listopada 211 O czym będziemy mówili? 1 2 wavrecord wavplay y = wavrecord(n,
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 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 szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 1 Wydobywanie sygnałów z szumu z wykorzystaniem uśredniania Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - mgr inż. Tomasz Kubik
Bardziej szczegółowoPrzekształcenie Fouriera i splot
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Przekształcenie Fouriera i splot Wstęp Na tym wykładzie: przekształcenie Fouriera
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 szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza widmowa sygnałów (2) dr inż. Robert
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 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 szczegółowoPrzetwarzanie sygnałów dyskretnych
Przetwarzanie sygnałów dyskretnych System dyskretny p[ n ] r[ n] Przykłady: [ ] = [ ] + [ ] r n a p n a p n [ ] r n = 2 [ + ] + p[ n ] p n 2 r[ n] = a p[ n] + b n [ ] = [ ] r n a p n n [ ] = [ + ] r n
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 szczegółowoZASTOSOWANIA PRZEKSZTAŁCENIA ZET
CPS - - ZASTOSOWANIA PRZEKSZTAŁCENIA ZET Rozwiązywanie równań różnicowych Dyskretny system liniowy-stacjonarny można opisać równaniem różnicowym w postaci ogólnej N M aky[ n k] bkx[ n k] k k Przekształcenie
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 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 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 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 szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 8 Transformaty i kodowanie cz. 2. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 8 Transformaty i kodowanie cz. 2 Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS
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 szczegółowoTechnika regulacji automatycznej
Technika regulacji automatycznej Wykład 3 Wojciech Paszke Instytut Sterowania i Systemów Informatycznych, Uniwersytet Zielonogórski 1 z 32 Plan wykładu Wprowadzenie Układ pierwszego rzędu Układ drugiego
Bardziej szczegółowoTeoria Sygnałów. III rok Informatyki Stosowanej. Wykład 8
Teoria Synałów rok nformatyki Stosowanej Wykład 8 Analiza częstotliwościowa dyskretnych synałów cyfrowych okna widmowe (cd poprzednieo wykładu) N = 52; T =.24; %czas trwania synału w sekundach dt = T/N;
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów. Ćwiczenie 2. Analiza widmowa
PTS laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 2 Analiza widmowa Opracowali: - prof. dr hab. inż. Krzysztof Kałużyński - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład
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 szczegółowoProjektowanie układów regulacji w dziedzinie częstotliwości. dr hab. inż. Krzysztof Patan, prof. PWSZ
Projektowanie układów regulacji w dziedzinie częstotliwości dr hab. inż. Krzysztof Patan, prof. PWSZ Wprowadzenie Metody projektowania w dziedzinie częstotliwości mają wiele zalet: stabilność i wymagania
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 szczegółowoZAJĘCIA 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 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 Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 4 Transformacja falkowa Opracował: - prof. dr hab. inż. Krzysztof Kałużyński Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii
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 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 szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Projektowania filtrów IIR Metoda niezmienności odpowiedzi impulsowej Podstawowa zasada określajaca: projektujemy
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 szczegółowoUkłady i Systemy Elektromedyczne
UiSE - laboratorium Układy i Systemy Elektromedyczne Laboratorium 1 Stetoskop elektroniczny parametry sygnałów rejestrowanych. Opracował: dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
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 szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów. Ćwiczenie 3. Filtracja i korelacja sygnałów dyskretnych
PTS laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 3 Filtracja i korelacja sygnałów dyskretnych Opracowali: - prof. dr hab. inż. Krzysztof Kałużyński - dr inż. Beata Leśniak-Plewińska - dr
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 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 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 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 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 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 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 szczegółowoLaboratorium Przetwarzania Sygnałów. Ćwiczenie 2. Filtracja i korelacja sygnałów dyskretnych
PTS laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 2 Filtracja i korelacja sygnałów dyskretnych Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - dr inż. Beata Leśniak-Plewińska
Bardziej szczegółowoDyskretne przekształcenie Fouriera cz. 2
Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1- Dyskretne przekształcenie Fouriera cz. 2 Twierdzenie o przesunięciu Istnieje ważna właściwość DFT, znana jako twierdzenie o przesunięciu. Mówi ono, że: przesunięcie
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
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 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 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 szczegółowoAdaptacyjne Przetwarzanie Sygnałów. Filtracja adaptacyjna w dziedzinie częstotliwości
W Filtracja adaptacyjna w dziedzinie częstotliwości Blokowy algorytm LMS (BLMS) N f n+n = f n + α x n+i e(n + i), i= N L Slide e(n + i) =d(n + i) f T n x n+i (i =,,N ) Wprowadźmy nowy indeks: n = kn (
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 szczegółowoprzedmiot kierunkowy (podstawowy / kierunkowy / inny HES) obieralny (obowiązkowy / nieobowiązkowy) polski semestr VI
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2018/2019
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 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 szczegółowoTwierdzenie o splocie
Twierdzenie o splocie g(t) = (s h) (t) G(f ) = S(f ) H(f ) (1) To twierdzenie działa też w drugą stronę: G(f ) = (S H) (f ) g(t) = s(t) h(t) (2) Zastosowania: zamiana splotu na mnożenie daje wgląd w okienkowanie
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Plan na dziś 1 Przedstawienie przedmiotu i zakresu wykładu polecanej iteratury zasad zaliczenia 2 Wyklad
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 szczegółowoLaboratorium nr 3. Projektowanie układów automatyki z wykorzystaniem Matlaba i Simulinka
Laboratorium nr 3. Cele ćwiczenia Projektowanie układów automatyki z wykorzystaniem Matlaba i Simulinka poznanie sposobów tworzenia liniowych modeli układów automatyki, zmiana postaci modeli, tworzenie
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 szczegółowoStabilność. 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 szczegółowoOpis matematyczny. Równanie modulatora. Charakterystyka statyczna. Po wprowadzeniu niewielkich odchyłek od ustalonego punktu pracy. dla 0 v c.
Opis matematyczny Równanie modulatora Charakterystyka statyczna d t = v c t V M dla 0 v c t V M D 1 V M V c Po wprowadzeniu niewielkich odchyłek od ustalonego punktu pracy v c (t )=V c + v c (t ) d (t
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 szczegółowoTEORIA STEROWANIA I, w 5. dr inż. Adam Woźniak ZTMiR MEiL PW
TEORIA STEROWANIA I, w 5 dr inż. Adam Woźniak ZTMiR MEiL PW Układy LTI- SISO Stacjonarne, przyczynowe liniowe układy z jednym wyjściem i jednym wejściem najczęściej modeluje się przy pomocy właściwej transmitancji
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 szczegółowoPodstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność O układzie możemy mówić, że jest stabilny gdy układ ten wytrącony ze stanu równowagi
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoJęzyki Modelowania i Symulacji
Języki Modelowania i Symulacji Marcin Ciołek Katedra Systemów Automatyki WETI, Politechnika Gdańska 18 stycznia 2012 Literatura: 1. D. Kincaid, W. Cheney: Analiza numeryczna, Wydawnictwo Naukowo Techniczne,
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 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 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 szczegółowo9. Dyskretna transformata Fouriera algorytm FFT
Transformata Fouriera ma szerokie zastosowanie w analizie i syntezie układów i systemów elektronicznych, gdyż pozwala na połączenie dwóch sposobów przedstawiania sygnałów reprezentacji w dziedzinie czasu
Bardziej szczegółowoKatedra Elektrotechniki Teoretycznej i Informatyki
Katedra Elektrotechniki Teoretycznej i Inormatyki Przedmiot: Zintegrowane Pakiety Obliczeniowe W Zastosowaniach InŜynierskich umer ćwiczenia: 7 Temat: Wprowadzenie do Signal Processing Toolbox 1. PRÓBKOWAIE
Bardziej szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej szczegółowoPodstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność - definicja 1 O układzie możemy mówić, że jest stabilny gdy wytrącony ze stanu równowagi
Bardziej szczegółowoPodstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2018 Wstęp Stabilność O układzie możemy mówić, że jest stabilny jeżeli jego odpowiedź na wymuszenie (zakłócenie)
Bardziej szczegółowoGENERACJA PRZEBIEGU SINUSOIDALNEGO.
GENERACJA PRZEBIEGU SINUSOIDALNEGO. Podstawą generacji sygnału sinusoidalnego jest równanie różnicowe wyprowadzone w sposób następujący. Transmitancja układu generującego jest równa: Na wyjściu spodziewany
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
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 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 szczegółowoPrzekształcenie Fouriera obrazów FFT
Przekształcenie ouriera obrazów T 6 P. Strumiłło, M. Strzelecki Przekształcenie ouriera ourier wymyślił sposób rozkładu szerokiej klasy funkcji (sygnałów) okresowych na składowe harmoniczne; taką reprezentację
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoKatedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych.
Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego Ćwiczenie Badanie unkcji korelacji w przebiegach elektrycznych. Cel ćwiczenia: Celem ćwiczenia jest zbadanie unkcji korelacji w okresowych sygnałach
Bardziej szczegółowoAndrzej Leśnicki Laboratorium CPS Ćwiczenie 10 1/12 ĆWICZENIE 10. Filtry FIR
Andrzej Leśnicki Laboratorium CPS Ćwiczenie 10 1/12 ĆWICZENIE 10 Filtry FIR 1. Cel ćwiczenia Przyczynowy system DLS służący do filtrowania synałów i mający skończoną odpowiedź impulsową nazywa się w skrócie
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoTransformata Fouriera i analiza spektralna
Transformata Fouriera i analiza spektralna Z czego składają się sygnały? Sygnały jednowymiarowe, częstotliwość Liczby zespolone Transformata Fouriera Szybka Transformata Fouriera (FFT) FFT w 2D Przykłady
Bardziej szczegółowoAlgorytmy detekcji częstotliwości podstawowej
Algorytmy detekcji częstotliwości podstawowej Plan Definicja częstotliwości podstawowej Wybór ramki sygnału do analizy Błędy oktawowe i dokładnej estymacji Metody detekcji częstotliwości podstawowej czasowe
Bardziej szczegółowoStacjonarność i ergodyczność
Stacjonarność i ergodyczność Stacjonarność: Jeśli dla procesu stochastycznego ξ(t) wszystkie momenty są niezależne od czasu to jest on stajonarny wścisłymsensie.jeślitylkośrednia µ x i autokorelacjar x
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 szczegółowoInżynieria Systemów Dynamicznych (3)
Inżynieria Systemów Dynamicznych (3) Charakterystyki podstawowych członów dynamicznych Piotr Jacek Suchomski Katedra Systemów Automatyki WETI, Politechnika Gdańska 2 grudnia 2010 O czym będziemy mówili?
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
Biometryczna Identyfikacja Tożsamości Wykład 9: Rozpoznawanie mówiącego Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2015 c Adam Czajka, IAiIS
Bardziej szczegółowoInterpolacja, aproksymacja całkowanie. Interpolacja Krzywa przechodzi przez punkty kontrolne
Interpolacja, aproksymacja całkowanie Interpolacja Krzywa przechodzi przez punkty kontrolne Aproksymacja Punkty kontrolne jedynie sterują kształtem krzywej INTERPOLACJA Zagadnienie interpolacji można sformułować
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
PSB - laboratorium Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 5 Analiza sygnału świergotowego przy zastosowaniu transformacji Hilberta Opracowali: - prof. dr hab. inż. Krzysztof Kałużyński
Bardziej szczegółowoModelowanie Systemów Dynamicznych Studia zaoczne, Automatyka i Robotyka, rok II. Podstawy MATLABA, cz2.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Modelowanie Systemów Dynamicznych Studia zaoczne, Automatyka i Robotyka, rok II Podstawy MATLABA, cz2. 1. Wielomiany
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 szczegółowo