Wstęp do metod numerycznych Dyskretna transformacja Fouriera. P. F. Góra
|
|
- Krzysztof Czajka
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wstęp do metod numerycznych Dyskretna transformacja Fouriera P. F. Góra 01
2 Problem Majac dany szereg czasowy {x i } N i=1 = {x 1, x,..., x N } (zazwyczaj nieciekawy), zdobadź informację na temat mechanizmu odpowiedzialnego za wygenerowanie tego szeregu (co może być interesujace). Copyright c P. F. Góra 13
3 Przykład x(t) 0.0 x(t) t t Po owocach jego poznacie go. Copyright c P. F. Góra 13 3
4 Próbkowanie Nie zajmujemy się sygnałami ciagłymi, ale sygnałami, które zostały spróbkowane z pewnym stałym krokiem: g n = g(n ), n =..., 3,, 1, 0, 1,, 3,... (1) Proces próbkowania wprowadza pewna częstotliwość charakterystyczna, zwana częstotliwościa Nyquista: f Nyq = 1. () Uwaga: Jeśli chcemy rozpoznać falę harmoniczna, należy ja spróbkować (co najmniej) dwa razy w każdym okresie. Jeśli próbkujemy z krokiem, możemy rozpoznać częstotliwości f [ f Nyq, f Nyq. Copyright c P. F. Góra 13 4
5 Dodatnie i ujemne częstotliwości Jeśli dopuszczamy dodatnie i ujemne częstotliwości, e +πift, e πift = e +πi( f)t, możemy odróżnić sin πft od cos πft, które maja taka sama częstotliwość, ale różnia się faza. Copyright c P. F. Góra 13 5
6 Twierdzenie Shannona-Kotelnikowa o próbkowaniu Pytanie: Kiedy możemy próbkować lub też pod jakimi warunkami dyskretne próbki dadza tę sama informację, co funkcja o argumencie ciagłym? Theorem: Jeśli funkcja g(t) jest pasmowo ograniczona, czyli gdy zwiera tylko częstotliwości z przedziału [ f Nyq, f Nyq, i gdy mamy nieskończony szereg próbkowany z krokiem, wówczas sin ( πf Nyq (t n ) ) t: g(t) = g n. (3) π(t n ) n= Szum (procesy stochastyczne) i funkcje nieciagłę (zawierajace skoki) nie sa pasmowo ograniczone. Copyright c P. F. Góra 13 6
7 Aliasy Jeśli w sygnale sa częstotliwości spoza przedziału f [ f Nyq, f Nyq, nie tylko sa one tracone, ale także psuja one informację o częstotliwościach z przedziału Nyquista. Rozważmy dwie fale harmoniczne exp(πif 1 t), exp(πif t) takie, że f 1 f = k/. Wówczas exp(πif 1 n ) = exp(πi(f + k/ )n ) = exp(πif n + πikn) = exp(πif n ). Takie fale daja identyczne próbki, jeśli próbkować je z krokiem. Copyright c P. F. Góra 13 7
8 Example sin(πt) + 0.5sin(9πt) sin(πt) - 0.5sin(7πt) t Częstotliwość 9/ zostanie fałszywie zinterpretowana jako 7/. Copyright c P. F. Góra 13 8
9 Transformacja Fouriera G(f) = g(t)e πift dt (4) Funkcja musi znikać dostatecznie szybko dla t ± aby transformacj Fouriera istniała. Transformacja odwrotna: g(t) = G(f)e πift df (5) Trzeba zapamiętać gdzie umieścić π, jest kilka różnych konwencji. Copyright c P. F. Góra 13 9
10 Własności transformacji Fouriera Splot: (g h)(t) = g(τ)h(t τ) dτ (6a) g h G(f)H(f) (6b) Funkcja korelacji: Corr(g, h) = g(τ + t)h(t) dτ (7a) Corr(g, h) G(f)H (f) (7b) Copyright c P. F. Góra 13 10
11 Twierdzenie Wienera-Chinczyna Funkcja korelacji: Corr(g, g) G(f) (8) Tożsamość Parsevala g(t) dt = G(f) df = całkowita moc (9) Copyright c P. F. Góra 13 11
12 Skończone szeregi czasowe Twierdzenie o próbkowaniu wymaga nieskończonego szeregu czasowego. W rzeczywistości mamy dane jedynie szeregi skończone, o pewnej długości N. Stosowane sa dwie konwencje: Zakładamy, że wyrazy szeregu na obu końcach daż a do zera (jeśli trzeba, mnożymy szereg przez odpowiednia funkcję okna) i sa tożsamościowo równe zeru przed zarejestrowanym poczatkiem i po zarejestrowanym końcu. Zakładamy, że zaobserwowany szereg skończony jest okresem nieskończonego szeregu okresowego. (W tej konwencji sinus i kosinus maja transformaty Fouriera.) Copyright c P. F. Góra 13 1
13 Przyjmujemy ta druga konwencję i udajemy, że szereg ma postać..., g 0, g 1, g,..., g N 1, g 0, g 1, g,..., g N 1, g 0, g 1, g,..., g N 1,... (10) } {{ } kopia 1 } {{ } prawdziwe dane } {{ } kopia +1 Ponieważ mamy N (przyjmijmy, że jest to liczba parzysta) próbek wejściowych, dyskretna transformacja Fouriera (Discrete Fourier Transform, DFT) może być obliczana tylko w N punktach. Decydujemy, że DFT obliczamy tylko dla częstotliwości f n = n N, n = N,..., N. (11) Copyright c P. F. Góra 13 13
14 Dyskretna transformacja Fouriera G(f n ) = g(t) e πif nt dt = lim M 1 M+1 M s(n 1) s= M (s 1)(N 1) g(t) e πif nt dt = (N 1) 0 g(t)e πif nt dt N 1 k=0 g k e πif nt k = N 1 k=0 g k e πikn/n. (1) Copyright c P. F. Góra 13 14
15 Liczby G n = 1 N 1 N k=0 g k e πikn/n (13) nazywamy dyskretnymi składowymi Fourierowskimi funkcji g. Transformacja odwrotna ma postać g k = 1 N 1 N Dyskretna tożsamość Parsevala: n=0 G n e πikn/n. (14) N 1 k=0 g k = N 1 n=0 G n. (15) Copyright c P. F. Góra 13 15
16 DFT jako transformacja liniowa Równanie (13) można przepisać w postaci G n = N 1 k=0 W nk g k, W nk = 1 N e πikn/n. (16a) (16b) Liczby W nk można interpretować jako elementy pewnej macierzy. Wobec tego (16) można zapisać w zwartej postaci w następujacy sposób: G = Wg, (17) gdzie G, g C N, W C N N. Jaka jest złożoność obliczenia DFT? Wydaje się, że jest to koszt pomnożenia wektora przez macierz, a więc O(N ). Copyright c P. F. Góra 13 16
17 Własności macierzy W ( WW ) ls = N 1 k=0 ( W lk W ) N 1 ks = k=0 W lk (W sk ) = 1 N N 1 k=0 Jeżeli l = s, wszystkie wyrazy równaja się 1, więc wynikiem jest 1. l s = m 0, ( WW ) ls = 1 N N 1 k=0 ( e πim/n ) k = 1 ( e πim/n ) N e πi(l s)k/n (18) Jeżeli N(1 e πim/n ) = 1 emπi N(1 e πim/n ) = 0. (19) ( WW ) ls = δ ls. Macierz W jest macierza unitarna. Copyright c P. F. Góra 13 17
18 Podsumowanie DFT jest, z dokładnościa do normalizacji, unitarnym przekształceniem wektora próbek na wektor składowych Fourierowskich. DFT przedstawia wektor próbek w innej bazie, a mianowicie w bazie rozpinanej przez zdyskretyzowane sinusy i kosinusy o częstotliwościach 0, 1/(N ), /(N ),..., 1/( ). Dzięki symetriom macierzy W, złożoność obliczeniowa DFT może być znacznie zmniejszona (FFT). Copyright c P. F. Góra 13 18
19 Uwagi Dyskretne składowe Fourierowskie sa okresowe. G N/ = G N/. W szczególności, Używa się także transformacji rozpiętych na samych sinusach badź kosinusach (transformacje jednostronne). Sygnał może być zespolony. Jeśli sygnał jest rzeczywisty, wygodnie jest obliczać jego transformatę, traktujac go jako sygnał zespolony o połówkowej długości. Wygodnie jest także jednocześnie obliczać transformatę dwu sygnałów rzeczywistych, traktowanych jako część rzeczywista i urojona sygnału zespolonego. W obu wypadkach symetrie DFT pozwalaja zidentyfikować co jest transformacja czego. Copyright c P. F. Góra 13 19
20 Transformata sygnału pokrywajacego się z jednym z sygnałów bazowych N = 3, = 1/ sin(πt) 0.0 P(f) t f Copyright c P. F. Góra 13 0
21 Transformata czystego sygnału harmonicznego, który nie pokrywa się z pojedynczym sygnałem bazowym N = 3, = 1/ sin(6t) 0.0 P(f) t f Copyright c P. F. Góra 13 1
22 Zwiększanie liczby próbek bez zmiany kroku próbkowania zwiększa rozdzielczość 1 N = 3, = 1/ P(f) sin(6t) + 0.5sin(7t) P(f) f N = 18, = 1/ t f Copyright c P. F. Góra 13
23 Macierz Vandermonde a Mecierz DFT jest szczególnym przypadkiem macierzy Vandermonde a W = 1 N V (N) C N N, gdzie V (N) = z 0 z 1 z N z N 1 z0 z1 zn z N 1... z0 N 1 z1 N 1 zn N 1. zn 1 N 1 (0) W wypadku DFT, z k = exp(πik/n). Copyright c P. F. Góra 13 3
24 Algorytm szybkiej transformacji Fouriera (Fast Fourier Transform, FFT) Przedyskutujmy to na przykładzie N = 8 G = V(8) 8 g = i i 1 1+i 1+i 1 1 i 1 i 1 i 1 i 1 i 1 i i 1 i 1 1+i 1+i 1 i 1 i i i 1 1 i 1 i 1 1+i 1+i 1 i 1 i 1 i 1 i 1 i i 1 i 1 i 1 1+i Widać pewne wzorce, ale trudno jest dostrzec symetrie. 1+i g 0 g 1 g g 3 g 4 g 5 g 6 g 7 (1) Copyright c P. F. Góra 13 4
25 Spermutujmy kolumny macierzy i wiersze wektora próbek tak, aby nie zmienić wyniku: G = i 1 i 1+i 1+i 1 i 1 i i i i i 1 i 1 i 1+i 1+i 1 i 1 i i 1 i 1 i 1 i 1+i 1+i i i i i 1 i 1 i 1 i 1 i 1+i 1+i g 0 g g 4 g 6 g 1 g 3 g 5 g 7 () Teraz zaczynamy coś widzieć! Copyright c P. F. Góra 13 5
26 Przepiszmy równanie () w następujacej notacji blokowej G = 1 8 V (4) Ω (4) V (4) V (4) Ω (4) V (4) g 0 g g 4 g 6 g 1 g 3 g 5 g 7 (3) Copyright c P. F. Góra 13 6
27 ... gdzie V (4) = i 1 i i 1 i, (4) Ω (4) = i i i = ( ) 0 1+i ( ) 1 1+i ( ) 1+i ( ) 3 1+i (5) Copyright c P. F. Góra 13 7
28 A zatem G = 1 8 V (4) V (4) g 0 g g 4 g 6 g 0 g g 4 g 6 + Ω(4) V (4) Ω(4) V (4) g 1 g 3 g 5 g 7 g 1 g 3 g 5 g 7 (6) Fragmenty o różnych kolorach obliczane sa tylko raz. Mnożenie przez Ω (4) zachodzi w czasie liniowym. Zredukowaliśmy całkowita liczbę operacji o połowę. Copyright c P. F. Góra 13 8
29 Kluczowa obserwacja: V (4) można sfaktoryzować w podobny sposób, z jednoczesna permutacja wektora wejściowego: V (4) g 0 g g 4 g 6 = V () Ω () V () V () Ω () V () g 0 g 4 g g 6 (7) V () = [ , Ω () = [ 1 i = [ i 0 i 1 (podobnie dla [g 1, g 3, g 5, g 7 T ) Copyright c P. F. Góra 13 9
30 Zatem G = 1 8 V () [ g0 g 4 +Ω () V () [ g g 6 V () [ g0 g 4 Ω () V () [ g g 6 V () [ g0 g 4 +Ω () V () [ g g 6 V () [ g0 g 4 Ω () V () [ g g 6 +Ω(4) Ω (4) V () [ g1 g 5 +Ω () V () [ g3 g 7 V () [ g1 g 5 Ω () V () [ g3 g 7 V () [ g1 g 5 +Ω () V () [ g3 g 7 V () [ g1 g 5 Ω () V () [ g3 g 7 Wektory dwuwymiarowe o różnych kolorach obliczane sa tylko raz. Zmniejszyliśmy liczbę operacji czterokrotnie. Copyright c P. F. Góra (8)
31 Ostatnia zagadka Dokonaliśmy następujacej permutacji wektora wejściowego [g 0, g 1, g, g 3, g 4, g 5, g 6, g 7 T [g 0, g 4, g, g 6, g 1, g 5, g 3, g 7 T. Czy taka permutację łatwo jest zaimplementować? = odwróć kolejność = (9) Wejściowy wektor został zapisany w odwrotnej kolejności bitowej indeksów. Copyright c P. F. Góra 13 31
32 Ten algorytm łatwo można uogólnić dla każdego N = s, s N. Nie trzeba obliczać członów postaci sin ( ) ( ) nπ N, cos nπ N nie trzeba wołać funkcji bibliotecznych sin( ), cos( ). Na każdym etapie faktoryzacji tylko jeden raz obliczany jest pierwiastek odpowiedniego stopnia z i, na co sa gotowe wzory. Następnie oblicza się tylko kolejne potęgi tego pierwiastka. Jaki jest więc końcowy koszt numeryczny? Copyright c P. F. Góra 13 3
33 Każda faktoryzacja zmniejsza liczbę operacji o połowę. Jest log N fakatoryzacji. Złożoność obliczeniowa algorytmu FFT wynosi O(N log N) Na przykład, dla N = = 16, algorytm FFT zmniejsza koszt obliczeniowy wyliczenia DFT ponad cztery tysiace razy. Copyright c P. F. Góra 13 33
34 Uwagi Podobne algorytmy można skonstruować dla N = 3 s, N = 5 s i, w ogólności, dla każdego N = q s, gdzie q jest liczba pierwsza. Ich złożoność obliczeniowa wynosi O(N log q N). Dobre biblioteki automaczynie faktoryzuja macierze o rozmiarach N = q s 1 q 1, q,..., q m sa niewielkimi liczbami pierwszymi. 1 qs qs m, gdzie Jeśli analizujemy szerego, którego wyrazy obliczamy, możemy kontrolować jego długość i powinniśmy zadbać, aby była ona potęga niewielkiej liczby peirwszej. Jeśli analizujemy szereg doświadczalny, rozsadnie jest go albo obciać, albo wypełnić zerami, tak, aby długość była potęga niewielkiej liczby peirwszej. Istnieja także szybkie algorytmy obliczania transformat jednostronnych (sinusowej i kosinusowej). Na sieci dostępnych jest wiele pakietów obliczajacych FFT. Niektóre z nich sa dobre. Ja polecam The Fastest Fourier Transform in the West, Copyright c P. F. Góra 13 34
Analiza szeregów czasowych: 1. Dyskretna transformata Fouriera i zagadnienia pokrewne
Analiza szeregów czasowych: 1. Dyskretna transformata Fouriera i zagadnienia pokrewne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 007/08 Transformata Fouriera G(f) = g(t)e πift dt (1)
Bardziej szczegółowoAnaliza szeregów czasowych: 1. Dyskretna transformata Fouriera i zagadnienia pokrewne
Analiza szeregów czasowych: 1. Dyskretna transformata Fouriera i zagadnienia pokrewne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 006/07 Plan wykładu Dyskretna transformata Fouriera,
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 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 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 szczegółowouzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem próbkowania t takim, że T = t N 1 t
4. 1 3. " P r ze c ie k " w idm ow y 1 0 2 4.13. "PRZECIEK" WIDMOWY Rozważmy szereg czasowy {x r } dla r = 0, 1,..., N 1 uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem
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 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 szczegółowoTransformacje Fouriera * podstawowe własności
Transformacje Fouriera * podstawowe własności * podejście mało formalne Funkcja w domenie czasowej Transformacja Fouriera - wstęp Ta sama funkcja w domenie częstości Transformacja Fouriera polega na rozkładzie
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 szczegółowo8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT)
8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT) Ćwiczenie polega na wykonaniu analizy widmowej zadanych sygnałów metodą FFT, a następnie określeniu amplitud i częstotliwości głównych składowych
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 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 szczegółowoWstęp do metod numerycznych Eliminacja Gaussa Równania macierzowe. P. F. Góra
Wstęp do metod numerycznych Eliminacja Gaussa Równania macierzowe P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Co można zrobić z układem równań... tak, aby jego rozwiazania się nie zmieniły? Rozważam
Bardziej szczegółowoPrzekształcenia widmowe Transformata Fouriera. Adam Wojciechowski
Przekształcenia widmowe Transformata Fouriera Adam Wojciechowski Przekształcenia widmowe Odmiana przekształceń kontekstowych, w których kontekstem jest w zasadzie cały obraz. Za pomocą transformaty Fouriera
Bardziej szczegółowoWstęp 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 szczegółowoTransformacja Fouriera i biblioteka CUFFT 3.0
Transformacja Fouriera i biblioteka CUFFT 3.0 Procesory Graficzne w Zastosowaniach Obliczeniowych Karol Opara Warszawa, 14 kwietnia 2010 Transformacja Fouriera Definicje i Intuicje Transformacja z dziedziny
Bardziej szczegółowoSzereg i transformata Fouriera
Analiza danych środowiskowych III rok OŚ Wykład 3 Andrzej Leśniak KGIS, GGiOŚ AGH Szereg i transformata Fouriera Cel wykładu: Wykrywanie i analiza okresowości w szeregach czasowych Przepływ wody w rzece
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 3. Właściwości przekształcenia Fouriera
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 3. Właściwości przekształcenia Fouriera 1. Podstawowe właściwości przekształcenia
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 szczegółowoPrzetwarzanie sygnału cyfrowego (LabVIEW)
Politechnika Rzeszowska im. Ignacego Łukasiewicza w Rzeszowie Wydział: Elektryczny, Kierunek: Informatyka Projekt zaliczeniowy Przedmiot: Systemy akwizycji i przesyłania informacji Przetwarzanie sygnału
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 szczegółowoAnaliza obrazu. wykład 5. Marek Jan Kasprowicz Uniwersytet Rolniczy 2008
Analiza obrazu komputerowego wykład 5 Marek Jan Kasprowicz Uniwersytet Rolniczy 2008 Slajdy przygotowane na podstawie książki Komputerowa analiza obrazu R.Tadeusiewicz, P. Korohoda, oraz materiałów ze
Bardziej szczegółowoSzybka transformacja Fouriera
Szybka transformacja Fouriera (Opis i wydruki programów) Instytut Astronomii UMK, Toruń 1976 2 K. Borkowski PROGRAM OBLICZANIA TRANSFORMAT FOURIERA Wstęp Prezentowany tutaj program przeznaczony jest do
Bardziej szczegółowoWykład 2: Szeregi Fouriera
Rachunek prawdopodobieństwa MAP64 Wydział Elektroniki, rok akad. 8/9, sem. letni Wykładowca: dr hab. A. Jurlewicz Wykład : Szeregi Fouriera Definicja. Niech f(t) będzie funkcją określoną na R, okresową
Bardziej szczegółowoDystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Bardziej szczegółowoPRZETWARZANIE SYGNAŁÓW
PRZEWARZANIE SYGNAŁÓW SEMESR V Człowiek- nalepsza inwestyca Proekt współfinansowany przez Unię Europeską w ramach Europeskiego Funduszu Społecznego Wykład II Wprowadzenie Podstawy teoretyczne przetwarzania
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja Cholesky ego i QR. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja Cholesky ego i QR P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2018 Faktoryzacja Cholesky ego Niech A R N N będzie symetryczna, A T = A, i dodatnio określona:
Bardziej szczegółowoWłaściwości sygnałów i splot. Krzysztof Patan
Właściwości sygnałów i splot Krzysztof Patan Właściwości sygnałów Dla sygnału ciągłego x(t) można zdefiniować wielkości liczbowe charakteryzujące ten sygnał wartość średnia energia sygnału x sr = lim τ
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 szczegółowoFunkcje analityczne. Wykład 2. Płaszczyzna zespolona. Paweł Mleczko. Funkcje analityczne (rok akademicki 2017/2018)
Funkcje analityczne Wykład 2. Płaszczyzna zespolona Paweł Mleczko Funkcje analityczne (rok akademicki 2017/2018) Plan wykładu W czasie wykładu omawiać będziemy różne reprezentacje płaszczyzny zespolonej
Bardziej szczegółowoSzybka transformacja Fouriera (FFT Fast Fourier Transform)
Szybka transformacja Fouriera (FFT Fast Fourier Transform) Plan wykładu: 1. Transformacja Fouriera, iloczyn skalarny 2. DFT - dyskretna transformacja Fouriera 3. FFT szybka transformacja Fouriera a) algorytm
Bardziej szczegółowoAndrzej Leśnicki Laboratorium CPS Ćwiczenie 6 1/8 ĆWICZENIE 6. Dyskretne przekształcenie Fouriera DFT
Andrzej Leśnicki Laboratorium CPS Ćwiczenie 6 1/8 ĆWICZEIE 6 Dyskretne przekształcenie Fouriera DFT 1. Cel ćwiczenia Dyskretne przekształcenie Fouriera ( w skrócie oznaczane jako DFT z ang. Discrete Fourier
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 szczegółowoLiczby zespolone. P. F. Góra (w zastępstwie prof. K. Rościszewskiego) 27 lutego 2007
Liczby zespolone P. F. Góra (w zastępstwie prof. K. Rościszewskiego) http://th-www.if.uj.edu.pl/zfs/gora/ 27 lutego 2007 Definicja C zbiór par liczb rzeczywistych w którym określono następujace działania:
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 szczegółowoCyfrowe przetwarzanie i kompresja danych
Cyfrowe przetwarzanie i kompresja danych dr inż.. Wojciech Zając Wykład 5. Dyskretna transformata falkowa Schemat systemu transmisji danych wizyjnych Źródło danych Przetwarzanie Przesył Przetwarzanie Prezentacja
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 szczegółowodr inż. Artur Zieliński Katedra Elektrochemii, Korozji i Inżynierii Materiałowej Wydział Chemiczny PG pokój 311
dr inż. Artur Zieliński Katedra Elektrochemii, Korozji i Inżynierii Materiałowej Wydział Chemiczny PG pokój 311 Politechnika Gdaoska, 2011 r. Publikacja współfinansowana ze środków Unii Europejskiej w
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja QR i SVD. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja QR i SVD P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Transformacja Householdera Niech u R N, u 0. Tworzymy macierz W sposób oczywisty P T = P. Obliczmy
Bardziej szczegółowoZastowowanie transformacji Fouriera w cyfrowym przetwarzaniu sygnałów
31.01.2008 Zastowowanie transformacji Fouriera w cyfrowym przetwarzaniu sygnałów Paweł Tkocz inf. sem. 5 gr 1 1. Dźwięk cyfrowy Fala akustyczna jest jednym ze zjawisk fizycznych mających charakter okresowy.
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 3. Właściwości przekształcenia Fouriera 1. Podstawowe właściwości przekształcenia
Bardziej szczegółowoIMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE Z RDZENIEM ARM7
Łukasz Deńca V rok Koło Techniki Cyfrowej dr inż. Wojciech Mysiński opiekun naukowy IMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE
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 szczegółowoTransformata Fouriera
Transformata Fouriera Program wykładu 1. Wprowadzenie teoretyczne 2. Algorytm FFT 3. Zastosowanie analizy Fouriera 4. Przykłady programów Wprowadzenie teoretyczne Zespolona transformata Fouriera Jeżeli
Bardziej szczegółowoCYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera)
I. Wprowadzenie do ćwiczenia CYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera) Ogólnie termin przetwarzanie sygnałów odnosi się do nauki analizowania zmiennych w czasie procesów fizycznych.
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoPrzetwarzanie sygnałów
Spis treści Przetwarzanie sygnałów Ćwiczenie 3 Właściwości przekształcenia Fouriera 1 Podstawowe właściwości przekształcenia Fouriera 1 1.1 Kompresja i ekspansja sygnału................... 2 1.2 Właściwości
Bardziej szczegółowo7. Szybka transformata Fouriera fft
7. Szybka transformata Fouriera fft Dane pomiarowe sygnałów napięciowych i prądowych często obarczone są dużym błędem, wynikającym z istnienia tak zwanego szumu. Jedną z metod wspomagających analizę sygnałów
Bardziej szczegółowoWstęp do metod numerycznych Eliminacja Gaussa Faktoryzacja LU. P. F. Góra
Wstęp do metod numerycznych Eliminacja Gaussa Faktoryzacja LU P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2014 Co można zrobić z układem równań... tak, aby jego rozwiazania się nie zmieniły? Rozważam
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 szczegółowoTeoria 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 szczegółowoNIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU
II Konferencja Naukowa KNWS'05 "Informatyka- sztuka czy rzemios o" 15-18 czerwca 2005, Z otniki Luba skie NIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU Wojciech Zając Instytut Informatyki
Bardziej szczegółowoTransformata Fouriera. Sylwia Kołoda Magdalena Pacek Krzysztof Kolago
Transformata Fouriera Sylwia Kołoda Magdalena Pacek Krzysztof Kolago Transformacja Fouriera rozkłada funkcję okresową na szereg funkcji okresowych tak, że uzyskana transformata podaje w jaki sposób poszczególne
Bardziej szczegółowoSpis treści. Metody nieparametryczne. Transformacja Fouriera
Spis treści 1 Metody nieparametryczne 1.1 Transformacja Fouriera 1.2 Bliżej życia 1.3 Splot 2 Transformacja Z 3 Filtry 4 Metody parametryczne 5 Analiza danych wielokanałowych 5.1 Koherencje 5.2 Związki
Bardziej szczegółowoWykład 2. Transformata Fouriera
Wykład 2. Transformata Fouriera Transformata Fouriera jest podstawowym narzędziem analizy harmonicznej i teorii analizy i przetwarzania sygnału. Z punktu widzenia teorii matematycznej transformata Fouriera
Bardziej szczegółowoWyznaczniki. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 6. Wykład z algebry liniowej Warszawa, listopad 2013
Wyznaczniki Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 6. Wykład z algebry liniowej Warszawa, listopad 2013 Mirosław Sobolewski (UW) Warszawa, listopad 2013 1 / 13 Terminologia
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 szczegółowoWstęp do metod numerycznych Eliminacja Gaussa i faktoryzacja LU. P. F. Góra
Wstęp do metod numerycznych Eliminacja Gaussa i faktoryzacja LU P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2018 Co można zrobić z układem równań... tak, aby jego rozwiazania się nie zmieniły? Rozważam
Bardziej szczegółowoKryptografia. z elementami kryptografii kwantowej. Ryszard Tanaś Wykład 13
Kryptografia z elementami kryptografii kwantowej Ryszard Tanaś http://zon8.physd.amu.edu.pl/~tanas Wykład 13 Spis treści 19 Algorytmy kwantowe 3 19.1 Bit kwantowy kubit (qubit)........... 3 19. Twierdzenie
Bardziej szczegółowo2. Szybka transformata Fouriera
Szybka transforata Fouriera Wyznaczenie ciągu (Y 0, Y 1,, Y 1 ) przy użyciu DFT wyaga wykonania: nożenia zespolonego ( 1) razy, dodawania zespolonego ( 1) razy, przy założeniu, że wartości ω j są już dane
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoFUNKCJE. (odwzorowania) Funkcje 1
FUNKCJE (odwzorowania) Funkcje 1 W matematyce funkcja ze zbioru X w zbiór Y nazywa się odwzorowanie (przyporządkowanie), które każdemu elementowi zbioru X przypisuje jeden, i tylko jeden element zbioru
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 szczegółowoALGEBRA LINIOWA Z ELEMENTAMI GEOMETRII ANALITYCZNEJ. 1. Ciała
ALGEBRA LINIOWA Z ELEMENTAMI GEOMETRII ANALITYCZNEJ WSHE, O/K-CE 1. Ciała Definicja 1. Układ { ; 0, 1; +, } złożony ze zbioru, dwóch wyróżnionych elementów 0, 1 oraz dwóch działań +:, : nazywamy ciałem
Bardziej szczegółowoPrzekształcenie całkowe Fouriera
Przekształcenie całkowe Fouriera Postać zespolona szeregu Fouriera Niech ana bęzie funkcja f spełniająca w przeziale [, ] warunki Dirichleta. Wtey szereg Fouriera tej funkcji jest o niej zbieżny, tj. przy
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne
Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Wstęp
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 szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoRozdział 2. Liczby zespolone
Rozdział Liczby zespolone Zbiór C = R z działaniami + oraz określonymi poniżej: x 1, y 1 ) + x, y ) := x 1 + x, y 1 + y ), 1) x 1, y 1 ) x, y ) := x 1 x y 1 y, x 1 y + x y 1 ) ) jest ciałem zob rozdział
Bardziej szczegółowoPostać Jordana macierzy
Rozdział 8 Postać Jordana macierzy Niech F = R lub F = C Macierz J r λ) F r r postaci λ 1 0 0 0 λ 1 J r λ) = 0 λ 1 0 0 λ gdzie λ F nazywamy klatką Jordana stopnia r Oczywiście J 1 λ) = [λ Definicja 81
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 szczegółowoWymiana i składowanie danych multimodalnych
SKRYPT DO LABORATORIUM Wymiana i składowanie danych multimodalnych ĆWICZENIE 3: Dyskretna transformata kosinusowa zasada działania i podstawowe właściwości autor: dr inż. Adam Bujnowski 1. Wymagania wstępne
Bardziej szczegółowoĆwiczenie: Własności dyskretnej transformaty Fouriera (DFT)
Opracował: dr hab. inż. G. Stępniak Ćwiczenie: Własności dyskretnej transformaty Fouriera (DFT) Dyskretna transformata Fouriera (DFT ang. discrete Fourier Transform) to jedno z podstawowych narzędzi w
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 6. Transformata cosinusowa. Krótkookresowa transformata Fouriera.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 6 Transformata cosinusowa. Krótkookresowa transformata Fouriera. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów
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 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 szczegółowoAnaliza szeregów czasowych: 3. Filtr Wienera
Analiza szeregów czasowych: 3. Filtr Wienera P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Filtr Wienera ( filtr optymalny ) Przypuśćmy, że pewien układ (fizyczny, biologiczny,
Bardziej szczegółowoObliczenia iteracyjne
Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej
Bardziej szczegółowoRozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 13 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Podsta Automatyki Transmitancja operatorowa i widmowa systemu, znajdowanie odpowiedzi w dziedzinie s i w
Bardziej szczegółowoPrzetwarzanie sygnałów biomedycznych
Przetwarzanie sygnałów biomedycznych dr hab. inż. Krzysztof Kałużyński, prof. PW Człowiek- najlepsza inwestycja Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Czasowo-częstotliwościowa analiza sygnałów Metody analizy sygnału Do tej pory - analiza sygnału jako funkcji
Bardziej szczegółowoPlan wykładu. Własności statyczne i dynamiczne elementów automatyki:
Plan wykładu Własności statyczne i dynamiczne elementów automatyki: - charakterystyka statyczna elementu automatyki, - sygnały standardowe w automatyce: skok jednostkowy, impuls Diraca, sygnał o przebiegu
Bardziej szczegółowoIII. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.
III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi
Bardziej szczegółowoWstęp do metod numerycznych Rozwiazywanie równań algebraicznych. P. F. Góra
Wstęp do metod numerycznych Rozwiazywanie równań algebraicznych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2010 Co to znaczy rozwiazać równanie? Przypuśmy, że postawiono przed nami problem rozwiazania
Bardziej szczegółowoWykład 14. Elementy algebry macierzy
Wykład 14 Elementy algebry macierzy dr Mariusz Grządziel 26 stycznia 2009 Układ równań z dwoma niewiadomymi Rozważmy układ równań z dwoma niewiadomymi: a 11 x + a 12 y = h 1 a 21 x + a 22 y = h 2 a 11,
Bardziej szczegółowoWstęp do metod numerycznych Zagadnienia wstępne Uwarunkowanie. P. F. Góra
Wstęp do metod numerycznych Zagadnienia wstępne Uwarunkowanie P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2014 Sposoby reprezentacji liczb całkowitych i rzeczywistych patrz wykład z Teoretycznych Podstaw
Bardziej szczegółowoWEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej
WEKTORY I WARTOŚCI WŁASNE MACIERZY Ac λ c (*) ( A λi) c nietrywialne rozwiązanie gdy det A λi problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej A - macierzowa
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoMetody numeryczne Wykład 6
Metody numeryczne Wykład 6 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Interpolacja o Interpolacja
Bardziej szczegółowoFunkcje analityczne. Wykład 12
Funkcje analityczne. Wykład 2 Szeregi Laurenta. Osobliwości funkcji zespolonych. Twierdzenie o residuach Paweł Mleczko Funkcje analityczne (rok akademicki 206/207) Plan wykładu W czasie wykładu omawiać
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
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
Bardziej szczegółowoModelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowo1 Grupa SU(3) i klasyfikacja cząstek
Grupa SU(3) i klasyfikacja cząstek. Grupa SU(N) Unitarne (zespolone) macierze N N można sparametryzować pzez N rzeczywistych parametrów. Ale detu =, unitarność: U U = narzucają dodatkowe warunki. Rozważmy
Bardziej szczegółowoLABORATORIUM METROLOGII. Podstawy akwizycji i cyfrowego przetwarzania sygnałów. dr inż. Andrzej Skalski. mgr inż. Mirosław Socha
AKADEMIA GÓRNICZO - HUTNICZA IM. STANISŁAWA STASZICA w KRAKOWIE WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI i ELEKTRONIKI KATEDRA METROLOGII LABORATORIUM METROLOGII Podstawy akwizycji i cyfrowego
Bardziej szczegółowo1 Macierz odwrotna metoda operacji elementarnych
W tej części skupimy się na macierzach kwadratowych. Zakładać będziemy, że A M(n, n) dla pewnego n N. Definicja 1. Niech A M(n, n). Wtedy macierzą odwrotną macierzy A (ozn. A 1 ) nazywamy taką macierz
Bardziej szczegółowo