Signaalien tilastollinen mallinnus T (5 op) Syksy 2006 Harjoitustyö
|
|
- Saija Leena Seppälä
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Signaalien tilastollinen mallinnus T (5 op) Syksy 2006 Harjoitustyö
2 Harjoitustyön sekä kurssin suorittaminen Kurssin suorittaminen edellyttää sekä tentin että harjoitustyön hyväksyttyä suoritusta. Tenttiin ei voi osallistua ennenkuin harjoitustyö on suoritettu hyväksytysti: tästä säännöstä poikkeuksena ovat tentit, jotka järjestetään ennen työn deadlinea Merkinnän näistä tenteistä saa, mikäli harjoitustyö palautetaan deadlineen mennessä ja tulee hyväksyttyä. Muihin tentteihin voi osallistua vasta harjoitustyön hyväksytyn suorituksen jälkeen. Harjoitustyö palautetaan informaatiotekniikan laboratorioon ilmoitustaulun vieressä olevaan laatikkoon (kolmesta laatikosta vasemmanpuoleisimpaan). Palautetulta työltä edellytetään 1. opiskelijanumero täydellisenä 2. sähköpostiosoite 3. vastaukset kaikkiin esitettyihin kysymyksiin 4. selkeyttä: työn tarkoituksena on myös harjoitella selkeää raportointia. Lukijan on löydettävä kaikki tarvittava tieto helposti. Selostuksen lopussa voit halutessasi kommentoida työtä ja esittää parannusehdotuksia. Työn voi palauttaa halutessaan sähköpostitse yhtenä tiedostona (postscript tai PDF) osoitteeseen Nimeä tiedosto niin, että nimi sisältää opiskelijanumerosi. Tällöin palautus hyväksytään, mikäli se tulostuu ongelmitta. Työn ehdoton deadline on Jos myöhästyt deadlinesta, keskustele kurssin suorittamisesta luennoitsijan kanssa, mielellään hyvissä ajoin ennen deadlinea. Myöhästyneet joutuvat tekemään eri harjoitustyön joka pyritään laatimaan niin, ettei työmäärä ylitä normaalia harjoitustyötä Työn sisällöstä Tarkoituksena on ratkaista joitakin kurssin sisältöön liittyviä ongelmia käytännössä. Työn tekemiseen suositellaan käytettäväksi MATLAB-ohjelmistoa, mutta tämä ei ole pakollista. Tarvittava havaintoaineisto on kuitenkin 2
3 saatavilla MATLAB-muodossa. MATLAB on käytettävissä useimmissa ATKkeskuksen opiskelijoiden käytössä olevissa koneissa. Työn hyväksyminen Kaikkiin työssä esitettyihin kysymyksiin tulee vastata, jotta työ hyväksyttäisiin. Mikäli harjoitustyön ratkaisussa on huomautettavaa, työ palautetaan tekijälle korjattavaksi. Aikaa korjauksiin annetaan noin kolme viikkoa. Korjaukset on tehtävä kerralla kunnolla eli niin hyvin, että työ voidaan niiden jälkeen hyväksyä sellaisenaan. Palaute Jos työohjeessa tai muussa materiaalissa on puutteita tai epäselvyyksiä tai on muuta kysyttävää, kysy ensisijaisesti sähköpostitse Jos on tarpeen, kurssin kotisivulle päivitetään korjauksia ja täydennyksiä työohjeeseen sekä mahdollisesti vihjeitä hankalien kohtien ratkaisemiseksi. Työn laajuudesta Tehtävä 1 ratkeaa melko suoraviivaisesti soveltamalla kurssilla opittuja menetelmiä. Tehtävässä 2 joutuu soveltamaan kurssin tietoja huomattavasti laajemmin: suurin osa tarvittavista tiedoista opitaan vasta kurssin loppupuolella. Tämän tehtävän työmäärä voi olla selvästi suurempi kuin ensimmäisessä tehtävässä: siksi ajankäytön suunnittelussa kannattaa ottaa huomioon 2. tehtävän vaativuus. 1 Autoregressiiviset satunnaisprosessit ja valkoinen kohina Tässä tehtävässä kehitetään valkoista kohinaa ja autoregressiivisen (AR) mallin mukainen satunnaisprosessi sekä tutkitaan joitakin niiden ominaisuuksia. 3
4 Valkoisella kohinalla tarkoitetaan seuraavassa sellaista diskreettiä satunnaisprosessia v(n), n = 1, 2,..., jonka näytteet v(i) ovat toisistaan riippumattomia, nollakeskiarvoisia ja samalla tavoin jakautuneita satunnaislukuja. Määritellään p:nnen asteen (kertaluvun) autoregressiivinen satunnaisprosessi x(n), n = 1, 2,..., aikatasossa seuraavasti: x(n) + p a p (k)x(n k) = v(n). k=1 Tässä vakiokertoimet a p (1),..., a p (p) määräävät prosessin luonteen, ja jono valkoisen kohinan arvoja (syöte) v(i) virittää sen. AR-prosessissa kohina v(n) voidaan olettaa normaalijakautuneeksi. AR-prosessit voivat kuvata mm. kohinaisia, vaimennettuja sinisignaaleja. Vaimennus on sitä suurempi, mitä enemmän AR-prosessin siirtofunktion navat sijaitsevat yksikköympyrän sisällä. Jos navat ovat yksikköympyrällä, prosessi kuvaa vaimentamattomia sinisignaaleja kohinassa. Astelukua p olevalla AR-prosessi voi mallintaa prosesseja, jotka sisältävät p/2 reaalista (tai p kompleksista) sinisignaalia. AR-prosessien tehospektrissä esiintyy tyypillisesti huippu sinisignaalien taajuuksien kohdilla. Tätä voidaan hyödyntää siten, että analysoitavaa prosessia mallinnetaan sopivalla AR-prosessilla, ratkaistaan mallin kertoimet ja lasketaan vastaava tehospektri. Tehospektrin huippukohdista saadaan sitten selville signaalissa esiintyvät taajuudet. a) Kehitä 256 näytettä varianssilla 1 normaalijakautunutta valkoista kohinaa. Piirrä näytölle kuva esim. 100 ensimmäisestä arvosta. Liitä ohjelmakoodi selostukseen. b) Estimoi a)-kohdassa kehitetyn kohinajonon tehospektri ja piirrä kuva tuloksesta. Esitä selostuksessa paperille tulostettu kuva (1 tulostettu kuva riittää). Onko tulos teorian mukainen? Jos on, niin kerro selostuksessa, mikä on teorian mukainen tulos ja tarkista vielä, onko estimoitu tehospektri todella teorian mukainen. Jos ei ole, niin perustele miksi ei ole. Ohje: Käytä signal processing toolboxista löytyvää komentoa pwelch. Kokeile pwelch-komentoa eri parametrin nfft arvoilla (esim. nfft=256, 4
5 nfft=64). Komennon laskemassa Fourier-pohjaisessa Welchin spektriestimaatissa saadaan suurella nfft:n arvolla hyvä taajuusresoluutio, mutta spektriestimaatin varianssi on suuri. Pienemmällä nfft:n arvolla tehospektrin arvoja lasketaan vähemmän (nfft/2 kpl), mutta ne ovat vastaavasti luotettavampia. c) Valitse 4 kerrointa a 4 (1), a 4 (2), a 4 (3), a 4 (4) siten että ne tuottavat tulokseksi stabiilin 4. asteen autoregressiivisen satunnaisprosessin. Miten varmistat prosessin stabiilisuuden? Listaa selostuksessa MATLABkomennot, joilla varmistit oman AR-prosessisi stabiilisuuden. Tulosta myös systeemin napa/nollakuvio (esim. MATLAB:in zplane-komennolla). d) Kehitä 1024 näytettä c)-kohdan mukaisesta AR-prosessista. Alkuarvot x(i), i < 0, voit valita esim. nolliksi. Talleta tulos, tarvitset sitä myöhemmin. Liitä ohjelmakoodi selostukseen. e) Piirrä kuva d)-kohdassa kehitetystä AR-prosessista (esim. 256 ensimmäistä näytettä). Esitä selostuksessa paperille tulostettu kuva. f) Estimoi d)-kohdassa kehittämäsi AR-prosessin autokorrelaatiofunktio. Piirrä kuva esim. 100 ensimmäisestä arvosta ˆr x (0),..., ˆr x (99). Liitä ohjelmakoodi selostukseen. Ohje: Voit käyttää tässä apuna MATLABin komentoa xcorr. Esim. komento rx = xcorr(x) tuottaa tulokseksi (2N 1)-dimensioisen vektorin rx, jos x on N-dimensioinen vektori. Vektorin rx alkioina ovat autokorrelaatioestimaatit ˆr x ( N +1),..., ˆr x (N 1) kerrottuina skaalausvakiolla N. g) Estimoi d)-kohdassa kehitetyn AR-prosessin tehospektri Welchin menetelmällä ja piirrä kuva tuloksesta. Käytä signal processing toolboxista löytyvää komentoa pwelch. Esitä selostuksessa paperille tulostettu kuva. Merkitse kohdassa c) lasketut siirtofunktion navat tehospektriin vastaaville taajuuksille. 5
6 2 Taajuuksien estimointi parametrisilla menetelmillä Tässä tehtävässä tarkastellaan tehospektrin estimointia ja eri menetelmien resoluutiota. Havaintoaineisto on saatavissa sivulta mistä pitää hakea tiedosto dxxxxx.mat, missä tulee korvata xxxxx omalla opintokirjan numerolla. Jos tiedostoa ei löydy niin luultavasti et ole ilmoittautunut kurssille. Ilmoittaudu kurssille Webtopin kautta ja ilmoita kurssin assistentille, että tarvitset havainnot harjoitustyötä varten. Tiedosto ladataan MATLAB:iin komennolla load dxxxxx. Nyt MATLAB:in ympäristössä pitäisi olla määriteltynä vektori data1 sekä muuttuja sum1. Tarkista asia komennolla size(data1) jonka pitäisi antaa tulokseksi ans = Havaitusta signaalista tiedetään, että se sisältää sinisignaaleja taajuuksilla f + k f, k = 2, 1, 0, 1, 2. Valitettavasti taajuus f ei pysy mittauksen ajan aivan vakiona vaan se vaihtelee jonkin verran. Kuitenkin lyhyellä aikavälillä f pysyy suunnilleen vakiona. Sensijaan f pysyy vakiona koko havainnon ajan. Lisäksi tiedetään, että sinisignaalien amplitudit ovat kokonaislukuja ja niiden summa on muuttujassa sum1. a) Estimoi havaintojonon periodogrammi ja tulosta se taajuusvälillä ω [0, π]. Esitä saamasi kuva selostuksessa. Ohje: Teho kannattaa esittää logaritmisella asteikolla kuvissa eli tulosta log P x (exp(jω)). Huom! Jos myöhemmissä kohdissa estimoit esim. amplitudeja tehospektristä käyttäen log P x :ää, niin muista että logaritmi vaikuttaa amplitudeihin. 6
7 b) Estimoi sinisignaalien amplitudit soveltaen valitsemaasi epäparametrista menetelmää (esim. periodogrammi tai Welchin menetelmä). Ota huomioon estimoinnissa kaikki seikat, mitä havainnoista tiedetään (taajuuden f vaihtelu, amplitudit ovat kokonaislukuja, amplitudien summa tunnetaan, f on vakio). Muista skaalata kaikki estimaatit oikein! Huomaa, että voi olla hankalaa kehittää täsmällistä estimaattoria joka antaa optimaalisen tuloksen. Voit käyttää tervettä järkeä ja esim. amplitudeja estimoidessasi ensin hakea karkeasti oikeat taajuudet vaikkapa tehospektrin paikallisten maksimikohtien avulla. Selosta miten sovelsit menetelmää ja esitä saadut tulokset. Liitä ohjelmakoodi selostukseen. Huom! Tämä kohta, kuten seuraavatkin, ei ratkea estimoimalla suoraan koko havainnosta esim. periodogrammi ja käyttämällä sitä amplitudien estimointiin. Tämä johtuu siitä, että havaittu signaali tiedetään epästationääriseksi. Em. tunnetut asiat tulee ottaa sopivasti huomioon jotta päästään soveltamaan epäparametrista menetelmää riittävän stationääriseen signaaliin. Tämänkin voi tehdä karkeasti esimerkiksi estimoimalla tehospektrin havaitun signaalin eri osista ja yhdistämällä tulokset sopivasti. c) Estimoi taajuus f käyttäen jotakin parametrista menetelmää (esim. MU- SIC tai jokin muu aliavaruusmenetelmä). Muista edelleen ottaa huomioon, että f muuttuu havaitun aikasarjan data1 aikana! Selosta menetelmän soveltaminen ja esitä saadut tulokset. Liitä MATLAB-komennot selostukseen. d) Kun olet estimoinut taajuuden f, niin käytä tätä hyväksesi ja estimoi amplitudit käyttäen hyväksi sinisignaalimallia, ts. mallintaen havainnot taajuuksilla f + k f esiintyvien sinisignaalien avulla. Koska taajuus f muuttuu, niin tässäkään kohdassa et voi suoraan ratkaista amplitudeja koko aikasarjasta. Kerro, kuinka estimoit amplitudit ja taajuuden f. Vertaa saatuja amplitudiarvoja b)-kohdassa ratkaistuihin. Ohje: Havaittu signaali on reaaliarvoinen, eli sen sisältämät sinisignaalit ovat reaalisia. Kuten luennolla on esitetty, niin tunnettujen 7
8 taajuksien avulla voidaan estimoida kompleksisten sinisignaalien amplitudit ja vaiheet. Tässä tehtävässä täytyy siis kirjoittaa reaaliset sinisignaalit kompleksisten sinisignaalien avulla: 2 cos(ω) = exp(jω) + exp( jω). Jokaista reaalista sinisignaalia sin(ω + φ) kohti mallissa on siis kaksi kompleksista sinisignaalia taajuuksilla ω ja ω. Kun tunnet taajuuden ω niin luonnollisesti tunnet myös taajuuden ω. Ratkaistavaksi jää kompleksiluku A exp(jφ) mistä voit ratkaista erikseen amplitudit ja vaiheet. Luennolla on esitetty lineaarinen yhtälöryhmä, jonka ratkaisemiseksi riittää tuntea taajuudet ω. Käytä sitä amplitudien ja vaiheiden ratkaisemiseksi. e) Lopputulos: mitkä ovat sinisignaalien amplitudit? Ota huomioon, että amplitudit ovat kokonaislukuja ja niiden summa on tiedossa. Kirjoita amplitudit A i jonoon muodossa A i 1 alkaen pienimmästä taajuudesta. 8
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
LisätiedotSäätötekniikan ja signaalinkäsittelyn työkurssi
Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D102: Sinimuotoisen signaalin suodattaminen 0.4 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
LisätiedotLaskuharjoitus 9, tehtävä 6
Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen
LisätiedotTiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä
MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
LisätiedotYhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt
Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.
LisätiedotDigitaalinen Signaalinkäsittely T0125 Luento 4-7.04.2006
Digitaalinen Signaalinkäsittely T5 Luento 4-7.4.6 Jarkko.Vuori@evtek.fi Z-taso Z-taso on paljon käytetty graafinen esitystapa jonka avulla voidaan tarkastella signaalien taajuussisältöjä sekä järjestelmien
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-00 Signaalinkäsittelyn menetelmät Välikoe 9.3.009 Sivuilla - on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
Lisätiedot6. Tietokoneharjoitukset
6. Tietokoneharjoitukset 6.1 Tiedostossa Const.txt on eräällä Yhdysvaltalaisella asuinalueella aloitettujen rakennusurakoiden määrä kuukausittain, aikavälillä 1966-1974. Urakoiden määrä on skaalattu asuinalueen
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 24.4.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
Lisätiedot8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151
Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät
Lisätiedot3. Tietokoneharjoitukset
3. Tietokoneharjoitukset Aikasarjan logaritmointi Aikasarjoja analysoidaan usein logaritmisessa muodossa. Asialooginen perustelu logaritmoinnille: Muuttujan arvojen suhteelliset muutokset ovat usein tärkeämpiä
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 21.3.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 18.3.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotHarjoitukset 4 : Paneelidata (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) Tavoitteet (teoria): Ymmärtää kausivaihtelun käsite ja sen yhteys otoshetkiin. Oppia käsittelemään periodogrammia.. Tavoitteet (R): Periodogrammin,
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-00 Signaalinkäsittelyn menetelmät, Tentti 6.3.006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
Lisätiedot5. Z-muunnos ja lineaariset diskreetit systeemit. z n = z
5. Z-muunnos ja lineaariset diskreetit systeemit Jono: (x(n)) n=0 = (x(0), x(1), x(2),..., x(n),...) Z-muunnos: X(z) = n=0 x(n)z n, jos sarja suppenee jossain kompleksitason osassa. Esim. 4. Ykkösjonon
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-00 Signaalinkäsittelyn menetelmät, Tentti..005 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja sen
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 5.5.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotHarjoitus 7 : Aikasarja-analyysi (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotSäätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002
Matlab tehtäviä 1. Muodosta seuraavasta differentiaaliyhtälöstä siirtofuntio. Tämä differentiaaliyhtälö saattaisi kuvata esimerkiksi yksinkertaista vaimennettua jousi-massa systeemiä, johon on liitetty
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotSÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Älykkäät koneet ja järjestelmät / systeemitekniikka Jan 019
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 30.1.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotMatriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.
Python linkit: Python tutoriaali: http://docs.python.org/2/tutorial/ Numpy&Scipy ohjeet: http://docs.scipy.org/doc/ Matlabin alkeet (Pääasiassa Deni Seitzin tekstiä) Matriisit ovat matlabin perustietotyyppejä.
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
LisätiedotSIGNAALITEORIAN KERTAUSTA 1
SIGNAALITEORIAN KERTAUSTA 1 1 (26) Fourier-muunnos ja jatkuva spektri Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka esittäminen graafisesti edellyttää 3D-kuvaajan piirtämisen. Yleensä
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-100 Signaalinkäsittelyn menetelmät Välikoe 6.4.010 Sivuilla 1- on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotELEC-C5210 Satunnaisprosessit tietoliikenteessä
ELEC-C5210 Satunnaisprosessit tietoliikenteessä Esa Ollila Aalto University, Department of Signal Processing and Acoustics, Finland esa.ollila@aalto.fi http://signal.hut.fi/~esollila/ Kevät 2017 E. Ollila
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotKertausluento. Tilastollinen päättely II - 2. kurssikoe
Kertausluento Tilastollinen päättely II - 2. kurssikoe Yleistä tietoa TP II -2. kurssikokeesta 2. kurssikoe maanantaina 6.5.2019 klo 12.00-14.30 jossakin Exactumin auditoriossa Kurssikokeeseen ilmoittaudutaan
LisätiedotLuentoaiheet: 1. Satunnaissignaalien käsittely. 2. Tehospektrin estimointi. Julius Luukko 2009 2/144
Luentoaiheet: 1. Satunnaissignaalien käsittely 2. Tehospektrin estimointi 2/144 Satunnaissignaalien käsittely Johdanto Diskreettiaikaiset satunnaisprosessit Diskreettiaikaisen satunnaisprosessin matemaattinen
LisätiedotMatriiseista. Emmi Koljonen
Matriiseista Emmi Koljonen 3. lokakuuta 22 Usein meillä on monta systeemiä kuvaavaa muuttujaa ja voimme kirjoittaa niiden välille riippuvaisuuksia, esim. piirin silmukoihin voidaan soveltaa silmukkavirtayhtälöitä.
LisätiedotTässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.
Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan
LisätiedotOhjeita. Datan lukeminen
ATK Tähtitieteessä Harjoitustyö Tehtävä Harjoitystyössä tehdään tähtikartta jostain taivaanpallon alueesta annettujen rektaskensio- ja deklinaatiovälien avulla. Karttaan merkitään tähdet aina kuudenteen
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotHarjoitustyö 1. Signaaliprosessorit Sivu 1 / 11 Vähämartti Pasi & Pihlainen Tommi. Kaistanestosuodin, estä 2 khz. Amplitudi. 2 khz.
Signaaliprosessorit Sivu 1 / 11 Harjoitustyö 1 Kaistanestosuodin, estä 2 khz Amplitudi f 2 khz MATLAB koodi: clear; close all; w=[0 1900 1950 2050 2100 4000]/4000; m=[1 1 0 0 1 1]; h=remez(800,w,m); [H,w]=freqz(h,1);
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotPienimmän Neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
Lisätiedot4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt
4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt 4.1 Homogeeniset lineaariset differentiaaliyhtälöt Homogeeninen yhtälö on muotoa F(x, y,, y (n) ) = 0. (1) Yhtälö on lineaarinen, jos se voidaan
Lisätiedot1 Vastaa seuraaviin. b) Taajuusvasteen
Vastaa seuraaviin a) Miten määritetään digitaalisen suodattimen taajuusvaste sekä amplitudi- ja vaihespektri? Tässä riittää sanallinen kuvaus. b) Miten viivästys vaikuttaa signaalin amplitudi- ja vaihespektriin?
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
LisätiedotSGN-4200 Digitaalinen Audio Harjoitustyö-info
1 SGN-4200 Digitaalinen Audio Harjoitustyö-info 04.04.2012 Joonas Nikunen Harjoitystyö - 2 Suorittaminen ja Käytännöt Kurssin pakollinen harjoitustyö: Harjoitellaan audiosignaalinkäsittelyyn tarkoitetun
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 2 ratkaisu
811312A Tietorakenteet ja algoritmit 2017-2018, Harjoitus 2 ratkaisu Harjoituksen aiheena on algoritmien oikeellisuus. Tehtävä 2.1 Kahvipurkkiongelma. Kahvipurkissa P on valkoisia ja mustia kahvipapuja,
Lisätiedotplot(f(x), x=-5..5, y=-10..10)
[] Jokaisen suoritettavan rivin loppuun ; [] Desimaalierotin Maplessa on piste. [] Kommentteja koodin sekaan voi laittaa # -merkin avulla. Esim. #kommentti tähän [] Edelliseen tulokseen voi viitata merkillä
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotTehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 2 Ratkaisut palautettava viimeistään maanantaina 25.5.2015 klo 16.15. Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja
LisätiedotMatlab-tietokoneharjoitus
Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTAMPEREEN TEKNILLINEN YLIOPISTO Digitaali- ja tietokonetekniikan laitos. Harjoitustyö 4: Cache, osa 2
TAMPEREEN TEKNILLINEN YLIOPISTO Digitaali- ja tietokonetekniikan laitos TKT-3200 Tietokonetekniikka I Harjoitustyö 4: Cache, osa 2.. 2010 Ryhmä Nimi Op.num. 1 Valmistautuminen Cache-työn toisessa osassa
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotKurssin opettajat, tavoitteet ja käytänteet (kevät 2016) MS-C2107 Sovelletun matematiikan tietokonetyöt 1
Kurssin opettajat, tavoitteet ja käytänteet (kevät 2016) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Kuvissa Anna Anttalainen, Juho Timonen, Touko Väänänen
LisätiedotDiskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotAS Automaatio- ja systeemitekniikan projektityöt S09-18 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan
AS-.32 Automaatio- ja systeemitekniikan projektityöt S9-8 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan Joni Silvo Johdanto Tässä työssä tutkitaan rakenteiden kunnonvalvontaan käytettävään langattomaan
LisätiedotPelaisitko seuraavaa peliä?
Lisätehtävä 1 seuraavassa on esitetty eräs peli, joka voidaan mallintaa paramterisena tilastollisena mallina tehtävänä on selvittää, kuinka peli toimii ja näyttää mallin takana oleva apulause (Tehtävä
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotSTOKASTISET PROSESSIT
TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotMitä on konvoluutio? Tutustu kuvankäsittelyyn
Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotAluksi. 1.1. Kahden muuttujan lineaarinen yhtälö
Aluksi Matematiikan käsite suora on tarkalleen sama asia kuin arkikielen suoran käsite. Vai oliko se toisinpäin? Matematiikan luonteesta johtuu, että sen soveltaja ei tyydy pelkkään suoran nimeen eikä
LisätiedotProjekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on
EPOP Kevät 2012 Projeti 5 Systeemifuntiot ja asiportit Tämä projeti tehdään 3 hengen ryhmissä. Ryhmääni uuluvat Kuin ryhmistä tarastelee piiriä eri taajuusilla. Ryhmäni taajuus on Seuraavan projetin aiana
LisätiedotTHE audio feature: MFCC. Mel Frequency Cepstral Coefficients
THE audio feature: MFCC Mel Frequency Cepstral Coefficients Ihmiskuulo MFCC- kertoimien tarkoituksena on mallintaa ihmiskorvan toimintaa yleisellä tasolla. Näin on todettu myös tapahtuvan, sillä MFCC:t
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
Lisätiedot