Signaalin energia- ja tehotiheys
|
|
- Maija-Leena Haapasalo
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Spektrin energiatiheys Signaalin energia- ja tehotiheys Reaaliarvoisen energiasignaalin g(t) kokonaisenergia E saadaan kaavalla E = g ( t) dt Olkoon signaalin g(t) Fourier-muunnos G(ω). Parsevalin teoreeman mukaan kokonaisenergia E voidaan laskea joko aika- tai taajuustasossa E 1 = g ( t) dt = G( ω) dω = G( f ) df π Käytännössä signaalin kokonaisenergia on usein helpompi laskea taajuustasossa. Fourier-muunnoksen itseisarvon (= amplitudispektri) neliö määrittää signaalin energian taajuusyksikköä kohti (J/Hz) eli spektrin energiatiheyden ψ g (f). ψ g ( f ) = G( f ) Jyrki Laitinen TL531 Signaaliteoria S4 1
2 Signaalin energia- ja tehotiheys Kokonaisenergia saadaan siis integroimalla kaikkien taajuuksien yli. E = ψ g ( f ) df Yleisesti voidaan osoittaa, että spektrin energiatiheys on ei-negatiivinen taajuuden funktio. Reaaliarvoisen signaalin spektrin energiatiheys on parillinen taajuuden funktio eli ψ ( f ) = ψ ( f ) g g Jos heräte x(t) on energiasignaali, saadaan LTI-järjestelmän h(t) vasteen y(t) energiatiheys ψ y (f) herätteen energiatiheyden ψ x (f) ja siirtofunktion H(f) itseisarvon neliön tulona ψ ( f ) = y H ( f ) ψ ( f ) x Jyrki Laitinen TL531 Signaaliteoria S4
3 Signaalin energia- ja tehotiheys Energiasignaalien autokorrelaatio Tarkastellaan signaalia g(t), jonka Fourier-muunnos on G(f). Spektrin energiatiheys on nyt siis ψ ( f ) = g G( f ) = G( f ) G ( f ) Tässä G * (f) on G(f):n kompleksikonjugaatti. Yllä kerrotaan siis taajuustasossa signaalit G(f) ja G * (f) keskenään. Aikatasossa taajuustason kertolaskua vastaa Fourier-muunnoksen konvoluutioteoreeman mukaisesti konvoluutio. Kompleksikonjugointia vastaa puolestaan aikatasossa aikaparametrin muuttaminen vastakkaismerkkiseksi. g( τ ) g( τ ) G( f ) G ( f ) Kaavassa esiintyvää konvoluutiota sanotaan signaalin g(t) autokorrelaatiofunktioksi R g (τ) ja se määritellään muodossa R g ( τ ) = g( τ ) g( τ ) = g( τ ) g( t τ ) dt Jyrki Laitinen TL531 Signaaliteoria S4 3
4 Signaalin energia- ja tehotiheys Autokorrelaatiofunktio kuvaa signaalin ja sen τ:n verran viivästetyn version samankaltaisuutta. Autokorrelaatio on maksimissaan, kun τ=, jolloin vertailtavana on kaksi samaa signaalia. Jaksolliselle signaalille autokorrelaatiofunktio saa maksimiarvon jaksonpituuden välein. Signaalin jaksollisuuden tutkiminen onkin yksi autokorrelaatiofunktion tärkeimmistä sovelluksista. Esimerkki. Kosinisignaali. Signaali Autokorre la a tio Jyrki Laitinen TL531 Signaaliteoria S4 4
5 Signaalin energia- ja tehotiheys Esimerkiksi tutkatekniikassa hyödynnetään autokorrelaatiofunktiota. Tutka lähettää signaalia kohteeseen ja laskee vastaanotossa autokorrelaatiota. Kun autokorrelaatio saa maksimiarvonsa, on tutkan lähettämä signaali heijastunut kohteesta ja palannut takaisin. Signaalin kulkuajasta voidaan määrittää kohteen etäisyys. Autokorrelaatiofunktion ominaisuuksia Reaaliarvoisen signaalin autokorrelaatiofunktio on reaaliarvoinen ja parillinen funktio. R ( τ ) = R ( τ ) g g Energiasignaalin autokorrelaatiofunktion arvo origossa on signaalin kokonaisenergia R g () = E Energiasignaalin autokorrelaatiofunktio ja spektrin energiatiheys muodostavat Fourier-muunnosparin R g ( τ ) ψ ( f ) g Jyrki Laitinen TL531 Signaaliteoria S4 5
6 Signaalin energia- ja tehotiheys Energiasignaalien ristikorrelaatio Ristikorrelaatio mittaa kahden signaalin samankaltaisuutta eli koherenssia signaalien välisen viiveen τ funktiona. Kahden reaaliarvoisen energiasignaalin g 1 (t) ja g (t) välinen ristikorrelaatiofunktio R 1 (τ) määritellään kaavalla 1( τ ) g1( τ ) g( t τ R = ) dt Korrelaation laskenta muistuttaa konvoluution laskentaa, ja käytännön toteutuksissa käytetäänkin usein samaa aliohjelmaa kummankin operaation laskentaan. Signaalit ovat keskenään ortogonaalisia eli niissä ei ole samankaltaisuutta koko aikavälillä, jos g1 ( τ ) g( t τ ) dt = Jyrki Laitinen TL531 Signaaliteoria S4 6
7 Signaalin energia- ja tehotiheys Jos korreloitavien signaalien järjestystä vaihdetaan, saadaan ristikorrelaatiofunktioksi 1( τ ) g( τ ) g1( t τ R = ) dt Voidaan osoittaa, että R 1 (τ) = R 1 (-τ). Ristikorrelaatiofunktion R 1 (τ) ja signaalien g 1 (t) ja g (t) Fourier-muunnosten G 1 (f) ja G (f) välillä on voimassa ns. korrelaatioteoreema, joka voidaan esittää Fouriermuunnosparina R1( τ ) G1 ( f ) G ( f ) Kahden energiasignaalin ristikorrelaatiofunktio aikatasossa vastaa siis taajuustasossa yhden signaalin Fourier-muunnoksen ja toisen signaalin Fouriermuunnoksen kompleksikonjugaatin kertomista keskenään. Jyrki Laitinen TL531 Signaaliteoria S4 7
8 Spektrin tehotiheys Signaalin energia- ja tehotiheys Reaaliarvoisen tehosignaalin g(t) keskimääräinen teho P saadaan kaavalla P 1 = lim T g ( t dt T ) T T Käytännössä Fourier-muunnoksen laskeminen voi olla mahdotonta tehosignaalille, jonka energia on ääretön. Tämän vuoksi tehosignaalin Fourier-muunnos määritetään useimmiten katkaistusta signaalista g T (t), joka määritellään rect-funktion avulla muodossa g T ( t) = g( t) rect( t T g( t), ) =, T t T muulloin Katkaistulle signaalille on olemassa Fourier-muunnos, jos T on äärellinen. Parsevalin teoreeman perusteella saadaan yhteys signaalin g T (t) keskimääräisen tehon P ja Fourier-muunnoksen G T (f) välille. Jyrki Laitinen TL531 Signaaliteoria S4 8
9 Signaalin energia- ja tehotiheys P = lim T 1 T T T g T ( t) dt = lim T 1 T T T G T ( f ) df Jälkimmäisessä integraalissa voidaan raja-arvotarkastelu siirtää integroinnin sisälle, koska integraali on suppeneva (energia äärellinen): P = T 1 lim T T T G T ( f ) df Integrandi on tässä spektrin tehotiheys (tehosignaalin tehospektri) S g (f). S g 1 ( f ) = lim GT ( f ) T T 1 T G T ( f ) on signaalin periodogrammi. Jyrki Laitinen TL531 Signaaliteoria S4 9
10 Signaalin energia- ja tehotiheys Jaksollisen signaalin spektrin tehotiheys Olkoon g(t) jaksollinen signaali, jonka jaksonpituus on T. Signaali voidaan esittää Fourier-sarjana muodossa = n n jnωot jnπft T g( t) c e = c e = c e n= n= n n= 1 jnπ t, n =, ± 1, ±,K Kaavassa esiintyvät kertoimet c n ovat Fourier-sarjan kertoimia, jotka määritellään kaavalla c n = 1 T T / T g( t) e / jn ω o t dt, n =, ± 1, ±,K Jaksollisen funktion spektrissä on nollasta poikkeavia komponentteja vain perustaajuuden f = 1/T harmonisilla monikertataajuuksilla, ± f, ± f, ± 3f, Spektrin tehotiheys voidaan nyt esittää muodossa Jyrki Laitinen TL531 Signaaliteoria S4 1
11 Signaalin energia- ja tehotiheys n S g ( f ) = cn δ ( f ) T n= Signaalin keskimääräinen P teho saadaan summaamalla kaikki tehotiheysarvot P = c n n= Keskimääräinen teho on siis sama kuin Fourier-sarjan kertoimien c n itseisarvojen neliöiden summa. Tässä amplitudi on kertoimen itseisarvo, jolloin vastaava teho saadaan korottamalla amplitudiarvo toiseen potenssiin. Kun kaikki tehoarvot summataan saadaan signaalin keskimääräinen teho. Tämä tunnetaan Parsevalin tehoteoreemana. Jaksollisen signaalin dc-teho (teho nollataajuudella) saadaan ensimmäisen Fouriersarjan kertoimen c itseisarvon neliönä. Kerroin c on signaalin keskiarvo. P dc = c Jyrki Laitinen TL531 Signaaliteoria S4 11
12 Signaalin energia- ja tehotiheys Jaksollisen signaalin ac-teho saadaan, kun summataan Fourier-sarjan kertoimet lukuunottamatta dc-kerrointa c. n n = P ac = c n Signaalin keskimääräinen teho saadaan dc- ja ac-tehojen summana. Signaalin rms-arvo (root mean square) on P ac :n neliöjuuri rms = c n n n = Jyrki Laitinen TL531 Signaaliteoria S4 1
13 Kohina Satunnaiset signaalit Satunnaiset signaalit muodostavat erikoistapauksen tehosignaaleista. Satunnaisen signaalin käyttäytymistä ei kyetä ennakoimaan tarkasti esimerkiksi ennakolta tunnettua kaavaa hyödyntäen. Deterministisen signaalin käyttäytyminen tunnetaan sen sijaan kaikkina ajanhetkinä tarkasti. Satunnaiset signaalit liittyvät tilastollisiin prosesseihin. Voidaan ajatella, että tiettynä ajanhetkenä satunnainen signaali poimitaan joukosta mahdollisia signaaleja, joita kutsutaan näytefunktioiksi. Kaikkien näytefunktioiden joukkoa kutsutaan puolestaan satunnaisprosessiksi. Kohinasignaalit ovat tyypillisiä satunnaisia signaaleja. Toistettaessa saman mittaus eri ajan hetkinä saadaan tyypillisesti aina hieman erilainen tulos, koska useimmissa reaalimaailman prosesseissa signaaleihin summautuu satunnaisia kohinasignaaleja. Jyrki Laitinen TL531 Signaaliteoria S4 13
14 Kohina Signaalikohinasuhde Elektronisissa järjestelmissä kohinaa syntyy ulkoisista ja sisäisistä lähteistä. Ulkoisia lähteitä ovat esimerkiksi ionosfäärin häiriöt (satelliittisiirto) tai säätilan muutokset (radiotaajuinen siirto). Sisäistä kohinaa syntyy mm. elektronisten piirien fluktuaatioista (mm. terminen kohina), jotka asettavat rajoituksen järjestelmän toiminnalle. Tiedonsiirrossa sisäinen kohina havaitaan useimmiten vain vastaanotossa, minkä vuoksi sitä kutsutaan usein vastaanotinkohinaksi (receiver noise) tai kanavakohinaksi (channel noise). Signaalin siirrossa kohinaa mallinnetaan usein additiivisella mallilla, jossa kohinan oletetaan summautuvan siirrettävään signaaliin. Lisäksi kohinan oletetaan, että kohinan ja signaalin välillä ei ole korrelaatiota ja että kohina on nollakeskiarvoista valkoista (laajakaistaista) kohinaa 1. 1 AWGN = additive white gaussian noise Jyrki Laitinen TL531 Signaaliteoria S4 14
15 Kohina Kanavakohina n(t) X(t) Lähetin Kanava Y i (t) Vastaanotin Y o (t) S i, N i S o, N o Jos merkitään S o = vastaanotettu signaalin (informaation) keskimääräinen teho ja N o = vastaanotettu kohinan keskimääräinen teho, niin additiivisessa mallissa vastaanotettu kokonaistehoteho Y o = S o + N o. Vastaanotettu signaalikohinasuhde (SNR) puolestaan on S N o = S N o o Yleisemmin signaalikohinasuhde määritellään kohinattoman signaalin tehon P S ja kohinaisen signaalin tehon P N suhteen useimmiten desibeli-yksiköissä: SNR P 1log 1 S = PN [ db] Jyrki Laitinen TL531 Signaaliteoria S4 15
16 Kohina Signaali-kohinasuhde asettaa yleensä tiedonsiirron laadulle rajan. Signaalikohinasuhde määrittää pienimmän tehomuutoksen joka signaalissa on havaittavissa. Jos esimerkiksi SNR = 3 db, on kohinan teho tuhannesosa signaalin tehosta. Signaalissa tapahtuvien tehomuutosten on tällöin oltava kohinatehoa suurempia, jotta ne voitaisiin luotettavasti havaita. Normaalijakautunut valkoinen kohina Kohinamalleissa käytetään yleensä normaalijakautunutta valkoista kohinaa, jollaista syntyy usean kohinalähteen summautuessa. Koska käytännössä kohinalähteitä on yleensä useita, niiden yhteisvaikutuksena syntyy normaalijakautunut kohina. Normaalijakautuneessa kohinassa keskiarvo on kaikkein todennäköisin arvo ja keskiarvosta poikkeavat arvot tulevat Gaussin kellokäyrän muotoisesti sitä epätodennäköisemmiksi mitä kauempana ne keskiarvosta ovat. Jyrki Laitinen TL531 Signaaliteoria S4 16
17 Kohina Normaalijakautunut kohina Keskihajonta σ Keskiarvo µ σ = varianssi = teho Jyrki Laitinen TL531 Signaaliteoria S4 17
18 Kohina Todennäköisyys Normaalijakauma (µ =, σ = 1) σ σ Arvo Jyrki Laitinen TL531 Signaaliteoria S4 18
19 Kohina Valkoisessa kohinassa on tasaisesti kaikkia taajuuksia ja sen keskiarvo on nolla. Valkoinen kohina on ideaalista kohinaa ja käytännössä tällaisen kohinan keskimääräinen teho olisi ääretön. Todellisissa järjestelmissä kohina kuitenkin usein muistuttaa valkoista kohinaa siten, että tietyllä taajuuskaistalla kohinassa esiintyy tasaisesti kaikkia taajuuksia. Valkoisen kohinan tehotiheys on S w (f) N S w ( f ) = Kaavassa N on signaalin intensiteetti [W/Hz]. Valkoisen kohinan autokorrelaatiofunktio saadaan spektrin tehotiheyden käänteisenä Fourier-muunnoksena: N R w ( τ ) = δ ( τ ) R w (τ) N δ(τ) / N / f τ Jyrki Laitinen TL531 Signaaliteoria S4 19
20 Kohina Valkoinen kohina korreloi itsensä kanssa vain viiveen arvolla eli kaksi eri aikana mitattua kohinasignaalia ovat aina korreloimattomia keskenään. Ekvivalentti kohinakaistanleveys Tarkastellaan ideaalista alipäästösuodatusta. Suodatetaan valkoista kohinaa, jonka keskiarvo on ja tehotiheys N /, ideaalisella alipäästösuotimella, jonka rajataajuus on B ja päästökaistan vahvistus 1. Suodatetun kohinan tehotiheys on N ( f ) =, f B, B < < muulloin S N (f) S N N / -B B f Jyrki Laitinen TL531 Signaaliteoria S4
21 Kohina Suodatetun kohinan autokorrelaatiofunktio on tehotiheyden käänteinen Fouriermuunnos: R B B N ( = B B 1 N jωt N j πft τ ) = e dω e df N B sinc(bτ ) π = R N (τ) N B τ -3/B -1/B -1/B 1/B 1/B 3/B Jyrki Laitinen TL531 Signaaliteoria S4 1
22 Kohina Alipäästösuodatetun kohinan keskimääräinen teho on tehotiheyden ja taajuuskaistan tulo N P = B = NB Signaalinkäsittelyjärjestelmille määritetään (alipäästö)suodatuksen kohinamallin perusteella usein tunnusluku ekvivalentti kohinakaistanleveys B N : Järjestelmän ekvivalentti kohinakaistanleveys on sellaisen ideaalisen (alipäästö)suotimen kaistanleveys, jonka suodattaman kohinasignaalin kokonaisteho on sama kuin järjestelmän läpi kulkeneen kohinasignaalin teho. Ekvivalentti kohinakaistanleveys kuvaa järjestelmän herkkyyttä laajakaistaiselle kohinalle. Ideaalisen alipäästösuotimen läpi kulkeneen kohinan tehotiheys ~ H () -B N B N f Tiedonsiirtojärjestelmän läpi kulkeneen kohinan tehotiheys ~ H(f) Jyrki Laitinen TL531 Signaaliteoria S4
23 Jyrki Laitinen TL531 Signaaliteoria S4 3 Kohina Ekvivalentti kohinakaistanleveys voidaan edellä määrittää asettamalla tehotiheyskäyrien alle jäävät pinta-alat (~ keskimääräinen teho) yhtäsuuriksi () ) ( ) ( () ) ( () H df f H B df f H H B df f H H B N N N = = = Vastaavasti voidaan määrittää kaistanpäästösuodattimen (keskitaajuus f c ) ekvivalentti kohinakaistanleveys muodossa ) ( ) ( c N f H df f H B =
Signaalit ja järjestelmät aika- ja taajuusalueissa
Signaalit ja järjestelmät aika- ja taajuusalueissa Signaalit aika ja taajuusalueissa Muunnokset aika ja taajuusalueiden välillä Fourier sarja (jaksollinen signaali) Fourier muunnos (jaksoton signaali)
LisätiedotPetri Kärhä 04/02/04. Luento 2: Kohina mittauksissa
Kohinan ominaisuuksia Kohinamekanismit Terminen kohina Raekohina 1/f kohina (Kvantisointikohina) Kohinan käsittely Kohinakaistanleveys Kohinalähteiden yhteisvaikutus Signaali-kohina suhde Kohinaluku Kohinalämpötila
LisätiedotT L 9 0 8 Z S I G N A A L I T E O R I A O S A I V: E N E R G I A - J A T E H O T I H E Y S
L 9 8 Z S I G N L I E O R I O S I V: E N E R G I - J E H O I H E Y S 4 Spektrin eneria- ja tehotiheys 57 4. Spektrin eneriatiheys 57 4.. Parsevalin teoreema 57 4.. Spektrin eneriatiheyden ominaisuuksia
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.
LisätiedotS Elektroniset mittaukset ja elektroniikan häiriökysymykset. 2 ov
TKK / Mittaustekniikan laboratorio HUT / Metrology Research Institute S-108.180 Elektroniset mittaukset ja elektroniikan häiriökysymykset 2 ov 7.2.2001 KL kohina.ppt 1 Elektroninen mittaussysteemi MITATTAVA
LisätiedotS-108.180 Elektroniset mittaukset ja elektroniikan häiriökysymykset. Vanhoja tenttitehtäviä
S-18.18 Elektroniset mittaukset ja elektroniikan häiriökysymykset 1. Vastaa lyhyesti: a) Mitä on kohina (yleisesti)? b) Miten määritellään kohinaluku? c) Miten / missä syntyy raekohinaa? Vanhoja tenttitehtäviä
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
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
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 1
1 SIGNAALITEORIAN KERTAUSTA OSA 1 Millainen on signaalin spektri ja miten se lasketaan? SIGNAALIEN JA SPEKTRIN PERUSKÄSITTEITÄ 2 Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka graafinen
Lisätiedot1 Olkoon suodattimen vaatimusmäärittely seuraava:
Olkoon suodattimen vaatimusmäärittely seuraava: Päästökaistan maksimipoikkeama δ p =.5. Estokaistan maksimipoikkeama δ s =.. Päästökaistan rajataajuus pb = 5 Hz. Estokaistan rajataajuudet sb = 95 Hz Näytetaajuus
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
LisätiedotLuento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]
Lisätiedot1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille:
1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: a) x 1 (t) = cos(πt) + sin(6πt) + 1cos(1πt) ja b) x (t) = cos(1πt)cos(πt). a) x 1 (t) = cos(πt) + sin(6πt) +
LisätiedotJaksollisen signaalin spektri
Jaksollisen signaalin spektri LuK-tutkielma Topi Suviaro 2257699 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 215 Sisältö Johdanto 2 1 Jaksollisuudesta 2 2 Spektristä 3 2.1 Symmetrian vaikutuksesta
LisätiedotKOHINA LÄMPÖKOHINA VIRTAKOHINA. N = Noise ( Kohina )
KOHINA H. Honkanen N = Noise ( Kohina ) LÄMÖKOHINA Johtimessa tai vastuksessa olevien vapaiden elektronien määrä ei ole vakio, vaan se vaihtelee satunnaisesti. Nämä vaihtelut aikaansaavat jännitteen johtimeen
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys
Lisätiedotspektri taajuus f c f c W f c f c + W
Kaistanpäästösignaalit Monet digitaaliset tiedonsiirtosignaalit ovat keskittyneet jonkin tietyn kantoaaltotaajuuden f c ympäristöön siten, että signaali omaa merkittäviä taajuuskomponetteja vain kaistalla
LisätiedotRadioastronomian käsitteitä
Radioastronomian käsitteitä allonpituusalue ~ 100 m - 1 mm MHz 300 GHz Leveä aallonpituusalue: erilaisia antenneja, monenlaista tekniikkaa Ei (suoraan) kuvia Signaali yleensä
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?
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotLuento 2. Jaksolliset signaalit
Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotDigitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu
Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen,
LisätiedotSignaalien datamuunnokset. Digitaalitekniikan edut
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 09/02/2009 Signaalien datamuunnokset 1 Digitaalitekniikan edut Tarkoituksena
LisätiedotSignaalien datamuunnokset
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 06/02/2004 Luento 4a: Signaalien datamuunnokset 1 Digitaalitekniikan
LisätiedotLauri Tarkkonen: Kappa kerroin ja rinnakkaisten arvioitsijoiden yhdenmukaisuus
Lauri Tarkkonen: Kappa kerroin ja rinnakkaisten arvioitsijoiden yhdenmukaisuus Tässä rajoitutaan tarkastelemaan kahden arvioitsijan tapausta, Olettakaamme, että n havaintoa on arvioitu kahden arvioitsijan
LisätiedotDigitaalinen signaalinkäsittely Kuvankäsittely
Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,
LisätiedotLuento 4 Fourier muunnos
Luento 4 Luento 4 Fourier muunnos 4. F muunnos F muunnos Oppenheim 4. 4. Energiaspektri (spektritiheys) Rayleigh'n energia teoreema, energiaspektri Kaistanleveys Boden diagrammi 4.3 F muunnoksen ominaisuudet,
Lisätiedot2. kierros. 1. Lähipäivä
2. kierros. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Mitoitus Kontaktiopetusta: 8 tuntia Kotitehtäviä: 4 + 4 tuntia Tavoitteet: tietää Yhden navan vasteen ekvivalentti
LisätiedotIIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.
TL536DSK-algoritmit (J. Laitinen)..5 Välikoe, ratkaisut Millaisia ongelmia kvantisointi aiheuttaa signaalinkäsittelyssä? Miksi ongelmat korostuvat IIR-suodatinten tapauksessa? Tarkastellaan Hz taajuista
LisätiedotTL5231, Signaaliteoria (S2004) Matlab-harjoituksia
1. a) Muodosta Matlab-ohjelmistossa kosinisignaali x(t) = Acos(2πft+θ), jonka amplitudi on 1V, taajuus hertseinä sama kuin ikäsi vuosina (esim. 2 v = 2 Hz) ja vaihekulma +π/2. Piirrä signaali ja tarkista
LisätiedotTilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama.
Aikasarjat Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarja on laajassa mielessä stationäärinen (wide sense stationary, WSS), jos odotusarvo
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
Lisätiedot(x 0 ) = lim. Derivoimissääntöjä. Oletetaan, että funktiot f ja g ovat derivoituvia ja c R on vakio. 1. Dc = 0 (vakiofunktion derivaatta) 2.
Derivaatta kuvaa funktion hetkellistä kasvunopeutta. Geometrisesti tulkittuna funktion derivaatta kohdassa x 0 on funktion kuvaajalle kohtaan x 0 piirretyn tangentin kulmakerroin. Funktio f on derivoituva
LisätiedotF {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:
BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()
LisätiedotINTEGROINNIN SOVELLUKSIA TIEDONSIIRTOTEKNIIKASSA. Taustaa. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka
IMA-3 Excursio: Integroinnin sovelluksia tiedonsiirtotekniikassa / 1 INTEGROINNIN SOVELLUKSIA TIEDONSIIRTOTEKNIIKASSA Taustaa IMA-3 Excursio: Integroinnin sovelluksia tiedonsiirtotekniikassa / 2 Jukka
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotKohina. Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N)
Kohina Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N) N on suoraan verrannollinen integraatioaikaan t ja havaittuun taajuusväliin
LisätiedotTILASTOLLINEN LAADUNVALVONTA
1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008 2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
LisätiedotFunktion raja-arvo 1/6 Sisältö ESITIEDOT: reaalifunktiot
Funktion raja-arvo 1/6 Sisältö Esimerkki funktion raja-arvosta Lauseke f() = 1 cos määrittelee reaauuttujan reaaliarvoisen funktion f, jonka lähtöjoukko muodostuu nollasta eroavista reaaliluvuista. Periaatteessa
LisätiedotMS-C1420 Fourier-analyysi osa II
MS-C142 Fourier-analyysi osa II G. Gripenberg Aalto-yliopisto 14. helmikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa II 14. helmikuuta 214 1 / 36 1 Fourier-sarjat ja Fourier-integraalit
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
Lisätiedot1 Kohina. 2 Kohinalähteet. 2.1 Raekohina. 2.2 Terminen kohina
1 Kohina Kohina on yleinen ongelma integroiduissa piireissä. Kohinaa aiheuttavat pienet virta- ja jänniteheilahtelut, jotka ovat komponenteista johtuvia. Myös ulkopuoliset lähteet voivat aiheuttaa kohinaa.
LisätiedotKäytännön radiotekniikkaa: Epälineaarinen komponentti ja signaalien siirtely taajuusalueessa (+ laboratoriotyön 2 esittely)
Käytännön radiotekniikkaa: Epälineaarinen komponentti ja signaalien siirtely taajuusalueessa (+ laboratoriotyön 2 esittely) ELEC-C5070 Elektroniikkapaja, 21.9.2015 Huom: Kurssissa on myöhemmin erikseen
LisätiedotAlias-ilmiö eli taajuuden laskostuminen
Prosessiorientoituneet mallit Todellista hybridijärjestelmää ELEC-C1230 Säätötekniikka Luku 12: Näytteenottoteoreema ja jatkuvien säätimien diskreetit approksimaatiot Prosessiorientoituneet mallit katsotaan
LisätiedotItseoppivan radiojärjestelmän simulointijärjestelmän kehitys, CWC:n osahanke. DI Juho Markkula
Itseoppivan radiojärjestelmän simulointijärjestelmän kehitys, CWC:n osahanke DI Juho Markkula Johdanto Tutkimuksen tavoite Kehittää itseoppivan radiojärjestelmän simulaattori Tutkia signaalin havaitsemistehokkuutta
LisätiedotELEC-A7200 Signaalit ja järjestelmät
ELEC-A7200 Signaalit ja järjestelmät Professori Riku Jäntti ELEC-A7200 Signaalit ja järjestelmät Mitä kurssilla käsitellään? signaalien ja järjestelmien peruskäsitteitä signaali- ja järjestelmäanalyysin
LisätiedotEksponenttifunktion Laplace muunnos Lasketaan hetkellä nolla alkavan eksponenttifunktion Laplace muunnos eli sijoitetaan muunnoskaavaan
Laplace muunnos Hieman yksinkertaistaen voisi sanoa, että Laplace muunnos muuttaa derivaatan kertolaskuksi ja integroinnin jakolaskuksi. Tältä kannalta katsottuna Laplace muunnoksen hyödyllisyyden ymmärtää;
LisätiedotMittalaitetekniikka. NYMTES13 Vaihtosähköpiirit Jussi Hurri syksy 2014
Mittalaitetekniikka NYMTES13 Vaihtosähköpiirit Jussi Hurri syksy 2014 1 1. VAIHTOSÄHKÖ, PERUSKÄSITTEITÄ AC = Alternating current Jatkossa puhutaan vaihtojännitteestä. Yhtä hyvin voitaisiin tarkastella
LisätiedotDSP:n kertausta. 1 Spektri, DFT, DTFT ja aika-taajuusresoluutio
DSP:n kertausta Kerrataan/käydään läpi: ffl Spektri, DFT, DTFT ja FFT ffl signaalin jaksollisuuden ja spektrin harmonisuuden yhteys ffl aika-taajuusresoluutio Spektri, DFT, DTFT ja aika-taajuusresoluutio
Lisätiedot1 Määrittele seuraavat langattoman tiedonsiirron käsitteet.
1 1 Määrittele seuraavat langattoman tiedonsiirron käsitteet. Radiosignaalin häipyminen. Adaptiivinen antenni. Piilossa oleva pääte. Radiosignaali voi edetä lähettäjältä vastanottajalle (jotka molemmat
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 1 Ti 6.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 1 Ti 6.9.2011 p. 1/28 p. 1/28 Numeriikan termejä Simulointi: Reaalimaailman ilmiöiden jäljitteleminen (yleensä)
Lisätiedotmonissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä.
.. Käänteisunktio.. Käänteisunktio Mikäli unktio : A B on bijektio, niin joukkojen A ja B alkioiden välillä vallitsee kääntäen yksikäsitteinen vastaavuus eli A vastaa täsmälleen yksi y B, joten myös se
LisätiedotSignaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö
Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö Harjoitustyön sekä kurssin suorittaminen Kurssin suorittaminen edellyttää sekä tentin että harjoitustyön hyväksyttyä suoritusta.
LisätiedotLuento 4 Jaksollisten signaalien Fourier-sarjaesitys 4.1 Fourier-sarja 4.2 Viivaspektri, tehospektri
Luento 4 Luento 4 Jaksollisten signaalien Fourier-sarjaesitys 9 Oppenheim 3.3, 3.4 4.1 Fourier-sarja Kompleksi F-sarja F-sinisarja Sinc-funktio 4. Viivaspektri, tehospektri Viivaspektri Parsevalin teoreema
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
LisätiedotDynaamisen järjestelmän siirtofunktio
Dynaamisen järjestelmän siirtofunktio Nyt päästään soveltamaan matriisilaskentaa ja Laplace muunnosta. Tutkikaamme, miten lineaarista mallia voidaan käsitellä. Kuten edellä on jo nähty säätötekniikassa
LisätiedotOhjelmistoradio tehtävät 4. P1: Ekvalisointi ja demodulaatio. OFDM-symbolien generoiminen
Ohjelmistoradio tehtävät 4 P: Ekvalisointi ja demodulaatio Tässä tehtävässä dekoodata OFDM data joka on sijotetty synknonontisignaalin lälkeen. Synkronointisignaali on sama kuin edellisessä laskutehtävässä.
Lisätiedot1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot
Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan
LisätiedotMAA10 HARJOITUSTEHTÄVIÄ
MAA0 Määritä se funktion f: f() = + integraalifunktio, jolle F() = Määritä se funktion f : f() = integraalifunktio, jonka kuvaaja sivuaa suoraa y = d Integroi: a) d b) c) d d) Määritä ( + + 8 + a) d 5
LisätiedotS Signaalit ja järjestelmät
dsfsdfs S-72.1110 Työ 2 Ryhmä 123: Tiina Teekkari EST 12345A Teemu Teekkari TLT 56789B Selostus laadittu 1.1.2007 Laboratoriotyön suoritusaika 31.12.2007 klo 08:15 11:00 Esiselostuksen laadintaohje Täytä
LisätiedotEsimerkkejä derivoinnin ketjusäännöstä
Esimerkkejä derivoinnin ketjusäännöstä (5.9.008 versio 1.0) Esimerkki 1 Määritä funktion f(x) = (x 5) derivaattafunktio. Funktio voidaan tulkita yhdistettynä funktiona, jonka ulko- ja sisäfunktiot ovat
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
LisätiedotMustan kappaleen säteily
Mustan kappaleen säteily Musta kappale on ideaalisen säteilijän malli, joka absorboi (imee itseensä) kaiken siihen osuvan säteilyn. Se ei lainkaan heijasta eikä sirota siihen osuvaa säteilyä, vaan emittoi
Lisätiedotz muunnos ja sen soveltaminen LTI järjestelmien analysointiin
z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten
LisätiedotYleisen antennin säteily k enttien ratk aisem isen v aih eet:
Sä te ily k e n ttie n ra tk a ise m in e n Yleisen antennin säteily k enttien ratk aisem isen v aih eet: 1. E tsi A integ roim alla y h tälö A = µ e jβr 4π r V Je j βˆr r dv, (40 ) 2. L ask e E E = jωa
Lisätiedot2.2 Täydellinen yhtälö. Ratkaisukaava
. Täydellinen yhtälö. Ratkaisukaava Tulon nollasäännöstä näkee silloin tällöin omituisia sovellutuksia. Jotkut näet ajattelevat, että on olemassa myöskin tulon -sääntö tai tulon "mikä-tahansa"- sääntö.
LisätiedotV astaano ttav aa antennia m allinnetaan k u v an 2-1 8 m u k aisella piirillä, jo ssa o n jänniteläh d e V sarjassa
Antennit osana viestintäjärjestelm ää Antennien pääk äy ttö tark o itu s o n to im inta v iestintäjärjestelm issä. V astaano ttav aa antennia m allinnetaan k u v an 2-1 8 m u k aisella piirillä, jo ssa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Derivaatta Tarkastellaan funktion f keskimääräistä muutosta tietyllä välillä ( 0, ). Funktio f muuttuu tällä välillä määrän. Kun tämä määrä jaetaan välin pituudella,
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
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
LisätiedotHavaitsevan tähtitieteen peruskurssi I
Havaintokohteita 9. Polarimetria Lauri Jetsu Fysiikan laitos Helsingin yliopisto Havaintokohteita Polarimetria Havaintokohteita (kuvat: @phys.org/news, @annesastronomynews.com) Yleiskuvaus: Polarisaatio
LisätiedotSähkömagneettiset häiriöt. Mittaustekniikan perusteet / luento 9. Sähkömagneettiset häiriöt. Sähkömagneettiset häiriöt
Mittaustekniikan perusteet / luento 9 Sähkömagneettiset häiriöt Signaali-kohinasuhteen parantaminen Sähkömagneettiset häiriöt Häiriö on ei-toivottu sähköinen signaali, joka voidaan poistaa mittauksista
LisätiedotJATKUVAN AWGN-KANAVAN KAPASITEETTI SHANNON-HARTLEY -LAKI
1 JATKUVAN AWGN-KANAVAN KAPASITEETTI SHANNON-HARTLEY -LAKI Miten tiedonsiirrossa tarvittavat perusresurssit (teho & kaista) riippuvat toisistaan? SHANNONIN 2. TEOREEMA = KANAVAKOODAUS 2 Shannonin 2. teoreema
LisätiedotSuuntaavuus ja vahvistus Aukkoantennien tapauksessa suuntaavuus saadaan m uotoon (luku 7.3.1 ) E a 2 ds
Suuntaavuus ja vahvistus Aukkoantennien tapauksessa suuntaavuus saadaan m uotoon (luku 7.3.1 ) Täm ä olettaa, että D = 4π λ 2 S a E a ds 2. (2 40 ) S a E a 2 ds Pääkeila aukon tasoa koh tisuoraan suuntaan
Lisätiedot( ) ( ) ( ) ( ( ) Pyramidi 4 Analyyttinen geometria tehtävien ratkaisut sivu 271 Päivitetty 19.2.2006. 701 a) = keskipistemuoto.
Pyramidi Analyyttinen geometria tehtävien ratkaisut sivu 7 Päivitetty 9..6 7 a) + y = 7 + y = 7 keskipistemuoto + y 7 = normaalimuoto Vastaus a) + y = ( 7 ) + y 7= b) + y+ 5 = 6 y y + + = b) c) ( ) + y
Lisätiedot2. kierros. 2. Lähipäivä
2. kierros 2. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Tavoitteet: tietää Yhden navan vasteen ekvivalentti kohinakaistaleveys Vastuksen terminen kohina Termit
LisätiedotAnalogiatekniikka. Analogiatekniikka
1 Opintojakson osaamistavoitteet Opintojakson hyväksytysti suoritettuaan opiskelija: osaa soveltaa ja tulkita siirtofunktiota, askelvastetta, Bodediagrammia ja napa-nolla-kuvaajaa lineaarisen, dynaamisen
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Kuvasignaalit. Jyrki Laitinen
TL553 DSK, laboraatiot (.5 op) Kuvasignaalit Jyrki Laitinen TL553 DSK, laboraatiot (.5 op), K25 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja VCDemo-ohjelmistoja käyttäen. Kokoa erilliseen mittauspöytäkirjaan
LisätiedotMat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
LisätiedotEpäyhtälön molemmille puolille voidaan lisätä sama luku: kaikilla reaaliluvuilla a, b ja c on voimassa a < b a + c < b + c ja a b a + c b + c.
Epäyhtälö Kahden lausekkeen A ja B välisiä järjestysrelaatioita A < B, A B, A > B ja A B nimitetään epäyhtälöiksi. Esimerkiksi 2 < 6, 9 10, 5 > a + + 2 ja ( + 1) 2 2 + 2 ovat epäyhtälöitä. Epäyhtälössä
LisätiedotOletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on
Derivaatta Erilaisia lähestymistapoja: geometrinen (käyrän tangentti sekanttien raja-asentona) fysikaalinen (ajasta riippuvan funktion hetkellinen muutosnopeus) 1 / 13 Derivaatan määritelmä Määritelmä
LisätiedotT Sähkömittaustekniikka, osa 2
T140103 Sähkömittaustekniikka, osa 2 Pekka Rantala Kevät 2015 3. Kohina ja häiriöt 1 Kohina Kohina on satunnaismuuttuja, joka voidaan määritellä ainoastaan tilastollisesti. Kohinan käyttäytymistä ei voida
Lisätiedot6.8 Erityisfunktioiden sovelluksia
6.8 Erityisfunktioiden sovelluksia Tässä luvussa esitellään muutama esimerkki, joissa käytetään hyväksi eksponentti-, logaritmi- sekä trigonometrisia funktioita. Ensimmäinen esimerkki juontaa juurensa
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
LisätiedotMATEMATIIKAN JAOS Kompleksianalyysi
MATEMATIIKAN JAOS Kompleksianalyysi Harjoitustehtäviä, syksy 00. Määrää kompleksiluvun a) = 3 j + 3j, b) = j, + j c) = ( 3 3 3 j)( j) itseisarvo ja argumentti.. Määrää sellaiset reaaliluvut x ja y, että
Lisätiedot1 Diskreettiaikainen näytteistys. 1.1 Laskostuminen. Laskostuminen
AD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (008). Digital audio signal processing (nd ed). Reiss. (008), Understanding sigma-delta modulation: The solved and
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C1420 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-C1420 Fourier-analyysiosa I 29. tammikuuta 2014 1 / 29 Fourier-muunnoksia Jatkuva-aikaisen
LisätiedotTietoliikennesignaalit
ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime
LisätiedotPreliminäärikoe Pitkä Matematiikka 3.2.2009
Preliminäärikoe Pitkä Matematiikka..9 x x a) Ratkaise yhtälö =. 4 b) Ratkaise epäyhtälö x > x. c) Sievennä lauseke ( a b) (a b)(a+ b).. a) Osakkeen kurssi laski aamupäivällä,4 % ja keskipäivällä 5,6 %.
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos
LisätiedotPeruskerros: OFDM. Fyysinen kerros: hajaspektri. Hajaspektri: toinen tapa. FHSS taajuushyppely (frequency hopping)
Fyysinen kerros: hajaspektri CSMA/CA: Satunnaisperääntyminen (Random backoff) samankaltainen kuin Ethernetissä Kilpailuikkuna : 31-1023 aikaviipaletta oletusarvo 31 kasvaa, jos lähetykset törmäävat, pienee
Lisätiedot