SIGNAALITEORIAN JATKOKURSSI 2003
|
|
- Marja-Leena Annikki Heino
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 SIGNAALITEORIAN JATKOKURSSI 2003 Harri Saarnisaari University of Oulu Telecommunication laboratory & Centre for Wireless Communications (CWC)
2 Yhteystiedot Luennot Harri Saarnisaari puh vastaanotto ti: (ennen luentoja) huone TS473, tietoliikennelaboratorio, tietotalo, 4 krs. Luennot löytyvät Harrin kotisivuilta
3 Laskuharjoitukset Tero Lahtinen puh vastaanotto sopimuksen mukaan huone TS473, tietoliikennelaboratorio, tietotalo, 4 krs. Kysymykset löytyvät Tero Lahtisen kotisivulta LH alkavat
4 Kurssi Luennot ti,to TS128 (periodi 5, periodi 6 ei to) Laskuharjoitukset to TS128 (periodi 6 myös 10-12) Demostraatioharjoituksia Tentti Kurssikirja: John Proakis, Digital Communications, 3. painos, 1995, luvut 1, 2, ja
5 Johdanto Kurssin tavoitteena on syventää opiskelijan tietämystä digitaalisessa tietoliikenteessä tarvittavista signaalinkäsittelymenetelmistä ja käsitteistä. Kurssin tietoja tarvitaan digitaalisen tiedonsiirron kursseilla, hajaspektritekniikassa, jne. Esiteltävät termit viliset vastaan kaikkialla alan kirjallisuudessa ja niiden tietämys on eduksi kirjallisuutta luettaessa: perusopinnot jatko-opinnot työtehtävät tutkimus- ja tuotekehityksessä. 5
6 Erityisinä huomionkohteina ovat satunnaisisgnaalit sekä tietoliikennesignaalien esittäminen ns. kompleksisen verhokäyrän avulla. Liki kaikki käytönnön signaalit sisältävät satunnaisuutta eli ovat satunnaissignaaleja. Satunnaissignaaleja ymmärtääksemme tarvitsemmeperustietoasatunnaismuuttujista ja todennäköisyyden käsitteistä. Tietoliikennesignaalien esittäminen ja järjestelmien analysointi on helpointa kompleksisen verhokäyrän avulla. Periaatteessa se on kantoaallosta vapaa signaali. Toinen nimitys on kantataajuinen signaali. Lisäksi käydään läpi näytteenotto, eli miten jatkuvat tietoliikennekanavien signaalit tulisi näytteistää nykyaikaista diskreettiä signaalinkäsittelyä varten. 6
7 Kurssin sisältö Kurssin sisällön yhteydet digitaaliseen tietoliikennejärjestelmään Missä järjestelmän eri osissa kurssin aineistoa tarvitaan Todennäköisyyden peruskäsitteet Todennäköisyys, yhteistodennäköisyys Ehdollinen todennäköisyys Bayesin teoreema Tilastollinen riippumattomuus 7
8 Satunnaismuuttujat Määritelmä Kertymä- ja tiheysfunktiot (jakaumat) Usean muuttujan kertymä- ja tiheysfunktiot Ehdolliset kertymä- ja tiheysfunktiot Riippumattommat muuttujat Satunnaismuuttujien funktiot: niiden jakaumien muodostaminen Muuttujien tilastolliset keskiarvot keskiarvo momentit keskeismomentit Karakteristinen funktio 8
9 Erilaisia tietoliikenteessä tarpeellisia jakaumia Binomi, tasa-, normaali (Gaussin), Chi-neliö, Rayleigh, Rice, Nakagami m- jakaumat Moniulotteisen Gaussin jakauman ominaisuuksia Todennäköisyyden arviointimenetelmiä (approksimaatioita, joita voi käyttää analyysissa jos tarkka analyysi mahdotonta/vaikeaa) Chebyshev epäyhtälö Chernoff raja (tiukempi yläraja) Keskeinen raja-arvo lause, jota usein käytetään analyysissä Tutkii usean satunnaismuuttujan summaa Tarkastelee milloin summa on asymptoottisesti normaalijakautunut Asymptoottinen tarkoittaa tässä että näytemäärä kasvaa 9
10 Satunnaissignaalit Määritelmä Stationaarinen prosessi Prosessien tilastolliset keskiarvot Korrelaatio Kovarianssi Korreloimattomuus Satunnaissignaalin spektri Tehotiheysspektri Lineaarisen järjestelmän vaste satunnaissignaalille Näytteenottoteoreema Kuinka esittää käytännön jatkuvat kaistarajoitetut signaalit diskreetteinä 10
11 Aikadiskreetit satunnaissignaalit ja järjestelmät Aiemman yleistys aikadiskreeteille (näytteistetyille) signaaleille Syklostationaariset signaalit Bittiaaltomuoto aiheuttaa signaaliin toistetta bitin kestoajan välein Tilastollisista keskiarvoista tulee jaksollisia 11
12 Kaistanpäästösignaalien ja -järjestelmien kompleksinen verhokäyrä Kaistanpäästösignaalien ja -järjestelmien esittäminen ilman kantoaaltoa Järjestelmien vasteen laskeminen ilman kantoaaltoa Tämän muistaminen helpottaa laskemista ja analyysia sillä aina ei tarvitse välittää siitä, millä kantotaajuudella järjestelmä toimii Stationäärinen kaistanpäästösignaali Valkoinen kohina Vektori- ja signaaliavaruus Signaalin esittäminen vektori- ja signaaliavaruuksissa kantavektorien avulla Ortogonaalisten kantojen muodostus: Gram-Schmidt proseduuri 12
13 Erilaisten digitaalisten modulaatioiden esittäminen signaaliavaruuden avulla Muistittomat lineaariset digitaaliset modulaatiot Symboli: M-bittiä muodostaa k = log 2 M eri symbolia Bitit 0 ja 1 muodostavat 2 symbolia Jos otetaan kaksi peräkkäistä bittiä, 00, 01, 10, 11 saadaan 4 symbolia Modulaatio: symbolin kuvaaminen aaltomuodolla, joka lähetetään tiedonsiirtokanavaan Muistiton: edelliset symbolit eivät vaikuta seuraavaan symboliin 13
14 Lineaarinen: superpositioperiaate pätee peräkkäisten aaltomuotojen välillä Esim. olkoon s 1 (t) jas 2 (t) symbolejax 1 ja x 2 vastaavat aaltomuodot Olkoon K modulaatio, ja a 1 ja a 2 kaksi vakiota Modulaatio on lineaarinen jos K(a 1 x 1 + a 2 x 2 )=a 1 s 1 (t)+ a 2 s 2 (t) 14
15 Eri modulaatiot ja niiden esittäminen signaaliavaruuden avulla Pulssiamplitudimodulaatio (phase amplitude modulation, PAM) Vaihemodulaatio (phase shift keying, PSK) Kvadratuurinen amplitudimodulaatio (quadrature amplitude modulation, QAM) Moniulotteiset signaalit (ajassa, taajuudessa) Ortogonaaliset moniulotteiset signaalit (frequency shift keying, FSK) Biortogonaaliset signaalit Simplex signaalit Binäärinen koodaus 15
16 Digitaalinen tietoliikennejärjestelmä informaatiolähde lähteen koodaus kanava koodaus digitaalinen modulaatio kanava muunnin lähteen dekoodaus kanava dekoodaus digitaalinen demodulaatio DIGITAALISEN TIETOLIIKENNEJÄRJESTELMÄN PERUSELEMENTIT 16
17 Informaatiolähde Analoginen lähde, esim. puhe Digitaalinen lähde, esim. digitaalisesti talletettu teksti tai kuva Lähde sisältää usein satunnaisuutta Aina ei toisteta samoja sanoja Puhuttaessa taustakohina muuttuu Kuvissa on eri kohteita Lähetettävä teksti muuttuu Lähde on siis usein satunnaissignaali 17
18 Lähteen koodaus Digitaalinen tietoliikennejärjestelmä esitetään lähteen sisältö digitaalisesti Analogisessa tapauksessa tarvitaan analogia-digitaali (AD)-muunnos Sen lisäksi pyritään usein poistamaan lähteestä redundanssi Lähteessä voi olla informaatiota, joka toistuu Poistamalla redundanssi lähteen sanoma voidaan esittää niin vähillä binäärisillä symboleilla (biteillä) kuin mahdollista Vähentää siirtotarvetta Esim. PCM-koodauksessa ei ole redundanssin poistoa vaan puhe esitetään aina samalla määrällä bittejä, nopeudella 64 kbit/s GSM ja muissa mobiilisovelluksissa ollaan jo alle 10 kbit/s nopeudessa, jopa 3 4 kbit/s tuottaa hyväksyttävää puheenlaatua 18
19 Tuntemalla lähteen ominaisuudet (esim. tehotiheys, jaksolliset ominaisuudet, jakauma) voidaan kehittää sopivia lähdekoodereita. 19
20 Kanavakoodaus Koodattuun informaatiojonoon lisätään hallittua redundanssia Tavoitteena on saada lähete sietämään paremmin tiedonsiirtokanavassa ilmeneviä epäideaalisuuksia kuten kohinaa ja häiriöitä Redundanssia käytetään hyväksi vastaanottimen kanavadekooderissa, esim. kanavakoodit kuten konvoluutiokoodi Tyypillisesti reduntanttisuus tarkoittaa bittien lisäämistä informaatiojonoon joka suurentaa siirtotarvetta Koodauksen suunnittelussa tarvitaan tietoja lähteen jakaumista (esim. lähdesymbolien todennäköisyyksistä) Koodauksen analyysissä tarvitaan tietoa tämän kurssin käsitteistä kuten todennäköisyys, satunnaismuuttujat ja satunnunnaismuuttujien tilastolliset keskiarvot 20
21 Digitaalinen modulaatio Muuttaa binäärisen bittijonon tiedonsiirtokanavaan sopivaksi signaaliksi Tyypillisesti tiedonvälitys tapahtuu käyttäen elektromagneettisia signaaleja Poikkeuksena esim. vedenalainen tiedonvälitys, jossa voidaan käyttää akustisia signaaleja Modulaatio tarkoittaa siis bittijon kuvaamista joksikin tiedonsiirtokanavaan sopivaksi signaali aaltomuodoksi Esim. bitti 0 kuvataan signaaliksi s 0 (t) ja bitti 1 signaaliksi s 1 (t) Tällä kurssilla esitellään joitain lineaarisia muistittomia modulaatimenetelmiä 21
22 Tiedonsiirtokanava Väli lähettimestä vastaanottimeen Fyysinen väliaine voi vaihdella Langattomassa viestinnässä väliaineena on ilmakehä, kanavan vaimennuskertoimet on usein kuvattu satunnaismuuttujiksi tai -signaaleiksi (aikariippuviksi) Langallisessa viestinnässä sähkö- tai optinen kaapeli Vedenalla vesi Patterimorsetuksessa patteriverkosto Joka tapauksessa väliaine vaikuttaa signaaliin eri tavoin Lisää summautuvaa kohinaa (additive noise) Esiintyy luonnossa itsessään (taustasäteily, salamat), Ihmisen tekemää (elektroniset laitteet, muut signaalit) Kohinan teho ja laatu riippuu taajuudesta 22
23 Vaimentaa Signaalin teho laskee etenemisen yhteydessä Esim. vapaan tilan vaimennus suhteessa etäisyyden neliöön Suodattaa Signaalin aaltomuoto saattaa vääristyä Vastaanottimen suorituskyky ei ole enää paras mahdollinen Joissain vääristymissä vastaanotto jopa mahdotonta Erilaisilla kanavakorjaimilla pyritään torjumaan vääristymien aiheuttamia ongelmia Kohinan ja vaimentumisen kuvaus perustuu usein tilastollisiin jakaumiin Korjaimien suunnittelussa käytetään signaalinkäsittelyä, jossa tarvitaan tietoa esim. satunnaismuuttujista ja niiden tilastollisista keskiarvoista 23
24 Digitaalinen demodulaatio Demolulaattori muuntaa kanavasta tulleen, todennäköisesti turmeltuneen aaltomuodon takaisin binääriseksi jonoksi Useita erilaisia tilastollisia suunnittelun lähtökohtia: Minimi virhetodennäköisyys (BER, bit error rate) Minimi neliövirhe (MSE, mean square error) Suurimman uskottavuuden menetelmä (ML, maximum likelihood) Myös demodulaattorin suorituskyvyn analyysissä tarvitaan paljon tietoa satunnaissignaaleista, esim. jakaumat Koodaamaton bittivirhesuhde, kanavan bittivirhesuhde 24
25 Kanava dekooderi Kanava dekooderi muuntaa koodatun bittijon takaisin alkuperäiseksi koodaamattomaksi jonoksi Analyysissä käytetään paljon satunnaissignaaleja ja niiden ominaisuuksia, jopa approksimaatioita, jos varsinainen jakauma vaikea muodostaa tai analysoida Tuloksena järjestelmän bittivirhesuhde 25
26 Lähde dekooderi ja muunnin Palauttaa alkuperäisen (analogisen) signaalin 26
Nämä 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
LisätiedotTIEDONSIIRRON MATEMAATTISET MENETELMÄT S. Harri Saarnisaari. Centre for Wireless Communications (CWC) University of Oulu, Finland
TIEDONSIIRRON MATEMAATTISET MENETELMÄT 2005 521309S Harri Saarnisaari Centre for Wireless Communications (CWC) University of Oulu, Finland Luennot Harri Saarnisaari Yhteystiedot puh. 553 2842, email: harri.saarnisaari@ee.oulu.fi
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;
LisätiedotTIETOLIIKENNETEKNIIKKA I A
TIETOLIIKENNETEKNIIKKA I 521359A KURSSI ANALOGISEN TIEDONSIIRRON PERUSTEISTA Dos. Kari Kärkkäinen Tietoliikennelaboratorio, huone TS439, 4. krs. kk@ee.oulu.fi, http://www.telecomlab.oulu.fi/~kk/ puh: 08
LisätiedotRadioamatöörikurssi 2016
Radioamatöörikurssi 2016 Modulaatiot Radioiden toiminta 8.11.2016 Tatu Peltola, OH2EAT 1 / 18 Modulaatiot Erilaisia tapoja lähettää tietoa radioaalloilla Esim. puhetta ei yleensä laiteta antenniin sellaisenaan
LisätiedotKAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM)
1 KAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM) CPM & TCM-PERIAATTEET 2 Tehon ja kaistanleveyden säästöihin pyritään, mutta yleensä ne ovat ristiriitaisia
LisätiedotA! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos A! Modulaatioiden
LisätiedotMONITILAISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 18 Kari Kärkkäinen Syksy 2015
1 MONITILAISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 2 M-tilaisilla yhdellä symbolilla siirtyy k = log 2 M bittiä. Symbolivirhetn. sasketaan ensin ja sitten kuvaussäännöstä riippuvalla muunnoskaavalla
LisätiedotDigitaalinen tiedonsiirto ja siirtotiet. OSI-kerrokset
A! Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät, Luento 1 Digitaalinen tiedonsiirto ja siirtotiet Olav Tirkkonen [Luku 1: Introduction, kokonaisuudessaan] A! OSI-kerrokset Tiedonsiirtojärjestelmiä
LisätiedotRadioamatöörikurssi 2017
Radioamatöörikurssi 2017 Polyteknikkojen Radiokerho Luento 4: Modulaatiot 9.11.2017 Otto Mangs, OH2EMQ, oh2emq@sral.fi 1 / 29 Illan aiheet 1.Signaaleista yleisesti 2.Analogiset modulaatiot 3.Digitaalinen
Lisätiedot521357A TIETOLIIKENNETEKNIIKKA I
1 521357A TIETOLIIKENNETEKNIIKKA I KURSSI ANALOGISEN TIEDONSIIRRON PERUSTEISTA KARI KÄRKKÄINEN Tietoliikennetekniikan osasto, huone TS439 kk@ee.oulu.fi, puh: 029 448 2848, http://www.ee.oulu.fi/~kk/ https://noppa.oulu.fi/noppa/kurssi/521357a/etusivu
LisätiedotVAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET
1 VAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET Millaiset aaltomuodot s 1 (t) ja s (t) valitaan erilaisten kantoaatomodulaatioiden toteuttamiseksi? SYMBOLIAALTOMUODOT
LisätiedotS-38.1105 Tietoliikennetekniikan perusteet. Jukka Manner Teknillinen korkeakoulu
S-38.1105 Tietoliikennetekniikan perusteet Jukka Manner Teknillinen korkeakoulu Luento 3 Signaalin siirtäminen Tiedonsiirron perusteita Jukka Manner Teknillinen korkeakoulu Luennon ohjelma Termejä, konsepteja
LisätiedotRadiokurssi. Modulaatiot, arkkitehtuurit, modulaattorit, ilmaisimet ja muut
Radiokurssi Modulaatiot, arkkitehtuurit, modulaattorit, ilmaisimet ja muut Modulaatiot CW/OOK Continous Wave AM Amplitude Modulation FM Frequency Modulation SSB Single Side Band PM Phase Modulation ASK
LisätiedotDigitaalinen tiedonsiirto ja siirtotiet
A! Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät, Luento 1 Digitaalinen tiedonsiirto ja siirtotiet Olav Tirkkonen [Luku 1: Introduction, kokonaisuudessaan] A! OSI-kerrokset Tiedonsiirtojärjestelmiä
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
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
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
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.
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
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1998 1. Luento: Johdanto prof.
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
LisätiedotSatunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotINFORMAATIOTEORIA & KOODAUS TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 28 Kari Kärkkäinen Syksy 2015
1 INFORMAATIOTEORIA & KOODAUS TÄRKEIMPIEN ASIOIDEN KERTAUS TEENVETO 2 Informaatioteoria tarkastelee tiedonsiirtoa yleisemmällä, hieman abstraktilla tasolla ei enää tarkastella signaaleja aika- tai taajuusalueissa.
LisätiedotUuden sukupolven HF-kommunikaatiotekniikka
MATINE tutkimusseminaari 16.11.2017 Uuden sukupolven HF-kommunikaatiotekniikka Lauri Anttila 1, Mika Korhonen 1, Juha Yli-Kaakinen 1, Markku Renfors 1, Hannu Tuomivaara 2 1 Elektroniikan ja tietoliikennetekniikan
LisätiedotMULTIPLEKSOINTIMENETELMÄT FDM, TDM, CDM JA QM. Tietoliikennetekniikka I A Kari Kärkkäinen Osa 22 1 (16)
MULTIPLEKSOINTIMENETELMÄT FDM, TDM, CDM JA QM Tietoliikennetekniikka I 521357A Kari Kärkkäinen Osa 22 1 (16) Multipleksointimenetelmät Usein on tarve yhdistää eri lähteistä tulevia toisistaan riippumattomia
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
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
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 1. Luento: Johdanto prof.
LisätiedotMULTIPLEKSOINTIMENETELMÄT FDM, TDM, CDM JA QM
MULTIPLEKSOINTIMENETELMÄT FDM, TDM, CDM JA QM 1 (17) Multipleksointimenetelmät Usein on tarve yhdistää riippumattomista eri lähteistä tulevia signaaleja multipleksoinnin keinoin, jotta ne voidaan lähettää
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
LisätiedotT-61.246 DSP: GSM codec
T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää
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
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotSGN-4200 Digitaalinen audio
SGN-4200 Digitaalinen audio Luennot, kevät 2013, periodi 4 Anssi Klapuri Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2! Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot,
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
LisätiedotS 38.1105 Tietoliikennetekniikan perusteet. Luento 2 25.1.2006 Informaatioteorian alkeita Tiedonsiirron perusteet
S 38.1105 Tietoliikennetekniikan perusteet Luento 2 25.1.2006 Informaatioteorian alkeita Tiedonsiirron perusteet Luennon aiheet Analogisesta digitaaliseksi signaaliksi Signaalin siirtoa helpottavat / siirron
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät. Yleistä
Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät Kurssisuunnitelma, kevät 2016 Olav Tirkkonen, Tietoliikenne- ja tietoverkkotekniikan laitos, Aalto-yliopisto Yleistä Esitiedot: (kurssi
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.
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
Lisätiedot1. Yleistä asiaa tietoliikenneyhteyden toiminnasta.
TTSE Tietoliikenteen perusteet Metropolia/A. Koivumäki Aiheita viikolla 5. Yleistä asiaa tietoliikenneyhteyden toiminnasta.. Samaa asiaa englanniksi.. Binäärimatematiikan kertausta.. Kirjan lukuun.. Traffi
Lisätiedot521361A TIETOLIIKENNETEKNIIKKA II
1 521361A TIETOLIIKENNETEKNIIKKA II KURSSI DIGITAALISEN TIEDONSIIRRON PERUSTEISTA KARI KÄRKKÄINEN Tietoliikennetekniikan osasto, huone TS439 kk@ee.oulu.fi, puh: 029 448 2848, http://www.ee.oulu.fi/~kk/
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
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
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotAlgoritmit 1. Luento 2 Ke Timo Männikkö
Algoritmit 1 Luento 2 Ke 11.1.2017 Timo Männikkö Luento 2 Algoritmin esitys Algoritmien analysointi Suoritusaika Asymptoottinen kertaluokka Peruskertaluokkia NP-täydelliset ongelmat Algoritmit 1 Kevät
LisätiedotT-110.250 Verkkomedian perusteet. Tietoliikennekäsitteitä Tiedonsiirron perusteet
T-110.250 Verkkomedian perusteet Tietoliikennekäsitteitä Tiedonsiirron perusteet Luennon aiheet Tietoliikennekäsitteitä Kerrosmallit Digitaalinen tiedonsiirto Siirtomediat Virheet ja virheenkorjaus Modulaatio
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
LisätiedotTarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF.
Jakaumia Seuraavassa esitellään digitaalisessa tietoliikenteessäuseinkäytettyjä jakaumia Esitellään jakaumien CDF, PDF ja karakteristiset funktiot sekä joitain momentteja kuten keskiarvo, 2. momentti ja
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
A! Aalto University Comnet ELEC-C7230 Tietoliikenteen siirtomenetelmät Kurssisuunnitelma, kevät 2018 Olav Tirkkonen, Tietoliikenne- ja tietoverkkotekniikan laitos, Aalto-yliopisto A! Yleistä Esitiedot:
LisätiedotMatemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto
Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
LisätiedotDigitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Johdatus digitaalitekniikkaan
Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Digitaalitekniikan matematiikka Luku 1 Sivu 2 (19) Johdanto Tässä luvussa esitellään tiedon lajeja ja tiedolle tehtävää käsittelyä käsitellään tiedon
LisätiedotAlla olevassa kuvassa on millisekunnin verran äänitaajuisen signaalin aaltomuotoa. Pystyakselilla on jännite voltteina.
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki 1 Kirjan lukuun 3 liittyvää lisäselitystä ja esimerkkejä Kirjan luvussa 3 (Signals Carried over the Network) luodaan katsaus siihen, minkälaisia
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
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
Lisätiedot1. Perusteita. 1.1. Äänen fysiikkaa. Ääniaalto. Aallonpituus ja amplitudi. Taajuus (frequency) Äänen nopeus
1. Perusteita 1. Äänen fysiikkaa 2. Psykoakustiikka 3. Äänen syntetisointi 4. Samplaus ja kvantisointi 5. Tiedostoformaatit 1.1. Äänen fysiikkaa ääni = väliaineessa etenevä mekaaninen värähtely (aaltoliike),
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotRADIOTIETOLIIKENNEKANAVAT
1 RADIOTIETOLIIKENNEKANAVAT Millaisia stokastisia ilmiöitä kanavassa tapahtuu? ONGELMAT: MONITIE-ETENEMINEN & KOHINA 2 Monitie-eteneminen aiheuttaa destruktiivista interferenssia eri reittejä edenneiden
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotMAANPUOLUSTUSKORKEAKOULU VIRHEENKORJAUSALGORITMIT. Kandidaatintutkielma. Kadetti Ville Parkkinen. 99. kadettikurssi Maasotalinja
MAANPUOLUSTUSKORKEAKOULU VIRHEENKORJAUSALGORITMIT Kandidaatintutkielma Kadetti Ville Parkkinen 99. kadettikurssi Maasotalinja Maaliskuu 2015 MAANPUOLUSTUSKORKEAKOULU Kurssi Linja 99. kadettikurssi Maasotalinja
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3.3 Lineaarisen koodin dekoodaus Oletetaan, että lähetettäessä kanavaan sana c saadaan sana r = c + e, missä e on häiriön aiheuttama
LisätiedotPuheenkoodaus. Olivatpa kerran iloiset serkukset. PCM, DPCM ja ADPCM
Puheenkoodaus Olivatpa kerran iloiset serkukset PCM, DPCM ja ADPCM PCM eli pulssikoodimodulaatio Koodaa jokaisen signaalinäytteen binääriseksi (eli vain ykkösiä ja nollia sisältäväksi) luvuksi kvantisointitasolle,
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]
LisätiedotWIMAX-järjestelmien suorituskyvyn tutkiminen
Teknillinen korkeakoulu Elektroniikan, tietoliikenteen ja automaation tiedekunta Tietoliikenne- ja tietoverkkotekniikan laitos WIMAX-järjestelmien suorituskyvyn tutkiminen Mika Nupponen Diplomityöseminaari
LisätiedotLaitteita - Yleismittari
Laitteita - Yleismittari Yleistyökalu mittauksissa Yleensä digitaalisia Mittaustoimintoja Jännite (AC ja DC) Virta (AC ja DC) Vastus Diodi Lämpötila Transistori Kapasitanssi Induktanssi Taajuus 1 Yleismittarin
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 8. Luento: Kaiunpoisto
LisätiedotRadioamatöörikurssi 2012
Radioamatöörikurssi 2012 Sähkömagneettinen säteily, Aallot, spektri ja modulaatiot Ti 6.11.2012 Johannes, OH7EAL 6.11.2012 1 / 19 Sähkömagneettinen säteily Radioaallot ovat sähkömagneettista säteilyä.
LisätiedotTietoliikenteen fyysinen kerros. Tietoliikenne kohtaa todellisuuden Kirja sivut 43-93
Tietoliikenteen fyysinen kerros Tietoliikenne kohtaa todellisuuden Kirja sivut 43-93 Data ja informaatio Data: koneiden tai ihmisten käsiteltävissä oleva tiedon esitysmuoto Informaatio: datan merkityssisältö
Lisätiedot802118P Lineaarialgebra I (4 op)
802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotELEC-C5070 Elektroniikkapaja (5 op)
(5 op) Luento 5 A/D- ja D/A-muunnokset ja niiden vaikutus signaaleihin Signaalin A/D-muunnos Analogia-digitaalimuunnin (A/D-muunnin) muuttaa analogisen signaalin digitaaliseen muotoon, joka voidaan lukea
LisätiedotLähettimet ja vastaanottimet
Aiheitamme tänään Lähettimet ja vastaanottimet OH3TR:n radioamatöörikurssi Kaiken perusta: värähtelijä eli oskillaattori Vastaanottimet: värähtelijän avulla alas radiotaajuudelta eri lähetelajeille sama
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotKurssin perustiedot. ELEC-C7110 Informaatioteknologian perusteet. Tämän viikon aiheet. Tiedonsiirron perusteita. Tiedonsiirron rakenneosat
Kurssin perustiedot ELEC-C7 Informaatioteknologian perusteet Kalevi Kilkki Tietoliikenne- ja tietoverkkotekniikan laitos siirto 5.. & 7..6» Kalevi Kilkki: Luennot ja kurssin sisältö kalevi.kilkki@aalto.fi,
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
LisätiedotGeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus
GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus Mitä jäi mieleen viime viikosta? Mitä mieltä olet tehtävistä, joissa GeoGebralla työskentely yhdistetään paperilla jaettaviin ohjeisiin
LisätiedotDigitaalinen audio
8003203 Digitaalinen audio Luennot, kevät 2005 Tuomas Virtanen Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2 Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot, sekä niissä
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
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
Lisätiedot521330A TIETOLIIKENNETEKNIIKKA KURSSI ANALOGISEN JA DIGITAALISEN TIEDONSIIRRON TEORIASTA JA TOTEUTUSMENETELMISTÄ
1 521330A TIETOLIIKENNETEKNIIKKA KURSSI ANALOGISEN JA DIGITAALISEN TIEDONSIIRRON TEORIASTA JA TOTEUTUSMENETELMISTÄ KARI KÄRKKÄINEN CWC Radioteknologiat, huone TS439, puh: 029 448 2848 Kari.Karkkainen@oulu.fi,
LisätiedotDigitaalinen Televisio
Digitaalinen Televisio Digitaalinen Televisio 1. Lähetystekniikka ja standardit 2. MHP 3. Interaktiivinen Televisio 4. Vastaanottimet 5. Tulevaisuuden trendit Lähetystekniikka ja standardit DVB = Digital
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotT Privacy amplification
T-79.4001 Privacy amplification Ari Nevalainen ajnevala@cc.hut.fi T-79.4001Privacy amplification 1/25 ALKUTILANNE Alkutilanne. Kaksi erikoistapausta. Yleinen tapaus. Yhteenveto. T-79.4001Privacy amplification
LisätiedotMatemaattinen Analyysi, k2011, L2
Matemaattinen Analyysi, k2011, L2 Lineaarikombinaatio 1 Esimerkki 1 Olkoon yrityksen A osakkeen arvo 20eja yrityksen B osakkeen arvo 10e. Sijoittaja tarkastelee omaisuutensa rakennetta ryhmittelemällä
LisätiedotFyMM IIb Kertausta kurssin asioista
Keskiviikko 2.5.2018 1/12 FyMM IIb Kertausta kurssin asioista 2018 Keskiviikko 2.5.2018 2/12 1 Kokeesta yleisesti 2 3 4 5 6 7 Keskiviikko 2.5.2018 3/12 Koealue jakaantuu seuraaviin pääalueesiin: 1 2 3
Lisätiedotpuheen laatu kärsii koodauksesta mahdollisimman vähän. puhe pakkautuu mahdollisimman pieneen määrään bittejä.
Luku 1 Puheen koodaus Puheen koodauksella tarkoitetaan puhesignaalin esittämiseen tarvittavan bittimäärän pienentämistä sillä tavalla, että puhesignaalin laatu ja ymmärrettävyys kärsivät mahdollisimman
LisätiedotKopulafunktiot. Joonas Ollila 12. lokakuuta 2011
Kopulafunktiot Joonas Ollila 12. lokakuuta 2011 Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään. Kopula-sanan alkuperä Kopula tarkoittaa
Lisätiedot