8. Kuvaustekniikat. Tämän kuvauksen esittäminen ei ole kuitenkaan suoraviivaista. Niinpä se käydään läpi kaksivaiheisena
|
|
- Elisabet Rantanen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 8. Kuvaustekniikat Tietokonegrafiikassa hyödynnetty termi tekstuuri on oikeastaan hieman kehno, sillä se on jossakin määrin sekoittava eikä tarkoita pinnan pienimittakaavaisen geometrian käsittelyä sanan yleismerkitystä. Parempi termi on värikuvaus. Seuraavaksi tarkastellaan informaationtalletusmenetelmiä, joita käytetään (tavallisesti) kaksiulotteiselle datalle tehtäessä tekstuurien simulointia. Tekstuurikuvaukset saatiin kehitettyä jo 1980 luvulla tasokkaiksi. Näissä pystyttiin laajentamaan Phongin sävytysmallia visuaalisesti paremmaksi ja näyttämään realistisemmalta. Pelkkää Phongin mallia soveltaen tekstuurit näyttävät muovimaisilta. Tekstuurikuvaukset kehitettiin samaa tahtia globaalin eli kokonaisvalaistusmallien kanssa (säteenjäljitys ja radiositeetti). Niillä saatiin tehokkaasti pikemmin visuaalisesti hyvää tulosta kuin fotorealismia. Pikselitason käsittely kätkee vaihtelevia vaikeuksia. Tekstuurikuvauksen geometria ei ole suoraviivaista. Pitää tehdä jälleen muutamia yksinkertaistuksia, jotka suovat kuitenkin visuaalisesti hyväksyttävän ratkaisun. Vaikeuksien alkuperä on seuraavissa kysymyksissä: (1) Tekstuurikuvausta halutaan soveltaa monikulmioverkkolaskennassa, kuten tavallista. Tällöin on kyse pinnan approksimoinnista verkolla. Eräässä mielessä mitään pintaa ei ole olemassa, vain sen approksimaatio. Kuinka voidaan näin ollen johtaa fysikaalisesti pinnan pisteen tekstuuriarvo, jos pintaa ei ole olemassa? 8. luku luku 415 (2) Halutaan hyötyä kaksiulotteisista tekstuureista, joita on lukemattomia saatavilla. Pitää tarkastella, miten kaksiulotteinen kuvaus saadaan monikulmioverkolla approksimoidulle pinnalle. (3) Laskostumisilmiöt (aliasing) ovat tavallisia tekstuurikuvauksissa. Nämä sisältävät monesti jonkinlaista jaksollisuutta. Laskostuminen rikkoo jaksollisuuden, ja tästä aiheutuva sotku on näkyvää. Tekstuurikuvaus on suoritettavissa useilla tavoilla. Menetelmän valinta riippuu lähinnä suoritusaikavaatimuksista ja kuvan laatuvaatimuksista. Rajoitutaan kaksiulotteisiin tekstuurikuvauksiin tavallisimpiin. Näitä sovelletaan tyypillisesti monikulmioverkkokohteille Kaksiulotteisen tekstuurikuvauksen kehittäminen kohteen pinnalle ja sitten projisointi kuva avaruuteen tarkoittaa muunnosta kaksiulotteisesta esityksestä toiseksi kaksiulotteiseksi. Tavallisin menettely on käänteiskuvaus, jossa jokaiselle pikselille etsitään sen esikuva tekstuuriavaruudesta (kuva 8.1.). Tämän kuvauksen esittäminen ei ole kuitenkaan suoraviivaista. Niinpä se käydään läpi kaksivaiheisena prosessina. Ensin kuvataan kaksiulotteisesta tekstuuriavaruudesta kolmiulotteiseen kohdeavaruuteen. Tästä tehdään projektio kaksiulotteiseen kuva avaruuteen (kuva 8.1. (a)). Ensimmäinen muunnos on parametrisointi, ja toinen on tavanomainen projektiomuunnos. 8. luku luku 417
2 Näytteistys ja laskostuminen Laskostumisen esto (anti aliasing) on välttämätöntä tekstuurikuvaustenkin yhteydessä. Pohditaan aluksi sen perusteita. Kuva 8.1. Kaksi tapaa katsoa kaksiulotteista tekstuurikuvausta: (a) kuvaus eteenpäin ja (b) käänteiskuvaus. Laskostumisongelmassa kaikki lähtee liikkeelle siitä, että diskreettiin esitykseen pääsemiseksi on tehtävä jonkinlainen jatkuvan esityksen diskretisointi, joka tarkoittaa esim. yksiulotteiselle signaalille (kuva on kaksi tai kolmiulotteinen signaali) aika tai ylipäänsä vaaka akselin suhteen tehtyä näytteistystä eli näytteenottoa. Otetaan siis jatkuvasta kuvauksesta näytteitä määrävälein, jotka ovat tavallisesti tasavälisiä. Toki approksimointia, josta on jälleen loppujen lopuksi kyse, tehdään myös pystyakselin suhteen. jolloin kvantisoidaan, esim. analogiadigitaali muuntimessa signaalia jollakin resoluutiolla, kuten 12 tai 16 bittiä. Laskostumiseen vaikuttaa edellinen. 8. luku luku 419 Katsotaan kaksiulotteista jatkuvaa esitystä eli kuvaa f(x,y). Kun tälle tehdään näytteistys eli muunnos jatkuvasta muodosta diskreetiksi approksimoinniksi, laskostumista voi esiintyä, mikäli sitä ei kunnolla estetä. Kaksiulotteisen funktion arvo on pikselin väriarvo (tai harmaasävysarvo). (Lisäksi tehdään kvantisointi, mutta sitä ei nyt tarkastella). Näytteenottoteorian mukaan saadaan nyt kuvan 8.2. hila, jossa sen ollessa tasavälinen saadaan yksittäinen arvo: f ij = f ( x + ibx, y0 + jb 0 y Tällöin b x ja b y ovat pisteiden välisiä etäisyyksiä akseleiden x ja y suunnissa. Nousee kysymys, kuinka paljon informaatiota kuvasta tulisi kerätä, ts. kuinka suurella tarkkuudella näytteistetään eli kuinka pienellä välillä näytteitä kerätään. ) Kuva 8.2. Näytteistys kaksiulotteisena. Voidaan pohtia myös ns. rekonstruointia, joka tarkoittaa muunnosta takaisin näytteistetystä jatkuvaan. Tässä on tietysti vastassa seikka, kuinka suuren virheen voidaan sallia tulla mukaan, koska oli kyse approksimaatiosta lähtötilanteessa. 8. luku luku 421
3 Tällaisessa tarkastelussa voitaisiin käyttää Fourierin muunnosta, jota ei tässä esitellä, mutta sillä signaali voidaan hajottaa sinimuotoisten esitysten joukoksi. Voidaan muodostaa signaalin frekvenssi eli taajuusesitys, spektri. Kaksiulotteiselle voidaan tilannetta kuvata tila eli spatiaalisina kuvauksina. Kuva 8.3. (a) edustaa yksiulotteista signaalia, joka on hajotettu näin osiinsa kuvassa 8.3. (b). Kaksiulotteisia esimerkkejä on kuvassa 8.4. Nähdään, että näissä on jaksollisia funktioita. Kuva 8.3. (a) Yksiulotteinen signaali, (b) joka on hajotettu kahteen komponenttiinsa. 8. luku luku 423 Kuva 8.4. Kaksiulotteisia jaksollisia funktioita. Tarkastellaan nyt ideatasolla Nyquistin teoreemaa, jonka ensimmäinen osa koskee näytteenottoa ja toinen signaalin rekonstruktiota. Nyquistin näytteenottoteoreema (1. osa): Jatkuvan funktion (signaalin) ideaaliset näytteet sisältävät kaiken informaation alkuperäisestä funktiosta, jos ja vain jos funktio näytteistetään taajuudella, joka on suurempi kuin kaksi kertaa funktion käsittämä suurin taajuus. Täten, jotta ei informaatiota kadotettaisi, on rajoituttava funktioihin, jotka ovat taajuudeltaan nolla muualla kuin ikkunassa leveydeltään pienempi kuin näytteenottotaajuus. Matalin taajuus, jota ei datassa voi esiintyä, on puolet näytteenottotaajuudesta eli Nyquistin taajuus. Funktiot, joiden spektrit ovat nolla tällaisen ikkunan ulkopuolella, ovat kaistarajoitettuja. Kaksiulotteiselle käytetään hilaa Nyquistin taajuuden määräämiseksi vastaavasti. Teoreema esittää ideaalisen tilanteen. Käytännössä ei voida ottaa ääretöntä määrää näytteitä. Tämän vuoksi ei voida saada tarkasti kaistarajoitettuja funktioita. Kuvaan astuu jälleen approksimointia tässäkin. Käytännössä tulee muistaa myös, että Nyquistin taajuus on raja. Pitää käyttää tiukempaa rajaa, että approksimointi olisi riittävän hyvä. 8. luku luku 425
4 Nyquistin kriteerin rikkomisesta seuraa laskostumisvirheitä. Laskostuminen (aliasing, aliasten muodostuminen) merkitsee eräänlaista vääristymää signaalista, joka johtuu liian epätarkasta näytteenotosta. Kuvassa 8.5. (a) on yksiulotteinen funktio näytteistettynä. Kuva 8.5. (b) esittää sen spektrin eli mitä taajuuskomponentteja jatkuvassa funktiossa esiintyy, ja kuva 8.5. (c) esittää vastaavasti näytteistetyn signaalin spektrin kuvaten osakuvan (b) toistoa. Koska oli näytteistetty korkeammalla taajuudella kuin Nyquistin, osakuvan (c) sininkaltaiset taajuuskaistat eivät mene päällekkäin. Kuva 8.5. Kaistarajoitettu funktio: (a) funktio näytteineen, (b) jatkuvan funktion spektri ja (c) näytteiden muodostaman diskreetin esityksen spektri. Kuvassa 8.6. on rikottu Nyquistin kriteeriä, jolloin toistot eli taajuuskaistat menevät osin päällekkäin. Katsotaan sen keskikohtaa, joka on suurennettuna kuvassa luku luku 427 Kuva 8.6. Päällekkäin osuvat kaistat. Kuvan 8.7. tilanteessa keskikomponenteilla on toisto eli alias, joka syntyi liian alhaisen näytteenottotaajuuden takia. Olennaista on, että mikäli laskostuminen eli alias pääsee syntymään, sitä ei millään pysty enää erottamaan todellisesta informaatiosta. Näin ollen ainoa keino on estää se ennakolta, ts. näytteistää riittävän tarkasti. Laskostumista voi pohtia ilman Fourierin muunnosta, ts. taajuusspektriä, kun katsoo esim. kuvan 8.8. tapaista (alinta) signaalia. Siitä voisi saada erilaisia näytteistyksiä, jos näytteenottotaajuus on liian alhainen Nyquistin kriteerin mukaan. Kuva 8.7. Laskostuminen nähtävissä spektrin keskitaajuuskomponenteissa.. Vaikka on mahdotonta tarkasti ottaen rakentaa kaistarajoittunutta äärellisen kokoista signaalia tai kuvaa, laskostuminen voidaan käytännössä aika kätevästi estää. Näet todellisissa kuvissa taajuuskomponentit keskittyvät usein melko alhaisille taajuuksille. Tällöin laskostuminen on minimaalista suurilla taajuuksilla, kun näytteistäminen on tehty asiallisesti. 8. luku luku 429
5 Kun kuvassa on säännöllisyyttä eli jaksollisuutta, ongelmia esiintyy, mikäli tämän takia jokin esiintyvistä taajuuksista nousee Nyquistin taajuuden yli. Se näkyy konkreettisesti kuvassa virheenä. Esim. videokuvassa raitaiset vaatteet voivat näkyä vääristyneinä. Vääristymiä voi nähdä televisiokuvassa, kun siinä näytetään näyttöruutua. Samoin villin lännen elokuvissa saattaa näyttää ikään kuin hevosvetoisten postivaunujen puiset puolapyörät pysyisivät paikallaan tai jopa pyörisivät taaksepäin, vaikka kärryt selvästi kulkevat eteenpäin. Nämä johtuvat liian alhaisesta näytteenotosta (kuvaa / sekunti) televisio tai elokuvauksessa. Kuva 8.8. Muna vai kana? Signaalin (kuvan) Nyquistin taajuus tulee tuntea, jotta laskostumista ei syntyisi. Laskostumista estetään erityisesti myös suodatuksella. Ideana on suodattaa ylätaajuudet pois, jostakin katkaisutaajuudesta (enintään Nyquistin taajuus) lukien. Kuvia suodatetaan mm. kuvan 8.9. tapaisesti. 8. luku luku 431 Nyquistin näytteenottoteoreema (2. osa): Jatkuva funktio f(x) voidaan rekonstruoida näytteistään {f i } kaavalla: f ( x) = f sin c( x ) = i x i i Kuva 8.9. Kuvan selausta: (a) Pistemäinen näytteistys ja (b) alueellinen keskiarvoistus. Kuvassa 8.9. lasketaan näytteelle painotettu keskiarvo sen naapurinäytteiden avulla. Näin suodatetaan koko kuva. Seuraavaksi oletetaan, että käytettävissä on (ääretön) näytejoukko, joka on näytteistetty suuremmalla taajuudella kuin (käytännössä kaksi kertaa) Nyquistin taajuus. Jatkuvan funktion rekonstruointi näytteistä tapahtuu seuraavan tuloksen perusteella. Funktio sinc (kuva 8.10.) määritellään seuraavasti: sinπx sin c( x) = πx Kaksiulotteinen versio kaavasta funktiolle f(x,y) ideaalisilla näytteillä on: f ( x, y) = f sin c( x x )sin c( y y ) ij i= j= i j 8. luku luku 433
6 Kuva Yksiulotteinen sinc funktio. Kuva Yksiulotteista rekonstruktiota. Kuvassa on yksiulotteisen funktion rekonstruktiota. Kaksiulotteisessa tapauksessa tarvitaan kaksiulotteinen funktio, joka on kuvassa Laskennassa ei luonnollisesti voi käyttää ääretöntä määrää näytteitä, joten kyseeseen tulee approksimointi. 8. luku luku 435 Kohteen koon pienentyessä tekstuurin pikselin esikuva kasvaa kattaen entistä suuremman alan. Jos otetaan näyte pikselin keskeltä ja sen arvo on T(u,v) vastaavassa pisteessä tekstuuriavaruudessa, tästä seuraa kuvan virhetilanne. Kuvan osissa (a) ja (b) kohde projisoituu yksittäiselle pikselille ja siirtyy tavalla, jossa esikuva siirtyy tekstuuriavaruudessa. Kohteen siirtyessä väri vaihtuisi mustasta valkoiseksi. Kuva Kaksiulotteinen sinc funktio. Havainnollistetaan vielä laskostumisen estoa kaksiulotteisessa eli kuvan tilanteessa. Pohditaan tilannetta, jossa kohdetta etäännytetään katsojasta, jolloin kuvan projektio sisältää yhä vähemmän pikseleitä. Laskostumisen esto (anti aliasing) tarkoittaa nyt informaation integrointia pikselin esikuvan yli ja tämän arvon käyttämistä sävytyslaskennassa (kuva (d)). Integraalia voidaan parhaimmillaan vain approksimoida, sillä ei tunneta nelisivuisen alueen muotoa, vaan vain sen kulmapisteet. 8. luku luku 437
7 Kuva Pikseleitä ja esikuvia tekstuuriavaruudessa. 8. luku 438
12. Laskostumisen teoria ja käytäntö
12.1. Aliakset eli laskostuminen ja näytteistys 12. Laskostumisen teoria ja käytäntö Monet seikat vaikuttavat kuvien laatuun tietokonegrafiikassa. Mallintamisesta ja muista tekijöistä syntyy myös artefakteja,
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
Lisätiedot8.7. Kolmiulotteiset tekstuuritekniikat. Kolmiulotteinen kohina eli häiriö. Turbulenssin simulointi. turbulence
8.7. Kolmiulotteiset tekstuuritekniikat Edellä lueteltiin keskeiset kaksiulotteisiin tekstuurikuvauksiin liittyvät ongelmat. Syyt ovat: (1) Kaksiulotteinen tekstuurikuvaus, joka perustuu pintakoordinaatistoon,
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
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
Lisätiedot4. Taajuusalueen suodatus 4.1. Taustaa Perusteita
4. Taajuusalueen suodatus 4.1. Taustaa Fourier esitti v. 1807 idean, että laskien yhteen jaksollisia painotettuja funktioita voidaan esittää kuinka tahansa monimutkainen jaksollinen funktio. Kuva 4.1.
Lisätiedot12.5. Vertailua. Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 12.8. luonnehtii vaihtoehtoja.
1.5. Vertailua Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 1.8. luonnehtii vaihtoehtoja. (1)Esisuodatus äärettömästi näytteitä pikseliä kohti Lasketaan projisoidun kohteen palojen
Lisätiedot4. Taajuusalueen suodatus 4.1. Taustaa
4. Taajuusalueen suodatus 4.1. Taustaa Fourier esitti v. 1807 idean että laskien yhteen jaksollisia painotettuja funktioita voidaan esittää kuinka tahansa monimutkainen jaksollinen funktio. Kuva 4.1. esittää
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
Lisätiedot4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla
4.1 Näytteenottolause 4. Fourier-analyysin sovelletuksia Näyttenottosignaali (t) = k= δ(t kt). T on näytteenottoväli, ja ω T = 1 T on näyttenottotaajuus. Funktion (signaalin) f(t) näytteistäminen tapahtuu
LisätiedotLaskuharjoitus 4 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 4 (2.10.2013): Tehtävien vastauksia 1. Tutkitaan signaalista näytteenotolla muodostettua PAM (Pulse Amplitude Modulation) -signaalia.
Lisätiedot11. kierros. 1. Lähipäivä
11. kierros 1. Lähipäivä Viikon aihe AD/DA-muuntimet Signaalin digitalisointi Kvantisointivirhe Kvantisointikohina Kytkinkapasitanssipiirit Mitoitus Kontaktiopetusta: 6 tuntia Kotitehtäviä: 4 tuntia Tavoitteet:
LisätiedotMuuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset
Muuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset valintakriteerit resoluutio ja nopeus Yleisimmät A/D-muunnintyypit:
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotAlias-ilmiö eli taajuuden laskostuminen
Prosessiorientoituneet mallit Todellista hybridijärjestelmää ELEC-C1230 Säätötekniikka Luku 12: Näytteenottoteoreema ja jatkuvien säätimien diskreetit approksimaatiot Prosessiorientoituneet mallit katsotaan
Lisätiedot5. Grafiikkaliukuhihna: (1) geometriset operaatiot
5. Grafiikkaliukuhihna: () geometriset operaatiot Johdanto Grafiikkaliukuhihnan tarkoitus on kuvata kolmiulotteisen kohdeavaruuden kuva kaksiulotteiseen kuva eli nättöavaruuteen. aikka kolmiulotteisiakin
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,
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
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
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
LisätiedotAD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (1997). Digital audio signal processing
AD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (1997). Digital audio signal processing Sisältö: Näytteistys, laskostuminen Kvantisointi, kvantisointivirhe, kvantisointisärö,
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
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
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
LisätiedotDigitaalinen signaalinkäsittely Johdanto, näytteistys
Digitaalinen signaalinkäsittely Johdanto, näytteistys Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn
LisätiedotELEC-C1230 Säätötekniikka
Johdanto: Digitaalinen (diskreetti, diskreettiaikainen) säätöjärjestelmä ELEC-C1230 Säätötekniikka Luku 10: Digitaalinen säätö, perusteet, jatkuu A/D-muunnoksessa analoginen signaali näytteistetään (sampling);
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
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,
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
LisätiedotTampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus
Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)
LisätiedotMitä on signaalien digitaalinen käsittely
Mitä on signaalien digitaalinen käsittely Signaalien digitaalinen analyysi: mitä sisältää, esim. mittaustulosten taajuusanalyysi synteesi: signaalien luominen, esim. PC:n äänikortti käsittely: oleellisen
LisätiedotKojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Datan käsittely ja tallentaminen Käytännössä kaikkien mittalaitteiden ensisijainen signaali on analoginen Jotta tämä
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
Lisätiedot10.2. Säteenjäljitys ja radiositeettialgoritmi. Säteenjäljitys
10.2. Säteenjäljitys ja radiositeettialgoritmi Säteenjäljitys Säteenjäljityksessä (T. Whitted 1980) valonsäteiden kulkema reitti etsitään käänteisessä järjestyksessä katsojan silmästä takaisin kuvaan valolähteeseen
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
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
Lisätiedot1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille:
TL61, Näytejonosysteemit (K00) Harjoitus 1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: a) 1 (t) = cos(000πt) + sin(6000πt) + cos(00πt) ja ) (t) = cos(00πt)cos(000πt).
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
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,
Lisätiedote ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0,
Harjoitus 5 1. Olkoot a > 0. Laske vaimenevan pulssin e ax, kun x > 0 fx) = 0, kun x < 0, ja voimistuvan pulssin gx) = konvoluution g f Fourier-muunnos. 0, kun x > 0 e ax, kun x < 0 apa 1: Konvoluution
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
Lisätiedot13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle
13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien
LisätiedotLuku 6: Grafiikka. 2D-grafiikka 3D-liukuhihna Epäsuora valaistus Laskostuminen Mobiililaitteet Sisätilat Ulkotilat
2D-grafiikka 3D-liukuhihna Epäsuora valaistus Laskostuminen Mobiililaitteet Sisätilat Ulkotilat 2D-piirto 2-ulotteisen grafiikan piirto perustuu yleensä valmiiden kuvien kopioimiseen näyttömuistiin (blitting)
LisätiedotLuku 4 - Kuvien taajuusanalyysi
Luku 4 - Kuvien taajuusanalyysi Matti Eskelinen 8.2.2018 Kuvien taajuusanalyysi Tässä luvussa tutustumme taajuustasoon ja opimme analysoimaan kuvia ja muitakin signaaleja Fourier-muunnoksen avulla. Aiheina
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
LisätiedotLaskuharjoitus 2 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 2 (11.9.2013): Tehtävien vastauksia 1. Eräässä kuvitteellisessa radioverkossa yhdessä radiokanavassa voi olla menossa samanaikaisesti
Lisätiedot10. Globaali valaistus
10. Globaali valaistus Globaalilla eli kokonaisvalaistuksella tarkoitetaan tietokonegrafiikassa malleja, jotka renderöivät kuvaa laskien pisteestä x heijastuneen valon ottamalla huomioon kaiken tähän pisteeseen
LisätiedotNumeerinen integrointi
Numeerinen integrointi hum 8.0. Numeerinen integrointi Numeerisia integrointimenetelmiä on useita. Käsitellään tässä yhteydessä kuitenkin vain Gauss in integrointia, joka on elementtimenetelmän yhteydessä
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
Lisätiedotinfoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1
infoa Viikon aiheet Tentti ensi viikolla ma 23.0. klo 9.00-3.00 Huomaa, alkaa tasalta! D0 (Sukunimet A-) E204 (Sukunimet S-Ö) Mukaan kynä ja kumi. Ei muuta materiaalia. Tentissä kaavakokoelma valmiina.
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotSuodinpankit ja muunnokset*
Suodinpankit ja muunnokset* Lähteet: Zölzer. Digital audio signal processing. Wiley & Sons. Spanias et al. Audio signal processing and coding. Wiley & Sons Smith, Spectral audio signal processing, online
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden
LisätiedotFIR suodinpankit * 1 Johdanto
FIR suodinpankit * Lähteet: Zölzer. Digital audio signal processing. Wiley & Sons. Saramäki. Multirate signal processing. TTKK:n kurssi 80558. * ) Aihealue on erittäin laaja. Esitys tässä on tarkoituksellisesti
LisätiedotSGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen
SGN- Signaalinkäsittelyn perusteet Välikoe.5.4 Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla -3 on. Sivuilla 4-5 on. Sivulla
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
LisätiedotRiemannin pintojen visualisoinnista
Riemannin pintojen visualisoinnista eli Funktioiden R R kuvaajat Simo K. Kivelä 7.7.6 Tarkastelun kohteena olkoon kompleksimuuttujan kompleksiarvoinen funktio f : C C, f(z) = w eli f(x + iy) = u(x, y)
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
LisätiedotTehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1
Tehtävä : Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: a) a) x b) e x + Integraali voisi ratketa muuttujanvaihdolla. Integroitava on muotoa (a x ) n joten sopiva muuttujanvaihto voisi olla
LisätiedotVäliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy Mikko Kyllönen Matti Marttinen Vili Tuomisaari
Väliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy 2015 Mikko Kyllönen Matti Marttinen Vili Tuomisaari Projektin eteneminen Projekti on edennyt syksyn aikana melko vaikeasti. Aikataulujen
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
LisätiedotSignaalit 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)
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 varuusintegraali iemmin laskimme yksiulotteisia integraaleja b a f (x)dx, jossa integrointialue on x-akselin väli [a, b]. Lisäksi laskimme kaksiulotteisia integraaleja
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala 30.9.2015 ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat
Lisätiedot1 Johdanto. 2 Kriittinen näytteistys 2:lla alikaistalla. 1.1 Suodatinpankit audiokoodauksessa. Johdanto
Suodinpankit ja muunnokset* Lähteet: Zölzer. Digital audio signal processing. Wiley & Sons. Spanias et al. Audio signal processing and coding. Wiley & Sons Smith, Spectral audio signal processing, online
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotELEC-C1230 Säätötekniikka
Johdanto: Digitaalinen (diskreetti, diskreettiaikainen) säätöjärjestelmä ELEC-C1230 Säätötekniikka Luku 10: Digitaalinen säätö, perusteet, jatkuu A/D-muunnoksessa analoginen signaali näytteistetään (sampling);
Lisätiedot4. Esittäminen ja visualisointi (renderöinti)
4. Esittäminen ja visualisointi (renderöinti) Tutkitaan erilaisia renderöintimenetelmiä, joita käytetään luvuissa 2 ja 3 esitettyjen kuvien esitysmuotojen visualisointiin. Seuraavassa selvitetään: (1)
LisätiedotKäänteiset tehtävät. Johdanto. Esimerkki - silmälasien tarpeellisuus. T. Tiihonen, JY
Käänteiset tehtävät T. Tiihonen, JY Johdanto Hyvin yleisellä tasolla malli voidaan abstrahoida kuvaukseksi, joka annetuille syöttötiedoille määrittää mallin tuloksen tai ratkaisun. Tämän kurssin kontekstissa
Lisätiedot1 Raja-arvo. 1.1 Raja-arvon määritelmä. Raja-arvo 1
Raja-arvo Raja-arvo Raja-arvo kuvaa funktion f arvon f() kättätmistä, kun vaihtelee. Joillakin funktioilla f() muuttuu vain vähän, kun muuttuu vähän. Toisilla funktioilla taas f() hppää tai vaihtelee arvaamattomasti,
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
LisätiedotELEC-C1230 Säätötekniikka
Johdanto: Digitaalinen (diskreetti, diskreettiaikainen) säätöjärjestelmä ELEC-C1230 Säätötekniikka Luku 10: Digitaalinen säätö, perusteet, jatkuu A/D-muunnoksessa analoginen signaali näytteistetään (sampling);
Lisätiedot8. Morfologinen kuvanprosessointi 8.1. Perusteita
8. Morfologinen kuvanprosessointi 8.1. Perusteita Sana morfologia viittaa muotoon ja rakenteeseen eri tieteenaloilla. Kuvanprosessoinnissa se tarkoittaa matemaattista keinoa, jolla irrotetaan kuvasta kiinnostavia
LisätiedotTietokonegrafiikka. Jyry Suvilehto T Johdatus tietoliikenteeseen ja multimediatekniikkaan kevät 2014
Tietokonegrafiikka Jyry Suvilehto T-110.1100 Johdatus tietoliikenteeseen ja multimediatekniikkaan kevät 2014 1. Sovellusalueita 2. Rasterigrafiikkaa 3. Vektorigrafiikkaa 4. 3D-grafiikkaa 1. Säteenheitto
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18
LisätiedotSuccessive approximation AD-muunnin
AD-muunnin Koostuu neljästä osasta: näytteenotto- ja pitopiiristä, (sample and hold S/H) komparaattorista, digitaali-analogiamuuntimesta (DAC) ja siirtorekisteristä. (successive approximation register
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,
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
LisätiedotELEC-C5340 - Sovellettu digitaalinen signaalinkäsittely. Äänisignaalien näytteenotto ja kvantisointi Dither Oskillaattorit Digitaalinen suodatus
L1: Audio Prof. Vesa Välimäki ELEC-C5340 - Sovellettu digitaalinen signaalinkäsittely Luennon sisältö Äänisignaalien näytteenotto ja kvantisointi Dither Oskillaattorit Digitaalinen suodatus Lyhyt FIR-suodin
Lisätiedot(a) Potentiaali ja virtafunktiot saadaan suoraan summaamalla lähteen ja pyörteen funktiot. Potentiaalifunktioksi
Tehtävä 1 Tornadon virtauskenttää voidaan approksimoida kaksiulotteisen nielun ja pyörteen summana Oleta, että nielun voimakkuus on m < ja pyörteen voimakkuus on > (a Määritä tornadon potentiaali- ja virtafunktiot
Lisätiedot1 PID-taajuusvastesuunnittelun esimerkki
Enso Ikonen, Oulun yliopisto, systeemitekniikan laboratorio 2/23 Säätöjärjestelmien suunnittelu 23 PID-taajuusvastesuunnittelun esimerkki Tehtävänä on suunnitella säätö prosessille ( ) = = ( +)( 2 + )
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja
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.
LisätiedotVÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA
VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA Juha Lehtonen 20.3.2002 Joensuun yliopisto Tietojenkäsittelytiede Kandidaatintutkielma ESIPUHE Olen kirjoittanut tämän kandidaatintutkielman Joensuun yliopistossa
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
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
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotYhteenveto Fourier-numeriikan luennoista
March 25, 21 versio 1.1 1 Yhteenveto Fourier-numeriikan luennoista 19.3.-25.3.21 Fourier-sarja f paloittain jatkuva funktio [, L]. Kosinisarja: jossa Sinisarja: jossa Esimerkki 1. Funktion sinisarja on
LisätiedotKON-C3004 Kone- ja rakennustekniikan laboratoriotyöt Tiedonkeruu ja analysointi Panu Kiviluoma
KON-C34 Kone- ja rakennustekniikan laboratoriotyöt Tiedonkeruu ja analysointi Panu Kiviluoma Mitattava suure Tarkka arvo Mittausjärjestelmä Mitattu arvo Ympäristö Mitattava suure Anturi Signaalinkäsittely
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
Lisätiedot(b) = x cos x 1 ( cos x)dx. = x cos x + cos xdx. = sin x x cos x + C, C R.
Calculus Kurssikoe..7. Laske (a) x sin x, (b) x x + x. (a) Merkitään u(x) = x ja v (x) = sin x, jolloin u (x) =, v(x) = cos x ja osittaisintegroimalla saadaan x sin x = u(x)v (x) = u(x)v(x) u (x)v(x) =
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat laakerit,
LisätiedotKuvan pakkaus JPEG (Joint Photographic Experts Group)
Kuvan pakkaus JPEG (Joint Photographic Experts Group) Arne Broman Mikko Toivonen Syksy 2003 Historia 1840 1895 1920-luku 1930-luku Fotografinen filmi Louis J. M. Daguerre, Ranska Ensimmäinen julkinen elokuva
LisätiedotLABORATORIOTYÖ 2 A/D-MUUNNOS
LABORATORIOTYÖ 2 A/D-MUUNNOS 2-1 2. A/D-muunnos Työn tarkoitus Tässä työssä demotaan A/D-muunnoksen ominaisuuksia ja ongelmia. Tarkoitus on osoittaa käytännössä, miten bittimäärä ja näytteenottotaajuus
LisätiedotViikon aiheet. Funktion lineaarinen approksimointi
Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit
MS-A25/MS-A26 ifferentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 216 1 Perustuu
LisätiedotLABORATORIOTYÖ 2 A/D-MUUNNOS
LABORATORIOTYÖ 2 A/D-MUUNNOS Päivitetty: 23/01/2009 TP 2-1 2. A/D-muunnos Työn tarkoitus Tässä työssä demotaan A/D-muunnoksen ominaisuuksia ja ongelmia. Tarkoitus on osoittaa käytännössä, miten bittimäärä
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2016
Lisätiedot