Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät. Laskuharjoitus 3
|
|
|
- Mikael Majanlahti
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kalman-suodin AS , Automaation signaalinäsittelmenetelmät Lasuhajoitus 3
2 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 2
3 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 3
4 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 4
5 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 5
6 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 6
7 Ideaalisen posessin tilamalli x( 1) x( ) Ax( ) Bu( ) u B A x Slide 7
8 Posessin ja mittausen ohina ) ( ) ( ) ( ) ( ) ( 1) ( v x w Bu Ax x [ ] [ ] ) ( ) ( ) ( ) ( ) ( ) ( R v E v Q w w E T T Häiiöt oletetaan nollaesiavoisisi ja niiden ovaianssifuntiot tunnetuisi: Slide 8
9 Kalman-suodin Posessin sisäisen tilan estimointi Mittausten taentaminen Slide 9
10 Kalman-suodin u B A Posessi pi - post K ŷ A-pioi-tieto ^x( -1) Slide 10
11 Kalman-suodin u B A Posessi pi - post K ŷ ^ A-pioi-tieto x( -1) ^ A-posteioi-tieto x( ) Slide 11
12 Tilan ennaointi mallihtälöllä u B A Posessi pi - post K ŷ ( A( 1 Bu( Slide 12
13 Todellisen ja estimoidun mittausvetoin eo u B A Posessi pi - post K ŷ ( ) ( Slide 13
14 Tilaestimaatin päivits u B A Posessi pi - post K ŷ ( ) [ ( ) ˆ( ] ( K( ) x Slide 14
15 Estimoitu mittausvetoi u B A Posessi pi - post K ŷ ˆ ( ) ( ) Slide 15
16 Estimaattoin vahvistus u B A Posessi pi - post K ŷ Vahvistus K määittää, uina paljon painotetaan mittausta ja uina paljon estimaattia Riippuu mittausen ja estimaatin luotettavuudesta Slide 16
17 Estimointiviheen ovaianssi Joaisella ieosella estimoidaan tilan estimointiviheen ovaianssia P Ennaointi Päivits Estimaattoin vahvistus K lasetaan P:n avulla joaisella ieosella Slide 17
18 ( Kalman-suotimen aavat Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: A( 1 Bu( Slide 18
19 ( Kalman-suotimen aavat Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: A( 1 Bu( T P ( AP( 1 A Q Tilan estimointiviheen ovaianssimatiisi (ennaointi): Slide 19
20 ( Kalman-suotimen aavat Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: A( 1 Bu( T P ( AP( 1 A Q Tilan estimointiviheen ovaianssimatiisi (ennaointi): Estimaattoin vahvistus: K( ) [ ] T P( 1 T P( R Slide 20
21 ( Kalman-suotimen aavat Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: A( 1 Bu( T P ( AP( 1 A Q Tilan estimointiviheen ovaianssimatiisi (ennaointi): Estimaattoin vahvistus: K( ) [ ] T P( 1 T P( R Tilaestimaatin päivits: ( ) [ ( ) ( ] ( K( ) Slide 21
22 ( Kalman-suotimen aavat Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: A( 1 Bu( T P ( AP( 1 A Q Tilan estimointiviheen ovaianssimatiisi (ennaointi): Estimaattoin vahvistus: K( ) [ ] T P( 1 T P( R Tilaestimaatin päivits: ( ) [ ( ) ( ] ( K( ) Tilan estimointiviheen ovaianssimatiisi (päivits) P( ) P( K( ) P( Slide 22
23 Vahvistusen laseminen Usein A, B,, Q ja R ovat vaioita ajan suhteen Estimointiviheen ovaianssi voidaan lasea Riccatin htälöllä ( [ ] ) T T 1 T P P R P A Q P A P Slide 23
24 Tilan ennaointi seuaavaan mittausheteen mallihtälöllä: ( A( 1 Bu( T P ( AP( 1 A Q Tilan estimointiviheen ovaianssimatiisi (ennaointi): Estimaattoin vahvistus: K( ) [ ] T P( 1 T P( R Tilaestimaatin päivits: ( ) [ ( ) ( ] ( K( ) Tilan estimointiviheen ovaianssimatiisi (päivits) P( ) P( K( ) P( Riccatin htälö ( [ ] ) T T 1 T P P R P A Q P A P Slide 24
25 Esimei muuttujien notaatiolle Matlabissa ( x_pi ( ) x_post ( 1 Edellisen ieosen x_post P( P( ) P_pi P_post Slide 25
26 Vinejä (älä atso heti, vaan mieti ensin heti)
27 1. tehtävän tilamalli Vaioavoinen signaali: vt. x( 1) x( ) x ( 1) Ax( ) Bu( ) A 1, B 0 (un x on salaai) Slide 27
28 1. tehtävän tilamalli Signaalia mitataan suoaan: ( ) x( ) vt. ( ) x( ) 1 Slide 28
29 1. tehtävän tilamalli Kohina: Signaalin tiedetään olevan vaio Q 0 "Mittauseen summautuu ohinaa, jona vaianssi on 0.1" R 0.1 Slide 29
30 1. tehtävän tilamalli Estimointiviheen vaianssi/ovaianssi "Alutilan estimointiviheen vaianssi on 0.5" P:n aluavo 0.5 Tpillisesti seinen P on edellisen ieosen a- posteioi estimaatti, eli P( 1 1) Slide 30
31 2. tehtävä P ataistaan Riccatin htälöllä K ataistaan P:n avulla Tilamallin aii muuttujat ovat salaaeja Riccatin htälön ataisu suoaviivaista Slide 31
32 3. tehtävä Kätetään oo Kalman-suotimen mallia (aii aavat) P:n aluavo: Estimointiviheen ovaianssin aava ssteemille, jossa tilavetoin pituus on 2: P E E ~ ~ ( x x ) E( x x ) ~ 1 1 ~ ~ ~ ~ ( x ) ( ) 2x1 E x2x2 1 ~ 2 Slide 32
33 3. tehtävä x:n aluavo: Jos tilasta ei ole mitään tietoa, ätetään aluavausena leensä vetoia, jona elementit ovat nollia. Slide 33
[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.
![[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.](/thumbs/70/63966855.jpg "[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.")
ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -
Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4
Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen
EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö
EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA Kandidaatintyö Tarastaja: Lehtori Konsta Koppinen Jätetty tarastettavasi 11. tououuta 2009 2 TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tietoliienne-
M y. u w r zi. M x. F z. F x. M z. F y
36 5.3 Tuipaalutusen lasenta siitmämenetelmällä 5.3.1 Yleistä Jos paaluvoimia ei voida määittää suoaan tasapainohtälöistä (uten ohdassa 5.), on smsessä staattisesti määäämätön paalutus, jona paaluvoimien
Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /
MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,
7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025
26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96)
Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.
Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.
6 Lineaarisen ennustuksen sovelluksia
6 Lineaarisen ennustusen sovellusia Lineaarisella ennustusella on hyvin täreä asema monessa puheenäsittelyn sovellusessa. Seuraavassa on esitetty esimerejä siitä miten lineaarista ennustusta voidaan hyödyntää.
Estimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
MAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan
3.3 Laiat MAB7 Talousmatematiia Otava Opisto / Kati Jorda Laia ottamie Suuri osa ihmisistä ottaa laiaa jossai elämävaiheessa. Pailaiaa tarvitaa yleesä vauusia ja/tai taausia. Laiatulle pääomalle masetaa
Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
Osa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Keskijännitejohdon jännitteenalenema
LTE 4/1 Kesijännitejodon jännitteenalenea Jännitteenalenea lasetaan aaalla 1 r + x tanϕ 1 P l (1 Tauluossa 1 on esitetty joaisen aapelin pituudet seä niiden resistanssi ja reatanssiarot, joita taritaan
SÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS SÄÄÖJÄRJESELMIEN SUUNNIELU Enso Ionen professori säätö- ja ssteemiteniia http://cc.oulu.fi/~io Oulun liopisto Äläät oneet ja järjestelmät helmiuu 209 ENSO IKONEN PYOSYS 2 Oppimistavoitteet
Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
SGN-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,
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.
1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2
Vakuutusmatematiikan sovellukset 20.11.2008 klo 9-15
SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi
Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2
Matematiikan tukikurssi
Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja
/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M
V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus
7.1 Taustamelun estimoinnista
7 Puheen ehostus Puheen ehostamisea taroitetaan seaisia menetemiä, joia puheen aatua pyritään parantamaan. Kuuostaa ysinertaiseta, mutta mitä sitten taroitetaan aadua? Siä voidaan taroittaa ainain seeyttä
DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset
DEE- Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille taroitetut rataisuehdotuset Tämän harjoitusen ideana on opetella -muunnosen äyttöä differenssiyhtälöiden rataisemisessa Lisäsi äytetään
Missä 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
Dynaamisten 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
Talousmatematiikan verkkokurssi. Koronkorkolaskut
Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:
Regressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Järjestelmän kuvaus aikatasossa
Digitaalinen Signaalinäsittel T25 Luento 2-24.3.26 Jaro.Vuori@evte.fi Man cannot inherit the past; he has to recreate it Arthur Koestler, The act of creation, 964 Järjestelmän uvaus aiatasossa Differenssihtälö
Ennustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
SGN-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
Säätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002
Matlab tehtäviä 1. Muodosta seuraavasta differentiaaliyhtälöstä siirtofuntio. Tämä differentiaaliyhtälö saattaisi kuvata esimerkiksi yksinkertaista vaimennettua jousi-massa systeemiä, johon on liitetty
Regressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
z z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
Alipäästösuotimen muuntaminen muiksi perussuotimiksi
Alipäästösuotimen muuntaminen muiksi perussuotimiksi Usein suodinsuunnittelussa on lähtökohtana alipäästösuodin (LPF), josta voidaan yksinkertaisilla operaatioilla muodostaa ylipäästö- (HPF), kaistanpäästö-
TIIVISTELMÄRAPORTTI (SUMMARY REPORT)
2013/MAT827 ISSN 1797-3457 (verkkojulkaisu) ISBN (PDF) 978-951-25-2421-1 TIIVISTELMÄRAPORTTI (SUMMARY REPORT) MIEHITTÄMÄTTÖMÄN VEDENALAISEN LAITTEEN NAVIGOINTI Jarmo Takala, Jussi Collin, Jarkko Tuomi
LAPPEENRANNAN TEKNILLINEN YLIOPISTO
LAPPEENRANNAN TEKNILLINEN YLIOPITO TYÖOHJE 2009 Keianteniian osasto Tenillisen eian laboratorio BJ90A0900 Tenillisen eian ja tenillisen polyeerieian laboratoriotyöt Ohje: Irina Turu, Katriina Liiatainen,
DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen
D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa
III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,
III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat
SGN-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,
Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
, sanotaan niiden sääntöjen ja menetelmien kokonaisuutta, joilla otos poimitaan määritellystä perusjoukosta.
Y - Otatameetelmät / Sysy 009 (Risto Letoe) TEKIE YTEEVETO I Otata-asetelmat ja estimoitiasetelmat Perusjouo ja muuttujat Äärellie perusjouo U = {,...,,..., } Tulosmuuttuja y tutemattomat arvot Y,,Y,,Y
Kun annettu differenssiyhtälö z-muunnetaan puolittain, saadaan: 1 1 z Y z zy z z/4 4
DEE- Lineaariset järjestelmät Harjoits 8, rataisehdotset Tämän harjoitsen ideana on opetella -mnnosen ättöä differenssihtälöiden rataisemisessa. Lisäsi ätetään -mnnosen ehäpä hödllisintä ominaistta, eli
Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa
Pyramidi Analyyttinen geometria tehtävien rataisut sivu 9 Päivitetty 9..6 4 a) 4 Suplementtiulmille on voimassa b) a) α + β 8 α + β 8 β 6 c) b) c) α 6 6 + β 8 β 8 6 β 45 β 6 9 α 9 9 + β 8 β 8 + 9 β 7 Pyramidi
FYSP105 / K3 RC-SUODATTIMET
FYSP105 / K3 R-SODATTIMET Työn tavoitteita tutustua R-suodattimien toimintaan oppia mitoittamaan tutkittava kytkentä laiterajoitusten mukaisesti kerrata oskilloskoopin käyttöä vaihtosähkömittauksissa Työssä
Digitaalinen 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,
Projekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on
EPOP Kevät 2012 Projeti 5 Systeemifuntiot ja asiportit Tämä projeti tehdään 3 hengen ryhmissä. yhmääni uuluvat Kuin ryhmistä tarastelee piiriä eri taajuusilla. yhmäni taajuus on Seuraavan projetin aiana
el. konsentraatio p puolella : n p = N c e (E cp E F ) el. konsentraatio n puolella : n n = N c e (E cn E F ) n n n p = e (Ecp Ecn) V 0 = kt q ln (
ÈÙÓÐ Ó ÓÑÔÓÒ ÒØØ Ò Ô ÖÙ Ø Ø À Ì Øº ½º È ÖÖ ÔÒ¹ÔÙÓÐ Ó Ð ØÓ Ò Ò Ö ÚÝ Ñ ÐÐ ÙÒ ÙÐ Ó Ò Ò ÒØØ ÓÒ ÒÓÐÐ º ÂÓ ÓÒØ Ø ÔÓØ ÒØ Ð Ò V 0 Ý ØÐ µ ÃÙÚ Ò ÚÙÐÐ µ Ù ÓÚ ÖØ Ý ØÐ Ø Ô¹ Ò¹ØÝÝÔ Ø Ò Ñ Ø Ö Ð Ò Ò Ö Ø ÓØ Ô¹ÔÙÓÐ ÐÐ ÙÙÖ
AS Automaatio- ja systeemitekniikan projektityöt S09-18 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan
AS-.32 Automaatio- ja systeemitekniikan projektityöt S9-8 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan Joni Silvo Johdanto Tässä työssä tutkitaan rakenteiden kunnonvalvontaan käytettävään langattomaan
Valon diffraktio yhdessä ja kahdessa raossa
Jväslän Ammattioreaoulu, IT-instituutti IXPF24 Fsiia, Kevät 2005, 6 ECTS Opettaja Pasi Repo Valon diffratio hdessä ja ahdessa raossa Laatija - Pasi Vähämartti Vuosiurssi - IST4S1 Teopäivä 2005-2-17 Palautuspäivä
SGN-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
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
B. 2 E. en tiedä C. 6. 2 ovat luonnollisia lukuja?
Nimi Koulutus Ryhmä Jokaisessa tehtävässä on vain yksi vastausvaihtoehto oikein. Laske tehtävät ilman laskinta.. Missä pisteessä suora y = 3x 6 leikkaa x-akselin? A. 3 D. B. E. en tiedä C. 6. Mitkä luvuista,,,
AS Paikannus- ja navigointimenetelmät
AS-84.3127 Paikannus- ja navigointimenetelmät Ratkaisut 5. 1. yökoneeseen vaakasuoraan asennettu kiihtyvyysanturi mittaa maan vetovoiman sini komponenttia. a=g*sin(x 1 ) ässä a on kallistuskulman x 1 aiheuttama
TL5503 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
Tuotesivu Lisäyspaketti HD #302
Tuotesivu Lisäyspaketti HD #302 Ammattiliikkeen suunnittelema TV-antennipaketti, jolla lisäät HD-teräväpiirtokanavat omakotitalon tai kesämökin antennijärjestelmään. Tuotepakkauksen sisältö: 1 kpl VHF
HRTFN MITTAAMINEN SULJETULLA VAI AVOIMELLA KORVA- KÄYTÄVÄLLÄ? 1 JOHDANTO 2 METODIT
SULJETULLA VAI AVOIMELLA KORVA- KÄYTÄVÄLLÄ? Marko Hiipakka, Ville Pulkki Aalto-yliopisto Sähkötekniikan korkeakoulu Signaalinkäsittelyn ja akustiikan laitos PL 1, 7 AALTO Marko.Hiipakka@aalto.fi, Ville.Pulkki@aalto.fi
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
2 Taylor-polynomit ja -sarjat
2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.
Fysp240/1 Ising-malli (lyhyt raportti)
Tiia Monto Työ tehty: 19.1. tiia.monto@jyu. 7515 Fysp/1 Ising-malli (lyhyt apotti) Assistentti: Avostellaan (joko hyväksytty tai hylätty) Työ jätetty: Abstact I simulated paamagnet, feomagnet and antifeomagnet
Kohdeyleisö: toisen vuoden teekkari
Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y
1. Tutkitaan tavallista kahden selittäjän regressiomallia
TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa
RATKAISUT: 10. Lämpötila ja paine
Physica 9. painos (6). Lämpötila ja paine :. Lämpötila ja paine. a) Suure, jolla uvataan aineen termoynaamista tilaa. b) Termoynaamisen eli absoluuttisen lämpötila-asteion ysiö. c) Alin mahollinen lämpötila.
(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut
BM0A5830 Differentiaalihtälöiden peruskurssi Harjoitus 7, Kevät 07 Päivitksiä: Tehtävän b tehtävänantoa korjattu, tehtävän 5 vastaus korjattu. b tehtävänantoa sujuvoitettu. Vastauksia lisätt.. Monasti
Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö
Antti Somppi Paloittain päivittävä Kalmanin suodatin Kandidaatintyö I TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tenis-luonnontieteellinen oulutusohjelma TEKIJÄN NIMI: Antti Somppi Kandidaatintyö 15 sivua,
funktiojono. Funktiosarja f k a k (x x 0 ) k
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu
Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman
Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2016 Harjoitus 3 Ratkaisut palautettava viimeistään maanantaina 29.8.2016 klo 13.15. Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä
1 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?
VARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
Tehtävä 1. Vaihtoehtotehtävät.
Kem-9.47 Prosessiautomaation perusteet Tentti.4. Tehtävä. Vaihtoehtotehtävät. Oikea vastaus +,5p, väärä vastaus -,5p ja ei vastausta p Maksimi +5,p ja minimi p TÄMÄ PAPERI TÄYTYY EHDOTTOMASTI PALAUTTAA
MS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
Harjoitustyö 1. Signaaliprosessorit Sivu 1 / 11 Vähämartti Pasi & Pihlainen Tommi. Kaistanestosuodin, estä 2 khz. Amplitudi. 2 khz.
Signaaliprosessorit Sivu 1 / 11 Harjoitustyö 1 Kaistanestosuodin, estä 2 khz Amplitudi f 2 khz MATLAB koodi: clear; close all; w=[0 1900 1950 2050 2100 4000]/4000; m=[1 1 0 0 1 1]; h=remez(800,w,m); [H,w]=freqz(h,1);
Harjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi
Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa
AS Automaation signaalinkäsittelymenetelmät. Laskuharjoitus 8. Ackermannin algoritmi Sumea säätö
AS-84.2161 Automaation signaalinkäsittelymenetelmät Laskuharjoitus 8 Ackermannin algoritmi Sumea säätö Tilasäätö Prosessia säädetään tilojen mukaan Suljetun järjestelmän siirtofunktion navat asetellaan
edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾
ËØÙ ÓØÓ Ø Mitta-asteikot Nominaali- eli laatueroasteikko Ordinaali- eli järjestysasteikko Intervalli- eli välimatka-asteikko ( nolla mielivaltainen ) Suhdeasteikko ( nolla ei ole mielivaltainen ) Otos
A11-07 Measurements with machine vision (3 op) Loppuraportti
AS-0.3200 Automaatio- ja systeemitekniikan projektityöt A11-07 Measurements with machine vision (3 op) Loppuraportti Niko Nyrhilä Automaatio- ja Systeemitekniikka Valvoja: Mika Strömman Projektin kesto
TL5503 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
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
Inversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
2. 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
10. laskuharjoituskierros, vko 14, ratkaisut
10. laskuharjoituskierros, vko 14, ratkaisut D1. Eräässä kokeessa verrattiin kahta sademäärän mittaukseen käytettävää laitetta. Kummallakin laitteella mitattiin sademäärät 10 sadepäivän aikana. Mittaustulokset
Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset
Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)
Osafaktorikokeet. Heliövaara 1
Osafaktorikokeet Heliövaara 1 Osafaktorikokeet Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä voi ylittää kokeentekijän resurssit. Myös estimoitavien korkean asteen yhdysvaikutustermien
Matematiikan johdantokurssi, syksy 2017 Harjoitus 8, ratkaisuista
Matematiikan johdantokurssi, sks 07 Harjoitus 8, ratkaisuista. Olkoot f ja g reaalifunktioita. Mitä voidaan sanoa hdistetstä funktiosta g f, jos a) f tai g on rajoitettu? b) f tai g on jaksollinen? Ratkaisu.
Joulukuun vaativammat valmennustehtävät ratkaisut
Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4
V 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
järjestelmät Luku 2 Diskreettiaikaiset järjestelmät - aikataso DEE Lineaariset järjestelmät Risto Mikkonen
DEE- Lineaariset järjestelmät Luu 2 Disreettiaiaiset järjestelmät - aiataso DEE- Lineaariset järjestelmät Risto Mionen 6.9.26 Diseettiaiainen vs jatuva-aiainen Jatuvan signaalin u(t) nätteistäminen disreetisi
Sähköstatiikka ja magnetismi Mekaniikan kertausta
Sähöstatiia ja magnetismi Meaniian etausta Antti Haato 17.05.013 Newtonin 1. lai Massan hitauden lai Jatavuuden lai Kappaleen nopeus on vaio tai appale pysyy paiallaan, jos siihen ei vaiuta voimia. Newtonin
Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus luuteoriaan Harjoitus 1 ss 008 Eemeli Blåsten Rataisuehdotelma Tehtävä 1 Oloot a ja b positiivisia oonaisluuja. Osoita, että on olemassa siäsitteinen luu h ('luujen a ja b pienin hteinen jaettava',
Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden