12. Laskostumisen teoria ja käytäntö
|
|
- Ritva Sala
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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, jotka ovat seurausta kuvan luomisessa käytetyistä renderöintialgoritmeista. Artefaktit voivat johtua sävytys tai interpolointimenetelmistä. Laskostumisen estäminen (anti aliasing) on yleinen termi, joka tarkoittaa alinäytteistyksestä aiheutuvien poikkeavuuksien käsittelyä. Käsitettä on jo edellä kosketeltu. Mikä on alias? Teoriassa se viittaa erikoiseen kuva artefaktiin, joka on enimmäkseen näkyvä tekstuurikuvauksissa jaksollisuuden lähetessä pikselin ulottuvuutta. Tämä on nähtävissä jo aiemminkin annetussa kuvassa 12.1., joka on ääretön shakkilauta. Neliöt pienenevät kohti laudan yläosaa ja sitten näkyvästi suurenevat aiheuttaen visuaalisen häiriön. Tämä johtuu alinäytteistyksestä. Näytteistyksen käsite tietokonegrafiikassa tulee yksittäisen värin tai valon laskemisesta pikselille. Näytteistetään ratkaisu diskreeteistä arvoista ratkaisuavaruudessa. Tämä avaruus on käsitteellisesti jatkuva, koska kuvat luodaan abstraktioista. Tällöin näytteet ovat laskettavissa missä tahansa ja kaikkialla kuvatasolla. 12. luku luku 597 Kuva (a) Vasemmalla laskostumista esiintyy alinäytteistyksen takia. (b) Oikealla hahmo on saatu ylinäytteistyksellä tapauksesta (a). Laskostusta esiintyy edelleen, mutta vasta kauempana eli suuremmilla tilataajuuksilla. Palataan jälleen yksiulotteiseen funktioon, sinikäyrään, laskostumisilmiön selkeää kuvaamista varten. Siniä käytetään nimenomaan havainnollistamaan asiaa, vaikka sini ei sinänsä sisällä mitään olennaista informaatiota. Kuvassa on eri taajuuksilla näytteistettyjä sinikäyriä. Kuva Siniaallon näytteistystä: (a) Näyteintervalli eli väli on pienempi kuin puolet siniaallon jaksosta siis riittävän pieni eli taajuus riittävän suuri ylittäessään Nyquistin taajuuden. (b) Näyteintervalli on yhtä suuri kuin puolet siniaallon jaksosta rajatilanne. (c) Näyteintervalli on suurempi kuin puoli aaltoa liian suuri. (d) Näyteintervalli on paljon suurempi kuin puoli aaltoa. 12. luku luku 599
2 Alinäytteistys ja jatkuvan signaalin rekonstruointi näytteistä (pisteet) tuottavat alkuperäisen signaalin aliaksen, joka ei vastaa alkuperäistä, vaan on vääristymä siitä, väärällä taajuudella esiintyvä siniaalto. Kyseessä on laskostuminen. Pitää näytteistää riittävän suurella näytteenottotaajuudella eli pienellä näytteenottointervallilla laskostumisen välttämiseksi. Tällöin signaalin rekonstruointi onnistuu kohtuullisella tarkkuudella. Sama pätee kuviin, so. kaksi tai kolmiulotteisiin signaaleihin. Pohditaan vielä kuvan ääretöntä shakkilautaa. Hahmoyksiköt lähenevät nopeasti pikselin kokoa, jolloin hahmo murtuu. Suuret tilataajuudet laskostuvat pienemmiksi eli pienet aallot suuremmiksi ( hitaammiksi ). Kuvan osassa (b) laskostumisvaikutusta on vähennetty nostamalla näytteenottotaajuutta. Kokonaan ilmiö ei kuitenkaan katoa. Tämä merkitsee kahta teoreettisesti olennaista seikkaa. Tilataajuudet kuvassa ovat rajoittamattomia, koska ne syntyvät matemaattisesta määritelmästä. Laskostumisesta ei pääse eroon vain kasvattamalla pikselitarkkuutta. Artefaktit esiintyvät vain entistä suuremmilla tilataajuuksilla. Ne eivät kokonaan katoa, ovat toki vähemmän näkyviä. Yleistetään kuvan esimerkkiä tarkastelemalla tapauksia taajuustasossa funktiolle f(x), joka sisältää jotakin jaksollista informaatiota, mutta ei puhdasta siniaaltoa. Se voi olla mitä tahansa yleistä vaihtelua x:n suhteen ja voi edustaa esim. valon intensiteettiä selaussuoralla. Funktion f(x) spektri (taajuustasossa) esittää jonkin vaipan tai verhon (kuva (a)), jonka raja on korkein esiintyvä taajuuskomponentti f max. 12. luku luku 601 Näytteenottofunktion taajuusspektri eli vaste (kuva (b)) on sarja janoja (mpulsseja) jatkuen teoriassa äärettömyyteen ja näytteenottotaajuuden f s välein. Näytteenotto tilassa käsittää f(x):n kertomisen näytteenottofunktiolla. Ekvivalentti prosessi taajuusalueella on konvoluutio. Näytteenottofunktion taajuusspektri konvoloidaan f(x):n kanssa kuvan (c) taajuusspektrin saamiseksi (f(x):n näytteistetyn version spektri). Tämä näytteistetty funktio kerrotaan rekonstruktiosuodattimella alkuperäisen funktion saamiseksi. Kuva Näytteistyksen taajuustasoesitys, kun f s > 2 f max. (a) f(x):n taajuusspektri. (b) Näytteenottofunktion taajuusspektri. (c) Näytteistetyn funktion taajuusvaste ((a):n ja (b):n konvoluutio). (d) Ideaalinen rekonstruktiosuodatin. (e) Rekonstruoitu f(x). Prosessista on hyvä esimerkki nykyaikainen digitaalipuhelinverkko, jossa näytteistetään puhe, koodataan ja siirretään jokaisen näytteen digitaalinen versio verkkoa pitkin, rekonstruoidaan alkuperäinen signaali dekoodatuista eli puretuista näytteistä rekonstruktiosuodattimella. 12. luku luku 603
3 Rekonstruktio, joka merkitsee kertomista taajuustasolla, on konvoluutio tilassa (siis kaksiulotteiselle funktiolle). Prosessi tilassa vastaa alkuperäisen funktion kertomista näytteistetyn funktion kanssa, jota seuraa funktion näytteistetyn version konvoluutio rekonstruktiosuodattimen kanssa. Yo. esimerkissä ehto f s > 2 f max on tosi. Seuraavassa esimerkissä (kuva 12.4.) esitetään sama prosessi, mutta nyt f s < 2 f max on tosi. Tällöin f s /2 on Nyquistin taajuus, raja, johon on edellä tutustuttu. Kuva Taajuustasoesitys, kun f s < 2 f max (siis liian pieni): (a) Funktion f(x) taajuusspektri. (b) Näytteenottofunktion taajuusspektri. (c) Näytteistetyn funktion taajuusspektri. (d) Ideaali rekonstruktiosuodatin. (e) Vääristetty f(x). 12. luku luku 605 Tällöin f(x):ään sisältyvää informaatiota edustavat vaipat tai verhot menevät päällekkäin. Spektri on tavallaan laskostunut Nyquistin taajuuden määrittelemän janan yli (kuva (e)). Tämä laskostuminen on informaatiota hävittävä ilmiö, jolloin korkeat taajuudet (kuvien yksityiskohdat) menetetään ja esiintyy häiriöitä (aliaksia eli laskostumista) matalien taajuuksien alueilla. Juuri näin oli kuvassa Näytteenottoteoreema yleistyy kaksiulotteisiin taajuuksiin eli tilataajuuksiin. Kuvan tilataajuuden spektri on jatkuvana periaatteessa ääretön. Näytteenotossa ja rekonstruoinnissa lasketaan arvo pikselin keskipisteestä. Arvo vastaa diskreetisti koko pikselin alaa. Laskostumista kuvissa voidaan estää näytteenottotaajuuden (tilan suhteen) kasvattamisella, mutta tässä tulee tekniset, muistitila ja laskennan määrän rajat vastaan. Sitä paitsi taajuusspektrin jatkuessa äärettömyyteen näytteenottotaajuuden kasvattaminen ei välttämättä ratkaise ongelmaa. Tavallaan kuvassa ongelmaa vain siirrettiin korkeammalle tilataajuudelle. Se riitti kuitenkin tuottamaan visuaalisessa mielessä tyydyttävän tarkkuuden, mikä oli tärkeintä. 12. luku luku 607
4 12.2. Pykäläiset reunat Kuvan reunan pykäläisyys on tuttu riesa. Se johtuu yleensä neliönmuotoisten pikselien äärellisestä koosta selkeän kontrastin esiintyessä reunakuvauksessa. Ongelma on kiusallinen erikoisesti animoinneissa. Ongelmasta voi kuitenkin päästä eroon, koska se ei johdu itse algoritmista, vaan on suoraviivainen kuvatason epätarkkuusongelma. Reunojen pykäläisyys ei ole klassisessa mielessä laskostumista, vaan se on näyttölaitteen lopullisesta rajoituksesta aiheutunut. Toki näytteenottotaajuutta nostamalla pykäläisyyttä voidaan lieventää, kuten laskostumistakin. Pykäläisyyden tapauksessa reunainformaatio pakotetaan pikselien vaaka ja pystysuoriksi reunoiksi. Kuvassa on täydellinen suorakulmio ja tämän pikselöity versio. Kuva Pykälien vaikutuksesta suurienergiset komponentit kiertyvät vaaka ja pystyakseleille Fourier tasolla. 12. luku luku Näytteenotto tietokonegrafiikassa verrattuna näytteenottoon todellisuudessa Täydellisen suorakulmiokuvan Fourier muunnos kuvaa reunainformaation tilataajuuden suurienergisillä komponenteilla sellaisille suunnille, jotka vastaavat reunojen suuntia kuvassa. Pikselöidyn version Fourier muunnoksessa on em. informaation lisäksi suurienergisiä komponentteja akselien suuntaisina aiheutuen vääristä, so. pikselien reunoista. Tarkastellaan vielä näytteenoton käsitettä kuvatasossa. Kuvasynteesissä jokaiselle pikselille lasketaan ehkä monimutkaisenkin laskennan avulla vakioarvo. Tavallisesti se lasketaan pikselin keskipisteestä ja levitetään koko pikselin yli. Oletetaan, ettei ole mitään eroa jatkuvan kuvaesityksen ja siitä näytteistetyn diskreetin kaksiulotteisen näytepisteiden taulukon välillä. Oletus voidaan tehdä, koska tarvittaessa nostamalla näytteenottotaajuutta yhä enemmän näytteitä saadaan kuvasta ja yhä tarkemmin. On luonnollisesti otettava huomioon todellisen käsittelyn diskreetti luonne ja sen rajoitukset. Tavallaan termit näytteenotto ja rekonstruktio ovat tietokonegrafiikassa keinotekoisia, sillä mitään todellista, mitattua kuvaa esim. jostakin todellisesta fysikaalisesta kohteesta ei useinkaan ole olemassa, vaan kuva on täysin synteettinen. 12. luku luku 611
5 Kuvankäsittelyssä (kuva 12.6.) on usein todellisia kuvia, jolloin näytteenlukijalaite muuttaa kaksiulotteisen jatkuvan kuvan näytteiden taulukoksi. Joitakin operaatioita suoritetaan digitaaliselle kuvalle ja rekonstruktiosuodatin muuttaa tarvittaessa näytteet takaisin (jatkuvaksi) analogiasignaaliksi. Kuvasynteesissä sen sijaan näytteenottoa ei ole olemassa samassa mielessä. Pikselin arvon laskeminen riippuu sovelletusta renderöintialgoritmista. Kuvafunktio voidaan laskea ainoastaan näissä luoduissa pisteissä. Kuvasynteesissä rekonstruktiossa ei jatkuvaa kuvaesitystä luoda digitaalisesta (diskreetistä), vaan saatetaan esim. luoda matalan tarkkuuden (pikseleissä) kuva korkeamman tarkkuuden kuvasta, joka ei olisi esitettävissä näyttölaitteella. Kuvaa ei rekonstruoida, koska jatkuvaa kuvaa ei koskaan ollut olemassakaan. 12. luku 612 Kuva Näytteenotto, rekonstruktio ja laskostumisen esto kuvankäsittelyssä ja kuvasynteesissä: (a) kuvankaappaus ja käsittely, (b) kuvasynteesi ja (c) laskostumisen esto kuvankaappauksessa. 12. luku 613 Edeltäneen näytteenottoteoreeman mukaan haluttaessa näytteistää kuva informaatiota menettämättä on käytettävä riittävän korkeaa tilataajuutta. Tietokonegrafiikassa tämä merkitsee, että kuvatasossa tulee olla neliönmuotoisten pikselien hila, jossa pitkin selaussuoraa korkein mukaan tuleva taajuus on: f =1/ 2d Tässä d on pikselien keskipisteiden välinen etäisyys. Nähdään, kuinka vaikeaa laskostumisen esto on tietokonegrafiikassa. Kuten aiemmin todettiin äärettömän shakkilaudan ääressä, ei ole mitään korkeiden komponenttien rajaa (kaistaa) tilataajuuksilla. Kuvan (c) tilanteessa ennen jatkuvan kuvan näytteistystä voidaan kuva suodattaa kaistarajoitettuna, ts. laskostumisenestosuodattimella. Liian korkeat taajuudet, joita ei voida esim. näyttää, pyyhkäistään pois (lähes täysin). Kyse on esisuodatuksesta, jolloin laskostuminen estetään. Tietokonegrafiikassa näytteistys on laajennettu renderöintiin. Näytteistetään laskemalla kuvaprojektio diskreeteissä pisteissä. Kuvan taajuuskaistaa ei voida rajoittaa, koska mitään alkuperäistä jatkuvaa kuvaa ei ollut olemassakaan. 12. luku luku 615
6 12.4. Näytteistys ja rekonstruktio Edellä kuvassa näytteenottoteoriaa noudatettaessa informaation rekonstruktio näytteistä tehtiin suorakaiteen muotoisella suodattimella. Tietokonegrafiikassa kaikki tehdään tilassa. Täten rekonstruktio on konvoluutio kuvan eli tilan suhteen. Pitää siis tavallisesti suodattaa renderöity kuva jollakin tavalla. Jos renderöity kuva olisi jatkuva, rekonstruktiosuodatin käsittäisi sinc funktion h(x,y), joka on Fourier tason muunnos ekvivalenttina ympyränmuotoiselle askelfunktiolle kuvassa Siinä vaikuttavat kuitenkin käytännön seikat. Nimittäin suodatin ei voi olla rajoittamaton laajuudeltaan (äärettömästi kertoimia), vaan sitä on typistettävä jotenkin, mikä on keskeinen suodatinsuunnittelun kysymys. Kuva Ideaalisia suodattimia Fourier ja tilatasolla: (a) ideaalinen alipäästösuodatin H(u,v) (kertoimet) ja (b) ekvivalentti (konvoloiva) suodatin h(x,y). 12. luku luku 617
8. Kuvaustekniikat. Tämän kuvauksen esittäminen ei ole kuitenkaan suoraviivaista. Niinpä se käydään läpi kaksivaiheisena
8. Kuvaustekniikat Tietokonegrafiikassa hyödynnetty termi tekstuuri on oikeastaan hieman kehno, sillä se on jossakin määrin sekoittava eikä tarkoita pinnan pienimittakaavaisen geometrian käsittelyä sanan
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
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
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotSignaalien datamuunnokset. Digitaalitekniikan edut
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 09/02/2009 Signaalien datamuunnokset 1 Digitaalitekniikan edut Tarkoituksena
LisätiedotSignaalien datamuunnokset
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 06/02/2004 Luento 4a: Signaalien datamuunnokset 1 Digitaalitekniikan
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
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.
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
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,
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
LisätiedotAlias-ilmiö eli taajuuden laskostuminen
Prosessiorientoituneet mallit Todellista hybridijärjestelmää ELEC-C1230 Säätötekniikka Luku 12: Näytteenottoteoreema ja jatkuvien säätimien diskreetit approksimaatiot Prosessiorientoituneet mallit katsotaan
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
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:
LisätiedotTuntematon järjestelmä. Adaptiivinen suodatin
1 1 Vastaa lyhyesti seuraaviin a) Miksi signaaleja ylinäytteistetään AD- ja DA-muunnosten yhteydessä? b) Esittele lohkokaaviona adaptiiviseen suodatukseen perustuva tuntemattoman järjestelmän mallinnus.
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).
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)
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
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
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
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
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
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
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
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
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
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.
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
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
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
Lisätiedot1 Vastaa seuraaviin. b) Taajuusvasteen
Vastaa seuraaviin a) Miten määritetään digitaalisen suodattimen taajuusvaste sekä amplitudi- ja vaihespektri? Tässä riittää sanallinen kuvaus. b) Miten viivästys vaikuttaa signaalin amplitudi- ja vaihespektriin?
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-00 Signaalinkäsittelyn menetelmät, Tentti 6.3.006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja
LisätiedotELEC-C1230 Säätötekniikka
Johdanto: Digitaalinen (diskreetti, diskreettiaikainen) säätöjärjestelmä ELEC-C1230 Säätötekniikka Luku 10: Digitaalinen säätö, perusteet, jatkuu A/D-muunnoksessa analoginen signaali näytteistetään (sampling);
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
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
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
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
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
LisätiedotDigitaalinen Signaalinkäsittely T0125 Luento 4-7.04.2006
Digitaalinen Signaalinkäsittely T5 Luento 4-7.4.6 Jarkko.Vuori@evtek.fi Z-taso Z-taso on paljon käytetty graafinen esitystapa jonka avulla voidaan tarkastella signaalien taajuussisältöjä sekä järjestelmien
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
LisätiedotKompleksianalyysi, viikko 6
Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että
LisätiedotMitä on konvoluutio? Tutustu kuvankäsittelyyn
Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa
LisätiedotMaksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta
Maksimit ja minimit 1/5 Sisältö Funktion kasvavuus ja vähenevyys; paikalliset ääriarvot Jos derivoituvan reaalifunktion f derivaatta tietyssä pisteessä on positiivinen, f (x 0 ) > 0, niin funktion tangentti
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,
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,
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.
LisätiedotSGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen
SGN-11 Signaalinkäsittelyn perusteet Välikoe 3.5.16 Heikki Huttunen Laskimen käyttö sallittu. Muiden materiaalien käyttö ei sallittu. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla 1-3 on. Sivuilla 4-5
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)
LisätiedotMS-C1420 Fourier-analyysi osa I
1 Johdanto MS-C142 Fourier-analyysi osa I G Gripenberg 2 Fourier-integraali Fourier-muunnos ja derivaatta Konvoluutio Fourier-käänteismuunnos eliöintegroituvat funktiot Aalto-yliopisto 29 tammikuuta 214
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos
LisätiedotJaksollisen signaalin spektri
Jaksollisen signaalin spektri LuK-tutkielma Topi Suviaro 2257699 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 215 Sisältö Johdanto 2 1 Jaksollisuudesta 2 2 Spektristä 3 2.1 Symmetrian vaikutuksesta
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
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
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,
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:
Lisätiedot5. Grafiikkaliukuhihna: (1) geometriset operaatiot
5. Grafiikkaliukuhihna: () geometriset operaatiot Johdanto Grafiikkaliukuhihnan tarkoitus on kuvata kolmiulotteisen kohdeavaruuden kuva kaksiulotteiseen kuva eli nättöavaruuteen. aikka kolmiulotteisiakin
LisätiedotPerusmittalaitteet. Oskilloskooppi. Oskilloskooppi. Mittaustekniikan perusteet / luento 3. Oskilloskooppi. Oskilloskooppi
Mittaustekniikan perusteet / luento 3 Perusmittalaitteet Oskilloskooppi Tärkein ja monipuolisin elektroniikkamittalaite Mittauksia: jännite, taajuus, muutosilmiöt, kohina, säröytyminen... Oskilloskooppi
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
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
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
LisätiedotB. 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,,,
LisätiedotDerivaatan sovellukset (ääriarvotehtävät ym.)
Derivaatan sovellukset (ääriarvotehtävät ym.) Tehtävät: 1. Tutki derivaatan avulla funktion f kulkua. a) f(x) = x 4x b) f(x) = x + 6x + 11 c) f(x) = x4 4 x3 + 4 d) f(x) = x 3 6x + 1x + 3. Määritä rationaalifunktion
LisätiedotTämä luku nojaa vahvasti esimerkkeihin. Aloitetaan palauttamalla mieleen, mitä koordinaatistolla tarkoitetaan.
MAB: Koordinaatisto geometrian apuna Aluksi Geometriassa tulee silloin tällöin eteen tilanne, jossa piirroksen tekeminen koordinaatistoon yksinkertaistaa laskuja. Toisinaan taas tilanne on muuten vaan
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
LisätiedotTodistusmenetelmiä Miksi pitää todistaa?
Todistusmenetelmiä Miksi pitää todistaa? LUKUTEORIA JA TO- DISTAMINEN, MAA11 Todistus on looginen päättelyketju, jossa oletuksista, määritelmistä, aksioomeista sekä aiemmin todistetuista tuloksista lähtien
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 ari.vesanen (at) oulu.fi 5. Rekursio ja induktio Rekursio tarkoittaa jonkin asian määrittelyä itseensä viittaamalla Tietojenkäsittelyssä algoritmin määrittely niin,
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
LisätiedotVarauspumppu-PLL. Taulukko 1: ulostulot sisääntulojen funktiona
Varauspumppu-PLL Vaihevertailija vertaa kelloreunoja aikatasossa. Jos sisääntulo A:n taajuus on korkeampi tai vaihe edellä verrattuna sisääntulo B:hen, ulostulo A on ylhäällä ja ulostulo B alhaalla ja
LisätiedotSignaalien digitaalinen käsittely
Signaalien digitaalinen käsittely Antti Kosonen Syksy 25 LUT Energia Sähkötekniikka Alkulause Luentomoniste pohjautuu kirjaan Digital Signal Processing: Principles, Algorithms, and Applications, Proakis
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,
Lisätiedot4. Funktion arvioimisesta eli approksimoimisesta
4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,
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
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C1420 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-C1420 Fourier-analyysiosa I 29. tammikuuta 2014 1 / 29 Fourier-muunnoksia Jatkuva-aikaisen
LisätiedotTRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT
3.0.07 0 π TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT π = π 3π π = π 5π 6π = 3π 7π TRIGONOMETRISET FUNKTIOT, MAA7 Tarkastellaan aluksi sini-funktiota ja lasketaan sin :n arvoja, kun saa arvoja 0:sta 0π :ään
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Sarjakehitelmiä Palautetaan mieliin, että potenssisarja on sarja joka on muotoa a n (x x 0 ) n = a 0 + a 1 (x x 0 ) + a 2 (x x 0 ) 2 + a 3 (x x 0 ) 3 +. n=0 Kyseinen
LisätiedotLukujonon raja-arvo 1/7 Sisältö ESITIEDOT: lukujonot
Lukujonon raja-arvo 1/7 Sisältö Esimerkki lukujonon raja-arvosta Lukujonossa a 1,a 2,a 3,... (jossa on äärettömän monta termiä) voivat luvut lähestyä jotakin arvoa, kun jonossa edetään yhä pidemmälle.
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
LisätiedotInjektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )
Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään
LisätiedotEi välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:
Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti
LisätiedotAjatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors. TKK, Informaatiotekniikan laboratorio 1
3. DATA VEKTORINA 3.1. Vektorit, matriisit, etäisyysmitat Ajatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors {}}{ d vector elements X TKK, Informaatiotekniikan laboratorio 1
LisätiedotLuento 6: Tulostusprimitiivien toteutus
Tietokonegrafiikan perusteet T-111.4300 3 op Luento 6: Tulostusprimitiivien toteutus Lauri Savioja 11/07 Primitiivien toteutus / 1 ntialiasointi Fill-algoritmit Point-in-polygon Sisältö Primitiivien toteutus
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
LisätiedotT SKJ - TERMEJÄ
T-61140 SKJ - termit Sivu 1 / 7 T-61140 SKJ - TERMEJÄ Nimi Opnro Email Signaalinkäsittelyyn liittyviä termejä ja selityksiä Kevät 2005 Täytä lomaketta kevään aikana ja kerää mahdollisesti puuttuvia termejä
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
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-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
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,
LisätiedotTopologia Syksy 2010 Harjoitus 4. (1) Keksi funktio f ja suljetut välit A i R 1, i = 1, 2,... siten, että f : R 1 R 1, f Ai on jatkuva jokaisella i N,
Topologia Syksy 2010 Harjoitus 4 (1) Keksi funktio f ja suljetut välit A i R 1, i = 1, 2,... siten, että f : R 1 R 1, f Ai on jatkuva jokaisella i N, i=1 A i = R 1, ja f : R 1 R 1 ei ole jatkuva. Lause
LisätiedotVAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.
VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Oskari Uitto i78966 Lauri Karppi j82095 SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI Sivumäärä: 14 Jätetty tarkastettavaksi: 25.02.2008 Työn
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
LisätiedotReaalilukuvälit, leikkaus ja unioni (1/2)
Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut
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
LisätiedotSpektrianalysaattori. Spektrianalysaattori
Mittaustekniikan perusteet / luento 9 Spektrianalysaattori Spektrianalyysi Jean Baptiste Fourier (1768-1830): Signaali voidaan esittää taajuudeltaan ja amplitudiltaan (sekä vaiheeltaan) erilaisten sinien
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
LisätiedotSäätötekniikan ja signaalinkäsittelyn työkurssi
Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D102: Sinimuotoisen signaalin suodattaminen 0.4 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio
LisätiedotProjektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén
Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa
LisätiedotSurjektion käsitteen avulla kuvauksia voidaan luokitella sen mukaan, kuvautuuko kaikille maalin alkioille jokin alkio vai ei.
5.5 Surjektio Surjektion käsitteen avulla kuvauksia voidaan luokitella sen mukaan, kuvautuuko kaikille maalin alkioille jokin alkio vai ei. Määritelmä 5.5.1. Kuvaus f : X æ Y on surjektio, jos jokaisella
Lisätiedot