ELEC-A7200 Signaalit ja järjestelmät
|
|
- Jutta Hakala
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 ELEC-A700 Signaalit ja järjestelmät Professori Riku Jäntti
2 ELEC-A700 Signaalit ja järjestelmät Mitä kurssilla käsitellään? signaalien ja järjestelmien peruskäsitteitä signaali- ja järjestelmäanalyysin perusmenetelmiä signaalin siirron perusteita signaalin mittaamisen perusteita Missä tällaisia tietoja tarvitaan? kun jotain mitataan kun jotain signaalia siirretään kun signaaleja suodatetaan kun signaaleja generoidaan kun jotain järjestelmää säädetään
3 Signaalit ja järjestelmät Fysikaalinen järjestelmä Sähköpiiri Mekaaninen järjestelmä Virtausjärjestelmä Biologinen prosessi Jatkuvaaikainen signaali Jännite Virta Paine Terminen kohina 1/f kohina Pyyhkäisevä spekrianalysaattori Signaali taajuusalueessa Mittauskohina Alipäästösuodatin Näytteenotto Analogia- Digitaalimuunnos Diskreettiaikainen signaali FFT
4 Signaalit ja järjestelmät Fysikaalinen järjestelmä Sähköpiiri Mekaaninen järjestelmä Virtausjärjestelmä Biologinen prosessi Jatkuvaaikainen signaali Jännite Virta Paine Terminen kohina 1/f kohina Pyyhkäisevä spekrianalysaattori Signaali taajuusalueessa Mittauskohina Alipäästösuodatin Näytteenotto Analogia- Digitaalimuunnos Diskreettiaikainen signaali FFT
5 Johdanto luento Sisältö Kurssijärjestelyt Johdatus signaaleihin ja järjestelmiin Signaalin teho- ja energia Signaalit aika-alueessa Järjestelmät aika-alueeessa Signaalit taajuusalueessa Järjestelmät taajuusalueesa Modulaatio Satunnaissignaalit ja kohina Näytteenotto
6 Signaalien teho ja energia
7 Signaalin teho ja energia Sähköpiiri jossa resistiivinen 1 Ohmin kuorma (R=1 ς) Hetkellinen näennäisteho ut () 1 it () < ut () R R * 1 Pt () < uti () () t < ut () < ut () R Vastuksessa kuluva energia aikavälillä [t 0,t 1 ] t 1 1 E < P() t dt < u() t dt, t, t 0 0 t Vastuksessa kuluva keskimääräinen teho aikavälillä [t 0,t 1 ] t P < P() t dt < u() t dt t, t t, t 1 0 t 1 0 t 0 0 t 7
8 Signaalien luokittelu Energiasignaalit: Tehosignaalit: Yleistetty energia T E? lim s() t dt T, T Signaali on energiasignaali, jos 0<E< Yleistetty teho T 1 P? lim T s() t dt T T, Signaali on tehosignaali, jos 0<P< 8
9 Jaksolliset signaalit ovat tehosignaaleja Jaksollinen signaali xt ( ) < xt ( T), t 0 T 0 on jaksonaika, 1/T 0 on ominaistaajuus Keskimääräisen tehon laskemiseksi riittää, että tarkastellaan yhtä jakson mittaista aikaväliä. Jakson paikka voidaan valita mielivaltaisesti T 0 t0 T0 () () 0 0 T T 0 t 1 1 P < x t dt < x t dt! t T 0 0 -T 0 / T 0 / t 9
10 Energiasignaalit Pulssit ovat energia signaaleita. Esim. Yksikköpulssi rect(t) Vaimenevat signaalit ovat (tyypillisesti) energiasignaaleja Vaimeneva värähtely ϖ (, at Ce cos t, a=
11 Erikoissignaalit voidaan lausua Diracin delta-funktion avulla Diracin delta-funktio χ(t) on äärettömän kapea pulssi, jonka pinta-ala on 1. χ(t) on tehosignaali, 0 χ() t dt < χ() t dt < 1 0, χ 1 t < rect δ δ ( t limδ 0 1 δ x( 1 1 1, x rect < 0 muutoin, 1 δ 1 δ 11
12 Erikoissignaalit Signum ja askel ovat tehosignaaleja, 1 t ; 0 sign( t) < 0 t < 0 1 t = 0 1 sign( t) 0 t 0 step( t) < < 1 t = 0 Erikoissignaalit riippuvat χ(t):stä! d dt sign( t) < χ ( t 1
13 Signaalit aikaalueessa Signaali-avaruus
14 Vektoriavaruus Vektori x voidaan esittää vektoriavaruuden ortonormaalin kannan {v k, k=1,, n} avulla n x< k < 1 H k ( v x v Sisätulo = Pistetulo n H * v x( x v < k i ki, i< 1 Ortonormaalisuus H vk vl ( 1 < 0 k k k < l l * xv * ( v x v φ φ 1 * vx 1 * ( v x v 1 1 x v v x 1 x 1 < x 1 < 0 0 < 1 v v 1 H * * < v1 v v v < 14
15 Signaaliavaruus Signaali x(t) voidaan esittää vektoriavaruuden ortonormaalin kannan {v k (t), k=1,, n} avulla n < k< 1 x() t x(), t v () t v () t Sisätulo k t1 * (), k()? () k() t x t v t 0 k x t v t dt Ortonormaalisuus: 1 l < k v(), t l vk() t < 0 l k x( t) < x rect( t) x rect( t, 1) 1 < xv () t x v () t 1 1 v1() t < rect() t t ( v( t) < rect, 1 15
16 Signaaliavaruus Sini ja kosini ovat ortogonaalisia Moduloitu signaali x( t) < Acos ϖ t π < Asin π cos ϖ t, Acos π sin ϖ t 8-PSK ( ( ( ( ( c c c Konstellaatio diagrammi
17 Sisätulo Sisätulo mittaa signaalien samankaltaisuutta Esim. 100 ms pituinen pulssi x(t) halutaan havaita kohinasta. Millä ajanhetkellä pulssi alkoi? Pulssi x(t-00) Pulssi + kohina xt (,σ ), yt () Aika ms Aika ms Viive σ ms 17
18 Järjestelmät aikaalueessa Konvoluutio-integraali
19 Järjestelmät Järjestelmä / Systeemi / Prosessi on objekti, joka määrittää relaatiot signaalijoukon välillä. Järjestelmän signaalit jaetaan usein tulosuureisiin ja lähtösuureisiin Tulosignaalit ovat järjestelmästä riippumattomia Lähtösignaalit sisältävät järjestelmän tuottamaa informaatiota. Tyypillisesti järjestelmä reagoi lähtösignaaleihin ja tuottaa niiden perusteella lähtösignaalit. Tällöin tulo- ja lähtösignaalien välillä vallitsee kausaliteettisuhde. Häiriöt Manipuloitavat tulosuureet Järjestelmä Lähtösuureet SISO MISO SIMO MIMO Single Input-Single Output Multiple Input Single Output Single Input Multiple Output Multiple Input Multiple Output 19
20 Lineaariset aikainvariantit järjestelmät Linear Time Invariant (LTI) Systems Jatkuva-aikaisen LTI-järjestelmän toimintaa kuvaa lineaarinen differentiaaliyhtälö x(t) h(t) y(t) n n, 1 m m, 1 d d d d yt () <, a1 yt (), Κ, ayt () 1 n b0 xt () b1 xt () Κ bxt () n n, m m, 1 m dt dt dt dt R i(t) L i(t) C i(t) k B m v(t) vt () < Rit () v(t) dit () v() t < L dt v(t) dvt () i() t < C dt x 1 (t) x (t) F () t < k( x() t, x ()) t k < kχxt () 1 x 1 (t) x (t) () dχxt () Fb t < B dt x(t) () d xt () Fm t < m dt 0
21 LTI-järjestelmän impulssivaste Impulssivaste h(t) χ(t) h(t) h(t) Esim. RC suodatin R x(t) C y(t) 1
22 LTI-järjestelmän vaste LTI-järjestelmän vaste mielivaltaiselle herätteelle x(t) y( t) < x( σ) h( t, σ) dσ, Konvoluutiointegraali voidaan tulkita usean impulssivasteen summaksi y( t) < x( σ) h( t, σ) dσ x( kt ) h( t, kt ), k <, R x(t) C y(t)
23 Impulssivaste Esim. Konserttisalin akustiikan mallinnus h t h t σ ( () < kχ, k k 3
24 Signaalit 0,8 1 0,6 0,4 0, 0 0,8 1 0,6 0,4 0, 0 0,8 1 0,6 0,4 0, 0 Normaali sydämen lyönti 4 Hz 8 Hz 1 Hz 16 Hz 0 Hz Kammiotakykardia 4 Hz 8 Hz 1 Hz 16 Hz 0 Hz Kammiovärinä 4 Hz 8 Hz 1 Hz 16 Hz 0 Hz taajuusalueessa Fourier-sarja ja Fourier-muunnos
25 Jaksolliset signaalit ovat tehosignaaleja Aika-alueessa xt ( ) < xt ( T), t Fourier-sarja esitys οk x( t) < xk exp j k <, T 0 0 Taajuusalueessa ( k Fourier-sarjan kertoimet 1 οk x < x t exp j dt T, 0 T T 0 0 sk k Keskimääräinen teho Jaksonaika T 0 T 0 x() t -T 0 / T 0 / V 1 P< x() t dt< xk T t 0 T 0 k<, Viivaspektri Tehospektri Ominaistaajuus 1/T 0 Harmoninen taajuus /T 0, 3/T 0, 4/T 0, x k W Hz k T 0 Hz 5
26 Pulssit ovat energiasignaaleja Aika-alueessa xt ( ), t Fourier-käänteismuunnos Taajuusalueessa Fourier muunnos X( f), f < ο ( ( ) < ( )exp, ο ( x( t) X( f )exp j ft df, X f x t j ft dt, Pulssin energia E < x( t) dt < X( f ) df,, Energiaspektri xt () s(t) V X( f) S(f) J Hz t x( t) < rect( t) X( f) < sinc( f) f 6
27 Jaksolliset signaalit ovat Fourier muunnettavissa erikoissignaalien avulla Aika-alueessa xt ( ) < xt ( T), t Fourier-sarja esitys οk x( t) < xk exp j k <, T 0 0 Taajuusalueessa sk Fourier-muunnos οk X( f) < xkχ f, k<, T0 k Keskimääräinen teho T 0 0 T 0 1 P < x() t dt < X( f ) df < xk T x() t V, k<, Tehospektri x k W Hz Jaksonaika T 0 -T 0 / T 0 / t k T Ominaistaajuus 1/T 0 Harmoninen taajuus /T 0, 3/T 0, 4/T 0, 0 Hz 7
28 Jaksollisen signaalin katkaisu Aika-alueessa xt ( ) < xt ( T), t Fourier-sarja esitys οk x( t) < xk exp j k <, T 0 0 Taajuusalueessa sk Fourier-muunnos οk X( f) < xkχ f, k<, T0 k Katkaistu signaali t xk ( t) < xt ( rect T Xk ( f) < Xf (, ε) Tsinc εtd ( ε, Jaksonaika T 0 T xk() t V Katkaistun signaalin spektri leviää Energiaspektri ( ) J Xk f Hz f Hz 8
29 Jaksollisen signaalin katkaisu Signaalin katkaiseminen käyttäen ikkunointifunktiota w(t) ( ( ( x () t < x t wt ( ) X ( f) < X f, εw ε dε k k, Kertolasku aika-alueessa <=> konvoluutio taajuusalueessa Esim. Siniaallon katkaisu käyttäen Hamming ja Hanning -ikkunoita 9
30 Aika- ja taajuusalueen analyysi Volttia Wattia/Hz 30
31 Aika- ja taajuusalueen signaalit Signaali generaattori Oskilloskooppi (Aika-alueen signali) Spektri-analysaattori (Taajuusalueen signaali) 31
32 Aika- ja taajuusalueen signaalit Signaaligeneraattorin tuottama kanttiaalto Kanttiaaltoja esiintyy mm. Digitaalinen kello signaali Hakkuriteholähteen tuottama vaihtojännite Testisignaali 3
33 Aika- ja taajuusalueen signaalit Spektrianalysaattorin tuottama tulos db Fourier-sarjaesityksen perusteella laskettu viivaspektri Teorian ennustamat arvot ovat erittäin lähellä mitattuja arvoja! db db -0.8 db -3.0 dḇ 4.7 db-6. db -7.4 db -8.5 db Teoriaa voi käyttää varmistaakseen siitä, että mittalaitteet on oikein kalibroitu!
34 Järjestelmät taajuusalueessa Signaalien suodattaminen
35 Lineaariset aikainvariantit järjestelmät
36 LTI-järjestelmä aika- ja taajuusalueissa LTI-järjestelmä aika-alueessa x(t) h(t) ( ( y() t < h σ x t, σ dσ, LTI-järjestelmä taajuusalueessa Konvoluutio aika-alueessa Kertolasku taajuusalueessa X(f) H(f) Y( f) < H( f) X( f) 36
37 LTI-järjestelmän taajuusvaste x() t < cos οft( H(f) ζ ( ( ο ( y( t) < H f cos ft arg H f 0 Bode Diagram 0log 10 ( H(f) ) Magnitude (db) Teho vaimennus arg{h(f)} Phase (deg) -45 Vaihesiirto Frequency (rad/sec) 37
38 Signaalin suodattaminen Y( f) < H( f) X( f) Mihin suodattimia tarvitaan? Signaalikaistan ulkopuolisen kohinan ja häiriöiden vaimentaminen Sovitettu suodatin signaalikohinasuhteen maksimoimiseksi näytteenottohetkellä Signaalien erottaminen muista signaaleista esim. radiovastaanottimessa Halutun pulssimuodon tai -spektrin generoiminen Siirtokanavan aiheuttamien lineaaristen vääristymien korjaus Alkuperäisen signaalin rekonstruktio näytteistä Dupleksisuodattimet (ylä- ja alasuunnan liikenteen erottaminen omille kaistoilleen) Esikorostus/jälkikorjausmenetelmät Peilitaajuussignaalin vaimentaminen superhetero- dyneperiaatteella toimivassa radiovastaanottimessa jne 38
39 Ideaaliset alipäästö-, ylipäästö- ja kaistanpäästösuodattimet Alipäästösuodatin H( f) A Kaistanpäästösuodatin H( f) A Päästökaista Ylipäästösuodatin H( f) A f Päästökaista Kaistanestosuodatin H( f) A f Estokaista f Estokaista f 39
40 Käytännön suodattimet KÄYTÄNNÖN SUODATIN 0log A(f) ΧA p Suodatinperheitä -10 db -0 db -30 db -40 db ΧA e Selektiivisyys päästökaista ylimenokaista estokaista 40
41 Käytännön suodattimet Esimerkki kaupallisesta Butterworth suodattimesta 41
42 503_arch1_%81%9.jpg Epälineaariset järjestelmät
43 Muistiton epälineaarisuus Epälineaarinen funktio f x(t) f( ) y(t) Taylor-sarja y < f( x0) f '( x0) x, x0( f ''( x0) x, x0( f ''( x0) x, x0(...! 3! 4! < x x x Kertolasku aika-alueessa => Konvoluutio taajuusalueessa ( Y( f) < χ f X( f) X( f) X( f) X( f) X( f) X( f)
44 Särö Muistiton epälineaarisuus synnyttää harmoonisia yliaaltoja x(t) οft( xt () < cos x f( ) y(t) 0 k< 1 ο ( yt ( ) < u u cos kft k x Särökerroin Kokonaissärökerroin (THD) u a n, 1 dn < A, A;; 1 u n n n, 1 1 a1 Särövaimennus An <, 0log dn ( tot u u3 u4 u u1 d < d d d d <... Kuuntele säröä: 44
45 Keskinäismodulaatio Kaksi eritaajuista signaalia sekoittuu epälineaarisessa järjestelmässä f, f x(t) x x 1 f( ) y(t) f < lf mf x x x keskeis l m < n 1 l <...,,,, 1,0,1,,... m<..,,,, 1,0,1,,... 45
46 Epälineaarisuuden karakterisointi Epälineaarisia komponentteja kuten tehovahvistimia mallinnetaan usein matala-asteisilla polynomeilla ( 3 f( x()) t a1x() t a3x t Mallin parametrit selvitetään usein käyttäen ns. two-tone testisignaalia x( t) < Acos ϖt Acos ϖ t ( ( 1 Teho spektri (db) f 1 f f 1 -f f 1 f f +f 1 46
47 ( 3 y() t a1x() t a3x t a a 1 3 < 10 G 0 IP3 G, <, 10 3 IP3 3 Output power (dbm) IM < P P t t IP 3 Input power IP 3 IM 3 47
48 Modulaatio &ved=0ahukewi9i9kopc_nahxgo5okhbapc5cq_auiccgb&biw=180& bih=953#imgrc=rmlld5lfdjpjam%3a
49 Modulaatio Modulaatiossa siirretään moduloivan signaalin spektri kantoaallon taajuusalueelle, joko siten että spektrin muoto säilyy lineaarisessa modulaatiossa, tai niin että spektrin muoto muuttuu epälineaarisessa modulaatiossa Moduloiva signaali v(t) Modulaattori c(t) Kantoaalto generaattori x(t) Kantoaalto Moduloitu signaali 49
50 Modulaatio ja demodulaatio (DSB) cos ο ft( c Vaihelukittu luuppi cos ο ft( c vt () xt () Kanava yt () ~ rt () Modulointi Demodulointi Alipäästösuodatus V( f) Y( f), f c f c X( f) R( f), f c f c 50
51 Satunnaissignaalit Kohina
52 Satunnaismuuttujat Satunnaismuuttuja Otosavaruus Tapahtuma Todennäköisyys Kertymäfunktio x ς ς E ς ζ E E Ζ ( ) Pr x < ζ Pr : 0,1 F x x x F(, < ) 0, F( < ) 1 x x Todennäköisyystiheys Odotusarvo Momentti Varianssi d fx ( x) < Fx ( x) 0 dx ζ x E < xf () x dx k ζ x, k E < x f () x dx, x ζ x < ζ x, ζ x var E E x f ( ) 0 x x 5
53 Satunnaismuuttujat Yhteisjakauma Riippumattomat satunnaismuuttujat: Kovarianssi: fxy, ( xy, ) ζ ζ ζ fx, y ( x, y) < fy ( x) fy ( y) E xy < E x E y ζ ζ ( ζ ( * Cov (, ) E E E x y < x, x y, y xy, Jos ja ovat riippumattomia Cov ( xy<, ) 0 xy, Cov (, ) < varζ Esim: y< ax b a jab vakioita => x y a x xy, 53
54 Satunnaissignaalit Satunnaisen signaalin käyttäytymistä tulevaisuudessa ei voida tarkasti ennustaa. Voidaan vain esittää todennäköisyys sille, että amplitudi on jollakin amplitudivälillä ( Pr xt () x < F(;) xt Satunnaissigaali on stationäärinen mikäli sen tilastolliset ominaisuudet eivät riipu ajasta x Amplitude Time Keskihajonta ρ= Oletusarvo λ= PDF Todennäköisyys tiheys 54
55 Satunnaissignaali Stationääriset ergodiset stokastiset prosessit Aika-alueessa Autokorrelaatiofunktio * r( σ) < E ζ s( t) s ( t σ) Fourier-käänteismuunnos ο σ( r( σ) < S( f )exp j f df, Taajuusalueessa Fourier-muunnos = tehospektri ο σ( S( f ) < r( σ)exp, j f dt, Keskimääräinen teho ζ P < r(0) < E s() t < S( f ) df, 55
56 Valkoinen kohina Johtuu varautuneiden partikkelien (elektronien) satunnaisesta liikkeestä johtavassa aineessa. Kohinan amplitudi noudattaa Gaussin jakaumaa r x ζ xt < ζ xt < ρ E () 0, var () Autokorrelaatio ( < E ζ xtxt ( ) ( ) < ( σ σ χ σ ρ ( ρ χ σ σ Nollakeskiarvoista Varianssi = tehotiheys Tehospektri S ( ) x f < ρ Kohinan teho on jakaantunut tasan kaikille taajuuksille Tehotiheys huoneen lämpötilassa -174 dbm/hz 56
57 Värillinen kohina LTI järjestelmä taajuusalueessa Deterministinen heräte X(f) X(f) H(f) Y( f) < H( f) X( f) Stokastinen heräte S x (f) H(f) S ( f) < H( f) S ( f) y x Sx( f) H( f) Sy ( f ) 57
58 Näytteenotto
59 Näytteenotto Otetaan jatkuvasta signaalista näytteitä tasavälein T xt () ζ x( kt), k ϒ T s näytteenottoväli f s =1/T s näytteenottotaajuus Nyquistin teoreema: Jos signaalin x(t) kaistanleveys on B, niin signaali voidaan palauttaa näytepisteistä mikäli fs B?f N Nyquistin rajataajuus. X( f) X s( f ) < fs X f, kfs( k<, fs B Xs ( f) B B 59
60 Näytteenotto Aliasointi ilmiö: Yli Nyquistin taajuuden oleva signaali, näyttää näytteistyksen jälkeen alemman taajuuden signaalilta f s =4 Hz, f N = Hz f=1 Hz f=3 Hz -0. f f N, f f N t X( f) X s( f ) < fs X f, kfs( k<, fs ; B Gs ( f) B B 60
61 Kvantisointi Analogia digitaalimuunnoksessa analogia signaali kvantisoidaan Esim. Tasavälinen kvantisoija: kvantisointitasojen lukumäärä M Signaalin amplitudin dynaaminen alue [-A.A] x A QM Ζx < A M, 1 x < floor( x) M, 1, 1 Pyöristys alaspäin A A Χ x < < Kvantisointitasojen väli M M, 1 Χ x x 61
62 Kvantisointi Kvantisointia voidaan mallittaa tasajakautuneena additiivisena kohinana x A -A e y x Ρ y M bittinen A/D muunnos, tasojen määrä on M Signaali kohina-suhde A/D muuntimen ulostulossa sinimuotoiselle signaalille, jonka amplitudi on A=1. 1 P A 3 SNR < < < ρ x e M ~ 1.76 db db/bitti Χx( 1 ( ) 1 rect x fe x < Χx Χx 6
63 Analogia-digitaalimuunnos (ADC) x T s =1/f s A y näytteenotto -A kvantisointi Kvantisointikohina on tasajakautunut taajuuksille [0,f N ] missä f N =f s / on Nyquistin rajataajuus ja f s on näytteenottotaajuus. Tarkastellaan kaistarajoitetun signaalin x(t) näytteistämistä. Kaistanleveys on B. Ylinäytteistämällä f s >B saadaan kvantisointikohinan vaikutusta tarkasteltavalle kaistalle pienennettyä 63
64 Diskreetti F-muunnos (DFT) ja nopea F-muunnos (FFT) Diskreetti Fourier muunnos (DFT) sekvenssille {x 0,x 1, x N-1 } N, 1 X ( k) xe D < n< 0 n n, iο k N FFT on DFT:n numeerisesti tehokas implementaatio Fourier muunnoksen numeerinen laskeminen T x pituiselle pulssille x(t) N, 1, iο ft ( ) s ( s) < s D( ), n< 0 X f T x nt e T X k k k T f < < fs, N < NT N T s x s 64
65 Signaalit ja järjestelmät
66 Mitä pitäisi oppia? Signaalien ja järjestelmien aika-alueen analyysi Sisätulo Impulssivaste Konvoluutio-integraali Signaalien taajuusalueen analyysi Viivaspektri, tehospektri, energiaspektri Signaalin kaistanleveys Jaksollisen signaalin spektrin leviäminen kun signaali katkaistaan Järjestelmien taajuusalueen analyysi Stabiilisuus, amplitudi ja vaihevääristymät, ryhmäkulkuaikaviive Alipäästösuodattimen mitoitus Epälineaariset järjestemät Särö ja keskinäismodulaatio Modulaatio ja demodulaatio Lineaarinen modulaatio (DSB, AM) Epälineaarinen modulatio (FM) Näytteenotto Nyquistin rajataajuus Aliasointi Kvantisointi Signaalien taajuusalueen analyysi käyttäen FFT:tä Satunnaiset signaalit Stationääriset ergodiset stokastiset prosessit Autokorrelaatio ja tehospektri Kohinan suodattaminen / värillinen kohina 66
67 Miksi? Jotta ymmärtää mitä pitää huomioida signaaleja Mitattaessa Siirrettäessä Generoitaessa 67
ELEC-A7200 Signaalit ja järjestelmät
ELEC-A700 Signaalit ja järjestelmät Professori Riku Jäntti ELEC-A700 Signaalit ja järjestelmät Mitä kurssilla käsitellään? signaalien ja järjestelmien peruskäsitteitä signaali- ja järjestelmäanalyysin
LisätiedotELEC-A7200 Signaalit ja järjestelmät
ELEC-A7200 Signaalit ja järjestelmät Professori Riku Jäntti ELEC-A7200 Signaalit ja järjestelmät Mitä kurssilla käsitellään? signaalien ja järjestelmien peruskäsitteitä signaali- ja järjestelmäanalyysin
LisätiedotELEC-A7200 Signaalit ja järjestelmät
ELEC-A700 Signaalit ja järjestelmät Professori Riku Jäntti Luento 3. Lineaariset aikainvariantit (LTI) järjestelmät taajuusalueessa Signaalin suodattaminen Epälineaariset muistittomat järjestelmät Satunnaissignaalit
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
LisätiedotLuento 5. tietoverkkotekniikan laitos
Luento 5 Luento 5 Jaksolliset signaalit epälineaarisissa muistittomissa järjestelmissä 5.1 Muistittomat epälineaariset komponentit Pruju Taylor-sarjakehitelmä ja konvoluutio taajuustasossa Särö Keskinäismodulaatio
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)
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..007 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
LisätiedotLuento 9. tietoverkkotekniikan laitos
Luento 9 Luento 9 Jaksolliset signaalit epälineaarisissa muistittomissa järjestelmissä 9.1 Muistittomat epälineaariset komponentit Pruju Taylor-sarjakehitelmä ja konvoluutio taajuustasossa Särö Keskinäismodulaatio
LisätiedotLuento 4 Jaksollisten signaalien Fourier-sarjaesitys 4.1 Fourier-sarja 4.2 Viivaspektri, tehospektri
Luento 4 Luento 4 Jaksollisten signaalien Fourier-sarjaesitys 9 Oppenheim 3.3, 3.4 4.1 Fourier-sarja Kompleksi F-sarja F-sinisarja Sinc-funktio 4. Viivaspektri, tehospektri Viivaspektri Parsevalin teoreema
LisätiedotLuento 4 Fourier muunnos
Luento 4 Luento 4 Fourier muunnos 4. F muunnos F muunnos Oppenheim 4. 4. Energiaspektri (spektritiheys) Rayleigh'n energia teoreema, energiaspektri Kaistanleveys Boden diagrammi 4.3 F muunnoksen ominaisuudet,
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
LisätiedotLuento 7. LTI-järjestelmät
Luento 7 Lineaaristen järjestelmien analyysi taajuustasossa Taajuusvaste Stabiilisuus..7 LTI-järjestelmät u(t) h(t) y(t) Tarkastellaan lineaarista aikainvarianttia järjestelmää n n m m d d d d yt () =
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotLuento 8. tietoverkkotekniikan laitos
Luento 8 Luento 8 Signaalien suodatus 8. Ideaaliset suodattimet Ideaaliset alipäästö-, ylipäästö-, kaistanpäästö- ja kaistanestosuodattimet Oppenheim 6.3 8. Käytännön suodattimet Käytännön suodattimet,
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
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
LisätiedotLuento 2. Jaksolliset signaalit
Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi
Lisätiedot2. kierros. 2. Lähipäivä
2. kierros 2. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Tavoitteet: tietää Yhden navan vasteen ekvivalentti kohinakaistaleveys Vastuksen terminen kohina Termit
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
LisätiedotS Signaalit ja järjestelmät
dsfsdfs S-72.1110 Työ 2 Ryhmä 123: Tiina Teekkari EST 12345A Teemu Teekkari TLT 56789B Selostus laadittu 1.1.2007 Laboratoriotyön suoritusaika 31.12.2007 klo 08:15 11:00 Esiselostuksen laadintaohje Täytä
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
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
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 1
1 SIGNAALITEORIAN KERTAUSTA OSA 1 Millainen on signaalin spektri ja miten se lasketaan? SIGNAALIEN JA SPEKTRIN PERUSKÄSITTEITÄ 2 Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka graafinen
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
Lisätiedotspektri taajuus f c f c W f c f c + W
Kaistanpäästösignaalit Monet digitaaliset tiedonsiirtosignaalit ovat keskittyneet jonkin tietyn kantoaaltotaajuuden f c ympäristöön siten, että signaali omaa merkittäviä taajuuskomponetteja vain kaistalla
LisätiedotA! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos A! Modulaatioiden
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
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,
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotLuento 7. tietoverkkotekniikan laitos
Luento 7 Luento 7 LTI järjestelmien taajuusalueen analyysi II 7. LTI järjestelmän taajuusvaste Vaste kompleksiselle eksponenttiherätteelle Taajuusvaste, Boden diagrammi 7.2 Signaalin muuntuminen LTI järjestelmässä
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
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
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
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,
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
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
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-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
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?
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
LisätiedotLuento 7. Järjestelmien kokoaminen osista
Luento 7 Lineaaristen järjestelmien analyysi Järjestelmä yhdistelmät, takaisinkytkentä Taajuusvaste Stabiilisuus analyysi taajuustasossa 8..6 Järjestelmien kokoaminen osista Lineaaristen järjestelmien
Lisätiedot2. kierros. 1. Lähipäivä
2. kierros. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Mitoitus Kontaktiopetusta: 8 tuntia Kotitehtäviä: 4 + 4 tuntia Tavoitteet: tietää Yhden navan vasteen ekvivalentti
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
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:
LisätiedotA B = 100, A = B = 0. D = 1.2. Ce (1.2 D. C (t D) 0, t < 0. t D. )} = Ae πjf D F{Π( t D )} = ADe πjf D sinc(df)
ELEC-A7 Signaalit ja järjestelmät Syksy 5 Tehtävä 3. a) Suoran tapauksessa ratkaistaan kaksi tuntematonta termiä, A ja B, joten tarvitaan kaksi pistettä, jotka ovat pisteet t = ja t =.. Saadaan yhtälöpari
LisätiedotLABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN
LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN Päivitetty: 23/01/2009 TP 3-1 3. VAIHELUKITTU VAHVISTIN Työn tavoitteet Työn tavoitteena on oppia vaihelukitun vahvistimen toimintaperiaate ja käyttömahdollisuudet
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
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
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
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
LisätiedotLuento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotLuento 9. Epälineaarisuus
Lueno 9 Epälineaarisuus 8..6 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!
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,
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
LisätiedotSignaaliavaruuden kantoja äärellisessä ajassa a
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 3: Kompleksiarvoiset signaalit, taajuus, kantoaaltomodulaatio Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos Signaaliavaruuden
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotRadioamatöörikurssi 2015
Radioamatöörikurssi 2015 Polyteknikkojen Radiokerho Radiotekniikka 5.11.2015 Tatu Peltola, OH2EAT 1 / 25 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus,
LisätiedotLaplace-muunnos: määritelmä
Laplace-muunnos: määritelmä Olkoon f : [, [ R funktio. Funktion f Laplacen muunnos määritellään yhtälöllä F(s) = L(f) := f(t)e st dt edellyttäen, että integraali f(t)e st dt suppenee. Riittävä ehto integraalin
LisätiedotLuento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )
Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat
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
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
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
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
LisätiedotOsa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246
Osa VI Fourier analyysi A.Rasila, J.v.Pfaler () Mat-1.1331 Matematiikan peruskurssi KP3-i 12. lokakuuta 2007 127 / 246 1 Johdanto 2 Fourier-sarja 3 Diskreetti Fourier muunnos A.Rasila, J.v.Pfaler () Mat-1.1331
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
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.
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
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
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
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
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).
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
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
LisätiedotVAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET
1 VAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET Millaiset aaltomuodot s 1 (t) ja s (t) valitaan erilaisten kantoaatomodulaatioiden toteuttamiseksi? SYMBOLIAALTOMUODOT
LisätiedotUuden sukupolven HF-kommunikaatiotekniikka
MATINE tutkimusseminaari 16.11.2017 Uuden sukupolven HF-kommunikaatiotekniikka Lauri Anttila 1, Mika Korhonen 1, Juha Yli-Kaakinen 1, Markku Renfors 1, Hannu Tuomivaara 2 1 Elektroniikan ja tietoliikennetekniikan
LisätiedotRadiokurssi. Modulaatiot, arkkitehtuurit, modulaattorit, ilmaisimet ja muut
Radiokurssi Modulaatiot, arkkitehtuurit, modulaattorit, ilmaisimet ja muut Modulaatiot CW/OOK Continous Wave AM Amplitude Modulation FM Frequency Modulation SSB Single Side Band PM Phase Modulation ASK
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
LisätiedotNumeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42
Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien
LisätiedotMat Systeemien identifiointi, aihepiirit 1/4
, aihepiirit 1/4 Dynaamisten systeemien matemaattinen mallintaminen ja analyysi Matlab (System Identification Toolbox), Simulink 1. Matemaattinen mallintaminen: Mallintamisen ja mallin määritelmät Fysikaalinen
LisätiedotJohdatus vaihtosähköön, sinimuotoiset suureet. DEE Piirianalyysi Risto Mikkonen
DEE-11000 Piirianalyysi Johdatus vaihtosähköön, sinimuotoiset suureet 1 Vaihtovirta vs tasavirta Sähkömagneettinen induktio tuottaa kaikissa pyörivissä generaattoreissa vaihtojännitettä. Vaihtosähköä on
LisätiedotLuento 9. Epälineaarisuus
Lueno 9 Epälineaarisuus 9..7 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!
LisätiedotLUKU 7 TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka I Osa 30 Kari Kärkkäinen Kevät 2015
1 LUKU 7 TÄRKEIMPIEN ASIOIDEN KERTAUS 51357A Tietoliikennetekniikka I Osa 30 Kari Kärkkäinen Kevät 015 Kantatajuisen järjestelmän lähdön (SNR) D = P T /(N 0 W) käytetään referenssinä verrattaessa eri kantoaaltomodulaatioita
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
LisätiedotLähettimet ja vastaanottimet
Aiheitamme tänään Lähettimet ja vastaanottimet OH3TR:n radioamatöörikurssi Kaiken perusta: värähtelijä eli oskillaattori Vastaanottimet: värähtelijän avulla alas radiotaajuudelta eri lähetelajeille sama
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
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
LisätiedotPetri Kärhä 04/02/04. Luento 2: Kohina mittauksissa
Kohinan ominaisuuksia Kohinamekanismit Terminen kohina Raekohina 1/f kohina (Kvantisointikohina) Kohinan käsittely Kohinakaistanleveys Kohinalähteiden yhteisvaikutus Signaali-kohina suhde Kohinaluku Kohinalämpötila
Lisätiedot1 Olkoon suodattimen vaatimusmäärittely seuraava:
Olkoon suodattimen vaatimusmäärittely seuraava: Päästökaistan maksimipoikkeama δ p =.5. Estokaistan maksimipoikkeama δ s =.. Päästökaistan rajataajuus pb = 5 Hz. Estokaistan rajataajuudet sb = 95 Hz Näytetaajuus
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
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
Lisätiedot