Helsinki University of Technology
|
|
- Helinä Koskinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsiki Uiversity of Tecology Laboratory of Telecommuicatios Tecology S-38. Sigaalikäsittely tietoliiketeessä I Sigal Processig i Commuicatios ( ov) Syksy Lueto: Kaavakorjaimet I prof. Timo Laakso Vastaaotto torstaisi klo 0- Huoe G0, pu Säköposti: timo.laakso@ut.fi Kaavakorjaimet Tällä lueolla tutustumise koteea ovat Lieaarie ollaapakottava korjai (liear zero-forcig equalizer, LE-ZF) Takaisikytketty ollaapakottava korjai (decisio-feedback zero-forcig equalizer, DFE-ZF) Tomliso-Harasima -esikoodaus Seuraavalla lueolla jatketaa aieea Lieaarie eliövirekorjai (liear mea squared error equalizer, LE-MSE) Takaisikytketty eliövirekorjai (decisio-feedback MSE equalizer, DFE-MSE) Myöemmi tarkastellaa korjaimie adaptiivisia toteutuksia 0/4/97 Teletekiika laboratorio Sivu
2 Z-siirtofuktioista Tarkastellaa yleistä stabiilia ratioaalista z-siirtofuktiota H(z) joka voi olla esim. kaava diskreettiaikaie malli. O usei yödyllistä esittää se seuraavalaisea ajotelmaa L H( z) = B z H ( z) H ( z) Hzero( z) ( 44. ) mi missä B o vakiokerroi L o vakioviive, H mi o miimivaieie tekijä H max o maksimivaieie tekijä ja H zero sisältää yksikköympyrällä olevat ollat. max 0/4/97 Teletekiika laboratorio Sivu 3...Z-siirtofuktioista Miimivaieie tekijä o muotoa M ( cz Hmi () z = ' c, d < (. 45) ( dz N k k eli ollat ja avat ovat yksikköympyrä sisäpuolella. Maksimivaieise tekijä ollat ja avat ovat vastaavasti yksikköympyrä ulkopuolella, eli I ( fz H ( k max z ) = = ' f, g < ( 47. ) J k k ( gz 0/4/97 Teletekiika laboratorio Sivu 4
3 ...Z-siirtofuktioista ja yksikköympyräollatermi o muotoa K ( ) H ( z ) = zero ekz, e = (. ) k 46 Heijastettu siirtofuktio: Jos sekvessi k z-muuos o M muotoa ( cz r Hz ( ) = Az ( 33. ) N dz ( ii sekvessi -k * (peilattu ja kojugoitu - tämä o kompleksiarvoise sekvessi sovitettu suodtai!) z-muuos o M ( cz r H ( / z) = Az ( 5. ) N ( dz 0/4/97 Teletekiika laboratorio Sivu 5...Z-siirtofuktioista Z-siirtofuktiosta päästää taajuustaso esityksee (spektrii) pysymällä yksikköympyrällä z=e (ω kulmataajuus, T äyteväli): He ( ) = Hz ( ) z e j ω = T Heijastetu siirtofuktio spektri saadaa suoraa kojugoimalla alkuperäise sekvessi spektri: eli pätee H ( / z ) = H ( e ) z= e H( z) H ( / z ) = H( e ) z= e 0/4/97 Teletekiika laboratorio Sivu 6
4 Teospektri siirtofuktioesitys Tarkastellaa amplitudiltaa ormaalijakautuutta mutta värillistä koiaa k jolla o (z-taso) teospektri S (z). Teospektri o aia ei-egatiivie yksikköympyrällä z=e jω : S ( e ) = H( e ) z-taso teospektri voidaa aia esittää ajotelmaa S ( z) = A G ( z) G ( / z ) missä A o skaalausvakio ja G (z) o miimivaieie: G ( cz () z = ' c, d < ( dz 0/4/97 Teletekiika laboratorio Sivu 7 k k Värillie koia G (z) o lisäksi mooie, eli se sarjakeitelmä termi z -0 kerroi o skaalattu ykköseksi G (z): avat ja ollat ovat yksikköympyrä sisällä ja suodita vastaava stabiili impulssivaste o kausaalie. G * (/z * ): stabiili impulssivaste o tämä peilikuva ja siis atikausaalie. Yksikköympyrällä pätee lisäksi jω jω S ( e ) = A G ( e ) Oletetaa että ollia ei ole yksikköympyrällä. Tällöi myös /G (z) o kausaalie ja stabiili. 0/4/97 Teletekiika laboratorio Sivu 8
5 Teospektri muokkaus x k H(z) k y k Ku diskreetti sigaali x k (teospektri S x (z) ) suodatetaa lieaarisella suotimella H(z) (impulssivaste, suotime ulostulo spektri o S ( z) = H( z) H ( / z ) S ( z) y S ( e ) = H( e ) S ( e ) y Ku alutaa muokata sigaali teospektriä, o löydettävä (joki) siirtofuktio H(z) joka jotaa aluttuu spektrii Lyeysmerkitä: H( z) H ( / z ) H( z) x x 0/4/97 Teletekiika laboratorio Sivu 9 Valkaistu sovitettu suodati Suoritetaa edellä käsitelly värillise koiasekvessi k valkaisu: Suodatetaa miimivaieisella tekijällä /A z G z :lla Suodatetu koia k teospektriksi saadaa S ( e ) S( e ) = S e j T ( ) = = ω AG e j T ( ) ω AG( e ) Spektri o siis vakio eli koia o valkoista, iikui pitiki. 0/4/97 Teletekiika laboratorio Sivu 0
6 ...Valkaistu sovitettu suodati Oletetaa että värillise koia kaavassa läetetää sigaalisekvessi x k. Sigaali spektri o koiavalkaisusuodatukse jälkee X() z AG () z Koska sigaali o yt valkaistussa koiassa, optimaalie ML-vastaaottosuodi (ydelle pulssille) o sovitettu suodati. Tämä impulssivaste saadaa peilaamalla (ja kojugoimalla), ja sitä vastaa kojugaattispektri: X ( / z ) AG( / z) z z 0/4/97 Teletekiika laboratorio Sivu...Valkaistu sovitettu suodati Toteutuksessa suotimet voidaa ydistää: X ( / z ) = AG( z) AG( / z) X ( / z ) S () z eli sovitettu suodati ormalisoidaa koia teospektrillä. Tämä o aluttu valkaistu sovitettu suodati (Witeed Matced Filter, WMF) WMF:ää voidaa käyttää paitsi Viterbi-algoritmi myös korjaimie esiasteea 0/4/97 Teletekiika laboratorio Sivu
7 Nollaapakottava korjai Nollaapakottava korjaime idea o yksikertaie: valitaa sellaie vastaaottosuodati joka kumoaa kaava aieuttama lieaarise vääristymä ja pakottaa keskiäisvaikutukse ollaksi Suodattimessa voidaa käyttää WMF-suodita esiasteea, tai olla käyttämättä. Katsotaa molemmat tapaukset. Oletukset: diskreetti sigaali (äytteytys symbolitaajuudella) ekvivaletti diskreetti kaava o kausaalie ekvivaletti diskreetti koia o valkoista Gaussi koiaa 0/4/97 Teletekiika laboratorio Sivu 3...Nollaapakottava korjai (t) WMF TC (t) x(t)=a k δ(t-kt s ) y(t) R (t)= TC (-t) z(t) t=kt s AG ( / * z ) G () z Kuva rakee (LM 0-3: mukaa) sisältää S () z ydistety läetys- ja kaavasuotime TC (t) = T (t)*c(t) AWGN-koialätee (t) sovitetu suotime R (t) = TC (-t) diskreeti valkaisusuotime / A G * (/z * ) kaavakorjaime (jälkiosa) / G (z) 0/4/97 Teletekiika laboratorio Sivu 4
8 ...Nollaapakottava korjai (t) TC (t) t=kt s /H TC (z) x(t)=a k δ(t-kt s ) y(t) Korjai Edellie kuva o sekava, koska WMF-esiaste sotkee asioita! Tässä yksikertaisempi rakeekuva, jossa o: ydistetty läetys- ja kaavasuodi TC (t) = T (t)*c(t) AWGN-koialäde (t) kaavakorjai /H TC (z), joka o äytteistety läetys- ja kaavasuotime kääteissuodi 0/4/97 Teletekiika laboratorio Sivu 5...Nollaapakottava korjai k H () TC z x k =a k δ k Molemmat edelliset osittai jatkuva-aikaiset järjestelmämallit voidaa pelkistää ylläoleva diskrettii mallii (modifioitu kuvasta LM 0-3) joka sisältää diskreeti AWGN-koialätee k koiavärjäyssuotime /H TC (z), joka o suoraa korjaime siirtofuktio 0/4/97 Teletekiika laboratorio Sivu 6
9 Nollaapakotuskorjaime omiaisuuksia Korjaime lädössä sigaaliäytteet ovat samat kui läettimessä (ei ISIä). Koiaspektri o sesijaa muuttuut: S V () z N0 N0 = = S () z H () z TC (Huom. tässä reaaliarvoie koia toisi kui kirjassa => kakkoe äviää) Mitä tapatuu ku läeti-kaava taajuusvasteessa o ollia (tai muute vaa voimakasta vaimeusta)? Lieaarise ollaapakottava korjaime ogelma o juuri koia vavistumie 0/4/97 Teletekiika laboratorio Sivu 7 Esimerkki LM 0-5 Tarkastellaa jatkuva-aikaista vastaaotettua pulssia at () t = σ ae u() t TC Esimerkistä 7-0. Diskreeti sekvessi autokorrelaatiofuktioksi saadaa k ρ ( k) = σ α, α = e Tämä z-muuoksella saadaa pulssi teospektriksi at S () z = H () z = TC σ ( α ) ( αz )( αz) 0/4/97 Teletekiika laboratorio Sivu 8
10 ...Esimerkki LM 0-5 Kääteissuotime teospektri o siis S () z = z z z z = + ( α )( α ) α α( + ) σ ( α ) σ ( α ) ( 0. 3) Koia variassi saadaa teospektri itegraalia (= aritm. keskiarvo!) N0 α σv = N0 S + ( z) = A σ α Mitä tapatuu ku parametri α läestyy ykköstä? 0/4/97 Teletekiika laboratorio Sivu 9 Esimerkki LM 0-6 Nyt oletetaa kaavassa vääristyeeksi pulssimuodoksi TC (t) = 0 (t) + a 0 (t - T) (Esimerkistä 7-). Nyt kaava o kaksitappie FIR ja se teospektri o ( + αz )( + αz) S() z = σ( + α ) eli edellise kaava kääteisarvo. Kääteissuotime teospektri o yt muotoa S z = + α () σ ( + αz )( + αz) (HUOM! Kirja kaavassa merkkivire!) Koia variassi o: N0 α σv = N S + 0 () z = A σ α Eli sama kui edellä! Jotopäätökset? Napa tai olla kaavassa ytä aitallie korjaime kaalta! 0/4/97 Teletekiika laboratorio Sivu 0
11 Päätöstakaisikytketty korjai Edellä tarkasteltii lieaarista ollaapakottavaa korjaita. Se perusogelma o koiavavistus joka jotuu tarvittavasta kääteissiirtofuktiosta (rekursiivie osa) Uude raketee löytämiseksi muokataa rekursiivista osaa seuraavasti: = G () z ( G ()) z Tämä voidaa toteuttaa takaisikytketäraketeella joka takaisikytketäsilmukassa o siirtofuktio (-G (z)). Modifioitu rakee o esitetty Kuvassa 0-4a: 0/4/97 Teletekiika laboratorio Sivu...Päätöstakaisikytketty korjai LM Kuva 0-4(a,b): Päätöstakaisikytkety korjaime joto k G (z) -G (z) k G (z) -G (z) 0/4/97 Teletekiika laboratorio Sivu
12 ...Päätöstakaisikytketty korjai precursor ISI ρ (k) - 0 k postcursor ISI g,k - 0 postcursor ISI k Kuva 0-4a rakeetta voidaa tulkita ii että esimmäie loko suodattaa tulevia symboliäytteitä ja poistaa iistä ISIä (precursor ISI, esi-isi ). Jälkimmäie loko poistaa vaoje symbolie aieuttamaa ISIä (postcursor ISI, jälki- ISI ) - ja vavistaa samalla koiaa! 0/4/97 Teletekiika laboratorio Sivu 3...Päätöstakaisikytketty korjai Postcursor-osa perustaa ISI poisto precursor-osa atamii pemeisii päätöksii jotka sisältävät koiaa => kokeillaa päätökseteo varetamista takaisikytketäsilmuka sisälle! Rakee o stabiili ja kausaalie koska G (z) o miimivaieie (ku ei ollia yksikköympyrällä). Ei viiveetötä takaisikytketäsilmukkaa, koska G (z) o mooie ja (- G (z)) sisältää site aia yde viivee 0/4/97 Teletekiika laboratorio Sivu 4
13 ...Päätöstakaisikytketty korjai Saatu rakee o päätöstakaisikytketty korjai (Decisio- Feedback Equalizer, DFE), joka perusidea esitti Austi 967 (ks. Kuva 0-4b) DFE-ZF: toimita: Koiato tapaus: ei muutosta li. korjaime toimitaa Koiaie tapaus: päätökseteko leikkaa koia ja elimioi se vavistumise takaisikytketäsilmukassa 0/4/97 Teletekiika laboratorio Sivu 5...Päätöstakaisikytketty korjai DFE-raketee suorituskyky määräytyy päätökseteo iputi koiateosta, joka o sama kui precursor-osa (WMF) ulostulokoia: σ v = N A 0 DFE-korjai sijoittuu suorituskyvyltää lieaarise korjaime ja Viterbi-ilmaisime (MLSD) välii. Toteutus ei ole juuri LEkorjaita moimutkaisempi mutta suorituskyky o läellä MLSD:tä 0/4/97 Teletekiika laboratorio Sivu 6
14 Vireide eteemie Edellie tarkastelu pätee tarkasti ottae vai sillä oletuksella, että kaikki päätökset ovat oikeita ja takaisikytketäosa poistaa postcursor-isi ideaalisesti. Jos vireitä sattuu, vireet eteevät ja aieuttavat uusia vireitä - loputtomii????? Voidaa osoittaa (LM Appedix 0-A), että vireide eteemie loppuu aia ku tedää N (rekursio asteluku) oikeaa päätöstä peräkkäi, ja että äi tapatuu keskimääri K symboli kuluessa. K: keskimääräiseksi arvoksi voidaa jotaa N K = ( ) 0/4/97 Teletekiika laboratorio Sivu 7...Vireide eteemie Keskimääräiseksi viretodeäköisyydeksi saadaa tällöi P e N = P, 0 e eli verrattua ideaalisee tilateesee (viree eteemistä ei uomioida) viret o N -kertaie. Pieillä N: arvoilla tällä ei ole suurta merkitystä. 0/4/97 Teletekiika laboratorio Sivu 8
15 DFE-korjaime käyttö DFE-korjai o käytössä moissa sovelluksissa, mm. modeemeissa, koska se parataa selvästi lieaarise korjaime suorituskykyä miimaalisi lisäkustauksi. Ku vireide eteemie voidaa pitää kurissa (riittävä lyyt rekursiosuodati ja piei viret), se käyttö o varteeotettava vaitoeto. O kuiteki syytä uomata, että DFE vaatii välittömät päätökset takaisikytketäsilmukassa. Tämä estää käytäöllisesti katsoe kokoaa vireekorjaava koodaukse käytö, sillä koodaukse purku vaatii yleesä usea symbolijakso viivee. Ku DFE:tä käytetää, pitää siis pitää uoli siitä että sillä aikaasaatu symboliviret o riittävä - koodauksella sitä ei eää voi parataa. 0/4/97 Teletekiika laboratorio Sivu 9 Tomliso-Harasima -esikoodaus Ilma vireide eteemistä ja koodausogelmia DFE olisi iateellie korjai. Mite ämä ogelmat voitaisii poistaa? Ratkaisu: siirretää rekursiivie osa läettimee jossa o vireetö tieto läetettävistä symboleista (LM Fig. 0-9a): k G (z) -G (z) 0/4/97 Teletekiika laboratorio Sivu 30
16 TH -esikoodaukse edut Esikoodaukse etuja: Ku oletetaa WMF-esiaste, vastaaottime päätökseteossa koia o valkoista ja koiavavistus o poissa. Tämä jotuu siitä että tarvittava sigaali esikorostus tedää jo läettimessä ee kui koia summautuu kaavaa Ei vireide eteemistä => pieempi viret kui DFE:llä Uusia ogelmia: Esikorjaime kertoimet (jotka riippuvat kaavasta) o estimoitava vastaaottimessa ja läetettävä läettimee Esisuodatus yleesä kasvattaa sigaali amplitudia => vaadittava läetysteo kasvaa! 0/4/97 Teletekiika laboratorio Sivu 3 TH -esikoodaukse toteutus TH-esikoodaukse läetysteo-ogelma voidaa ratkaista modulo-koodauksella (tarkemmi kirjassa LM ss ) TH-esikoodaus sopii käytettäväksi ku kaava muuttuu riittävä itaasti (estimoiti ja lertoimie läetys madollista) alutaa parataa DFE: suorituskykyä vireekorjaavalla koodauksella Yksi esimerkki TH-esikoodaukse soveltamisesta ovat V.34- tyyppiset pueliverko modeemit. Niissä o esikoodaukse lisäksi käytössä adaptiivie lieaarie korjai vastaaottime puolella, joka seuraa opeita kaava vaiteluita. 0/4/97 Teletekiika laboratorio Sivu 3
Helsinki University of Technology Laboratory of Telecommunications Technology
Helsii Uiversity of Tecology Laboratory of Telecommuicatios Tecology S-38. Sigaaliäsittely tietoliieteessä I Sigal Processig i Commuicatios ( ov) Sysy 998 4. Lueto: Kaavaorjaimet I prof. Timo Laaso Vastaaotto
LisätiedotHelsinki University of Technology
Helsiki Uiversity of Techology Laboratory of Telecommuicatios Techology S-38. Sigaalikäsittely tietoliiketeessä I Sigal Processig i Commuicatios ( ov) Syksy 997 9. Lueto: Kaava kapasiteetti ja ODM prof.
LisätiedotDigitaalinen signaalinkäsittely Signaalit, jonot
Digitaalie sigaalikäsittely Sigaalit, joot Teemu Saarelaie, teemu.saarelaie@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Sigal Processig: A Practical Approach H.Huttue, Sigaalikäsittely meetelmät, Opitomoiste,
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsii Uiversity of Techology Laboratory of Telecommuicatios Techology S-38. Sigaaliäsittely tietoliieteessä I Sigal Processig i Commuicatios ( ov) Sysy 998 9. Lueto: Kaava apasiteetti ja ODM prof. Timo
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
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 3. Luento: Optimaalinen
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
Lisätiedotja läpäisyaika lasketaan (esim) integraalilla (5.3.1), missä nyt reitti s on z-akselilla:
10 a) Valo opeus levyssä o vakio v 0 = c / 0, jote ajaksi matkalla L laskemme L t0 = = 0 L. v0 c b) Valo opeus levyssä riippuu z:sta: c c v ( z) = = ( z ) 0 (1 + 3az 3 ) ja läpäisyaika lasketaa (esim)
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotKirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):
TL536, DSK-algoritmit (S4) Harjoitus. Olkoo x(t) = cos(πt)+cos(8πt). a) Poimi sigaalista x äytepisteitä taajuudella f s = 8 Hz. Suodata äi saamasi äytejoo x[] FIR-suotimella, joka suodikertoimet ovat a
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 6 Luotettavuus Koherentit järjestelmät
Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
LisätiedotLuento 7 Luotettavuus Koherentit järjestelmät
Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotTL5362DSK-algoritmit (J. Laitinen) TTE2SN4X/4Z, TTE2SN5X/5Z Välikoe 1, ratkaisut
TL536DSK-algoritmit (J. Laitie) 4. - 5..4 TTESN4X/4Z, TTESN5X/5Z Välikoe, ratkaiut a) Maiite väitää kaki digitaalite FIR-uotimie etua verrattua IIR-uotimii. b) Mite Reme-meetelmällä uuitellu FIR-uotime
LisätiedotTehtäviä neliöiden ei-negatiivisuudesta
Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
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 6. Luento: Adaptiiviset
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
LisätiedotSeuraavat peruslauseet 1-8 voidaan helposti todistaa integraalin määritelmästä. Integroimisjoukko R oletetaan rajoitetuksi Jordanmitalliseksi
Laaja matematiikka 5 Kevät 200 2. Itegraali omiaisuuksia Seuraavat peruslauseet -8 voidaa helposti todistaa itegraali määritelmästä. Itegroimisjoukko oletetaa rajoitetuksi Jordamitalliseksi joukoksi. Lause
Lisätiedot811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu
81112A Tietoraketeet ja algoritmit, 217-218, Harjoitus 4, Ratkaisu Harjoitukse aiheita ovat algoritmie aikakompleksisuus ja lajittelualgoritmit Tehtävä 4.1 Selvitä seuraavie rekursioyhtälöide ratkaisuje
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
Lisätiedot4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on
4 4 KORKEAAN KERTAUVUN INEAARISET DIFFERENTIAAIYHTÄÖT Kertalukua olevassa differetiaalihtälössä F(x,,,, () ) = 0 esiit :e kertaluvu derivaatta () = d /dx ja mahdollisesti alempia derivaattoja, :tä ja x:ää.
LisätiedotÄärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims
75 4 POTENSSISARJOJA 4.1 ÄÄRETTÖMÄT SARJAT Lukujoo { a k } summaa S a a a a a k 0 1 k k0 saotaa äärettömäksi sarjaksi. Summa o s. osasumma. S a a a a a k 0 1 k0 Äärettämä sarja (tai vai sarja) saotaa suppeeva
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]
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.
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
Lisätiedotdx = d dψ dx ) + eikx (ik du u + 2ike e ikx u i ike ikx u + e udx
763333A KIINTEÄN AINEEN FYSIIKKA Ratkaisut 5 Kevät 2014 1. Tehtävä: Johda luetomateriaali kaavat d 2 u i k du 2 m + Uxu = E k 2 u p = k + u x i d ux. Ratkaisu: Oletetaa, että ψx = e ikx ux, missä ux +
LisätiedotMääritä seuraavien suodattimien impulssivasteet ja tutki, ovatko ne kausaaleja:
TL56, Näytejoosysteemit (K5). Kausaali suodati käyttää laskeassaa vai ykyisiä ja aiempia ajaetkiä (= pieemmillä ideksiarvoilla) mitattuja tai laskettuja sigaaliarvoja, jotka suodati lukee muistista. Kausaalisuus
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
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
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
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
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?
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
LisätiedotDiskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =
Diskreeti Matematiika Paja Ratkaisuja viikolle 4. (7.4-8.4) Jeremias Berg. Osoita iduktiolla että k = ( + ) Ratkaisu: Kute kaikissa iduktiotodistuksissa meidä täytyy siis osoittaa asiaa. Ns. perustapaus,
LisätiedotT Signaalinkäsittelyjärjestelmät Kevät 2005
T-6. KJ Esimerkkitehtäviä ivu / 7 T-6. igaalikäsittelyjärjestelmät Kevät HUOM! Kurssi lueoidaa todeäköisesti viimeistä kertaa keväällä! Kurssi tettejä järjestetää toukokuuhu 6 asti. Korvaava kurssi T-6.XXXX
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotKertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Aalyysi I Harjoitus 5. 0. 2009 alkavalle viikolle Ratkaisuehdotuksia ( sivua) (Rami Luisto) Laskuharjoituksista saa pistettä, jos laskettu vähitää 50 tehtävää; 3 pistettä,
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu
83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
Lisätiedot5. Lineaarisen optimoinnin perusprobleemat
2 5. Lieaarise optimoii perusprobleemat Optimoitiprobleema o lieaarise optimoii tehtävä, jos kohdefuktio o lieaarie fuktio ja rajoitusehdot ovat lieaarisia yhtälöitä tai lieaarisia epäyhtälöitä. Yleisessä
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
Lisätiedot3 10 ei ole rationaaliluku.
Harjoitukset / 011 RATKAISUT Lukuteoria 1. Etsi Eratostheee seulalla samatie kaikki lukua 400 pieemmät alkuluvut. (Tai ohjelmoi tietokoeesi etsimää paljo lisää.) Kirjoita rivii kaikki luvut 1-00. Poista
LisätiedotTehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 0, MALLIRATKAISUT Tehtävä. Voidaako seuraavat luvut esittää kahde eliö summia? Jos voidaa, ii kuika moella eri tavalla? (i) = 45 (ii) = 770. Ratkaisu. (i) Jaetaa
LisätiedotT Digitaalinen signaalinkäsittely ja suodatus
T-63 Digitaalinen signaalinkäsittely ja suodatus 2 välikoe / tentti Ke 4528 klo 6-9 Sali A (A-x) ja B (x-ö)m 2 vk on oikeus tehdä vain kerran joko 75 tai 45 Tee välikokeessa tehtävät, 2 ja 7 (palaute)
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lieaarie ohjelmoiti 20.9.2007 Lueto 2 Lieaarialgebraa ja geometriaa (kirja.5, 2.) S ysteemiaalyysi Tekillie korkeakoulu Lieaarie ohjelmoiti - Syksy 2007 / Lieaarialgebraa Notaatiota Kääteismatriisi
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 7. Luento: Adaptiiviset
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
LisätiedotKojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeeorologia Sami Haapaala syksy 03 Fysiika laios, Ilmakehäieeide osaso Mialaieide dyaamise omiaisuude Dyaamise uusluvu määriävä mie mialaie käyäyyy syöeide muuuessa Apua käyeää differeiaaliyhälöiä,
LisätiedotRemez-menetelmä FIR-suodinten suunnittelussa
Luku Remez-menetelmä FIR-suodinten suunnittelussa Remez-menetelmä, eli optimaalinen menetelmä etsii minimax-mielessä optimaalista suodinta. Algoritmi johdetaan seuraavassa (täydellisyyden vuoksi) melko
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotRuletti ja Martingaalistrategia
POHDIN projekti Ruletti ja Martigaalistrategia Ruletti o uhkapeli, jossa pelaaja pyrkii veikkaamaa kuula pysähtymiskohda pyörivältä kehältä. Euroopassa käytettävässä ruletissa o käytössä 37 umeroa (0-36)
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
Lisätiedot2.2.1 Ratkaiseminen arvausta sovittamalla
2.2.1 Ratkaiseminen arvausta sovittamalla Esimerkki: lomitusjärjestäminen (edellä) Yleistys: Ratkaistava T (1) c T (n) g(t (1),..., T (n 1), n) missä g on n ensimmäisen parametrin suhteen kasvava. (Ratkaisu
LisätiedotNoora Nieminen. Hölderin epäyhtälö
Noora Niemie Hölderi epäyhtälö Matematiika aie Turu yliopisto 4. huhtikuuta 2008 Sisältö 1 Johdato 1 2 Cauchy-Schwarzi epäyhtälö 2 2.1 Cauchy-Schwarzi epäyhtälö todistus............. 2 2.2 Aritmeettis-geometrise
Lisätiedot2 u = 0. j=1. x 2 j=1. Siis funktio v saavuttaa suurimman arvonsa jossakin alueen Ω pisteessä x. Pisteessä x = x on 2 v. (x ) 0.
0. Maksimiperiaate Laplace-yhtälölle 0.. Maksimiperiaate. Alueessa Ω R määritelty kaksi kertaa erivoituva fuktio u o harmoie, jos u = j= = 0. 2 u x 2 j Lause 0.. Olkoot Ω R rajoitettu alue ja u C(Ω) C
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,
LisätiedotAlipäästösuotimen muuntaminen muiksi perussuotimiksi
Alipäästösuotimen muuntaminen muiksi perussuotimiksi Usein suodinsuunnittelussa on lähtökohtana alipäästösuodin (LPF), josta voidaan yksinkertaisilla operaatioilla muodostaa ylipäästö- (HPF), kaistanpäästö-
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
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
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 () =
Lisätiedot5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
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,
Lisätiedot811312A Tietorakenteet ja algoritmit II Algoritmien analyysi
811312A Tietoraketeet ja algoritmit 2016-2017 II Algoritmie aalyysi Sisältö 1. Algoritmie oikeellisuus 2. Algoritmie suorituskyvy aalyysi 3. Master Theorem 811312A TRA, Algoritmie aalyysi 2 II.1. Algoritmie
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..007 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
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
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
LisätiedotSormenjälkimenetelmät
Sormejälkimeetelmät Matti Risteli mristeli@iksula.hut.fi Semiaariesitelmä 23.4.2008 T-106.5800 Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Sormejälkimeetelmät ovat satuaisuutta
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kertauslueto. välikokeesee Algebraa Tämäkertaie kurssimoiste sisältää rusaasti harjoitustehtäviä. Syyä tähä o se, että matematiikkaa oppii parhaite itse tekemällä ja laskemalla.
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
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
LisätiedotTLT-5400 DIGITAALINEN SIIRTOTEKNIIKKA
TLT-5400 DIGITAALINEN SIIRTOTEKNIIKKA Tehtäväkokoelma: Päivitetty 16.3.2006 / MV 1. Piirrä digitaalisen siirtojärjestelmän yleinen lohkokaavio josta nähdään lähettimen ja vastaanottimen keskeiset toiminnot
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotEhdollinen todennäköisyys
Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma
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
LisätiedotLukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos
Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 5. joulukuuta 2016 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujonot Lukujonot Z-muunnoksen ominaisuuksia
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38. Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 998 6. Luento: Adaptiiviset koraimet
LisätiedotT Signaalinkäsittelyjärjestelmät Kevät 2004
T-6. KJ Esimerkkitehtäviä ivu / 7 Tehtäviä alkae sivulta. Vastauksia alkae sivulta 9. Kaavakokoelma alkae sivulta 7. T-6. igaalikäsittelyjärjestelmät Kevät Esimerkkejä laskutehtävistä Virheistä ja parausehtotuksista
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
LisätiedotS Elektroniset mittaukset ja elektroniikan häiriökysymykset 2 ov. Kurssin aihealue
S-108.180 Elektroiset mittaukset ja elektroiika häiriökysymykset ov Kurssi aihealue Kurssi suorittamie Hyväksytty tetti (määrää arvosaa), 5 tehtävää Hyväksytysti suoritetut labrat, 4 kpl Mittausvahvistimet
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
Lisätiedot2 avulla. Derivaatta on nolla, kun. g( 3) = ( 3) 2 ( 3) 5 ( 3) + 6 ( 3) = 72 > 0. x =
TAMMI PYRAMIDI NUMEERISIA JA ALGEBRALLISIA MENETELMIÄ PARITTOMAT RATKAISUT 7 Tiedosto vai hekilökohtaisee käyttöö. Kaikelaie sisällö kopioiti kielletty. a) g( ) = 5 + 6 Koska g o eljäe astee polyomi, ii
Lisätiedot5. Z-muunnos ja lineaariset diskreetit systeemit. z n = z
5. Z-muunnos ja lineaariset diskreetit systeemit Jono: (x(n)) n=0 = (x(0), x(1), x(2),..., x(n),...) Z-muunnos: X(z) = n=0 x(n)z n, jos sarja suppenee jossain kompleksitason osassa. Esim. 4. Ykkösjonon
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tilastollise aalyysi perusteet, kevät 7 9. lueto: Regressiomalli validoiti Kai Virtae Regressiomalli validoiista Estimoitu hieo regressiomalli: Kuvaako malli tutkittavaa ilmiötä oikei? Kuika hyvi
Lisätiedot