spektri taajuus f c f c W f c f c + W
|
|
- Eeva-Kaarina Heikkilä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kaistanpäästösignaalit Monet digitaaliset tiedonsiirtosignaalit ovat keskittyneet jonkin tietyn kantoaaltotaajuuden f c ympäristöön siten, että signaali omaa merkittäviä taajuuskomponetteja vain kaistalla f c ±W (ja f c ±W ). Tällaisia signaaleja sanotaan kaistanpäästösignaaleiksi spektri f c f c W f c f c + W taajuus 232
2 Jos signaalin kaistanleveys B on paljon pienempi kuin kantotaajuus f c eli B f c, niin signaalia sanotaan kapeakaistaiseksi Miten tämä näkyy? Se näkyy siten että signaalin verhokäyrä muuttuu hitaasti eli on likipitäen vakio usean kantoaallon jakson ajan, sitä kauemmin mitä kapeakaistaisemmasta (B/f c pieni) signaalista on kyse 233
3 signaali aika 234
4 Järjestelmien esittämisen ja analyysin kannalta kapeakaistaiset kaistanpäästösignaalit voidaan esittää ekvivalenttisen alipäästösignaalin avulla, joka on riippumaton kantoaaltotaajuudesta Useimmiten käytetään termejä kompleksinen verhokäyrä tai kantataajuinen signaali 235
5 Kompleksinen verhokäyrä Yhdellä kantotaajuudella tyypillinen tietoliikennelähetin on pelkistetysti cos 2πf c t x(t) + y(t) - sin 2πf c t Reaaliset (data)signaalit x(t) jay(t) ovat kapeakaistaisia (B f c ) ja moduloivat kantoaaltoja cos 2πf c t ja sin 2πf c t Lähetetty signaali on siis s(t) =x(t) cos 2πf c t y(t)sin2πf c t (130) 236
6 Lähetetty signaali s(t) voidaan esittää myös muodossa s(t) =Re{(x(t)+jy(t))e j2πf ct } (131) sillä =Re{(x(t)+jy(t))(cos 2πf c t + j sin 2πf c t)} =Re{x(t) cos 2πf c t y(t)sin2πf c t + jx(t)sin2πf c t + jy(t) cos 2πf c t} = x(t) cos 2πf c t y(t)sin2πf c t Merkitsemällä signaali s(t) on esitettävissä muodossa s l (t) =x(t)+jy(t) (132) s(t) =Re{s l (t)e j2πf ct } (133) Signaalia s l (t) (132) sanotaan reaalisen signaalin s(t) kompleksiseksi verhokäyräksi 237
7 Koska x(t) jay(t) moduloivat vaihekvadratuurissa (vaihe-ero 90 ) olevia kantoaaltoja, niitä kutsutaan kvadratuurikomponenteiksi Kosini-haarassa on vaiheessa oleva (in-phase) signaali. Tämä on ns. I-haara Sini-haara on vaihekvadratuurissa (quadrature). Tämä onns.qhaara Usein puhutaan I- ja Q-haaroista, ne ovat siis nämä 238
8 Kompleksiluku voidaan esittää amplitudi ja vaihetermin avulla Tästä seuraa, että jossa s l (t) =a(t)e jθ(t) (134) a(t) = x 2 (t)+y 2 (t) = s(t) (s(t):n verhokäyrä) θ(t) = arctan y(t) x(t) (s(t):n vaihe) (135) (136) Sijoittamalla tämä signaalin s(t) lausekkeeseen saadaan s(t) =Re{a(t)e j(θ(t)+2πf ct) } = a(t) cos ( 2πf c t + θ(t) ) 239
9 Kaistanpäästösignaalin spektri Kaistanpäästösignaalins(t) spektri S(f) voidaanesittää kompleksisen verhoräyrän s l (t) spektrin S l (f) avulla Määritelmän mukaan S(f) = Re{s l (t)e j2πf ct }e j2πft dt Koska kompleksiluvuille pätee Re{z} = 1 2 (z + z )(z + z = x + jy + x jy =2x =2Re{z}), niin ( S(f) = 1 sl (t)e j2πfct + s 2 l (t)e ) j2πf ct e j2πft dt = 1 2( Sl (f f c )+S l ( f f c ) ) (137) 240
10 Tämä tarkoittaa, että kaistanpäästösignaalin spektri S(f) muodostuu kompleksisen verhokäyrän spektristä siirrettynä taajuuden f c ympärille (S l (f f c )) ja verhokäyrän spektrin kompleksikonjugaatin taajuuskäänntetystä ( f) versiosta taajuuden f c ympärillä Miten niin? Ensiksi: S l (f) on keskittynyt nollataajuuden ympäristöön eli se on nolla jos f >W Toiseksi: S l (f f c ) on nollasta poikkeava vain jos f f c <W eli jos W <f f c <W eli f c W<f<f c + W Kolmanneksi: S l ( f f c ) on nollasta poikkeava vain jos f f c <Weli jos W < f f c <Weli f c W< f <f c +W eli f c + W>f> f c W 241
11 Neljänneksi: olkoon S l (f = δ) = A. Silloin S l ( f) =A jos f = δ eli f = δ eli spektri täytyy kääntää y-akselin suhteen jotta S l (f) arvoista saadaan S l ( f) arvot Näistä seuraa seuraavan kuvan mukainen johtopäätös spektri S l (f) W W taajuus spektri S l ( f f c ) S l (f f c ) f c f c W f c f c + W taajuus 242
12 Edellisessä ei tarvittu oletusta kapeakaistaisuudesta. Se oletus kuitenkin tarvitaan. Siitä osoituksena on signaalin energian laskeminen. Osoittautuu, että jos signaali on kapeakaistainen, niin käytännön laskuissa pätee s(t) 2 dt = 1 sl (t) 2 dt eli kapeakaistaisen 2 kaistanpäästösignaalin energia voidaan laskea sen kompleksisen verhokäyrän avulla (eli kantoaaltotermiä e j2πfct ei välttämättä tarvitse pyörittää mukana, jolloin laskut helpottuvat). Asia lasketaan paikkoin Sama pätee moneen muuhunkin asiaan, esim. vastaanotinten suunnitteluun Usein vastaanotettu signaali esitetään ilman kantoaaltoa eli y(t) = s l (t)+z(t) ja vastaanotin suunnitellaan tämän perusteella Käytännön laitteissa asetaan sitten halutut kantotaajuudet kohdalleen 243
13 yksinkertaistettu vastaanottimen lohkokaavio Re{s l (t)e j2πfct } BPF AD LPF s l (t) e j2π(fc f IF )t e j2πf IF t analoginen osa -analoginen sekoitus välitaajuudelle digitaalinen osa -näytteistys välitaajuudella -digit. alassekotus LPF = alipäästösuodatin BPF= kaistanpäästösuodatin suodattavat ei halutut taajuuskomponentit pois 244
14 Sitten energian laskemisen kimppuun Signaalin energia E on E = = = 1 2 s(t) 2 dt a 2 (t) cos 2 (2πf c t + θ(t)) dt a 2 (t) dt a 2 (t) cos(4πf c t +2θ(t)) dt Koska signaali on kapeakaistainen, niin a 2 (t) = s l (t) 2 ja θ(t) muuttuvat hitaasti suhteessa kosini-termiin Tällöin yo. integraalin jälkimmäinen osa on hyvin pieni verrattuna ensimmäiseen osaan. Asiaa havainnollistettu seuraavassa kuvassa 245
15 a 2 (t) cos(4πf c t + α) integroituu nollaksi joten a 2 (t) dt a 2 (t)cos(4πf c t + α) dt Täten: käytännön sovelluksissa kapeakaistaisille signaaleille s(t) pätee, että sen energia E = 1 2 s l (t) 2 dt (138) jossa s l (t) on signaalin s(t) kompleksinen verhokäyrä 246
16 Kaistanpäästösysteemit Tarkastellaan lineaarista kaistanpäästösysteemiä h(t), joka on reaalinen. Sen taajuusvasteelle pätee siis H(f) =H ( f) Kuvamuodossa kaistaanpäästössysteemin spektri on 247
17 spektri H l (f) W spektri W taajuus H l ( f f c ) H l (f f c ) Tästä saadaan taajuus f c f c W f c f c + W H(f) =H l (f f c )+H l ( f f c ) (139) jossa H l (f) on systeemin alipäästöesityksen (kompleksisen ver- 248
18 hokäyrän) taajuusvaste Tämä eroaa signaalien spektrin määritelmästä kertoimella 1/2 Käänteinen Fourier muunnos antaa h(t) =h l (t)e j2πfct + h l (t)e j2πf ct =2Re{h l (t)e j2πfct } (140) joka on vastaava kuin kaistanpäästösignaaleille 249
19 Kaistanpäästösysteemien vaste kaistanpäästösyötteille Seuraavaksi osoitetaan: kapeakaistaisen kaistanpäästösysteemin vaste kapeakaistaiselle kaistanpääästösyötteelle voidaan laskea kompleksisten verhokäyrien avulla. Tämä oneräs alipäästöesityksen hyödyistä: vaste voidaan laskea kantotaajuudesta riippumatta Systeemin vaste on R(f) =S(f)H(f), joka on R(f) = 1 ( Sl (f f c )+Sl ( f f c ) )( H l (f f c )+Hl ( f f c ) ) 2 Seuraavasta kuvasta nähdään, että 250
20 spektri H l ( f f c ) H l (f f c ) taajuus f c f c W f c f c + W spektri S l ( f f c ) S l (f f c ) taajuus f c f c W f c f c + W S l (f f c )Hl ( f f c)=0 Sl ( f f c)h l(f f c )=0 Tämä on seurausta kapeakaistaisuudesta 251
21 Vaste on siis R(f) = 1 ( Sl (f f c )H l (f f c )+Sl ( f f c )Hl ( f f c ) ) 2 = 2( 1 Rl (f f c )+Rl ( f f c ) ) (141) jossa R l (f) =S l (f)h l (f) (142) on vasteen alipäästöesitys (141) on kapeakaistaisen kaistanpäästösignaalin spektri Aika-alueessa on yhteys r l (τ) = s l (τ)h l (t τ) dτ (143) 252
22 Stokastiset kaistanpäästösignaalit Jos stokastisen signaalin PSD on keskittynyt taajuuksien ±f c ympäristöön ja kaistanleveys B f c, niin kyseessä on kapeakaistainen stokastinen kaistanpäästösignaali Sille on olemassa vastaava alipäästöesitys kuin deterministisillekin signaaleille Tarkastellaan seuraavaksi tällaisen stationaarisen signaalin ominaisuuksia keskiarvo korrelaatio ja sen tietyt ominaisuudet spektri kapeakaistainen valkoinen kohina 253
23 Olkoon n(t) kapeakaistainen, stationaarinen, stokastinen kaistanpäästösignaali ja z(t) = x(t) + jy(t) sen kompleksinen verhokäyrä Signaalin n(t) odotusarvo on E{n(t)} =E{x(t) cos 2πf c t y(t)sin2πf c t} =E{x(t)} cos 2πf c t E{y(t)} sin 2πf c t Jotta n(t) olisi stationaarinen, on sen keskiarvon oltava ajasta riippumaton Nyt tämä tapahtuu vain jos E{x(t)} =E{y(t)} = 0 eli alipäästösignaalin z(t) osakomponettien täytyy olla nollakeskiarvoisia (koska kosinija sinitermit riippuvat ajasta täytyy kertomien olla 0) Tästä seuraa että E{z(t)} =0 254
24 Autokorrelaatio on E{n(t)n(t + τ)} =E {( x(t) cos 2πf c t y(t)sin2πf c t ) ( x(t + τ) cos 2πf c (t + τ) y(t + τ)sin2πf c (t + τ) )} =E{x(t)x(t + τ)} cos 2πf c t cos 2πf c (t + τ) +E{y(t)y(t + τ)} sin 2πf c t sin 2πf c (t + τ) E{x(t)y(t + τ)} cos 2πf c t sin 2πf c (t + τ) E{y(t)x(t + τ)} sin 2πf c t cos 2πf c (t + τ) Trigonometriset kaavat sanovat että ( ) cos A cos B = 1 2 cos(a B) + cos(a + B) ( ) sin A sin B = 1 2 cos(a B) cos(a + B) ( ) sin A cos B = 1 2 sin(a B)+sin(A + B) sin A = sin A 255
25 Käyttämällä näitä E{n(t)n(t + τ)} = 1 2( E{x(t)x(t + τ)} + E{y(t)y(t + τ)} ) cos 2πfc τ + 1 2( E{x(t)x(t + τ)} E{y(t)y(t + τ)} ) cos 2πfc (2t + τ) 1 2( E{x(t)y(t + τ)} E{y(t)x(t + τ)} ) sin 2πfc τ 1 2( E{x(t)y(t + τ)} + E{y(t)x(t + τ)} ) sin 2πfc (2t + τ) Jotta n(t) olisi stationaarinen, niin osakorrelaatioiden täytyy olla stationaarisia, jolloin φ nn (τ) = 1 2( φxx (τ)+φ yy (τ) ) cos 2πf c τ + 1 2( φxx (τ) φ yy (τ) ) cos 2πf c (2t + τ) 1 2( φxy (τ) φ yx (τ) ) sin 2πf c τ 1 2( φxy (τ)+φ yx (τ) ) sin 2πf c (2t + τ) 256
26 Tämä riippuu vielä ajasta, joten vaaditaan lisäksi, että jolloin φ xx (τ) =φ yy (τ) φ xy (τ) = φ yx (τ) (144a) (144b) φ nn (τ) =φ xx (τ) cos 2πf c τ φ xy (τ)sin2πf c τ (145) =Re{φ zz (τ)e j2πfcτ } (146) jossa φ zz on kompleksisen verhokäyrän z(t) autokorrelaatio Stationaarisen kapeakaistaisen kaistanpäästösignaalin autokorrelaatio voidaan siis esittää signaalin kompleksisen verhokäyrän avulla 257
27 Kaikille ristikorrelaatiofunktioille pätee φ yx (τ) =φ xy ( τ) joten koska nyt pätee myös φ xy (τ) = φ yx (τ), niin φ xy (τ) = φ xy ( τ) (147) eli φ xy (τ) on pariton ja φ xy (0) = 0 Tästä seuraa, että x(t) jay(t + τ) ovat korreloimattomia (nollakeskiarvoisille korrelaatio ja kovarianssi ovat samat) aikaerolla τ =0 Jos φ xy (τ) =0 τ, niin kvadratuurikomponentit olisivat korreloimattomia kaikilla aikaeroilla, φ zz (τ) olisi reaalinen ja PSD olisi symmetrinen eli Φ z (f) =Φ z ( f) 258
28 Valkoinen kohina Tietoliikennesovelluksissa kohina on yleensä kaistanpäästösuodatettu, joten se ei voi olla (ideaalista) valkoista kohinaa, jonka PSD on tasainen kaikilla taajuuksilla Tietoliikennesovelluksissa valkoisella kohinalla tarkoitetaan prosessia, jonka PSD on vakio koko tarkastelukaistalla Valkoisen kohinan verhokäyrän z(t) PSD on { N 0 f 1 Φ z (f) = 2 B = W 0 f > 1 2 B (148) 259
29 Valkoisen kohinan n(t) PSD on Φ z (f) B N 0 W W taajuus Φ n (f) B N 0 /2 f c f c W f c f c + W taajuus 260
30 Verhokäyrän autokorrelaatio on sin πbτ φ z (τ) =N 0 πτ Kun kaistanleveys B kasvaa äärettömän suureksi (149) lim φ z(τ) =N 0 δ(τ) (150) B joka ideaalisen valkoisen kohinan autokorrelaatio PSD on symmetrinen, joten φ xy (τ) =0 τ eli kvadratuurikomponentit ovat korreloimattomia kaikille τ Jos z(t) Gaussinen (x(t) jay(t) yhteisjakauma Gaussinen), niin kvadratuurikomponentit ovat myös riippumattomia PSD:n symmetrisyydestä seuraa myös, että φ zz (τ) =φ xx (τ) = φ yy (τ) 261
Nämä 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
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
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)
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
LisätiedotNiitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen
Satunnaissignaalit Käytännön elämän satunnaistapahtuvat riippuvat usein ajasta t eli muuttuvat ajan mukana Esimerkkejä: Ilman lämpötila ja paine Vastuksen generoima kohinajännite Puhelinkaapelissa kulkeva
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
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
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
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
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
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
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
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
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 () =
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
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
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
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
LisätiedotFourier-analyysi, I/19-20, Mallivastaukset, Laskuharjoitus 7
MS-C14, Fourier-analyysi, I/19- Fourier-analyysi, I/19-, Mallivastaukset, Laskuharjoitus 7 Harjoitustehtävä 7.1. Hetkellä t R olkoon s(t) 1 + cos(4πt) + sin(6πt). Laske tämän 1-periodisen signaalin s Fourier-kertoimet
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
Lisätiedot763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ
76336A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät 217 1. Koordinaatiston muunnosmatriisi (a) y' P r α φ ' Tarkastellaan, mitä annettu muunnos = cos φ + y sin φ, y = sin φ + y cos φ, (1a) (1b) tekee
LisätiedotEnsimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa
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
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.
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
LisätiedotMS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I
MS-C140 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 014 G. Gripenberg (Aalto-yliopisto MS-C140 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta
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
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
LisätiedotKvanttifysiikan perusteet 2017
Kvanttifysiikan perusteet 7 Harjoitus 3: ratkaisut Tehtävä Tarkastellaan äärettömän syvässä laatikossa (väli [, L) olevaa hiukkasta. Kirjoita energiatiloja E n vastaavat aaltofunktiot muodossa ψ n (x,
LisätiedotRadioamatöörikurssi 2016
Radioamatöörikurssi 2016 Modulaatiot Radioiden toiminta 8.11.2016 Tatu Peltola, OH2EAT 1 / 18 Modulaatiot Erilaisia tapoja lähettää tietoa radioaalloilla Esim. puhetta ei yleensä laiteta antenniin sellaisenaan
Lisätiedotnykyään käytetään esim. kaapelitelevisioverkoissa radio- ja TVohjelmien
2.1.8. TAAJUUSJAKOKANAVOINTI (FDM) kanavointi eli multipleksointi tarkoittaa usean signaalin siirtoa samalla siirtoyhteydellä käyttäjien kannalta samanaikaisesti analogisten verkkojen siirtojärjestelmät
LisätiedotF {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:
BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()
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]
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
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
LisätiedotMS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I
MS-C14 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 14 G. Gripenberg (Aalto-yliopisto MS-C14 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
LisätiedotKvanttifysiikan perusteet, harjoitus 5
Kvanttifysiikan perusteet, harjoitus 5 February 4, 07 Tehtävä Oletetaan energian ominaisfunktiot φ n ortonormitetuiksi, dxφ nφ m = δ nm, jossa δ nm on Kroneckerin delta. Määritetään ensin superpositiotilan
LisätiedotS Elektroniset mittaukset ja elektroniikan häiriökysymykset. 2 ov
TKK / Mittaustekniikan laboratorio HUT / Metrology Research Institute S-108.180 Elektroniset mittaukset ja elektroniikan häiriökysymykset 2 ov 7.2.2001 KL kohina.ppt 1 Elektroninen mittaussysteemi MITATTAVA
Lisätiedot4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.
LisätiedotMat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008
Mat-.3 / Mat-.33 Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 4, loppuviikko, syksy 8 Ennen malliratkaisuja, muistin virkistämiseksi kaikkien rakastama osittaisintegroinnin kaava: b a u(tv (t
LisätiedotIntegroimistekniikkaa Integraalifunktio
. Integroimistekniikkaa.. Integraalifunktio 388. Vertaa funktioiden ln ja ln, b) arctan ja arctan + k k, c) ln( + 2 ja ln( 2, missä a >, derivaattoja toisiinsa. Tutki funktioiden erotusta muuttujan eri
LisätiedotKirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!
Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin
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
LisätiedotÄärettömät raja-arvot
Äärettömät raja-arvot Määritelmä Funktion f oikeanpuoleinen raja-arvo pisteessä x 0 on + mikäli kaikilla R > 0 löytyy sellainen δ > 0 että f (x) > R aina kun x 0 < x < x 0 + δ. Funktion f oikeanpuoleinen
LisätiedotTilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama.
Aikasarjat Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarja on laajassa mielessä stationäärinen (wide sense stationary, WSS), jos odotusarvo
LisätiedotYhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt
Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotOsittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
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
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
LisätiedotPakotettu vaimennettu harmoninen värähtelijä Resonanssi
Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Tällä luennolla tavoitteena Mikä on pakkovoiman aiheuttama vaikutus vaimennettuun harmoniseen värähtelijään? Mikä on resonanssi? Kertaus: energian
LisätiedotFlash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen
Flash AD-muunnin Koostuu vastusverkosta ja komparaattoreista. Komparaattorit vertailevat vastuksien jännitteitä referenssiin. Tilanteesta riippuen kompraattori antaa ykkösen tai nollan ja näistä kootaan
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
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
LisätiedotTampereen yliopisto Informaatiotieteiden yksikkö
Tampereen yliopisto Informaatiotieteiden yksikkö Kevät 017 Luennot: Kerkko Luosto Muistiinpanot: Jesse Railo (013) ja Jussi Klemetti (017) 6 Kartioleikkaukset Vanhan ajan geometrian merkittävimpiä tuloksia
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
LisätiedotTAAJUUDEN SIIRTO JA SEKOITUS VÄLITAAJUUSVASTAANOTIN & SUPERHETERODYNEVASTAANOTTO
TAAJUUDEN SIIRTO JA SEKOITUS VÄLITAAJUUSVASTAANOTIN & SUPERHETERODYNEVASTAANOTTO 1 (17) Sekoitus uudelle keskitaajuudelle Kantataajuussignaali (baseband) = signaali ilman modulaatiota Kaistanpäästösignaali
LisätiedotNormaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa
Normaaliryhmä Toisen kertaluvun normaaliryhmä on yleistä muotoa x = u(t,x,y), y t I, = v(t,x,y), Funktiot u = u(t,x,y), t I ja v = v(t,x,y), t I ovat tunnettuja Toisen kertaluvun normaaliryhmän ratkaisu
LisätiedotKotitehtävät 1-6: Vastauksia
/V Integraalimuunnokset Metropolia/. Koivumäki Kotitehtävät -6: Vastauksia. Merkitse kompleksitasoon näiden kompleksilukujen sijainti: a = 3 j b = 3 35 (3 kulmassa 35 ) jπ / c = d = 3 e j 9.448 e cos(
LisätiedotCh7 Kvanttimekaniikan alkeita. Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset.
Ch7 Kvanttimekaniikan alkeita Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset. Spinnittömät hiukkaset Hiukkasta kuvaa aineaaltokenttä eli aaltofunktio. Aaltofunktio riippuu
Lisätiedot2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.
2. kl:n DY:t Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.) Lause Olkoon f(x 2, x 1, t) funktio, ja oletetaan, että f, f/ x 1 ja f/ x
LisätiedotFourier-sarjat ja -muunnos
24. marraskuuta 2016 Jaksolliset funktiot, trigonometriset sarjat, parilliset ja p Jaksolliset funktiot Funktio f : R R on jaksollinen, jos on olemassa p > 0 siten, että f (x + p) = f (x) kaikilla x R
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotPisteessä (1,2,0) osittaisderivaatoilla on arvot 4,1 ja 1. Täten f(1, 2, 0) = 4i + j + k. b) Mihin suuntaan pallo lähtee vierimään kohdasta
Laskukarnevaali Matematiikka B. fx, y, z) = x sin z + x y, etsi f,, ) Osittaisderivaatat ovat f f x = sin z + xy, y = x, f z = x cos z Pisteessä,,) osittaisderivaatoilla on arvot 4, ja. Täten f,, ) = 4i
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
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?
Lisätiedot1.1 Vektorit. MS-A0004/A0006 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n.
ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0004/A0006 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 8.9.015 Reaalinen
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
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;
Lisätiedotr > y x z x = z y + y x z y + y x = r y x + y x = r
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Osoita, että avoin kuula on avoin joukko ja suljettu kuula on suljettu joukko. Ratkaisu.
Lisätiedotl 1 2l + 1, c) 100 l=0
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, kevät 01 / ORMS1010 Matemaattinen Analyysi. harjoitus, viikko 1 R1 ke 1 16 D11 (..) R to 10 1 D11 (..) 1. Määritä funktion y(x) MacLaurinin sarjan kertoimet, kun y(0) = ja y (x) = (x
LisätiedotSMG-2100: SÄHKÖTEKNIIKKA
SMG-2100: SÄHKÖTEKNIIKKA Vaihtosähkön teho kompleksinen teho S pätöteho P loisteho Q näennäisteho S Käydään läpi sinimuotoisiin sähkösuureisiin liittyviä tehotermejä. Määritellään kompleksinen teho, jonka
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
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
Lisätiedot1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus
S-114.1427 Harjoitus 3 29 Yleisiä ohjeita Ratkaise tehtävät MATLABia käyttäen. Kirjoita ratkaisut.m-tiedostoihin. Tee tuloksistasi lyhyt seloste, jossa esität laskemasi arvot sekä piirtämäsi kuvat (sekä
Lisätiedotsin(x2 + y 2 ) x 2 + y 2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 2017 Harjoitus 2 Ratkaisuedotukset 2.1. Tutki funktion g : R 2 R, g(0, 0) = 0, jatkuvuutta. g(x, y) = sin(x2 + y 2 ) x 2 + y 2, kun (x,
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
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotMat-1.1331 Matematiikan pk KP3-i - kertaus
Mat-.33 Matematiikan pk KP3-i - kertaus J.v.Pfaler TKK 24. lokakuuta 2007 Kurssin ensimmäisen puoliskon selkäranka on Kompleksitason funktioiden teoria, sisältäen analyyttiset funktiot, auchy integraali
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
LisätiedotTrigonometriset funktiot
Peruskäsitteet Y-peilaus X-peilaus Pistepeilaus Muistikulmat Muistikolmio 1 Muistikolmio 2 Jaksollisuus Esimerkki 5.A Esimerkki 5.B1 Esimerkki 5.B2 Esimerkki 5C.1 Esimerkki 5C.2 (1/2) (2/2) Muunnelmia
LisätiedotLuento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r
Luento 13: Periodinen liike Johdanto Harmoninen värähtely Esimerkkejä θ F t m g F r 1 / 27 Luennon sisältö Johdanto Harmoninen värähtely Esimerkkejä 2 / 27 Johdanto Tarkastellaan jaksollista liikettä (periodic
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotSinin muotoinen signaali
Sinin muotoinen signaali Pekka Rantala.. Sini syntyy tasaisesta pyörimisestä Sini-signaali syntyy vakio-nopeudella pyörivän osoittimen y-suuntaisesta projektiosta. y u û α positiivinen pyörimissuunta x
LisätiedotTL5231, Signaaliteoria (S2004) Matlab-harjoituksia
1. a) Muodosta Matlab-ohjelmistossa kosinisignaali x(t) = Acos(2πft+θ), jonka amplitudi on 1V, taajuus hertseinä sama kuin ikäsi vuosina (esim. 2 v = 2 Hz) ja vaihekulma +π/2. Piirrä signaali ja tarkista
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
LisätiedotKompleksiluvut., 15. kesäkuuta /57
Kompleksiluvut, 15. kesäkuuta 2017 1/57 Miksi kompleksilukuja? Reaaliluvut lukusuoran pisteet: Tiedetään, että 7 1 0 x 2 = 0 x = 0 1 7 x 2 = 1 x = 1 x = 1 x 2 = 7 x = 7 x = 7 x 2 = 1 ei ratkaisua reaalilukujen
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
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
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
Lisätiedotk = 1,...,r. L(x 1 (t), x
Mat-2.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = t g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18
Lisätiedot1. Viikko. K. Tuominen MApu II 1/17 17
1. Viikko Keskeiset asiat ja tavoitteet: 1. Kompleksiluvut, kompleksitaso, polaariesitys, 2. Kompleksilukujen peruslaskutoimitukset, 3. Eulerin ja De Moivren kaavat, 4. Potenssi ja juuret, kompleksinen
Lisätiedot