Laskuharjoitus 4 ( ): Tehtävien vastauksia
|
|
- Väinö Arttu Heino
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 4 ( ): Tehtävien vastauksia 1. Tutkitaan signaalista näytteenotolla muodostettua PAM (Pulse Amplitude Modulation) -signaalia. Käytetään Matlabia, saatavilla valmis Matlab-ohjelma ( Se piirtää analogisen aaltomuodon ja sen spektrin. Sitten ohjelma toteuttaa näytteenoton ja piirtää saadun PAM-signaalin ja sen spektrin. Nähdään että kirjan kuvassa 3.8 kerrottu spektriin liittyvä asia toteutuu. Kun olet katsellut, mitä tapahtuu, kun näytteenottotaajuus on riittävän iso, vaihda taajuudeksi (ohjelmassa muuttuja Fs2) muita arvoja, isompia ja pienempiä. Erityisesti tutki, mitä tapahtuu, kun taajuus on pienempi kuin Nyqvistin mukainen minimi. Nyt kun analogisen signaalin suurin taajuus on 4 khz, on pienin sallittu näytteenottotaajuus 8 khz. Kokeile vaikka 6.5 khz:iä. Totea, että nyt ei PAM-signaalista pystytä suodattamaan alkuperäisen signaalin spektriä ulos. Tässä Matlab-koodi: % Laskuharjoitus 4, tehtävä 1 % Määritellään muutama tarpeellinen lähtötieto: Fs = ; % Laskettavien arvojen (näytteiden) määrä sekunnissa dt = 1/Fs; % Aika-arvojen väli sekunteina T = 5; % Signaalin kesto sekunteina t = 0:dt:T; % Ajanhetket taulukkoon t. Näinä hetkinä laskemme signaalin arvon. % Määritellään signaali, kolmen sinin summa, taajuudet 2, 3 ja 4 khz: f1 = 2000; f2 = 3000; f3 = 4000; % Taajuudet Hz A1 = 1; A2 = 2; A3 = 3; % Amplitudit fii1 = 0; fii2 = 0; fii3 = 0; % Vaihekulmat radiaaneina % Signaalin yhtälö on: v = A1*cos(2*pi*f1*t+fii1) + A2*cos(2*pi*f2*t+fii2)... + A3*cos(2*pi*f3*t+fii3); % Nyt jokaisena taulukon t hetkenä on signaalin arvo taulukossa v % Piirretään v:n kuvaaja t:n funktiona: subplot(4,1,1); plot(t,v); xlim([ ]); % Otetaan näkyviin vain sen verran aika-akselia % että aaltomuoto näkyy hyvin. Tässä 2 ms:n pätkä. % Lasketaan v:n Fourier-muunnos eli spektri: V = fft(v); % fft-funktio laskee spektrin, jolloin tuloksena taulukko V, % jossa on kompleksilukuja yhtä monta kuin v:ssä % signaalin arvoja % Spektrin käsittely vaatii komentoja, jotta amplitudispektri näkyy oikein: df = 1/T; % Taajuusaskel Fourier-muunnoksessa f = 0:df:Fs/2; % Spektri laskettiin näillä taajuuksilla Nf = length(f); % Taajuuksien määrä Vpos = abs(v(1:nf))/nf; % Tässä taulukossa amplitudispektri taajuusvälillä % 0... Fs/2 subplot(4,1,2); % Amplitudispektri alempaan kuvaan plot(f,vpos); xlim([ ]); % Piirretään spektri 5 khz asti ylim([0 4]); % Pystyakselin maksimiarvo = 4 % Muodostetaan PAM-signaali (eli pulssijono) v2, johon poimitaan v:n % aaltomuodosta joka kymmenes arvo, jolloin näytteenottotaajuus on 10 khz, % siis Nyqvistin näytteenottoteoreeman mukaan riittävän iso: Fs2 = 10000; % Nyqvistin näytteenottoteoreeman mukaan riittävän iso d = floor(fs/fs2); % Joka d:s v:n arvo poimitaan v:stä v2 = v-v; % v:n kokoinen nollia sisältävä taulukko for i=1:d:fs v2(i) = v(i); % Joka d:s v2:n arvo = vastaava v:n arvo end; % PAM-signaalin plottaus: subplot(4,1,3); plot(t,v2); xlim([ ]); % Plotataan v2:ta saman verran kuin v:tä % Lasketaan PAM-signaalin Fourier-muunnos eli spektri:
2 V2 = fft(v2); % fft-funktio laskee spektrin, jolloin tuloksena taulukko V, % jossa on kompleksilukuja yhtä monta kuin v:ssä % signaalin arvoja % Spektrin käsittely vaatii komentoja, jotta amplitudispektri näkyy oikein: df = 1/T; % Taajuusaskel Fourier-muunnoksessa f = 0:df:Fs/2; % Spektri laskettiin näillä taajuuksilla Nf = length(f); % Taajuuksien määrä V2pos = abs(v2(1:nf))/nf; % Tässä taulukossa amplitudispektri taajuusvälillä % 0... Fs/2 subplot(4,1,4); % Amplitudispektri alempaan kuvaan plot(f,v2pos); xlim([ ]); % Piirretään spektri 5 khz asti %ylim([0 4]); % Pystyakselin maksimiarvo = 4 Matlabin tulostus: PAM-signaalissa näytteenottotaajuus 10 khz. Alimmassa kuvassa näkyy asia, jota on selitetty kirjan kuvassa 8.3. Analogisesta signaalista v(t) näytteenottotaajuudella f s muodostetun PAM-signaalin v 2 (t) spektri koostuu alkuperäisen signaalin spektrin kopioista, jotka ovat taajuusakselin kohdissa n f, missä n on kokonaisluku. Nyt alkuperäisen signaalin spektri sisältää taajuudet ±2 khz, ±3 khz ja ±4 khz, joten näytteenottotaajuudella f s = 10 khz muodostetun PAM-signaalin spektrissä on piikit noiden alkuperäisten taajuuksien lisäksi myös taajuuksilla 10±2 khz, 10±3 khz ja 10±4 khz ja taajuuksilla 20±2 khz, 20±3 khz ja 20±4 khz jne. (Se asia, että jos alkuperäinen signaali sisältää taajuudet 2, 3 ja 4 khz, niin se sisältää myös vastaavat negatiiviset taajuudet 2, 3 ja 4 khz, on Fourier-analyysiin syvällisemmin perehtyvän matemattisen tarkastelun asia. Esim. Integraalimuunnokset-kurssilla asia varmaankin tulee esille.) PCM:hän toimii niin, että kun lähetyspäässä on muodostettu näytteenotolla PAM-signaali, siinä olevien pulssien jännitearvot kvantisoidaan ja koodataan koodisanoiksi. Näin saadut bitit lähetetään. Vastaanottaja muodostaa saamiensa koodisanojen perusteella PAM-signaalin ja laittaa sen läpi alipäästösuodattimesta, jonka rajataajuus on puolet näytteenottotaajuudesta, siis nyt 5 khz. Nyt siis suodatuksen jälkeen ylläolevan PAM-signaalin spektristä katoavat taajuudet 6 khz, 7 khz, 8 khz, 12 khz, 13 khz, 14 khz jne. jolloin jäljelle jäävät vain alkuperäisen asignaalin sisältämät taajuudet 2, 3 ja 4 khz. Toimii. s
3 Pienennetään PAM-signaalin muodostuksessa käytettävää näytteenottotaajuutta: f s = 6.55 khz. Tämähän on Nyqvistin näytteenottoteoreeman mukaan liian pieni, koska nyt suurin signaaliin v(t) sisältyvä taajuus on 4 khz. Silloin Nyqvistin mukaan pitää olla f s > 8 khz. Mitä tapahtuu? Matlabin tulostus, kun f s = 6.5 khz: Alkuperäisen signaalin spektripiikkien (2 khz, 3 khz ja 4 khz) lisäksi PAM-signaalin spektrissä on piikit myös taajuuksilla 6.5±2 khz, 6.5±3 khz ja 6.5±4 khz ja taajuuksilla 13±2 khz, 13±3 khz ja 13±4 khz jne. Pienimmästä luetellen nuo PAM-signaalin ylimääräiset taajuudet ovat siis 2.5, 3.5, 4.5, 8.5, 9, 9.5, 10, 10.5, 11 khz jne. Siis alkuperäisen signaalin taajuuskaistalle ilmestyy taajuuksia, joita siellä ei pidä olla. Tätä ilmiötä kutsutaan laskostumiseksi eli aliasing-ilmiöksi. Nyt ei minkäänlaisella alipäästösuodattimella voida tuosta spektriviivojen sekamelskasta saada aikaa alkuperäisen signaalin spektriä. Ei toimi. 2. Tallenna äskeinen Matlab-ohjelma uudella nimellä, esim. lh4_teht2.m. Muuta ohjelmaa niin, että tehdään sama tutkimus kuin tehtävässä 1, mutta käytetään signaalina tätä puhetta sisältävää wav-tiedostoa: Puheesta on suodatettu kaikki yli 3 khz taajuudet pois, joten sen spektrillä on varsin selkeä muoto. Kun plottaa spektrin desibeleinä, niin ulkoasu selkeytyy vielä lisää. Ota mallia laskuharjoituksen 2 tehtävän 6 Matlab-koodista ( TLT/Matlab/lh2_teht6.m), josta voit katsoa miten signaalille v luetaan sisältö wav-tiedostosta. Muokkaamalla edellistä Matlab-koodia saadaan tämä: % Laskuharjoitus 4, tehtävä 2 % Luetaan signaali äänitiedostosta: [v,fs] = wavread('puhe3.wav'); % Uutistenlukija puhuu % Samalla tuli luettua tiedostosta aaltomuodon % arvojen määrä sekunnissa eli näytteenottotaajuus Fs. % Määritellään muutama tarpeellinen lähtötieto: dt = 1/Fs; % Aika-arvojen väli sekunteina N = length(v); % Näytteiden kokonaismäärä T = (N-1)*dt; % Signaalin kesto sekunteina t = 0:dt:T; % Ajanhetket taulukkoon t. Näinä hetkinä laskemme signaalin arvon. % Piirretään v:n kuvaaja t:n funktiona: subplot(4,1,1);
4 plot(t,v); xlim([0 0.01]); % Otetaan näkyviin vain sen verran aika-akselia % että aaltomuoto näkyy hyvin. Tässä 2 ms:n pätkä. % Lasketaan v:n Fourier-muunnos eli spektri: V = fft(v); % fft-funktio laskee spektrin, jolloin tuloksena taulukko V, % jossa on kompleksilukuja yhtä monta kuin v:ssä % signaalin arvoja % Spektrin käsittely vaatii komentoja, jotta amplitudispektri näkyy oikein: df = 1/T; % Taajuusaskel Fourier-muunnoksessa f = 0:df:Fs/2; % Spektri laskettiin näillä taajuuksilla Nf = length(f); % Taajuuksien määrä Vpos = abs(v(1:nf))/nf; % Tässä taulukossa amplitudispektri taajuusvälillä % 0... Fs/2 subplot(4,1,2); % Amplitudispektri alempaan kuvaan plot(f,vpos); xlim([ ]); % Piirretään spektri 5 khz asti %ylim([0 4]); % Pystyakselin maksimiarvo = 4 % Muodostetaan PAM-signaali (eli pulssijono) v2, johon poimitaan v:n % aaltomuodosta joka kymmenes arvo, jolloin näytteenottotaajuus on 10 khz, % siis Nyqvistin näytteenottoteoreeman mukaan riittävän iso: Fs2 = 7350; % Nyqvistin näytteenottoteoreeman mukaan riittävän iso d = floor(fs/fs2); % Joka d:s v:n arvo poimitaan v:stä v2 = v-v; % v:n kokoinen nollia sisältävä taulukko for i=1:d:fs v2(i) = v(i); % Joka d:s v2:n arvo = vastaava v:n arvo end; % PAM-signaalin plottaus: subplot(4,1,3); plot(t,v2); xlim([0 0.01]); % Plotataan v2:ta saman verran kuin v:tä % Lasketaan PAM-signaalin Fourier-muunnos eli spektri: V2 = fft(v2); % fft-funktio laskee spektrin, jolloin tuloksena taulukko V, % jossa on kompleksilukuja yhtä monta kuin v:ssä % signaalin arvoja % Spektrin käsittely vaatii komentoja, jotta amplitudispektri näkyy oikein: df = 1/T; % Taajuusaskel Fourier-muunnoksessa f = 0:df:Fs/2; % Spektri laskettiin näillä taajuuksilla Nf = length(f); % Taajuuksien määrä V2pos = abs(v2(1:nf))/nf; % Tässä taulukossa amplitudispektri taajuusvälillä % 0... Fs/2 subplot(4,1,4); % Amplitudispektri alempaan kuvaan plot(f,v2pos); xlim([ ]); % Piirretään spektri 5 khz asti %ylim([0 4]); % Pystyakselin maksimiarvo = 4 Tiedostossa puhe3.wav oleva ääni on audio-cd-formaatin mukaista eli signaalin aaltomuodon arvoja on kpl sekunnissa. Kun tämä signaali muutetaan PCM-tyyppiseksi PAM-signaaliksi näytteenottotaajuudella 7350 Hz, on Matlabin tulostus tällainen:
5 Spektristä selvästi näkyy, että äänestä on jyrkästi suodatettu pois yli 3 khz:n taajuudet. Ja nyt kun näytteenottotaajuus (7.35 khz) on selvästi vaadittua (2 3 khz = 6 khz) isompi, on PAM-signaalin spektrissä alkuperäinen spektri ( khz) selvästi eroteltavissa 7.35 khz:n kohdalle taajuuksille khz ja khz kopioituneesta spektristä. Niinpä alipäästösuodattimella PAM-signaalista saa helposti esille alkuperäisen äänen. Toimii. Jos käytetään liian pientä näytteenottotaajuutta khz, on tulos tämä:
6 Näytteet liian harvassa, laskostuminen pilaa PAM-signaalin spektrin, suodattamalla ei alkuperäistä spektriä saa esille. Ei toimi. 3. Kirjan tehtävä Tässä: Draw the analog waveform generated by a PCM decoder with a digital milliwatt as the input signal of the decoder. Use Figure 3.14 to determine the approximate analog signal value. What is the periodic time and what is the frequency of the analog signal produced? Mainittu kuva 3.14 ohessa. Tuon kuvan perusteella on kuitenkin aika hankala etsiä lukuarvoja. Sen sijaan niitä voi hakea tästä Excel-taulukosta: Digitaalinen milliwatti on määritelty kirjan luvussa Tässä digitaalisen milliwatin määrittelevät 8-bittiset koodisanat: Mutta kun PCM:ssä siirtoa varten koodisanan joka toinen bitti (alkaen toisesta bitistä) invertoidaan, ovat todelliset koodisanat oheiset Excel-taulukosta löytyy puhelinverkon PCM-järjestelmän jokaista 8-bittistä koodisanaa vastaava signaalijännitearvo. (Taulukossa jännitearvot on skaalattu välille Se, montako volttia kutakin koodisanaa vastaava jännite sitten on elävässä elämässä puhelinkeskuksen PCM-laitteistossa, on eri asia.)
7 Etsimällä taulukosta kullekin digitaalisen milliwatin koodisanalle jännitearvovastine saadaan seuraava dekoodaustulos: Aika/µs Koodisana Jännite Koska näytteenottotaajuus on 8 khz, on näyteiden väli 125 µs. Taulukkoon on laitettu nuo 8 koodisanaa kahteen kertaan, jotta saadaan digitaalisen milliwatin aaltomuotoa näkyviin enemmän kuin yksi jakso. Excelillä saadaan aikaan tämä grafiikka: Hiukan horjahtelevan näköinen 1 khz:n sinihän tuo on. 4. Tekstissä Analogisen signaalin digitaalinen siirto ( TLT/anal.sign.digit.siirto.pdf) on sivulla 5 kuva 4, jossa näkyy, miten aaltomuoto muuttuu, kun PCM-koodataan kolmella bitillä tasavälisellä kvantisoinnilla. Piirrä Excelillä sama kuva niin, että lisäät siihen kolmanneksi käyräksi A- lain mukaista epätasavälistä kvantisointia käyttäen saatava aaltomuoto. Kaikki tarvittavat lukuarvot löytyvät sivulla 9 olevasta taulukosta eli tästä: Tasavälinen kvantisointi Epätasavälinen kvantisointi t/µs Näytteen Lähin Koodisana Lähin Koodisana arvo / V kvantisointitaso / V kvantisointitaso / V
8 Alla Excelillä piirretyt alkuperäinen aaltomuoto sekä tasavälistä ja epätasavälistä (A-laki) kvantisointia käyttäen siirretty aaltomuoto. Kun signaalijännite on pieni, antaa epätasavälinen kvantisointi tarkemman tuloksen. Tämä onkin epätasavälisen kvantisoinnin tärkeä etu. Puhesignaalin jännite on suurimman osan aikaa melko pieni, joten äänen aaltomuodon keskimääräinen tarkkuus on epätasavälistä kvantisointia käytettäessä parempi kuin jos käytettäisiin tasavälistä kvantisointia.
Laskuharjoitus 2 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 2 (11.9.2013): Tehtävien vastauksia 1. Eräässä kuvitteellisessa radioverkossa yhdessä radiokanavassa voi olla menossa samanaikaisesti
LisätiedotAlla olevassa kuvassa on millisekunnin verran äänitaajuisen signaalin aaltomuotoa. Pystyakselilla on jännite voltteina.
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki 1 Kirjan lukuun 3 liittyvää lisäselitystä ja esimerkkejä Kirjan luvussa 3 (Signals Carried over the Network) luodaan katsaus siihen, minkälaisia
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(
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotMatlab-tietokoneharjoitus
Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,
LisätiedotSignaalien datamuunnokset. Digitaalitekniikan edut
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 09/02/2009 Signaalien datamuunnokset 1 Digitaalitekniikan edut Tarkoituksena
LisätiedotSignaalien datamuunnokset
Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 06/02/2004 Luento 4a: Signaalien datamuunnokset 1 Digitaalitekniikan
LisätiedotJohdanto tieto- viestintäteknologian käyttöön: Äänitystekniikka. Vfo135 ja Vfp124 Martti Vainio
Johdanto tieto- viestintäteknologian käyttöön: Äänitystekniikka Vfo135 ja Vfp124 Martti Vainio Akustiikka Äänityksen tarkoitus on taltioida paras mahdo!inen signaali! Tärkeimpinä kolme akustista muuttujaa:
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).
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
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
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotMitä on signaalien digitaalinen käsittely
Mitä on signaalien digitaalinen käsittely Signaalien digitaalinen analyysi: mitä sisältää, esim. mittaustulosten taajuusanalyysi synteesi: signaalien luominen, esim. PC:n äänikortti käsittely: oleellisen
Lisätiedotpuheen laatu kärsii koodauksesta mahdollisimman vähän. puhe pakkautuu mahdollisimman pieneen määrään bittejä.
Luku 1 Puheen koodaus Puheen koodauksella tarkoitetaan puhesignaalin esittämiseen tarvittavan bittimäärän pienentämistä sillä tavalla, että puhesignaalin laatu ja ymmärrettävyys kärsivät mahdollisimman
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
LisätiedotPuheenkoodaus. Olivatpa kerran iloiset serkukset. PCM, DPCM ja ADPCM
Puheenkoodaus Olivatpa kerran iloiset serkukset PCM, DPCM ja ADPCM PCM eli pulssikoodimodulaatio Koodaa jokaisen signaalinäytteen binääriseksi (eli vain ykkösiä ja nollia sisältäväksi) luvuksi kvantisointitasolle,
LisätiedotAV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen
AV-muotojen migraatiotyöpaja - ääni KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen Äänimuodot Ääneen vaikuttavia asioita Taajuudet Äänen voimakkuus Kanavien määrä Näytteistys Bittisyvyys
LisätiedotÅbo Akademi 3.5.2011 klo 12-16. Mietta Lennes mietta.lennes@helsinki.fi. Nykykielten laitos Helsingin yliopisto
Åbo Akademi 3.5.2011 klo 12-16 Mietta Lennes mietta.lennes@helsinki.fi Nykykielten laitos Helsingin yliopisto Praat-puheanalyysiohjelma Mikä on Praat? Mikä on Praat? Praat [Boersma and Weenink, 2010] on
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
LisätiedotSISÄLLYS - DIGITAALITEKNIIKKA
SISÄLLYS - DIGITAALITEKNIIKKA Digitaalitekniikan perusteita...2 Bitti (bit)...2 Tavu (bytes)...2 Sana (word)...2 Yksiköt...2 Binääri järjestelmän laskutapa...2 Esimerkki: Digikuvan siirron kestoaika...2
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
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
LisätiedotDigitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Johdatus digitaalitekniikkaan
Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Digitaalitekniikan matematiikka Luku 1 Sivu 2 (19) Johdanto Tässä luvussa esitellään tiedon lajeja ja tiedolle tehtävää käsittelyä käsitellään tiedon
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
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen
LisätiedotAD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (1997). Digital audio signal processing
AD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (1997). Digital audio signal processing Sisältö: Näytteistys, laskostuminen Kvantisointi, kvantisointivirhe, kvantisointisärö,
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
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?
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,
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Audiosignaalit (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Audiosignaalit (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja SPDemo-ohjelmistoja käyttäen. Kokoa
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala 30.9.2015 ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat
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
LisätiedotOrganization of (Simultaneous) Spectral Components
Organization of (Simultaneous) Spectral Components ihmiskuulo yrittää ryhmitellä ja yhdistää samasta fyysisestä lähteestä tulevat akustiset komponentit yhdistelyä tapahtuu sekä eri- että samanaikaisille
Lisätiedot1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille:
1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: a) x 1 (t) = cos(πt) + sin(6πt) + 1cos(1πt) ja b) x (t) = cos(1πt)cos(πt). a) x 1 (t) = cos(πt) + sin(6πt) +
LisätiedotELEC-C5340 - Sovellettu digitaalinen signaalinkäsittely. Äänisignaalien näytteenotto ja kvantisointi Dither Oskillaattorit Digitaalinen suodatus
L1: Audio Prof. Vesa Välimäki ELEC-C5340 - Sovellettu digitaalinen signaalinkäsittely Luennon sisältö Äänisignaalien näytteenotto ja kvantisointi Dither Oskillaattorit Digitaalinen suodatus Lyhyt FIR-suodin
LisätiedotT-61.246 DSP: GSM codec
T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää
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
LisätiedotTekniikka ja liikenne (5) Tietoliikennetekniikan laboratorio
Tekniikka ja liikenne 4.4.2011 1 (5) Tietoliikennetekniikan laboratorio Työ 1 PCM-työ Työn tarkoitus Työssä tutustutaan pulssikoodimodulaation tekniseen toteutustapaan. Samalla nähdään, miten A/Dmuunnin
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
LisätiedotS-38.1105 Tietoliikennetekniikan perusteet. Jukka Manner Teknillinen korkeakoulu
S-38.1105 Tietoliikennetekniikan perusteet Jukka Manner Teknillinen korkeakoulu Luento 3 Signaalin siirtäminen Tiedonsiirron perusteita Jukka Manner Teknillinen korkeakoulu Luennon ohjelma Termejä, konsepteja
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotJuha Henriksson. Digitaalinen äänentallennus. 5.12.2005 Dr. Juha Henriksson Finnish Jazz & Pop Archive
Juha Henriksson Digitaalinen äänentallennus 1 Äänen korkeus Ääni on värähtelyä, joka etenee ilmassa ilmamolekyylien harventumina ja tiivistyminä Äänen korkeutta kutsutaan äänen taajuudeksi Taajuuden yksikkö
LisätiedotSGN-4010, Puheenkäsittelyn menetelmät Harjoitus 6, 18. ja
SGN-4010, Puheenkäsittelyn menetelmät Harjoitus 6, 18. ja 21.2.2010 1. (Matlab, 2 pistettä) Vokaalit ja soinnilliset konsonantit ovat lähes jaksollisia ja niillä on äänihuulten värähtelystä johtuva perustaajuus.
Lisätiedot8. Kuvaustekniikat. Tämän kuvauksen esittäminen ei ole kuitenkaan suoraviivaista. Niinpä se käydään läpi kaksivaiheisena
8. Kuvaustekniikat Tietokonegrafiikassa hyödynnetty termi tekstuuri on oikeastaan hieman kehno, sillä se on jossakin määrin sekoittava eikä tarkoita pinnan pienimittakaavaisen geometrian käsittelyä sanan
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat laakerit,
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
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen
TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen
LisätiedotSGN-4200 Digitaalinen Audio Harjoitustyö-info
1 SGN-4200 Digitaalinen Audio Harjoitustyö-info 04.04.2012 Joonas Nikunen Harjoitystyö - 2 Suorittaminen ja Käytännöt Kurssin pakollinen harjoitustyö: Harjoitellaan audiosignaalinkäsittelyyn tarkoitetun
LisätiedotS-114.3812 Laskennallinen Neurotiede
S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 2 4.12.2006 Heikki Hyyti 60451P Tehtävä 1 Tehtävässä 1 piti tehdä lineaarista suodatusta kuvalle. Lähtötietoina käytettiin kuvassa 1 näkyvää harmaasävyistä
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
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
Lisätiedot6. Analogisen signaalin liittäminen mikroprosessoriin 2 6.1 Näytteenotto analogisesta signaalista 2 6.2. DA-muuntimet 4
Datamuuntimet 1 Pekka antala 19.11.2012 Datamuuntimet 6. Analogisen signaalin liittäminen mikroprosessoriin 2 6.1 Näytteenotto analogisesta signaalista 2 6.2. DA-muuntimet 4 7. AD-muuntimet 5 7.1 Analoginen
Lisätiedot1. Perusteita. 1.1. Äänen fysiikkaa. Ääniaalto. Aallonpituus ja amplitudi. Taajuus (frequency) Äänen nopeus
1. Perusteita 1. Äänen fysiikkaa 2. Psykoakustiikka 3. Äänen syntetisointi 4. Samplaus ja kvantisointi 5. Tiedostoformaatit 1.1. Äänen fysiikkaa ääni = väliaineessa etenevä mekaaninen värähtely (aaltoliike),
LisätiedotPuhetie, PCM järjestelmä, johtokoodi
Puhetie, PCM järjestelmä, johtokoodi PCM~PulseCodeModulation Näytteenotto Kvantisointi ÿ Lineaarinen ÿ Epälineaarinen Kvantisointisärö TDM-kanavointi PCM-kehysrakenne, CRC -ylikehys PCM, PCM, PCM 8, PCM
LisätiedotSuccessive approximation AD-muunnin
AD-muunnin Koostuu neljästä osasta: näytteenotto- ja pitopiiristä, (sample and hold S/H) komparaattorista, digitaali-analogiamuuntimesta (DAC) ja siirtorekisteristä. (successive approximation register
LisätiedotHarjoitustyö 1. Signaaliprosessorit Sivu 1 / 11 Vähämartti Pasi & Pihlainen Tommi. Kaistanestosuodin, estä 2 khz. Amplitudi. 2 khz.
Signaaliprosessorit Sivu 1 / 11 Harjoitustyö 1 Kaistanestosuodin, estä 2 khz Amplitudi f 2 khz MATLAB koodi: clear; close all; w=[0 1900 1950 2050 2100 4000]/4000; m=[1 1 0 0 1 1]; h=remez(800,w,m); [H,w]=freqz(h,1);
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
LisätiedotDigitaalinen audio & video I
Digitaalinen audio & video I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva + JPEG 1 Johdanto Multimediassa hyödynnetään todellista ääntä, kuvaa ja videota
LisätiedotTiistai klo 10-12 Jari Eerola 20.1.2015
Tiistai klo 10-12 Jari Eerola 20.1.2015 } 20.1. Kuvaajatyypit ja ohjelmat Analyysiohjelmista Praat ja Sonic Visualiser Audacity } 27.1. Nuotinnusohjelmista Nuotinnusohjelmista Musescore } Tietokoneavusteinen
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
LisätiedotVäliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy Mikko Kyllönen Matti Marttinen Vili Tuomisaari
Väliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy 2015 Mikko Kyllönen Matti Marttinen Vili Tuomisaari Projektin eteneminen Projekti on edennyt syksyn aikana melko vaikeasti. Aikataulujen
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
LisätiedotTL5503 DSK, laboraatiot (1.5 op) Kuvasignaalit. Jyrki Laitinen
TL553 DSK, laboraatiot (.5 op) Kuvasignaalit Jyrki Laitinen TL553 DSK, laboraatiot (.5 op), K25 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja VCDemo-ohjelmistoja käyttäen. Kokoa erilliseen mittauspöytäkirjaan
LisätiedotJakso 6: Värähdysliikkeet Tämän jakson tehtävät on näytettävä viimeistään torstaina
Jakso 6: Värähdysliikkeet Tämän jakson tehtävät on näytettävä viimeistään torstaina 31.5.2012. T 6.1 (pakollinen): Massa on kiinnitetty pystysuoran jouseen. Massaa poikkeutetaan niin, että se alkaa värähdellä.
LisätiedotVärähtelymittaus Tämän harjoituksen jälkeen:
Värähtelymittaus Tämän harjoituksen jälkeen: ymmärrät mittausvahvistimen käytön ja differentiaalimittauksen periaatteen, olet kehittänyt osaamista värähtelyn mittaamisesta, siihen liittyvistä ilmiöstä
LisätiedotDigitaalinen signaalinkäsittely Johdanto, näytteistys
Digitaalinen signaalinkäsittely Johdanto, näytteistys Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn
LisätiedotZeon PDF Driver Trial
Matlab-harjoitus 2: Kuvaajien piirto, skriptit ja funktiot. Matlabohjelmoinnin perusteita Numeerinen integrointi trapezoidaalimenetelmällä voidaan tehdä komennolla trapz. Esimerkki: Vaimenevan eksponentiaalin
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)
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
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
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,
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
LisätiedotTuntematon järjestelmä. Adaptiivinen suodatin
1 1 Vastaa lyhyesti seuraaviin a) Miksi signaaleja ylinäytteistetään AD- ja DA-muunnosten yhteydessä? b) Esittele lohkokaaviona adaptiiviseen suodatukseen perustuva tuntemattoman järjestelmän mallinnus.
LisätiedotDigitaalinen audio
8003203 Digitaalinen audio Luennot, kevät 2005 Tuomas Virtanen Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2 Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot, sekä niissä
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:
LisätiedotKanavointi ja PCM järjestelmä
Kanavointi ja PCM järjestelmä Kanavointi PCM ~ Pulse Code Modulation ƒ Näytteenotto ƒ Kvantisointi y Lineaarinen y Epälineaarinen ƒ Kvantisointisärö TDM-kanavointi ƒ PCM 0, PCM 0, PCM 80, PCM 90 Rka/ML
LisätiedotYrityslähtöisten ideoiden käyttö fysiikan opetuksessa
Yrityslähtöisten ideoiden käyttö fysiikan opetuksessa 4.10.2012 Osana CoRD-verkostoitumishanketta Jaakko Kaski Lehtori, FT, Oulun seudun ammattikorkeakoulu, tekniikan yksikkö Taustaa Fysiikka on insinöörin
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.
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
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
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
LisätiedotAlias-ilmiö eli taajuuden laskostuminen
Prosessiorientoituneet mallit Todellista hybridijärjestelmää ELEC-C1230 Säätötekniikka Luku 12: Näytteenottoteoreema ja jatkuvien säätimien diskreetit approksimaatiot Prosessiorientoituneet mallit katsotaan
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
LisätiedotDigitaalinen audio & video, osa I. Johdanto. Digitaalisen audion sovellusalueet. Johdanto. Taajuusalue. Psykoakustiikka. Johdanto Digitaalinen audio
Digitaalinen audio & video, osa I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva +JPEG Petri Vuorimaa 1 Johdanto Multimediassa hyödynnetään todellista ääntä,
LisätiedotSMG-2100: SÄHKÖTEKNIIKKA
Vaihtosähkö SMG-2100: SÄHKÖTEKNIIKKA Sinimuotoiset suureet Tehollisarvo Sinimuotoinen vaihtosähkö & passiiviset piirikomponentit Käydään läpi, mistä sinimuotoiset jännite ja virta ovat peräisin. Näytetään,
LisätiedotOngelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?
Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? 2012-2013 Lasse Lensu 2 Ongelma 2: Voidaanko dataa tai informaatiota tallettaa tiiviimpään tilaan koodaamalla se uudelleen? 2012-2013 Lasse
LisätiedotR = Ω. Jännite R:n yli suhteessa sisäänmenojännitteeseen on tällöin jännitteenjako = 1
Fysiikan mittausmenetelmät I syksy 206 Laskuharjoitus 4. Merkitään kaapelin resistanssin ja kuormaksi kytketyn piirin sisäänmenoimpedanssia summana R 000.2 Ω. Jännite R:n yli suhteessa sisäänmenojännitteeseen
LisätiedotS SÄHKÖTEKNIIKKA Kimmo Silvonen
S55.103 SÄHKÖTKNKK 21.12.2000 Kimmo Silvonen Tentti: tehtävät 1,3,4,8,9 1. välikoe: tehtävät 1,2,3,4,5 2. välikoe: tehtävät,7,8,9,10 Oletko jo ehtinyt vastata palautekyselyyn Voit täyttää lomakkeen nyt.
Lisätiedot:02 Pekka Rouhiainen. 1. Virheen syy ja vaikutukset
1: 1978-1-:2 Pekka Rouhiainen SUOMEN MALM OY 4/SMOY(Pekka Rouhiainen}/19?8 SELVTYS SVENKÄRKSl'NGRAMN AlKAVAKOVRHEEN SYYSTÄ VAKU TUKSSTA JA POSTOMAHOOlLSUUKSSTA 1. Virheen syy ja vaikutukset Siivenkärkislingramin
LisätiedotKERTALUKUANALYYSI KAIVOSKONEEN MELUKARTOITUKSESSA 1 JOHDANTO 2 MITTAUKSET. Velipekka Mellin
Velipekka Sandvik Mining and Construction Oy PL 434, 20101 TURKU velipekka.mellin@sandvik.com 1 JOHDANTO Kertalukuanalyysi (engl. order analysis) on pyörivään komponenttiin verrannollisen vasteen amplitudin
LisätiedotSGN-4200 Digitaalinen audio
SGN-4200 Digitaalinen audio Luennot, kevät 2013, periodi 4 Anssi Klapuri Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2! Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot,
LisätiedotNumeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55
Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät 15.5.2013 1 / 55 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen
LisätiedotKON-C3004 Kone- ja rakennustekniikan laboratoriotyöt Tiedonkeruu ja analysointi Panu Kiviluoma
KON-C34 Kone- ja rakennustekniikan laboratoriotyöt Tiedonkeruu ja analysointi Panu Kiviluoma Mitattava suure Tarkka arvo Mittausjärjestelmä Mitattu arvo Ympäristö Mitattava suure Anturi Signaalinkäsittely
LisätiedotSignaalien digitaalinen käsittely
Signaalien digitaalinen käsittely Antti Kosonen Syksy 25 LUT Energia Sähkötekniikka Alkulause Luentomoniste pohjautuu kirjaan Digital Signal Processing: Principles, Algorithms, and Applications, Proakis
LisätiedotKojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Datan käsittely ja tallentaminen Käytännössä kaikkien mittalaitteiden ensisijainen signaali on analoginen Jotta tämä
LisätiedotMittalaitetekniikka. NYMTES13 Vaihtosähköpiirit Jussi Hurri syksy 2014
Mittalaitetekniikka NYMTES13 Vaihtosähköpiirit Jussi Hurri syksy 2014 1 1. VAIHTOSÄHKÖ, PERUSKÄSITTEITÄ AC = Alternating current Jatkossa puhutaan vaihtojännitteestä. Yhtä hyvin voitaisiin tarkastella
LisätiedotFlash AD-muunnin. suurin kaistanleveys muista muuntimista (gigahertsejä) pieni resoluutio (max 8) kalliita
Flash AD-muunnin Flash AD-muunnin koostuu monesta peräkkäisestä komparaattorista, joista jokainen vertaa muunnettavaa signaalia omaan referenssijännitteeseensä. Referenssijännite aikaansaadaan jännitteenjaolla:
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
LisätiedotS SÄHKÖTEKNIIKKA Kimmo Silvonen
S-55.103 SÄHKÖTKNKKA 7.5.004 Kimmo Silvonen Tentti: tehtävät 1,3,5,7,9 1. välikoe: tehtävät 1,,3,4,5. välikoe: tehtävät 6,7,8,9,10 Oletko muistanut vastata palautekyselyyn? Voit täyttää lomakkeen nyt.
Lisätiedot