Digitaalinen signaalinkäsittely Kuvankäsittely

Koko: px
Aloita esitys sivulta:

Download "Digitaalinen signaalinkäsittely Kuvankäsittely"

Transkriptio

1 Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät, Opintomoniste, TTKK

2 Sisältö Digitaalisen kuvankäsittelyn perusteet Periaatteet ja sovelluksia Kaksiulotteiset järjestelmät ja DFT Dekonvoluutio Piste-ehostus

3 Digitaalinen kuvankäsittely? Perusajatus: laajennetaan signaalinkäsittelyn perusmenetelmät kahteen ulottuvuuteen Voidaan käyttää samantyyppisiä suotimia Kuvien havaitseminen poikkeaa esim. äänisignaalien havaitsemisesta, joten menetelmissäkin on eroavaisuuksia Termiä ei pidä sekoittaa tavalliseen kuvankäsittelyyn

4 Digitaalisen kuvankäsittelyn alueita ja sovelluksia Kuvien ehostus Joitakin kuvan ominaisuuksia ja piirteitä voidaan parantaa Ei yleensä ideaalista eli yhtä ainoaa oikeaa ratkaisua Tarkoituksen mukaan (esim. ihminen / konenäköalgoritmi) Kuvan restaurointi Kuvassa olevien häiriöiden poisto Pyritään jonkin mallin mukaan ideaaliseen ratkaisuun Esim. liikkeen aiheuttaman vääristymän korjaus Kuva-analyysi Erilaiset tunnistusalgoritmit Tärkeä teollisessa valmistamisessa ja laaduntarkkailussa sekä valvontasovelluksissa

5 2-ulotteiset järjestelmät Yksiulotteisessa tapauksessa signaalia merkittiin x(n):llä 2-ulotteista signaalia merkitään x(m,n):llä Esim. 2-ulotteinen impulssi: ( n, m) 1, 0 kun n 0 ja muulloin. m 0

6 2-ulotteiset järjestelmät ( n, m) 1, 0 kun n 0 ja muulloin. m 0

7 2-ulotteiset järjestelmät Konvoluutio 2-ulotteisella järjestelmällä: y( m, n) j k h( m, n)* h( x( m, n) j, k) x( m j, n k) 2-ulotteisille järjestelmille voidaan vastaavasti määritellä myös DFT ja Z-muunnokset Fourier- ja Z-tasossa voidaan suotimen konvoluutio tehdä pelkällä kertolaskulla eli Y(m,n)=H(m,n)X(m,n) (kts. moniste s )

8 Esimerkki: kuvan Fourier-muunnos

9 Kuvan Fourier-muunnos taajuudet?? Kuvan Fourier-muunnoksessa (DFT) näkyvät samalla tapaa eri taajuuksien voimakkuudet Yleensä kuvan DFT:tä vielä käsitellään Matalimmat taajuudet ovat keskellä Korkeiden taajuuksien osuudet ovat reunoilla Suodatus voidaan tehdä myös taajuustasossa (kuten seuraavassa esimerkissä)

10 Esimerkki: Suodatus taajuustason kautta Lena:n taajuusesitys Suodin taajuustasossa

11 Esimerkki: Suodatus taajuustason kautta Suodatetun Lena:n taajuusesitys Suodatetun Lena:n käänteismuunnos

12 Esimerkki: Suodatus taajuustason kautta

13

14 Dekonvoluutio ja kuvan ehostus Kuvassa olevien häiriöiden syntyä mallinnetaan usein jollakin järjestelmällä tai suotimella Alkuperäisen kuvan x(m,n) ajatellaan menevän jonkin LTIjärjestelmän läpi: y(m,n) = h(m,n)*x(m,n) Eli häiriötä sisältävä, havaitsemamme kuva on y(m,n) Otetaan DFT molemmista puolista: Y(m,n)=H(m,n)X(m,n) Jos halutaan arvioida alkuperäistä kuvaa, saadaan X ( m, n) Y( m, n) H( m, n) (Ks. moniste s )

15 Pisteoperaatiot (piste-ehostus) Kaksiulotteiset muistittomat järjestelmät ovat ns. pisteoperaatioita (point operation) Vaste riippuu ainoastaan yhdestä herätteen (eli sisäänmenosignaalin) arvosta Tarkoituksena on ehostaa kuvaa eli parantaa sen ominaisuuksia (luettavuutta) Tavallisimpia pisteoperaatioita ovat mm. gammakorjaus ja histogrammin ekvalisointi

16 Gammakorjaus Kuvia toistavilla laitteilla (näyttö, videoprojektori, tulostin jne.) on jonkinlainen vääristävä vaikutus kirkkauteen Tätä voidaan kompensoida gammakorjauksella Esimerkiksi monitorin ruudulla näkyvä kuvan intensiteetti I riippuu videosignaalin jännitteestä u siten, että I = u γ (Eksponenttia merkitään siis kreikkalaisella gammalla gammakorjaus) Eri järjestelmissä gamma vaihtelee ja sovittamalla se oikein, saadaan kirkkauden vääristymät korjattua Kuvankäsittelyssä gammakorjausta voidaan käyttää alkuperäisestä tarkoituksesta poiketen kuvan ehostamiseen Kaikista kuvankäsittelyohjelmistakin löytyy gammakorjaus Korjauskäyrä voi olla myös monimutkaisempikin lauseke

17 Histogrammin ekvalisointi Tärkeä menetelmä, jolla saadaan intensiteettijakauma tasoitettua Intensiteettijakaumaa esittää histogrammi Histogrammissa on laskettu jokaisen harmaasävyn (0-255) esiintymien määrä Tuloksena on harmaasävykuvalle 256-alkioinen kokonaislukutaulukko Yleensä kuvankäsittelyohjelmat eivät näytä tarkkaa histogrammia, vaan jonkinlaisen tasoitetun käyrän

18 Histogrammin ekvalisointi Esimerkki: Lena-kuvan histogrammi

19 Histogrammin ekvalisointi Kuva: histogrammin ekvalisointi, moniste s. 104

20 Histogrammin ekvalisointi Kun histogrammi ekvalisoidaan eli tasoitetaan, lasketaan uusi harmaasävy n kaavalla n k 0 n' ( L 1) L 1 k 0 H( k), H( k) missä n on vanha harmaasävyarvo ja H(k) on kuvan histogrammi (L on harmaasävyjen määrä, yleensä L=256) Menetelmä tasoittaa histogrammin, sillä uusi harmaasävyarvo riippuu nykyisen ja sitä tummempien pisteiden määrästä Uusi arvo on kaikkien vanhaa harmaasävyarvoa tummempien summa jaettuna kuvan koolla ja kerrottuna L:llä

21 Histogrammin paikallinen ekvalisointi Histogrammia voidaan tasoittaa myös paikallisesti Tämä tehdään yleensä silloin, kun valotus kuvan eri osissa vaihtelee Erona edelliseen, paikallisessa ekvalisoinnissa käytettävä histogrammi lasketaan jokaiselle kuvan pisteelle erikseen Käytetään tietyn kokoista ikkunaa pisteen ympäriltä Teoreettisesti paras tulos saataisiin ympyrän muotoisella ikkunalla Käytännössä kuitenkin helpointa on käyttää neliön muotoista ikkunaa

22 Histogrammin paikallinen ekvalisointi Kuva: histogrammin paikallinen ekvalisointi, moniste s.106

23 Muita kuvankäsittelyoperaatiota Usein kuvankäsittelyssä käytetään epälineaarisia operaatioita (epälineaarinen suodatus) Epälineaarisuus tekee menetelmien analysoinnista matemaattisesti vaikeaa (ellei jopa mahdotonta) Epälineaarisella suodatuksella saadaan kuitenkin hyviä tuloksia aikaan esim. tietyissä erikoistapauksissa Hyvä esimerkki epälineaarisesta suodatuksesta kuvankäsittelyssä on mediaanisuodatin Voidaan käyttää tietynlaisen kohinan poistossa (salt & pepper noise) Mediaanisuodatus saattaa kuitenkin tehdä kuvaan joitakin eitoivottuja piirteitä

24 Muita kuvankäsittelyoperaatiota Esimerkki: Mediaanisuodatus

25 Muita kuvankäsittelyoperaatioita Lisäksi voidaan tehdä reunanetsintää kynnystystä yhtenäisten alueiden tunnistusta piirteen irrotusta tunnistusta jne. jne.

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen,

Lisätiedot

Digitaalinen signaalinkäsittely Johdanto, näytteistys

Digitaalinen 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

Lisätiedot

Kompleksiluvut signaalin taajuusjakauman arvioinnissa

Kompleksiluvut 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

Lisätiedot

TL5503 DSK, laboraatiot (1.5 op) Kuvasignaalit. Jyrki Laitinen

TL5503 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

Lisätiedot

1, kun m = 0 ja n = 0, 0, muulloin.

1, kun m = 0 ja n = 0, 0, muulloin. Luku 1 Digitaalinen kuvankäsittely Tässä kappaleessa luodaan lyhyt katsaus digitaaliseen kuvankäsittelyyn ja joihinkin sen sovelluksiin. Yksinkertaisimmillaan kuvankäsittelyä voidaan pitää perusmenetelmien

Lisätiedot

Luku 3. Kuvien ehostus tilatasossa. 3.1 Taustaa

Luku 3. Kuvien ehostus tilatasossa. 3.1 Taustaa Luku 3 Kuvien ehostus tilatasossa Kuvan ehostamisessa päätavoitteena on käsitellä kuvaa siten, että saatu tulos soveltuu paremmin haluttuun käyttötarkoitukseen kuin alkuperäinen kuva. On siis sovelluskohtaista,

Lisätiedot

Säätötekniikan ja signaalinkäsittelyn työkurssi

Säätötekniikan ja signaalinkäsittelyn työkurssi Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D102: Sinimuotoisen signaalin suodattaminen 0.4 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio

Lisätiedot

Radioamatöörikurssi 2013

Radioamatöörikurssi 2013 Radioamatöörikurssi 2013 Polyteknikkojen Radiokerho Radiotekniikka 21.11.2013 Tatu, OH2EAT 1 / 19 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus, db Jännitevahvistus

Lisätiedot

Mitä on konvoluutio? Tutustu kuvankäsittelyyn

Mitä on konvoluutio? Tutustu kuvankäsittelyyn Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa

Lisätiedot

Radioamatöörikurssi 2015

Radioamatöörikurssi 2015 Radioamatöörikurssi 2015 Polyteknikkojen Radiokerho Radiotekniikka 5.11.2015 Tatu Peltola, OH2EAT 1 / 25 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus,

Lisätiedot

Digitaalinen signaalinkäsittely Signaalit, jonot

Digitaalinen 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,

Lisätiedot

Kuvien ehostus taajuustasossa

Kuvien ehostus taajuustasossa Luku 4 Kuvien ehostus taajuustasossa Ranskalainen matemaatikko Jean Babtiste Joseph Fourier esitti 1807, että mikä tahansa jaksollinen funktio voidaan esittää eritaajuisten sinien ja kosinien painotettuna

Lisätiedot

Ajatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors. TKK, Informaatiotekniikan laboratorio 1

Ajatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors. TKK, Informaatiotekniikan laboratorio 1 3. DATA VEKTORINA 3.1. Vektorit, matriisit, etäisyysmitat Ajatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors {}}{ d vector elements X TKK, Informaatiotekniikan laboratorio 1

Lisätiedot

TL5503 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) 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

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

Digitaalisen kuvankäsittelyn perusteet

Digitaalisen kuvankäsittelyn perusteet Digitaalisen kuvankäsittelyn perusteet Jukka Teuhola Turun yliopisto Tietojenkäsittelytiede Syksy 2010 http://staff.cs.utu.fi/kurssit/digitaalisen_kuvankasittelyn_perusteet/syksy_2010/index.htm DKP-1 J.

Lisätiedot

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä

Lisätiedot

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen

SGN 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

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-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

Lisätiedot

Kuvanlaadunparantaminen. Mikko Nuutinen 21.3.2013

Kuvanlaadunparantaminen. Mikko Nuutinen 21.3.2013 Kuvanlaadunparantaminen Mikko Nuutinen 21.3.2013 Luennon sisältö Termistöä Kuvanentisöinti Terävyys unsharp masking Kohina non-local means Linssivääristymän korjaus Kuvanlaadunehostaminen Kontrasti Auto-levels

Lisätiedot

Spektri- ja signaalianalysaattorit

Spektri- ja signaalianalysaattorit Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 18.3.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle

Lisätiedot

1 Olkoon suodattimen vaatimusmäärittely seuraava:

1 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

Lisätiedot

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

F {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()

Lisätiedot

Luku 4 - Kuvien taajuusanalyysi

Luku 4 - Kuvien taajuusanalyysi Luku 4 - Kuvien taajuusanalyysi Matti Eskelinen 8.2.2018 Kuvien taajuusanalyysi Tässä luvussa tutustumme taajuustasoon ja opimme analysoimaan kuvia ja muitakin signaaleja Fourier-muunnoksen avulla. Aiheina

Lisätiedot

Radioamatöörikurssi 2014

Radioamatöörikurssi 2014 Radioamatöörikurssi 2014 Polyteknikkojen Radiokerho Radiotekniikka 4.11.2014 Tatu, OH2EAT 1 / 25 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus, db Jännitevahvistus

Lisätiedot

T SKJ - TERMEJÄ

T 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

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe

SGN-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,

Lisätiedot

LOPPURAPORTTI 19.11.2007. Lämpötilahälytin. 0278116 Hans Baumgartner xxxxxxx nimi nimi

LOPPURAPORTTI 19.11.2007. Lämpötilahälytin. 0278116 Hans Baumgartner xxxxxxx nimi nimi LOPPURAPORTTI 19.11.2007 Lämpötilahälytin 0278116 Hans Baumgartner xxxxxxx nimi nimi KÄYTETYT MERKINNÄT JA LYHENTEET... 3 JOHDANTO... 4 1. ESISELOSTUS... 5 1.1 Diodi anturina... 5 1.2 Lämpötilan ilmaisu...

Lisätiedot

Luku 3. Data vektoreina

Luku 3. Data vektoreina 1 / 4 Luku 3. Data vektoreina T-61.21 Datasta tietoon, syksy 211 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 3.11.211 2 / 4 Tämän luennon sisältö 1 Data vektoreina Datamatriisi

Lisätiedot

Tämän luennon sisältö. Luku 3. Data vektoreina. Datamatriisi (2) Datamatriisi. T Datasta tietoon, syksy 2011

Tämän luennon sisältö. Luku 3. Data vektoreina. Datamatriisi (2) Datamatriisi. T Datasta tietoon, syksy 2011 Tämän luennon sisältö Luku 3. T-6.2 Datasta tietoon, syksy 2 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto Datamatriisi Piirreirrotus: ääni- ja kuvasignaalit Dimensionaalisuuden

Lisätiedot

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely)

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely) Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely) Ohjaaja: Valvoja: TkT Simo Särkkä Prof. Harri Ehtamo 13.9.2010 Aalto-yliopiston teknillinen korkeakoulu

Lisätiedot

IIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.

IIR-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

Lisätiedot

12.5. Vertailua. Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 12.8. luonnehtii vaihtoehtoja.

12.5. Vertailua. Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 12.8. luonnehtii vaihtoehtoja. 1.5. Vertailua Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 1.8. luonnehtii vaihtoehtoja. (1)Esisuodatus äärettömästi näytteitä pikseliä kohti Lasketaan projisoidun kohteen palojen

Lisätiedot

ELEC-C7230 Tietoliikenteen siirtomenetelmät

ELEC-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.

Lisätiedot

1 Vastaa seuraaviin. b) Taajuusvasteen

1 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?

Lisätiedot

1467S Digitaalinen kuvankäsittely 1.1 Mitä digitaalinen kuvankäsittely on

1467S Digitaalinen kuvankäsittely 1.1 Mitä digitaalinen kuvankäsittely on 1467S Digitaalinen kuvankäsittely 1 Johdanto 1.1 Mitä digitaalinen kuvankäsittely on Kuva voidaan ajatella kaksiulotteiseksi funktioksi f(x, y), jossa x ja y ovat koordinaatit ja f:n arvo pisteessä (x,

Lisätiedot

Signaalinkäsittelyn menetelmät

Signaalinkäsittelyn menetelmät Signaalinkäsittelyn laitos. Opetusmoniste 25: Institute of Signal Processing. Lecture Notes 25: Heikki Huttunen Signaalinkäsittelyn menetelmät Tampere 25 Opetusmoniste 25: Signaalinkäsittelyn menetelmät

Lisätiedot

TL5503 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) 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

Lisätiedot

Luento 8. Suodattimien käyttötarkoitus

Luento 8. Suodattimien käyttötarkoitus Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden

Lisätiedot

Suodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste)

Suodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste) Suodattimet Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth Suodattimet samalla asteluvulla (amplitudivaste) Kuvasta nähdään että elliptinen suodatin on terävin kaikista suodattimista, mutta sisältää

Lisätiedot

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen SGN- Signaalinkäsittelyn perusteet Välikoe.5.4 Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla -3 on. Sivuilla 4-5 on. Sivulla

Lisätiedot

Radioamatöörikurssi 2018

Radioamatöörikurssi 2018 Radioamatöörikurssi 2018 Radioiden toimintaperiaatteet ja lohkokaaviot 20.11.2018 Tatu Peltola, OH2EAT 1 / 13 Sisältö Lähettimien ja vastaanottimien rakenne eri modulaatiolla Superheterodyne-periaate Välitaajuus

Lisätiedot

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?

Ongelma 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

Lisätiedot

FYSP105 / K3 RC-SUODATTIMET

FYSP105 / K3 RC-SUODATTIMET FYSP105 / K3 R-SODATTIMET Työn tavoitteita tutustua R-suodattimien toimintaan oppia mitoittamaan tutkittava kytkentä laiterajoitusten mukaisesti kerrata oskilloskoopin käyttöä vaihtosähkömittauksissa Työssä

Lisätiedot

2D piirrelaskennan alkeet, osa I

2D piirrelaskennan alkeet, osa I 2D piirrelaskennan alkeet, osa I Ville Tirronen aleator@jyu.fi University of Jyväskylä 18. syyskuuta 2008 Näkökulma Aiheet Tarkastellaan yksinkertaisia 2D kuvankäsittelyoperaattoreita Näkökulmana on tunnistava

Lisätiedot

Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008

Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008 VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Janne Lehtonen, m84554 GENERAATTORI 3-ULOTTEISENA Dynaaminen kenttäteoria SATE2010 Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008

Lisätiedot

4. Taajuusalueen suodatus 4.1. Taustaa Perusteita

4. Taajuusalueen suodatus 4.1. Taustaa Perusteita 4. Taajuusalueen suodatus 4.1. Taustaa Fourier esitti v. 1807 idean, että laskien yhteen jaksollisia painotettuja funktioita voidaan esittää kuinka tahansa monimutkainen jaksollinen funktio. Kuva 4.1.

Lisätiedot

1 Johdanto Mitä digitaalinen kuvankäsittely on Esimerkkejä digitaalisen kuvankäsittelyn hyödyntämisestä Kuvankäsittelyn vaiheet 3

1 Johdanto Mitä digitaalinen kuvankäsittely on Esimerkkejä digitaalisen kuvankäsittelyn hyödyntämisestä Kuvankäsittelyn vaiheet 3 Sisältö 1 Johdanto 1 1.1 Mitä digitaalinen kuvankäsittely on 1 1.2 Esimerkkejä digitaalisen kuvankäsittelyn hyödyntämisestä 2 1.3 Kuvankäsittelyn vaiheet 3 2 Digitaalisen kuvan perusteet 5 2.1 Havaitseminen

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe

SGN-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,

Lisätiedot

SGN-3010: Digitaalinen kuvankäsittely I. Sari Peltonen Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos 2007

SGN-3010: Digitaalinen kuvankäsittely I. Sari Peltonen Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos 2007 SGN-3010: Digitaalinen kuvankäsittely I Sari Peltonen Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos 2007 ii Esipuhe Digitaalinen kuvankäsittely on nopeasti kehittynytsignaalinkäsittelyn osa-alue,

Lisätiedot

THE audio feature: MFCC. Mel Frequency Cepstral Coefficients

THE audio feature: MFCC. Mel Frequency Cepstral Coefficients THE audio feature: MFCC Mel Frequency Cepstral Coefficients Ihmiskuulo MFCC- kertoimien tarkoituksena on mallintaa ihmiskorvan toimintaa yleisellä tasolla. Näin on todettu myös tapahtuvan, sillä MFCC:t

Lisätiedot

5. Kuvanennallistus. Kuvanennallistus 269

5. Kuvanennallistus. Kuvanennallistus 269 5. Kuvanennallistus Ennallistus eroaa korostamisesta edellisen ollessa objektiivista ja jälkimmäisen pikemmin subjektiivista käsittelyä, vaikka niiden menetelmissä on päällekkäisyyttä. Objektiivinen tarkoittaa,

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 5.5.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle

Lisätiedot

4. Taajuusalueen suodatus 4.1. Taustaa

4. Taajuusalueen suodatus 4.1. Taustaa 4. Taajuusalueen suodatus 4.1. Taustaa Fourier esitti v. 1807 idean että laskien yhteen jaksollisia painotettuja funktioita voidaan esittää kuinka tahansa monimutkainen jaksollinen funktio. Kuva 4.1. esittää

Lisätiedot

Copyright 2015 ECDL Foundation ECDL Kuvankäsittely Sivu 2 / 7

Copyright 2015 ECDL Foundation ECDL Kuvankäsittely Sivu 2 / 7 ECDL Kuvankäsittely Tavoite Tässä esitellään tutkintovaatimukset moduulille ECDL Kuvankäsittely, joka määrittelee tarvittavat tiedot ja taidot näyttökokeen suorittamiseen. Tämä dokumentti kuvaa tiedot

Lisätiedot

Käytännön radiotekniikkaa: Epälineaarinen komponentti ja signaalien siirtely taajuusalueessa (+ laboratoriotyön 2 esittely)

Käytännön radiotekniikkaa: Epälineaarinen komponentti ja signaalien siirtely taajuusalueessa (+ laboratoriotyön 2 esittely) Käytännön radiotekniikkaa: Epälineaarinen komponentti ja signaalien siirtely taajuusalueessa (+ laboratoriotyön 2 esittely) ELEC-C5070 Elektroniikkapaja, 21.9.2015 Huom: Kurssissa on myöhemmin erikseen

Lisätiedot

Signaalit ja järjestelmät aika- ja taajuusalueissa

Signaalit 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)

Lisätiedot

SGN-4200 Digitaalinen audio

SGN-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,

Lisätiedot

Supply jännite: Ei kuormaa Tuuletin Vastus Molemmat DC AC Taajuus/taajuudet

Supply jännite: Ei kuormaa Tuuletin Vastus Molemmat DC AC Taajuus/taajuudet S-108.3020 Elektroniikan häiriökysymykset 1/5 Ryhmän nro: Nimet/op.nro: Tarvittavat mittalaitteet: - Oskilloskooppi - Yleismittari, 2 kpl - Ohjaus- ja etäyksiköt Huom. Arvot mitataan pääasiassa lämmityksen

Lisätiedot

Helsinki University of Technology

Helsinki 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

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-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

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-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

Lisätiedot

nykyään käytetään esim. kaapelitelevisioverkoissa radio- ja TVohjelmien

nykyään 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

Lisätiedot

Tietoliikennesignaalit & spektri

Tietoliikennesignaalit & spektri Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia

Lisätiedot

A/D-muuntimia. Flash ADC

A/D-muuntimia. Flash ADC A/D-muuntimia A/D-muuntimen valintakriteerit: - bittien lukumäärä instrumentointi 6 16 audio/video/kommunikointi/ym. 16 18 erikoissovellukset 20 22 - Tarvittava nopeus hidas > 100 μs (

Lisätiedot

GEOMETRIA MAA3 Geometrian perusobjekteja ja suureita

GEOMETRIA MAA3 Geometrian perusobjekteja ja suureita GEOMETRI M3 Geometrian perusobjekteja ja suureita Piste ja suora: Piste, suora ja taso ovat geometrian peruskäsitteitä, joita ei määritellä. Voidaan ajatella, että kaikki geometriset kuviot koostuvat pisteistä.

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Alipäästösuotimen muuntaminen muiksi perussuotimiksi

Alipäästösuotimen muuntaminen muiksi perussuotimiksi Alipäästösuotimen muuntaminen muiksi perussuotimiksi Usein suodinsuunnittelussa on lähtökohtana alipäästösuodin (LPF), josta voidaan yksinkertaisilla operaatioilla muodostaa ylipäästö- (HPF), kaistanpäästö-

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SG-00 Signaalinkäsittelyn menetelmät, Tentti 6.3.006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja

Lisätiedot

SGN-1251 Signaalinkäsittelyn sovellukset Välikoe Heikki Huttunen

SGN-1251 Signaalinkäsittelyn sovellukset Välikoe Heikki Huttunen SGN-5 Signaalinkäsittelyn sovellukset Välikoe.. Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla - on. Sivuilla 4-6 on. Vastaa

Lisätiedot

A 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)

A 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

Lisätiedot

SIGNAALITEORIAN KERTAUSTA OSA 2

SIGNAALITEORIAN KERTAUSTA OSA 2 1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman

Lisätiedot

Säätötekniikan ja signaalinkäsittelyn työkurssi

Säätötekniikan ja signaalinkäsittelyn työkurssi Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D104: Kuvien suodatus 0.9 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio Sisältö 1 Johdanto 1

Lisätiedot

1. Johdanto. Johdanto 1. Johdanto 2. Johdanto 3. Johdanto 4

1. Johdanto. Johdanto 1. Johdanto 2. Johdanto 3. Johdanto 4 1. Johdanto Kuvanprosessointi tai käsittely juontaa juurensa kahdesta pääasiallisesta alueesta, jotka ovat kuvainformaation parantaminen ihmisen tulkintaa varten ja kuvadatan käsittely talletusta, siirtoa

Lisätiedot

Digitaalinen audio

Digitaalinen audio 8003203 Digitaalinen audio Luennot, kevät 2005 Tuomas Virtanen Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2 Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot, sekä niissä

Lisätiedot

Spektrin sonifikaatio

Spektrin sonifikaatio Spektrin sonifikaatio AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sisällysluettelo 1. Johdanto... 2 2. Tehtävän kuvaus ja työn rakenne... 2 3. Teoria... 2 3.1 Ääni mekaanisena aaltona...

Lisätiedot

Pekka Pussinen OH8HBG - pekka.pussinen @! oulu.fi

Pekka Pussinen OH8HBG - pekka.pussinen @! oulu.fi VAIHEKOHINA RADIOJÄRJESTELMISSÄ Pekka Pussinen OH8HBG - pekka.pussinen @! oulu.fi Radiotiedonsiirtojärjestelmissä ilmenevät tekniset ongelmat ovat mitä moninaisimpia. Varsinkin vastaanottimen käyttäytymisessä

Lisätiedot

Historiaa musiikillisten äänten fysikaalisesta mallintamisesta

Historiaa musiikillisten äänten fysikaalisesta mallintamisesta Äänilähteiden fysikaalinen mallintaminen uusin äänisynteesimetodi simuloi soittimen äänentuottomekanismia käyttö musiikillisissa äänissä: -jäljitellään olemassaolevia akustisia instrumentteja -mahdollistaa

Lisätiedot

QosmioEngine Mullistava videokokemus

QosmioEngine Mullistava videokokemus QosmioEngine Mullistava videokokemus Qosmio yhdistää QosmioEnginen ja QosmioPlayerin korkealuokkaiset video ominaisuudet, Harman Kardonin kaiuttimet, SRS TruSurround XT:n surround äänen sekä digitaaliset

Lisätiedot

Virheen kasautumislaki

Virheen kasautumislaki Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

12. Laskostumisen teoria ja käytäntö

12. Laskostumisen teoria ja käytäntö 12.1. Aliakset eli laskostuminen ja näytteistys 12. Laskostumisen teoria ja käytäntö Monet seikat vaikuttavat kuvien laatuun tietokonegrafiikassa. Mallintamisesta ja muista tekijöistä syntyy myös artefakteja,

Lisätiedot

Katsaus suodatukseen

Katsaus suodatukseen Katsaus suodatukseen Suodatuksen perustaa, ideaaliset suotimet, käytännön toteutuksia Suodatus Suodatusta käytetään yleensä signaalin muokkaukseen siten, että 2 poistetaan häiritsevä signaali hyötysignaalin

Lisätiedot

Kartio ja pyramidi

Kartio ja pyramidi Kartio ja pyramidi Kun avaruuden suora s liikkuu pitkin itseään leikkaamatonta tason T suljettua käyrää ja lisäksi kulkee tason T ulkopuolisen pisteen P kautta, suora s piirtää avaruuteen pinnan, jota

Lisätiedot

e 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,

e 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

Lisätiedot

Tiedonkeruu ja analysointi

Tiedonkeruu 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

Lisätiedot

Heikki Huttunen Signaalinkäsittelyn perusteet

Heikki Huttunen Signaalinkäsittelyn perusteet Tampereen teknillinen yliopisto. Signaalinkäsittelyn laitos. Opetusmoniste 24: Tampere University of Technology. Department of Signal Processing. Lecture Notes 24: Heikki Huttunen Signaalinkäsittelyn perusteet

Lisätiedot

Luento 9. tietoverkkotekniikan laitos

Luento 9. tietoverkkotekniikan laitos Luento 9 Luento 9 Jaksolliset signaalit epälineaarisissa muistittomissa järjestelmissä 9.1 Muistittomat epälineaariset komponentit Pruju Taylor-sarjakehitelmä ja konvoluutio taajuustasossa Särö Keskinäismodulaatio

Lisätiedot

Signaalimallit: sisältö

Signaalimallit: sisältö Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen

Lisätiedot

LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN

LABORATORIOTYÖ 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

Lisätiedot

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011 PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-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

Lisätiedot

SGN-16006 Bachelor's Laboratory Course in Signal Processing ELT-41100 Tietoliikenne-elektroniikan työkurssi. Äänitaajuusjakosuodintyö (2013-2014)

SGN-16006 Bachelor's Laboratory Course in Signal Processing ELT-41100 Tietoliikenne-elektroniikan työkurssi. Äänitaajuusjakosuodintyö (2013-2014) TAMPEREEN TEKNILLINEN YLIOPISTO Signaalinkäsittelyn laitos SGN-16006 Bachelor's Laboratory Course in Signal Processing ELT-41100 Tietoliikenne-elektroniikan työkurssi Äänitaajuusjakosuodintyö (2013-2014)

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SG-00 Signaalinkäsittelyn menetelmät, Tentti..005 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja sen

Lisätiedot

Avainsanat: peli, matematiikka, polynomi, yhteen- ja vähennyslasku, kertolasku

Avainsanat: peli, matematiikka, polynomi, yhteen- ja vähennyslasku, kertolasku Pasi Leppäniemi OuLUMA, sivu 1 POLYNOMIPELI Avainsanat: peli, matematiikka, polynomi, yhteen- ja vähennyslasku, kertolasku Luokkataso: 8-9 lk Välineet: pelilauta, polynomikortit, monomikortit, tuloskortit,

Lisätiedot

Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä

Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä Matalan intensiteetin hajaspektrisignaalien havaitseminen ja tunnistaminen elektronisessa sodankäynnissä Toteuttajataho: Harp Technologies Oy Myönnetty rahoitus: 61.924,- Esityksen sisältö Tieteellinen

Lisätiedot