Kompleksiluvut signaalin taajuusjakauman arvioinnissa

Samankaltaiset tiedostot
1 Vastaa seuraaviin. b) Taajuusvasteen

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe

Digitaalinen signaalinkäsittely Kuvankäsittely

Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu

Numeeriset menetelmät

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

Signaalit ja järjestelmät aika- ja taajuusalueissa

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

Spektri- ja signaalianalysaattorit

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SEBASTIAN RINTALA SIGNAALIN DOMINOIVAN TAAJUUDEN ARVIOINTI

Digitaalinen Signaalinkäsittely T0125 Luento

Alipäästösuotimen muuntaminen muiksi perussuotimiksi

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen

Säätötekniikan ja signaalinkäsittelyn työkurssi

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen

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

Tietoliikennesignaalit & spektri

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

1 Kompleksiluvut 1. y z = (x, y) Kuva 1: Euklidinen taso R 2

T SKJ - TERMEJÄ

Luku 4 - Kuvien taajuusanalyysi

Heikki Huttunen Signaalinkäsittelyn perusteet

Luku 3. Data vektoreina

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

Digitaalinen signaalinkäsittely Johdanto, näytteistys

Signaalinkäsittelyn menetelmät

Luento 8. Suodattimien käyttötarkoitus

Remez-menetelmä FIR-suodinten suunnittelussa

5. Z-muunnos ja lineaariset diskreetit systeemit. z n = z

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

Jaksollisen signaalin spektri

y z = (x, y) Kuva 1: Euklidinen taso R 2

1 Kompleksiluvut. Kompleksiluvut 10. syyskuuta 2005 sivu 1 / 7

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

SGN-1251 Signaalinkäsittelyn sovellukset Välikoe Heikki Huttunen

Signaalien datamuunnokset. Digitaalitekniikan edut

Signaalien datamuunnokset

Sinin muotoinen signaali

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ

DSP:n kertausta. 1 Spektri, DFT, DTFT ja aika-taajuusresoluutio

Numeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42

a) z 1 + z 2, b) z 1 z 2, c) z 1 z 2, d) z 1 z 2 = 4+10i 4 = 10i 5 = 2i. 4 ( 1)

Kirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):

Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37

Kompleksiluvut., 15. kesäkuuta /57

SGN-4200 Digitaalinen audio

Diskreetti Fourier-muunnos ja sen hyödyntäminen signaalien spektrien muodostamisessa. Pentti Romppainen

1 Olkoon suodattimen vaatimusmäärittely seuraava:

Analyysi I. Visa Latvala. 3. joulukuuta 2004

SIGNAALITEORIAN KERTAUSTA 1

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai

1. Piirrä kompleksitasoon seuraavat matemaattiset objektit/alueet.

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

Kompleksianalyysi, viikko 6

Johdatus matematiikkaan

Sisältö. 1. Kompleksiluvut 2. Funktiot 3. Differentiaalilaskentaa 4. Sarjat 5. Integrointi 6. Möbius-muunnos 7. Diskreetti systeemi

Kompleksianalyysi, viikko 7

Synteesi-analyysi koodaus

S Laskennallinen Neurotiede

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 1 / vko 44

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin

Kompleksiluvut. JYM, Syksy /99

Heikki Huttunen Signaalinkäsittelyn sovellukset

TL5231, Signaaliteoria (S2004) Matlab-harjoituksia

TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT

Tuntematon järjestelmä. Adaptiivinen suodatin

A = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:

Insinöörimatematiikka D

Alias-ilmiö eli taajuuden laskostuminen

b) Määritä/Laske (ei tarvitse tehdä määritelmän kautta). (2p)

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

Kompleksilukujen alkeet

SIGNAALITEORIAN KERTAUSTA OSA 2

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?

ELEC-C7230 Tietoliikenteen siirtomenetelmät

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

Helsinki University of Technology

Kompleksiluvut Kompleksitaso

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

SIGNAALITEORIAN KERTAUSTA OSA 1

9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa

ELEC-C Sovellettu digitaalinen signaalinkäsittely. Äänisignaalien näytteenotto ja kvantisointi Dither Oskillaattorit Digitaalinen suodatus

Kompleksiluvut 1/6 Sisältö ESITIEDOT: reaaliluvut

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien

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

Matemaattisen analyysin tukikurssi

Esipuhe. Tampereella, 9. toukokuuta 2003, Heikki Huttunen

: Johdatus signaalinkäsittelyyn 2

IMPULSSIVASTEEN ANALYSOINTI AALLOKEMENETELMIN TIIVISTELMÄ 1 AALLOKEANALYYSI. Juha Urhonen, Aki Mäkivirta

Ominaisvektoreiden lineaarinen riippumattomuus

Lukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos

Transkriptio:

Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing

Fourier-muunnos Fourier-muunnos liittää signaalin näytearvot sen sisältämiin taajuuksiin ja vastaa kysymykseen: "kuinka paljon signaalissa on kutakin taajuutta". Muunnoksen tuloksena saadaan signaalin taajuusjakauma. Alla olevassa kuvassa on vasemmalla eräs testisignaali ja oikealla sen Fourier-muunnos, josta näkyy selvästi mikä on äänisignaalin hallitseva taajuus..5.5 2 3 5 6 7 8 Aika (ms) Fouriermuunnos 3 25 2 5 5 2 3 5 6 7 8 Seuraavassa kuvassa on pidempi näyte samasta signaalista. Kuvan signaali sisältää sanan "seitsemän" kaksi ensimmäistä kirjainta. S-kirjain sijaitsee alusta lukien noin 25 millisekunnin matkalla, ja seuraavassa 25 millisekunnissa on E-kirjain. Konsonantin ja vokaalin ero näkyy hyvin: soinnillisen vokaalin kohdalla on selkeä

ylös-alas-värähtelykuvio ja konsonantin kohdalla lukuarvot ovat satunnaisempia..5.5 5 5 2 25 Aika (ms) Useille erityyppisille signaaleille on luontevaa ajatella niiden koostuvan yksittäisistä taajuuksista (yksittäisistä sinisignaaleista sopivassa suhteessa). Esimerkiksi äänisignaaleita on helpoin ymmärtää ja analysoida niiden taajuusjakauman kautta. Alla olevissa kuvissa on laskettu edellisen kuvan S- ja E-kirjainten taajuusjakaumat, eli Fourier-muunnokset. Kuvista näkyy selvästi, että S-kirjaimen sisältämät taajuudet jakautuvat melko laajalle alueelle sekä melko suurillekin taajuuksille, kun E-kirjain sisältää vain yksittäisiä pieniä taajuuksia (korkeat piikit). 2

2 S kirjaimen taajuusjakauma 5 5 2 3 5 6 7 8 2 E kirjaimen taajuusjakauma 5 5 2 3 5 6 7 8 Diskreetti Fourier-muunnos (DFT) ja käänteinen diskreetti Fourier-muunnos 3

(IDFT) on mahdollista esittää matriisimuodossa seuraavasti. Olkoon x(n) muunnettava signaali, ja vektori x = x() x() x(2). x( ) sen yksi jakso. Tällöin sen diskreetti Fourier-muunnos saadaan kertomalla vektori x matriisilla w w w... w w w w 2... w ( ) w w 2 w... w 2( )............ w w ( ) w 2( )... w ( )2

Esimerkiksi perusjaksolla = DFT saadaan laskettua kertomalla vektori matriisilla w w w w w w w 2 w 3 i i =. w w 2 w w 6 w w 3 w 6 w 9 i i Diskreetin Fourier-muunnoksen määritelmässä on kertoimena luku w = e 2πi/, joka on nimeltään ykkösen :s juuri ( th root of unity). Tämä lukuhan on Eulerin kaavan mukaan w = e 2πi/ = cos(2 π/) + i sin(2 π/). Luku w sijaitsee kompleksitason yksikköympyrällä kulmassa 2π/. Kulma on koko ympyrästä, ks. kuva. 5

Im w 8 sin(2 π /8) 2π 8 Re cos(2 π /8) Signaalin taajuussisältöä saadaan muokattua ns. konvoluution avulla. Konvoluutio ajassa vastaa kertolaskua taajuudessa, joten meidän täytyy vain suunnitella sopiva konvoluutio-operaatio. Alla olevissa kuvissa on esimerkki suodatuksen vaikutuksesta signaalin taajuuksiin. Ylimmässä kuvaparissa on vasemmalla eräs testisignaali ja oikealla sen sisältämät taajuudet. Keskimmäisessä kuvaparissa on vasemmalla erään suotimen impulssivaste ja oikealla sen amplitudivaste. Suodin on nyt suunniteltu 6

yllä olevien vaatimusten mukaiseksi, eli säilyttämään pienet taajuudet ja poistamaan suuret. Suodatettaessa testisignaali tällä suotimella (eli laskemalla signaalin ja impulssivasteen konvoluutio) tapahtuu samalla taajuustasossa kertolasku. Konvoluution tuloksessa (alin kuvapari) ovat suuret taajuudet todellakin poistuneet ja pienet taajuudet säilyneet ennallaan. Tämä johtuu siitä, että suurilla taajuuksilla amplitudivaste on lähellä nollaa ja pienillä taajuuksilla lähellä ykköstä. ollalla kertominen poistaa ja ykkösellä kertominen säilyttää taajuudet. Taajuudet erottelevalla suodatuksella on lukuisia sovelluksia. Yhtenä esimerkkinä voidaan mainita MP3-pakkaus: kompressiovaiheessa valtaosa prosessoriajasta kuluu signaalin jakoon eri taajuuskaistoihin. Tämä on välttämätöntä, jotta eri taajuusalueita voidaan käsitellä eri lailla ja bittejä poistaa sieltä, missä kuulo on epäherkin. 7

.5 Signaali x(n) aikatasossa. Signaalin x(n) spektri..5 3. 2..5...5 5 5 2 25 3 35 5 5. 5 5 2 25 3 35 Suodattimen impulssivaste Suodattimen amplitudivaste.25.2.5..5.5 2 3 5 6 7 73.8.6..2 5 5 2 25 3 35. Alipäästösuodatettu signaali y(n). Alipäästösuodatetun signaalin y(n) spektri.5 3. 2..5.. 5 5 2 25 3 35 5 5. 5 5 2 25 3 35 8