Diskrete signaler (kap 2)
|
|
- Christina Våge
- 8 år siden
- Visninger:
Transkript
1 INF3470 Digital signalbehandling Diskrete signaler (kap 2) Sverre Holm
2 Diskrete signaler Tidsavhengig fysisk størrelse som brukes til å representere data Norsk Dataordbok Vi jobber også med verdier som varierer romlig: Ultralyd-, l sonar-, mikrofon-arrayer, antenner En fysisk størrelse som varierer i tid og/eller rom og som brukes til å lagre/overføre eller representere informasjon 27. august
3 Mål for kapittel 2: Diskrete signaler 1. Kunne transformere et diskret signal med tidskift og tidsreverseringi 2. Forstå like og odde symmetri og vite hvordan å finne de like og odde delene av et generelt signal 3. Forstå hvordan å klassifisere et signal basert på energi og effekt 4. Forstå grunnleggende interpolasjon og desimering 5. Vite definisjoner på standard signaler 27. august
4 Mål for kapittel 2: Diskrete signaler 6. Vite hvordan å finne den digitale frekvensen til en sinus eller en kompleks k eksponensial 7. Vite hvordan å finne perioden til en sum av sinuser/komplekse eksponensialer 8. Forstå samplingsteoremet og vite hvordan bestemme samplingrate 9. Forstå aliasing og vite hvordan å finne de aliasede frekvensene 10.Forstå de målene som brukes for å karakterisere stokastiske signaler 27. august
5 2.1 Signaler i kontinuerlig og diskret tid Kontinuerlig, tids-diskret eller digitalt signal: x(t) Kontinuerlig signal: en kontinuerlig funksjon i en kontinuerlig variabel x[n] Diskret signal: en kontinuerlig funksjon i en diskret variabel Hvis samplet fra kontinuerlig tid: t=n t s n og t er alltid reelle x[n] og x(t) kan være enten relle eller komplekse Merk: Ingen informasjon om samplingsintervallet, t s,ix[n] Hvis x[n] også kun kan ta et endelig antall verdier kalles det et digitalt signal. 7 7 f.eks. alle heltall fra -2 7 til 2 7 #4: Kontinuerlig tid, kvantisert amplitude: nerver, 27. august
6 Notasjon for diskrete signaler x[n] = {1, 2, 4, 8} pilen viser origo, n=0 x[n] = {2, 4, 6, 8,...} uendelig utstrekning Av typografiske grunner: x[n] = {1, 2, 4, 8} 27. august
7 Høyresidig, venstresidig Kausalt, anti-kausalt Viktig begrep for karakterisering av filtre 0 0 Kausal cause årsak: begrep fra impulsrespons 27. august
8 Periodisk signal Et diskret periodisk signal gjentar seg selv etter N samples: x[n] = x[n ± kn], k=0, 1, 2, 3,... Der N, heltall, er det minste antall samples som oppfyller dette. 27. august
9 Drill 2.1 a) x[n] = {...,1,2,0,0,4,1,2,0,0,4,1,2,0,0,4,1,2,0,0,4,...} Hva er perioden? b) x[n]={...,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,...} y[n]={ {...,1,2,3,1,2,3,1,2,3,1,2,3,1,2,3,1,2,3, } Hva blir perioden til g[n]=x[n]+y[n]? Hvilke sampleverdier har g[n] i en periode? 27. august
10 Mål på signaler Absolutt sum: Signal energi: Endelig absolutt sum absolutt summerbar Endelig E summerbar i kvadrat E= for periodiske signaler Middeleffekt for periodisk signal: Middel over N samples i perioden 27. august
11 Energi-signal, effekt-signal Effekt-signal endelig P P=U I=U 2 /R [Watt] Alle periodiske signal er effekt-signaler Energi-signal g endelig E E = Pdt [W s, kwh] Viktige klasser av signaler 27. august
12 Andre mål Diskret sum: Kumulativ sum: Middelverdi over en periode (for periodisk signal): 27. august
13 Eks 2.1 Signalenergi og -effekt Finn energien i x[n]=3(0.5) n, n 0 Viktige formler for sum av konvergent geometrisk rekke, brukes mye: 27. august
14 Drill 2.2 a) x[n] = {1,2,0,0,4} Hva er energien? b) x[n] = {...,1,2,0,0,4,1,2,0,0,4,1,2,0,0,4,1,2,...} Hva er midlere effekt? c) x[n]={...,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,1,2,,,,,,,,,,,,,,,,,,,,,...} y[n]={...,1,2,2,1,2,2,1,2,2,1,2,2,1,2,2,1,2,2,...} La g[n]=x[n]+y[n] x[n]+y[n], hva er middelverdien til g[n] og middeleffekten til x[n], y[n] og g[n]? 27. august
15 Eks 2.2 Forsinkelse & reversering Eksempel x[n]={2,3,4,5,6,7} x[n-3], x[n+2], x[-n], x[-n+1], x[-n-2] Sjekk: Sample som var ved n=0 havner nå ved: n=0, n-3=0, n+2=0, -n=0, -n+1=0, -n-2=0 27. august
16 2.2 Operasjoner på diskrete signaler Tidsskift: y[n] = x[n-α] Forsinkelse: α>0 (kommer senere) Flytting fremover i tid: α<0 (kommer tidligere) Hvis x[n] starter ved n=n N, vil y[n] starte ved n=n+α Tidsreversering: y[n] = x[-n] speilbilde om origo Bytter fortegn på n Kombinasjon av tidsreversering og skift: x[-n-α] Enten forsinkelse først x[n-α], og så speiling x[-n-α] Eller speiling x[-n], fulgt av avansement i tid x[-n-α] 27. august
17 Symmetrier: like og odde Eksempler: cosinus og sinus 17
18 Like og odde deler av et signal Alle signaler kan uttrykkes som en sum: x[n]=x e [n]+x o [n] (1) Hvordan finne komponentene? Start med tidsreversering: x[-n]=x e [-n]+x o [-n]= x e [n]-x o [n] (2) Legg sammen (1) og (2) => x e [n] = ( x[n]+x[-n] )/2 Trekk (2) fra (1) => x o o[ [n] = ( x[n]-x[-n] [ ])/2 27. august
19 Eks: Finn like og odde signal x[n]=[2,2,2,2,2] = 2( u[n]-u[n-5] ) Definisjoner: x e [n] = (x[n]+x[-n])/2 x o [n] = (x[n]-x[-n])/2 19
20 Klassifisering av signaler Endelig lengde eller uendelig lengde. Periodisk eller aperiodisk. Symmetrisk, anti-symmetrisk eller ikkesymmetrisk. Høyresidig, venstresidig eller tosidig. Kausalt, anti-kausalt eller ikke-kausalt. Energi-signal, eg sg a,effekt-signal e ts eller e ingen av disse. 27. august
21 Drill 2.4 Like og odde del av x[n]={8,4,2}? x e [n]= {1,2,8,2,1} x o o[ [n]={-1,-2,0,2,1},,, 27. august
22 2.3 Desimering Desimering: fjerning av samples Desimering i med 2: x[n] = x[0], x[1], x[2], x[3], x[4],... blir til x[2n] = x[0], x[2], x[4],... Kan betraktes som en resampling: x[n] = x(t) samplet ved t s og y[n] = x(2t) Desimering i med N=32 i MPEG 1-koderen (Egentlig betyr desi 1/10, men brukes for nedsampling med alle faktorer N) 27. august
23 2.3 Interpolasjon Interpolasjon: økning av antall samples Interpolasjon med faktor 2: y[n] = x(t/2) = x [n/2] Annenhver sample lik de som er i x[n] Når man ikke kjenner det analoge signalet, x(t), må verdiene velges/estimeres: Sett til null oppsampling, brukes ofte; null-interpolasjon y[n]=x(n/n) for n=0,± N,± 2N,... og 0 ellers Sett lik forrige sample: step-interpolasjon, 0 te-ordens hold Sett lik middelverdi av samples på hver side (lineær interpolasjon) Mer kompliserte interpolasjoner basert på mange naboer Interpolasjon med N=32 i MPEG 1-dekoder (spiller) Oppsampling fulgt av filter 27. august
24 Eks 2.4a x[n]={1,2,5,-1} 1. Nedsampling med 2: x[2n] = {2,-1} 2. Oppsampling med 3: Forskjellige versjoner av x [n/3]: Null-interpolert: {1,0,0,2,0,0,5,0,0,-1,0,0} } Step-interpolert: {1,1,1,2,2,2,5,5,5,-1,-1,-1} Lineær interpol.: {1,4/3,5/3,2,3,4,5,3,1,-1,-2/3,-1/3} Vekter: 2/3 og 1/3, 1/3 og 2/3 Antatt 0 som etterfølgende sampleverdi 27. august
25 Eks 2.4b x[n]={3,4,5,6}, Finn g[n]=x[2n-1] og h[n]=x[0.5n-1] med step-interpolasjon t Skal man forsinke først eller sist? Litt tvetydig notasjon. Må forsinke først da det betyr forsink med 1 på opprinnelig samplerate, så des/interp. med faktor 2 Forsinkelse: y[n] =x[n1] x[n-1] = {3,4,5,6} 56} 1. Desimering: g[n] = y[2n] = x[2n-1] = {4,6} 2. Interpolasjon: h[n] = y[0.5n] = x[0.5n-1] = {3,3,4,4,5,5,6,6} 27. august
26 Er interpolasjon og desimering inverse? Eks: x[n]={1,2,6,4,8}, N=2, step-interpolasjon 1. Desimering i så interpolasjon {1,6,8} {1,1,6,6,8,8} x[n] 2. Interpolasjon så desimering {1,1,2,2,6,6,4,4,8,8} {1,2,6,4,8} = x[n] 1. Desimering med N fulgt av interpolasjon med N 2. Interpolasjon med N fulgt av desimering med N Desimering opphever interpolasjon, men ikke omvendt Må starte med å øke antall samples, ikke med å kaste dem! 27. august
27 Eks 2.4c x[n]={3,4,5,6}. Finn x[2n/3], bruk step- interpolasjon der det trengs Øke samplerate med 1.5 Ikke-heltallig: husk først å øke antall samples Interpolasjon x [n/3] ={3,3,3,4,4,4,5,5,5,6,6,6},,,,,,,,,, Desimering med 2: x[2n/3]= {3,3,4,5,5,6} } 27. august
28 Ikke heltallige forsinkelser y[n]=x[n-m/n] Eks: forsinke med halv sample, M=1, N=2 1. Interpoler x[n] x [n/n] 2. Forsink med M x[(n-m)/n] 3. Desimer med N x[(nn-m)/n] = x[n-m/n] 27. august
29 Eks 2.4d Forsink x[n]={2,4,6,8} med et halvt sample, dvs finn x[n-0.5]. 05] Bruk klineær interpolasjon. 1. Interpoler med faktor 2: x[n/2]= ]={2,3,4,5,6,7,8} 2. Forsink med én: x[(n-1)/2]= {2,3,4,5,6,7,8,4} 3. Desimer med faktor 2: x[n-0.5]={3,5,7,4} 27. august
30 2.4 Standard diskrete signaler Impuls, det nest-viktigste signalet i faget: δ[n] ] = 1 for n=0, og 0 for n 0 Forsinket impuls: δ[n-k] = 1 for n=k, og 0 for n k Viktig: n er variabelen/tidsindeksen og k er en konstant Enhetssprang, step: u[n] = 1 for n 0, og 0 ellers 27. august
31 Egenskaper ved impuls x[n]δ[n-k] = x[k]δ[n-k] Impulsen er 1 bare ved n=k Ekstraksjonsegenskap (sikt-egenskap): Leder til signalrepresentasjon ved impulser Ser trivielt ut, men viktig ved konvolusjon Eks 27. august
32 Andre signaler Diskret rektangulær puls, rect(n/(2n))og diskret ti triangulær puls 27. august
33 Drill 2.6 Uttrykk h[n]={3,3,3,5,5,5} ved hjelp av enhetssprang 1. Et sprang ved n=-2: 3u[n+2] 2. Et nytt sprang ved n=1: 2u[n-1] 3. Kanseller alt ved n=3: -5u[n-4] h[n]= 3u[n+2] + 2u[n-1] -5u[n-4] 27. august
34 Andre signaler Diskret sinc-funksjon: 0 for nπ/n=kπ => n=kn, k=±1, ±2,... sinc(0) = 1, definert med analogi til kontinuerlig sinc Impulsrespons til ideelt lavpassfilter Diskret eksponensial: x[n]=α α n u[n] Hva skjer for α=2, α=0.5, α=-0.5? α=re jθ => r n e jnθ = r n (cos(nθ) + jsin(nθ)) 0<r<1=> eksponsielt fallende sin/cos r>1 => økende sin/cos Husk formler for sum av geometrisk rekke (eks 2.1) 27. august
35 2.5 Tidsdiskrete sinuser Analog (co)sinus x(t)=cos(2πft) Samples ved t s der samplingsfrekvensen er S=1/t s Hz, dvs. t=n t s Gir diskret cosinus: x[n] = cos(2πf n t s ) = cos(2π n f/s)= cos(2π n F) 4 frekvensbegreper: f, F=f/S, og vinkelfrekvens ω=2πf og =2πF: 35
36 Kompleks sinus x[n] = e j2πnf+θ =cos(j2πnf+θ) + jsin(j2πnf+θ) Brukes ofte i stedet for cos( ) som lett kan finnes fra realdelen 27. august
37 Tidsdiskret sinus periodisk i tid? Tidsdiskret sinus x[n]=cos(2πnf 0 ): cos(2πnf 0 ) = cos(2π(n+n)f ( 0 ) = cos(2πnf 0 +2πNF 0 ) Bare periodisk i tid for NF 0 =heltall: F 0 =k/n, 0 =2πk/N! 2-37
38 Tidsdiskret sinus periodisk i frekvens? Tidsdiskret sinus x[n]=cos(2πnf 0 ): cos(2πnf 0 ) = cos(2πn(f (F 0 +m)) = cos(2πnf 0 +2πnm) Alltid periodisk i frekvens, dvs F 0 og F 0 +m gir samme resultat, der m er et heltall Unikt område for frekvens: -0.5 F 0.5 (-π π) Alle andre frekvenser vil ha en alias i dette området, Fa=FF 0 -M, der F a < F 0 Matlab: cond2dis.m 38
39 Drill 2.8a La x[n] = e j1.4n = e j2πf un der F u 0.5. Hva er F u? 2πF u = 1.4π => F u =1.4/2=0.7 > 0.5 Altså må det trekkes fra 1 for å få den innenfor området => F=F u -1= -0.3 Det blir x[n] = e -j0.6nπ Argumentet må være mellom jn og jn 27. august
40 Drill 2.8b y[n] = cos(2.4nπ ). Skriv om til et uttrykk med en frekvens innenfor det prinsipale i området 2.4nπ = 2π F 0 n + θ => 2.4 = 2F 0 og F 0 =1.2 Men da dette ikke er en løsning innenfor det ønskede området må den reduseres ved å trekke fra m: 2π(1.2-m)n + θ = 2π F n + θ Det gir m=1 og altså F=0.2 og θ=30 0 eller y[n]= cos(0.4nπ ). 27. august
41 2.6 Samplingsteoremet Hvordan sørge for at det samplede signalet fullt og helt representerer det analoge? Analogt signal: cos(2π f 0 t+θ) Sampling ved S (Hz) => digital frekvens F 0=f 0/S Digital frekvens må ligge i det prinsipale området F 0 0 <0.5 => S>2 f 0 Altså: Samplingsraten må være større enn 2 x høyeste frekvens i det analoge signalet 27. august
42 Samplingsteoremet: begreper Kritisk samplingsrate = Nyquist frekvens: S=2f max Nyquist intervall ts=1/2 fmax Ekvivalent med å ta 2 samples per periode Drill 2.9b En sinus på 50 Hz er blitt samplet på det dobbelte av Nyquist-raten. Hvor mange samples får man da i løpet av 3 sekunder? 27. august
43 Rekonstruksjon fra samples Rekonstruksjon baserer seg på at digital frekvens er id det prinsipale i området F Svarer til analog frekvens S/2 f S/2 Korrekt samplet: Hvis det analoge signalet var samplet i følge samplingsteoremet så gjenvinnes det opprinnelige analoge signalet Undersamplet: Hvis det opprinnelige analoge signalet var undersamplet, da gjenvinnes en alias, F a =F 0 -M ( F a <0.5) svarende til en lavere analog frekvens f a =f 0 -M S. 27. august
44 Eksempel 2.7b 100 Hz sinus samplet på 240, 140, 90 og 35 Hz. Aliasing? i Hvis ja, hva er alias-frekvensen? Samplingsteorem S>200 Hz => S=240 Hz OK Resten er undersamplet: f a =f 0 -MS slik at F a =F 0 -M kommer i området < 0.5 S=140 Hz => f a =100 Hz-140 Hz = -40 Hz som er OK da -40 < S/2 S=90 Hz => f a =100 Hz-90 Hz = 10 Hz <S/2 S=35 Hz => M=1: f a= = 65 Hz > S/2 M=2: f a =100-2*35 Hz = 30 Hz > S/2 27. august 2013 M=3: f a =100-3*35 Hz = -5 Hz: OK 45
45 Eksempel 2.7d? En 100 Hz sinus er samplet og det rekonstruerte signalet har frekvens 10 Hz. Hva var samplingsraten? f 0 =100, f a =10 eller f a =-10 Løs f a =f 0 -M S M=1: 100-S = 10 S= S=-10 S=110 M= S=10 S= S 10 S S=-10 S=55 M=3 S=30 eller S=110/ Hz 27. august
46 Sinuser Analog: Er alltid periodisk i tid Er aldri periodisk i frekvens Tids-diskret: Er bare periodisk i tid under bestemte vilkår (F 0 =k/n et rasjonalt tall) Er alltid periodisk i frekvens Er basis for aliasing og samplingsteoremet 49
47 2.7 Stokastiske signaler Deterministiske stokastiske/tilfeldige Forskjellig realisering, x(t), hver gang Det stokastiske signalet X(t) er familien av slike realiseringer Ved hvert tidspunkt, t, en stokastisk variabel Hvilke verdier, x, kan den ha? 27. august
48 Sannsynlighetstetthet Sannsynlighetstetthet f(x) = df(x)/dx Kumulativ sannsynlighet: Sannsynligheten for at X x august
49 Mål for stokastiske variable Forventningsverdi, mål for hvor fordelingen er sentrert: t Midlere kvadratverdi = 2. ordens moment: Varians, 2. ordens sentralmoment Måler spredning, bredde, usikkerhet, σ: standardavvik, root-mean-square = rms verdi 27. august
50 Uniform fordeling f(x) = 1/(β-α) for α x β, 0 ellers m x =0.5(α+β) σ x2 = (β-α) 2 /12 Anvendelser Kvantiseringsstøy i A/D-konverter: Ti Trinnstørrelse Kvantiseringsfeil uniformt fordelt mellom - /2 og /2 Sinus med tilfeldig fase, cos(2πft+θ): Fase, θ, uniformt fordelt mellom -π og π 53
51 Normalfordeling, Gauss-fordeling Sannsynlighetstetthet Standard Gaussfordeling, N(0,1), med m x =0, σ=1 Sum av Gaussiske variable er Gaussisk Sentralgrenseteoremet Pdf til en sum av mange stokastiske variable går mot Gaussisk når antallet blir stort, selv om de ikke hver for seg er Gaussiske Anvendelse Modell for støy 27. august
52 Periodiske signaler: stokastiske mål Varians for sinus x(t) = A cos(2π t/t+θ): σ 2 =A 2 /2 Uttrykk for effekten i signalet : effektivverdien Fordeling for et periodisk signal: 27. august
53 Stasjonæritet, ergodisitet Stasjonært signal: statistiske egenskaper endrer seg ikke med tid Forskjellige realiseringer har samme statistiske egenskaper Konstant middelverdi og varians Hvis en kan finne middel og varians ved midling over tid i stedet for over realiseringer er prosessen ergodisk. For en ergodisk prosess klarer det seg med én realisering derfor forutsettes det ofte at en prosess er ergodisk 56
54 Statistiske estimater: ergodisk prosess Ensemble middel: Ergodisk prosess, bruk tidsmiddel i stedet: Middelverdi: AC effekt: 27. august
55 Signal-støy forhold Signal med støy: x(t) = s(t) + An(t) 2 Signaleffekt: σ s 2 Støyeffekt: A 2 σ n 2 Signal-støy forhold i db: 27. august
56 Koherent midling av sinus i støy Anta M målinger som er koherente, dvs sinus kommer i samme fase i hver måling: x m (t)=s(t)+an m (t) Estimat Signalnivå blir det samme Støyvarians MA 2 2 /M 2 => >SNR -> >MSNR M SNR 59
INF3470 Digital signalbehandling Diskrete signaler (kap 2) Sverre Holm
INF3470 Digital signalbehandling Diskrete signaler (kap 2) Sverre Holm Diskrete signaler Tidsavhengig fysisk størrelse som brukes til å representere data Norsk Dataordbok Vi jobber også med verdier som
Forelesning, 23.februar INF2400 Sampling II. Øyvind Ryan. Februar 2006
INF2400 Februar 2006 INF2400 Innhold Delkapitlene 4.4-4.6 fra læreboken, 4.3 er til selvstudium. Repetisjon om sampling og aliasing Diskret-til-kontinuerlig omforming Interpolasjon med pulser Oversamling
Forelesning, 17.februar INF2400 Sampling II. Øyvind Ryan. Februar 2005
INF2400 Februar 2005 INF2400 Innhold Delkapitlene 4.4-4.6 fra læreboken, 4.3 er til selvstudium. Repetisjon om sampling og aliasing Diskret-til-kontinuerlig omforming Interpolasjon med pulser Oversamling
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 11. juni 27 Tid for eksamen: 14.3 17.3 Oppgavesettet er på 5 sider. Vedlegg: INF 347 / INF 447 Digital Signalbehandling
Tidsdomene analyse (kap 3 del 2)
INF3470 Digital signalbehandling Tidsdomene analyse (kap 3 del 2) Sverre Holm 3.9 Diskret konvolusjon Metode for å finne responsen fra et filter med 0 initialbetingelser, fra impulsresponsen h[n] Enkelt
Repetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004
Repetisjon: Diskret vs kontinuerlig Forelesning,.februar 4 Kap. 4.-4. i læreboken. Anta variabelen t slik at a < t < b, (a, b) R sampling og rekonstruksjon, i tids- og frekvensdomenet Nyquist-Shannons
Sampling, kvantisering og lagring av lyd
Litteratur : Temaer i dag: Neste uke : Sampling, kvantisering og lagring av lyd Cyganski kap 11-12 Merk: trykkfeilliste legges på web-siden Sampling av lyd Kvantisering av lyd Avspilling av samplet og
Repetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.
Oversikt, 6.februar Tilhørende pensum i boken er. -.. Repetisjon regning med aliasing og folding rekonstruksjon ved substitusjon FIR-filtre glidende middel et generelt FIR-filter enhetsimpulsresponsen
LØSNINGSFORSLAG TIL SIGNALBEHANDLING 1 JUNI 2010
LØSNINGSFORSLAG TIL SIGNALBEHANDLING JUNI Løsningsforslag til eksamen i Signalbehandling, mai Side av 5 Oppgave a) Inngangssignalet x(t) er gitt som x( t) = 5cos(π t) + 8cos(π 4 t). Bruker Eulers formel
Uke 9: Diskret Fourier Transform, I
Uke 9: Diskret Fourier Transform, I Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/23 Dagens temaer Sampling og periodisitet DFT DFT og DTFT 3/23 Tema Sampling
Kap 7: Digital it prosessering av analoge signaler
Kap 7: Digital it prosessering av analoge signaler Sverre Holm Temaer 1. Sampling og rekonstruksjon 2. Finne spektret til samplet signal 3. Gjenvinning med forskjellige interpolasjoner 4. Nullinnsetting
Tidsdomene analyse (kap 3 del 2)
INF3470 Digital signalbehandling Tidsdomene analyse (kap 3 del 2) Sverre Holm 3.9 Diskret konvolusjon Metode for å finne responsen fra et filter med 0 initialbetingelser, fra impulsresponsen h[n] Enkelt
LØSNINGSFORSLAG TIL KONTINUASJONSEKSAMEN STE 6219 Digital signalbehandling
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT LØSNINGSFORSLAG TIL KONTINUASJONSEKSAMEN STE 629 Digital signalbehandling Tid: Torsdag 0.08.2006, kl: 09:00-2:00 Tillatte
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3470 Digital signalbehandling Eksamensdag: 1. desember 013 Tid for eksamen: 14.30 18.30 Oppgavesettet er på 15 sider. Vedlegg:
Repetisjon: LTI-systemer
Forelesning, 11. mars 4 Tilhørende pensum er 6.1-6.4 i læreboken. repetisjon av FIR-filtre frekvensresponsen til et FIR-filter beregne utgangen fra FIR-filtret ved hjelp av frekvensresponsen steady-state
f(t) F( ) f(t) F( ) f(t) F( )
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG4045 Geofysisk Signalanalyse Lsningsforslag ving 3 a) ' xy (t) = x()y(t + )d : La oss, for
Kontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x er sannsynlighetstettheten til en kontinuerlig X dersom:. f(x 0 for alle x R 2. f(xdx = 3. P (a
Side av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der
Side av 5 Norges teknisk- naturvitenskapelige universitet Institutt for teknisk kybernetikk SIE38 Stokastiske og adaptive systemer Fasit til ving Oppgave Gitt at den stokastiske vektoren v er normalfordelt
TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger
TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger Kontinuerlig uniform fordeling f() = B A, A B. En kontinuerlig størrelse (vekt, lengde, tid), som aldri kan bli mindre enn
STE 6146 Digital signalbehandling. Løsningsforslag til eksamen avholdt
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Sivilingeniørstudiet EL/RT STE 6146 Digital signalbehandling Løsningsforslag til eksamen avholdt 06.02.03 Oppgaver 1. Forklar hva som er
FILTERDESIGN Ukeoppgavene skal leveres som selvstendige arbeider. Det forventes at alle har satt seg inn i instituttets krav til innleverte oppgaver: Norsk versjon: http://www.ifi.uio.no/studinf/skjemaer/erklaring.pdf
Analog. INF 1040 Sampling, kvantisering og lagring av lyd. Kontinuerlig. Digital
INF 14 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Analog eller digital, kontinuerlig eller diskret 2. Sampling, kvantisering, digitalisering 3. Nyquist-Shannon teoremet 4. Oversampling,
Uke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
EKSAMEN STE 6219 Digital signalbehandling
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT Side 1 av 4 EKSAMEN STE 6219 Digital signalbehandling Tid: Tirsdag 07.03.2006, kl: 09:00-12:00 Tillatte hjelpemidler:
6DPSOLQJ DY NRQWLQXHUOLJH VLJQDOHU
TE6146 ignalbehandling 6DPOLQJ DY NRQWLQXHUOLJH VLJQDOHU,QWURGXNVMRQ Mest vanlige måte å oppnå diskrete signaler på er ved sampling av kontinuerlige signaler Under gitte forutsetninger kan kontinuerlige
Uke 12: FIR-filter design
Uke 12: FIR-filter design Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/48 Dagens temaer Repetisjon Design av digitale filtre Design av FIR filtre 3/48 Notasjon
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: 11. desember 006 Tid for eksamen: 15.30 18.30 Oppgavesettet er på 7 sider. Vedlegg:
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: xx. desember 007 Tid for eksamen: Oppgavesettet er på 6 sider. Vedlegg: Tillatte hjelpemidler:
Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.
Side av 5 NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Faglig kontakt under eksamen: Navn: John Torjus Flåm Tlf.: 957602 EKSAMEN I EMNE TTT40 INFORMASJONS-
MAT 1001, Høsten 2009 Oblig 2, Løsningsforslag
MAT 1001, Høsten 009 Oblig, sforslag a) En harmonisk svingning er gitt som en sum av tre delsvingninger H(x) = cos ( π x) + cos (π (x 1)) + cos (π (x )) Skriv H(x) på formen A cos (ω(x x 0 )). siden H(x)
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: Oppgavesettet er på 9 sider. Vedlegg: Tillatte hjelpemidler: INF2400 Digital signalbehandling 16. 23. april 2004,
ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen
ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen Bo Lindqvist Institutt for matematiske fag 2 Kap. 6: Normalfordelingen Normalfordelingen regnes som den viktigste statistiske fordelingen!
Løsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005. eksamensoppgaver.org
Løsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005 eksamensoppgaver.org eksamensoppgaver.org 2 Om løsningsforslaget Løsningsforslaget for matematikk eksamen i 3MX er gratis, og det er lastet
Sampling ved Nyquist-raten
Samplingsteoremet Oppgavegjennomgang, 7.mai Oversikt Presisering av samplingsteoremet Løse utsendt oppgave om sampling Løse oppgave, V Løse oppgave 3, V If a function f (t contains no frequencies higher
Fasit til midtveiseksamen
Fasit til midtveiseksamen INF344/444 Signalbehandling 2. november 24 Oppgave Betrakt systemet x(n) T y (n) med y(n) = 4 5 [x(n+)] 2. Avgjør og begrunn ditt svar om hvorvidt dette systemet er. lineært,
y(t) t
Løsningsforslag til eksamen i TE 559 Signaler og Systemer Høgskolen i Stavanger Trygve Randen, t.randen@ieee.org 3. mai 999 Oppgave a) Et tidsinvariant system er et system hvis egenskaper ikke endres med
Hjelpemidler/hjelpemiddel: D - "Ingen trykte eller håndskrevne hjelpemidler tillatt. Enkel kalkulator tillatt."
Side av 8 + sider vedlegg NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Signalbehandling Faglig kontakt under eksamen: Navn: Tor A. Ramstad Tlf.: 46660465
Løsningsforslag til underveisvurdering i MAT111 vår 2005
Løsningsforslag til underveisvurdering i MAT111 vår 5 Beregn grenseverdien Oppgave 1 (x 1) ln x x x + 1 Svar: Merk at nevneren er lik (x 1), så vi kan forkorte (x 1) oppe og nede og får (x 1) ln x ln x
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: mai 2002 IN 155 Digital Signalbehandling Tid for eksamen: 6. mai 9.00 21. mai 12.00 Oppgavesettet er på 5 sider.
Dagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang
Dagens temaer Time 5: z-transformasjon og frekvens transformasjon Andreas Austeng@ifi.uio.no, NF3470 fi/uio September 2009 Fra forrige gang Kausalitet, stabilitet og inverse systemer Z 1 { }: nvers z-transformasjon
Sampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
INF3470/4470 Digital signalbehandling. Repetisjon
INF3470/4470 Digital signalbehandling g Repetisjon Sverre Holm Contents Chapter 1 Overview Chapter 2 Discrete Signals Chapter 3 Time-Domain Analysis Chapter 4 z-transform Analysis Chapter 5 Frequency Domain
Repeterbarhetskrav vs antall Trails
Repeterbarhetskrav vs antall Trails v/ Rune Øverland, Trainor Automation AS Artikkelserie Dette er første artikkel i en serie av fire som tar for seg repeterbarhetskrav og antall trials. Formålet med artikkelserien
MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem
MAT400 PROSJEKTOPPGAVE: Statistikk i S2 Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem 20. mai 205 Innhold. Stokastisk Variabel.. Stokastiske variable som funksjoner 3 2. Forventningsverdi
Forkunnskapskrav. Hva handler kurset om. Kontaktinformasjon. Kurset er beregnet på en student som kan
Velkommen til INF4, Digital signalbehandling Hilde Skjevling (Kursansvarlig) Svein Bøe (Java) INSTITUTT FOR INFORMATIKK Kontaktinformasjon E-post: hildesk@ifi.uio.no Telefon: 85 4 4 Kontor: 4 i 4.etasje,
Løsningsforslag til obligatorisk oppgave i MAT 1100, H-04
Løsningsforslag til obligatorisk oppgave i MAT 00, H-04 Oppgave : a) Vi har zw ( + i )( + i) + i + i + i i og + i + i ( ) + i( + ) z w + i + i ( + i )( i) ( + i)( i) i + i i i ( i ) ( + ) + i( + ) + +
Analyse og metodikk i Calculus 1
Analyse og metodikk i Calculus 1 Fredrik Göthner og Raymi Eldby Norges teknisk-naturvitenskapelige universitet 3. desember 01 1 Innhold Forord 3 1 Vurdering av grafer og funksjoner 4 1.1 Hva er en funksjon?.........................
STE 6219 Digital signalbehandling Løsningsforslag
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT Side 1 av 3 STE 6219 Digital signalbehandling Løsningsforslag Tid: Fredag 20.04.2007, kl: 09:00-12:00 Tillatte hjelpemidler:
Kontinuerlige stokastiske variable.
Kontinuerlige stokastiske variable. I forelesning har vi sett på en kontinuerlig stokastisk variabel med sannsynlighetstetthet f() =2 og sannsynlighetsfunksjon F () = 2 for. Der hadde jeg et reint regneteknisk
Temaer i dag. Mer om romlig oppløsning. Optisk avbildning. INF 2310 Digital bildebehandling
Temaer i dag INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF347/447 Digital signalbehandling Eksamensdag: 1. desember 16 Tid for eksamen: 14.3 18.3 Oppgavesettet er på 8 sider. Vedlegg:
Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.
Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering
Basisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( )
INF 30 0. april 00 Fouriertransform del II Kjapp repetisjon Bruk av vinduer Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Eksempel: 3 5 4 5 3 4 3 6 Repetisjon Basis-bilder Sort er 0, hvit
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Bokmål Eksamensdato: 6.mai 215 Varighet/eksamenstid: 5 timer Emnekode: TELE 23 Emnenavn: Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: 1 Faglærer(e):
INF januar 2017 Ukens temaer (Kap med drypp fra kap. 4. i DIP)
25. januar 2017 Ukens temaer (Kap 2.3-2.4 med drypp fra kap. 4. i DIP) Romlig oppløsning Sampling av bilder Kvantisering av pikselintensiteter 1 / 27 Sampling av bilder Naturen er kontinuerlig (0,0) j
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 28. mars 2007 Tid for eksamen : 13:30 16:30 Oppgavesettet er på : 4 sider
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Bokmål Eksamensdato: 7.mai 24 Varighet/eksamenstid: 5 timer Emnekode: TELE 23 Emnenavn: Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: Faglærer(e):
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF347/447 Digital signalbehandling Eksamensdag:. desember 5 Tid for eksamen: 9. 3. Oppgavesettet er på 7 sider. Vedlegg: Ingen
Uke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/39 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
Uke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2013 2/31 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
Repeterbarhetskrav vs antall Trails
Repeterbarhetskrav vs antall Trails v/ Rune Øverland, Trainor Automation AS Artikkelserie Dette er andre artikkel i en serie av fire om tar for seg repeterbarhetskrav og antall trials. Formålet med artikkelserien
Uke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
Konvolusjon og filtrering og frevensanalyse av signaler
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 2 Konvolusjon og filtrering og frevensanalyse av signaler Sarpsborg 21.01.2005 20.01.05
Uke 10: Diskret Fourier Transform, II
Uke 10: Diskret Fourier Transform, II Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 011 /38 Dagens temaer Spektral glatting pga endelig lengde data Bruk av DFT en
Uke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2012 2/30 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
LØSNINGSFORSLAG TIL EKSAMEN STE 6219 Digital signalbehandling
Side1av4 HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Sivilingeniørstudiet EL/RT LØSNINGSFORSLAG TIL EKSAMEN STE 6219 Digital signalbehandling Tid: Mandag 27.08.2009, kl: 09:00-12:00
Eksamen i emnet MAT111/M100 - Grunnkurs i matematikk I Mandag 15. desember 2003, kl. 09-13(15) LØYSINGSFORSLAG OPPGÅVE 2:
Eksamen i emnet MAT/M00 - Grunnkurs i matematikk I Mandag 5. desember 2003, kl. 09-3(5) LØYSINGSFORSLAG Finn dei deriverte til i) f(x) = x 2 ln x OPPGÅVE : exp(u 2 )du, x, ii) f(x) = x cos(x). i) d x 2
INF Stikkord over pensum til midtveis 2017 Kristine Baluka Hein
INF2310 - Stikkord over pensum til midtveis 2017 Kristine Baluka Hein 1 Forhold mellom størrelse i bildeplan y og "virkelighet"y y y = s s og 1 s + 1 s = 1 f Rayleigh kriteriet sin θ = 1.22 λ D y s = 1.22
Noen presiseringer mhp Diskret Fourier Transform. Relevant for oblig 1.
FYS2130 Våren 2008 Noen presiseringer mhp Diskret Fourier Transform. Relevant for oblig 1. Vi har på forelesning gått gjennom foldingsfenomenet ved diskret Fourier transform, men ikke vært pinlig nøyaktige
INF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11)
INF 1040 høsten 2008: Oppgavesett 9 Sampling og kvantisering av lyd (kapittel 11) Fasitoppgaver Denne seksjonen inneholder innledende oppgaver hvor det finnes en enkel fasit bakerst i oppgavesettet. Det
UNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Løsningsforslaget
STE 6219 Digital signalbehandling Løsning til kontinuasjonseksamen
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT Side av 4 STE 629 Digital signalbehandling Løsning til kontinuasjonseksamen Tid: Fredag 03.08.2007, kl: 09:00-2:00
INF 1040 Sampling, kvantisering og lagring av lyd
INF 1040 Sampling, kvantisering og lagring av lyd Temaer i dag : 1. Analog eller digital, kontinuerlig eller diskret 2. Sampling, kvantisering, digitalisering 3. Nyquist-Shannon teoremet 4. Oversampling,
TMA4140 Diskret matematikk Høst 2011 Løsningsforslag Øving 7
Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag Side 1 av?? TMA4140 Diskret matematikk Høst 011 Løsningsforslag Øving 7 7-1-10 a) Beløpet etter n 1 år ganges med 1.09 for å
Transformanalyse. Jan Egil Kirkebø. Universitetet i Oslo 17./23. september 2019
Transformanalyse Jan Egil Kirkebø Universitetet i Oslo janki@ifi.uio.no 17./23. september 2019 Jan Egil Kirkebø (Inst. for Inf.) IN3190/IN4190 17./23. september 2019 1 / 22 Egenfunksjoner til LTI-systemer
Generell informasjon om faget er tilgjengelig fra It s learning.
Stavanger, 6. august 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 5.1 Implementering av IIR filter....................
Obligatorisk oppgave i MAT 1100, H-03 Løsningsforslag
Oppgave : Obligatorisk oppgave i MAT, H- Løsningsforslag a) Vi skal regne ut dx. Substituerer vi u = x, får vi du = x dx. De xex nye grensene er gitt ved u() = = og u() = = 9. Dermed får vi: 9 [ ] 9 xe
Fasit, Eksamen. INF3440/4440 Signalbehandling 9. desember c 0 + c 1z 1 + c 2z 2. G(z) = 1/d 0 + d 1z 1 + d 2z 2
Fasit, Eksamen INF/ Signalbehandling 9. desember Oppgave : Strukturer To systemfunksjoner, G(z) og H(z), er gitt som følger: G(z) = c + c z + c z /d + d z + d z og H(z) = /d + dz + d z c + c z + c z. Figur
Forelesning 22 MA0003, Mandag 5/11-2012 Invertible matriser Lay: 2.2
Forelesning 22 M0003, Mandag 5/-202 Invertible matriser Lay: 2.2 Invertible matriser og ligningssystemet x b Ligninger på formen ax b, a 0 kan løses ved å dividere med a på begge sider av ligninger, noe
er et er et heltall. For eksempel er 2, 3, 5, 7 og 11 primtall, mens 4 = 2 2, 6 = 2 3 og 15 = 3 5 er det ikke.
. Primtall og primtallsfaktorisering Definisjon Et primtall p er et heltall, større enn, som ikke er delelig med andre tall enn og seg selv, altså bare delelig med og p (og egentlig også og p) At et tall
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere
Oppgave 1. og t α/2,n 1 = 2.262, så er et 95% konfidensintervall for µ D (se kap 9.9 i læreboka): = ( 0.12, 3.32).
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 16. november 2009 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir
Institutt for Samfunnsøkonomi. Utlevering: 29.04.2015 Kl. 09:00 Innlevering: 29.04.2015 Kl. 14:00
SENSORVEILEDNING MET 803 Matematikk Institutt for Samfunnsøkonomi Utlevering: 9.04.05 Kl. 09:00 Innlevering: 9.04.05 Kl. 4:00 For mer informasjon om formalia, se eksamensoppgaven. Oppgave Beregn følgende
FILTERDESIGN Ukeoppgavene skal leveres som selvstendige arbeider. Det forventes at alle har satt seg inn i instituttets krav til innleverte oppgaver: Norsk versjon: http://www.ifi.uio.no/studinf/skjemaer/erklaring.pdf
7.3 Samplerate-konvertering
7.3 Samplerate-konvertering Ultralyd kommunikasjonssystem for kombinasjon med drfid Signal 40 khz ± 2-4 khz B = 4-8 khz Anti-aliasing filter transducers båndpasskarakteristikk f s 17.7 khz: Båndpass sampling
DEL 1 (Uten hjelpemidler, leveres etter 3 timer) 3(a + 1) 4(1 a) (6a 1) = 3a + 3 4 + 4a 6a + 1
HELDAGSPRØVE I MATEMATIKK 1T HØST DEL 1 (Uten hjelpemidler, leveres etter 3 timer) Oppgave 1. Trekk sammen uttrykkene: a) 3(a + 1) 4(1 a) (6a 1) 3(a + 1) 4(1 a) (6a 1) = 3a + 3 4 + 4a 6a + 1 = a. b) 1
Uke 5: Analyse i z- og frekvensdomenet
Uke 5: Analyse i z- og frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/32 Dagens temaer Fra forrige gang Kausalitet, stabilitet og inverse systemer
QED 5 10. Matematikk for grunnskolelærerutdanningen. Bind 2. Fasit kapittel 2 Tallenes hemmeligheter
QED 5 10 Matematikk for grunnskolelærerutdanningen Bind Fasit kapittel Tallenes hemmeligheter Kapittel Oppgave 5. Nei Oppgave 7. Addisjon og multiplikasjon Oppgave 8. b) Hvis vi ser på hele tall er {1},
TMA Matlab Oppgavesett 2
TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å
Finn volum og overateareal til følgende gurer. Tegn gjerne gurene.
Innlevering FO99A - Matematikk forkurs HIOA Obligatorisk innlevering Innleveringsfrist Fredag oktober 01 kl 1:00 Antall oppgaver: 16 Løsningsforslag 1 Finn volum og overateareal til følgende gurer Tegn
Repetisjon: høydepunkter fra første del av MA1301-tallteori.
Repetisjon: høydepunkter fra første del av MA1301-tallteori. Matematisk induksjon Binomialteoremet Divisjonsalgoritmen Euklids algoritme Lineære diofantiske ligninger Aritmetikkens fundamentalteorem Euklid:
Hjelpemidler: D Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.
Side av 5 NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Faglig kontakt under eksamen: Navn: Bojana Gajić Tlf.: 92490623 EKSAMEN I EMNE TTT40 INFORMASJONS-
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Eksamensdato: 14.5.213 Varighet/eksamenstid: Emnekode: Emnenavn: 5 timer EDT24T Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: 1 Faglærer(e):
INF 2310 Digital bildebehandling
Temaer i dag INF 231 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
INF 2310 Digital bildebehandling
Temaer i dag INF 231 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
INF 2310 Digital bildebehandling
INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen 27.01.2014 INF2310 1 Temaer i dag Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 29. mars 2007 Tid for eksamen: 09.00 2.00 Oppgavesettet er på 5 sider. Vedlegg: INF 3470 / INF 4470 Digital Signalbehandling
Uendelige rekker. Konvergens og konvergenskriterier
Uendelige rekker. Konvergens og konvergenskriterier : Et absolutt nødvendig, men ikke tilstrekkelig vilkår for konvergens er at: lim 0 Konvergens vha. delsummer :,.,,,. I motsatt fall divergerer rekka.
6.2 Normalfordeling. Høyde kvinner og menn. 6.1 Kontinuerlig uniform fordeling. Kapittel 6
3 6.2 Normalfordeling Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Normalfordeling: Sannsynlighetstettheten til en normalfordelt stokastisk variabel, X, med forventning