Semestrální práce KMA / MM Waveletová transformace
|
|
- Patrik Kolář
- před 5 lety
- Počet zobrazení:
Transkript
1 Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Semestrální práce KMA / MM Waveletová transformace Plzeň, 005 Lukáš Bellada
2 Abstrakt In this paper I will describe signal processing by wavelet transformation (WT) in engeneering approach with partial mathematical and historical background. This document contains introduction of new admissions and WT comparing with other transformation methods such as FFT and STFT. Keywords Transformace, zpracování signálů, wavelet, FT, FFT, STFT, WT, CWT, Fourier, Heisenberg.
3 Úvod Co je to signál a proč ho transformujeme? Signál je matematickým modelem jistého objektu, například fotografie je D stacionární signál reprezentující 3D scénu, záznam EKG je 1D nestacionární signál reprezentující rytmus srdce, a podobně. Tyto signály transformujeme z mnoha důvodů, jako jsou například komprese signálu, zvýraznění / potlačení určitých vlastností signálu, zjištění dalších užitečných informací o signálu (spektrum), na základě kterých můžeme provádět například klasifikaci. Co je to waveletová transformace? Waveletová (vlnková) transformace, dále jen WT, je poměrně nový koncept přibližně z 90. let minulého století. WT byla vyvinuta jako další (propracovanější) alternativa k STFT (Short Time Fourier Transformation), která poskytuje časově frekvenční reprezentaci signálu, WT však v mnoha ohledech převyšuje její rozlišovací schopnosti. Podrobnosti a porovnání jsou uvedeny v odstavcích (WT a STFT). Aplikační oblast WT je velmi široká, užívá se ke zpracování a analýze různorodých signálů a dat (telekomunikace, biomedicína, seismika, komprese dat, aproximace funkcí, numerické řešení diferenciálních rovnic,...). Historický vývoj WT Obr. P1.0: Baron Jean Baptiste Joseph Fourier Na přelomu 18. a 19. století francouzský matematik Joseph Fourier, viz obr. P1.0, položil základy modernímu zpracování a analýze signálů. Fourier představil koncept, podle kterého lze každou funkci, včetně nespojitých, vyjádřit jako samostatný analytický výraz, viz níže. Základní úlohou Fourierovy analýzy je k dané periodické funkci f ( x), x (, ) určit frekvence harmonických složek ω k, amplitudy harmonických složek r k a fáze v k harmonických složek. U úlohy Fourierovy syntézy se jedná o zpětnou transformaci, kdy z koeficientů r,ω, v rekonstruujeme původní funkci (původní signál), která je součtem řady r sin( ω x + ). k k = 0 k k k k v k f ( x) a πkx πkx 0 + ( ak cos + bk sin ) = rk sin( ωk x + vk ) k= 1 T T k= 0 3
4 Příklad: Funce f(x) = cos(π 10x) + cos(π 5x) + cos(π 50x) + cos(π 100x) na obrázku F1.1 a její spektrální analýza provedena algoritmem Fourierovy rychlé transformace (FFT), viz obr. F1.. Obr. F1.1: f(x) Obr. F1.: Spektrum f(x) Spektrální analýzou tedy zjistíme přítomnost určitých frekvencí vyskytujících se v signálu a míru jejich zastoupení. Otázkou je, jakých výsledků dosahuje Fourierova analýza pro nestacionární 1 signály. Frekvenční obraz nestacionárního signálu má jednu velkou nevýhodou, nikdy se nedozvíme, ve kterém čase nebo časovém intervalu se vyskytla jaká frekvence. Z tohoto také vyplívá nemožnost rekonstrukce nestacionárního signálu z jeho frekvenčního obrazu (spektra), viz následující příklad. Obr. F1.3: chirp(x) Obr. F1.4: Spektrum chirp(x) Z předešlých obrázků je vidět, že Fourierova transformace (analýza) je vhodný nástroj pro studium a popis stacionárních signálů, pro popis nestacionárních signálů se však příliš často nehodí, proto se zavádí tzv. STFT (Short Time Fourier Transformation) krátkodobá (též okénková) Fourierova transformace, která poskytuje časově frekvenční reprezentaci signálu, jejímž dalším vylepšením je kýžená wavaletová transformace. 1 Takový signál y = y(t), pro který neplatí, že všechny frekvence (spektrum) se vyskytují ve všech časech t. Vhodné a jednoduché, pokud nás zajímájí pouze výskyty určitých frekvencí (identifikace řečníka), viz doplňující texty. 4
5 STFT Rozdíl mezi klasickou Fourierovou transformací a STFT je v tom, že transformovaný signál je rozdělen do menších segmentů (okének), ve kterých se předpokládá stacionarita signálu. Z tohoto důvodu se zavádí tzv. okénková funkce W, jejíž šířka musí být rovna délce segmentu, ve kterém se stacionarita signálu předpokládá. Obr. F1.5: Znázornění okénka Obr. F1.6: Výstup STFT STFT ( t, w X t Kde x(t) je signal sám a w(t) je okénková funkce. f ) = [ x( t) w( t t') ] e jπft Podívejme se nyní na následující příklad a diskutujme dosažené výsledky. Příklad : Tento příklad je ze sbírky ukázkových příkladů Dr.Robiho Polikara [Pol01]. dt Obr. F.1: Uvažovaný signál f(t) Obr. F.: Okénková funkce w(t) Kde okénková funkce w(t) je Gaussova funkce s parametrem a, viz obr.f.. w( t) = e a t 5
6 Obr. F.3: STFT (a=0.001) Obr. F.4: STFT (a=0.0001) Z výše uvedených obrázků F.3 a 4 je patrná nevýhoda STFT, při použití úzkého okénka má STFT dobré rozlišovací schopnosti v časové oblasti, ve frekvenční oblasti podstatně horší. Při použití širokého okénka má STFT dobré rozlišovací schopnosti ve frekvenční oblasti, v časové oblasti špatné. Toto nás vede k zamyšlení, zdali je možné získat přesný popis signálu, tzn. perfektní rozlišení v časové a frekvenční oblasti. Odpověď na tuto otázku dává Heisenbergův princip neurčitosti. Heisenbergův princip neurčitosti Podle principu neurčitosti dvojice "konjugovaných" proměnných (jako je poloha a hybnost nebo energie a čas) nelze měřit se stejnou přesností ve stejný okamžik, neboť nemají v daný okamžik stejně definované hodnoty. Je tedy možné se alespoň přiblížit? Odpověď zní za jistých okolností ano analýzou s více úrovněmi rozlišitelnosti (tzn. nejenom WT). Shrnutí Předešlý text byl stručný pohled do historie, vývoje a metod zpracování signálů. Zároveň je motivací pro studium nových technik a uvádí nás do problematiky WT, která co možná nejlépe odstraňuje zmíněné nedostatky STFT. V dalším textu se nadále budu věnovat výhradně teorii a aplikacím WT. 6
7 Waveletová transformace Úvod WT patří do třídy MRA (Multi Resolution Analysis) nástrojů pro zpracování zejména nestacionárních signálů. MRA dává dobré časové a špatné frekvenční rozlišení pro vysoké frekvence a naopak. Takovýto přístup má smysl, pokud zpracovávaný signál obsahuje vysokofrekvenční komponenty po krátkou dobu trvání a nízkofrekvenční komponenty po dlouhou dobu trvání, jako na obrázku W1.0. Kupodivu je v přírodě takovýchto signálů nemalé množství. Obr. W1.0: Příklad signálu [Pol01] Spojitá waveletová transformace (CWT) Značení: R R C - reálná čísla, - reálná čísla bez nuly, - komplexní čísla, A B - zobrazení množiny B do množiny A, Av( ) - operátor střední hodnoty, fˆ - fourierův obraz funkce f, - prostor (měřitelných) funkcí integrovatelných na R ( L ( R ) ) L s kvadrátem (normou L tvoří tzv. Hilbertův prostor, ). To znamená, že - norma Hilbertova prostoru. L I f ( x) dx. Poznámka: L ( R ) 7
8 Definice: Mateřský wavelet (analyzující wavelet) je nekonstantní (netriviální) funkce L, s následujícími vlastnostmi: > 0, Av ( ) = 0. Tyto dva základní požadavky na mateřský wavelet říkají, že wavelet (vlnka) musí být tlumený kmit, viz níže uvedené příklady mateřských waveletů [wav 10]. Pro mateřský wavelet L a ( a, b) R R definujeme dceřiný wavelet jako: kde parametr 1 x b ( x) = ( ) a a ab, a respektive b je ve smyslu dilatace resp. translace. Výraz 1 / a je zde v normalizačním významu tzn. zajišťuje stejnou energii waveletu pro všechny dilatace. Spojitá waveletová transformace (CWT) funkce f L s ohledem na, je definována přiřazením T f : R R a C a přiřazujícím předpisem: T f ( a, b) : = f ( x) ab ( x) dx Pro konkrétní hodnotu ( a, b) R R se obecně komplexní číslo f ( a, b) nazývá waveletový koeficient funkce f v bodě ( a, b), zkráceně píšeme. Operátor spojité waveletové transformace, s ohledem na mateřský wavelet, je pak dán následujícím integrálním operátorem T. T : L a C Tento výraz říká, že integrální transformace R R každé funkci (prostor) komplexních čísel vymezenou kartézským součinem c a, b T R R. Vlastnosti integrální transformace (operátoru) T T je operátor: T f L přiřazuje množinu prostý (injective), vázaný (bounded), lineární (linear), invariantní vůči posunu a natažení (Trans. and Dilatation invariant). Důkaz injektivnosti, vázanosti a linearity, viz [Köl93]. Důkaz invariance vůči posunutí a natažení je uveden níže. 8
9 Invariantnost vůči posunu (translaci) DK[Köl93]. [ T = f ( x 0 )]( a, b) = y + x f ( y) ( a 0 f ( x x b ) dy = T 0 ) ab ( x) dx = f ( a, b x Invariantnost vůči translaci říká, že výsledek T na f posunutou o x0 je stejný jako výsledek T f a, b x ). ( 0 0 ). Invariantnost vůči natažení (dilataci) DK[Köl93]. [ T f ( c)]( a, b) = f ( xc) 1 x b ( ) dx = a a = = c f ( y) c 1 a f ( x) y b c 1 dy = a c 1 y bc ( ) dy = ac ac Invariantnost vůči dilataci říká, že výsledek ( c / c) T f ( ca, cb). c c T f ( ca, cb). T na f ( c) je stejný jako výsledek Waveletová báze, waveletová řada Stejně jako každá funkce f (x) je dána součtem své fourierovy řady ve své spočetné ortonormální bázi (odvozena z harmonických kmitů), je každá funkce součtem své wavaletové řady ve své vhodné spočetné bázi tvořené jednou funkcí L (mateřský wavalet). Je zřejmé, že L má konečnou energii na ohraničeném intervalu, nestačí tudíž generovat bázi pouze změnou měřítka ale i tento wavelet posouvat tudíž nabývá významu definice dceřiného waveletu. 9
10 Waveletovou bázi pak můžeme vyjádřit jako spočetný, celými čísly indexovaný systém : a a x b { a, b} a, b Z : a a ( x) =, b a. Tento bázový systém určitě není jediný, je však výhodný pro zkoumání signálů, protože: perioda (délka cyklu) signálu je nepřímo úměrná frekvenci, proto potřebná velikost okna pro zachycení vysokofrekvenční složky je menší, nežli pro zachycení složky nízkofrekvenční, což nám přesně umožňuje tento bázový systém. V každé úrovni výpočtu exponenciálně zvětšujeme počet okének (zjemňujeme krok), ve kterých signál zkoumáme. Vlastnosti této báze budou velmi hezky vidět na uvedených příkladech. Z vlastností této wavaletové báze budu v další části dokumentu nadále vycházet. Funkce f (x), jako součet své waveletové řady: a, b= f ( x) = c a, b a, b ( x), kde c, je wavaletový koeficent v bodě ( a, b) a { c je tzv. wavaletové spektrum a b funkce f (x). a, b} a, b Z Časově frekvenční spektrální charakteristika CWT Jak bylo zmíněno výše, je požadavek flexibilního časového okna pro zkoumání signálů smysluplný. S rostoucím parametrem a se šířka okna zmenšuje, tím pádem je samozřejmostí zjemňovat krok b (posun) tak, aby nevznikaly časové díry, viz waveletová báze. Navíc se dá ukázat, že s rostoucím a střední frekvence spektra spolu s šířkou pásma ˆ a,b roste. Aby a, b byly využitelné pro časově-frekvenční analýzu, vzniká požadavek dobré časové i frekvenční lokalizace současně, což je podle Heisenbergova principu neurčitosti protichůdný požadavek. Je tedy nutné aby wavelet a,b i ˆ a, b byly silně tlumené, tzn. rychle konvergovaly k 0 pro t, f ±. Navíc pro a,b a ˆ a, b musíme být sto najít jejich střed a šířku, abychom mohli definovat časovou a frekvenční rozlišitelnost. 10
11 Definice: Nenulová funkce ω( t) L se nazývá okénková funkce, jestliže pro ni platí, že: tω ( t) L. Střed 3 4 okénkové funkce t a poloměr definujeme následovně: ω t t 1 = ω( t) dt ω, 1 ω = ( t t ) ω( t) dt. ω Šířku okna pak můžeme vyjádřit, jako. ω V dalším textu bude ve významu okénkové funkce mateřský, respektive dceřiný wavelet. Zřejmě platí, že t L. Substitucí funkce ω ( t) = a, b ( t) v předešlých integrálech obdržíme střed vyjádřený jako b + at a poloměr okénkové funkce jako a. ω Waveletová transformace tedy lokalizuje signál f (t) v časovém okně TW TW = [ b + at a ; b + at + a ]. ω ω 5 : Obdobným způsobem definujeme stejné vlastnosti ve frekvenční oblasti (Besselova- Parsevalova identita) pro ˆ ω ( t) L a získáváme frekvenční okno FW 6 : FW f = a kde f, vyjadřuje střední hodnotu frekvence, respektive poloměr (směrodatnou ˆ odchylku) frekvenčního spektra. Celkem tedy waveletová transformace lokalizuje signál v časově-frekvenčním okně daném kartézským součinem: ˆ a ; f a [ TW FW ]. + ˆ a, 3 Ve statistice střední hodnota. 4 Ve statistice směrodatná odchylka. 5 TW = Time Window (časové okno). 6 FW = Frequency Window (frekvenční okno). 11
12 Spojitá waveletová transformace v praxi Algoritmus CWT 1. Zvolíme mateřský wavelet, resp. dceřiný wavelet a nastavíme počáteční podmínky (a, b, meze signálu).. Provedeme výpočet transformace T ( ) pro zvolený faktor dilatace a a všechny posuny b. posun okna c a, b 3. Provedeme změnu faktoru dilatace (postupujeme od jemnějšího k hrubšímu) a a opakujeme od bodu. 4. Pokud jsme dosáhli požadované dilatace a končíme, jinak pokračujeme bodem 3. Ukázka výstupu CWT (funkce z obr. W1.0) Obr. W1.1: Ukázka výstupu CWT 1
13 Ukázky používaných mateřských waveletů Obr. W1.: Ukázka mateřských waveletů 13
14 Aplikační oblast WT Aplikační oblasti WT a příklady užití této transformace budou hlavním tématem připravované prezentace, která bude sloužit jako doprovodný materiál k tomuto textu, jehož součástí bude uvedena možnost klasifikace patologických jevů z EEG signálu za pomocí WT apod. Závěr Waveletová transformace je poměrně moderní nástroj pro analýzu a zpracování signálů, který je vhodný zejména pro studium jejich lokálních vlastností. Dobrou myšlenkou se zdá užití waveletové transformace například k filtraci dat (adaptivní filtry), kompresi dat (diskrétní verze CWT - DWT), zkoumání soběpodobnosti (fraktály, fraktální struktury) a v mnoha dalších oblastech, jejichž výčet a popis by jistě zabral mnoho dalších stran. 14
15 Reference: [SteMal89] [Köl93] [Ves97] [Hrd97] [Šmí01] A Theory for Multiresolution Signal Decomposition - The Wavelet Representation, STEPHANE G. MALLAT, Wavelets. A tutorial and bibliography, Dietrich Kölzov, Matematische institut Enralgen (Germania). Wavelety a jejich použití při filtraci dat, Vítězslav Veselý, JČMF, Signály a soustavy, Doc. Ing. Zdeněk Hrdina, CSc, Úvod do vlnkové transformace, Radislav Šmíd ČVUT FEL KM, 001. [Pol01] THE ENGINEER'S ULTIMATE GUIDE TO WAVELET ANALYSIS, The Wavelet Tutorial, Robi Polikar, 001. [ResWel01] Wavelet Analysis: The Scalable Structure of Information, H. L. Resnikoff, Raymond O. Wells, 001. [MatWav05] Matlab 7.0 wavelet toolbox help,
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceWaveletová transformace a její použití při zpracování signálů
Waveletová transformace a její použití při zpracování signálů BÍLOVSKÝ, Petr 1 1 Katedra elektrických měření, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 708 33, petr.bilovsky@vsb.cz Abstrakt: Wavelet
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VícePoznámky k Fourierově transformaci
Poznámky k Fourierově transformaci V těchto poznámkách jsou uvedeny základní vlastnosti jednorozměrné Fourierovy transformace a její aplikace na jednoduché modelové případy. Pro určitost jsou sdružené
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceTeorie měření a regulace
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace 22.z-3.tr ZS 2015/2016 2015 - Ing. Václav Rada, CSc. TEORIE ŘÍZENÍ druhá část tématu předmětu pokračuje. oblastí matematických pomůcek
Vícedoc. Dr. Ing. Elias TOMEH Elias Tomeh / Snímek 1
doc. Dr. Ing. Elias TOMEH e-mail: elias.tomeh@tul.cz Elias Tomeh / Snímek 1 Frekvenční spektrum Dělení frekvenčního pásma (počet čar) Průměrování Časovou váhovou funkci Elias Tomeh / Snímek 2 Vzorkovací
Více31ZZS 9. PŘEDNÁŠKA 24. listopadu 2014
3ZZS 9. PŘEDNÁŠKA 24. listopadu 24 SPEKTRÁLNÍ ANALÝZA Fourierovy řady Diskrétní Fourierovy řady Fourierova transformace Diskrétní Fourierova transformace Spektrální analýza Zobrazení signálu ve frekvenční
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VíceLaplaceova transformace
Laplaceova transformace Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 5. přednáška 11MSP pondělí 23. března
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
VíceKomplexní analýza. Fourierovy řady. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Fourierovy řady Martin Bohata Katedra matematiky FEL ČVU v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Fourierovy řady 1 / 20 Úvod Často se setkáváme s periodickými
Více9. cvičení z Matematické analýzy 2
9. cvičení z Matematické analýzy 7. listopadu -. prosince 7 9. Určete Fourierovu řadu periodického rozšíření funkce ft = t na, a její součet. Definice: Necht f je -periodická funkce, která je integrabilní
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceANALÝZA LIDSKÉHO HLASU
ANALÝZA LIDSKÉHO HLASU Pomůcky mikrofon MCA-BTA, LabQuest, program LoggerPro (nebo LoggerLite), tabulkový editor Excel, program Mathematica Postup Z každodenní zkušenosti víme, že každý lidský hlas je
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceOsnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky
Pulsní kódová modulace, amplitudové, frekvenční a fázové kĺıčování Josef Dobeš 24. října 2006 Strana 1 z 16 Základy radiotechniky 1. Pulsní modulace Strana 2 z 16 Pulsní šířková modulace (PWM) PAM, PPM,
VíceVYUŽITÍ VÝPOČETNÍHO SYSTÉMU MATLAB PŘI NEDESTRUKTIVNÍ KONTROLE STAVEBNÍCH MATERIÁLŮ A DÍLCŮ ROZBOREM AKUSTICKÉ ODEZVY GENEROVANÉ MECHANICKÝM IMPULSEM
VYUŽITÍ VÝPOČETNÍHO SYSTÉMU MATLAB PŘI NEDESTRUKTIVNÍ KONTROLE STAVEBNÍCH MATERIÁLŮ A DÍLCŮ ROZBOREM AKUSTICKÉ ODEZVY GENEROVANÉ MECHANICKÝM IMPULSEM Jaroslav Smutný, Luboš Pazdera Vysoké učení technické
VíceKomplexní analýza. Laplaceova transformace. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Laplaceova transformace Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Laplaceova transformace 1 / 18 Definice Definice Laplaceovou
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceFOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth
FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
VíceCircular Harmonics. Tomáš Zámečník
Circular Harmonics Tomáš Zámečník Úvod Circular Harmonics Reprezentace křivky, která je: podmonožinou RxR uzavřená funkcí úhlu na intervalu Dále budeme hovořit pouze o takovýchto křivkách/funkcích
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
Více25.z-6.tr ZS 2015/2016
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace Typové členy 2 25.z-6.tr ZS 2015/2016 2015 - Ing. Václav Rada, CSc. TEORIE ŘÍZENÍ třetí část tématu předmětu pokračuje. A oblastí
VíceRovnice matematické fyziky cvičení pro akademický školní rok 2013-2014
Harmonogram výuky předmětu Rovnice matematické fyziky cvičení pro akademický školní rok 2013-2014 Vedoucí cvičení: ing. Václav Klika, Ph.D. & MSc. Karolína Korvasová & & ing. Matěj Tušek, Ph.D. Katedra
VíceANALÝZA AKUSTICKÝCH PARAMETRŮ ZVONU Z KOSTELA SV. TOMÁŠE V BRNĚ. Smutný Jaroslav, Pazdera Luboš Vysoké učení technické v Brně, fakulta stavební
ANALÝZA AKUSTICKÝCH PARAMETRŮ ZVONU Z KOSTELA SV. TOMÁŠE V BRNĚ Smutný Jaroslav, Pazdera Luboš Vysoké učení technické v Brně, fakulta stavební Abstrakt Příspěvek popisuje měření a analýzu akustických parametrů
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Víceaneb jiný úhel pohledu na prvák
Účelná matematika aneb jiný úhel pohledu na prvák Jan Hejtmánek FEL, ČVUT v Praze 24. června 2015 Jan Hejtmánek (FEL, ČVUT v Praze) Technokrati 2015 24. června 2015 1 / 18 Outline 1 Motivace 2 Proč tolik
VíceTajemství skalárního součinu
Tajemství skalárního součinu Jan Hamhalter http://math.feld.cvut.cz/hamhalte katedra matematiky, FEL ČVUT Otevřené Elektronické Systémy 28. února 2013 Jan Hamhalter http://math.feld.cvut.cz/hamhalte Tajemství
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz, Kamenice 3, 4. patro, dv.č.424 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. FREKVENČNÍ TRASFORMACE SPOJITÉ
Více1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu
[M2-P1] KAPITOLA 1: Diferenciální rovnice 1. řádu diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu G(x, y, y, y,..., y (n) ) = 0 y (n) = F (x, y, y,..., y (n 1) ) Příklad 1.1:
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceP6 Časově frekvenční analýza signálů
P6 Časově frekvenční analýza signálů Je vhodné podotknout, že převážná většina reálných technických signálů je zařazována do oblasti nestacionárních signálů. Fourierova transformace, případně její modifikace
VíceBiofyzikální ústav LF MU Brno. jarní semestr 2011
pro obor Ošetřovatelská péče v gerontologii Biofyzikální ústav LF MU Brno jarní semestr 2011 Obsah letmý dotyk teorie systémů klasifikace a analýza biosignálů Co je signál? Co je biosignál? Co si počít
VíceZáklady a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722
Základy a aplikace digitálních modulací Josef Dobeš Katedra radioelektroniky (13137), blok B2, místnost 722 dobes@fel.cvut.cz 6. října 2014 České vysoké učení technické v Praze, Fakulta elektrotechnická
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
VíceAPLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE
APLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE J.Švihlík ČVUT v Praze Fakulta elektrotechnická Katedra radioelektroniky Abstrakt Šum je v obraze prakticky vždy přítomen což způsobuje degradaci obrazu. Existuje
VíceÚstav technologie, mechanizace a řízení staveb. CW01 - Teorie měření a regulace 10.2 ZS 2010/2011. reg Ing. Václav Rada, CSc.
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 10.2 reg-2 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření Teorie
VíceWAVELET TRANSFORMACE V POTLAČOVÁNÍ
WAVELET TRANSFORMACE V POTLAČOVÁNÍ RUŠIVÝCH SLOŽEK OBRAZŮ Andrea Gavlasová, Aleš Procházka Vysoká škola chemicko-technologická, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je zaměřen na problematiku
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceCITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I
Informačné a automatizačné technológie v riadení kvality produkcie Vernár,.-4. 9. 005 CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I KÜNZEL GUNNAR Abstrakt Příspěvek uvádí základní definice, fyzikální interpretaci
VíceAnalýza signálů technikou Waveletů
Analýza signálů tecnikou Waveletů Piecota, Hynek 1 1 Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 708 33 ynek.piecota@vsb.cz, ttp://www.fs.vsb.cz 1 Abstrakt Teorie analýzy signálů
Více8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice
9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky
VíceBakalářská matematika I
1. Funkce Diferenciální počet Mgr. Jaroslav Drobek, Ph. D. Katedra matematiky a deskriptivní geometrie Bakalářská matematika I Některé užitečné pojmy Kartézský součin podrobnosti Definice 1.1 Nechť A,
VíceVzpěr jednoduchého rámu, diferenciální operátory. Lenka Dohnalová
1 / 40 Vzpěr jednoduchého rámu, diferenciální operátory Lenka Dohnalová ČVUT, fakulta stavební, ZS 2015/2016 katedra stavební mechaniky a katedra matematiky, Odborné vedení: doc. Ing. Jan Zeman, Ph.D.,
VíceIterační metody řešení soustav lineárních rovnic. 27. prosince 2011
Iterační metody řešení soustav lineárních rovnic Michal Čihák 27. prosince 2011 Přímé metody řešení soustav lineárních rovnic V přednáškách z lineární algebry jste se seznámili s několika metodami řešení
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
VíceStavební fakulta Katedra mechaniky. Jaroslav Kruis, Petr Štemberk
České vysoké učení technické v Praze Stavební fakulta Katedra mechaniky Fuzzy množiny, fuzzy čísla a jejich aplikace v inženýrství Jaroslav Kruis, Petr Štemberk Obsah Nejistoty Teorie pravděpodobnosti
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 SPEC. 2.p 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
VíceSpektrální analýza a diskrétní Fourierova transformace. Honza Černocký, ÚPGM
Spektrální analýza a diskrétní Fourierova transformace Honza Černocký, ÚPGM Povídání o cosinusovce 2 Argument cosinusovky 0 2p a pak každé 2p perioda 3 Cosinusovka s diskrétním časem Úkol č. 1: vyrobit
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceLineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita
Lineární a adpativní zpracování dat 3. Lineární filtrace I: Z-transformace, stabilita Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály, systémy, jejich vlastnosti a popis v časové
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceJaroslav Tuma. 8. února 2010
Semestrální práce z předmětu KMA/MM Odstraňování šumu z obrazu Jaroslav Tuma 8. února 2010 1 1 Zpracování obrazu Zpracování obrazu je disciplína zabývající se zpracováním obrazových dat různého původu.
VíceMatematická analýza ve Vesmíru. Jiří Bouchala
Matematická analýza ve Vesmíru Jiří Bouchala Katedra aplikované matematiky jiri.bouchala@vsb.cz www.am.vsb.cz/bouchala - p. 1/19 typu: m x (sin x, cos x) R(x, ax +...)dx. Matematická analýza ve Vesmíru.
VíceVlnková transformace
Vlnková transformace Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky Fakulta elektrotechnická, katedra
VícePRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE
PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
Více3.2. ANALYTICKÁ GEOMETRIE ROVINY
3.2. ANALYTICKÁ GEOMETRIE ROVINY V této kapitole se dozvíte: jak popsat rovinu v třídimenzionálním prostoru; jak analyzovat vzájemnou polohu bodu a roviny včetně jejich vzdálenosti; jak analyzovat vzájemnou
VíceSoustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty
Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava
VícePozorovatel, Stavová zpětná vazba
Pozorovatel, Stavová zpětná vazba Teorie dynamických systémů Obsah Úvod 2 Příklady 2 3 Domácí úlohy 6 Reference 8 Úvod Pozorovatel stavu slouží k pozorování (odhadování) zejména neměřitelných stavů systému.
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceWavelet transformace v metodách zvýrazňování řeči
Wavelet transformace v metodách zvýrazňování řeči Petr Opršal 1 1 Katedra elektrických měření, FEI, VŠB Technická Univerzita Ostrava, 17. listopadu 15, 708 33, Ostrava-Poruba oprsal@tiscali.cz Abstrakt.
VíceObsah. Aplikovaná matematika I. Gottfried Wilhelm Leibniz. Základní vlastnosti a vzorce
Neurčitý integrál Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah Primitivní funkce, neurčitý integrál Základní vlastnosti a vzorce Základní integrační metody Úpravy integrandu Integrace racionálních
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
Vícerovnic), Definice y + p(x)y = q(x), Je-li q(x) = 0 na M, nazývá se y + p(x)y =
Cíle Přehled základních typů diferenciálních rovnic prvního řádu zakončíme pojednáním o lineárních rovnicích, které patří v praktických úlohách k nejfrekventovanějším. Ukážeme například, že jejich řešení
VíceZkouška ze Základů vyšší matematiky ZVMTA (LDF, ) 60 minut. Součet Koeficient Body
Zkouška ze Základů vyšší matematiky ZVTA (LDF, 8.2.202) 60 minut 2 3 4 5 6 7 Jméno:................................. Součet Koeficient Body. [6 bodů] a) Definujte pojem primitivní funkce. Co musí platit,
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceFourierova transformace
Fourierova transformace EO Přednáška Pavel Máša ÚVODEM Známe Fourierovy řady v komplexním tvaru f(t) = 1X k= 1 A k e jk! t Spektrum této řady je diskrétní A k = 1 T Obvody tedy musíme řešit v HUS člen
VíceDiferenciální rovnice
Diferenciální rovnice Průvodce studiem Touto kapitolou se náplň základního kurzu bakalářské matematiky uzavírá. Je tomu tak mimo jiné proto, že jsou zde souhrnně využívány poznatky získané studiem předchozích
VíceAnalýza a zpracování signálů
Analýza a zpracování ů Digital Signal Processing disciplína, která nám umožňuje nahradit (v případě že nezpracováváme vf y) obvody, dříve složené z rezistorů a kapacitorů, dvěma antialiasingovými filtry,
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceŘešíme tedy soustavu dvou rovnic o dvou neznámých. 2a + b = 3, 6a + b = 27,
Přijímací řízení 2015/16 Přírodovědecká fakulta Ostravská univerzita v Ostravě Navazující magisterské studium, obor Aplikovaná matematika (1. červen 2016) Příklad 1 Určete taková a, b R, aby funkce f()
VíceIV. Základní pojmy matematické analýzy IV.1. Rozšíření množiny reálných čísel
Matematická analýza IV. Základní pojmy matematické analýzy IV.1. Rozšíření množiny reálných čísel na množině R je definováno: velikost (absolutní hodnota), uspořádání, aritmetické operace; znázornění:
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceBudeme hledat řešení y(x) okrajové úlohy pro diferenciální rovnici druhého řádu v samoadjungovaném tvaru na intervalu a, b : 2 ) y i p i+ 1
ODR - okrajová úloha Teorie (velmi stručný výběr z přednášek) Okrajová úloha 2. řádu Budeme hledat řešení y(x) okrajové úlohy pro diferenciální rovnici druhého řádu v samoadjungovaném tvaru na intervalu
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceVlastnosti členů regulačních obvodů Osnova kurzu
Osnova kurzu 1) Základní pojmy; algoritmizace úlohy 2) Teorie logického řízení 3) Fuzzy logika 4) Algebra blokových schémat 5) Statické vlastnosti členů regulačních obvodů 6) Dynamické vlastnosti členů
VíceKapitola 7: Neurčitý integrál. 1/14
Kapitola 7: Neurčitý integrál. 1/14 Neurčitý integrál 2/14 Definice: Necht f je funkce definovaná na intervalu I. Funkci F definovanou na intervalu I, pro kterou platí F (x) = f (x) x I nazýváme primitivní
VícePříklad 1: Komutační relace [d/dx, x] Příklad 2: Operátor B = i d/dx
1 Příklad 1: Komutační relace [d/, x] Mějme na dva operátory: ˆ d/ a ˆ 5 D X x, například na prvek x působí takto Určeme jejich komutátor ˆ 5 d 5 4 ˆ 5 5 6 D x x 5 x, X x xx x ˆ ˆ ˆ ˆ ˆ ˆ d d [ DX, ] f
Více