Fourierova transformace ve zpracování obrazů

Rozměr: px
Začít zobrazení ze stránky:

Download "Fourierova transformace ve zpracování obrazů"

Transkript

1 Fourierova trasformace ve zpracováí obrazů Jea Baptiste Joseph Fourier předáška předmětu Zpracováí obrazů Martia Mudrová 24

2 Motivace Proč používat Fourierovu trasformaci? základí matematický ástroj ve zpracováí digitálích obrazů detekce hra a segmetace obrazu úprava kvality obrazu rekostrukce obrazu komprese obrazu (formát.jpg) detekce objektů atd. M. Mudrová, 24 2

3 Matematické miimum = převod mezi časovou x(t) a frekvečí X(f) oblastí x( t) X ( f ) t...časová (prostorová oblast) f...frekvečí oblast Základí defiice: přímá spojitá FT: zpětá spojitá FT: X + i πtf = x( t ) e 2 dt + i πtf ( f ) x( t) = X ( f ) e 2 df + Požadavky a f(t) : po částech spojitá itegrovatelá x ( t) dt < M. Mudrová, 24 3

4 Příklad spojité FT Jak vypadá FT periodických fukcí? x ( t ) si(2 π f t ) = X ( f ) = ( δ ( f f) δ ( f + f) ) Def. FT: X ( f ) + i πtf = x( t) e 2 dt 2 i ± i Eulerovy vzorce: 2 πf t e = cos( 2πf t) ± i si(2πf t ) d(f) Diracova fukce f f Časová (prostorová) oblast x(t) Spektrum X(f) (amplitudová fr. charakt.) x(t) X(f) T=/f 2T 3T t -f f f M. Mudrová, 24 4

5 Od spojité k diskrétí FT Co je diskrétí FT? Diskretizace v čase: ty t Y + Diskretizace ve frekveci: f Y f k Y k Přímá diskrétí FT: X ( k) = N N = x( ) e k i 2π N Diskrétí Fourierova trasformace x( ) X ( k) Zpětá diskrétí FT: x( ) = N k = X ( k ) e k + i 2π N x() X(k) k...idex ω k...kruhová frekvece f ormalizovaá frekv. M. Mudrová, 24 5

6 Omezeí vzorové fukce v čase (prostoru) Fukce s koečou délkou... = váhováí = apodizace Periodický sigál a jeho spektrum 4 3 x() X(ω) ω od do π.5 Obdelikové oko a jeho spektrum 4 x() X(ω) ω od do π Omezeý sigál a jeho spektrum 4 3 x() X(ω) ω od do π M. Mudrová, 24 6

7 Do dvou dimezí X ( k, l) = MN x() Přímá 2D DFT: N M = m= x(, m) e -> [, m] k-> [k, l] 2D DFT k lm i 2π ( + ) N M X(k) 3 5 x(, m) X ( k, l) k x(, m) = N M k = l= 63 Zpětá 2D DFT: X ( k, l) e k ml + i 2π ( + ) N M x(,m ) x(,m ) X(f k,f l ) 64 m m 64 f l - - f k M. Mudrová, 24 7

8 Příklad 2D DFT reálého obrazu x(,m) m Symetrie M. Mudrová, 24 8

9 Pricip číslicové filtrace Co se stae při úpravě spektra? prostorová oblast x() spektrum X(k). periodická fukce 2. áhodý šum 3. = po úpravě spektra M. Mudrová, 24 9

10 2D filtrace M. Mudrová, 24

11 Pricip diskrétí kovoluce Co se při úpravě spektra děje v prostorové oblasti? Spektrálí oblast: Y ( k) = X( k). H( k) pro k Souči Prostorová oblast: y( ) = x( ) * h( ) = j = x( j) h( j) Kovoluce M. Mudrová, 24 Kde: y() žádaý tvar fukce x()...daý (poškozeý) tvar fukce h()...číslicový filtr

12 Příklad diskrétí kovoluce Jaký má výzam kovoluce? Příklad: x() = ; 2; 3; 4; 5 h() =,5;,5 (Klouzavý průměr) y( ) = x( )* h( ) = x( j) h( j= j) = j= f().h().,5 5 y()= 5 = j= f().h(-).,5 5 j= f().h(-) 2.,5 y()=5+ = 5 =2 j= f().h(2-) edef. j= f().h(2-) 2.,5 j=2 f(2).h(2-2) 3.,5 5 y(2)=+5= 25 =3 j= f().h(3-) edef. j= f().h(3-) edef. j=2 f(2).h(3-2) 3.,5 5 j=3 f(3).h(3-3) 4.,5 2 y(3)=5+2= 35 =4 j=,,2 edef. j=3 f(4).h(4-3) 4.,5 2 j=4 f(4).h(4-4) 5.,5 25 y(4)=25+2= 45 M. Mudrová, 24 y() = 5; 5; 25; 35; 45 2

13 2D diskrétí kovoluce Jak vypadá 2D kovoluce? y(, m) = x(, m)* h(, m) = m j = j = 2 x( j, j 2 ) h( j, m j 2 ) matice filtru h(,m) Prvek počítaý a pozici(,m) -4 matice obrázku x(,m) M. Mudrová, 24 3

14 Aplikace I detekce hra Úloha detekce hra (=>segmetace obrazu) Hraa = áhlá změa obrazové fukce Pricip: Aplikace hraových detektorů = horopropustých filtrů Příklad matice filtru h(,m) (filtr Prewittové) Příklad spektra filtru H(k,l) Origiálí obraz Obraz po detekci hra M. Mudrová, 24 4

15 Aplikace II potlačeí šumu Úprava obrazu Pricip: Potlačeí vysokofrekvečích složek aplikací dolopropustého filtru Origiálí obraz Spektrum filtru H(k,l) Obraz po úpravě M. Mudrová, 24 5

16 Aplikace III ostřeí Úloha rekostrukce poškozeého obrazu Pricip: Iverzí filtrace Wieerova filtrace Poškozeý obraz Typ poškozeí: Rozostřeí pohybem objektu (objektivu) Špaté zaostřeí objektivu Turbulece atmosféry atd. Obraz po rekostrukci M. Mudrová, 24 6

17 Aplikace IV detekce objektů Úloha detekce polohy objektu Pricip: Výpočet korelačí fukce = kovoluce v prostor. oblasti Zrychleí výpočtu aplikací algoritmu FFT ve 2D -> souči ve frekvečí oblasti M. Mudrová, 24 Filtr h(,m) Obraz x(,m) Korelačí fukce h(,m) 7

18 Pokročilejší metody zpracováí obrazů Short-time Fourier trasform = krátká FT - Kompromis mezi časovým (prostorovým) a frekvečím rozlišeím Wavelet trasformace = vlková trasformace - používá časová (prostorová) okéka s promělivou délkou (wavelet fukce) - Aplikace v aalýze obrazu, potlačeí šumu, kompresi dat, Radoova trasformace (p. Rado české árodosti) - koverze z cylidrických souřadic - aplikace především v biomedicíě (PET, SPECT, CT, ) M. Mudrová, 24 8

Číslicové zpracování signálů a Fourierova analýza.

Číslicové 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

Více

OBRAZOVÁ ANALÝZA POVRCHU POTISKOVANÝCH MATERIÁLŮ A POTIŠTĚNÝCH PLOCH

OBRAZOVÁ ANALÝZA POVRCHU POTISKOVANÝCH MATERIÁLŮ A POTIŠTĚNÝCH PLOCH OBRAZOVÁ ANALÝZA POVRCU POTISKOVANÝC MATERIÁLŮ A POTIŠTĚNÝC PLOC Zmeškal Oldřich, Marti Julíe Tomáš Bžatek Ústav fyzikálí a spotřebí chemie, Fakulta chemická, Vysoké učeí techické v Brě, Purkyňova 8, 62

Více

Dodatky k FT: 1. (2D digitalizace) 2. Více o FT 3. Více k užití filtrů. 7. přednáška předmětu Zpracování obrazů

Dodatky k FT: 1. (2D digitalizace) 2. Více o FT 3. Více k užití filtrů. 7. přednáška předmětu Zpracování obrazů Dodatky k FT:. (D digitalizace. Více o FT 3. Více k užití filtrů 7. přednáška předmětu Zpracování obrazů Martina Mudrová 4 Pořízení digitálního obrazu Obvykle: Proces transformace spojité předlohy (reality

Více

Spektrální analyzátory

Spektrální analyzátory Lubomír Slavík TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Materiál vznikl v rámci projektu ESF (CZ.1.07/2.2.00/07.0247), který je spolufinancován Evropským

Více

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů Číslicová filtrace Použití : Separace sigálů Restaurace sigálů Číslicové filtry Aalogové x číslicové filtry : Aalogové Číslicové: + levé + rychlé + velký dyamický rozsah (v amplitudě i frekveci) - evhodé

Více

Lineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita

Lineární 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

Více

Regulace frekvence a velikosti napětí Řízení je spojeno s dodávkou a přenosem činného a jalového výkonu v soustavě.

Regulace frekvence a velikosti napětí Řízení je spojeno s dodávkou a přenosem činného a jalového výkonu v soustavě. 18. Řízeí elektrizačí soustavy ES je spojeí paralelě pracujících elektráre, přeosových a rozvodých sítí se spotřebiči. Provoz je optimálě spolehlivá hospodárá dodávka kvalití elektrické eergie. Stěžejími

Více

Lineární a adaptivní zpracování dat. 8. Modely časových řad I.

Lineární a adaptivní zpracování dat. 8. Modely časových řad I. Lieárí a adaptiví zpracováí dat 8. Modely časových řad I. Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů BLACK BOX Cíl, motivace Popis a idetifikace systémů BLACK

Více

Lineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY

Lineární 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

Více

FOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth

FOURIEROVA 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

Více

Příklady k přednášce 9 - Zpětná vazba

Příklady k přednášce 9 - Zpětná vazba Příklady k předášce 9 - Zpětá vazba Michael Šebek Automatické řízeí 205 6--5 Příklad: Přibližá iverze tak průřezu s výškou hladiy y(t), přítokem u(t) a odtokem dy() t dt + 2 yt () = ut () Cíl řízeí: sledovat

Více

Lineární 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 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

Více

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada

(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada (Auto)korelační funkce 1 Náhodné procesy Korelace mezi náhodnými proměnnými má široké uplatnění v elektrotechnické praxi, kde se snažíme o porovnávání dvou signálů, které by měly být stejné. Příkladem

Více

Lineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR

Lineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR Leárí a adaptví zpracoví dat 5. Leárí fltrace: FIR, IIR Dael Schwarz Ivestce do rozvoje vzděláváí Opakováí 2 Co je to fltrace? Co je to fltr? A jak ho popsujeme? Jaký je vztah Z trasformace a Fourerovy

Více

Lineární 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 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

Více

1 Elektronika pro zpracování optického signálu

1 Elektronika pro zpracování optického signálu 1 Elektronika pro zpracování optického signálu Výběr elektroniky a detektorů pro měření optického signálu je odvislé od toho, jaký signál budeme detekovat. V první řadě je potřeba vědět, jakých intenzit

Více

Filtrace snímků ve frekvenční oblasti. Rychlá fourierova transformace

Filtrace snímků ve frekvenční oblasti. Rychlá fourierova transformace Filtrace snímků ve frekvenční oblasti Rychlá fourierova transformace semestrální práce z předmětu KIV/ZVI zpracoval: Jan Bařtipán A03043 bartipan@students.zcu.cz Obsah Úvod....3 Diskrétní Fourierova transformace

Více

Základní metody číslicového zpracování signálu část I.

Základní metody číslicového zpracování signálu část I. A4M38AVS Aplikace vestavěných systémů Základní metody číslicového zpracování signálu část I. Radek Sedláček, katedra měření, ČVUT v Praze FEL, 2015 Obsah přednášky Úvod, motivace do problematiky číslicového

Více

" Furierova transformace"

 Furierova transformace UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM FAKULTA ŽIVOTNÍHO PROSTŘEDÍ " Furierova transformace" Seminární práce z předmětu Dálkový průzkum Země Marcela Bartošová, Veronika Bláhová OŽP, 3.ročník

Více

Investice do rozvoje vzdělávání

Investice do rozvoje vzdělávání Lieárí systémy a modely časových řad Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů Lieárí systémy a modely časových řad Istitute of Biostatistics ad Aalyses Cíl,

Více

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

Základní metody číslicového zpracování signálu a obrazu část II.

Základní metody číslicového zpracování signálu a obrazu část II. A4M38AVS Aplikace vestavěných systémů Přednáška č. 8 Základní metody číslicového zpracování signálu a obrazu část II. Radek Sedláček, katedra měření, ČVUT FEL, 2015 Obsah přednášky Převzorkování decimace,

Více

Základy zpracování obrazu

Základy zpracování obrazu UNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ Základy zpracování obrazu Ing. Miroslav Fribert, Dr Pardubice 006 . Operace s maticemi, program Mathematica. Matice ve zpracování obrazu Matematickým

Více

DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS

DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS Jiří Tůma & Jiří Kulháek Abstract: The paper deals with the dyamic properties of the electroic gyroscope as a sesor of agular

Více

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,

Více

Vyšší harmonické a meziharmonické

Vyšší harmonické a meziharmonické České vysoké učeí techické v Praze Fakulta elektrotechická Katedra elektroeergetiky Vyšší harmoické a meziharmoické. předáška ZS 0/0 Ig. Tomáš Sýkora, Ph.D. Defiice a zdroje vyšších harmoických Defiice

Více

Při návrhu FIR filtru řešíme obvykle následující problémy:

Při návrhu FIR filtru řešíme obvykle následující problémy: Návrh FIR filtrů Při návrhu FIR filtru řešíme obvykle následující problémy: volba frekvenční odezvy požadovaného filtru; nejčastěji volíme ideální charakteristiku normovanou k Nyquistově frekvenci, popř.

Více

Matematika 1 pro PEF PaE

Matematika 1 pro PEF PaE Derivace funkcí jedné proměnné / 9 Matematika pro PEF PaE 4. Derivace funkcí jedné proměnné Přemysl Jedlička Katedra matematiky, TF ČZU Derivace funkcí jedné proměnné Nejjednodušší derivace 2 / 9 Derivace

Více

Á Í Č Ě Č ň ť Š Č Ť ň ň ď Ť Ú ť Č ň ď ť Č Š Ž Ú Ť Ť Ť Ť ň Ť Ť ť Ť Ť Á Ť Ť Ť ď Ť Ť Ť Ť Ť Ť Ť Ť Ť ň ďť Ť Ť Ť Š Š Š ď ň Č Š ň Š ť Š ň Š Š Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ť Ú Š ň ť ť Š ň Š Ž ť ť ť ň Š Č Š Š Í

Více

8. Sběr a zpracování technologických proměnných

8. Sběr a zpracování technologických proměnných 8. Sběr a zpracování technologických proměnných Účel: dodat v částečně předzpracovaném a pro další použití vhodném tvaru ucelenou informaci o procesu pro následnou analyzu průběhu procesu a pro rozhodování

Více

Analýza signálů technikou Waveletů

Analýza 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

Více

ADA Semestrální práce. Harmonické modelování signálů

ADA Semestrální práce. Harmonické modelování signálů České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte

Více

MODERNÍ SMĚROVÉ ZPŮSOBY REPREZENTACE OBRAZŮ

MODERNÍ SMĚROVÉ ZPŮSOBY REPREZENTACE OBRAZŮ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS

Více

Periodicita v časové řadě, její popis a identifikace

Periodicita v časové řadě, její popis a identifikace Periodicita v časové řadě, její popis a idetifikace 1 Periodicita Některé časové řady obsahují periodickou složku. Pomocí vybraých ástrojů spektrálí aalýzy budeme tuto složku idetifikovat. Mějme fukci

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

(Diskrétní) Fourierova transformace

(Diskrétní) Fourierova transformace (Diskrétní) Fourierova transformace Obsah Úvod 1 Fourierova transformace 3 1.1 Fourierova řada periodické funkce................................ 3 1. Fourierova transformace.....................................

Více

ELEKTRONIKA PRO ZPRACOVÁNÍ SIGNÁLU

ELEKTRONIKA PRO ZPRACOVÁNÍ SIGNÁLU ELEKTRONIKA PRO ZPRACOVÁNÍ SIGNÁLU Václav Michálek, Antonín Černoch Společná laboratoř optiky UP a FZÚ AV ČR Regionální centrum pokročilých technologií a materiálů CZ.1.07/2.2.00/07.0018 VM, AČ (SLO/RCPTM)

Více

zpracování signálů - Fourierova transformace, FFT Frekvenční

zpracování signálů - Fourierova transformace, FFT Frekvenční Digitální zpracování signálů - Fourierova transformace, FF Frevenční analýza 3. přednáša Jean Baptiste Joseph Fourier (768-830) Zálady experimentální mechaniy Frevenční analýza Proč se frevenční analýza

Více

Lineární a adpativní zpracování dat. 4. Lineární filtrace: Z-transformace, stabilita

Lineární a adpativní zpracování dat. 4. Lineární filtrace: Z-transformace, stabilita Lineární a adpativní zpracování dat 4. Lineární filtrace: Z-transformace, stabilita Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály, systémy, jejich vlastnosti a popis v časové

Více

Fourierovské metody v teorii difrakce a ve strukturní analýze

Fourierovské metody v teorii difrakce a ve strukturní analýze Osnova přednášky na 31 kolokviu Krystalografické společnosti Výpočetní metody v rtg a neutronové strukturní analýze Nové Hrady, 16 20 6 2003 Fourierovské metody v teorii difrakce a ve strukturní analýze

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH

DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských

Více

Ultrazvuková defektoskopie. M. Kreidl, R. Šmíd, V. Matz, S. Štarman

Ultrazvuková defektoskopie. M. Kreidl, R. Šmíd, V. Matz, S. Štarman Ultrazvuková defektoskopie M. Kreidl, R. Šmíd, V. Matz, S. Štarman Praha 2011 ISBN 978-80-254-6606-3 2 OBSAH 1. Předmluva 7 2. Základní pojmy 9 2.1. Fyzikální základy ultrazvuku a akustické veličiny 9

Více

Parametrické přístupy k filtraci ultrazvukových signálů

Parametrické přístupy k filtraci ultrazvukových signálů České vysoké učení technické v Praze Fakulta elektrotechnická Katedra měření Parametrické přístupy k filtraci ultrazvukových signálů Bakalářská práce Luboš Kocourek 2010 Studijní program: Elektrotechnika

Více

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 České vysoké učení technické v Praze Algoritmy pro měření zpoždění mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 31. března 23 Obsah 1 Zadání 1 2 Uvedení do problematiky měření zpoždění signálů 1

Více

Nové metody stereofonního kódování pro FM pomocí digitální technologie. Pavel Straňák, Phobos Engineering s.r.o.

Nové metody stereofonního kódování pro FM pomocí digitální technologie. Pavel Straňák, Phobos Engineering s.r.o. Nové metody stereofonního kódování pro FM pomocí digitální technologie Pavel Straňák, Phobos Engineering s.r.o. Úvod Cílem této stati je popis modelu číslicového stereofonního kodéru s možností kompozitního

Více

Signál v čase a jeho spektrum

Signál 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

Více

Měřící technika - MT úvod

Měřící technika - MT úvod Měřící techika - MT úvod Historie Už Galileo Galilei zavádí vědecký přístup k měřeí. Jeho výrok Měřit vše, co je měřitelé a co eí měřitelým učiit platí stále. - jedotá soustava jedotek fyz. veliči - símače

Více

1.2. NORMA A SKALÁRNÍ SOUČIN

1.2. NORMA A SKALÁRNÍ SOUČIN 2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;

Více

SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK

SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK V této části prezentujeme výsledky použití metody SPM Spectrum (Shock Pulse Method Metoda rázových pulsů) jako metody pro monitorování stavu valivých

Více

MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY

MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY 5) Uložení a komprese zvuku Petr Lobaz, 17. 3. 2009 ULOŽENÍ ZVUKU ANALOGOVÉ mechanický záznam gramofon magnetický záznam magnetofon optický záznam zvuková stopa filmu

Více

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ

Více

DSY-4. Analogové a číslicové modulace. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

DSY-4. Analogové a číslicové modulace. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti DSY-4 Analogové a číslicové modulace Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti DSY-4 analogové modulace základní číslicové modulace vícestavové modulace modulace s rozprostřeným

Více

4. KRUHOVÁ KONVOLUCE, RYCHLÁ FOURIEROVA TRANSFORMACE (FFT) A SPEKTRÁLNÍ ANALÝZA SIGNÁLŮ

4. KRUHOVÁ KONVOLUCE, RYCHLÁ FOURIEROVA TRANSFORMACE (FFT) A SPEKTRÁLNÍ ANALÝZA SIGNÁLŮ 4. KRUHOVÁ KOVOLUCE, RYCHLÁ FOURIEROVA TRASFORMACE FFT A SEKTRÁLÍ AALÝZA SIGÁLŮ Kruová cylcá ovoluce Ryclá Fourerova trasformace Aplace DFT a aalogové sgály, frevečí aalýza perodcýc aalogovýc sgálů s využtím

Více

Biosignál přehled, snímání, zpracování, hodnocení

Biosignál přehled, snímání, zpracování, hodnocení Biosignál přehled, snímání, zpracování, hodnocení Úvod do biomedicínského inženýrství 27. 9. 2011 MICHAL HUPTYCH Katedra kybernetiky, FEL, ČVUT Přehled přednášky Přehled biologických signálů Snímání biologických

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

Více

UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU

UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU ANALÝZU VÍCEKANÁLOVÝCH SIGNÁLŮ Robert Háva, Aleš Procházka Vysoká škola chemicko-technologická, Abstrakt Ústav počítačové a řídicí techniky Analýza vícekanálových

Více

Základní princip regulace U v ES si ukážeme na definici statických charakteristik zátěže

Základní princip regulace U v ES si ukážeme na definici statických charakteristik zátěže Regulace apětí v ES Základí pricip regulace v ES si ukážeme a defiici statických charakteristik zátěže Je zřejmé, že výko odebíraý spotřebitelem je závislý a frekveci a apětí a přípojicích spotřebitelů.

Více

Spektrální analyzátory a analyzátory signálu

Spektrální analyzátory a analyzátory signálu Spektrální analyzátory a analyzátory signálu Osciloskopy a zapisovače popsané v předchozí kapitole zobrazují průběh signálu v závislosti na čase x(t), takže umožňují analýzu v tzv. časové oblasti (nebo

Více

Lineární a adaptivní zpracování dat. 9. Modely časových řad II.

Lineární a adaptivní zpracování dat. 9. Modely časových řad II. Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké

Více

Diskrétní 2D konvoluce

Diskrétní 2D konvoluce ČVUT FEL v Praze 6ACS. prosince 2006 Martin BruXy Bruchanov bruxy@regnet.cz Diracův impuls jednotkový impulz, δ-impulz, δ-funkce; speciální signál s nulovou šířkou impulzu a nekonečnou amplitudou; platí

Více

VYUŽITÍ 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 VYUŽITÍ VÝPOČETNÍHO SYSTÉMU MATLAB PŘI NEDESTRUKTIVNÍ KONTROLE STAVEBNÍCH MATERIÁLŮ A DÍLCŮ ROZBOREM AKUSTICKÉ ODEZVY GENEROVANÉ MECHANICKÝM IMPULSEM Jaroslav Smutný, Luboš Pazdera Vysoké učení technické

Více

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n,

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n, DSM2 Cv 7 Kostry grafů Defiice kostry grafu: Nechť G = V, E je souvislý graf. Kostrou grafu G azýváme každý jeho podgraf, který má stejou možiu vrcholů a je zároveň stromem. 1. Nakreslete všechy kostry

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

Iterační výpočty projekt č. 2

Iterační výpočty projekt č. 2 Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....

Více

Vlastnosti Fourierovy transformace

Vlastnosti Fourierovy transformace Vlastnosti Fourierovy transformace Linearita Fourierova transformace je lineární (všechny druhy :-) ), je tedy homogenní a aditivní Homogenita: změna amplitudy v časové oblasti způsobí stejnou změnu amplitudy

Více

VI. Derivace složené funkce.

VI. Derivace složené funkce. VI. Derivace složené funkce. 17. Parciální derivace složené funkce Budeme uvažovat složenou funkci F = f(g, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce,

Více

Obsah. Vybraná témata z Excelu pro techniky 13. Obsah. Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11. Typografická konvence použitá v knize 12

Obsah. Vybraná témata z Excelu pro techniky 13. Obsah. Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11. Typografická konvence použitá v knize 12 Obsah Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11 Typografická konvence použitá v knize 12 1 Vybraná témata z Excelu pro techniky 13 Vzorce a funkce pro techniky 14 Vytvoření jednoduchého vzorce

Více

Střední průmyslová škola elektrotechnická a informačních technologií Brno

Střední průmyslová škola elektrotechnická a informačních technologií Brno Střední průmyslová škola elektrotechnická a informačních technologií Brno Číslo a název projektu: CZ.1.07/1.5.00/34.0521 Investice do vzdělání nesou nejvyšší úrok Autor: Ing. Bohumír Jánoš Tématická sada:

Více

Analýza a zpracování signálů

Analýza 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,

Více

3. Měření efektivní hodnoty, výkonu a spotřeby energie

3. Měření efektivní hodnoty, výkonu a spotřeby energie 3. Měření efektivní hodnoty, výkonu a spotřeby energie přednášky A3B38SME Senzory a měření zdroje převzatých obrázků: pokud není uvedeno jinak, zdrojem je monografie Haasz, Sedláček: Elektrická měření

Více

Vodoznačení video obsahu

Vodoznačení video obsahu Vodoznačení video obsahu Bc. Jiří Hošek Email: hosek.j@seznam.cz Ústav Telekomunikací, FEKT, VUT v Brně Tento článek je zaměřen na problematiku vodoznačení a zejména pak na techniky vkládání vodoznaku

Více

ATENTOVY SPIS. Právo k využití vynálezu přísluší státu podle 3 odst. 6 zák. č. 34/1957 Sb. Přihlášeno 28. VÍL 1970 [PV 5290-70)

ATENTOVY SPIS. Právo k využití vynálezu přísluší státu podle 3 odst. 6 zák. č. 34/1957 Sb. Přihlášeno 28. VÍL 1970 [PV 5290-70) ČESKOSLOVENSKA SOCIALISTICKÁ R E P U B L I K A ATENTOVY SPIS Právo k využití vynálezu přísluší státu podle 3 odst. 6 zák. č. 34/1957 Sb. 146019 ^yy ^ - u Přihlášeno 28. VÍL 1970 [PV 5290-70) Vyloženo 31.

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

Pasivní Koherentní Lokace. Duben 2008

Pasivní Koherentní Lokace. Duben 2008 Pasivní Koherentní Lokace Duben 2008 Obsah Koncepce systému PCL Princip Bistatický radar Problémy Základy zpracování PCL signálů Eliminace clutter Vzájemná funkce neurčitosti Detekce cílů Asociace měření

Více

APLIKACE ALGORITMŮ ČÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLŮ 1. DÍL

APLIKACE ALGORITMŮ ČÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLŮ 1. DÍL David Matoušek, Bohumil Brtník APLIKACE ALGORITMÙ ÈÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLÙ 1 Praha 2014 David Matoušek, Bohumil Brtník Aplikace algoritmù èíslicového zpracování signálù 1. díl Bez pøedchozího písemného

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

Více

LOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA

LOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky

Více

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t. Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

3.2 Rovnice postupné vlny v bodové řadě a v prostoru

3.2 Rovnice postupné vlny v bodové řadě a v prostoru 3 Vlny 3.1 Úvod Vlnění můžeme pozorovat například na vodní hladině, hodíme-li do vody kámen. Mechanické vlnění je děj, při kterém se kmitání šíří látkovým prostředím. To znamená, že například zvuk, který

Více

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 8

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 8 UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 8 Hana Charvátová, Dagmar Janáčová Zlín 2013 Tento studijní materiál vznikl za finanční podpory

Více

ANALÝZA 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 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

Více

Inovace bakalářského studijního oboru Aplikovaná chemie. Reg. č.: CZ.1.07/2.2.00/

Inovace bakalářského studijního oboru Aplikovaná chemie. Reg. č.: CZ.1.07/2.2.00/ Inovace bakalářského studijního oboru Aplikovaná chemie Reg. č.: CZ.1.07/2.2.00/15.0247 APLIKACE POČÍTAČŮ V MĚŘÍCÍCH SYSTÉMECH PRO CHEMIKY s využitím LabView 10 Lab View - Sběr dat (pokračování) 11 Analýza

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí Program Sorpce1.m psaný v prostředí Matlabu slouží k vyhlazování naměřených sorpčních křivek a výpočtu difuzních koeficientů. Kromě standardního Matlabu vyžaduje ještě Matlab Signal Processing Toolbox

Více

Modelování ve výpočtových software

Modelování ve výpočtových software Modelováí ve výpočtových software. cvičeí vstup/výstup dat v růzých formátech, operace s maticemi, matematické fukce ) vstup/výstup dat (biárí MAT, textový ASCII) save fileame load fileame save fileame

Více

Příklady k přednášce 5 - Identifikace

Příklady k přednášce 5 - Identifikace Příklady k předášce 5 - Idetifikace Michael Šebek Automatické řízeí 05 3-3-5 Automatické řízeí - Kyberetika a robotika Jiá metoda pro. řád bez ul kmitavý Hledáme ω Gs () k s + ζω s + ω Aplikujeme u( )

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvalitěí výuky prostředictvím ICT Téma III..3, pracoví list 3 Techická měřeí v MS Ecel Průměry a četosti, odchylky změřeých hodot. Ig. Jiří Chobot

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

Více

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9 UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9 Nestacionární vedení tepla v rovinné stěně Hana Charvátová, Dagmar Janáčová Zlín 2013 Tento

Více

Vzorkování. Je-li posloupnost diracových impulzů s periodou T S : Pak časová posloupnost diskrétních vzorků bude:

Vzorkování. Je-li posloupnost diracových impulzů s periodou T S : Pak časová posloupnost diskrétních vzorků bude: Vzorkování Vzorkování je převodem spojitého signálu na diskrétní. Lze si ho představit jako násobení sledu diracových impulzů (impulzů jednotkové plochy a nulové délky) časovým průběhem vzorkovaného signálu.

Více

VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ

VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,

Více

Matematická analýza nejistot měření hluku a vibrací

Matematická analýza nejistot měření hluku a vibrací INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Matematická analýza nejistot měření hluku a vibrací Jan Novák 7. prosince2012 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky.

Více