Vlastnosti a modelování aditivního
|
|
- Denis Esterka
- před 7 lety
- Počet zobrazení:
Transkript
1 Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t), připomeneme jeho vlastnosti a popíšeme způsob, jak ho lze modelovat v numerických simulacích. Komplexní reprezentací (komplexní obálkou) ñ(t) šumu n(t) se budeme zabývat v kap. 3. Bílý šum (šum s bílým spektrem) je často používaná aproximace širokopásmového šumu, který má konstantní spektrální výkonovou hustotu v uvažované šířce zpracování signálu. Připomeňme, že bělost šumu n(t) neimplikuje žádné rozložení hustoty pravděpodobnosti, tj. bílý šum nemusí mít nutně normální (gaussovské) rozložení. Předpokládejme, že spektrální výkonová hustota bílého šumu n(t) nabývá pro všechny (úhlové) kmitočty hodnoty /, tedy To odpovídá korelační funkci C n(t) (ω) =. (1) R n(t) (τ) = FT 1 {C n(t) (ω)} = δ(τ). () Uvedená vlastnost říká, že hodnoty n(t 1 ) a n(t ) jsou nekorelované pro libovolně malý interval τ = t t 1. Reálně signál s takovými vlastnostmi nemůže existovat, nebot pro libovolný fixní čas t 1 má náhodná veličina n(t 1 ) nekonečný rozptyl: var{n(t 1 )} = R n(t) (τ). Dále, výkon signálu se spektrální výkonovou hustotou dle (1) je τ=0 nekonečný nebot platí: P = 1 π Pásmově omezený bílý šum C n(t)(ω)dω. Pásmově omezený bílý šum pásmově omezený na (jednostrannou) šířku pásma B představuje reálně interpretovatelnou aproximaci širokopásmového šumu. Spektrální a korelační vlastnosti jsou C n(t) (ω) = { N0 pro ω ( πb, πb), 0 jinde, (3) 1
2 C n(t) (ω) C n[k] (Ω) f sa ω sa ω sa π ωsa 0 ω sa π ω π π Ω Obr. 1: Spektrální výkonová hustota pásmově omezeného šumu a spektrální výkonová hustota jeho vzorků. Výkon (rozptyl) takového signálu pak je R n(t) (τ) = B Sa(πBτ). (4) P = var{n(t)} = B. (5) Nastavení rozptylu šumového generátoru Při úloze simulace algoritmů zpracování signálu stojíme před problémem, jak nastavit hodnotu rozptylu šumového generátoru σ, aby generovaný náhodný signál správně representoval chování systému za přítomnosti aditivního bílého šumu s požadovanou oboustrannou spektrální výkonovou hustotou C n(t) (ω) =. Simulaci systému provádíme zpravidla v diskrétním čase se vzorkovacím (úhlovým) kmitočtem ω sa. Předpokládáme tedy, že spektra všech uvažovaných signálů lze zanedbat (jsou nulové) pro ω > ω sa /. Stejná podmínka musí platit i pro šumový signál n(t). Pokud budeme bílý šum aproximovat pásmově omezeným šumem s konstantní spektrální hustotou na intervalu ω < ω sa /, chování systému se z pohledu zpracování signálu nezmění. Pásmovým omezením bílého šumu získáme fyzikálně existující signál (s konečným výkonem), který lze vzorkovat s ω sa. Pásmově omezený šum n(t) má autokorelační funkci R n (τ) = ωsa π Sa ( ω saτ ) = N fsa 0 Sa(πf sa τ). Vzorkováním šumu n(t) na násobcích 1/f sa, získáme nekorelované vzorky šumu n[k] = n(k 1 f sa ), autokorelační funkce vzorku N n[k] je R n[k] [m] = f 0 N sa δ[m]. Rozptyl vzorků šumu je var{n[k]} = R[0] = f 0 sa (a to je zároveň i výkon diskrétního signálu n[k]). Tuto hodnotu je pak potřeba použít při nastavení rozptylu šumového generátoru. Platí, že výkon spojitého signálu je číselně roven výkonu jeho vzorků (za předpokladu dodržení vzorkovací podmínky). Proto i výkon pásmově omezeného šumu na intervalu ω < ω sa / je roven výkonu vzorků n[k] generovaných s rozptylem σ = ωsa π = N f 0 sa. Spektrální hustota pásmově omezeného šumu a spektrální hustota jeho vzorků je znázorněna na obr. 1.
3 Implementace v programu MATLAB Funkce randn(m,n) generuje matici rozměru m n. Prvky matice jsou náhodné nekorelované hodnoty s normálním rozdělením s µ = 0 a σ = 1. Pro generování vzorků pásmově omezeného bílého gaussovského šumu se zadanou spektrální výkonovou hustotou / je potřeba ale zajistit rozptyl s požadovanou hodnotou σ = ωsa π = f sa. Pokud má náhodná veličina X střední hodnotu µ X = 0 a rozptyl σx = 1, pak náhodná veličina Y s µ Y a σy se získá transformací Y = σ Y X + µ Y. (6) Konkrétně: 100 vzorků bílého gaussovského šumu s rozptylem (a tedy i výkonem) 10 se získá: noise=sqrt(10)*randn(1,100); Komplexní obálka V této části připomeneme základní vztahy mezi reálným pásmovým signálem (BP band pass) a jeho komplexní reprezentací (komplexní obálkou, CE complex envelope). Zde uvedená definice komplexní obálky a způsob značení vychází ze [1]. 1 Spektrum komplexní obálky S(ω) se ze spektra pásmového signálu S(ω) získá jako S(ω) = Us(ω ω 0 )S(ω ω 0 ). (7) Časový průběh komplexní obálky s(t) lze pak filtrační metodou z pásmového signálu s(t) získat dle vztahu s(t) = [s(t) exp( jω 0 t)] DP. (8) Komplexní obálka lze rovněž zapsat pomocí dvojice reálných nízkofrekvenčních signálů, a to bud pomocí soufázové s I (t) a kvadraturní s Q (t) složky nebo pomocí obálky s(t) a fáze arg{ s(t)} s(t) = s I (t) + js Q (t) = s(t) exp(j arg{ s(t)}) (9) Pásmový signál s(t) lze z komplexní obálky získat vztahem s(t) = Re{ s(t) exp(jω 0 t)}. (10) 1 V literatuře se používají i jiné definiční vztahy (navzájem se liší násobnou konstantou). Pozor rovněž na značení. Explicitní označení komplexní obálky vlnovkou nad symbolem signálu či spektra není v literatuře jednotně dodržován. Někdy se vlnovkou označuje pásmový signál a komplexní obálka se explicitně neoznačuje. Volba je na autorovi textu: obvykle, pokud většina vzorců a odvození v textu je napsána pro komplexní obálku, bylo by její explicitní značení vlnovkou z pohledu psaní textu pracné a proto je vhodnější v tomto případě označit vlnovkou pásmový signál. 3
4 Uved me dále, že výkon komplexní obálky je číselně větší než výkon pásmového signálu, tedy P s = P s. Pro komplexní obálku s(t) obecného stacionárního signálu (v širším smyslu) s(t) (nemusí se nutně jednat o pásmový signál) lze odvodit následující souvislosti mezi PSD jednotlivých signálů, viz např. [] C s (ω) = 4C s (ω + ω 0 ) Us(ω + ω 0 ), (11) C si (ω) = C sq (ω) = C s (ω + ω 0 ) Us(ω + ω 0 ) + C s (ω ω 0 ) Us( (ω ω 0 )), (1) ( ( ) ( ) ( ) ( C si s Q (ω) = j C s ω + ω0 Us ω + ω0 Cs ω ω0 Us (ω ω0 ) )). (13) 3 Komplexní obálka AWGN V této kapitole jsou shrnuty vlastnosti reálného pásmově omezeného gaussovského šumu n(t) a jemu odpovídající komplexní reprezentace (komplexní obálky) ñ(t). Definiční vztah komplexní obálky odpovídá popisu z kap.. Pásmově omezený bílý gaussovský šum okolo nosného kmitočtu ω 0 označíme n(t), jeho spektrální výkonovou hustotu C n (ω), viz obr. a). Pro charakteristiky n(t) platí (protože signál n(t) je striktně ergodický, jsou uvedené pravděpodobnostní charakteristiky shodné s charakteristikami časovými) E{n(t)} = 0, (14) R n (τ) = E{n(t) n(t + τ)} = B IF cos(ω 0 τ) Sa(πB IF τ). (15) Speciálně pro výkon (rozptyl) n(t) platí P n = var{n(t)} = R n (0) = σ n = B IF. (16) Komplexní obálku ñ(t) pásmově omezeného šumu n(t) lze vyjádřit pomocí soufázové a kvadraturní složky ñ(t) = n I (t) + jn Q (t). (17) Signály n I (t) a n Q (t) jsou striktně ergodické vzájemně nezávislé (důsledek vztahu 13) s normálním rozdělením a se spektrální výkonovou hustotou dle obr. b) (vychází ze vztahu 1). Pro charakteristiky soufázové a kvadraturní složky platí E{n I (t)} = E{n Q (t)} = 0, (18) E{n I (t) n Q (t + τ)} = 0 pro τ, (19) R ni (τ) = R nq (τ) = E{n I (t) n I (t + τ)} = B IF Sa(πB IF τ), (0) P ni = P nq = var{n I (t)} = var{n Q (t)} = B IF, (1) Pñ = P ni + P nq = B IF. () 4
5 C ni(t)(ω) = = C nq(t)(ω) C n (ω) ω 0 ω 0 0 ω 0 ω πb IF πb IF πb IF a) b) Obr. : PSD pásmově omezeného bílého šumu n(t) a jeho reprezentace komplexní obálkou ñ(t) = n I (t) + jn Q (t). C ni (ω) = C nq (ω) = Cñ(ω) = { { pro ω < π B IF, 0 jinde, 0 jinde. pro ω < π B IF, (3) (4) Pásmově omezený bílý šum n(t) na nosném kmitočtu ω 0 lze použitím vztahu (10) alternativně zapsat ve tvaru n(t) = n I (t) cos(ω 0 t) n Q (t) sin(ω 0 t). (5) Příklad: Signál dig. modulace necht má výkon C =.0 W. Vygenerujte vzorky komplexní obálky AWGN tak, aby výsledný signál měl poměr C/ = 53 db-hz (pozor, jedná se o poměr výkonu užitečného signálu C ku spektrální výkonové hustotě šumu ). Uvažujte f sa = 66.7 khz. Výpočet: ( ( ) [C/ ] db = 10 log C 10 ), z toho: C = 10 [C/] /10 db = 10 53/10. N0 = 00 khz. Pro PSD ( ) šumu dostaneme = C/ C =.0/ = W/Hz. Výkon soufázové a N0 kvadraturní složky šumu je f sa = = W. Tato hodnota je zároveň i rozptylem těchto složek a použijeme ji pro nastavení šumového generátoru. 5
6 Implementace v MATLABu: N=1000; % delka signalu C=.0; % vykon [W] C_No_dB = 53; % [db-hz] fsa=66.7; % [Hz] % C_No=10^(C_No_dB/10); No=C/C_No; PnI=No*fsa; % vykon/rozptyl soufazove (relane) casti AWGN ni=sqrt(pni)*randn(1,n); % realna cast AWGN nq=sqrt(pni)*randn(1,n); % imaginarni cast AWGN nce=ni+1j*nq; % komplexni obalka AWGN Literatura [1] Hrdina, Z.; Vejražka, F.: Signály a soustavy. [Skriptum]. ČVUT, Praha [] Sýkora, J.: Digitální rádiová komunikace II. [Skriptum]. ČVUT, Praha
SIGNÁLY 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
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
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
VíceSIGNÁLY 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)
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).
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
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
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
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
Víceoblasti je znázorněn na obr Komplexní obálku můžeme rozepsat na její reálnou a
Fakulta elektrotechniky a komunikačních technologií VUT v Brně 5 2 Komplexníobálka Zadání 1. Mějme dán pásmový signál s(t) =[1 0.5cos (2π5t)] cos (2π100t) (a) Zobrazte tento signál a odhad jeho modulového
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceRozprostřené spektrum. Multiplex a mnohonásobný přístup
Rozprostřené spektrum Multiplex a mnohonásobný přístup Multiplex Přenos více nezávislých informačních signálů jedním přenosovým prostředím (mezi dvěma body) Multiplexování MPX Vratný proces sdružování
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH. Jiří Tůma
ZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH SYSTÉMŮ UŽITÍM FFT Jiří Tůma Štramberk 1997 ii Anotace Cílem této knihy je systematicky popsat metody analýzy signálů z mechanických systémů a strojních zařízení. Obsahem
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
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
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
VíceGenerování pseudonáhodných. Ing. Michal Dorda, Ph.D.
Generování pseudonáhodných čísel při simulaci Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky V simulačních modelech se velice často vyskytují náhodné proměnné. Proto se budeme zabývat otázkou, jak při simulaci
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
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
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
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
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,
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VícePříloha č. 1. amplitudová charakteristika filtru fázová charakteristika filtru / frekvence / Hz. 1. Určení proudové hustoty
Příloha č. 1 Při hodnocení expozice nízkofrekvenčnímu elektromagnetickému poli (0 Hz 10 MHz) je určující veličinou modifikovaná proudová hustota J mod indukovaná v tělesné tkáni. Jak je uvedeno v nařízení
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceMĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
VíceDiferenciální rovnice
Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Více1. Přednáška: Obecné Inf. + Signály a jejich reprezentace
1. Přednáška: Obecné Inf. + Signály a jejich reprezentace 1 Obecné informace Změna rozvrhů Docházka na cvičení 2 Literatura a podklady Základní učební texty : Prchal J., Šimák B.: Digitální zpracování
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
VíceKomplexní obálka pásmového signálu
České vysoké učení technické v Praze, Fakulta elektrotechnická X37SGS Signály a systémy Komplexní obálka pásmového signálu Daniel Tureček 8.11.8 1 Úkol měření Nalezněte vzorky komplexní obálky pásmového
VíceDigitalizace převod AS DS (analogový diskrétní signál )
Digitalizace signálu v čase Digitalizace převod AS DS (analogový diskrétní signál ) v amplitudě Obvykle převod spojité předlohy (reality) f 1 (t/x,...), f 2 ()... připomenutí Digitalizace: 1. vzorkování
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
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceVOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ
VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSOVÝCH SIGNÁLŮ Jiří TŮA, VŠB Technická univerzita Ostrava Petr Czyž, Halla Visteon Autopal Services, sro Nový Jičín 2 Anotace: Referát se zabývá
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
Více8 Střední hodnota a rozptyl
Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení
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
Víceteorie elektronických obvodů Jiří Petržela citlivostní a toleranční analýza
Jiří Petržela citlivostní a toleranční analýza motivace pasivní prvky obvodů jsou prodávány v sortimentních řadách hodnotu konkrétního prvku neznáme, zjistíme měřením s jistotou známe pouze interval, ve
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceModulace analogových a číslicových signálů
Modulace analogových a číslicových signálů - rozdělení, vlastnosti, způsob použití. Kódování na fyzické vrstvě komunikačního kanálu. Metody zabezpečení přenosu. Modulace analogových a číslicových signálů
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceMotivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky
A0M38SPP - Signálové procesory v praxi - přednáška 7 2 Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky (momenty) Matematická definice korelační
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
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
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VíceA/D převodníky - parametry
A/D převodníky - parametry lineární kvantování -(kritériem je jednoduchost kvantovacího obvodu), parametry ADC : statické odstup signálu od kvantizačního šumu SQNR, efektivní počet bitů n ef, dynamický
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
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
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.
Více1. Základy teorie přenosu informací
1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
Více31SCS Speciální číslicové systémy Antialiasing
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE 2006/2007 31SCS Speciální číslicové systémy Antialiasing Vypracoval: Ivo Vágner Email: Vagnei1@seznam.cz 1/7 Převod analogového signálu na digitální Složité operace,
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
Vícer Odvoď te přenosovou funkci obvodů na obr.2.16, je-li vstupem napě tí u 1 a výstupem napě tí u 2. Uvaž ujte R = 1Ω, L = 1H a C = 1F.
Systé my, procesy a signály I - sbírka příkladů NEŘ EŠENÉPŘ ÍKADY r 223 Odvoď te přenosovou funkci obvodů na obr26, je-li vstupem napě tí u a výstupem napě tí Uvaž ujte Ω, H a F u u u a) b) c) u u u d)
Více1. 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:
Vícevýkonovou hustotu definovat lze (v jednotkách W na Hz). Tepelný šum (thermal noise) Blikavý šum (flicker noise)
Šumová analýza Josef Dobeš 26. září 2013 Rádiové obvody a zařízení 1 1 Fyzikální příčiny šumu a jeho typy Náhodný pohyb nosičů náboje (elektronů a děr) v elektronických prvcích generuje napětí a proudy
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
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
VíceMĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE
26. mezinárodní konference DIAGO 27 TECHNICKÁ DIAGNOSTIKA STROJŮ A VÝROBNÍCH ZAŘÍZENÍ MĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE Jiří TŮMA VŠB Technická Univerzita Ostrava Osnova Motivace Kalibrace měření Princip
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
Víceteorie elektronických obvodů Jiří Petržela analýza šumu v elektronických obvodech
Jiří Petržela co je to šum? je to náhodný signál narušující zpracování a přenos užitečného signálu je to signál náhodné okamžité amplitudy s časově neměnnými statistickými vlastnostmi kde se vyskytuje?
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
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
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,
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
Více5.1 Modelování drátových antén v časové oblasti metodou momentů
5.1 Modelování drátových antén v časové oblasti metodou momentů Základní teorie V kapitolách 4.1, 4.4 resp. 4.5 byly drátový dipól, mikropáskový dipól a flíčková anténa modelovány metodou momentů ve frekvenční
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceZpráva k semestrální práci z předmětu Syntéza audio signálů. Vypracoval: Jakub Krista Zimní semestr 2016/2017 Datum odevzdání:
Zpráva k semestrální práci z předmětu Syntéza audio signálů Vypracoval: Jakub Krista Zimní semestr 2016/2017 Datum odevzdání: 31.12.2016 Obsah 1. Úvod... 2 2. Použité druhy syntéz... 3 2.1 Aditivní syntéza...
Více7.1. Číslicové filtry IIR
Kapitola 7. Návrh číslicových filtrů Hraniční kmitočty propustného a nepropustného pásma jsou ve většině případů specifikovány v[hz] společně se vzorkovacím kmitočtem číslicového filtru. Návrhové algoritmy
VíceDSY-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
VícePřenos pasivního dvojbranu RC
Střední průmyslová škola elektrotechnická Pardubice VIČENÍ Z ELEKTRONIKY Přenos pasivního dvojbranu R Příjmení : Česák Číslo úlohy : 1 Jméno : Petr Datum zadání : 7.1.97 Školní rok : 1997/98 Datum odevzdání
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceX31EO2 - Elektrické obvody 2. Kmitočtové charakteristiky
X3EO - Elektrické obvody Kmitočtové charakteristiky Doc. Ing. Petr Pollák, CSc. Letní semestr 5/6!!! Volné šíření není povoleno!!! Fázory a spektra Fázor harmonického průběhu Û m = U m e jϕ ut) = U m sinωt
VíceÚPGM FIT VUT Brno,
Systémy s diskrétním časem Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz 1 LTI systémy v tomto kursu budeme pracovat pouze se systémy lineárními a časově invariantními. Úvod k nim jsme viděli již
VíceMatematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
Víceelektrické filtry Jiří Petržela filtry se spínanými kapacitory
Jiří Petržela motivace miniaturizace vytvoření plně integrovaného filtru jednotnou technologií redukce plochy na čipu snížení ceny výhody koncepce spínaných kapacitorů (SC) koeficienty přenosové funkce
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
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
Více