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

Podobné dokumenty
Lineární a adaptivní zpracovní dat. 4. Lineární filtrace II: FIR, IIR

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

Digitální filtrace a signálové procesory

TECHNICKÁ UNIVERZITA V LIBERCI

1. Základy měření neelektrických veličin

Investice do rozvoje vzdělávání

IV. MKP vynucené kmitání

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

popsat činnost základních zapojení převodníků U-f a f-u samostatně změřit zadanou úlohu

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

Spolehlivost a diagnostika

11. Časové řady Pojem a klasifikace časových řad

1.1 Definice a základní pojmy

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Generování dvojrozměrných rozdělení pomocí copulí

Cvičení 2: Rozhodovací stromy, RBF sítě, vlastní algoritmy v RapidMineru

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Analýza a zpracování signálů. 4. Diskrétní systémy,výpočet impulsní odezvy, konvoluce, korelace

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

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

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

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

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

Metody zkoumání závislosti numerických proměnných

3 - Póly, nuly a odezvy

8. Zákony velkých čísel

PRAVDĚPODOBNOST A STATISTIKA

2. Vícekriteriální a cílové programování

ANALÝZA A KLASIFIKACE DAT

Fourierova transformace ve zpracování obrazů

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:

S1P Popisná statistika. Popisná statistika. Libor Žák

Číslicové zpracování signálů - spojité a diskrétní signály

Číslicové zpracování a analýza signálů (BCZA) Spektrální analýza signálů

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

, jsou naměřené a vypočtené hodnoty závisle

Úvod do korelační a regresní analýzy

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

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Úloha III.S... limitní

11. Popisná statistika

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

Náhodné jevy, jevové pole, pravděpodobnost

Petr Šedivý Šedivá matematika

Fourierova transformace ve zpracování obrazů

1 Základy Z-transformace. pro aplikace v oblasti

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

VY_52_INOVACE_J 05 01

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Téma 11 Prostorová soustava sil

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

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

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

1. Základy měření neelektrických veličin

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály

Univerzita Karlova v Praze Pedagogická fakulta

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

5 - Identifikace. Michael Šebek Automatické řízení

8 NELINEÁRNÍ REGRESNÍ MODELY

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

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

Náhodný výběr 1. Náhodný výběr

Výstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy

Fakulta elektrotechniky a informatiky Statistika STATISTIKA

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )

4.2 Elementární statistické zpracování Rozdělení četností

Příklady k přednášce 9 - Zpětná vazba

je vstupní kvantovaný signál. Průběh kvantizační chyby e { x ( t )}

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat

Testy statistických hypotéz

P1: Úvod do experimentálních metod

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ ÚZKOPÁSMOVÉ FILTRY PRO SIGNÁLY EKG FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost

Univerzita Karlova v Praze Pedagogická fakulta

Geodézie 3 (154GD3) Téma č. 9: Hodnocení a rozbory přesnosti výškových měření.

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

HUDEBNÍ EFEKT DISTORTION VYUŽÍVAJÍCÍ ZPRACOVÁNÍ PŘÍRŮSTKŮ SIGNÁLŮ ČASOVĚ

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Matematika NÁRODNÍ SROVNÁVACÍ ZKOUŠKY BŘEZNA 2018

[ jednotky ] Chyby měření

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

OBRAZOVÁ ANALÝZA POVRCHU POTISKOVANÝCH MATERIÁLŮ A POTIŠTĚNÝCH PLOCH

Sekvenční logické obvody(lso)

Měřící technika - MT úvod

PRAVDĚPODOBNOST A STATISTIKA

Chyby přímých měření. Úvod

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

POLYNOM. 1) Základní pojmy. Polynomem stupně n nazveme funkci tvaru. a se nazývají koeficienty polynomu. 0, n N. Čísla. kde

P. Girg. 23. listopadu 2012

SIGNÁLY A LINEÁRNÍ SYSTÉMY (ČASOVÉ ŘADY)

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

Transkript:

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 trasformace? Jak je defováa přeosová fukce dskrétího systému? Jaký je vztah mez přeosovou fukcí systému a jeho frekvečí charakterstkou? Co jsou to ulové body a póly přeosové fukce a jak je vypočítáme? Popšte, co je to stablta systému Jaká pravdla platí pro mpulsí charakterstku a přeosovou fukc stablího dskrétího systému?

Leárí fltrace obecě Fltrace=...?... vz 3. předáška o LTI systémech a jejch popsu ve frekvečí oblast

Leárí fltrace obecě Fltrace = zpracováí sloužící k výběru jstých složek ze směs více sgálů a k potlačeí složek jých. Složky sgálu =...?...

Leárí fltrace obecě Fltrace = zpracováí sloužící k výběru jstých složek ze směs více sgálů a k potlačeí složek jých. Složky sgálu = harmocké kompoety ve frekvečí oblast, jejchž ampltudy a fáze se s fltrací pozměí. Jak vysthujeme tuto změu?...?...

Leárí fltrace obecě Fltrace = zpracováí sloužící k výběru jstých složek ze směs více sgálů a k potlačeí složek jých. Složky sgálu = harmocké kompoety ve frekvečí oblast, jejchž ampltudy a fáze se s fltrací pozměí. Jak vysthujeme tuto změu? dvěma frekvečím charakterstkam: ampltudovou a fázovou. Čeho?...?...

Leárí fltrace obecě Fltrace = zpracováí sloužící k výběru jstých složek ze směs více sgálů a k potlačeí složek jých. Složky sgálu = harmocké kompoety ve frekvečí oblast, jejchž ampltudy a fáze se s fltrací pozměí. Jak vysthujeme tuto změu? dvěma frekvečím charakterstkam: ampltudovou a fázovou. Čeho? Fltru.

Leárí fltrace obecě Fltr=...?...

Leárí fltrace obecě Fltr = systém ebo algortmus (program), který měí požadovaým způsobem spektrum vstupího sgálu. Příklady aplkace: potlačeí rušvých vlvů, frekvečí aalýza Pops fltru: frekvečí charakterstka H(f), mpulsí charakterstka h(), dferečí rovce (defce), přeosová fukce H(z). je? vzhledem k dskrétímu charakteru sgálů.

Leárí fltrace obecě Fltr = systém ebo algortmus (program), který měí požadovaým způsobem spektrum vstupího sgálu. Příklady aplkace: potlačeí rušvých vlvů, frekvečí aalýza Pops fltru: frekvečí charakterstka H(f), mpulsí charakterstka h(), dferečí rovce (defce), přeosová fukce H(z). je perodcká vzhledem k dskrétímu charakteru sgálů. s perodou..?.. v případě frekvece,?. v případě ormovaé frekvece,..?.. v případě kmtočtu a?. v případě ormovaého kmtočtu.

Leárí fltrace obecě Fltr = systém ebo algortmus (program), který měí požadovaým způsobem spektrum vstupího sgálu. Příklady aplkace: potlačeí rušvých vlvů, frekvečí aalýza Pops fltru: frekvečí charakterstka H(f), mpulsí charakterstka h(), dferečí rovce (defce), přeosová fukce H(z). je perodcká vzhledem k dskrétímu charakteru sgálů. s perodou: 1/T s v případě frekvece, 1 v případě ormovaé frekvece, 2π/T s v případě úhlového kmtočtu a 2π v případě ormovaého úhlového kmtočtu.

Pops dskrétí soustavy s Z-trasformací Mějme LTI systém s přeosovou fukcí ve tvaru racoálě lomeé fukce: kde A = b 0 /a 0, z jsou...?... a p jsou...?.... 12 ( ) ( ) ( ) ( ) ( ). 1 1 0 0 = = = = = = = L M M L L M p z z z A z a z b z X z Y z H

Pops dskrétí soustavy s Z-trasformací 13 Mějme LTI systém s přeosovou fukcí ve tvaru racoálě lomeé fukce: H ( z) M M ( ) b z Y z = 0 L M = 1 = = = A z L L X ( z) a z = 0 = 1 ( z ) ( z p ) kde A = b 0 /a 0, z jsou uly a p jsou póly racoálě lomeé fukce.. y a b.z -.z - M L = b. x = 0 = 1 a. y zpětá Z trasformace, věta o leartě a posuu, a 0 =1.

Pops dskrétí soustavy s Z-trasformací 14 y M L = b. x = 0 = 1 a. y Iterpretace rovce: dskrétí soustava / systém uchovává v pamět starší vzorky vstupího výstupího sgálu.

Pops dskrétí soustavy s Z-trasformací?? Iterpretace rovce: dskrétí soustava / systém uchovává v pamět starší vzorky vstupího výstupího sgálu. = = = L M y a x b y 1 0.. 15

Pops dskrétí soustavy s Z-trasformací 16 y M L = b. x = 0 = 1 a. y Iterpretace rovce: dskrétí soustava / systém uchovává v pamět starší vzorky vstupího výstupího sgálu. Klouzavý průměr MA Autoregresí čle AR

Pops dskrétí soustavy s Z-trasformací 17 y M L = b. x = 0 = 1 a. y Iterpretace rovce: dskrétí soustava / systém uchovává v pamět starší vzorky vstupího výstupího sgálu. Klouzavý průměr MA Autoregresí čle AR Ovlvňuje rychlost odezvy, charakter jejího zakáí, stabltu soustavy.

Pops dskrétí soustavy s Z-trasformací 18 y M L = b. x = 0 = 1 a. y Realzace soustavy / fltru / programu přímou formou: b 0 b 1 b 2 b M-1 b M -a L -a L-1 -a 1

Pops dskrétí soustavy s Z-trasformací 19 y M L = b. x = 0 = 1 a. y Realzace soustavy / fltru / programu přímou formou: Zpožděí o jede vzorek b 0 b 1 b 2 b M-1 b M -a L -a L-1 -a 1

Pops dskrétí soustavy s Z-trasformací 20 Další formy realzace fltru / soustavy/ programu: Kaskádí:

Pops dskrétí soustavy s Z-trasformací 21 Další formy realzace fltru / soustavy/ programu: Paralelí:

Systémy s koečou mpulsí charakterstkou 22 FIR fte mpulse respose M L y = = 0 b. x = 1 a. y pouze čle MA (movg average) erekurzví realzace (většou, ale emusí vždy)

Systémy s koečou mpulsí charakterstkou 23 FIR PŘÍKLAD: hraový detektor h [ ] = { δ [ 1 ] 2δ [ ] + δ [ + 1] } 1 0 1 FIR PŘÍKLAD: vyhlazovací systém

Systémy s koečou mpulsí charakterstkou FIR fte mpulse respose b.z -k = + = + + + + = 1 0 1 1 2 2 1 1 0........ M k k k M M x b x b x b x b x b y 24

Systémy s koečou mpulsí charakterstkou 25 FIR fte mpulse respose b.z -k y = b M 1 0. x + b1. x 1 + b2. x 2 +... + bm 1. x M + 1 = bk. k = 0 x k Počet pólů přeosové fukce:...?..., kde?...?... Počet ulových bodů přeosové fukce:...?..., kde?...?...

Systémy s koečou mpulsí charakterstkou 26 FIR fte mpulse respose b.z -k y = b M 1 0. x + b1. x 1 + b2. x 2 +... + bm 1. x M + 1 = bk. k = 0 x k Počet pólů přeosové fukce:.m 1, kde?...?... Počet ulových bodů přeosové fukce:m 1, kde?...?...

Systémy s koečou mpulsí charakterstkou 27 FIR fte mpulse respose b.z -k y = b M 1 0. x + b1. x 1 + b2. x 2 +... + bm 1. x M + 1 = bk. k = 0 x k Počet pólů přeosové fukce:.m 1, kde? V bodě z=0 (ásobý pól v počátku, který vyjadřuje je fázový posu uto vyjádřt H(z) v kladých mocách z). Počet ulových bodů přeosové fukce:m 1, kde? Kdekol v rově z.

Systémy s koečou mpulsí charakterstkou 28 FIR fte mpulse respose b.z -k y = b M 1 0. x + b1. x 1 + b2. x 2 +... + bm 1. x M + 1 = bk. k = 0 x k Počet pólů přeosové fukce:.m 1, kde? V bodě z=0 (ásobý pól v počátku, který vyjadřuje je fázový posu uto vyjádřt H(z) v kladých mocách z). Počet ulových bodů přeosové fukce:m 1, kde? Kdekol v rově z.

Fltry s koečou mpulsí charakterstkou 29 FIR fltry mohou mít přesě leárí fáz, a to platí l: osová ebo bodová souměrost mpulsí charakterstky tj. mpulsí charakterstka je symetrcká ebo atsymetrcká. Fltry s leárí fází mají specálí kofgurac ulových bodů obrazového přeosu: Je l H( ) = 0, je také H(1/ ) = 0. Pokud má systém reálé koefcety, platí také: H( *)=H(1/ ). Nulové body se vyskytují ve čtveřcích.

Fltry s koečou mpulsí charakterstkou 30 FIR fltry mohou mít přesě leárí fáz, a to platí l: osová ebo bodová souměrost mpulsí charakterstky tj. mpulsí charakterstka je symetrcká ebo atsymetrcká.

Fltry s koečou mpulsí charakterstkou 31 FIR fltry mohou mít přesě leárí fáz, a to platí l: osová ebo bodová souměrost mpulsí charakterstky tj. mpulsí charakterstka je symetrcká ebo atsymetrcká.

Fltry s koečou mpulsí charakterstkou 32 FIR fltry vlastost: jsou vždy stablí, eboť všechy póly leží v ule (pokud ejsou záměrě realzováy rekurzvím systémem se zpětou vazbou) většou erekurzví realzace možost leárí fázové charakterstky relatvě sadá programová (hardwarová) realzace pro dosažeí strmých charakterstk je třeba použít vyšší stupeň fltru ež u IIR fltrů s rostoucím řádem roste zpožděí ávrh FIR fltru: vzorkováí frekvečí charakterstky váhováí mpulsí charakterstky

Fltry s koečou mpulsí charakterstkou 33 Návrh FIR fltru vzorkováím frekvečí charakterstky 1. Zadávají se jedotlvé body (vzorky) ampltudové frekvečí charakterstky. 2. Mmo vzorkovací body se předpokládá chováí lbovolé (zakmtáváí). 3. Impulsí charakterstka se vypočítá pomocí verzí DFT. 4. Fázová charakterstka se zadává ulová, výsledá mpulsí odezva se kauzalzuje pomocí přerováí vzorků (fftshft).

Systémy s ekoečou mpulsí charakterstkou 34 IIR fte mpulse respose Autoregresí čle AR y M L = b. x = 0 = 1 a. y Klouzavý průměr MA vždy rekurzví realzace

Systémy s ekoečou mpulsí charakterstkou 35 IIR PŘÍKLAD: vyhlazovací systém z -1 H(z) = az/(z a). Pro a>1 je fltr establí.

Systémy s ekoečou mpulsí charakterstkou 36 IIR PŘÍKLAD: vyhlazovací systém z -1 H(z) = az/(z a). Pro a>1 je fltr establí. Tp: co lze získat tzv. dlouhým děleím polyomů?

Systémy s ekoečou mpulsí charakterstkou 37 IIR : vyžadují alespoň jedu zpětovazebí smyčku, jsou vždy rekurzví přeosová fukce = podíl polyomů

Fltry s ekoečou mpulsí charakterstkou 38 IIR fltry vlastost: s fltry IIR lze dosáhout velm strmé přechody mez propustým a epropustým pásmem, a to př malém řádu fltru. fltr je vždy rekurzví (se zpětým vazbam), může být establí (pro ampltudově omezeý vstupí sgál by geeroval sgál s eustále rostoucím ampltudam). Fltr IIR bude stablí, pokud všechy jeho póly leží uvtř jedotkové kružce. Fltry IIR emají leárí průběh fázové charakterstky. poměrě složtý a méě tutví ávrh: rozmsťováí ulových bodů a pólů optmalzačí ávrhy podle frekvečí charakterstky (vedou a řešeí soustavy eleárích rovc) přístupy založeé a podobost s aalogovým systémy

Fltry s ekoečou mpulsí charakterstkou 39 IIR fltry vlastost: s fltry IIR lze dosáhout velm strmé přechody mez propustým a epropustým pásmem, a to př malém řádu fltru. vždy rekurzví realzace poměrě složtý a méě tutví ávrh fltr je rekurzví (se zpětým vazbam), může být establí (pro ampltudově omezeý vstupí sgál by geeroval sgál s eustále rostoucím ampltudam). Fltr IIR bude stablí, pokud všechy jeho póly leží uvtř jedotkové kružce. Fltry IIR emají leárí průběh fázové charakterstky.

Fltry s ekoečou mpulsí charakterstkou 40 IIR fltry příklad:

Termologe: IIR, FIR, MA, AR 41 y = M = 0 b. x L = 1 a. y FIR fltry: a =0, pro všecha. Ozačováy také jako movg average ebo all zero fltry. IIR fltry: a <>0, pro alespoň jedo. Zahrují: autoregresví (AR) fltry movg average, autoregresví (ARMA) fltry

Termologe: IIR, FIR, MA, AR 42 y = M = 0 b. x L = 1 a. y FIR fltry: a =0, pro všecha. Ozačováy také jako movg average ebo all zero fltry. IIR fltry: a <>0, pro alespoň jedo. Zahrují: autoregresví (AR) fltry movg average, autoregresví (ARMA) fltry AR fltry: b =0, kromě b 0. Výstup závsí pouze a...?...

Termologe: IIR, FIR, MA, AR 43 y = M = 0 b. x L = 1 a. y FIR fltry: a =0, pro všecha. Ozačováy také jako movg average ebo all zero fltry. IIR fltry: a <>0, pro alespoň jedo. Zahrují: autoregresví (AR) fltry movg average, autoregresví (ARMA) fltry AR fltry: b =0, kromě b 0. Výstup závsí pouze a aktuálí hodotě a vstupu a a koečém počtu starších vzorků výstupího sgálu. Ozačováy také jako: all pole, purely recursve, autoregressve

Termologe: IIR, FIR, MA, AR 44 y = M = 0 b. x L = 1 a. y FIR fltry: a =0, pro všecha. Ozačováy také jako movg average ebo all zero fltry. IIR fltry: a <>0, pro alespoň jedo. Zahrují: autoregresví (AR) fltry movg average, autoregresví (ARMA) fltry ARMA fltry: a, b eulové Ozačováy také jako: pole zero, autoregressve, movg average

Termologe: IIR, FIR, MA, AR 45 y = M = 0 b. x L = 1 a. y DOPORUČENÍ: pro fltry a leárí systémy používat ozačeí FIR, IIR ozačeí AR, MA, ARMA používat pro pops č modely stochastckých procesů, které geerují data áhodé povahy

6. cvčeí 46 1. Je dá systém s přeosovou fukcí Nakreslete rozložeí ulových bodů a pólů. Odhaděte ampltudovou frekvečí charakterstku. Zjstěte dferečí rovc systému. Zjstěte mpulsí charakterstku systému. Na závěr vše ověřte v MATLABu (fvtool, freqz). O jaký fltr jde (FIR, IIR)? O jaký fltr jde (HP, DP, PP)?

6. cvčeí 47 2. Dskrétí soustava má přeosovou fukc H(z): 1/(1 0.5z 1 ). Určete dferečí rovc systému.

6. cvčeí 48 3. Navrhěte FIR fltr pro odstraěí rušvých složek v časové řadě reprezetující sběr údajů o kocetrac toxcké látky v říčím toku. Sběr dat probíhá s hodovou vzorkovací perodou. Změy v kocetracích jsou pozvolé, odehrávají se v týdeím rytmu (provoz chemcké fabrky). Rušvé složky, které je potřeba potlačt, souvsejí se stochastckým procesem (počasí, tj. zejméa srážky, ale teplota), který geeruje sgálové kompoety s ejvyšší perodou okolo 6 h. Zkotrolujte správost vzorkováí v expermetu a pro ávrh fltru volte metodu vzorkováí frekvečí charakterstky. Volte fltr s polyomem 19. řádu.

6. cvčeí 49

6. cvčeí 50

6. cvčeí 51

6. cvčeí 3. příklad - fabrka 52 Harmocké kompoety užtečé složky sgálu: f_uzteca_aroud=1/(7*24*3600) Hz. Harmocké kompoety rušvé složky sgálu: f_rusva_m=1/(6*3600) Hz. Vzorkovací frekvece: fs=1/3600 Hz. Vzorkovací věta je splěa, eboť platí, že fs>=2*f_rusva 1.4 G(f) 1.2 1 0.8 0.6 0.4 π/2 f MAX Od 19. vzorku se cha perodcky opakuje ( 0.2 π/3 0-0.2 0 2 4 6 8 10 12 14 16 18 19 vzorků a frekvečí ose

6. cvčeí 3. příklad - fabrka 53 G = zeros(1,19); % vzorky jsou v porad 0..N-1 F(1:3)=oes(1,3); % MATLAB dexuje od 1 F(18:19)=oes(1,2); % symetrcká ampltudová frekv. char-ka h = fft(f); % verzí dskrétí fourerova trasformace stem([0:18],h); % mpulsí charakterstka stem([-9:9],h); % mpulsí charakterstka po přerováí

6. cvčeí 3. příklad - fabrka 54 freqz(h,1) Neleárí průběh freqz(fftshft(h),1) Leárí průběh

ffgf Otázky? schwarz@ba.mu.cz 55