Föreläsning 6: Spektralskattning: icke parametriska metoder. Leif Sörnmo 4 oktober 2009
|
|
- Hugo Axelsson
- för 4 år sedan
- Visningar:
Transkript
1 Föreläsning 6: Spektralskattning: icke parametriska metoder Leif Sörnmo 4 oktober
2 Metoder för spektralskattning icke-parametriska korrelogram, periodogram fönstring, medelvärdesbildning minimum-varians maximum-entropi parametriska (redan beskrivna i Kap 4-6) frekvensskattning sk signalrumsmetoder (Pisarenko, MUSIC, m.fl.) 2
3 Spektralanalys en konstart? Leder alltid samma data till samma spektrum? Svaret på denna, något banala, fråga är naturligtvis nej. Mycket stora skillnader kan i vissa fall erhållas. Se exemplet nedan där två olika metoder (icke-parametrisk resp parametrisk) använts på samma signal. Bra att veta är hur spektrumet ser ut redan innan man skattar det åtminstone på ett ungefär så att man kan välja lämplig metod! 3
4 Spektraltäthet två definitioner Spektraltäthet kan definieras som Fouriertransformen av autokorrelationsfunktionen r x (k), P x (e jω ) = k= r x (k)e jωk eller som väntevärdet för Fouriertransformen på signalen x(n), P x (e jω ) = lim E N 1 N N 1 n=0 x(n)e jωn Man kan visa att dessa definitioner är identiska om man gör det snälla antagande att r x (k) avtar som 2 lim N 1 N N k= N k r x (k) = 0 4
5 Visa gärna detta! Utnyttja följande samband: N 1 k=0 N 1 l=0 r x (k l) = N 1 k= N +1 (N k )r x (k)
6 Skattning av spektraltäthet korrelogram och periodogram Skattningen baserad på r x (k) korrelogram, definieras av ˆP x,kor (e jω ) = N 1 k= N +1 där r x (k) erhålles från den ändliga signalen med x N (n) = ˆr x (k) = 1 N x(n) ˆr x (k)e jωk 0 n < N 0 för övrigt n= x N (n + k)x N (n) 5
7 Skattningen baserad på x(n) periodogram, fås genom att strunta i väntevärdet, dvs ˆP x,per (e jω ) = 1 N N 1 n=0 x(n)e jωn 2 = 1 N X N(k) 2
8 Liktydighet mellan skattning baserad på korrelogram och periodogram Om standardsättet att skatta autokorrelationsfunktionen används (även känd som skattningen med bias ) i korrelogrammetoden, dvs ˆr x (k) = 1 N N 1 k n=0 x N (n + k)x N (k) så kan man visa att korrelogrammet och periodogrammet ger identiska skattningar av spektraltätheten! Se Föreläsning 1. 6
9 Egenskaper hos periodogrammet Viktiga spektrala egenskaper kan studeras utifrån det kvadratiska medelfelet, ε = E [ ˆP x (f) P x (f) 2]. Detta fel kan delas upp i två användbara mått: bias(ˆp x (f)) = E [ˆP x (f) ] P x (f) varians(ˆp x (f)) = E [ ˆP x (f) E[ˆP x (f)] 2] vilket följer av följande omskrivning, ε = E [ ˆP x (f) E[ˆP x (f)] + E[ˆP x (f)] P x (f) 2] = E [ ˆP x (f) E[ˆP x (f)] 2] + E[ˆP x (f)] P x (f) 2 +2Re(E[ˆP x (f) E[ˆP x (f)]] [E[ˆP x (f)] P x (f)]) = varians(ˆp x (f)) + bias(ˆp x (f)) 2 Konsistens: En skattning sägs vara konsistent om både bias och varians går mot noll när antalet observationer N ökar. 7
10 Periodogrammets bias Bias beräknas på följande vis: E [ˆP x (e jω ) ] = E = = N 1 k= N +1 N 1 k= N +1 N 1 k= N +1 där w B (k) är ett sk Bartlett fönster w B (k) = N k N ˆr x (k)e jkω E[ˆr x (k)]e jkω r x (k)w B (k)e jkω k N 0 för övrigt 8
11 Bias kan lättare tolkas i frekvensplanet, E [ˆP x (e jω ) ] = 1 2π P x(e jω ) W B (e jω ) där F-transformen av Bartlettfönstret är [ ] sin(nω/2) 2 W B (e jω ) = 1 N sin(ω/2)
12 Periodogrammets bias 2 Diagrammet nedan visar W B (e jω ) för olika signallängder N. 0 W B (e jω ) för N=16 och log10(p(f)) [db] normerad vinkelfrekvens och kan användas för att introducera viktiga begrepp inom spektralanalysen, nämligen: 9
13 Eftersom funktionen W B (e jω ) går mot en impuls när N så är periodogrammet asymptotiskt unbiased, lim N E[ˆP x (e jω ) ] = P x (e jω ) Vi har följande viktiga begrepp&observationer: huvudloben smetar ut frekvenserna i den skattade spektraltätheten och leder till att näraliggande frekvenser flyter samman. Huvudlobens bredd avtar med ökande N. sidlober förorsakar läckage av effekt från huvudloben till intilliggande frekvenser. Sidloberna ska vara så små som möjligt. upplösning är den noggrannhet med vilken två olika frekvenser kan separeras. Teoretiskt sett, kan inte frekvenser på avstånd mindre än 1/N separeras; i praktiken är upplösningen sämre. 10
14 Periodogrammets varians Ett allmänt uttryck för variansen är svårbestämt. Utifrån antagandet att signalen x(n) är normalfördelad, vit med mv noll och varians σ 2 v kan följande olustiga resultat härledas, Var [ˆP x (e jω ) ] P 2 x (ejω ) Periodogrammet är alltså inte en konsistent skattning av P x (e jω ) eftersom variansen inte går mot 0 då N. Följande två frågor är centrala i den följande beskrivningen av ickeparametriska metoder: Hur kan vi minska sidlobernas inverkan? Vad kan vi göra för att minska periodogrammets varians? 11
15 Modifierat periodogram Den ursprungliga skattningen är implicit baserad på ett rektangulärt fönster w R (n), dvs där ˆP x,per (e jω ) = 1 N w R (n) = N 1 n=0 x(n)w R (n)e jωn 1 0 n < N 0 för övrigt Val av andra fönstertyper kan minska sidlobernas inverkan (men samtidigt bredda huvudloben). Det modifierade periodogrammet ges av ˆP x,mod (e jω ) = 1 NU N 1 n=0 där normeringsfaktorn U ges av U = 1 N x(n)w(n)e jωn N 1 n=0 w(n)
16 Rektangulärt fönster 2 Rektangulärt fönster 0 Rektangulärt fönster magnitud i db k normerad frekvens 13
17 Exempel på fönster Nedan presenteras några av de vanligast förekommande fönstrena vid beräkning av det modifierade periodogrammet: Fönster Rektangulär w(k) = 1 Bartlett w(k) = (N k )/N Hanning w(k) =.5 +.5cos( πk N ) Hamming w(k) = cos( πk Blackman w(k) = cos( N 1 πk ) +.08cos( N 1 2πk ) Definition (N är fönsterlängd) N 1 ) 14
18 Fönster Bredd på Nivå på huvudlob (3dB) sidlob (db) Rektangulär 0.9 (2π/N) -13 Bartlett 1.3 (2π/N) -25 Hanning 1.4 (2π/N) -32 Hamming 1.3 (2π/N) -43 Blackman 1.7 (2π/N) -58
19 Exempel på fönster tidsutseende 1 Bartlettfönster 1 Hammingfönster k k 1 Hanningfönster 1 Blackmanfönster k k 15
20 Exempel på fönster frekvensegenskaper 0 Bartlettfönster 0 Hammingfönster magnitud i db magnitud i db normerad frekvens normerad frekvens 0 Hanningfönster 0 Blackmanfönster magnitud i db magnitud i db normerad frekvens normerad frekvens 16
21 Bartletts metod Denna metod minskar variansen hos periodogrammet genom att 1. segmentera signalen och 2. medelvärdesbilda alla enskilda periodogram, dvs följt av ˆP (i) x,per(e jω ) = 1 L ˆP x (e jω ) = 1 K L 1 n=0 K 1 n=0 x i (n)e jωn ˆP (i) x,per(e jω ) 2 Bartletts metod utgår vanligen från en signal med längden N som segmenteras i konsekutiva delsignaler, x i (n) = x(n + il) ; n = 0,..., L 1, i = 0,..., K 1 17
22 Bartletts metod 2 Det slutliga uttrycket för Bartlett-skattningen blir då där N = KL. ˆP B (e jω ) = 1 KL K 1 i=0 L 1 n=0 x(n + il)e jωn 2 Vi noterar att Var [ˆP x (e jω ) ] = 1 (i) Var[ˆP x,per(e jω ) ] 1 K K P2 x (ejω ) vilket innebär att skattningens varians går mot 0 då N och alltså är ˆP x (e jω ) en konsistent skattning. 18
23 Welchs metod...bygger vidare på de två föregående teknikerna genom att 1. segmentera signalen så att segmenten till viss del överlappar med varandra, 2. fönstra varje enskilt segment innan periodogrammet beräknas, och slutligen 3. medelvärdesbilda periodogrammen. Welch-skattningen definieras av: ˆP W (e jω ) = 1 KLU K 1 i=0 L 1 n=0 w(n)x(n + id)e jωn där D anger överlappningen mellan successiva segment. 2 19
24 Blackman-Tukeys metod Till skillnad från tidigare metoder utgår denna från fönstring av ˆr x (k) istället för direkt på x(n) och definieras av ˆP x,bt (e jω ) = M k= M ˆr x (k)w(k)e jωk Detta fönster beror på olika förskjutningar k hos ˆr x (k) istället för på tidssignalen och kallas därför laggfönster (istället för tidsfönster). Laggfönster måste ha en icke-negativ Fouriertransform, dvs W(e jω ) > 0 ω, för att inte producera en ofysikalisk (negativ) spektralskattning. Detta inses lättast i frekvensplanet, ˆP x,bt (e jω ) = 1 2π π π ˆP x,per (e ju )W(e j(ω u) )du dvs faltningen mellan ˆP x,per (e jω ) och W(e jω ). 20
25 Blackman-Tukeys metod, forts BT-skattningens bias bestäms av E [ˆP x,bt (e jω ) ] = 1 2π P x(e jω ) W(e jω ) och dess varians av Var [ˆP x,bt (e jω ) ] P 2 x(e jω ) 1 N M k= M och bär sig alltså i stora drag åt som Welchs metod. w 2 (k) 21
26 Slutsatser En spektralskattning kan ha lägre varians mot att dess upplösning försämras (dvs. ökad bias). Segmentering ger lägre varians men kortare signaler som resulterar i sämre spektral upplösning. 22
27 Tillämpning solfläckar 23
28 Solfläckar subtraktion av mv Följande exempel visar vikten av att subtrahera medelvärdet innan periodogrammet beräknas. Notera att toppen vid 0.11 Hz nu är betydligt mera framträdande efter DC subtraktion. 24
Beskrivning av signaler i frekvensdomänen - sammanfattning
Beskrivning av signaler i frekvensdomänen - sammanfattning Bengt Carlsson Systems and Control Dept of Information Technology, Uppsala University January 21, 2010 Abstract Detta material ger en sammanfattning
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 3 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merKap 10 - Modeller med störningar. Hur beskriva slumpmässiga störningar?
Kap 10 - Modeller med störningar Notera att Beskrivning av signaler i frekvensdomänen -sammanfattning ger en bakgrund till Kap 10 och 11. Huvudpunkter: Hur beskriva slumpmässiga störningar? Data insamlas
Läs merFöreläsning 1: Signaler, matriser och processer. Leif Sörnmo 28 augusti 2009
Föreläsning 1: Signaler, matriser och processer Leif Sörnmo 28 augusti 2009 1 Optimal Signalbehandling kontra Digital Signalbehandling? stokastisk modellering av signalen, metoddesign baserad på signalens
Läs merDIGITALA FILTER. Tillämpad Fysik Och Elektronik 1. Frekvensfunktioner FREKVENSSVAR FÖR ETT TIDSDISKRET SYSTEM. x(n)= Asin(Ωn)
DIGITALA FILTER TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 Frekvensfunktioner x(n)= Asin(Ωn) y(n) H(z) TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 2 FREKVENSSVAR FÖR ETT TIDSDISKRET SYSTEM
Läs merAnalys av egen tidsserie
Analys av egen tidsserie Tidsserieanalys Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo 9 december 25 3 25 Antal solfläckar 2 15 1 5 5 1 15 2 25 3 Månad Inledning Vi har valt att betrakta
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 6 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merVad gör vi när vi bara har en mätserie och ingen elegant matematisk funktion? Spektrum av en samplad signal. Trunkering i tiden
Vad gör vi när vi bara har en mätserie och ingen elegant matematisk funktion? 1 Spektrum av en samplad signal Samplingsprocessen kan skrivas som Fouriertranformen kan enligt linjäritetsoch tidsskiftsatsen
Läs merDT1130 Spektrala transformer Tentamen
DT Spektrala transformer Tentamen 72 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merDT1120/DT1130 Spektrala transformer Tentamen
DT/DT3 Spektrala transformer Tentamen 86 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merProjekt 1 (P1) Problembeskrivning och uppdragsspecifikation
Projekt 1 (P1) Problembeskrivning och uppdragsspecifikation Etapp 1 Problem med mätsignalen m.a.p. sampling, vikning och spektraltäthet Problembeskrivning Uppdragsgivaren överväger att skaffa nya A/D-omvandlare
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merDigitala filter. FIR Finit Impulse Response. Digitala filter. Digitala filter. Digitala filter
Digitala filter Digitala filter FIR Finit Impulse Response Digitala filter förekommer t.ex.: I Matlab, Photoshop oh andra PCprogramvaror som filtrerar. I apparater med signalproessorer, t.ex. mobiltelefoner,
Läs merTSRT62 Modellbygge & Simulering
TSRT62 Modellbygge & Simulering Föreläsning 4 Christian Lyzell Avdelningen för Reglerteknik Institutionen för Systemteknik Linköpings Universitet C. Lyzell (LiTH) TSRT62 Modellbygge & Simulering 2013 1
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 1768-1830 Fouriertransformen Transformerar kontinuerliga
Läs merHomework Three. Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo. 28 november Time series analysis
Homework Three Time series analysis Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo 28 november 25 1 Vi ska här analysera en datamängd som består av medeltemperaturen månadsvis i New York mellan
Läs merSpektralanalys - konsten att hitta frekvensinnehållet i en signal
Spektralanalys - konsten att hitta frekvensinnehållet i en signal Bengt Carlsson, Erik Gudmundson och Marcus Björk Systems and Control Dept. of Information Technology, Uppsala University 7 november 013
Läs merTSKS21 Signaler, Information och Bilder Lab 2: Digitalisering
TSKS21 Signaler, Information och Bilder Lab 2: Digitalisering Mikael Olofsson 8 februari 2017 Fyll i detta med bläckpenna Laborant Personnummer Datum Godkänd 1 1 Allmänt Denna laboration syftar till att
Läs merProjekt Spektralanalys med hjälp av den diskreta Fouriertransformen
Projekt Spektralanalys med hjälp av den diskreta Fouriertransformen Marcus Björk Forskare Signalbehandling Systemteknik (IT) Dept. of Information Technology, Division of f Systems and Control Översikt
Läs mer1. Vi har givet två impulssvar enligt nedan (pilen under sekvenserna indikerar den position där n=0) h 1 (n) = [ ]
TEKNISKA HÖGSKOLAN I LUND Institutionen för elektro- och informationsteknik Kurskod: ESS00 Tentamen i Digital Signalbehanding Datum: 0 5 Time period: 08.00 3.00 Bedömning: Sex uppgifter. Varje uppgift
Läs merTillämpad Fysik Och Elektronik 1
FREKVENSSPEKTRUM (FORTS) TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 ICKE-PERIODISKA FUNKTIONER Icke- periodiska funktioner kan betraktas som periodiska, med oändlig periodtid P. TILLÄMPAD FYSIK
Läs merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent
Läs merTentamen i ESS 010 Signaler och System E3 V-sektionen, 16 augusti 2005, kl 8.30 12.30
Tentamen i ESS 00 Signaler och System E3 V-sektionen, 6 augusti 2005, kl 8.30 2.30 Examinator: Mats Viberg Tentamen består av 5 uppgifter som vardera ger maximalt 0 p. För godkänd tentamen fordras ca 20
Läs merSpektrala Transformer
Spektrala Transformer Kurssammanfattning Fyra kärnkoncept Sampling Faltning Poler och nollställen Fouriertransform Koncept #1: Sampling En korrekt samplad signal kan rekonstrueras exakt, dvs ingen information
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 768-830 Fouriertransformen Transformerar kontinuerliga signaler
Läs merVad är spektralanalys? Spektralanalys. Frekvensinnehåll. Enkelt exempel
Vad är spektralanalys? Analys av frekvensinnehållet i en tidsserie/signal. Spektralanalys Erik Gudmundson Vad innebär Analys av frekvensinnehållet? Vad är en tidsserie/signal? Tidsserie: mätning av någon
Läs merTSDT15 Signaler och System
TSDT5 Signaler och System DATORUPPGIFTER VÅREN 03 OMGÅNG Mikael Olofsson, mikael@isy.liu.se Efter en förlaga av Lasse Alfredsson February, 03 Denna uppgiftsomgång behandlar faltning samt system- & signalanalys
Läs merVad gör vi när vi bara har en mätserie och ingen elegant matematisk funktion?
Vad gör vi när vi bara har en mätserie och ingen elegant matematisk funktion? 1 Ett problem med Fourier- och Laplacetransformen är att de kräver att signalen som skall transformeras kan skrivas som en
Läs merF10 Problemlösning och mer om konfidensintervall
1/13 F10 Problemlösning och mer om konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 22/2 2013 2/13 Dagens föreläsning Problemlösning Skattningar Konfidensintervall
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merUlrik Söderström 20 Jan Signaler & Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 20 Jan 2009 Signaler & Signalanalys Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs mer( ), så kan du lika gärna skriva H ( ω )! ( ) eftersom boken går igenom laplacetransformen före
Några allmänna kommentarer gällande flera av lösningarna: Genomgående används kausala signaler och kausala system, vilket innebär att det är den enkelsidiga laplacetransformen som används. Bokens författare
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merUlrik Söderström 19 Jan Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 9 Jan 200 Signaler & Signalanalys l Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs merSpektrala Transformer
Spektrala Transformer Tidsdiskreta signaler, kvantisering & sampling Tidsdiskreta signaler Tidskontinuerlig signal Ex: x(t) = sin(ωt) t är ett reellt tal ω har enheten rad/s Tidsdiskret signal Ex: x(n)
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 5 Tentamen består av fem uppgifter där varje uppgift maximalt ger p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merFacit till Signal- och bildbehandling TSBB
Facit till Signal- och bildbehandling TSBB3 6-5-3 Maria Magnusson Seger, maria@isy.liu.se Kontinuerlig faltning (9p) a) Faltningsoperationen illustreras i figuren nedan. et gäller att x(t λ) e 4(t λ) u(t
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merTentamen ssy080 Transformer, Signaler och System, D3
Tentamen ssy080 Transformer, Signaler och System, D3 Examinator: Ants R. Silberberg oktober 009 kl. 4.00-8.00 lokal: Johanneberg Förfrågningar: Ants Silberberg, tel. 808 Lösningar: Anslås torsdag okt.
Läs merTentamen ssy080 Transformer, Signaler och System, D3
Tentamen ssy080 Transformer, Signaler och System, D3 Examinator: Ants R. Silberberg 19 oktober 2011 kl. 08.30-12.30 sal: Hörsalsvägen Förfrågningar: Ants Silberberg, tel. 1808 Lösningar: Anslås torsdag
Läs merSignal- och Bildbehandling, TSBB14. Laboration 2: Sampling och rekonstruktion. DFT.
Signal- och Bildbehandling, TSBB4 Laboration : Sampling och rekonstruktion. DFT. Maria Magnusson, 7-8 Avdelningen för Datorseende, Institutionen för Systemteknik, Linköpings Universitet Laboration. Förberedelser
Läs meri(t) C i(t) = dq(t) dt = C dy(t) dt y(t) + (4)
2 Andra lektionen 2. Impulssvar 2.. En liten krets Beräkna impulssvaret för kretsen i figur genom att beräkna hur y(t) beror av x(t). R x(t) i(t) C y(t) Figur : Första ordningens lågpassfilter. Utsignalen
Läs merFöreläsning 1: Inledning till Digital signalbehandling i audio & video. Leif Sörnmo 11 mars 2009
Föreläsning 1: Inledning till Digital signalbehandling i audio & video Leif Sörnmo 11 mars 2009 1 Schema Föreläsningar: Måndag 10.15 12.00 i sal E:2311 Fredag 08.15 10.00 i sal E:2311 Övningar: Tisdag
Läs merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 I Punktskattningar I Egenskaper I Väntevärdesriktig I E ektiv I Konsistent
Läs merFormler och Tabeller. Digital signalbehandling
Institutionen för elektro- och informationsteknik Formler och Tabeller Digital signalbehandling Bengt Mandersson Lund 0 Department of Electrical and Information Technology, Lund University, Sweden Innehåll
Läs merEXEMPEL 1: ARTVARIATION FÖRELÄSNING 1. EEG frekvensanalys EXEMPEL 2: EEG
FÖRELÄSNING EXEMPEL : ARTVARIATION Kurs- och transform-översikt. Kursintroduktion med typiska signalbehandlingsproblem och kapitelöversikt. Rep av transformer 3. Rep av aliaseffekten Givet: data med antal
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merKapitel 9 Egenskaper hos punktskattare
Sannolikhetslära och inferens II Kapitel 9 Egenskaper hos punktskattare 1 Egenskaper hos punktskattare En skattare är en funktion av stickprovet och således en slumpvariabel. En bedömning av kvaliteten
Läs merProjekt Spektralanalys med hjälp av den diskreta Fouriertransformen
Projekt Spektralanalys med hjälp av den diskreta Fouriertransformen Marcus Björk Doktorand i Signalbehandling, Systemteknik (IT) Översikt Kort om projektet Vad är spektralanalys? Koppling till Transformmetoder
Läs merTIDSDISKRETA SYSTEM SYSTEMEGENSKAPER. Minne Kausalitet Tidsinvarians. Linjäritet Inverterbarhet Stabilitet. System. Tillämpad Fysik och Elektronik 1
TIDSDISKRETA SYSTEM TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 SYSTEMEGENSKAPER x[n] System y[n] Minne Kausalitet Tidsinvarians Linjäritet Inverterbarhet Stabilitet TILLÄMPAD FYSIK OCH ELEKTRONIK,
Läs mer10. Konfidensintervall vid två oberoende stickprov
TNG006 F0-05-06 Konfidensintervall för linjärkombinationer 0. Konfidensintervall vid två oberoende stikprov Antag att X, X,..., X m är ett stikprov på N(µ, σ ) oh att Y, Y,..., Y n är ett stikprov på N(µ,
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merSyntes av digitala filter
Kapitel 8 Syntes av digitala filter 8. Digitala filter I kapitel 7 hade vi sambandet (7.8) för ett linjärt system, enligt vilket utsignalens z-transform är insignalens transform multiplicerad med systemets
Läs merTeori... SME118 - Mätteknik & Signalbehandling SME118. Johan Carlson 2. Teori... Dagens meny
Tidigare har vi gått igenom Fourierserierepresentation av periodiska signaler och Fouriertransform av icke-periodiska signaler. Fourierserierepresentationen av x(t) ges av: där a k = 1 T + T a k e jkω
Läs merLösningar till Övningsuppgifter
Lösningar till Övningsuppgifter Digital Signal Processing Övningar med svar och lösningar Mikael Swartling Nedelko Grbic Bengt Mandersson rev. 07 Department of Electrical and Information Technology Lund
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 15-18, 30/11-12/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp ES, gyl, Q, W 0-0-9 Sammanfattning av föreläsningarna 5-8, 30/ - / 0. Z-transformen ska avslutas och sedan blir det tentaförberedelser.
Läs merProjekt Spektralanalys med hjälp av den diskreta Fouriertransformen. Marcus Björk Doktorand i Signalbehandling, Systemteknik (IT)
Projekt Spektralanalys med hjälp av den diskreta Fouriertransformen Marcus Björk Doktorand i Signalbehandling, Systemteknik (IT) Vad är spektralanalys? Analys av frekvensinnehållet i en tidsserie/signal.
Läs merIntroduktion Digitala filter. Filter. Staffan Grundberg. 12 maj 2016
12 maj 216 Innehåll Introduktion Första ordningens system Andra ordningens system Fördröjning Allmänt om filter Butterworthfilter Första ordningens system Andra ordningens system Fördröjning Allmänt om
Läs merTentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl
Tentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl 8.30-12.30 Examinatorer: Lars Hammarstrand och Thomas Wernstål Tentamen består av två delar (Del I och Del II) på sammanlagt
Läs merSvängningar och frekvenser
Svängningar och frekvenser Vågekvationen för böjvågor Vågekvationen för böjvågor i balkar såväl som plattor härleds med hjälp av elastiska linjens ekvation. Den skiljer sig från de ovanstående genom att
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merSignal- och bildbehandling TSBB14
Tentamen i Signal- och bildbehandling TSBB Tid: 3-5-3 Lokaler: TER Ansvarig lärare: Maria Magnusson besöker lokalen kl. 8.5 och.3 tel 73-8 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling, OH-film,
Läs merKompletterande material till föreläsning 5 TSDT08 Signaler och System I. Erik G. Larsson LiU/ISY/Kommunikationssystem
ompletterande material till föreläsning 5 TSDT8 Signaler och System I Erik G. Larsson LiU/ISY/ommunikationssystem erik.larsson@isy.liu.se November 8 5.1. Första och andra ordningens tidskontinuerliga LTI
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)
SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012
Läs merMer om konfidensintervall + repetition
1/14 Mer om konfidensintervall + repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 23/2 2011 2/14 Dagens föreläsning Skattningar som slumpvariabler Väntevärde Varians
Läs merAMatematiska institutionen avd matematisk statistik
Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar
Läs merFlerdimensionell signalbehandling SMS022
Luleå tekniska universitet Avd för signalbehandling Frank Sjöberg Flerdimensionell signalbehandling SMS022 Laboration 4 Array Processing Syfte: Syftet med den här laborationen är att få grundläggande förståelese
Läs merIntroduktion till statistik för statsvetare
Stockholms universitet September 2011 Balanseringspunkt Låt oss betrakta mätserie 4 för vilken vi antar att mätdata är längder hos rekryter. En strukturell kunskap om dessa längder är av betydelse vid
Läs merTillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder
Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga smetoder Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-11 Några övriga smetoder OSU-UÅ (med eller utan stratifiering) förutsätter
Läs merKonvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
Läs merSignaler & Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se Jan 8 Signaler & Signalanals Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt enkla
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merKompletterande räkneuppgifter i Spektrala Transformer Komplex analys, sampling, kvantisering, serier och filter Laura Enflo & Giampiero Salvi
Kompletterande räkneuppgifter i Spektrala Transformer Komplex analys, sampling, kvantisering, serier och filter & Giampiero Salvi Komplex analys Om man endast använder den reella tallinjen är det inte
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merFörstärkning Large Signal Voltage Gain A VOL här uttryckt som 8.0 V/μV. Lägg märke till att förstärkningen är beroende av belastningsresistans.
Föreläsning 3 20071105 Lambda CEL205 Analoga System Genomgång av operationsförstärkarens egenskaper. Utdelat material: Några sidor ur datablad för LT1014 LT1013. Sidorna 1,2,3 och 8. Hela dokumentet (
Läs merSignal- och bildbehandling TSBB14
Tentamen i Signal- och bildbehandling TSBB Tid: --, kl. - Lokaler: U, U, U Ansvarig lärare: Maria Magnusson besöker lokalen kl.. och. tel. Hjälpmedel: Räknedosa, medskickad formelsamling, OH-film, sa och
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merÖvningsuppgifter. Digital Signal Processing. Övningar med svar och lösningar. Mikael Swartling Nedelko Grbic Bengt Mandersson. rev.
Övningsuppgifter Digital Signal Processing Övningar med svar och lösningar Mikael Swartling Nedelko Grbic Bengt Mandersson rev. 17 Department of Electrical and Information Technology Lund University Introduktion
Läs merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs merResttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19
Resttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19 Tillåtna hjälpmedel: Valfri miniräknare (utan möjlighet till trådlös kommunkation). Valfri litteratur, inkl. kursböcker, formelsamlingar.
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merJesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014
Föreläsning 1. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper@math.uu.se Tillämpad statistik 1MS026 vt 2014 Varför tillämpad statistik? Användningsområden i medicin, naturvetenskap
Läs merSignal- och bildbehandling TSBB03
Tentamen i Signal- och bildbehandling TSBB3 Tid: 28-5-29 kl. 8-2 Lokal: TER2 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 9. och.4 tel 73-84 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merDT1120 Spektrala transformer för Media Tentamen
DT Spektrala transformer för Media Tentamen 77 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: 3:9 p, 4: 3 p, 5: 7 p Tillåtna hjälpmedel: räknare,
Läs merRÄKNEEXEMPEL FÖRELÄSNINGAR Signaler&System del 2
t 1) En tidskontinuerlig signal x( t) = e 106 u( t) samplas med sampelperioden 1 µs, varefter signalen trunkeras till 5 sampel. Den så erhållna signalen får utgöra insignal till ett tidsdiskret LTI-system
Läs mer7. Sampling och rekonstruktion av signaler
Arbetsmaterial 5, Signaler&System I, VT04/E.P. 7. Sampling och rekonstruktion av signaler (Se också Hj 8.1 3, OW 7.1 2) 7.1 Sampling och fouriertransformering Man säger att man samplar en signal x(t) vid
Läs merTransformer i sannolikhetsteori
Transformer i sannolikhetsteori Joakim Lübeck 28-11-13 För dig som läst eller läser sannolikhetsteori (fram till och med normalfördelningen) och läst eller läser system och transformer (till och med fouriertransform)
Läs mer1. Låt kommutatorn verka på en vågfunktion och inför att ˆp x = i h d. d2 (xψ(x)) ) = h 2 (x d2 Ψ(x) = i2 hˆp x Ψ(x) [ev] E n = 13, 6 Z2 n 2
SVAR OCH LÖSNINGSANVISNINGAR TLLL TENTAMEN I KVANTFYSIK del för F5A450 och B5A och 5A4och KVANTMEKANIK 5A0 Måndagen den december 004 kl. 8.00 -.00 HJÄLPMEDEL: Formelsamling till kurserna i Fysikens matematiska
Läs merLUNDS TEKNISKA HÖGSKOLA Inst. för Elektro- och Informationsteknik
LUNDS TEKNISKA HÖGSKOLA Inst. för Elektro- och Informationsteknik Tentamen 015-06-05 SIGNALBEHANDLING I MULTIMEDIA, ETI65 Tid: 14.00 19.00 Sal: MA:10, C-J Hjälpmedel: Miniräknare, formelsamling i signalbehandling
Läs merReglerteori. Föreläsning 3. Torkel Glad
Reglerteori. Föreläsning 3 Torkel Glad Föreläsning 1 Torkel Glad Januari 2018 2 Sammanfattning av föreläsning 2 Det mesta av teorin för envariabla linjära system generaliseras lätt till ervariabla (era
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs mer3 Maximum Likelihoodestimering
Lund Universitet med Lund Tekniska Högskola Finansiell Statistik Matematikcentrum, Matematisk Statistik VT 2006 Parameterestimation och linjär tidsserieanalys Denna laborationen ger en introduktion till
Läs merSignal- och Bildbehandling, TSBB14. Laboration 2: Sampling och Tidsdiskreta signaler
Signal- och Bildbehandling, TSBB14 Laboration 2: Sampling och Tidsdiskreta signaler Anders Gustavsson 1997, Maria Magnusson 1998-2013 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merLaboration 2 - Modulering I denna laboration skall vi
Björn Ekenstam 19/9 2003 Telekommunikation TDV hösten 2003 Laboration 2 - Modulering I denna laboration skall vi Tillämpa MATLAB för att studera några olika Digitalt modulerade signaler Visa dessa signaler
Läs mer