Ψηφιακή Επεξεργασία Σήματος Coursework
|
|
- ÊÊΔιομήδης Παπαδάκης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Ψηφιακή Επεξεργασία Σήματος Coursework Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 Τούμπας Κωνσταντίνος η Μαρτίου, 2013
2 1 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Περιεχόμενα Πίνακας Σχημάτων... 2 Μέρος Ι... 3 Φασματικό Περιεχόμενο... 3 Butterworth... 4 Μέρος ΙΙ... 6 Moving Average (MA)... 6 Auto-Regressive (AR)... 8 Auto-Regressive Moving Average (ARMA) Διαδικασία με μέσο EEG Σχολιασμός και Ταξινόμηση Μοντέλων Επίλογος
3 2 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Πίνακας Σχημάτων Figure 1 EOG Spectrum... 3 Figure 2 EEG Spectrum... 4 Figure 3 Butterworth Filter Spectrum... 5 Figure 4 Estimated EEG Spectrum... 6 Figure 5 MA Impulse Response... 7 Figure 6 MA MSE... 7 Figure 7 AR EEG Estimated output... 8 Figure 8 AR Impulse Response... 9 Figure 9 AR MSE... 9 Figure 10 ARMA EEG Estimated Output Figure 11 ARMA Impulse Response Figure 12 ARMA MSE Figure 13 Mean, EEG, MA, AR, ARMA Estimated Output Figure 14 ΜΑ, AR, ARMA Error Figure 15 ΜΑ, ARMA Error
4 3 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Μέρος Ι Φασματικό Περιεχόμενο Ο αριθμός δειγμάτων είναι 2500 και η συχνότητα δειγματοληψίας 250Hz. Στο Fig.1 απεικονίζεται το φάσμα του EOG που είναι η πρώτη γραμμή του eeg.mat αρχείου. Figure 1 EOG Spectrum 3
5 4 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Παρακάτω ακολουθούν σε ένα ενιαίο plot (Fig.2) τα φασματικά περιεχόμενα των 127 EEG σημάτων. Figure 2 EEG Spectrum Παρατηρούμε ότι τα φασματικά περιεχόμενα και στα δύο σήματα συγκεντρώνεται κυρίως στο εύρος συχνοτήτων [ ], πάρα πολύ κοντά στο μηδέν, και πως η απόσβεση πραγματοποιείται πολύ γρήγορα. Για να απομακρύνουμε τις χαμηλές συχνότητες που δεν περιέχουν ουσιαστικό περιεχόμενο, εφαρμόζουμε ένα χαμηλοπερατό φίλτρο γύρω από αυτό το εύρος συχνοτήτων. Butterworth Η κεντρική συχνότητα στα EEG είναι στο οπότε με ένα βαθυπερατό Butterworth φίλτρο με passband και stopband , διατηρώντας την τάξη του φίλτρου σε χαμηλά επίπεδα και ίση με 9, και παράλληλα κρατώντας την κεντρική συχνότητα που θέλουμε. Με αυτόν τον 4
6 5 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς τρόπο έχουμε ένα οικονομικό στην κατασκευή φίλτρο. Το φασματικό περιεχόμενο του φίλτρου καθώς και η φάση του απεικονίζονται στο Fig. 3 Figure 3 Butterworth Filter Spectrum 5
7 6 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Μέρος ΙΙ Moving Average (MA) Η διαδικασία Moving Average περιγράφεται από τον ακόλουθο τύπο: Q y[ n] b[ k] x[ n k]. k 0 Ως είσοδο Χ θεωρούμε το ΕOG σήμα και ως έξοδο τα EEG. Το Q στη δικιά μας περίπτωση παίρνει τιμές στο εύρος [2 10]. Για να υπολογιστούν οι συντελεστές αυτού του φίλτρου πρέπει να γίνει η επίλυση ως προς b(k). Χρησιμοποιείται ο ακόλουθος τύπος: b = toeplitz(x(1, :), [x(1,1) zeros(1, Q)])\eeg'; Με είσοδο το EOG και έξοδο το EEG υπολογίζουμε τους συντελεστές b για να εξάγουμε την εκτιμώμενη έξοδο. Στο Fig. 4 βλέπουμε με μπλε το φάσμα της εκτιμώμενης εξόδου, ενώ με μαύρο το αρχικό σήμα EEG για το πρώτο EEG. Fig. 4 MA EEG estimated output Figure 4 Estimated EEG Spectrum Υπολογίζοντας για κάθε σήμα EEG τους συντελεστές b, μπορούμε να πάρουμε την τυπική απόκλιση του συνόλου των συντελεστών. Για Q=10, προσθέτοντας και αφαιρώντας την τυπική απόκλιση από τη μέση τιμή 6
8 7 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς των συντελεστών, ορίζονται τα όρια της γκρι περιοχής όπως φαίνεται στο Fig. 5. Figure 5 MA Impulse Response Τέλος, στο Fig. 6 απεικονίζεται σε ένα ενιαίο διάγραμμα το μέσο τετραγωνικό σφάλμα που υπάρχει μεταξύ του εκτιμώμενου και του πραγματικού EEG για όλα τα διαφορετικά Q. Όπως φαίνεται, δεν είναι εύκολο να ξεχωρίσουμε τις τιμές του Q καθώς τα σφάλματα είναι πολύ κοντά μεταξύ τους, δημιουργώντας ένα σχεδόν ταυτόσημο διάγραμμα. Figure 6 MA MSE 7
9 8 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Auto-Regressive (AR) Η διαδικασία Auto-Regressive περιγράφεται από τον ακόλουθο τύπο: P y[ n] x[ n] a[ k] y[ n k]. k 1 Καθώς το άθροισμα έχει ως αρχική τιμή p=1, έχουμε άθροισμά μέχρι 11. Για τον υπολογισμό των συντελεστών χρησιμοποιούμε αυτή τη φορά τους τύπους: Y = toeplitz([0 ; x(i+1,1:length(x)-1)'], [zeros(1, P )]); a(:,i) = (Y \ (x(1,:) - x(i+1,:))'); Το μηδέν προστίθεται στην πρώτη γραμμή του πίνακα για να μετατοπιστούν τα δεδομένα του μια γραμμή προς τα κάτω. Με είσοδο το EOG και έξοδο το EEG υπολογίζουμε τους συντελεστές a και στη συνέχεια χρησιμοποιούμε τη συνάρτηση filter(1, a(:, 1), x(1,:)); για να εξάγουμε την εκτιμώμενη έξοδο. Λειτουργώντας με τον ίδιο τρόπο όπως και στο μοντέλο MA, εξάγουμε τα αποτελέσματα της εκτιμώμενης εξόδου αλλά και της σχέσης τυπική απόκλιση-μέση τιμή συντελεστών και απεικονίζονται στα Fig. 7-9 αντίστοιχα. Figure 7 AR EEG Estimated output 8
10 9 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Figure 8 AR Impulse Response Figure 9 AR MSE 9
11 10 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Auto-Regressive Moving Average (ARMA) Η διαδικασία Auto-Regressive περιγράφεται από τον ακόλουθο τύπο: P. y[ n] a[ k] y[ n k] b[ k] x[ n k] Q k 1 k 0 Αποτελεί στην ουσία ένα συνδυασμό των δυο παραπάνω μοντέλων, οπότε οι συντελεστές a και b είναι αυτοί που υπολογίστηκαν στην υλοποίηση των δυο παραπάνω μοντέλων. Με είσοδο το EOG και έξοδο το EEG υπολογίζουμε τους συντελεστές a και στη συνέχεια χρησιμοποιούμε τη συνάρτηση -filter(b(:, i), a(:, i), eog); για να εξάγουμε την εκτιμώμενη έξοδο. Χρησιμοποιούμε ως P και Q τις τιμές 11 και 10 αντίστοιχα. Όπως και στα προηγούμενα δύο μοντέλα, MA και AR, έτσι και σε αυτό εκτελούνται οι κατάλληλες συναρτήσεις για την εξαγωγή των μετρικών που ζητούνται. Στα Fig απεικονίζονται το φάσμα εκτιμώμενης και πραγματικής εξόδου, η κρουστική απόκριση του ARMA και το μέσο τετραγωνικό σφάλμα (MSE). Figure 10 ARMA EEG Estimated Output 10
12 11 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Figure 11 ARMA Impulse Response Figure 12 ARMA MSE 11
13 12 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Διαδικασία με μέσο EEG Οι βέλτιστες τιμές των q,p στις παραπάνω διαδικασίες (MA,AR,ARMA) προκύπτουν ως εξής: Για τις παραπάνω τιμές, λαμβάνοντας στο σύστημα ως είσοδο το EOG[1,n] και ως έξοδο το μέσο EEG[n] των 127 σημάτων EEG που δίνονται. Στα παρακάτω αποτελέσματα, με μπλε χρώμα απεικονίζεται το μέσο EEG, με μαύρο απεικονίζεται η εκτιμώμενη έξοδος με χρήση του μοντέλου MA, με κόκκινο η εκτιμώμενη έξοδος με χρήση του μοντέλου AR και με πράσινο η εκτιμώμενη έξοδος του μοντέλου ARMA. Figure 13 Mean, EEG, MA, AR, ARMA Estimated Output Το σφάλμα που προέκυψε από την κάθε μία παραπάνω διαδικασία (MA, AR, ARMA) σε σχέση με το μέσο EEG απεικονίζεται συνδυαστικά στο παρακάτω διάγραμμα, όπου με μαύρο απεικονίζεται το σφάλμα που α- 12
14 13 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς ντιστοιχεί στο MA μοντέλο, με κόκκινο στο AR μοντέλο και με πράσινο στο ARMA μοντέλο. Figure 14 ΜΑ, AR, ARMA Error Καθώς φαίνεται ότι τα MA και ARMA μοντέλα εμφανίζουν τα χαμηλότερα σφάλματα όταν δίνεται ως έξοδος το μέσο EEG, κρίνεται σκόπιμο να α- πεικονιστούν συγκριτικά μεταξύ τους. 13
15 14 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Figure 15 ΜΑ, ARMA Error 14
16 15 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Σχολιασμός και Ταξινόμηση Μοντέλων Από τα μεμονωμένα Mean Squared Error (MSE) που βρήκαμε στις παραπάνω παραγράφους, βλέπουμε ότι μοντέλα που κάνουν την καλύτερη προσέγγιση είναι τα AR και ARMA. Σύμφωνα με μελέτες, έχει αποδειχθεί ότι όντως αυτό ισχύει και μάλιστα το μοντέλο AR παρουσιάζει καλύτερα αποτελέσματα στο μεγαλύτερο ποσοστό των μετρήσεων. Για EEG που αποτελείται από 900 segments, παρατηρήθηκε ότι το μοντέλο AR αναπαριστά επαρκώς το 96& αυτών των segments, ενώ το ARMA το 78% 1. Παρόλα αυτά, υπολογίζοντας τη μέση τιμή των EEG σημάτων, παρατηρούμε από το παρακάτω διάγραμμα ότι το AR εμφανίζει μεγαλύτερο τετραγωνικό σφάλμα. Σύμφωνα λοιπόν με τα αποτελέσματα που εμφανίζονται στην τελευταία παράγραφο, το καλύτερο μοντέλο, όλος παραδόξως, είναι το Moving Average. Συμπεραίνουμε λοιπόν ότι με τη διαδικασία της εκτίμησης του μέσου όρου των σημάτων και όχι κάθε σήματος μεμονωμένα, τα αποτελέσματα επηρεάζονται σε τεράστιο βαθμό και καθίστανται μη αντιπροσωπευτικά. Το γεγονός αυτό ενισχύει την ανάγκη περισσότερων segments καθώς και τονίζει το γεγονός ότι να μην έχουμε στη διάθεσή μας αντιπροσωπευτικά δείγματα. Επίσης, πολύ σημαντικό ρόλο στην όλη διαδικασία, παίζει και το τμήμα του εγκεφάλου στο οποίο γίνονται οι μετρήσεις, δεδομένο το οποίο δεν γνωρίζουμε στην παρούσα κατάσταση
17 16 Ψ η φ ι α κ ή Ε π ε ξ ε ρ γ α σ ί α Σ ή μ α τ ο ς Επίλογος Ευελπιστούμε μέσα από την περιεκτική αναφορά, να κατατοπίσαμε τον αναγνώστη επαρκώς, ώστε να κατανοήσει σε ακόμη περισσότερο βάθος τον τρόπο με τον οποίο εκμεταλλευόμαστε συγκεκριμένες τεχνικές της Ψηφιακής Επεξεργασίας Σήματος στην καθημερινή μας ζωή, με την ταυτόχρονη πάντα χρήση υπολογιστικών συστημάτων. Ευχαριστούμε πολύ για την ανάγνωση. Κιντσάκης Αθανάσιος Μόσχογλου Στυλιανός Τούμπας Κωνσταντίνος 16
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 13: Ανάλυση ΓΧΑ συστημάτων (Ι) Περιγραφές ΓΧΑ συστημάτων Έχουμε δει τις παρακάτω πλήρεις περιγραφές ΓΧΑ συστημάτων: 1. Κρυστική απόκριση (impulse
Διαβάστε περισσότεραΠ Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α
Α Ρ Χ Α Ι Α Ι Σ Τ Ο Ρ Ι Α Π Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α Σ η µ ε ί ω σ η : σ υ ν ά δ ε λ φ ο ι, ν α µ ο υ σ υ γ χ ω ρ ή σ ε τ ε τ ο γ ρ ή γ ο ρ ο κ α ι α τ η µ έ λ η τ ο ύ
Διαβάστε περισσότεραΣχεδιασμός Φίλτρων. Κυριακίδης Ιωάννης 2011
Σχεδιασμός Φίλτρων Κυριακίδης Ιωάννης 2011 Εισαγωγή Τα φίλτρα IIR (Infinite Impulse Response) είναι φίλτρα των οποίων η κρουστική απόκριση δεν είναι πεπερασμένη. Συνήθως χρησιμοποιούνται οι παρακάτω τρείς
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
Διαβάστε περισσότεραstopband Passband stopband H L H ( e h L (n) = 1 π = 1 h L (n) = sin ω cn
Πανεπιστημιο Κυπρου Τμημα Ηλεκτρολογων Μηχανικων και Μηχανικων Υπολογιστων ΗΜΥ 22: Σηματα και Συστηματα για Μηχανικους Υπολογιστων Κεφάλαιο 7: Σχεδιασμός Φίλτρων!"#!"#! "#$% Σημειώσεις διαλέξεων στο: http://www.eg.ucy.ac.cy/chadcha/
Διαβάστε περισσότεραΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΟΣ ΑΣΚΗΣΗ 5
ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΟΣ ΑΣΚΗΣΗ 5 Α. Σχεδίαση Ψηφιακών Φίλτρων Β. Φίλτρα FIR Σχετικές εντολές του Matlab: fir, sinc, freqz, boxcar, triang, hanning, hamming, blackman, impz, zplane, kaiser. Α. ΣΧΕΔΙΑΣΗ
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Χωρικά φίλτρα Χωρικά φίλτρα Γενικά Σε αντίθεση με τις σημειακές πράξεις και μετασχηματισμούς, στα
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ
Σχολή Οικονομίας Διοίκησης και Πληροφορικής Τμήμα Πληροφορικής και Τηλεπικοινωνιών ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ Αρχές Τηλ/ων Συστημάτων Εργαστήριο 7 ο : Δειγματοληψία και Ανασύσταση Βασική
Διαβάστε περισσότεραΤ.Ε.Ι. Λαμίας Τμήμα Ηλεκτρονικής
Τ.Ε.Ι. Λαμίας Τμήμα Ηλεκτρονικής Σχεδίαση Φίλτρων IIR ( Infinite Impulse Response Filters ) Μπαρμπάκος Δημήτριος Τζούτζης Έλτον-Αντώνιος Τα φίλτρα άπειρης κρουστικής απόκρισης ( Infinite Duration Impulse
Διαβάστε περισσότεραΑναγνώριση Προτύπων Εργασία 2η Clustering
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Αναγνώριση Προτύπων Εργασία 2η Clustering Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 18 Ιανουαρίου, 2013
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση
Διαβάστε περισσότερα1) Να σχεδιαστούν στο matlab οι γραφικές παραστάσεις των παρακάτω ακολουθιών στο διάστημα, χρησιμοποιώντας τις συναρτήσεις delta και step.
1) Να σχεδιαστούν στο matlab οι γραφικές παραστάσεις των παρακάτω ακολουθιών στο διάστημα, χρησιμοποιώντας τις συναρτήσεις delta και step. Α) Β) Ε) F) G) H) Ι) 2) Αν το διακριτό σήμα x(n) είναι όπως στην
Διαβάστε περισσότεραΔιάλεξη 10. Σχεδιασμός Φίλτρων. Κεφ. 7.0-7.2. Φίλτρο Διαφοροποιεί το φάσμα ενός σήματος Π.χ. αφήνει να περάσουν ή σταματά κάποιες συχνότητες
University of Cyprus Biomedical Imaging & Applied Optics Διάλεξη 10 Κεφ. 7.0-7.2 Φίλτρο Διαφοροποιεί το φάσμα ενός σήματος Π.χ. αφήνει να περάσουν ή σταματά κάποιες συχνότητες Σχεδιασμός Φίλτρου Καθορίζονται
Διαβάστε περισσότεραΠΕΙΡΑΜΑΤΙΚΕΣ ΠΡΟΣΟΜΟΙΩΣΕΙΣ ΚΕΦΑΛΑΙΟ 4. είναι η πραγματική απόκριση του j δεδομένου (εκπαίδευσης ή ελέγχου) και y ˆ j
Πειραματικές Προσομοιώσεις ΚΕΦΑΛΑΙΟ 4 Όλες οι προσομοιώσεις έγιναν σε περιβάλλον Matlab. Για την υλοποίηση της μεθόδου ε-svm χρησιμοποιήθηκε το λογισμικό SVM-KM που αναπτύχθηκε στο Ecole d Ingenieur(e)s
Διαβάστε περισσότεραΘ.Ε. ΠΛΗ22 ( ) 2η Γραπτή Εργασία
Θ.Ε. ΠΛΗ22 (2012-13) 2η Γραπτή Εργασία Στόχος: Η 2 η εργασία αποσκοπεί στην κατανόηση των συστατικών στοιχείων των αναλογικών διαμορφώσεων, της δειγματοληψίας, και της μετατροπής του αναλογικού σήματος
Διαβάστε περισσότεραΤεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανολογίας
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανολογίας Μετρήσεις Τεχνικών Μεγεθών Τελική Εξέταση Ι (Ιουνίου Εαρινό Εξάμηνο 9 Πρόβλημα Α Ένας μηχανικός, με βάση τις μετρήσεις
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότερα20-Μαρ-2009 ΗΜΥ 429. Προηγμένες τεχνικές DSP
20-Μαρ-2009 ΗΜΥ 429 Προηγμένες τεχνικές DSP 1 Μετατροπή συχνότητας δειγματοληψίας: Πολυρυθμική επεξεργασία (multirate processing) 20-Μαρ-2009 Τεχνική για αποδοτική αλλαγή της συχνότητας δειγματοληψίας,
Διαβάστε περισσότεραVLSI Φυσικό Σχέδιο Συγκριτή
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ VLSI Φυσικό Σχέδιο Συγκριτή Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 Ομάδα 10 29η Ιανουαρίου, 2013 Επιβλέπων:
Διαβάστε περισσότεραΤΟ ΜΑΥΡΟ ΚΟΥΤΙ. 1. Το περιεχόμενο του μαύρου κουτιού. 2. Είσοδος: σήματα (κυματομορφές) διέγερσης 3. Έξοδος: απόκριση. (απλά ηλεκτρικά στοιχεία)
ΤΟ ΜΑΥΡΟ ΚΟΥΤΙ Είσοδος ΜΑΥΡΟ ΚΟΥΤΙ Έξοδος 1. Το περιεχόμενο του μαύρου κουτιού (απλά ηλεκτρικά στοιχεία) 2. Είσοδος: σήματα (κυματομορφές) διέγερσης 3. Έξοδος: απόκριση 2019Κ1-1 ΚΥΜΑΤΟΜΟΡΦΕΣ 2019Κ1-2 ΤΙ
Διαβάστε περισσότεραΙατρικά Ηλεκτρονικά. Χρήσιμοι Σύνδεσμοι. ΙΑΤΡΙΚΑ ΗΛΕΚΤΡΟΝΙΚΑ - ΔΙΑΛΕΞΗ 5α. Σημειώσεις μαθήματος: E mail:
Ιατρικά Ηλεκτρονικά Δρ. Π. Ασβεστάς Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε Χρήσιμοι Σύνδεσμοι Σημειώσεις μαθήματος: http://medisp.bme.teiath.gr/eclass/courses/tio127/ E mail: pasv@teiath.gr 2 1 Περιοδικά
Διαβάστε περισσότεραΧρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA
Χρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΑναγνώριση Προτύπων Εργασία 1η Classification
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Αναγνώριση Προτύπων Εργασία 1η Classification Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 30 Νοεμβρίου,
Διαβάστε περισσότεραΕισαγωγή. Προχωρημένα Θέματα Τηλεπικοινωνιών. Ανάκτηση Χρονισμού. Τρόποι Συγχρονισμού Συμβόλων. Συγχρονισμός Συμβόλων. t mt
Προχωρημένα Θέματα Τηλεπικοινωνιών Συγχρονισμός Συμβόλων Εισαγωγή Σε ένα ψηφιακό τηλεπικοινωνιακό σύστημα, η έξοδος του φίλτρου λήψης είναι μια κυματομορφή συνεχούς χρόνου y( an x( t n ) n( n x( είναι
Διαβάστε περισσότεραx[n] = e u[n 1] 4 x[n] = u[n 1] 4 X(z) = z 1 H(z) = (1 0.5z 1 )(1 + 4z 2 ) z 2 (βʹ) H(z) = H min (z)h lin (z) 4 z 1 1 z 1 (z 1 4 )(z 1) (1)
Ασκήσεις με Συστήματα στο Χώρο του Ζ Επιμέλεια: Γιώργος Π. Καφεντζης Δρ. Επιστήμης Η/Υ Πανεπιστημίου Κρήτης Δρ. Επεξεργασίας Σήματος Πανεπιστημίου Rennes 1 7 Νοεμβρίου 015 1. Υπολόγισε τον μετ. Ζ και την
Διαβάστε περισσότεραMATLAB. Εισαγωγή στο SIMULINK. Μονάδα Αυτόματης Ρύθμισης και Πληροφορικής
MATLAB Εισαγωγή στο SIMULINK Μονάδα Αυτόματης Ρύθμισης και Πληροφορικής Εισαγωγή στο Simulink - Βιβλιοθήκες - Παραδείγματα Εκκίνηση BLOCKS click ή Βιβλιοθήκες Νέο αρχείο click ή Προσθήκη block σε αρχείο
Διαβάστε περισσότεραΑντίστροφος Μετασχηματισμός Ζ. Υλοποίηση συστημάτων Διακριτού Χρόνου. Σχεδίαση φίλτρων
Αντίστροφος Μετασχηματισμός Ζ Υλοποίηση συστημάτων Διακριτού Χρόνου Σχεδίαση φίλτρων Αντίστροφος Μετασχηματισμός Ζ Αντίστροφος ΜΖ (inverse-zt) Προσεγγίσεις εύρεσης του αντίστροφου ΜΖ Τυπικά ο i-zt γίνεται
Διαβάστε περισσότερα10-Μαρτ-2009 ΗΜΥ Παραθύρωση Ψηφιακά φίλτρα
-Μαρτ-9 ΗΜΥ 49. Παραθύρωση Ψηφιακά φίλτρα . Παραθύρωση / Ψηφιακά Φίλτρα -Μαρτ-9 Είδη παραθύρων Bartlett τριγωνικό: n, n Blacman: πn 4πn.4.5cos +.8cos, n < . Παραθύρωση / Ψηφιακά Φίλτρα -Μαρτ-9 3 Hamming:
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ ΗΛΕΚΤΡΟΑΚΟΥΣΤΙΚΗΣ
Εργαστήριο Ηλεκτρακουστικής Ι Άσκηση 1 - Σελίδα 1 ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ ΗΛΕΚΤΡΟΑΚΟΥΣΤΙΚΗΣ ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ 1. ΘΕΩΡΙΑ ΣΗΜΑΤΩΝ/ΣΥΣΤΗΜΑΤΩΝ ΚΑΙ ΗΛΕΚΤΡΟΑΚΟΥΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ Αρχικά, για την καλύτερη κατανόηση
Διαβάστε περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων. Διάλεξη 17: Φίλτρα (II)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 17: Φίλτρα (II) Φίλτρα Bu*erworth, Chebyshev και ελλειπτικά φίλτρα Είναι οι πιο δημοφιλείς τεχνικές σχεδιασμού φίλτρων συνεχούς χρόνου (Appendix
Διαβάστε περισσότερα17-Φεβ-2009 ΗΜΥ Ιδιότητες Συνέλιξης Συσχέτιση
ΗΜΥ 429 7. Ιδιότητες Συνέλιξης Συσχέτιση 1 Μαθηματικές ιδιότητες Αντιμεταθετική: a [ * b[ = b[ * a[ παρόλο που μαθηματικά ισχύει, δεν έχει φυσικό νόημα. Προσεταιριστική: ( a [ * b[ )* c[ = a[ *( b[ * c[
Διαβάστε περισσότεραΆσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
Διαβάστε περισσότεραΣυνθετικές εδαφικές κινήσεις Κεφ.22. Ε.Σώκος Εργαστήριο Σεισμολογίας Παν.Πατρών
Συνθετικές εδαφικές κινήσεις Κεφ.22 Ε.Σώκος Εργαστήριο Σεισμολογίας Παν.Πατρών Συνθετικές εδαφικές κινήσεις Τι υπολογίζουμε από μια μελέτη σεισμικής επικινδυνότητας..? Μια πιθανολογική εκτίμηση των μέγιστων
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ
Σχολή Θετικών Επιστημών Τεχνολογίας Τηλεπικοινωνιών Τμήμα Επιστήμης και Τεχνολογίας Τηλεπικοινωνιών ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΠΙΚΟΙΝΩΝΙΕΣ ΙI Εργαστήριο 5 ο : Προσαρμοσμένα Φίλτρα Βασική
Διαβάστε περισσότεραΑ. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 6 ΔΙΑΦΑΝΕΙΑ 1
Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 6 ΔΙΑΦΑΝΕΙΑ 1 ΑΝΑΛΟΓΙΚΑ ΦΙΛΤΡΑ ΚΑΝΟΝΙΚΟΠΟΙΗΜΕΝΗ ΑΠΟΚΡΙΣΗ ΣΥΧΝΟΤΗΤΑΣ Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 6 ΔΙΑΦΑΝΕΙΑ 2 ΦΙΛΤΡΑ BUTTERWORTH: Τα βαθυπερατά φίλτρα έχουν
Διαβάστε περισσότεραΣύντομη Αναφορά σε Βασικές Έννοιες Ψηφιακής Επεξεργασίας Σημάτων
Πρόγραμμα Μεταπτυχιακών Σπουδών: «Τεχνολογίες και Συστήματα Ευρυζωνικών Εφαρμογών και Υπηρεσιών» Μάθημα: «Επεξεργασία Ψηφιακού Σήματος και Σχεδιασμός Υλικού» Σύντομη Αναφορά σε Βασικές Έννοιες Ψηφιακής
Διαβάστε περισσότερα27/4/2009. Για την υλοποίηση τέτοιων αλγορίθμων επεξεργασίας απαιτείται η χρήση μνήμης. T η περίοδος δειγματοληψίας. Επίκ. Καθηγητής.
Μάθημα: «Ψηφιακή Επεξεργασία Ήχου» Διάλεξη 6 η : «Επεξεργαστές με Μνήμη (Mέρος ΙI)» Φλώρος Ανδρέας Επίκ. Καθηγητής Από προηγούμενο μάθημα... Αναπαράσταση καθυστέρησης ενός δείγματος η περίοδος δειγματοληψίας
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ
Σχολή Θετικών Επιστημών Τεχνολογίας Τηλεπικοινωνιών Τμήμα Επιστήμης και Τεχνολογίας Τηλεπικοινωνιών ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΠΙΚΟΙΝΩΝΙΕΣ ΙI Εργαστήριο 9 ο : Δειγματοληψία και Ανασύσταση
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Σημάτων
Ψηφιακή Επεξεργασία Σημάτων Ενότητα 12: Ψηφιακά Φίλτρα FIR Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ψηφιακά Φίλτρα FIR Εισαγωγή στα Ψηφιακά Φίλτρα Έλεγχος απολαβής (κέρδους) φίλτρου Φίλτρα ελάχιστης,
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 4: Βέλτιστα Φίλτρα Wiener Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση βασικών εννοιών των
Διαβάστε περισσότεραΒέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow
Διαβάστε περισσότεραΣκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας.
7 ο ΜΑΘΗΜΑ ΚΕΦΑΛΑΙΟ 2 ΣΤΑΤΙΣΤΙΚΗ Σκοπός Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. Προσδοκώμενα αποτελέσματα Όταν θα έχετε ολοκληρώσει τη μελέτη αυτού του κεφαλαίου
Διαβάστε περισσότεραΑ Ρ Ι Θ Μ Ο Σ : 6.913
Α Ρ Ι Θ Μ Ο Σ : 6.913 ΠΡΑΞΗ ΚΑΤΑΘΕΣΗΣ ΟΡΩΝ ΔΙΑΓΩΝΙΣΜΟΥ Σ τ η ν Π ά τ ρ α σ ή μ ε ρ α σ τ ι ς δ ε κ α τ έ σ σ ε ρ ι ς ( 1 4 ) τ ο υ μ ή ν α Ο κ τ ω β ρ ί ο υ, η μ έ ρ α Τ ε τ ά ρ τ η, τ ο υ έ τ ο υ ς δ
Διαβάστε περισσότεραΣήματα και Συστήματα ΙΙ
Σήματα και Συστήματα ΙΙ Ενότητα 6: Απόκριση Συχνότητας-Φίλτρα Α. Ν. Σκόδρας Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Επιμέλεια: Αθανάσιος Ν. Σκόδρας, Καθηγητής Γεώργιος Α. Βασκαντήρας,
Διαβάστε περισσότεραΣυστήματα Επικοινωνιών ΙI
+ Διδάσκων: Δρ. Κ. Δεμέστιχας e-mail: cdemestichas@uowm.gr Συστήματα Επικοινωνιών ΙI Ψηφιακή μετάδοση στη βασική ζώνη + Ιστοσελίδα nιστοσελίδα του μαθήματος: n https://eclass.uowm.gr/courses/icte302/ +
Διαβάστε περισσότερα27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό
ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και
Διαβάστε περισσότεραAnalyze/Forecasting/Create Models
(εκδ 11) (εκδ 11) Σχολή Κοινωνικών Επιστημών Τμήμα Οικονομικών Επιστημών 24 Οκτωβρίου 2014 1 / 12 Εισαγωγή (εκδ 11) 1 2 2 / 12 ΧΣ (εκδ 11) ΧΣ μέσω υποδειγμάτων ARIM A/SARIM A Αϕου δημιουργήσουμε τον χώρο
Διαβάστε περισσότεραΑνάλυση ΓΧΑ Συστημάτων
University of Cyprus Biomedical Imaging & Applied Optics Διάλεξη 9 με Μετασχηματισμούς Κεφ. 5 (εκτός 5.7.4 και 5.3 μόνο από διάλεξη) Ένα ΓΧΑ σύστημα καθορίζεται πλήρως από Κρουστική απόκριση (impulse response)
Διαβάστε περισσότεραFSK Διαμόρφωση και FSK Αποδιαμόρφωση (FSK Modulation-FSK Demodulation)
FSK Διαμόρφωση και FSK Αποδιαμόρφωση (FSK Modulation-FSK Demodulation) ΣΚΟΠΟΙ ΤΗΣ ΑΣΚΗΣΗΣ Η εκμάθηση της αρχής λειτουργίας της ψηφιακής διαμόρφωσης συχνότητας (Frequency Shift Keying, FSK) και της αποδιαμόρφωσής
Διαβάστε περισσότεραΟ Μετασχηματισμός Ζ. Ανάλυση συστημάτων με το μετασχηματισμό Ζ
Ο Μετασχηματισμός Ζ Ανάλυση συστημάτων με το μετασχηματισμό Ζ Ο μετασχηματισμός Z (Ζ-Τransform: ZT) χρήσιμο μαθηματικό εργαλείο για την ανάλυση των διακριτών σημάτων και συστημάτων αποτελεί ό,τι ο μετασχηματισμός
Διαβάστε περισσότεραΙατρικά Ηλεκτρονικά. Χρήσιμοι Σύνδεσμοι. ΙΑΤΡΙΚΑ ΗΛΕΚΤΡΟΝΙΚΑ - ΔΙΑΛΕΞΗ 5γ. Σημειώσεις μαθήματος: E mail:
Ιατρικά Ηλεκτρονικά Δρ. Π. Ασβεστάς Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε Χρήσιμοι Σύνδεσμοι Σημειώσεις μαθήματος: http://medisp.bme.teiath.gr/eclass/courses/tio127/ E mail: pasv@teiath.gr 2 1 Πολλές
Διαβάστε περισσότεραΒαθμολογία Προβλημάτων ΘΕΜΑ 1 ΘΕΜΑ 2.1 ΘΕΜΑ 2.2 ΘΕΜΑ 2.3 ΘΕΜΑ 3.1 ΘΕΜΑ 3.2 ΘΕΜΑ 4 ΘΕΜΑ 5.1 ΘΕΜΑ 5.2
1 4 5 6 7 8 9 10 11 1 1 14 ΑΠΑΓΟΡΕΥΕΤΑΙ Η ΑΝΑΤΥΠΩΣΗ ΤΩΝ ΘΕΜΑΤΩΝ ΠΡΙΝ ΤΗΝ Ιουνίου 008 ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ ΙΙ - Τελική εξέταση Ιουνίου 008 Να επιστραφεί η εκφώνηση των θεμάτων (υπογεγραμμένη από
Διαβάστε περισσότεραΑνάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα
Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Κ 17 Επικοινωνίες ΙΙ Χειμερινό Εξάμηνο Διάλεξη 14 η Νικόλαος Χ. Σαγιάς Επίκουρος Καθηγητής Webpage: hp://ecla.uop.gr/coure/s15 e-mail:
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Διαβάστε περισσότεραΣήματα και Συστήματα. Διάλεξη 6: Ανάλυση Σημάτων σε Ανάπτυγμα Σειράς Fourier. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 6: Ανάλυση Σημάτων σε Ανάπτυγμα Σειράς Fourier Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ανάλυση Σημάτων σε Ανάπτυγμα Σειράς Fourier 1. Ανάπτυγμα σήματος σε Σειρά Fourier
Διαβάστε περισσότεραΕισαγωγή στις Τηλεπικοινωνίες / Εργαστήριο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Εισαγωγή στις Τηλεπικοινωνίες / Εργαστήριο Εργαστηριακή Άσκηση 4: Πειραματική μελέτη συστημάτων διαμόρφωσης συχνότητας (FΜ) Δρ.
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 19: Φίλτρα (IV) Σχεδιασμός φίλτρων FIR Είδαμε ότι για φίλτρα IIR συνήθως σχεδιάζουμε ένα φίλτρο ΣΧ και μετασχηματίζουμε Για φίλτρα FIR θα δούμε
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Σημάτων
Ψηφιακή Επεξεργασία Σημάτων Ενότητα : Συστήματα Διακριτού Χρόνου Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής Συστήματα Διακριτού Χρόνου Εξισώσεις Διαφορών Επίλυση Εξισώσεων Διαφορών με Γραμμικούς Συντελεστές
Διαβάστε περισσότεραΑνάλυση διακύμανσης (Μέρος 3 ο ) 7/4/2017
Ανάλυση διακύμανσης (Μέρος 3 ο ) 7/4/2017 2 α x b Παραγοντικό Πείραμα (1) Όταν θέλουμε να μελετήσουμε την επίδραση (στη μεταβλητή απόφασης) δύο παραγόντων, έστω Α και Β, με α στάθμες ο Α και b στάθμες
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ
Σχολή Θετικών Επιστημών Τμήμα Επιστήμης και Τεχνολογίας Τηλεπικοινωνιών ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΠΙΚΟΙΝΩΝΙΕΣ Ι Μπατιστάτος Μιχάλης Εργαστήριο 3 ο : Διαμόρφωση ΑΜ-DSBSC/SSB Βασική
Διαβάστε περισσότεραΑ) Να γράψετε με τη βοήθεια των πράξεων των συνόλων το ενδεχόμενο που παριστάνει το σκιασμένο εμβαδόν σε καθένα από τα παρακάτω διαγράμματα Venn.
Άσκηση 1 Α) Να γράψετε με τη βοήθεια των πράξεων των συνόλων το ενδεχόμενο που παριστάνει το σκιασμένο εμβαδόν σε καθένα από τα παρακάτω διαγράμματα Venn. B) Αν ( ), ( ), ( ), να εκφράσετε τις πιθανότητες
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Κ 17 Επικοινωνίες ΙΙ Χειμερινό Εξάμηνο Διάλεξη 5 η Νικόλαος Χ. Σαγιάς Επίκουρος Καθηγητής Webpage: http://eclass.uop.gr/courses/tst215
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 7: Βέλτιστο Φίλτρο Wiener και Γραμμικά Περιορισμένο Φίλτρο Ελάχιστης Διασποράς Εφαρμογή στις Έξυπνες Κεραίες Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή
Διαβάστε περισσότεραHMY 220: Σήματα και Συστήματα Ι
HMY 220: Σήματα και Συστήματα Ι Βασικές Έννοιες Σήματα Κατηγορίες Σημάτων Συνεχούς/ Διακριτού Χρόνου, Αναλογικά/ Ψηφιακά Μετασχηματισμοί Σημάτων Χρόνου: Αντιστροφή, Κλιμάκωση, Μετατόπιση Πλάτους Βασικά
Διαβάστε περισσότεραΣχήµα 1: Χρήση ψηφιακών φίλτρων για επεξεργασία σηµάτων συνεχούς χρόνου
ΜΑΘΗΜΑ 6: ΣΧΕ ΙΑΣΗ ΦΙΛΤΡΩΝ 6. Εισαγωγή Τα φίλτρα είναι µια ειδική κατηγορία ΓΧΑ συστηµάτων τα οποία τροποποιούν συγκεκριµένες συχνότητες του σήµατος εισόδου σε σχέση µε κάποιες άλλες. Η σχεδίαση ψηφιακών
Διαβάστε περισσότερα15/3/2009. Ένα ψηφιακό σήμα είναι η κβαντισμένη εκδοχή ενός σήματος διάκριτου. χρόνου. Φλώρος Ανδρέας Επίκ. Καθηγητής
15/3/9 Από το προηγούμενο μάθημα... Ένα ψηφιακό σήμα είναι η κβαντισμένη εκδοχή ενός σήματος διάκριτου Μάθημα: «Ψηφιακή Επεξεργασία Ήχου» Δάλ Διάλεξη 3 η : «Επεξεργαστές Ε ξ έ Δυναμικής Περιοχής» Φλώρος
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-370: Ψηφιακή Επεξεργασία Σήµατος Χειµερινό Εξάµηνο 2016 ιδάσκοντες : Γ. Στυλιανού - Γ.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-370: Ψηφιακή Επεξεργασία Σήµατος Χειµερινό Εξάµηνο 206 ιδάσκοντες : Γ. Στυλιανού - Γ. Καφεντζής εύτερη Σειρά Ασκήσεων Ηµεροµηνία Ανάθεσης : 25/0/206 Ηµεροµηνία
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διδάσκων: Αντώνιος Τζές
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διδάσκων: Αντώνιος Τζές Πάτρα 2008 Πανεπιστήμιο Πατρών Τμήμα
Διαβάστε περισσότεραΑυτοματοποιημένη χαρτογραφία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑ ΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Αυτοματοποιημένη χαρτογραφία Ενότητα # 8: Μοντελοποίηση Χαρτογραφικών Δεδομένων Ιωάννης Γ. Παρασχάκης Τμήμα Αγρονόμων & Τοπογράφων Μηχανικών
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Κ 17 Επικοινωνίες ΙΙ Χειμερινό Εξάμηνο Διάλεξη 15 η Νικόλαος Χ. Σαγιάς Επίκουρος Καθηγητής Webpage: http://eclass.uop.gr/courses/tst15
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ ΚΕΦΑΛΑΙΟ 4 ΚΕΦΑΛΑΙΟ 5. ΑΝΑΓΝΩΡΙΣΗ ΔΙΕΡΓΑΣΙΑΣ ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ (Process Identifications)
ΚΕΦΑΛΑΙΟ 5 ΑΝΑΓΝΩΡΙΣΗ ΔΙΕΡΓΑΣΙΑΣ ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ (Process Idetificatios) Στο κεφάλαιο αυτό γίνεται παρουσίαση μεθοδολογίας για την ανεύρεση ενός αξιόπιστου μοντέλου πριν ή κατά την λειτουργία της
Διαβάστε περισσότεραΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ
ΣΥΝΔΥΑΣΤΙΚΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΜΑΘΗΜΑΤΙΚΩΝ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ 1.Έστω ο δειγματικός χώρος Ω = { 1,,, K,10} με ισοπίθανα απλά ενδεχόμενα. Να 4 βρείτε την πιθανότητα ώστε η συνάρτηση f ( x ) = x 4x + λ να
Διαβάστε περισσότερα2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς. 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η. 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν. 5. Π ρ ό τ α σ η. 6.
Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α 1. Ε ι σ α γ ω γ ή 2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν 5. Π ρ ό τ α σ η 6. Τ ο γ ρ α φ ε ί ο 1. Ε ι σ α γ ω
Διαβάστε περισσότεραΧρονοσειρές, Μέρος Β 1 Πρόβλεψη Χρονικών Σειρών
Χρονοσειρές, Μέρος Β Πρόβλεψη Χρονικών Σειρών Ο βασικός σκοπός της μελέτης των μοντέλων για χρονικές σειρές (όπως AR, MA, ARMA, ARIMA, SARIMA) είναι η πρόβλεψη (predicio, forecasig) Η πρόβλεψη των μελλοντικών
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότερα3-Μαρτ-2009 ΗΜΥ Γρήγορος Μετασχηματισμός Fourier Εφαρμογές
ΗΜΥ 429 9. Γρήγορος Μετασχηματισμός Fourier Εφαρμογές 1 Ζεύγη σημάτων Συνάρτηση δέλτα: ΔΜΦ δ[ n] u[ n] u[ n 0.5] (συχνότητα 0-0.5) Figure από Scientist s and engineer s guide to DSP. 2 Figure από Scientist
Διαβάστε περισσότεραΠαρουσίαση του μαθήματος
Παρουσίαση του μαθήματος Εργαστήριο 1 Ενότητες Μαθήματος 1. Η ΨΗΦΙΑΚΗ ΕΙΚΟΝΑ Τι είναι ψηφιακή εικόνα. Τι σημαίνει Επεξεργασία εικόνας. Ανάλυση εικόνας σε συχνότητα ( Μετασχηματισμός Fourier σε εικόνα)
Διαβάστε περισσότεραΒαθμολογία Προβλημάτων Θέμα (μέγιστος βαθμός) (βαθμός εξέτασης)
4 5 6 7 8 9 0 4 5 6 7 8 9 0 4 5 6 7 8 9 0 4 5 6 7 8 ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ ΙΙ - Τελική εξέταση Ιουλίου 007 ΕΠΩΝΥΜΟ (εξεταζόμενου/ης) ΟΝΟΜΑ (εξεταζόμενου/ης) Αριθμός Μητρώου Υπογραφή (εξεταζόμενου/ης)
Διαβάστε περισσότεραΨηφιακός Έλεγχος. 10 η διάλεξη Ασκήσεις. Ψηφιακός Έλεγχος 1
Ψηφιακός Έλεγχος 10 η διάλεξη Ασκήσεις Ψηφιακός Έλεγχος 1 Άσκηση1 Ασκήσεις Επιθυμούμε να ελέγξουμε την γωνία ανύψωσης μιας κεραίας για να παρακολουθείται η θέση ενός δορυφόρου. Το σύστημα της κεραίας και
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ
ΚΕΦΑΛΑΙΟ 3 Περιγραφή της Μεθόδου Το αντικείμενο αυτής της εργασίας είναι η χρήση μιας μεθόδου προσέγγισης συναρτήσεων που έχει προταθεί από τον hen-ha huang και ονομάζεται Ασαφώς Σταθμισμένη Παλινδρόμηση
Διαβάστε περισσότεραΧημική Τεχνολογία. Ενότητα 1: Στατιστική Επεξεργασία Μετρήσεων. Ευάγγελος Φουντουκίδης Τμήμα Μηχανολόγων Μηχανικών Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Χημική Τεχνολογία Ενότητα 1: Στατιστική Επεξεργασία Μετρήσεων Ευάγγελος Φουντουκίδης Τμήμα Μηχανολόγων Μηχανικών Τ.Ε. Άδειες Χρήσης
Διαβάστε περισσότεραΣΗΜΑΤΑ & ΣΥΣΤΗΜΑΤΑ Ενότητα 3: ΣΥΝΕΛΙΞΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΣΗΜΑΤΑ & ΣΥΣΤΗΜΑΤΑ Ενότητα 3: ΣΥΝΕΛΙΞΗ Aναστασία Βελώνη Τμήμα Η.Υ.Σ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΠολύμετρο Βασικές Μετρήσεις
Πολύμετρο Βασικές Μετρήσεις 1. Σκοπός Σκοπός της εισαγωγικής άσκησης είναι η εξοικείωση του σπουδαστή με τη χρήση του πολύμετρου για τη μέτρηση βασικών μεγεθών ηλεκτρικού κυκλώματος, όπως μέτρηση της έντασης
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής ΑΥΤΟΣΥΣΧΕΤΙΣΗ Στις βασικές υποθέσεις των γραμμικών υποδειγμάτων (απλών και πολλαπλών), υποθέτουμε ότι δεν υπάρχει αυτοσυσχέτιση (autocorrelation
Διαβάστε περισσότεραΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ
ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ Το ενδιαφέρον επικεντρώνεται πάντα στον πληθυσμό Το δείγμα χρησιμεύει για εξαγωγή συμπερασμάτων για τον πληθυσμό π.χ. το ετήσιο εισόδημα των κατοίκων μιας περιοχής Τα στατιστικά
Διαβάστε περισσότεραΕπομένως το εύρος ζώνης του διαμορφωμένου σήματος είναι 2.
ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΠΛΗ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ ΘΕΜΑ Το φέρον σε ένα σύστημα DSB διαμόρφωσης είναι c t A t μηνύματος είναι το m( t) sin c( t) sin c ( t) ( ) cos 4 c και το σήμα. Το διαμορφωμένο σήμα διέρχεται
Διαβάστε περισσότεραΣυστήματα Αυτόματου Ελέγχου
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Συστήματα Αυτόματου Ελέγχου Ενότητα : Συνάρτηση Μεταφοράς Σ.Δ.Δ. Διακριτοποίηση Συν. Μεταφοράς Aναστασία Βελώνη Τμήμα Η.Υ.Σ Άδειες
Διαβάστε περισσότεραΑρχές Τηλεπικοινωνιών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Αρχές Τηλεπικοινωνιών Ενότητα #12: Δειγματοληψία, κβαντοποίηση και κωδικοποίηση Χ. ΚΑΡΑΪΣΚΟΣ Τμήμα Μηχανικών Αυτοματισμών Τ.Ε.
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3
Διαβάστε περισσότεραΣχεδίαση Ηλεκτρονικών Κυκλωμάτων RF
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ᄃ Σχεδίαση Ηλεκτρονικών Κυκλωμάτων F Ασκήσεις Ενότητας: Φίλτρα και Επαναληπτικές Ασκήσεις Στυλιανός Μυτιληναίος Τμήμα Ηλεκτρονικής,
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ
Σχολή Θετικών Επιστημών Τεχνολογίας Τηλεπικοινωνιών Τμήμα Επιστήμης και Τεχνολογίας Τηλεπικοινωνιών ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΟΓΙΚΩΝ & ΨΗΦΙΑΚΩΝ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΠΙΚΟΙΝΩΝΙΕΣ ΙI Εργαστήριο 8 ο : Προσαρμοσμένα Φίλτρα Βασική
Διαβάστε περισσότεραΣυνέλιξη Κρουστική απόκριση
Συνέλιξη Κρουστική απόκριση Το εργαστήριο αυτό ασχολείται με τα «διασημότερα συστήματα στην επεξεργασία σήματος. Αυτά δεν είναι παρά τα γραμμικά χρονικά αμετάβλητα (ΓΧΑ) συστήματα. Ένα τέτοιο σύστημα μπορεί
Διαβάστε περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία Ενότητα 11: Είδη Ταξινομήσεων Επιβλεπόμενες Ταξινομήσεις Ακρίβειες.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 11: Είδη Ταξινομήσεων Επιβλεπόμενες Ταξινομήσεις Ακρίβειες. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και
Διαβάστε περισσότεραΕξεταστική Ιανουαρίου 2007 Μάθηµα: «Σήµατα και Συστήµατα»
Εξεταστική Ιανουαρίου 27 Μάθηµα: «Σήµατα και Συστήµατα» Θέµα 1 ο (3%) Έστω δύο διακριτά σήµατα: x(n) = {1,,, -1} και h(n) = {1,, 1} µε το πρώτο δείγµα να αντιστοιχεί σε n= και για τα δύο. Υπολογίστε τα
Διαβάστε περισσότεραΚεφάλαιο 6 Σχεδιασμός FIR φίλτρων
Κεφάλαιο 6 Σχεδιασμός FIR φίλτρων Φίλτρα πεπερασμένης κρουστικής απόκρισης Finite Impulse Response (FIR) filters y(n) = M k= bk x(n k) / 68 παράδειγμα (εισαγωγικό) y(n) = 9 x(n k ) k= 2/ 68 Βασικές κατηγορίες
Διαβάστε περισσότεραΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟ ΟΣ: ΣΕΠΤΕΜΒΡΙΟΣ 2008 Θέµα 1 ο ( µονάδες)
ΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΕΞΕΤΑΣΤΙΚΗ ΠΕΡΙΟ ΟΣ: ΣΕΠΤΕΜΒΡΙΟΣ 2009 Θέµα 1 ο (3 µονάδες) ίνεται η πολυφασµατική σκηνή, 0 7 2 2 2 1 3 4 4 4 2 3 3 3 3 0 7 2 4 4 1 3 3 3 3 2 4 4 4 4 0 1
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis
Διαβάστε περισσότερα4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER Σκοπός του κεφαλαίου είναι να παρουσιάσει μερικές εφαρμογές του Μετασχηματισμού Fourier (ΜF). Ειδικότερα στο κεφάλαιο αυτό θα περιγραφούν έμμεσοι τρόποι
Διαβάστε περισσότερα