Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download ""

Transcript

1

2

3

4

5

6 μ μ μ

7 s t j2 fct T () = a() t e π s t ka t e e j2π fct j2π fcτ0 R() = ( τ0)

8

9 xt () = α 0 dl () pt ( lt) + wt () l wt () N 2 (0, σ )

10 Time-Delay Estimation Bias / T c In-phase reflection Out-of-phase reflection Refl. Atten.: -3dB, δ=0.5 Refl. Atten.: -3dB, δ=0.05 Refl. Atten.: -10dB, δ=0.5 Refl. Atten.: -10dB, δ=0.05 Carrier-Phase Estimation Bias (cycles) Refl. Atten.: -3dB Refl. Atten.: -5dB Refl. Atten.: -10dB Delay of the Reflection / T c Delay of the Reflection / T c δ

11

12 δ

13

14

15 Y= AS() τ + E m N [ ] A = α α α m d 0 1 d 1 S() τ st ( s τ0) s(2 Ts τ0) snt ( s τ0) st ( τ ) s(2 T τ ) snt ( τ ) st ( s τd 1) s(2 Ts τd 1) snt ( s τd 1) s 1 s 1 s 1 = d N st () N

16 { * } E e[ n] e [ l] = Qδ nl,

17 ( τ ) { 1 } f (, τ AQ, ) = lnq+ Tr C, A Q ( τ ) = ˆ ˆ ( τ) ˆ ( τ) + ˆ ( τ) * * *, yy ys ys ss C A R AR R A AR A f 1 * ( ) ( ) ( ) (, τ A) = lnrˆ Rˆ τ Rˆ τ Rˆ τ yy ys ss ys ( ˆ ( ) ˆ 1( )) ˆ 1 ( ) ˆ ( ) ˆ A Rys τ Rss τ Rss τ A Rys τ Rss ( τ) + ( ) *

18 f () τ = ln Rˆ Rˆ () τ Rˆ () τ Rˆ () τ = ln Q () τ 1 * ˆ yy ys ss ys ML Qˆ () τ ML V () τ = ln I B() τ ˆ ˆ ˆ ˆ ˆ 1 B() τ = R R () τ R () τ R () τ R = Rˆ YP Y Rˆ S N 1/2 1 * 1/2 1/2 * 1/2 yy ys ss ys yy yy * ( τ) yy

19 { } { * Qˆ } ML YP Y w f ( τ) = Tr ( τ) = const-tr * S ( τ ) Qˆ () τ ML P S * ( τ ) jωτ 1 0 jωτ 1 d 1 S () τ = S * * ω e e e jω τ e e jω τ d 1 e jω τ jω τ N 0 N d 1

20 op { W } op B g (, W ) = Tr () τ τ ( ) 1 () i () i 1/2 g (, τ Wop ) = V () τ + op ( N ) g ( τ, W ) = V ( τ) + o (1) ( ij) ( ij) op p W = I B( τ ) ˆτ g(,) τ I w f () τ op

21 1 { } { 2 } 1 { 3 V () τ = ln I B() τ = Tr B() τ Tr B () τ Tr B () τ } 2 3 1/2 1/2 lim B( τ) = I Ryy QRyy 0 N V {( ˆ ˆ ) } () τ Tr I+ B() τ + B () τ + B () τ = g ( τ, W) () i 2 () i () i ˆ

22 V ( λ ) V () τ = ln I B() τ = ln 1 () τ k k = 1 m () i m () i () i λk τ λk τ () i () () () τ = g (, ˆ ) 1 λ ( ) τ τ 1 λ ( τˆ ) W k= 1 k k= 1 m () i () i { } λ g λ = = = g(,) τ I Tr B() τ () τ (,) τ I () τ m k k= 1 k= 1 k m k

23 V () τ = ln I B() τˆ + B() τˆ B() τ 1 ( ) ( ) = ln I B() τˆ + ln I+ I B() τˆ B() τˆ B() τ Ŵ { ˆ } { } V() τ ln I B() τˆ + Tr WB ˆ () τ Tr WB ˆ () τ = const + g(, τ Wˆ )

24 1 W = W Rˆ YP Y Rˆ W S ( τ) N { 1/2 1/2 * 1/2 1/2 } g( τ, ) Tr ýy * ýy 1 ( * * 1 ) 1 * * * = 1 = S ( τ) S ω ω ω ω ω G P P S G G S S G G S

25 ± λ δ

26 RMS Time-Delay Estimation Error / T c CRB Asymp. Efficient Estim., IQML, g( τ, W) Consistent Estim., ESPRIT,g(τ, I) w White-noise Estim., IQML, f ( τ) Asymp. Efficient Estim., IQML ("2 iter"), g( τ, W) Number of Pulses

27 10 0 RMS Time-Delay Estimation Error / c T 10-1 CRB Asymp. Efficient Estim., IQML, τ, W) g( Consistent Estim., ESPRIT,g( τ, I) w White-noise Estim., IQML, ( τ) f Signal to Interference Ratio (db), with respect to the first signal

28 RMS Time-Delay Estimation Error / c T CRB Asymp. Efficient Estim., IQML, τ, W) g( Consistent Estim., ESPRIT,g( τ, I) w White-noise Estim., IQML, ( τ) f Delay of the Second Replica / T c

29 RMS Time-Delay Estimation Error / c T CRB Asymp. Efficient Estim., IQML, τ, W) g( Consistent Estim., ESPRIT,g( τ, I) w White-noise Estim., IQML, ( τ) f DOA of the Second Replica (degrees)

30 S τ = [ s τ s τ + T s τ + d T ] ( ) ( ) ( ) ( ( 1) ) T ˆ ˆ * ( τ ) N { 1/2 1/2 * g( τ, W) TrW R 1/2 1/2 } yy YP Y Ryy W g G = * = S 1 ( * * 1 ) 1 * * * = 1 = S ( τ ) S ω ω ω ω ω G P P S G G S S G G S gd gd g g gd gd 1 1 d d 1 = [ 1 ] g g d 1 T ( z)

31 d 1 d 1 1 d 0 n= 0 ( π ) d ( z) = z + g z + + g = z x exp( j2 T n/ NTs) x( τ) = exp( j2 πτ/ NT s ) ( z) g= Kt() x d t( x) = 1 x x. ( * * 1 ) GS S G 1 ω ω ( * * 1 ) GS 1 ω SωG gx x x T * (, W) = t (1/ ) K CKt( ) T

32 RMS Time-Delay Estimation Error / c T CRB Proposed estimator (coupled iter.), τ, W) g( Exact ML estimator, τ) f( w White-noise estimator, (τ) f τ τ Delay difference between the two rays / T c

33

34 α0 = α0a0 CRB 1/2 for the Time-Delay of the Direct Signal / T c Without knowledge of the LOSS steering vector With knowledge of the LOSS steering vector Delay of the Reflection / c T

35 T Y = α a s ( τ ) + E α Γ ( τ ) = ( τ ) 1 + ( τ ) ( τ ) ( τ ) rˆ ( τ ) Wˆ ( τ ) a * 1 1 * 1 * ˆ ˆ ˆ ys 0 W 0 P ˆ ˆ s rys 0 W 0 r ys 0 ˆ H ˆ 1 Ps a0 W ( τ 0) a0 2 Wˆ ( τ ) = Rˆ rˆ ( τ ) rˆ ( τ ) Pˆ * 1 0 yy ys 0 ys 0 s

36 ( * ˆ ˆ ˆ 1 ) Γ ( τ ) = Rˆ 1 α ( τ ) r ( τ ) R a 0 yy 0, ML 0 ys 0 yy 0 ˆ α ˆ ( τ ) ˆ ( τ ) = aw r * ys 0 0, ML ˆ * ˆ 1 P s aw 0 ( τ 0) a0 τ = ˆ τ 0 0, ML * ˆ 1ˆ 0 yy ys ( τ 0) MV ( τ 0) ˆ τ Λ ( τ ) = ar r Λ ˆ ( ) ˆ ( ) = 1 Λ ( τ ) 0, ML ML 0 * 1 P s rˆ ys τ ˆ 0 R yy r ys τ0 2 TE 0

37 Asymptotic Cost Function ML ML only with temporal reference MV beamformer Trial Delay / T c

38 ( pt ) ( p T ) s( τ ) (1 δ) s + δs ( + 1) ΛML ( τ 0) δ N 1 s( τ 0 ) = Sω u( z) z= exp( j2 πτ0 / NT s ) u() z = 1 z z T Λ ( τ ) = ML 0 u( z ) S Y Rˆ a a Rˆ YS u( z) 1 * 1 * 1 * ω yy 0 0 yy ω ( ˆ ) yy 1 * 1 * ( z ) ω N ω ( z) u S I Y R Y S u

39 ˆ τ, ˆ α, w = arg min w Y α s ( τ ) * T 0 0 hyb 0 0 τ, α, w * wa 0 = 1 τ, α 0 0 τ, α 0 0

40 1 * ˆ 1 yy 0 hyb ( τ0, α0) = α0 yy ys ( τ0) + β( τ0, α0 ) * ˆ 1 ar 0 yy a0 w R r Rˆ a βτ (, α) = 1 α arˆ r ( τ) * * yy ys 0 w hyb ( ˆ τ, ˆ α ) 0 0 ˆ τ, ˆ α 0 0

41 RMS Time-Delay Estimation Error / c T CRB ML MV beamformer ML, white-noise Number of Pulses

42 Hybrid beamformer MV beamformer Temporal ref. beamformer Temporal ref. beamformer (ML-TEE) Cancellation of the Interference (db) Number of Pulses

43 Time-Delay Estimation Bias / T c ML ML only with temporal reference ML for white noise ML for white noise and only temporal reference Carrier-Phase Estimation Bias (cycles) Delay of the Reflection / T c Delay of the Reflection / T c ML ML for white noise

44 10-1 RMS Time-Delay Estimation Error / T c CRB for the detailed model CRB for the simplfied model ML ML only with temporal reference ML for white noise RMS Carrier-Phase Estimation Error (cycles) 10-2 CRB for the detailed model CRB for the simplified model ML ML for white noise Delay of the Reflection / T c Delay of the Reflection / T c

45 5 Cancellation of the Reflection (db) Hybrid beamfomer MV beamformer Temporal ref. beamformer Temporal ref. beamformer (ML-TEE) Mean and STD of the coefficients β(α 0,τ 0 ) and α β(α 0,τ 0 ) α Delay of the Reflection / T c Delay of the Reflection / T c

46 Time-Delay Estimation Bias / T c ML ML only with temporal reference MV beamformer ML for white noise Signal to Noise Ratio (SNR) of the direct signal (db) RMS Time-Delay Estimation Error / T c CRB for the detailed model CRB for the simplified model ML ML only with temporal reference MV beamformer ML for white noise Signal to Noise Ratio (SNR) of the direct signal (db)

47 0.07 Time-Delay Estimation Bias / T c Hybrid Beamformer (reflection delay ) 0.4T c Hybrid Beamformer (reflection delay ) T c ML (reflection delay 0.4T and T) c c Reflection delay 0.4 T c Mean and STD of the coefficients β(α 0,τ 0 ) and α β(α 0,τ 0 ), Reflection delay: 0.4T c α 0, Reflection delay: 0.4T c β(α 0,τ 0 ), Reflection delay: T c α 0, Reflection delay: T c Reflection delay T c Iterations Iterations

48 σ 2 TE = ( * )( * 1 d τ ) 0 Ps ( τ ) d τ0 α0q α ( ) ( ) d( τ ) 0 d ( τ 0) = s dτ 0 σ 2 MV = ar QR a * yy yy 0 ( τ ) s τ τ 2 d ( ) P d( ) a R α * * 1 0 ( ) 0 0 yy σ aq a * ML = * * 1 2 d ( 0 ) P ( ) d( 0) a0q a0 ( τ ) s τ τ 0 2

49 RMS Time-Delay Estimation Error / T c Theoretical ML σ ml 2 Theoretical MV σ mv 2 Simulated ML σ ml 2 Simulated MV σ mv Robust ML (Ψ(τ)) Percentage of outlayers (%) ML estim. Λ ml (τ) MV beam. estim. Λ mv (τ) Robust ML estim. Ψ(τ) Pointing Error (degrees) Pointing Error (degrees)

50

51

52

53 τ 1 y() i

54 [ α τ ] y() i = A( ) d () i + e() i i= 0 M α A( τ 1 ) : d [ ] () i = d () i d ( i 1) : T

55 E e( i) e ( l) = Qδil { * }, Q = Q I sp Q= I Q m P te

56 { } ln I+ B Tr B, B 0 α ˆ τ = arg max f ( τ ) 1 1 τ 1 Wˆ = Rˆ Rˆ Rˆ Rˆ 1 * yy yd dd yd

57 Ŵ ˆ s W Q ˆ s W Ŵ Wˆ s = P+ σ 2 I Ŵ min P, σ 2 ˆ 2 W P σ I rank { P} F = d

58 Wˆ = Wˆ + λi d # Ŵ

59 λ ft = d

60 Timing RMSE (chips) Space-Time div. fdt=0 Time div. fdt=0 Space div. fdt=0 CRB Space-Time div. fdt=2e-3 Time div. fdt=2e-3 Space div. fdt=2e M, Length of the training sequence (bits)

61 Probability of acquisition Space-Time div. fdt=0 Time div. fdt=0 Space div. fdt=0 Space-Time div. fdt=2e-3 Time div. fdt=2e-3 Space div. fdt=2e K, Number of users

62 Space-Time div. fdt=0 Time div. fdt=0 Space div. fdt=0 CRB Space-Time div. fdt=2e-3 Time div. fdt=2e-3 Space div. fdt=2e-3 Timing RMSE (chips) Signal to External Interference Ratio SIR (db)

63 1 0.9 Probability of acquisition Space-Time div. fdt=0 Time div. fdt=0 Space div. fdt=0 Space-Time div. fdt=2e-3 Time div. fdt=2e-3 Space div. fdt=2e Near-Far Ratio (db)

64

65

66

67

68

69 xt () = α 0 dl () pt ( lt) + wt () l wt N σ 2 () (0, ) ˆ ϕ * 0 = ylt ( + τ0) d( l) ˆ L ˆ c τ0 = d l e y lt + τ0 l L * j ˆ0 ϕ ( ) Re ( ) ( ) nc ( τ ) = y( lt + τ ) 0 0 l 2

70 8 x CRB ML ML with linear approximation RMS Time-Delay Estimation Error / T c Spacing of the linearization grid, T 0 / T c

71 σ 2 τ = 1 N { 2 ( ) } N N Λ τ 0 2 ( lim Λ ( τ )) lim E ( ) N 0 * ˆ 1ˆ Λ 0 yy ys ( τ 0) MV ( τ 0) ML ( τ ) = ar r Λ ˆ ( ) ˆ ( ) = 1 Λ ( τ ) 0 * 1 P s rˆ ys τ ˆ 0 R yy r ys τ0 2 TE 0 α 0 a 0

72 a0 = a( ρ) Ψ ( τ ) = E { Λ ( τ ; ρ) } 0 ρ ML 0 ( ρ) ˆ ( τ ) ( ρ) * 0 Λ ( τ0 ; ρ) = a W a * ˆ 1 a ρ Ryy a ( ) ( ρ) 2 ρ a( ρ) a0 + ρb0 + h x x 2 1+ x +

l 0 l 2 l 1 l 1 l 1 l 2 l 2 l 1 l p λ λ µ R N l 2 R N l 2 2 = N x i l p p R N l p N p = ( x i p ) 1 p i=1 l 2 l p p = 2 l p l 1 R N l 1 i=1 x 2 i 1 = N x i i=1 l p p p R N l 0 0 = {i x i 0} R

Διαβάστε περισσότερα

HMY 799 1: Αναγνώριση Συστημάτων

HMY 799 1: Αναγνώριση Συστημάτων HMY 799 : Αναγνώριση Συστημάτων Διάλεξη 5 Εκτίμηση φάσματος ισχύος Συνάφεια Παραδείγματα Στοχαστικά Διανύσματα Autoregressive model with exogenous inputs (ARX y( t + a y( t +... + a y( t n = bu( t +...

Διαβάστε περισσότερα

l 1 p r i = ρ ij α j + w i j=1 ρ ij λ α j j p w i p α j = 1, α j 0, j = 1,..., p j=1 R B B B m j [ρ 1j, ρ 2j,..., ρ Bj ] T = }{{} α + [,,..., ] R B p p α [α 1,..., α p ] [w 1,..., w p ] M m 1 m 2,

Διαβάστε περισσότερα

FORMULAS FOR STATISTICS 1

FORMULAS FOR STATISTICS 1 FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)

Διαβάστε περισσότερα

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

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 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 περισσότερα

γ 1 6 M = 0.05 F M = 0.05 F M = 0.2 F M = 0.2 F M = 0.05 F M = 0.05 F M = 0.05 F M = 0.2 F M = 0.05 F 2 2 λ τ M = 6000 M = 10000 M = 15000 M = 6000 M = 10000 M = 15000 1 6 τ = 36 1 6 τ = 102 1 6 M = 5000

Διαβάστε περισσότερα

Introduction to the ML Estimation of ARMA processes

Introduction to the ML Estimation of ARMA processes Introduction to the ML Estimation of ARMA processes Eduardo Rossi University of Pavia October 2013 Rossi ARMA Estimation Financial Econometrics - 2013 1 / 1 We consider the AR(p) model: Y t = c + φ 1 Y

Διαβάστε περισσότερα

Στοχαστικά Σήματα και Τηλεπικοινωνιές

Στοχαστικά 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 περισσότερα

Biostatistics for Health Sciences Review Sheet

Biostatistics for Health Sciences Review Sheet Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................

Διαβάστε περισσότερα

Fundamentals of Signal Processing for Communications Systems

Fundamentals of Signal Processing for Communications Systems THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE 606-8501 E-mail: kazunori@ikyoto-uacjp ZFMMSE Abstract Fundamentals of Signal Processing for Communications

Διαβάστε περισσότερα

Sampling Basics (1B) Young Won Lim 9/21/13

Sampling Basics (1B) Young Won Lim 9/21/13 Sampling Basics (1B) Copyright (c) 2009-2013 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any

Διαβάστε περισσότερα

ME 365: SYSTEMS, MEASUREMENTS, AND CONTROL (SMAC) I

ME 365: SYSTEMS, MEASUREMENTS, AND CONTROL (SMAC) I ME 365: SYSTEMS, MEASUREMENTS, AND CONTROL SMAC) I Dynamicresponseof 2 nd ordersystem Prof.SongZhangMEG088) Solutions to ODEs Forann@thorderLTIsystem a n yn) + a n 1 y n 1) ++ a 1 "y + a 0 y = b m u m)

Διαβάστε περισσότερα

Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.

Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science. Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist

Διαβάστε περισσότερα

Διάλεξη 6. Fourier Ανάλυση Σημάτων. (Επανάληψη Κεφ. 10.0-10.2 Κεφ. 10.3, 10.5-7) Ανάλυση σημάτων. Τι πρέπει να προσέξουμε

Διάλεξη 6. Fourier Ανάλυση Σημάτων. (Επανάληψη Κεφ. 10.0-10.2 Κεφ. 10.3, 10.5-7) Ανάλυση σημάτων. Τι πρέπει να προσέξουμε University of Cyprus Biomedical Imaging & Applied Optics Διάλεξη (Επανάληψη Κεφ. 10.0-10. Κεφ. 10.3, 10.5-7) Ανάλυση σημάτων Τι πρέπει να προσέξουμε Επαρκής ψηφιοποίηση στο χρόνο (Nyquist) Αναδίπλωση (aliasing)

Διαβάστε περισσότερα

HW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)

HW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1) HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the

Διαβάστε περισσότερα

w o = R 1 p. (1) R = p =. = 1

w o = R 1 p. (1) R = p =. = 1 Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-570: Στατιστική Επεξεργασία Σήµατος 205 ιδάσκων : Α. Μουχτάρης Τριτη Σειρά Ασκήσεων Λύσεις Ασκηση 3. 5.2 (a) From the Wiener-Hopf equation we have:

Διαβάστε περισσότερα

Κλασσική Θεωρία Ελέγχου

Κλασσική Θεωρία Ελέγχου ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Συστήματα πρώτης και δεύτερης τάξης Νίκος Καραμπετάκης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

HMY 799 1: Αναγνώριση Συστημάτων

HMY 799 1: Αναγνώριση Συστημάτων HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Στοχαστικές Τυχαίες Μεταβλητές/ Στοχαστικά Σήματα Πειραματικά δεδομένα >Επιλογή τύπου μοντέλου >Επιλογή κριτηρίου >Υπολογισμός >Επικύρωση Προσαρμογή καμπύλης (Curve

Διαβάστε περισσότερα

DEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:

Διαβάστε περισσότερα

LEM. Non-linear externalities in firm localization. Giulio Bottazzi Ugo Gragnolati * Fabio Vanni

LEM. Non-linear externalities in firm localization. Giulio Bottazzi Ugo Gragnolati * Fabio Vanni LEM WORKING PAPER SERIES Non-linear externalities in firm localization Giulio Bottazzi Ugo Gragnolati * Fabio Vanni Institute of Economics, Scuola Superiore Sant'Anna, Pisa, Italy * University of Paris

Διαβάστε περισσότερα

rs r r â t át r st tíst Ó P ã t r r r â

rs r r â t át r st tíst Ó P ã t r r r â rs r r â t át r st tíst P Ó P ã t r r r â ã t r r P Ó P r sã rs r s t à r çã rs r st tíst r q s t r r t çã r r st tíst r t r ú r s r ú r â rs r r â t át r çã rs r st tíst 1 r r 1 ss rt q çã st tr sã

Διαβάστε περισσότερα

Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen

Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen Dissertation date: GF F GF F SLE GF F D Ĉ = C { } Ĉ \ D D D = {z : z < 1} f : D D D D = D D, D = D D f f : D D

Διαβάστε περισσότερα

Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT

Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT 1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,

Διαβάστε περισσότερα

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Δρ. Δημήτριος Ευσταθίου Επίκουρος Καθηγητής ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ LAPLACE Αντίστροφος Μετασχηματισμός Laplace Στην

Διαβάστε περισσότερα

η π 2 /3 χ 2 χ 2 t k Y 0/0, 0/1,..., 3/3 π 1, π 2,..., π k k k 1 β ij Y I i = 1,..., I p (X i = x i1,..., x ip ) Y i J (j = 1,..., J) x i Y i = j π j (x i ) x i π j (x i ) x (n 1 (x),..., n J (x))

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΜΔΕ Προηγμένα Τηλεπικοινωνιακά Συστήματα και Δίκτυα Διάλεξη 5 η Νικόλαος Χ. Σαγιάς Επίκουρος Καθηγητής Wepage: http://eclass.uop.gr/courses/tst233

Διαβάστε περισσότερα

RSA3408A 24 GSM/EDGE

RSA3408A 24 GSM/EDGE RSA3408A 24 GSM/EDGE 071-1676-00 1.0 www.tektronix.com Copyright Tektronix Japan, Ltd. All rights reserved. TektronixTek Tektronix, Inc. v 1 11 11 12 12 13 17 2 21 22 26 27 28 29 210 211 212 214 215 216

Διαβάστε περισσότερα

LTI Systems (1A) Young Won Lim 3/21/15

LTI Systems (1A) Young Won Lim 3/21/15 LTI Systems (1A) Copyright (c) 214 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version

Διαβάστε περισσότερα

Επεξεπγαζία Ήσος Φυνήρ 4 η Διάλεξη ΦΗΦΙΑΚΟ ΣΟΤΝΣΙΟ

Επεξεπγαζία Ήσος Φυνήρ 4 η Διάλεξη ΦΗΦΙΑΚΟ ΣΟΤΝΣΙΟ Επεξεπγαζία Ήσος Φυνήρ 4 η Διάλεξη ΦΗΦΙΑΚΟ ΣΟΤΝΣΙΟ ΓΕΝΙΚΕ ΔΟΜΕ ΚΑΙ ΚΑΣΗΓΟΡΙΕ ΤΣΗΜΑΣΧΝ Θα αζρνιεζνύκε κε ηηο ηερληθέο θαη ηερλνινγίεο πνπ επηηξέπνπλ ηελ θσδηθνπνίεζε επεμεξγαζία θαη δηαλνκή ζηνλ ηειηθό

Διαβάστε περισσότερα

Outline Analog Communications. Lecture 05 Angle Modulation. Instantaneous Frequency and Frequency Deviation. Angle Modulation. Pierluigi SALVO ROSSI

Outline Analog Communications. Lecture 05 Angle Modulation. Instantaneous Frequency and Frequency Deviation. Angle Modulation. Pierluigi SALVO ROSSI Outline Analog Communications Lecture 05 Angle Modulation 1 PM and FM Pierluigi SALVO ROSSI Department of Industrial and Information Engineering Second University of Naples Via Roma 9, 81031 Aversa (CE),

Διαβάστε περισσότερα

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Δρ. Δημήτριος Ευσταθίου Επίκουρος Καθηγητής ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ LAPLACE Αντίστροφος Μετασχηματισμός Laplace Στην

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Σημάτων

Ψηφιακή Επεξεργασία Σημάτων Ψηφιακή Επεξεργασία Σημάτων Ενότητα 7: Μετατροπή Σήματος από Αναλογική Μορφή σε Ψηφιακή Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Μετατροπή Αναλογικού Σήματος σε Ψηφιακό Είδη Δειγματοληψίας: Ιδανική

Διαβάστε περισσότερα

Δειγματοληψία και ανακατασκευή αναλογικών σημάτων

Δειγματοληψία και ανακατασκευή αναλογικών σημάτων Δειγματοληψία και ανακατασκευή αναλογικών σημάτων, ή το φάσμα ενός ανα- Ο συνεχούς χρόνου μετασχηματισμός Fourier (CTFT), λογικού σήματος είναι X ( ω ) x (t) jω t X ω = x t e dt x ( ) ( ) = 1 j ω t e d

Διαβάστε περισσότερα

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s P P P P ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s r t r 3 2 r r r 3 t r ér t r s s r t s r s r s ér t r r t t q s t s sã s s s ér t

Διαβάστε περισσότερα

ITU-R BT.1908 (2012/01) !" # $ %& '( ) * +, - ( )

ITU-R BT.1908 (2012/01) ! # $ %& '( ) * +, - ( ) (2012/01)!" # $ %& '( ) * +, - 0 1 "'./ ( ) BT ii.. (IPR) (ITU-T/ITU-R/ISO/IEC).ITU-R 1 1 http://www.itu.int/itu-r/go/patents/en. (http://www.itu.int/publ/r-rec/en ) () ( ) BO BR BS BT F M P RA RS S SA

Διαβάστε περισσότερα

Broadband Spatiotemporal Differential-Operator Representations For Velocity-Dependent Scattering

Broadband Spatiotemporal Differential-Operator Representations For Velocity-Dependent Scattering Broadband Spatiotemporal Differential-Operator Representations For Velocity-Dependent Scattering Dan Censor Ben Gurion University of the Negev Department of Electrical and Computer Engineering Beer Sheva,

Διαβάστε περισσότερα

Physique des réacteurs à eau lourde ou légère en cycle thorium : étude par simulation des performances de conversion et de sûreté

Physique des réacteurs à eau lourde ou légère en cycle thorium : étude par simulation des performances de conversion et de sûreté Physique des réacteurs à eau lourde ou légère en cycle thorium : étude par simulation des performances de conversion et de sûreté Alexis Nuttin To cite this version: Alexis Nuttin. Physique des réacteurs

Διαβάστε περισσότερα

Α Ρ Ι Θ Μ Ο Σ : 6.913

Α 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 περισσότερα

Probability and Random Processes (Part II)

Probability and Random Processes (Part II) Probability and Random Processes (Part II) 1. If the variance σ x of d(n) = x(n) x(n 1) is one-tenth the variance σ x of a stationary zero-mean discrete-time signal x(n), then the normalized autocorrelation

Διαβάστε περισσότερα

Assessment of otoacoustic emission probe fit at the workfloor

Assessment of otoacoustic emission probe fit at the workfloor Assessment of otoacoustic emission probe fit at the workfloor t s st tt r st s s r r t rs t2 t P t rs str t t r 1 t s ér r tr st tr r2 t r r t s t t t r t s r ss r rr t 2 s r r 1 s r r t s s s r t s t

Διαβάστε περισσότερα

A Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last

Διαβάστε περισσότερα

Οδηγός λύσης για το θέμα 2

Οδηγός λύσης για το θέμα 2 Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 218-219 Οδηγός λύσης για το θέμα 2 Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών Πολυτεχνική Σχολή, ΑΠΘ Τι προσπαθούμε

Διαβάστε περισσότερα

Εισαγωγή στην Τεχνολογία Αυτοματισμού

Εισαγωγή στην Τεχνολογία Αυτοματισμού ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ. Τμήματα Ναυτιλίας και Επιχειρηματικών Υπηρεσιών & Μηχ. Αυτοματισμού ΤΕ Εισαγωγή στην Τεχνολογία Αυτοματισμού Ενότητα # 4: Αποκρίσεις χαρακτηριστικών συστημάτων με

Διαβάστε περισσότερα

High Performance Voltage Controlled Amplifiers Typical and Guaranteed Specifications 50 Ω System

High Performance Voltage Controlled Amplifiers Typical and Guaranteed Specifications 50 Ω System High Performance Voltage Controlled Amplifiers Typical and Guaranteed Specifications 50 Ω System Typical and guaranteed specifications vary versus frequency; see detailed data sheets for specification

Διαβάστε περισσότερα

Στοχαστικά Σήµατα και Εφαρµογές. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής

Στοχαστικά Σήµατα και Εφαρµογές. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής Στοχαστικά Σήµατα & Εφαρµογές Βέλτιστα Φίλτρα Wiener ιδάσκων: Ν. Παπανδρέου (Π.. 7/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Εισαγωγή ιατύπωση του προβλήµατος: οθέντος των από

Διαβάστε περισσότερα

Inference in the Skew-t and Related Distributions

Inference in the Skew-t and Related Distributions Inference in the Skew-t and Related Distributions Anna Clara Monti Pe.Me.Is Department, Statistical division University of Sannio Einaudi Institute for Economics and Finance Roma 8 maggio 008 Outline Brief

Διαβάστε περισσότερα

HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών

HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 12: Δειγματοληψία και ανακατασκευή (IV) Παρεμβολή (Interpolation) Γενικά υπάρχουν πολλοί τρόποι παρεμβολής, π.χ. κυβική παρεμβολή (cubic spline

Διαβάστε περισσότερα

Magnetically Coupled Circuits

Magnetically Coupled Circuits DR. GYURCSEK ISTVÁN Magnetically Coupled Circuits Sources and additional materials (recommended) Dr. Gyurcsek Dr. Elmer: Theories in Electric Circuits, GlobeEdit, 2016, ISBN:978-3-330-71341-3 Ch. Alexander,

Διαβάστε περισσότερα

Οδηγός λύσης θέματος 2

Οδηγός λύσης θέματος 2 Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 216-217 Οδηγός λύσης θέματος 2 Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων Τοπογράφων Μηχανικών Πολυτεχνική Σχολή, ΑΠΘ Τι προσπαθούμε να κάνουμε

Διαβάστε περισσότερα

ENERGIA - POTENZA - CORRELAZIONE

ENERGIA - POTENZA - CORRELAZIONE ENERGIA e POENZA: ENERGIA - POENZA - CORRELAZIONE Energia in (, ) : (, ) ( ) Poenza media in (, ) : P(, ) E = d (, ) (, + Δ ) E E = = Δ Segnali periodici: Δ = = periodo Segnali di energia (es: un impulso):

Διαβάστε περισσότερα

HMY 799 1: Αναγνώριση Συστημάτων

HMY 799 1: Αναγνώριση Συστημάτων HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 3 4 Στοχαστικά/τυχαία / χ διανύσματα Ντετερμινιστικά και στοχαστικά σήματα στο πεδίο της συχνότητας Στοχαστικά σήματα και γραμμικά συστήματα Deterministic and

Διαβάστε περισσότερα

Baseband Transmission

Baseband Transmission Ψηφιακές Επικοινωνίες Baseband ransmission Antipodal Signalling - Binary Orthogonal Signalling Probability of Error M-ary Orthogonal Signalling Waveforms Detection M-PAM detection Probability of error

Διαβάστε περισσότερα

P P Ó P. r r t r r r s 1. r r ó t t ó rr r rr r rí st s t s. Pr s t P r s rr. r t r s s s é 3 ñ

P P Ó P. r r t r r r s 1. r r ó t t ó rr r rr r rí st s t s. Pr s t P r s rr. r t r s s s é 3 ñ P P Ó P r r t r r r s 1 r r ó t t ó rr r rr r rí st s t s Pr s t P r s rr r t r s s s é 3 ñ í sé 3 ñ 3 é1 r P P Ó P str r r r t é t r r r s 1 t r P r s rr 1 1 s t r r ó s r s st rr t s r t s rr s r q s

Διαβάστε περισσότερα

A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems

A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems IIC-11-8 A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems Takayuki Shiraishi, iroshi Fujimoto (The University of Tokyo) Abstract The purpose of this paper is achievement

Διαβάστε περισσότερα

Προβλέψεις ισοτιμιών στο EViews

Προβλέψεις ισοτιμιών στο EViews Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό

Διαβάστε περισσότερα

Characterization Report

Characterization Report Characterization Report RF Coaxial Cable Assemblies Raw Cable Type: Temp-Flex 047-2801 RF047-11SP9-11SP9-0305 Test Date: 10 Dec. 2014 RF047-11RP9-11RP9-0305 Test Date: 13 Oct. 2014 RF047-01SP1-01SP1-0305

Διαβάστε περισσότερα

Μετατροπή Αναλογικού Σήµατος σε. Ψηφιακό (A/D Conversion) Μετατροπή Ψηφιακού Σήµατος σε Αναλογικό (D/A Conversion)

Μετατροπή Αναλογικού Σήµατος σε. Ψηφιακό (A/D Conversion) Μετατροπή Ψηφιακού Σήµατος σε Αναλογικό (D/A Conversion) Κεφάλαιο 2 Διαχείριση Σηµάτων σε Ψηφιακά Συστήµατα Ελέγχου Μετατροπή Αναλογικού Σήµατος σε Ο µετασχηµατισµός Ζ Ψηφιακό (A/D Conversion) Μαθηµατική Ανάλυση της ιαδικασίας A/D Μετατροπή Ψηφιακού Σήµατος

Διαβάστε περισσότερα

MATHACHij = γ00 + u0j + rij

MATHACHij = γ00 + u0j + rij Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed

Διαβάστε περισσότερα

A Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics

A Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions

Διαβάστε περισσότερα

1.8 Paul Mother Wavelet Real Part Imaginary Part Magnitude.6.4 Amplitude.2.2.4.6.8 1 8 6 4 2 2 4 6 8 1 t .8.6 Real Part of Three Scaled Wavelets a = 1 a = 5 a = 1 1.2 1 Imaginary Part of Three Scaled Wavelets

Διαβάστε περισσότερα

Notes from Covariance Matching Estimation Techniques for Array Signal Processing Applications

Notes from Covariance Matching Estimation Techniques for Array Signal Processing Applications Notes from Covariance Matching Estimation Techniques for Array Signal Processing Applications Daniel Eriksson June 13, 2011 1 COMET These notes are based on Sections 1-4 and Appendix A in [1 which describes

Διαβάστε περισσότερα

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.

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. 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 περισσότερα

Διερεύνηση ακουστικών ιδιοτήτων Νεκρομαντείου Αχέροντα

Διερεύνηση ακουστικών ιδιοτήτων Νεκρομαντείου Αχέροντα Διερεύνηση ακουστικών ιδιοτήτων Νεκρομαντείου Αχέροντα Βασίλειος Α. Ζαφρανάς Παναγιώτης Σ. Καραμπατζάκης ΠΕΡΙΛΗΨΗ H εργασία αφορά μία σειρά μετρήσεων του χρόνου αντήχησης της υπόγειας κρύπτης του «Νεκρομαντείου»

Διαβάστε περισσότερα

γ c = rl = lt R ~ e (g l)t/t R Intensität 0 e γ c t Zeit, ns

γ c = rl = lt R ~ e (g l)t/t R Intensität 0 e γ c t Zeit, ns There is however one main difference in this chapter compared to many other chapters. All loss and gain coefficients are given for the intensity and not the amplitude and are therefore a factor of 2 larger!

Διαβάστε περισσότερα

HMY 799 1: Αναγνώριση Συστημάτων

HMY 799 1: Αναγνώριση Συστημάτων HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 9 Insrumenal variable mehods συνέχεια Παραδείγματα Μέοδοι PEM, IV ο u() είναι επίμονα διεγερτικό (persisenly exciing) τάξης n αν: ο όριο ϕ ( τ) = lim u ( + τ)

Διαβάστε περισσότερα

Κεφάλαιο 2 Διαχείριση Σηµάτων σε Ψηφιακά Συστήµατα Ελέγχου

Κεφάλαιο 2 Διαχείριση Σηµάτων σε Ψηφιακά Συστήµατα Ελέγχου Κεφάλαιο 2 Διαχείριση Σηµάτων σε Ψηφιακά Συστήµατα Ελέγχου Μετατροπή Αναλογικού Σήµατος σε Ψηφιακό (A/D Conversion) Ο µετασχηµατισµός Ζ Μαθηµατική Ανάλυση της ιαδικασίας A/D Μετατροπή Ψηφιακού Σήµατος

Διαβάστε περισσότερα

Asymptotic distribution of MLE

Asymptotic distribution of MLE Asymptotic distribution of MLE Theorem Let {X t } be a causal and invertible ARMA(p,q) process satisfying Φ(B)X = Θ(B)Z, {Z t } IID(0, σ 2 ). Let ( ˆφ, ˆϑ) the values that minimize LL n (φ, ϑ) among those

Διαβάστε περισσότερα

Estimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University

Estimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University Estimation for ARMA Processes with Stable Noise Matt Calder & Richard A. Davis Colorado State University rdavis@stat.colostate.edu 1 ARMA processes with stable noise Review of M-estimation Examples of

Διαβάστε περισσότερα

Figure A.2: MPC and MPCP Age Profiles (estimating ρ, ρ = 2, φ = 0.03)..

Figure A.2: MPC and MPCP Age Profiles (estimating ρ, ρ = 2, φ = 0.03).. Supplemental Material (not for publication) Persistent vs. Permanent Income Shocks in the Buffer-Stock Model Jeppe Druedahl Thomas H. Jørgensen May, A Additional Figures and Tables Figure A.: Wealth and

Διαβάστε περισσότερα

SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM

SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης

Διαβάστε περισσότερα

ΔΥΝΑΜΙΚΗ & ΕΛΕΓΧΟΣ ΑΣΚΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ

ΔΥΝΑΜΙΚΗ & ΕΛΕΓΧΟΣ ΑΣΚΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Τ.Ε.Ι. ΚΡΗΤΗΣ - ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ, ΑΥΤΟΜΑΤΙΣΜΟΥ & ΡΟΜΠΟΤΙΚΗΣ ΔΥΝΑΜΙΚΗ & ΕΛΕΓΧΟΣ ΑΣΚΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Μ. Σφακιωτάκης msfak@staff.teicrete.gr Χειµερινό εξάµηνο 18-19

Διαβάστε περισσότερα

1. (a) (5 points) Find the unit tangent and unit normal vectors T and N to the curve. r(t) = 3cost, 4t, 3sint

1. (a) (5 points) Find the unit tangent and unit normal vectors T and N to the curve. r(t) = 3cost, 4t, 3sint 1. a) 5 points) Find the unit tangent and unit normal vectors T and N to the curve at the point P, π, rt) cost, t, sint ). b) 5 points) Find curvature of the curve at the point P. Solution: a) r t) sint,,

Διαβάστε περισσότερα

Σήματα και Συστήματα. Διάλεξη 13: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής

Σήματα και Συστήματα. Διάλεξη 13: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής Σήματα και Συστήματα Διάλεξη 13: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace 1. Επίλυση Γραμμικών

Διαβάστε περισσότερα

The Spiral of Theodorus, Numerical Analysis, and Special Functions

The Spiral of Theodorus, Numerical Analysis, and Special Functions Theo p. / The Spiral of Theodorus, Numerical Analysis, and Special Functions Walter Gautschi wxg@cs.purdue.edu Purdue University Theo p. 2/ Theodorus of ca. 46 399 B.C. Theo p. 3/ spiral of Theodorus 6

Διαβάστε περισσότερα

Ιστοσελίδα:

Ιστοσελίδα: ½¾ Â ÛÖ ÈÐ ÖÓ ÓÖ ÃÛ ÛÒ ÌÀÄ ½ Ð Ü Ιστοσελίδα: www.telecom.tuc.gr/courses/tel4 ÌÀÄ ½¾ Â ÛÖ ÈÐ ÖÓ ÓÖ ÃÛ ÛÒ ¼ ÌÑ Ñ ÀÅÅÍ ÈÓÐÙØ ÕÒ Ó ÃÖ Ø Αποκωδικοποιηση Γραμμικων Κωδικων Μπλοκ Soft-Decision Decoding ψ(t),

Διαβάστε περισσότερα

MAX4147ESD PART 14 SO TOP VIEW. Maxim Integrated Products 1 MAX4147 EVALUATION KIT AVAILABLE ; Rev 1; 11/96 V CC V EE OUT+ IN+ R t SENSE IN-

MAX4147ESD PART 14 SO TOP VIEW. Maxim Integrated Products 1 MAX4147 EVALUATION KIT AVAILABLE ; Rev 1; 11/96 V CC V EE OUT+ IN+ R t SENSE IN- -; Rev ; / EVALUATION KIT AVAILABLE µ µ PART ESD TEMP. RANGE - C to +5 C PPACKAGE SO TOP VIEW V EE V CC SENSE+ SENSE- R t R t R t R t MAX SENSE OUT SENSE+ SENSE- N.C. SHDN N.C. 3 5 R f R G R f 3 VDSL TRANSFORMER

Διαβάστε περισσότερα

Κλασσική Θεωρία Ελέγχου

Κλασσική Θεωρία Ελέγχου ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 6: Αντίστροφος μετασχηματισμός Laplace Νίκος Καραμπετάκης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

Ασύρµατες Επικοινωνίες

Ασύρµατες Επικοινωνίες Ασύρµατες Επικοινωνίες Στο κεφάλαιο αυτό µελετάµε τεχνικές διαµόρφωσης και αποδιαµόρφωσης που είναι κατάλληλες για κανάλια ασύρµατων επικοινωνιών, των οποίων τα χαρακτηριστικά µετάδοσης είναι χρονικά µεταβαλλόµενα.

Διαβάστε περισσότερα

10 20 X i a i (i, j) a ij (i, j, k) X x ijk j :j i i: R I J R K L IK JL a 11 a 12... a 1J a 21 a 22... a 2J = a I1 a I2... a IJ = [ 1 1 1 2 1 3... J L 1 J L ] R I K R J K IJ K = [ 1 1 2 2... K

Διαβάστε περισσότερα

Alterazioni del sistema cardiovascolare nel volo spaziale

Alterazioni del sistema cardiovascolare nel volo spaziale POLITECNICO DI TORINO Corso di Laurea in Ingegneria Aerospaziale Alterazioni del sistema cardiovascolare nel volo spaziale Relatore Ing. Stefania Scarsoglio Studente Marco Enea Anno accademico 2015 2016

Διαβάστε περισσότερα

6.3 Forecasting ARMA processes

6.3 Forecasting ARMA processes 122 CHAPTER 6. ARMA MODELS 6.3 Forecasting ARMA processes The purpose of forecasting is to predict future values of a TS based on the data collected to the present. In this section we will discuss a linear

Διαβάστε περισσότερα

Approximation of distance between locations on earth given by latitude and longitude

Approximation of distance between locations on earth given by latitude and longitude Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth

Διαβάστε περισσότερα

Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)

Χρονικές 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 περισσότερα

r r t r r t t r t P s r t r P s r s r r rs tr t r r t s ss r P s s t r t t tr r r t t r t r r t t s r t rr t Ü rs t 3 r r r 3 rträ 3 röÿ r t

r r t r r t t r t P s r t r P s r s r r rs tr t r r t s ss r P s s t r t t tr r r t t r t r r t t s r t rr t Ü rs t 3 r r r 3 rträ 3 röÿ r t r t t r t ts r3 s r r t r r t t r t P s r t r P s r s r P s r 1 s r rs tr t r r t s ss r P s s t r t t tr r 2s s r t t r t r r t t s r t rr t Ü rs t 3 r t r 3 s3 Ü rs t 3 r r r 3 rträ 3 röÿ r t r r r rs

Διαβάστε περισσότερα

Ευρυζωνικά δίκτυα (2) Αγγελική Αλεξίου

Ευρυζωνικά δίκτυα (2) Αγγελική Αλεξίου Ευρυζωνικά δίκτυα (2) Αγγελική Αλεξίου alexiou@unipi.gr 1 Σήματα και πληροφορία Βασικές έννοιες 2 Αναλογικά και Ψηφιακά Σήματα Στις τηλεπικοινωνίες συνήθως χρησιμοποιούμε περιοδικά αναλογικά σήματα και

Διαβάστε περισσότερα

Στοχαστικά Σήματα και Τηλεπικοινωνιές

Στοχαστικά 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 περισσότερα

7KH VHQVLWLYLW\ RI UDGLRWKHUDS\ WR WLVVXH FRPSRVLWLRQ DQG LWV HVWLPDWLRQ XVLQJ QRYHO GXDO HQHUJ\ &7 PHWKRGV Guillaume Landry

7KH VHQVLWLYLW\ RI UDGLRWKHUDS\ WR WLVVXH FRPSRVLWLRQ DQG LWV HVWLPDWLRQ XVLQJ QRYHO GXDO HQHUJ\ &7 PHWKRGV Guillaume Landry Guillaume Landry UUNIVERSITAIRE PERS MAASTRICHT P M 1 ρ 2 60 "Monte Carlo" AND brachytherapy Number of publications 50 40 30 20 10 0 1980 1985 1990 1995 2000 2005 2010 Publication year μ ρ

Διαβάστε περισσότερα

η η η η GAR = 1 F RR η F RR F AR F AR F RR η F RR F AR µ µ µ µ µ µ Γ R N=mxn W T X x mean X W T x g W P x = W T (x g x mean ) X = X x mean P x = W T X d P x P i, i = 1, 2..., G M s t t

Διαβάστε περισσότερα

Topic 4. Linear Wire and Small Circular Loop Antennas. Tamer Abuelfadl

Topic 4. Linear Wire and Small Circular Loop Antennas. Tamer Abuelfadl Topic 4 Linear Wire and Small Circular Loop Antennas Tamer Abuelfadl Electronics and Electrical Communications Department Faculty of Engineering Cairo University Tamer Abuelfadl (EEC, Cairo University)

Διαβάστε περισσότερα

Tunable Diode Lasers. Turning Laser Diodes into Diode Lasers. Mode selection. Laser diodes

Tunable Diode Lasers. Turning Laser Diodes into Diode Lasers. Mode selection. Laser diodes Tunable Diode Lasers Turning Laser Diodes into Diode Lasers Laser diodes Mode selection FP diodes high power at low cost AR diodes for best performance Compact and robust Littrow setup Highest power from

Διαβάστε περισσότερα

Στοχαστικά Σήµατα και Εφαρµογές

Στοχαστικά Σήµατα και Εφαρµογές Στοχαστικά Σήµατα & Εφαρµογές Εκτίµηση Φάσµατος ιδάσκων: Ν. Παπανδρέου (Π.. 47/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Μη παραµετρικές µέθοδοι: Περιοδόγραµµα Φάσµα ισχύοςµιας

Διαβάστε περισσότερα

C F E E E F FF E F B F F A EA C AEC

C F E E E F FF E F B F F A EA C AEC Proceedings of the International Multiconference on Computer Science and Information Technology pp. 767 774 ISBN 978-83-60810-27-9 ISSN 1896-7094 CFEEEFFFEFBFFAEAC AEC EEEDB DACDB DEEE EDBCD BACE FE DD

Διαβάστε περισσότερα

SECTION II: PROBABILITY MODELS

SECTION II: PROBABILITY MODELS SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant

Διαβάστε περισσότερα

F (x) = kx. F (x )dx. F = kx. U(x) = U(0) kx2

F (x) = kx. F (x )dx. F = kx. U(x) = U(0) kx2 F (x) = kx x k F = F (x) U(0) U(x) = x F = kx 0 F (x )dx U(x) = U(0) + 1 2 kx2 x U(0) = 0 U(x) = 1 2 kx2 U(x) x 0 = 0 x 1 U(x) U(0) + U (0) x + 1 2 U (0) x 2 U (0) = 0 U(x) U(0) + 1 2 U (0) x 2 U(0) =

Διαβάστε περισσότερα

THICK FILM LEAD FREE CHIP RESISTORS

THICK FILM LEAD FREE CHIP RESISTORS Features Suitable for lead free soldering. Compatible with flow and reflow soldering Applications Consumer Electronics Automotive industry Computer Measurement instrument Electronic watch and camera Configuration

Διαβάστε περισσότερα

6. MAXIMUM LIKELIHOOD ESTIMATION

6. MAXIMUM LIKELIHOOD ESTIMATION 6 MAXIMUM LIKELIHOOD ESIMAION [1] Maximum Likelihood Estimator (1) Cases in which θ (unknown parameter) is scalar Notational Clarification: From now on, we denote the true value of θ as θ o hen, view θ

Διαβάστε περισσότερα

Fundamentals of Array Antennas

Fundamentals of Array Antennas Fundamentals of Array Antennas Nobuyoshi Kikuma 466-8555 Dept. of Computer Science and Engineering, Nagoya Institute of Technology Gokiso-cho, Showa-ku, Nagoya, 466-8555, Japan Abstract Array antenna technologies

Διαβάστε περισσότερα

Θερ ικοί Αισθητήρες. Α. Πετρόπουλος - Τεχνολογία των αισθητήρων. 2011. Θερμικοί αισθητήρες. 1. Αισθητήρας Μέτρησης Ροής

Θερ ικοί Αισθητήρες. Α. Πετρόπουλος - Τεχνολογία των αισθητήρων. 2011. Θερμικοί αισθητήρες. 1. Αισθητήρας Μέτρησης Ροής Θερ ικοί Αισθητήρες Α. Πετρόπουλος - Τεχνολογία των αισθητήρων. 011 Θερμικοί αισθητήρες 1. Αισθητήρας Μέτρησης Ροής Θερ ικοί Αισθητήρες Α. Πετρόπουλος - Τεχνολογία των αισθητήρων. 011 Συγκεντρωτικά Εφαρμογές

Διαβάστε περισσότερα

Reminders: linear functions

Reminders: linear functions Reminders: linear functions Let U and V be vector spaces over the same field F. Definition A function f : U V is linear if for every u 1, u 2 U, f (u 1 + u 2 ) = f (u 1 ) + f (u 2 ), and for every u U

Διαβάστε περισσότερα