x(t) = e 2t u(t) (4) y(t) = e t u( t) (5)

Σχετικά έγγραφα
x(t) = rect 1 t, 0 t 1 y(t) = 0, αλλού

x(t) = rect 1 y(t) = 0, αλλού

x(t) = cos(2π100t + π/3) sin(2π250t + π/4) (1)

= 5 cos(2π500t π/2) + 9 cos(2π900t + π/3) cos(2π1400t) (9) H(f) = 4.5, αλλού

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

x(t) = 4 cos(2π600t π/3) + 2 sin(2π900t + π/4) + sin(2π1200t) (1) w(t) = y(t)z(t) = 2δ(t + 1) (2) (2 sin(2π900t + π/4) t= 1 + sin(2π1200t) )

x(t) = 4 cos(2π400t π/3) + 2 cos(2π900t + π/8) + cos(2π1200t) h(t) = 2000sinc(2000t) = h(t) = 2000sinc(2000t) H(f) = rect

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-215: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς ιδάσκοντες : Γ. Στυλιανού, Γ.

δ[n kp ], k Z (1) 1 cos πn, N 1 n N 1 + N 2 2N

LCs 2 + RCs + 1. s 1,2 = RC ± R 2 C 2 4LC 2LC. (s 2)(s 3) = A. = 4 s 3 s=2 s + 2 B = (s 2)(s 3) (s 3) s=3. = s + 2. x(t) = 4e 2t u(t) + 5e 3t u(t) (2)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

x(t) = 4 cos(2π600t π/3) + 2 cos(2π900t + π/8) + cos(2π1200t) (3)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

= R{(a + jb)e j2π 3 4 t } (6) a + jb = j2.707 = e j π (7) A = (9) f 0 = 3 4

z(t) = 5.05e j(2πf 0t 0.209) sin 3 (5t)dt = 4 15 x(t) = 4 + cos(2π100t + π/3) cos(2π250t π/7) + 2 sin(2π300t π/4) (6)

y(t) = x(t) + e x(2 t)

X 1 = X1 = 1 (1) X 3 = X3 = 1 (2) X k e j2πk 1 2 t = k

X(t) = A cos(2πf c t + Θ) (1) 0, αλλού. 2 cos(2πf cτ) (9)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-370: Ψηφιακή Επεξεργασία Σήµατος Χειµερινό Εξάµηνο 2016 ιδάσκοντες : Γ. Στυλιανού - Γ.

x(t) 2 dt X(f) 2 df T d B w 1

P x = X k 2 (2) = = p = 78% (5)

LC d2 dt 2 y(t) + RC d y(t) + y(t) = x(t) (1)

x(t) = sin 2 (5πt) cos(22πt) = x 2 (t)dt

y[n] = x[n] + αx[n M], a < 1 (1) y[n] = αy[n M] + x[n], a < 1 (2)

x(t) = 2 + cos(2πt) sin(πt) 3 cos(3πt) cos(θ + π) = cos(θ). (3)

Εξεταστική Ιανουαρίου 2007 Μάθηµα: «Σήµατα και Συστήµατα»

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

y[n] = x[n] + αx[n M], a < 1 (1) y[n] + αy[n M] = x[n], a < 1 (2)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

y[n] = x[n] + αx[n M], a < 1 (1) y[n] = αy[n M] + x[n], a < 1 (2)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

= t2 t T 2T 3t + 9T, για t < 3T και t 2T 2T t < 3T (Σχήµα

y(t) = x(t) + e x(2 t)

x(t) ax 1 (t) y(t) = 1 ax 1 (t) = (1/a)y 1(t) x(t t 0 ) y(t t 0 ) =

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

e (4+j2πf)t dt (5) (0 1)

0 2j e jπt e j2πkt dt (3)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

d 2 dt 2 y(t) + d y(t) 2y(t) = x(t) (1)

dx T0 (t) 2 T rect ( t sinc = 1 2 sinc ( k

Περιεχόµενα ΕΠΛ 422: στα Συστήµατα Πολυµέσων. Βιβλιογραφία. ειγµατοληψία. ηµιουργία ψηφιακής µορφής πληροφορίας στα Συστήµατα Πολυµέσων

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

x[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)

= 1 E x. f(t)x n (t)dt, n = 1, 2,, N (2) = 0, i = 1, 2,, N (3) E e = e 2 (t)dt (4) e(t) = f(t) c n x n (t) (5) f(t) cx(t) = 4 sin(t) (7)

bx 2 (t). Για είσοδο ax 1(t) + bx 2 (t), η έξοδος είναι x(t t 0 ) και y(t t 0) = t t 0 x(t) ax 1 (t 1) + bx 2 (t 1) sin ax 1 (t)+

1, 0 t < 1. (3 2t), 1 t < 3 0, αλλού. t + 1, 1 t < 0. 2, 1 t < 2 t 3, 2 t < 3

x[n]z n = ) nu[n]z n z 1) n z 1 (5) ( 1 z(2z 1 1]z n +

f s > 2B, (9.1) T s < 1 2B (9.2) f s > 2B (9.3) x(t) X(f) X(0)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ

Θεώρημα δειγματοληψίας

ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ. Εισαγωγή στα Σήµατα Εισαγωγή στα Συστήµατα Ανάπτυγµα - Μετασχηµατισµός Fourier Μετασχηµατισµός Z

400 = t2 (2) t = 15.1 s (3) 400 = (t + 1)2 (5) t = 15.3 s (6)

y = u i t 1 2 gt2 y = m y = 0.2 m

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών. HY-215: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς Εαρινό Εξάµηνο 2013 ιδάσκων : Π.

x(t) 2 = e 2 t = e 2t, t > 0

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ

x(t)e jωt dt = e 2(t 1) u(t 1)e jωt dt = e 2 t 1 e jωt dt =

Ενότητα 4: Δειγματοληψία - Αναδίπλωση

x 1 [n] = 0, αλλού x[n]e jωn X(e jω ) =

Εφαρμογή στις ψηφιακές επικοινωνίες

Επομένως το εύρος ζώνης του διαμορφωμένου σήματος είναι 2.

Εισαγωγή στην Επεξεργασία Σήματος. Νόκας Γιώργος

T 2 Tsinc2( ft e j2πf3t

y[n] ay[n 1] = x[n] + βx[n 1] (6)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών

H ap (z) = z m a 1 az m (1)

Σεραφείµ Καραµπογιάς ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ

ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ Εισαγωγή. Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής

u = x t t = t 0 = T = x u = = s t = = s u = u bat 1 + T c = 343 m/s 273

Προσδιορισµός της φασµατικής ισχύος ενός σήµατος

ΑΝΑΠΤΥΓΜA - ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER ΑΝΑΛΟΓΙΚΩΝ ΣΗΜΑΤΩΝ. Περιγράψουµε τον τρόπο ανάπτυξης σε σειρά Fourier ενός περιοδικού αναλογικού σήµατος.

c n x n (t)) f(t) c n x n (t)dt + θ f 2 (t)dt = 0 f(t)c i x i (t)dt =

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Σημάτων. Άσκηση 3η. Στυλιανού Ιωάννης. Τμήμα Επιστήμης Υπολογιστών

Ψηφιακή Επεξεργασία Σημάτων

ΕΕ728 Προχωρηµένα Θέµατα Θεωρίας Πληροφορίας 12η διάλεξη

y[n] = f(x[n], w[n]) (1) w[n] = f(x[n], y[n]) (2)

ΕΥΑΙΣΘΗΣΙΑ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ

Εισαγωγή στις Τηλεπικοινωνίες. Δομή της παρουσίασης

Σήματα και Συστήματα. Διάλεξη 2: Στοιχειώδη Σήματα Συνεχούς Χρόνου. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής

ΗΜΥ 100 Εισαγωγή στην Τεχνολογία ιάλεξη 18

ΕΑΠ/ΠΛΗ-22/ΑΘΗ.3 1 η τηλεδιάσκεψη 03/11/2013. επικαιροποιημένη έκδοση Ν.Δημητρίου

Εισαγωγή στις Τηλεπικοινωνίες. Δομή της παρουσίασης

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες -Εαρινό Εξάµηνο 2016 ιδάσκων : Π.

Διακριτός Μετασχηματισμός Fourier

ΑΝΑΛΥΣΗ ΣΗΜΑΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΤΟ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟ FOURIER

Επεξεργασία Πολυµέσων. Δρ. Μαρία Κοζύρη Π.Μ.Σ. «Εφαρµοσµένη Πληροφορική» Τµήµα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Πανεπιστήµιο Θεσσαλίας

Επικοινωνίες στη Ναυτιλία

Επαναληπτικές Ασκήσεις για το µάθηµα Ψηφιακή Επεξεργασία Σηµάτων

a x (t) = d dt u x(t) = d dt dt x(t) )

Συλλογή & Επεξεργασία Δεδομένων Εργαστήριο 7 Ακούγοντας Πρώτη Ματιά στην Ανάλυση Fourier. Σύστημα Συλλογής & Επεξεργασίας Μετρήσεων

c(2x + y)dxdy = 1 c 10x )dx = 1 210c = 1 c = x + y 1 (2xy + y2 2x + y dx == yx = 1 (32 + 4y) (2x + y)dxdy = 23 28

ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 7-8 : Συστήματα Δειγματοληψία Χρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων

Τι είναι σήµα; Σεραφείµ Καραµπογιάς

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

x[n]e jωn (1) X(e jωkn ) x[n]e jω kn

Σήματα και Συστήματα. Διάλεξη 1: Σήματα Συνεχούς Χρόνου. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής

Συλλογή & Επεξεργασία Δεδομένων Εργαστήριο 8 Επεξεργασία Σήματος με την Ανάλυση Fourier. Σύστημα Συλλογής & Επεξεργασίας Μετρήσεων

Σήματα και Συστήματα. Διάλεξη 7: Μετασχηματισμός Fourier. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής

Transcript:

Ηµεροµηνία Ανάθεσης : 17/5/2018 ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-215: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς Εαρινό Εξάµηνο 2017-18 ιδάσκοντες : Γ. Στυλιανού, Γ. Καφεντζής Εβδοµη Σειρά Ασκήσεων Ηµεροµηνία Παράδοσης : 5/6/2018-Ηµέρα Εξέτασης Οι ασκήσεις µε [ ] είναι bonus, +10 µονάδες η καθεµία στο ϐαθµό αυτής της σειράς ασκήσεων (δηλ. µπορείτε να πάρετε µέχρι 120/100 σε αυτή τη σειρά.) Ασκηση 1 - Συσχετίσεις Υπολογίστε την ετεροσυσχέτιση φ yx (τ) των δυο παρακάτω σηµάτων. x(t) = y(t) = { 1, 1 2 t 3 2 (1) 0, αλλού { 1 2t, 0 t 1 (2) 0, αλλού 3 4 + 2τ τ 2 1, 2 τ 3 2 Απ.: φ yx (τ) = τ 2 1 4, 1 2 τ < 1 2 0, αλλού Βρείτε την ετεροσυσχέτιση φ xy (τ) χωρίς να κάνετε ξανά πράξεις. Ασκηση 2 - ιαφασµατική Πυκνότητα Ενέργειας και Ετεροσυσχέτιση Η ιαφασµατική Πυκνότητα Ενέργειας δυο σηµάτων δίνεται ως 1 Φ xy (f) = sinc(f) 1 + j2πf (3) Βρείτε την ετεροσυσχέτιση, φ xy (τ). 0, αλλού Απ.: φ xy (τ) = 1 e (1/2+τ), e (τ 1/2) e (τ+1/2), 1 2 τ 1 2 τ > 1 2 Ασκηση 3 - Απεριοδικές Συσχετίσεις και Φασµατικές Πυκνότητες Εστω τα γνωστά σας σήµατα (αʹ) Υπολογίστε τη συνάρτηση αυτοσυσχέτισης φ x (τ) του σήµατος x(t). (ϐʹ) Υπολογίστε τη Φασµατική Πυκνότητα Ενέργειάς του y(t), Φ y (f). x(t) = e 2t u(t) (4) y(t) = e t u( t) (5) Απ.: φ x (τ) = 1 4 ( ) e 2τ u(τ) + e 2τ u( τ) Απ.: Φ y (f) = 1 1 + 4π 2 f 2 (γʹ) Υπολογίστε τη συνάρτηση ετεροσυσχέτισης φ xy (τ) και τη ιαφασµατική Πυκνότητα Ενέργειας, Φ xy (f).

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 2 Απ.: φ xy (τ) = (e τ e 2τ )u( τ) 1 Φ xy (f) = (2 j2πf)(1 j2πf) Ασκηση 4 - Περιοδικές Συσχετίσεις και Φασµατικές Πυκνότητες Εστω το περιοδικό σήµα x(t) που περιγράφεται σε µια περίοδό του στο διάστηµα [ T 0 /2, T 0 /2] ως x(t, T 0 ) = (αʹ) Υπολογίστε τη συνάρτηση αυτοσυσχέτισης φ x (τ) του περιοδικού σήµατος. { A, t T 0 4 0, t > T 0 4 (6) Απ.: φ x (τ) = (ϐʹ) Υπολογίστε τη Φασµατική Πυκνότητα Ισχύος Φ x (f) του περιοδικού σήµατος. Απ.: Φ x (f) = + k= + k= A 2 ( τ 2 tri kt0 ) T 0 2 A 2 4 sinc2( k ) δ(f kf 0 ) 2 Ασκηση 5 - Στα ϐήµατα των Nyquist-Shannon - Ι Εστω το σήµα x(t) = sin(2πf 0 t) (7) (αʹ) Βρείτε το µετασχ. Fourier αυτού, X(f). (ϐʹ) Σχεδιάστε το ϕάσµα πλάτους και το ϕάσµα ϕάσης του. (γʹ) Βρείτε τη µέγιστη συχνότητα, f max, του ϕάσµατος πλάτους του σήµατος. (δʹ) Σχεδιάστε το αποτέλεσµα της δειγµατοληψίας του σήµατος x(t) στο χώρο της συχνότητας, αν χρησιµοποιήσουµε συχνότητα δειγµατοληψίας i. f s > 2f max ii. f s < 2f max iii. f s = 2f max Εξηγήστε τι συµβαίνει σε κάθε περίπτωση. [ ] Ασκηση 6 - Στα ϐήµατα των Nyquist-Shannon - ΙΙ Σας δίνονται τα σήµατα x 1 (t) = sin(2π2000t) πt (8) x 2 (t) = 1 + cos(2π1000t) + sin(2π2000t) (9) p(t) = + n= δ(t nt s ), µε T s = 1 6000 s (10) (αʹ) Σχεδιάστε το X pi (f), το οποίο είναι ο µετασχ. Fourier του x pi (t) = x i (t)p(t), µε i = 1, 2.

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 3 (ϐʹ) Τι συµβαίνει όταν το σήµα x pi (t) περνά από το ιδανικό ϕίλτρο ανακατασκευής H r (f) µε συχνότητα αποκοπής f s /2, δηλ. { 1, f fs /2 H r (f) = (11) 0, f > f s /2 Ασκηση 7 - ειγµατοληψία και ιακριτά Σήµατα Ι Θεωρήστε τα παρακάτω σήµατα x 1 (t) = cos(2π80t) (12) x 2 (t) = cos(2π400t) (13) τα οποία δειγµατοληπτούνται µε ϱυθµό f s = 320 Hz. Βρείτε τη µαθηµατική µορφή των διακριτών σηµάτων x 1 [n], x 2 [n]. Σχεδιάστε τα ως προς το διακριτό χρόνο n. Τι παρατηρείτε ; Απ: x 1 [n] = x 2 [n] Ασκηση 8 - ειγµατοληψία και ιακριτά Σήµατα ΙΙ Θεωρήστε το σήµα x a (t) = 6 cos(2π1500t) + 2 sin(2π1000t) + 8 cos(2π3000t) (14) (αʹ) Ποιός είναι ο ϱυθµός Nyquist για το παραπάνω σήµα ; (ϐʹ) Εστω ότι δειγµατοληπούµε το σήµα µε ϱυθµό f s = 2000 Hz. Ποιά είναι η µαθηµατική µορφή του διακριτού σήµατος x[n] µετά τη δειγµατοληψία ; Απ: x[n] = 6 cos(3πn/2) + 8 cos(πn) (γʹ) Ποιό είναι το σήµα συνεχούς χρόνου που µπορούµε να ανακατασκευάσουµε από τα δείγµατα του x[n]; Είναι ίδιο µε το x a (t); Γιατί ; Ασκηση 9 - ειγµατοληψία και ιακριτά Σήµατα III Ενα σήµα συνεχούς χρόνου περιέχει συχνότητες ως τα 10 khz. (αʹ) Ποιό είναι το εύρος συχνοτήτων δειγµατοληψίας που επιτρέπει την ακριβή ανακατασκευή του σήµατος από τα δείγµατά του ; (ϐʹ) Ποιός είναι ο ϱυθµός Nyquist για το σήµα αυτό ; (γʹ) Αν η συχνότητα δειγµατοληψίας είναι f s = 10 khz, τότε ποιά είναι η µέγιστη συχνότητα που µπορεί να αναπαρασταθεί µε µοναδικό τρόπο από το δειγµατοληπτηµένο σήµα ; Ασκηση 10 - Αφαίρεση ηχούς - MATLAB Σε προηγούµενη σειρά ασκήσεων, προσθέσατε µε τη ϐοήθεια του MATLAB ηχώ σε µια ηχογράφηση. Ενα πολύ σηµαντικό - και ακόµα ερευνητικά ενεργό - πρόβληµα στην Επεξεργασία Σήµατος είναι η αφαίρεση της ηχούς - (echo cancellation) από µια ηχογράφηση. Σε αυτήν την άσκηση ϑα προσπαθήσουµε να αφαιρέσουµε την ηχώ µε τη ϐοήθεια της αυτοσυσχέτισης. (αʹ) Σας δίνονται δυο αρχεία της µορφής echo-type_echo.wav, στα οποία ξεκινά η ηχώ από ένα χρονικό σηµείο. Σε καθένα από αυτά η ηχώ καθυστερεί όλο και περισσότερο, κάνοντας το αποτέλεσµα πολύ ενοχλητικό. Φορτώστε τα στο MATLAB και ακούστε τα - διαδοχικά, εκτελώντας τις εντολές ανά Ϲεύγος - µε τις εντολές

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 4 [x1,fs] = audioread( medium_echo.wav ); soundsc(x1,fs); [x2,fs] = audioread( heavy_echo.wav ); soundsc(x2,fs); Στη συζήτηση που ακολουθεί ϑα αναφερόµαστε σε ένα αρχείο εξ αυτών, για λόγους απλότητας. πρέπει να επαναλάβετε τη διαδικασία που ϑα ακολουθήσουµε και για τα δυο. Εσείς (ϐʹ) Γνωρίζετε από άσκηση προηγούµενης σειράς ασκήσεων ότι το σύστηµα που µοντελοποιεί την ηχώ δίνεται µέσω της κρουστικής απόκρισής του ως του οποίου η απόκριση σε συχνότητα H(f) είναι h(t) = δ(t) + aδ(t t d ) (15) H(f) = 1 + ae j2πft d (16) Εµείς ϑέλουµε ένα σύστηµα που να ακυρώνει το παραπάνω σύστηµα, δηλ. ένα λεγόµενο αντίστροφο σύστη- µα h inv (t), το οποίο αν το συνδέσουµε σε σειρά µε το παραπάνω σύστηµα h(t) (ή αλλιώς, αν πάρουµε την έξοδο του h(t) και την ϐάλουµε είσοδο στο h inv (t)), ϑα ακυρώνει την επίδραση του h(t) σε µια οποιαδήποτε είσοδο x(t). Αυτή η διαδικασία περιγράφεται µε όρους συστηµάτων ως εξής Από αυτήν την σχέση εύκολα ϐλέπουµε ότι για να ισχύει, ϑα πρέπει y final (t) = x(t) h(t) h inv (t) = x(t) (17) h(t) h inv (t) = δ(t) (18) Το αντίστροφο σύστηµα µπορεί εύκολα να ϐρεθεί στο χώρο της συχνότητας. Εχουµε και άρα Οµως ξέρουµε ότι και άρα h(t) h inv (t) = δ(t) H(f)H inv (f) = 1 (19) H inv (f) = 1 H(f) = 1 1 + ae j2πft d H(f) = Y (f) X(f) Y (f) X(f) = 1 1 + ae j2πft Y (f) + ay (f)e j2πft d = X(f) (22) d και εύκολα ϐρίσκουµε, µε χρήση ιδιοτήτων µετασχ. Fourier, ότι (20) (21) y(t) + ay(t t d ) = x(t) (23) Αυτό είναι λοιπόν το σύστηµα που αν πάρει ως είσοδο x(t) ένα σήµα µε ηχώ που ξεκινά τη χρονική στιγµή t d και έχει πλάτος ηχούς a, ϑα αναλάβει να την ακυρώσει, και να µας επιστρέψει ως έξοδο y(t) ένα σήµα καθαρό από ηχώ! (γʹ) Οµως για να µπορέσουµε να το υλοποιήσουµε, χρειαζόµαστε να ξέρουµε πότε ξεκινά η ηχώ στο σήµα µας, δηλ. τη χρονική στιγµή t d - αν υποθέσουµε ότι το πλάτος a της ηχούς µας είναι γνωστό 1. Παρατηρώντας το σήµα στο χρόνο, είναι αδύνατο να ϐρούµε πότε ξεκινά η ηχώ. Οµως, γνωρίζουµε από τη ϑεωρία ότι η συνάρτηση αυτοσυσχέτισης είναι µια συνάρτηση που συγκρίνει ένα σήµα µε τον εαυτό του και µας ϐοηθά 1 Φυσικά ποτέ δεν είναι, στην πράξη!

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 5 να ϐρούµε οµοιότητες. Επίσης γνωρίζουµε ότι η αυτοσυσχέτιση λειτουργεί συγκρίνοντας µετατοπισµένες εκδόσεις ενός σήµατος µε τον εαυτό του, και δίνει µεγάλες τιµές όταν υπάρχουν µεγάλες οµοιότητες. Θα µπορούσε κανείς λοιπόν να σκεφτεί ότι η ηχώ, ως καθυστερηµένο και µικρότερου πλάτους αντίγραφο του σήµατος, σίγουρα ϑα έχει οµοιότητες µε το τµήµα του σήµατος που δεν έχει ηχώ (αυτό το µικρό κοµµάτι στην αρχή της ηχογράφησης που ακούτε ότι είναι καθαρό - δηλ. δεν του έχει προστεθεί ηχώ γιατί ακόµα δεν έχει ϕτάσει στο µικρόφωνο). Οπότε αν εκτελέσουµε την πράξη της αυτοσυσχέτισης, σίγουρα ϑα ϐρούµε µια υψηλή τιµή της όταν το κοµµάτι του σήµατος πριν αρχίσει η ηχώ συµπέσει µε το κοµµάτι του σήµατος που αρχίζει η ηχώ. Πότε συµβαίνει αυτό όµως ; Μα ϕυσικά τη χρονική στιγµή t d! (δʹ) Η συνάρτηση xcorr του MATLAB υπολογίζει την αυτοσυσχέτιση δυο (διακριτού χρόνου) σηµάτων, και επιστρέφει τις τιµές της αυτοσυσχέτισης για τις διάφορες µετατοπίσεις τ. Γράψτε doc xcorr για να δείτε το documentation, και χρησιµοποιήστε τη για να ϐρείτε το αποτέλεσµα της αυτοσυσχέτισης. Μια και οι ηχογραφήσεις που σας δίνονται είναι ψηφιακά σήµατα, µπορείτε να τη χρησιµοποιήσετε κατευθείαν, χωρίς προσεγγίσεις συνεχούς χρόνου. Χρησιµοποιήστε τη σύνταξη της xcorr που επιστρέφει δυο ορίσµατα : την αυτοσυσχέτιση και τον άξονα του χρόνου (lags). (εʹ) Κάντε plot τη γραφική παράσταση της αυτοσυσχέτισης συναρτήσει των lags. Αναζητήστε (οπτικά) κάποιο ισχυρό peak, που να ξεχωρίζει από τα άλλα, για κάποια ϑετική χρονική στιγµή. Χρησιµοποιήστε τον Data Cursor για να ϐρείτε τη χρονική στιγµή αυτού του ισχυρού peak. Θα χρειαστεί να κάνετε µεγέθυνση κοντά στην αρχή των αξόνων. Αυτή είναι η χρονική στιγµή t d της ηχούς! (ϛʹ) Η συχνότητα δειγµατοληψίας του σήµατος είναι f s = 16000 Hz. Αυτό σηµαίνει ότι σε ένα δευτερόλεπτο ήχου, έχουν καταγραφεί στον υπολογιστή 16000 δείγµατα-τιµές του αναλογικού σήµατος που ακούτε. Σε ποιό δείγµα n d αντιστοιχεί η χρονική στιγµή t d που ϐρήκατε ; (Ϲʹ) Το σύστηµα y(t) + ay(t t d ) = x(t) (24) είναι ένα αναδροµικό σύστηµα συνεχούς χρόνου. Οµως εσείς έχετε τιµές του σήµατος εισόδου x(t) για κάποιες χρονικές στιγµές (16000 τιµές ανά ένα δευτερόλεπτο), άρα το σήµα σας είναι διακριτού χρόνου. Άρα για να υλοποιήσουµε το σύστηµα αυτό στο MATLAB, το µετατρέπουµε σε διακριτού χρόνου σύστηµα ως y(n) + ay(n n d ) = x(n) y(n) = x(n) ay(n n d ) (25) όπου n είναι ακέραιοι αριθµοί, x(n) είναι ο πίνακας - διάνυσµα της ηχογράφησης που έχετε (µε ηχώ), y(n) ένας πίνακας - διάνυσµα που ϑα παράξετε και ϑα περιέχει το καθαρό σήµα, και n d η χρονική στιγµή σε δείγµατα που ϐρήκατε στο προηγούµενο ερώτηµα. (ηʹ) Χρησιµοποιήστε ένα ϐρόχο επανάληψης για να υλοποιήσετε το παραπάνω σύστηµα. Θεωρήστε ότι y(n) = 0, n < n d και ότι το πλάτος της ηχούς, a, είναι a = 0.5. Θυµηθείτε ότι η αρίθµηση των πινάκων στο MATLAB ξεκινά από το 1 (ένα). Ενδεικτικός ψευδοκώδικας παρατίθεται παρακάτω : N = length(shma_me_hxw); nd = % INSERT CODE HERE a = 0.5; % Diarkeia shmatos me hxw (se deigmata) % To nd pou brhkate % To platos ths hxous y = zeros(1, N); % Arxikopoihsh (san th calloc sth C) for n = nd+1:n %%%%%%%%%%%%%%%%%%%% % INSERT CODE HERE % %%%%%%%%%%%%%%%%%%%% end % Broxos opou ylopoieite to systhma

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 6 (ϑʹ) Υλοποιήστε τη διαδικασία και για τα δυο σήµατα που σας δίνονται. Ακούστε το αποτέλεσµα και σχολιάστε. Παραδώστε κώδικα MATLAB που να καθαρίζει την ηχώ και από τα δυο σήµατα. [ ] Ασκηση 11 - Εύρεση ϑεµελιώδους συχνότητας στην ανθρώπινη ϕωνή - MATLAB Ενα πολύ σηµαντικό - και ερευνητικά ενεργό - πρόβληµα στην επεξεργασία σήµατος ϕωνής είναι η ακριβής εκτίµηση της ϑεµελιώδους συχνότητας f 0 της ανθρώπινης ϕωνής, καθώς η ϑεµελιώδης συχνότητα χρησι- µοποιείται σε πολλές εφαρµογές, όπως για παράδειγµα στη σύνθεση οµιλίας από κείµενο (text-to-speech synthesis). Μια απλή τέτοια µέθοδος εκτίµησης είναι η µέθοδος της αυτοσυσχέτισης, που δίνεται ως γνωστόν ως φ xx (τ) = + x(t)x(t + τ)dt Ας πούµε όµως µερικές ενδιαφέρουσες λεπτοµέρειες πριν περάσουµε στην άσκηση. Η ανθρώπινη ϕωνή - και συγκεκριµένα, ο έµφωνος λόγος - µπορεί να παρασταθεί ως ένα σύστηµα h(t), που στην είσοδό του υπάρχει ενέργεια (προερχόµενη από τους πνεύµονες) σε µορφή µιας περιοδικής σειράς από παλµούς, x(t), η οποία καθορίζεται από τις ϕωνητικές χορδές, όπως στο Σχήµα 1. Πληροφοριακά και µόνο, το σήµα x(t) αντιπροσωπεύει την ταχύτητα ϱοής του αέρα ακριβώς επάνω από τις ϕωνητικές µας χορδές. Η είσοδος αυτή περνά σε ένα σύστηµα h(t), το οποίο περιγράφει τη ϕωνητική µας οδό, δηλ. τη ϑέση του x(t) y(t) T 0 t h(t) t Σχήµα 1: Μοντέλο παραγωγής ϕωνής. στόµατος, της γλώσσας, και των δοντιών, ανάλογα µε το ϕώνηµα που ϑέλουµε να εκφέρουµε. Το σύστηµα h(t) λειτουργεί σαν ϕίλτρο, που ενισχύει ή καταστέλλει συγκεκριµένες συχνότητες του σήµατος εισόδου x(t). Η έξοδος αυτού του συστήµατος y(t), είναι το σήµα ϕωνής που παράγεται, όπως ϕαίνεται στο Σχήµα 1, και αντιπροσωπεύει την πίεση των µορίων του αέρα ακριβώς έξω από το στόµα µας. Η απόσταση µεταξύ δυο διαδοχικών παλµών της εισόδου x(t) ονοµάζεται περίοδος T 0 του σήµατος εισόδου. Ο λόγος f 0 = 1 T 0 ονοµάζεται ϑεµελιώδης συχνότητα της ϕωνής µας, και αντιπροσωπεύει το ϱυθµό µε τον οποίο ανοιγοκλείνουν οι ϕωνητικές µας χορδές. Ενα άνοιγµα και κλείσιµο των ϕωνητικών χορδών αντιστοιχεί σε ένα παλµό του σήµατος x(t), όπως το ϐλέπετε στο Σχήµα 1. Βλέπετε ότι η περιοδικότητα των ϕωνητικών χορδών διατηρείται και στο τελικό σήµα ϕωνής. Παρ ολο που καταλαβαίνετε ότι τα σήµατα δεν είναι αυστηρώς περιοδικά, µπορούµε να τα ϑεωρήσουµε ως τέτοια, ϑεωρώντας ότι συνεχίζονται επ άπειρο, αλλά εµείς έχουµε κόψει ένα τµήµα τους µε χρήση ενός τετραγωνικού παλµού. Επιστρέφοντας στην άσκηση, η εκτίµηση της απόστασης T 0, δηλ. της περιόδου, και κατά συνέπεια της ϑεµελιώδους συχνότητας f 0, µπορεί να γίνει µε πολλούς τρόπος και σε πολλούς χώρους (χρόνο, συχνότητα, άλλους). Εµείς ϑα χρησιµοποιήσουµε τη γνωστή µας αυτοσυσχέτιση ώστε να ϐρούµε οµοιότητες του σήµατος της ϕωνής µε τον εαυτό του. Οι χρονικές ϑέσεις οµοιότητας ϑα συµβαίνουν σε πολλαπλάσια της T 0, αφού ένα τµήµα περιοδικού σήµατος παρουσιάζει οµοιότητες σε πολλαπλάσια της περιόδου του. Άρα η συνάρτηση αυτοσυσχέτισης περιµένουµε να παρουσιάζει τοπικά µέγιστες τιµές (δηλ. οµοιότητα) σε αυτές τις χρονικές στιγµές. Ας δούµε πως ϑα υπολογίσουµε αυτήν την τιµή της ϑεµελιώδους συχνότητας. (αʹ) Ηχογραφήστε ένα σήµα της ϕωνής σας όταν εκφέρετε ένα σταθερό ϕώνηµα /α/ για περίπου τρια (3) δευτερόλεπτα. Εναλλακτικά, χρησιµοποιήστε την ηχογράφησή σας από προηγούµενη σειρά ασκήσεων. (ϐʹ) Φορτώστε το σήµα στο MATLAB µε την εντολή [s,fs] = audioread( myvoice.wav );.

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 7 (γʹ) Κόψτε ένα τυχαίο τµήµα από τη ϕωνή σας, διάρκειας 40 ms. Αυτό µπορεί να γίνει ως % As paroume ena tmhma apo th mesh tou shmatos middle = round(length(s)/2); % Diarkeias 40 ms T = round(40*10ˆ(-3)*fs); % To apo8hkeuoume sto dianysma tmhma tmhma = s(middle:(middle + T)); όπου εδώ κόψαµε ένα τµήµα που ξεκινούσε από τη µέση του σήµατος. (δʹ) Κάντε τη γραφική παράσταση αυτού του τµήµατος µε χρήση της συνάρτησης plot, ορίζοντας κατάλληλα τον άξονα του χρόνου. Αν το κάνετε σωστά, ϑα πρέπει να δείτε κάτι σαν το Σχήµα 2. Οι γυναίκες ϑα 0.5 0.4 0.3 0.2 0.1 0-0.1-0.2-0.3-0.4 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 Σχήµα 2: Σήµα (ανδρικής) ϕωνής για το ϕώνηµα /α/. έχουν περισσότερες περιόδους µέσα σε αυτά τα 40 ms απ αυτές που ϕαίνονται στο Σχήµα 2. Οι άνδρες ϑα έχουν περίπου τέσσερις, όπως δείχνει και το σχήµα. Είναι ϕυσιολογικό, µην ανησυχείτε. :-) Τυπώστε και παραδώστε ένα τµήµα του δικού σας σήµατος ϕωνής. (εʹ) Μετρήστε µε τον Data Cursor την απόσταση µεταξύ δυο περιόδων του σήµατός σας. Ενας ασφαλής τρόπος είναι να µετρήσετε την απόσταση δυο διαδοχικών µεγίστων. Για το σήµα του παραδείγµατος, έχουµε τις τιµές του Σχήµατος 3. Βλέπετε ότι η απόσταση είναι T 0 = 0.00919 s. Άρα η ϑεµελιώδης συχνότητα f 0 είναι f 0 = 1/T 0 = 108.8 Hz. Ποιά η ϑεµελιώδης συχνότητα στο δικό σας τµήµα ϕωνής ; (ϛʹ) Ας δούµε πως µπορούµε να αυτοµατοποιήσουµε τη διαδικασία εύρεσης της ϑεµελιώδους συχνότητας. Υπολογίστε την αυτοσυσχέτιση φ xx (τ) µε χρήση της συνάρτησης του MATLAB xcorr ως % Autosysxetish Dt = 1/fs; r = Dt*xcorr(tmhma); % A3onas xronou

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 8 0.5 0.4 0.3 X: 0.00875 Y: 0.4778 X: 0.01794 Y: 0.4861 0.2 0.1 0-0.1-0.2-0.3-0.4 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 Σχήµα 3: Υπολογισµός περιόδου. t_r = % INSERT CODE HERE % Grafikh parastash plot(t_r, r); Αν το κάνετε σωστά, ϑα πρέπει να ϐρείτε κάτι σαν το Σχήµα 4. Τυπώστε και παραδώστε την αυτοσυσχέτιση 10-4 10 8 X: 0.009188 Y: 0.0007727 6 4 2 0-2 -4-6 -8-0.04-0.03-0.02-0.01 0 0.01 0.02 0.03 0.04 του δικού σας σήµατος ϕωνής. Σχήµα 4: Αυτοσυσχέτιση σήµατος (ανδρικής) ϕωνής. (Ϲʹ) Παρατηρήστε στο Σχήµα 4 ότι το πρώτο µέγιστο (πλην της τιµής φ xx (0), όπου ξέρετε ότι αντιπροσωπεύει την ενέργεια του σήµατος) ϐρίσκεται τη ϑετική χρονική στιγµή τ = 0.009188 s. Αυτή η χρονική στιγµή είναι µια στιγµή µεγάλης οµοιότητας του σήµατος µε τον εαυτό του, άρα σίγουρα ϑα συµβαίνει όταν το x(t + τ) της αυτοσυσχέτισης έχει µετατοπιστεί κατά διάστηµα τ διάρκειας µιας περιόδου. Αντίστοιχα, το δεύτερο µέγιστο ϐρίσκεται τη χρονική στιγµή τ = 0.01837 s, όπου αντιστοιχεί σε µετατόπιση του x(t + τ) κατά διάστηµα τ δυο περιόδων, κ.ο.κ.

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 9 (ηʹ) Η ϑεµελιώδης συχνότητα f 0 µε χρήση της τιµής του πρώτου µεγίστου είναι f 0 = 1/0.009188 = 108.8 Hz, που συµφωνεί µε τη µέτρησή µας στην αρχική κυµατοµορφή. (ϑʹ) Οµως η µέθοδος της αυτοσυσχέτισης, όπως τη δείξαµε, ϐασίζεται ξανά σε χειροκίνητη εύρεση του πρώτου µεγίστου, µέσω του Data Cursor. Επίσης, παρατηρήστε ότι υπάρχουν κι άλλες σηµαντικές κορυφές (peaks) πριν το πρώτο µέγιστο που επιλέξαµε. Πώς ϑα επιλέξουµε αυτόµατα το σωστό peak; Γράψτε κώδικα MATLAB που χρησιµοποιεί τη συνάρτηση max του MATLAB και ϐρίσκει το σωστό peak της συνάρτησης αυτοσυσχέτισης, αν γνωρίζετε ότι τα όρια ϑεµελιωδών συχνοτήτων στους ενήλικες είναι στο διάστηµα [70, 260] Hz. Υπόδειγµα κώδικα δίνεται παρακάτω : % Oria syxnothtwn Fr_limits = [70, 260]; % Metatroph se seconds Time_limits = fliplr(1./fr_limits); % Dinei [0.004 0.0143] % Metatroph seconds se deigmata % Se 1 sec antistoixoun fs deigmata % Se 0.0143 h 0.004 sec, posa deigmata? Sample_limits = % INSERT CODE HERE % Mono to 8etiko miso ths autosysxetishs mas endiaferei middle = round(length(r)/2); % Koboume to diasthma pou brhkame tr_new = tr(middle + [Sample_limits(1):Sample_limits(end)]); r_new = r(middle + [Sample_limits(1):Sample_limits(end)]); % As to doume plot(tr_new, r_new); % Xrhsh ths max gia na broume to megisto kai th 8esh tou % sto do8en diasthma-tmhma ths r_new % Grapste doc max gia na deite pws na th xeiristeite %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % INSERT CODE HERE % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Αν το κάνετε σωστά, ϑα πρέπει να ϐρείτε ένα τµήµα όπως στο Σχήµα 5, και αν γράψετε σωστά τον κώδικα που λείπει, ϑα πρέπει να έχετε σε µια µεταβλητή τη σωστή χρονική στιγµή (t = 0.009188). (ιʹ) Τα όρια που δόθηκαν παραπάνω αφορούν τους ενήλικες. Μια πιο ακριβής τµηµατοποίηση του εύρους της ϑεµελιώδους συχνότητας f 0 είναι [70 150] Hz για τους άνδρες. [150 250] Hz για τις γυναίκες. Η συχνότητα που ϐρήκατε εσείς ανταποκρίνεται στο σωστό διάστηµα του ϕύλου σας ; Παραδώστε κώδικα MATLAB που να υπολογίζει αυτόµατα τη ϑεµελιώδη συχνότητα f 0 του δικού σας σήµατος ϕωνής, µαζί µε όσα σχετικά plots Ϲητούνται στα υποερωτήµατα παραπάνω. Γράψτε όποιες απαντήσεις Ϲητούνται σε σχόλια µέσα στον MATLAB κώδικα.

Εφαρµοσµένα Μαθηµατικά για Μηχανικούς - 2017-18/ Εβδοµη Σειρά Ασκήσεων 10 10-4 8 6 X: 0.009188 Y: 0.0007727 4 2 0-2 -4-6 -8 2 4 6 8 10 12 14 16 10-3 Σχήµα 5: Τµήµα αυτοσυσχέτισης που ανταποκρίνεται στα όρια συχνοτήτων. Ασκηση 12 [ ] - ειγµατοληψία στο MATLAB Η δειγµατοληψία στο MATLAB είναι πολύ απλή υπόθεση - ουσιαστικά σε όλες τις ασκήσεις MATLAB που κάνατε ως τώρα, χρησιµοποιούσατε δειγµατοληψία χωρίς να το ξέρετε! Για παράδειγµα, ένας άξονας χρόνου της µορφής t = 0:0.001:1; σηµαίνει ότι δειγµατοληπτείτε το συνεχές διάστηµα [0, 1] µε ϱυθµό f s = 1/0.001 = 1000 Hz. Φροντίζαµε εµείς για σας στις προηγούµενες σειρές ασκήσεων ώστε η συχνότητα δειγµατοληψίας να είναι η κατάλληλη για τα παραδείγµατα που λύνατε. Τώρα ϑα αναλάβετε εσείς τη διαδικασία αυτή, και ϑα δείτε τι αποτελέσµατα έχει µια δειγµατοληψία που δεν υπακούει στο ϑεώρηµα του Shannon. (αʹ) Εστω µια συχνότητα δειγµατοληψίας f s = 2000 Hz, σταθερή σε όλη την άσκηση. Άρα µε αυτή τη συχνότητα µπορούµε να αναπαραστήσουµε συχνότητες µέχρι και 1000 Hz χωρίς aliasing. (ϐʹ) ειγµατοληπτήστε µε αυτή τη συχνότητα δειγµατοληψίας το συνεχές διάστηµα [0, 0.05]. (γʹ) ηµιουργήστε ένα ηµίτονο των 400 Hz σε αυτό το διάστηµα. (δʹ) Τυπώστε το δειγµατοληπτηµένο σήµα µε την εντολή stem, η οποία λειτουργεί ακριβώς όπως η plot. Παραδώστε τη γραφική παράσταση. (εʹ) Ορίστε έναν άξονα f από -fs/2 ώς fs/2 για να αναλύσετε το σήµα σας στο χώρο της συχνότητας. Το ϐήµα ανάλυσής σας ϑα είναι Df = 0.1 Hz. (ϛʹ) Χρησιµοποιήστε τη συνάρτηση ctft (την οποία κατεβάζετε από το site του µαθήµατος) για να ελέγξετε το ϕάσµα πλάτους του. Είναι το συχνοτικό του περιεχόµενο σωστό ; Αν ναι, γιατί ; Αν όχι, γιατί ; (Ϲʹ) ηµιουργήστε ένα ηµίτονο των 1200 Hz σε αυτό το διάστηµα. (ηʹ) Τυπώστε το δειγµατοληπτηµένο σήµα µε την εντολή stem. Παραδώστε τη γραφική παράσταση. (ϑʹ) Χρησιµοποιήστε τη συνάρτηση ctft για να ελέγξετε το ϕάσµα πλάτους του. περιεχόµενο σωστό ; Αν ναι, γιατί ; Αν όχι, γιατί ; Είναι το συχνοτικό του Παραδώστε κώδικα MATLAB και όποια plots σας Ϲητούνται στα υποερωτήµατα, καθώς και τις απαντήσεις στις ϑεωρητικές ερωτήσεις σε ξεχωριστό χαρτί ή σε σχόλια µέσα στον κώδικα MATLAB.