Digitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation
|
|
- Felix Maurer
- vor 5 Jahren
- Abrufe
Transkript
1 Digitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation 30. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 11 und 12, Kammeyer & Kroschel (Absatz 8.4.1)
2 Anwendungen Wichtig für alle Signale, deren Frequenzgehalt sich mit der Zeit ändert Mustererkennung, zum Beispiel aus der Analyse seismischer Daten EKG/EEG-Analyse Signalverarbeitung, zum Beispiel für Sprache Musik
3 Berechnung Kurzzeit-DFT Bisher zwei Betrachtungsweisen für Signale: Zeitbereich: Zeitliche Entwicklung Frequenzbereich: Frequenzkomponenten eines Signals Neue Darstellung: Kurzzeit-DFT, engl.: Short Time Fourier Transform (STFT). Erlaubt Analyse der zeitlichen Entwicklung aller Frequenzkomponenten des Signals.
4 Berechnung Kurzzeit-DFT Beispiel: t Figure : Analyse für ein Sinussignal, das die Frequenz von 25Hz auf 75Hz ändert. Oben: Zeitsignal, unten: Spektrogramm.
5 Berechnung Kurzzeit-DFT, Schritt 1: Rahmenbildung Zuerst wird das (im weiteren reellwertige) Signal v(k) in L überlappende Rahmen der Länge N segmentiert. Jedes Segment wird mit einer Fensterfunktion f N (k) gewichtet. Bei einer zeitlichen Überlappung von O beträgt die zeitliche Verschiebung zwischen zwei Rahmen N O Abtastwerte. Dies kann folgendermaßen dargestellt werden: v f l (k) = v(k + l(n O))f N(k) wobei k [0 N 1] der Index innerhalb des Rahmens ist und l [0 L 1] den Rahmenindex darstellt.
6 Berechnung Kurzzeit-DFT, Schritt 2: DFT Jedes der l [0 L 1] gefensterten Signale vl f (k) wird mit einer N-Punkt DFT in den Frequenzbereich transformiert. So erhält man mit N 1 ( Vl f (n) = vl f (k) exp 2πj kn ) N k=0 eine Zeit-Frequenzanalyse des Signals. (1)
7 Interpretation der Kurzzeit-DFT DFT-Spektralanalyse: Interpretation Figure : Interpretation der Spektralanalyse.
8 Interpretation der Kurzzeit-DFT DFT-Spektralanalyse: Interpretation Wie sehen die einzelnen Filter in dieser Filterbank aus? Dazu betrachtet man die DTFT des gefensterten Signals v f l (k) = v(k + l(n O))f N(k). Also ist V f l (e jω ) = DTFT{v(k + l(n O)) f N (k)} = 1 2π DTFT{v(k + l(n O))} DTFT{f N(k)} = 1 2π DTFT{v(k)} exp(jωl(n O)) DTFT{f N(k)}
9 Interpretation der Kurzzeit-DFT DFT-Spektralanalyse: Interpretation Wegen Vl f (e jω ) = 1 2π DTFT{v(k)} exp(jωl(n O)) DTFT{f N(k)} Vl f (e jω ) = 1 2π DTFT{v(k)} DTFT{f N(k)} kann man auch schreiben Vl f (e jω ) = 1 2π π π V (e jθ )F N (e j(ω Θ) )dθ
10 Interpretation der Kurzzeit-DFT DFT-Spektralanalyse: Interpretation Das heißt: Vl f (e jω ) = 1 2π π π V (e jθ )F N (e j(ω Θ) )dθ ergibt als Filterübertragungsfunktion für das Band der Mittenfrequenz Ω genau die DTFT des Fensters, F N, aber zentriert um Ω.
11 Interpretation der Kurzzeit-DFT V l f (e j0 ) V l f (e j2π/n ) v l f V l f (e j4π/n ) : : V l f (e jπ ) Digitale Signalverarbeitung, Figure : Vorlesung Interpretation 11 - Kurzzeitfouriertransformation der DFT-Spektralanalyse als Filterbank.
12 Anforderungen an Spektrogramme DFT-Spektralanalyse: Überlegungen Anforderungen an Spektrogramme: 1 Hohe Frequenzauflösung 2 Hohe zeitliche Auflösung
13 Anforderungen an Spektrogramme Anforderung 1: Hohe Frequenzauflösung Die Frequenzauflösung ist beschränkt durch 1 Fensterlänge N und 2 Fensterfunktion f. Es gilt: 1 Je größer N, desto mehr Frequenzbänder (Ω n = 2π n N für n [0 N 1]). 2 Je schmalbandiger die DTFT der Fensterfunktion f, desto weniger Leckeffekte treten auf. So wird ebenfalls die spektrale Auflösung erhöht.
14 Anforderungen an Spektrogramme Anforderung 2 Hohe zeitliche Auflösung!
15 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Anforderung 1 versus Anforderung 2 (Zeitliche vs. Frequenzauflösung, siehe Matlab-Demo)
16 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Wie es aussieht: Segmentweise berechnete DFT der gesprochenen Ziffernkette one three zero zero six three seven (Spektrogramm): Figure : Spektrogramm - siehe auch Matlab-Demo
17 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Anforderung 1 versus Anforderung 2 Die Zeit- und die Frequenzauflösung verhalten sich also gegenläufig. Warum?
18 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Je länger das Fenster, und je höher also N, umso kleiner wird der Abstand zwischen den Bändern: f = (Ω 1 Ω 0 ) fa 2π = (2π 1 N ) fa 2π = f A N gleichzeitig kann aber jede Analyse nur noch mit einer zeitlichen 1 Genauigkeit von T = N F A erfolgen. Deswegen gilt: Spektrale Unschärferelation f T = 1 (2)
19 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Anforderung 1 versus Anforderung 2 Wäre Zero-Padding eine Lösung? Bei Zero-Padding berechnet man für einen Ausschnitt der Länge N das Spektrum, nachdem mit Nullen auf die Länge L aufgefüllt wurde. So erhält man L spektrale Koeffizienten, die das Signal in einem zeitlichen Ausschnitt T = N F A < L F A beschreiben.
20 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Beim Zero-Padding werden der ursprünglichen Folge v(k) entsprechend { v(k) 0 k N 1 v L (k) = 0 N k L 1 Nullen angehängt. Die so verlängerte Folge v L (k) der Länge L > N wird der DFT unterworfen: L 1 DFT L {v L (k)} = V L (l) = v L (k)wl kl k=0 N 1 = k=0 v(k)e j 2π L kl. (3)
21 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Setzt man in die letzte Beziehung von (3): v(k) = IDFT N {V (n)} ein, ergibt Umsortieren zusammen mit der Summenformel für endliche geometrische Reihen: V L (l) = = N 1 k=0 N 1 n=0 [ 1 N N 1 n=0 V (n) 1 N V (n)e j 2π N kn ] e j 2π L kl (4) N 1 k=0 e j2πk( n N l L ) = N 1 n=0 V (n) 1 N 1 e j2πn( n N l L ) 1 e j2π( n N l L ).
22 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Aus V L (l) = liest man für n/n = l/l ab: N 1 n=0 V (n) 1 N N 1 k=0 e j2πk( n N l L ) wobei über die Beziehungen V L (l) = V L (n L N ) = V (n) = V (l N L ) l = n L N N 0 bzw. n = l N L N 0 die Indizes der Spektrallinien der beiden DFT-Spektren bijektiv aufeinander abgebildet werden.
23 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Für l n L N (5) ergeben sich die interpolierten Spektrallinien in den Zwischenräumen zwischen den Linien von V (n) aus (4): V L (l) = 1 N N 1 n=0 V (n) sin[(n l N L )π] sin[( n N l L n ejπ(n 1)( )π] N l L ). Mit der Anfügung von Nullen an die ursprüngliche Folge v(k) wird zwar das Frequenzraster der DFT-Berechnung verfeinert: f L = f A L < f N = f A N.
24 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Aber weil DFT{v L (k)} und DFT{v(k)} einen identischen Satz von nichtverschwindenden Werten v(k) benutzen, ist die Frequenzauflösung beider Spektraldarstellungen identisch, V L (l) ergibt sich nur durch Interpolation aus den auch sonst bekannten Werten V (n). Die Verlängerung durch zero-padding kann ein vorgegebenes Spektrum nur interpolieren.
25 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Hierzu kann als Beispiel das Signal v(k) = cos(2πk f 1 f A ) + cos(2πk f 2 f A ), (6) benutzt werden. Diesem entnehmen wir N = 16 äquidistante Abtastwerte. Damit gilt für das Frequenzraster der DFT: f A N = 0, 0625f A
26 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Für die beiden Signalfrequenzen in (6) wird angenommen: f 1 = 0, 135f A (7) f 2 = f 1 + f Zur Fallunterscheidung wird zuerst f = 0, 06f A f A /N und dann f = 0, 01f A f A /N gesetzt, wobei jeweils die normierte Abtastfrequenz f A = 1 verwendet wird.
27 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Figure : Spektren eines mit N = 16 Abtastwerten dargestellten sinusförmigen Signals mit unterscheidbaren Spektrallinien (a) ohne zero-padding, (b)-(d) mit Zero-Padding (Faktor 2,4,8); f = 0, 06f A
28 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Figure : Spektren eines mit N = 16 Abtastwerten dargestellten sinusförmigen Signals mit nicht unterscheidbaren Spektrallinien (a) ohne Zero-Padding, (b)-(d) mit Zero-Padding; f = 0, 01f A
29 Ziel 1 vs. Ziel 2: Frequenzauflösung vs. Zeitauflösung Zero-Padding Wie für diese Beispiele zu erkennen ist, lässt sich die durch f A /N vorgegebene spektrale Auflösung (Trennschärfe) durch Zero-Padding tatsächlich nicht erhöhen (vgl. Abb. 5 und 6). Um eine höhere Frequenzauflösung zu gewinnen, müssen also tatsächlich längere Signalabschnitte analysiert werden die Unschärferelation gilt nach wie vor.
30 Schnelle Faltung Schnelle Faltung Bisher: Faltung von Signal v(k) (Länge N) und Impulsantwort h(k) (Länge N h ) durch 1 zero padding auf Länge N DFT = N + N h 1 2 DFT der Länge N DFT : H = DFT {h}, V = DFT {v} 3 Multiplikation der Spektren: Y = V H 4 Rücktransformation: y = IDFT {Y }. Was ändert sich bei Signalen von sehr großer Länge oder bei Echtzeitsystemen?
31 Schnelle Faltung Schnelle Faltung Lösung: Aufteilen des Signals in L nichtüberlappende Rahmen der Länge N < N DFT. Rechnung wird trotzdem einfach, denn nach der Rahmenbildung gilt: { v(k + l N), für 0 k < N v l (k) = 0, sonst also ist: L 1 v(k) = v l (k l N) l=0
32 Schnelle Faltung Schnelle Faltung Es gilt also L 1 y(k) = h(k) v(k) = h(k) v l (k l N) = = l=0 L 1 h(k) v l (k l N) l=0 L 1 y l (k l N) mit y l (k) = v l (k) h(k). l=0
33 Schnelle Faltung Schnelle Faltung L 1 y(k) = y l (k l N) mit y l (k) = v l (k) h(k) (8) l=0 Schnelle Faltung: Führe die Faltung separat für jeden der l = 1... L Summenterme y l (k) per DFT aus & addiere die zeitverschobenen Ergebnisse y l (k l N) laut Gleichung (8), um y(k) zu erhalten. Die DFT-Länge N DFT muss dabei mindestens N + N h 1 (N h : Länge der Impulsantwort) betragen.
34 Inverse Kurzzeit-DFT Beispiel: Zeit-Frequenzmaskierung Neben der schnellen Faltung ist die Kurzzeit-DFT für viele andere Signalverbesserungsmethoden nützlich. Ein Beispiel: Zeit-Frequenzmaskierung. Hier benötigt man eine Kurzzeit-IDFT, die eine zeitveränderliche Filterung zulässt.
35 Inverse Kurzzeit-DFT Inverse Kurzzeit-DFT Die inverse Kurzzeit-DFT kann im einfachsten Fall analog zur schnellen Faltung erfolgen: L 1 y(k) = y l (k l N) mit y l (k) = IDFT{V l (n) M l (n)}. l=0 Hier wird statt des gefensterten Signals V f l (n) nur das rahmenweise ausgeschnittene Signal V l (n) ohne Überlappung benutzt.
36 Inverse Kurzzeit-DFT Inverse Kurzzeit-DFT Dies ist aber nicht optimal, da Signalkomponenten bei Verwendung von V l (n) durch die Rechteckfensterung relativ breit im Spektrum verschmiert werden. Daher: Fensterung und überlappende Rahmen wichtig! Bei Spektren V f l (n) die mit einer Fensterung aus V f l (n) = DFT{v(k + l(n O))f N (k)} berechnet wurden, muss die Fensterfunktion in der Synthese wieder berücksichtigt werden, damit aus den gefensterten Segmenten vl f (k) = v(k + l(n O))f N(k) das Originalsignal v(k) rekonstruiert werden kann.
37 Inverse Kurzzeit-DFT Perfekte Analyse-Synthese-Systeme Bei Hamming- oder Hann-Fenstern ist diese Berücksichtigung besonders einfach. Man kann zeigen, dass der Prozess der Fensterung DFT IDFT und Overlap-Add-Synthese zu einer perfekten Rekonstruktion führt, wenn die Rahmenverschiebung als N/4 gewählt wird. Damit sind Hamming- und Hann-Fenster mit einem N/4 Rahmenvorschub besonders gut für eine Signalverarbeitung im Kurzzeit-DFT-Bereich geeignet.
38 Inverse Kurzzeit-DFT Beispiel: Zeit-Frequenzmaskierung Zeit-Frequenzmaskierung: DFT: Maskierung V f l (n) = DFT {v(k + l(n O))f N (k)} IDFT und Overlap-Add: l=0 Y f l (n) = V f l (n) M f l (n) L 1 y(k) = y l (k l (N O)) mit y l (k) = IDFT {Vl f (n) Ml f (n)}
39 Zusammenfassung Um die zeitliche und die spektrale Entwicklung von Signalen wie hier zu erhalten
40 Zusammenfassung II rechnet man alle l = 1...L Spektren aus mit V f l (n) = DFT{v(k + l (N O))f N (k)} N, die Fensterlänge, bestimmt die zeitliche und Frequenzauflösung. Das Produkt von Zeit- und Frequenzauflösung ist 1. O, die Überlappung und, f N als Fensterfunktion, sollten für perfekte Rekonstruktion z.b. zu Hamming: (N O) = N 4 Hanning: (N O) = N 4 gewählt werden.
41 Zusammenfassung IV Mit einem so berechneten Spektrogramm kann eine Vielzahl von Mustererkennungsmethoden und Signalverarbeitungsmethoden arbeiten, wie zum Beispiel die Zeit-Frequenzmaskierung aus dem Matlab-Audio-Beispiel.
42 Lernziele Sie sollten eine Kurzzeit-DFT ausführen können, deren Interpretation als Filterbank und die spektrale Unschärferelation kennen und verstehen, die schnelle Faltung verstehen und implementieren können, und mit Hilfe der Overlap-Add-Methode eine Zeit-Frequenzmaskierung ausführen und das Ergebnis in den Zeitbereich zurücktransformieren können.
43 Vielen Dank für Ihre Aufmerksamkeit!
Grundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Zeitdiskrete Signale Wintersemester 6/7 Kontinuierliche und diskrete Signale wertkontinuierlich wertdiskret Signal Signal Signal Signal zeitdiskret zeitkontinuierlich
MehrDigitale Signalverarbeitung, Vorlesung 10 - Diskrete Fouriertransformation
Digitale Signalverarbeitung, Vorlesung 10 - Diskrete Fouriertransformation 23. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 10.1 und 11, Kammeyer & Kroschel (7.1-7.3) eues Thema in
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 8: Leakage und Zero-Padding Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Betrag / db Einführung Ein über die DFT berechnetes Spektrum T A X n ist
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrStörgeräuschreduktion bei stimmhaften Sprachsignalen
Störgeräuschreduktion bei stimmhaften Sprachsignalen Einkanaliges Mikrofon Nutzsignal Störgeräusche Allgemein: einkanalige Störgeräuschreduktion Folie 1 Gliederung Störgeräuschreduktion: Arten und Einsatzgebiete
MehrDigitale Signalverarbeitungssysteme II: Praktikum 2
Digitale Signalverarbeitungssysteme II: Praktikum 2 Emil Matus 10. Dezember 2010 Technische Universität Dresden Mobile Communications Systems Chair Tel.: +49 351 463 41021 Fax : +49 351 463 41099 Mail:
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrVorwort. I Einführung 1. 1 Einleitung Signale Systeme Signalverarbeitung Struktur des Buches 9. 2 Mathematische Grundlagen 11
Vorwort V I Einführung 1 1 Einleitung 3 1.1 Signale 4 1.2 Systeme 4 1.3 Signalverarbeitung 6 1.4 Struktur des Buches 9 2 Mathematische Grundlagen 11 2.1 Räume 11 2.1.1 Metrischer Raum 12 2.1.2 Linearer
MehrFouriertransformationen DSP 1
Fouriertransformationen DSP Fourierreihe periodisch kontinuierlich (t), diskret (ω) jk t jkt xt () Xke Xk xt () e dt T T k k " Anhalten",, T T Periodendauer DSP Fouriertransformation aperiodisch kontinuierlich
MehrFouriertransformation, z-transformation, Differenzenglei- chung
Kommunikationstechnik II 1.Übungstermin 31.10.2007 Fouriertransformation, z-transformation, Differenzenglei- Wiederholung: chung Als Ergänzung dieser sehr knapp gehaltenen Wiederholung wird empfohlen:
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie eil B - Zeitdiskrete Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt Musterlösungen - Signalabtastung und Rekonstruktion...
MehrDigitale Signalverarbeitung auf FPGAs
Digitale Signalverarbeitung auf FPGAs WIN: Diskrete Fouriertransformation - Anwendungen Teil 1 - Kohärente DFT (was bisher geschah) 2016 jetzt neu: mit Fenster! WIN: Überblick Kohärente DFT (was bisher
MehrSignalprozessoren. Digital Signal Processors VO [2h] , LU 2 [2h]
Signalprozessoren Digital Signal Processors VO [2h] 182.082, LU 2 [2h] 182.084 http://ti.tuwien.ac.at/rts/teaching/courses/sigproz Herbert Grünbacher Institut für Technische Informatik (E182) Herbert.Gruenbacher@tuwien.ac.at
MehrAbtastung. Normalisierte Kreisfrequenz = DSP_9-Abtasttheorem 2
Abtasttheorem Abtastung xn [ ] = xnt ( ) = Acos( ωnt+ ϕ) = Acos( ωˆ n+ ϕ) s s Normalisierte Kreisfrequenz ωˆ = ωt s DSP_9-Abtasttheorem 2 Normalisierte Kreisfrequenz ω hat die Einheit rad/sec, ω ˆ = ωt
MehrDigitale Signalverarbeitung
Karl-Dirk Kammeyer, Kristian Kroschel Digitale Signalverarbeitung Filterung und Spektralanalyse mit MATLAB-Übungen 6., korrigierte und ergänzte Auflage Mit 315 Abbildungen und 33 Tabellen Teubner Inhaltsverzeichnis
MehrPuls-Code-Modulation. Thema: PCM. Ziele
Puls-Code-Modulation Ziele Mit diesen rechnerischen und experimentellen Übungen wird die Vorgehensweise zur Abtastung und linearen Quantisierung eines analogen Signals erarbeitet. Bei der Abtastung werden
MehrLösungsblatt 2 Signalverarbeitung und Klassifikation
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 06 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt Signalverarbeitung und Klassifikation Aufgabe : Faltung
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 0.08.007 Uhrzeit: 09:00 Uhr Zeitdauer: Stunden Hilfsmittel:
MehrDiskontinuierliche Signale und Systeme
Diskontinuierliche Signale und Systeme Fourier-Transformation für diskontinuierliche Funktionen Eigenschaften und Sätze, Fourier-Paare Diskrete Fourier-Transformation (DFT) Zeitdiskrete LTI-Systeme, Faltung
MehrRunde 9, Beispiel 57
Runde 9, Beispiel 57 LVA 8.8, Übungsrunde 9,..7 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 3..7 Angabe Seien y, z C N und c, d C N ihre Spektralwerte. Außerdem bezeichne (x k ) k die N - periodische
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Digitale und analoge Filter Wintersemester 6/7 Wiederholung Übertragung eines sinusförmigen Signals u t = U sin(ω t) y t = Y sin ω t + φ ω G(ω) Amplitude: Y = G ω U Phase:
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 15: Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Einführung Entwurfsmethoden für IIR-Filtern sind für Zeitbereich und Bildbereich bekannt Finite-Impulse-Response
MehrBeispiel-Klausuraufgaben Digitale Signalverarbeitung. Herbst 2008
Beispiel-Klausuraufgaben Digitale Signalverarbeitung Herbst 8 Zeitdauer: Hilfsmittel: Stunden Formelsammlung Taschenrechner (nicht programmiert) eine DIN A4-Seite mit beliebigem Text oder Formeln (beidseitig)
Mehr6. Vorlesung. Systemtheorie für Informatiker. Dr. Christoph Grimm. Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main
6. Vorlesung Systemtheorie für Informatiker Dr. Christoph Grimm Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main Letzte Woche: Letzte Woche: 1.) Erweiterung von Fourier- zu Laplace-Transformation
MehrMusterklausur 1 zu Signal- und Systemtheorie I 5. Januar 2013
Institut für Kommunikationstechnik Prof. Dr. Helmut Bölcskei Musterklausur 1 zu Signal- und Systemtheorie I 5. Januar 2013 Bitte beachten Sie: Prüfungsdauer: 180 Minuten Erreichbare Punkte: 100 Als Hilfsmittel
MehrLösungsblatt 2 Signalverarbeitung
Fakultät für nformatik Übung zu Kognitive Systeme Sommersemester 208 S. Constantin (stefan.constantin@kit.edu) T. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 2 Signalverarbeitung Aufgabe : Faltung Abbildung
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrSpektrale Analysen in EMU-R: eine Einführung. Jonathan Harrington
Spektrale Analysen in EMU-R: eine Einführung Jonathan Harrington 1. Ein digitales Sinusoid 2. Fourier-Analyse 3. Ein Spektrum 4. Frequenz- und Zeitauflösung 5. Berechnung von Spektra mit Emu 1. Ein digitales
MehrDiskrete Fourier-Transformation und FFT. 1. Die diskrete Fourier-Transformation (DFT) 2. Die Fast Fourier Transform (FFT)
Diskrete Fourier-Transformation und FFT 2. Die Fast Fourier Transform (FFT) 3. Anwendungsbeispiele der DFT 1 Wiederholung: Fourier-Transformation und Fourier-Reihe Fourier-Transformation kontinuierlicher
MehrAllgemein. Zeitdehnung Tonhöhenänderung Kurzzeit-Fourier-Transformation
1 Allgemein Zeitdehnung Tonhöhenänderung Kurzzeit-Fourier-Transformation Phasenvocoder Filterbanksummation Blockfiltertechnik Zeit-Frequenz-Skalierung Effekte Nov 13, 2015 2 Veränderung der Abspielgeschwindigkeit
MehrFrequenzbewertung von Luftschallsignalen
04/17 von Luftschallsignalen Das menschliche Ohr empfindet Töne mit gleichem Schalldruck aber unterschiedlichen Tonhöhen unterschiedlich laut. Dieser frequenzabhängige Empfindlichkeitsverlauf des menschlichen
MehrDiskrete Fourier Transformation (DFT): Zeitfenster, Frequenzauflösung, Fensterfunktionen
Diskrete Fourier Transformation (DFT): Zeitfenster, Frequenzauflösung, Fensterfunktionen Fourier-Analyse Zeitfenster DFT Zeit [s] 2 Frequenz [Hz] Fourier-Analyse Abtastintervall TT aa : Zeit zwischen zwei
Mehrπ soll mit Hilfe einer DFT spektral
Augabe 6 Das abgetastete Signal x( n) = 2 cos( 2 n ) sin( 2 π 3 n ) π soll mit Hile einer DFT spektral 4 8 analysiert werden. a) Geben Sie zunächst die Frequenz der Cosinusschwingung sowie die Frequenz
MehrÜbung 4: Spektrogramm
ZHAW, DSV, FS2,. Einleitung Übung 4: Spektrogramm Mit einem Spektrogramm kann der zeitliche Verlauf des Spektrums von einem Signal dargestellt werden. Ein Spektrogramm besteht also aus vielen, sich allenfalls
MehrLesen von Sonagrammen I: Grundlagen. Uwe Reichel IPS, LMU München 16. November 2007
Lesen von Sonagrammen I: Grundlagen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 16. November 2007 Inhalt Das Sonagramm: Allgemeines Gewinnung des Sonagramms Zeitsignal Spektrum Spektrogramm
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Systemtheorie Teil A - Zeitkontinuierliche Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt 6 Musterlösungen Spektrum von Signalen 6. Approximation eines periodischen Signals
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie Teil B - Zeitdiskrete Signale und Systeme Übungsaufgaben Manfred Strohrmann Urban Brunner Inhalt Übungsaufgaben - Signalabtastung und Rekonstruktion...
Mehr1. Aufgabenblatt: EDS Wiederholung und Filterung
Kommunikationstechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 19.10.2009 1. Aufgabenblatt: EDS Wiederholung und Filterung 1. Aufgabe a. Erstellen Sie ein Rechtecksignal mit der Frequenz f = 130 Hz
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Quantisiertes Signal Zeitdiskretes Signal Digitales Signal Auflösung der A/D- Umsetzer der MicroAutoBox
MehrMusterlösung zur Klausur Digitale Signalverarbeitung
Musterlösung zur Klausur Digitale Signalverarbeitung Arbeitsgruppe Digitale Signalverarbeitung Ruhr-Universität Bochum 9. August 008 Aufgabe : Transformationen 5 Pkt. v (k) = v (k) = v 3 (k) = ( ) k sin
MehrSYS_A - ANALYSIEREN. Statistik. NTB Druckdatum: SYS A. Histogramm (Praxis) Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100
SYS_A - ANALYSIEREN Statistik Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100 Histogramm (Praxis) Realisierung Lage Streuung Zufallsvariable Dichte der Normalverteilung Verteilungsfunktion Fläche
MehrWarum z-transformation?
-Transformation Warum -Transformation? Die -Transformation führt Polynome und rationale Funktionen in die Analyse der linearen eitdiskreten Systeme ein. Die Faltung geht über in die Multiplikation von
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2007/2008 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
MehrDigitale Signalverarbeitung auf FPGAs
Digitale Signalverarbeitung auf FPGAs DFT: Diskrete Fouriertransformation (Grundlagen) Teil 1 Die Fourier-Familie 216 Dr. Christian Münker DFT: Überblick Die Fourier-Familie DFT: Komplex aber nicht kompliziert
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 7.03.007 Uhrzeit: 3:30 Uhr Zeitdauer: Stunden Hilfsmittel:
MehrMustererkennung. Termine: Montag 9:45-11:15, F138 Mittwoch 11:30-13:00, D108 Freitag 11:30-13:00, A210. Skript, Literatur, Anmeldung im Netz
Mustererkennung Termine: Montag 9:45-11:15, F138 Mittwoch 11:30-13:00, D108 Freitag 11:30-13:00, A210 Skript, Literatur, Anmeldung im Netz Mustererkennung Anwendungsbeispiele für Mustererkennung? Mustererkennung
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2008/2009 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
MehrDigitale Signalverarbeitung
Karl Dirk Kammeyer I Kristian Kroschel Digitale Signalverarbeitung Filterung und Spektralanalyse mit MATLAB -Übungen 7., erweiterte und korrigierte Auflage Mit 312 Abbildungen und 33 Tabellen STUDIUM 11
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.00 Uhrzeit: 09:00
MehrDigitale Signalverarbeitung. mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 3., vollständig überarbeitete und aktualisierte Auflage Mit 159 Abbildungen und 67 Tabellen Studium Technik
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 6: Impulsantwort und Faltung Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Grundlegende Systemeigenschaften Beispiele führten zu linearen Differenzengleichungen
MehrMathematik III Die Fourier-Transformation in Bildern
Mathematik III Die Fourier-Transformation in Bildern Cornelia Busch D-CHAB 20. Dezember 2018 Eine periodische Funktion f (t)... ... wird zerlegt: f (t) = sin(3t) + cos(5t). f (t) = cos(2t) + sin(3t) +
MehrSignale und Systeme Ergänzungen zu den Spektraltransformationen
Signale und Systeme Ergänzungen zu den Spektraltransformationen Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute of Electrical
MehrSpektrumanalyse. Inhalt. I. Einleitung 2. II. Hauptteil 2-8
Fachhochschule Aachen Campus Aachen Hochfrequenztechnik Hauptstudium Wintersemester 2007/2008 Dozent: Prof. Dr. Heuermann Spektrumanalyse Erstellt von: Name: Mario Schnetger Inhalt I. Einleitung 2 II.
MehrSiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:
/5 Fourier-Analyse (periodischer Signale) Grundlagen Ein periodisches, kontinuierliches Signal x(t) der Periodendauer kann als Fourier-Reihe beschrieben werden: wie folgt ( ) = c k x t + e j k 2πf t k=
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.006 Uhrzeit: 09:00 Uhr Zeitdauer: Stunden Hilfsmittel:
MehrDigitale Signalverarbeitung mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 4., durchgesehene und ergänzte Auflage Mit 180 Abbildungen und 76 Tabellen STUDIUM VIEWEG+ TEUBNER 1 Erste
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2010/2011 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Filterentwurf
MehrDigitale Signalverarbeitung
Daniel Ch. von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme 4. Auflage Mit 222 Bildern, 91 Beispielen, 80 Aufgaben sowie einer CD-ROM mit Lösungen
MehrÜbungen zu Transformationen. im Bachelor ET oder EW. Version 2.0 für das Wintersemester 2014/2015 Stand:
Fachhochschule Dortmund University of Applied Sciences and Arts Institut für Informationstechnik Software-Engineering Signalverarbeitung Regelungstechnik IfIT Übungen zu Transformationen im Bachelor ET
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 5.0.005 Uhrzeit: 09:00
MehrSignale und Systeme I
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme I Formelsammlung v.5 Inhaltsverzeichnis Mathematische Formeln. Trigonometrische
MehrSpektrum zeitdiskreter Signale
Spektrum zeitdiskreter Signale 1 Aufgabenstellung Mithilfe der Fouriertransformation können zeitkontinuierliche Signale in den Frequenzbereich transformiert werden, um die im Signal enthaltenen Frequenzanteile
MehrDigitale Signalverarbeitung Teil 3: Spektren
Digitale Signalverarbeitung Teil 3: Spektren Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Fakultät Elektrotechnik und Informationstechnik Digitale Signalverarbeitung und Systemtheorie
MehrZHAW, DSV1, FS2010, Rumc, 1. H(z) a) Zeichnen Sie direkt auf das Aufgabenblatt das Betragsspektrum an der Stelle 1.
ZHAW, DSV, FS200, Rumc, DSV Modulprüfung 7 + 4 + 5 + 8 + 6 = 30 Punkte Name: Vorname: : 2: 3: 4: 5: Punkte: Note: Aufgabe : AD-DA-Umsetzung. + + +.5 +.5 + = 7 Punkte Betrachten Sie das folgende digitale
MehrSpektralanalyse
4. Spektralanalyse Die Spektralanalyse ermittelt, welche Beiträge die einzelnen Frequenzen zu einem Signal liefern. Je nach Art des Zeitsignals wird der Frequenzgehalt durch die Fourier-Transformation,
MehrKontinuierliche Fourier-Transformation. Laplace-Transformation
Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 16. Juni 2010, 17:56 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrSpektrale Analyse Fourier Transformation
Spektrale Analyse Fourier Transformation Fragestellung: Bestimmung der Amplitude eines verrauschten Signals UU =? 2 Fragestellung: Bestimmung der Amplitude eines verrauschten Signals UU =? 3 Frequenz-Spektrum
MehrDarstellung von Signalen und Spektren
Darstellung von Signalen und Spektren 2 Inhaltsverzeichnis 2. Kontinuierliche und diskretesignale.......................... 2.2 Spektrumeines Signals................................ 4 2.2. Praktische Berechnung
MehrDigitale Signalverarbeitungssysteme II: Praktikum 1
Digitale Signalverarbeitungssysteme II: Praktikum 1 Emil Matus 18. November 2010 Technische Universität Dresden Mobile Communications Systems Chair Tel.: +49 351 463 41021 Fax : +49 351 463 41099 Mail:
MehrBiosignalverarbeitung
Peter Husar Biosignalverarbeitung Springer Inhaltsverzeichnis 1 Entstehung bioelektrischer Signale 9 1.1 Das Neuron 9 1.2 Elektrische Erregungsleitung und Projektion 15 2 Verstärkung und analoge Filterung
MehrFFT 1 /n-oktavanalyse Wavelet
02/8 Für die meisten akustischen Untersuchungen ist eine reine Pegelanalyse unzureichend, denn nicht nur der Pegel, sondern auch die frequenzabhängige Verteilung des Pegels ist entscheidend für die Wahrnehmung
Mehr1 Diskrete Fourier Transformation. 2 Definition der Diskreten Fourier Transformation (DFT)
Diskrete Fourier Transormation Das Ausgangssignal eines nachrichtentechnischen Systems oder Verarbeitungsblocks lässt sich im Zeitbereich bei Kenntnis der Impulsantwort h(n) mit Hile der diskreten Faltung
MehrDigitale Signalverarbeitung, Vorlesung 2: Quantisierung, Frequenzanalyse
Digitale Signalverarbeitung, Vorlesung 2: Quantisierung, Frequenzanalyse 31. Oktober 2016 Eigenschaften diskreter Signale Quantisierung Frequenzbereichsmethoden Anhang Wesentliches Thema heute: 1 Eigenschaften
MehrAufgabe: Summe Punkte (max.): Punkte:
ZUNAME:.................................... VORNAME:.................................... MAT. NR.:................................... 1. Teilprüfung 389.0 B Signale und Systeme 2 Institute of Telecommunications
MehrDie akustische Analyse von Sprachlauten.
Die akustische Analyse von Sprachlauten. Die Interpretation von Spektrogrammen. Jonathan Harrington IPDS, Kiel. Vom Zeitsignal zum Spektrum s t a m 1. Ein Teil vom Sprachsignal aussuchen: die Zeitauflösung
MehrDigitale Signalverarbeitung, Vorlesung 2: Quantisierung, Frequenzanalyse
Digitale Signalverarbeitung, Vorlesung 2: Quantisierung, Frequenzanalyse 23. Oktober 2017 Eigenschaften diskreter Signale Quantisierung Frequenzbereichsmethoden Anhang Wesentliches Thema heute: 1 Eigenschaften
MehrDigitale Signalverarbeitung
Folien zur Vorlesung Digitale Signalverarbeitung Digitale Signalverarbeitung Prof. Dr.-Ing. Karl-Dirk Kammeyer Arbeitsbereich Nachrichtentechnik Kapitel 6: Traditionelle Spektralschätzung 6. Schätzung
MehrDigitale Signalverarbeitung Vorlesung 5 - Filterstrukturen
Digitale Signalverarbeitung Vorlesung 5 - Filterstrukturen 21. November 2016 Siehe Skript, Kapitel 8 Kammeyer & Kroschel, Abschnitt 4.1 1 Einführung Filterstrukturen: FIR vs. IIR 2 Motivation: Grundlage
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrAmplitudenunabhängige. Impulslängenbestimmung. mit Hilfe der. Cepstrum-Analyse
Amplitudenunabhängige Impulslängenbestimmung mit Hilfe der Cepstrum-Analyse Dipl.-Ing. Leo Baumann Datum 15.03.1999 Inhalt 1.0 Kontinuierliche Berechnung 2.0 Diskrete Berechnung 3.0 Einige Beispiele 4.0
MehrDigitale Signalverarbeitung, Vorlesung 3: Laplace- und z-transformation
Digitale Signalverarbeitung, Vorlesung 3: Laplace- und 29. Oktober 2018 1 / 45 1 Moodle-Test 2 Definition Konvergenz Anwendungen 3 Ziel: Reverse-Engineering für Digitale Filter Einführung der 4 2 / 45
MehrAbschlussprüfung Digitale Signalverarbeitung. Aufgaben, die mit einem * gekennzeichnet sind, lassen sich unabhängig von anderen Teilaufgaben lösen.
Name: Abschlussprüfung Digitale Signalverarbeitung Studiengang: Elektrotechnik IK, E/ME Wahlfach SS2015 Prüfungstermin: Prüfer: Hilfsmittel: 3.7.2015 (90 Minuten) Prof. Dr.-Ing. Großmann, Prof. Dr.-Ing.
MehrAufgabe 1 (20 Punkte)
Augabe 1 (20 Punkte) Es wird ein Sprachsignal x(t) betrachtet, das über eine ISDN-Teleonleitung übertragen wird. Das Betragsspektrum X() des analogen Signals kann dem nachstehenden Diagramm entnommen werden.
MehrSignale und Systeme Spektraldarstellungen determinierter Signale (Teil 3)
Signale und Systeme Spektraldarstellungen determinierter Signale (Teil 3) Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Fakultät Elektrotechnik und Informationstechnik Digitale Signalverarbeitung
MehrSystemtheorie Teil B
d + d + c d + c uk d + + yk d + c d + c Systemtheorie Teil B - Zeitdiskrete Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt 8 Musterlösung Frequengang eitdiskreter Systeme...
MehrDa bist Du sprachlos: Trennung und Rekonstruktion von Sprachsignalen
Da bist Du sprachlos: Trennung und Rekonstruktion von Sprachsignalen Prof. Dr.-Ing. Thorsten Herfet Lehrstuhl Nachrichtentechnik mailto:herfet@nt.uni-saarland.de Inhalt Problemstellung und Anwendungsfelder
MehrTechnische Beschreibung der akustischen Signalkette
Technische Beschreibung der akustischen Signalkette Wichtige Aufgabe: Vielfältige Medien Gestaltung akustischer Kommunikationsketten (Sprache, Geräusche, Musik, CD, Radio, mp3,...) Unterschiedlichste Information
MehrRelevante Frequenztransformationen
Relevante Frequenztransformationen Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 206 Andreas Unterweger (FH Salzburg) Relevante Frequenztransformationen
Mehr