Fouriertransformationen DSP 1
|
|
- Marielies Hafner
- vor 5 Jahren
- Abrufe
Transkript
1 Fouriertransformationen DSP
2 Fourierreihe periodisch kontinuierlich (t), diskret (ω) jk t jkt xt () Xke Xk xt () e dt T T k k " Anhalten",, T T Periodendauer DSP
3 Fouriertransformation aperiodisch kontinuierlich (t), kontinuierlich (ω) jt jt xt Xe d X x() t e dt " Anhalten" -,+ DSP 3
4 Discrete Time Fouriertransformation (DTFT) aperiodisch diskret [n], kontinuierlich (ω) π j ˆ ωn [ ] ( ˆ) ˆ ( ˆ) [ ] xn = X ω e dω X ω = xn e π π n= j ˆ ωn (-, ) ω + ˆ ω = ωt s T s Abtastzeit DSP 4
5 Diskrete Fouriertransformation (DFT) periodisch x[ n] = X[ ke ] X[ diskret [n], diskret (ω bzw. k) j( π n/ ) k k xne k n= k = ] = [ ] j( π k/ ) n n =,,,..., =,,,..., k π k ωk = π fs = ; tn = nt T k n xn [ ] = X[ ke ] X[ k] = x[ n] e jω t j t ωk n DSP 5 k= n=
6 k= n= j(π / ) n x[ n] = X[] e n =,,,..., j( π / ) n + X[] e j x[ n] = Xke [ ] k= j(π / ) n + X[] e j( π ( ) / ) n + X [ ] e X [ k] = + + x[ ] e x[] e x[] e + x[ ] e j(π / ) k j(π / ) k j(π / ) k j( π ( ) / ) k k =,,,..., DSP 6 ( π k/ ) n
7 π k j n xn [ ] = Re e, k=,,,, - 5 k = Punkt der nächsten Periode = 8-5 k = - 5 k = - 5 k = 3-5 k = k = 7-5 k = 8-5 k = 6-5 k = 9-5 k = 5-5 k = - 5 k = DSP 7
8 X[ k] = xne [ ] n= n= j π nk / ja ( e = cosα + j sinα) ( π k ) ( π k / ) X [ k] = x[ n] cos n / jsin n n= n= n= n= 3 n= ( π ) ( π ) X[ k] = xn [ ] cos nk/4 jsin nk/4 X [ ] = x[]cos(π / 4) jx[]sin(π / 4) + + x[]cos(π / 4) jx[]sin(π / 4) + + x[]cos(π / 4) jx[]sin(π / 4) + + x[3]cos(π 3 / 4) jx[3]sin(π 3 / 4) X [ ] = x[]cos(π / 4) jx[]sin(π / 4) + + x[]cos(π / 4) jx[]sin( π / 4) + + x[]cos(π / 4) jx[]sin(π / 4) + + x[3]cos(π 3 / 4) jx[3]sin( π 3 / 4) X [ ] = x[]cos(π / 4) jx[]sin(π / 4) + + x[]cos(π / 4) jx[]sin(π / 4) + + x[]cos(π / 4) jx[]sin(π / 4) + + x[3]cos(π 3 / 4) jx[3]sin(π 3 / 4) X[ 3] = x[] cos(π 3/ 4) jx[]sin(π 3/ 4) + + x[]cos(π 3/ 4) jx[]sin(π 3/ 4) + + x[]cos(π 3/ 4) jx[]sin(π 3/ 4) + DSP 8 + x[3]cos(π 3 3/ 4) jx[3]sin(π 3 3/ 4)
9 Jeder X[k] DFT-Term ist die Summe des Punkt-für- Punkt-Produkts der Eingangsfolge x[n] und der komplexen Exponentialfunktion in der Form cos(ϕ) j sin(ϕ). Die Frequenz [k] hängt ab von f s der Abtastfrequenz des Orginalsignals und von der Anzahl der Samples. Ist die Abtastfrequenz z.b. 48 Hz und die DFT hat 6 Punkte, dann ist der Frequenzraster f s / = 48/6 = 3 Hz und die einzelnen Frequenzkomponenten sind: X[]= Hz, X[]= 3 Hz, X[]= 6 Hz,, X[5]= 45 Hz DSP 9
10 Beispiel: xt ( ) = sin( π.. t) +.5cos( π.. t+ π) π π X ( k) = x[ n] cos kn jsin kn 3 4 Siehe Berechnung in Excel-File. DSP
11 xn [ ] = [ ] DSP
12 x[n] "pi/8" n k= cos sin x[n].cos x[n].sin,3535,785398,,,,354,,3535,785398,785,77,77,5,5,6464,785398,57,,,,646,67, ,356 -,77,77 -,75,75,3535, ,4 -,, -,354, -,67, ,97 -,77 -,77,75,75 -,3535, ,7, -,,,354 -,3535, ,498,77 -,77 -,5,5 DSP, -4, 4-9 Grad
13 x = X = fft(x) Achtung! Betragsspektrum X[] = 4 X[] = A = A =.5 X X r A k A = = A A reell komplex xt ( ) = sin( π.. t) +.5cos(π.. t+ π) 3 4 DSP 3
14 Real- & Imaginärteil der DFT Realteil Imaginärteil DSP 4
15 FFT Discrete Fourier transform. FFT(X) is the discrete Fourier transform (DFT) of vector X. For matrices, the FFT operation is applied to each column. For -D arrays, the FFT operation operates on the first non-singleton dimension. IFFT Inverse discrete Fourier transform. IFFT(X) is the inverse discrete Fourier transform of X. DSP 5
16 Das Aufbausignal für alle Formen der FT ist die komplexe Exponentialfunktion. Die komplexe Exponentialfunktion erstreckt sich von - bis. Für die Synthese eines aperiodischen Signals sind viele Frequenzkomponenten erforderlich (die sich durch Überlagerung auslöschen können). viele Komponenten können in einem Digitalrechner nicht gespeichert werden. Die DFT beschreibt diskrete, periodische Signale. DSP 6
17 (Komplexe) DFT Zeitbereich Frequenzbereich Realteil Realteil - / - Imaginärteil Imaginärteil - / - DSP 7
18 Symmetrie der DFT Frequenzkomponenten k = bis k = k > Xk [ ] = X*[ k] Realteil gerade, Imaginärteil DSP ungerade 8
19 Frequenzachse der DFT Durch die Abtastung der Signale geht die Frequenzachse verloren. x[ n] = x( nt ) = Acos( ωnt + ϕ) = Acos( ωˆ n + ϕ) s s ˆ ω = nt s f kontinuierlich kf s = Abstand der Spektrallinien f s Außerhalb dieses Rasters gibt es bei diskreten Signalen keine Frequenzkomponenten! DSP 9
20 (Zirkuläre) Verschiebung im Zeitbereich xn [ ] X[ k] xn [ m] X [ k] = X[ ke ] verschoben π k j m Jede Spektralkomponente erfährt eine frequenzproportionale (lineare) Phasenverschiebung e π k j m DSP
21 xn [ ] [ ] k = 9, k = + 45 xn [ ] = [ ] Betrag Phase DSP π j e = π j e = 35 = 45 7
22 Dreiecksfolge 5 5 symmetrisch um ullpunkt Phase ull 5 5 verschoben nach rechts Phase negativ 5 5 verschoben nach links Phase positiv Zeitbereich DSP Frequenzbereich (Phase)
23 DFT X[ k] = xne [ ] n= π n j k idft xn [ ] = X[ k] e k= π k j n DSP 3
24 Berechnung der idft mit der DFT * * j kn * j kn xn [ ] Xke [ ] Xk [ ] e k k * * j kn xn [ ] Xk [ ] e k.. X FFT * ( X ) 3. Skalieren mit / * * (4. kann entfallen x X bei reellen Zeitfolgen) Re Xk [ ] / Re xn [ ] Im Xk [ ] - FFT - / Im xn [ ] DSP 4
25 Re Xk [ ] / Re xn [ ] Im Xk [ ] FFT / Im xn [ ] DSP 5
26 Frequenzachse der DFT () Zeitbereich f = Zeitbereich f = Betragsspektrum 5 5 Betragsspektrum DSP 6
27 Leakage X[k]= Xk [ ] ( ˆ ω n+ ϕ ) - - j kn j n+ j kn xn [ ] xn [ ] = e ( π/ ) ( ˆ ω ϕ) ( π/ ) e e e n= n= j = π k ( ) π k sin j ˆ ˆ ω ω jϕ = e e nur Phase π k sin ˆ ω DSP 7 Diriclet'sche Funktion = 8
28 DSP 8
29 DSP 9
30 Kosinus Time-Domain (f =., T =, f s = 8, = 8).5 x(t) t Frequency-Domain 4 3 X(f) f DSP 3
31 ichtperiodische Signale (Zero Padding) Die DFT beruht auf periodischen Folgen, die Signaldarstellung im Zeit- und im Frequenzbereich ist daher immer periodisch. Zeitbereich L= 6 = π n.5 [ cos n L xn [ ] = L sonst Frequenzbereich DSP 3
32 Zeitbereich L= 6 = 3 L = 6 = Frequenzbereich DSP 3
33 Zeitbereich L= 6 = L = 6 = Frequenzbereich DSP 33
34 (DTFT) X ( ω) = xn [ ] e jωn n= DSP 34
35 n xn [ ].5 [ n] DTFT X( ).5e j Betrag Phase DSP 35
36 Zero Padding verbessert die Darstellung der DFT. Zero Padding verbessert die Trennung zweier nahe neben einander liegender Spektralkomponenten nicht! Um die spektrale Auflösung von zwei Signalen zu verbessern, müssen bei der Abtastung mehr Signalproben (ungleich ull) genommen werden. Um zwei benachbarte Spektrallinien auflösen zu können, muss der Abstand der Spektrallinien als der Abstand des Frequenzrasters sein. DSP 36
37 Zeitbereich f = Zeitbereich f = Zeitbereich f + f Betragsspektrum Spektrallinien liegen (zufällig) auf dem Frequenzraster! DSP 37
38 Zeitbereich f = Zeitbereich f = Zeitbereich f + f Betragsspektrum Spektrallinien um ein Viertel des Frequenzrasters verschoben Leakage DSP 38
39 Zeitbereich f = Zeitbereich f = Zeitbereich f + f Betragsspektrum Eine Spektrallinie auf dem Frequenzraster, zweite Spektrallinie im Abstand von einem Viertel der Rasterfrequenz können nicht getrennt werden! DSP 39
40 Fenstertechnik Xk [ ] = π k sin π k sin ˆ ω ˆ ω»amplitudengang«der DFT ( n + ) xn [ ] e j ˆ ω ϕ = Im Zeitbereich durch Rechteckfenster beschnitten. DSP 4
41 Recheckfensterfenster Dreiecksfenster von Hann-Fenster Hammingfenster X[ k] = wn [ ] xne [ ] n= π n j k DSP 4
42 Time domain 4 Frequency domain Rechteck.8 - Hamming Amplitude.6 Magnitude (db) -4-6 Dreieck.4-8 von Hann Samples ormalized Frequency ( π rad/sample) DSP 4
43 Spektralkomponente auf Raster Rechteckfenster 4 6 von Hann-Fenster DSP 43
44 Spektralkomponente nicht auf Raster Rechteckfenster 4 6 von Hann-Fenster DSP 44
45 Spektralkomponenten auf Raster Rechteckfenster 4 6 von Hann-Fenster DSP 45
46 Spektralkomponenten beide nicht auf Raster A/A = Rechteckfenster 4 6 von Hann-Fenster DSP 46
47 DFT als Filterbank X Filter X[-] X Filter X[k] x[n] X Filter X[] DSP 47
48 Matrixdarstellung der DFT () j( π k/ ) n x[ n] = Xke [ ] n =,,,..., n= k= X [ k] = [ ] j( π n/ ) k x ne k führt man die Abkürzung =,,,..., ergibt sich die gebräuchliche Schreibweise: x[ n] = XkW [ ] n= k= kn W = e j π / kn X[ k] = x[ n] W k =,,,..., ein, dann n =,,,..., DSP 48
49 kn X[ k] = x[ n] W k =,,,..., n= X[] = x[] + x[] + x[] + x [ ] X[] = x[] + x[] W + x[] W + x [ ] W ( ) 4 X[] = x[] + x[] W + x[] W + x [ ] W X = x + x W + x W + x W [ ] [] [] [] [ ] W = DSP 49
50 X Wx W = j π / X[] x[] X[] W W W x[] 4 ( ) X[] = W W W x[] ( ) ) x( ) X[ ] W W W x [ ] x = W X W W * = W 5 = e = DSP 5 7
51 Berechnung der Frequenzantwort mit Hilfe der Faltung DSP 5
52 Periodische (zirkuläre) Faltung g 3 g f f g f f g g 3 f f g f 3 f 3 g g DSP 5
53 f[ n]; gn [ ] f[ n] gn [ ] = f gn [ ] = f[] l g[ n l] = gl [ ] f[ n l] l= l= g 3 f g n = f f g ( f g) = fg + fg 3+ fg + f g ( f g) = fg+ fg + fg 3+ f3g 3 f 3 g DSP 53
54 Die Faltung ist periodisch im Zeitbereich für die DFT (und Fourierreihe). Die Faltung ist aperiodisch für die DTFT und Fouriertransformation. DSP 54
55 Periodische aperiodische Faltung f = [ ] g = [ ] DSP 55
56 f g f g DSP 56
57 Verwendung der DFT für die»aperiodische«faltung F = fft([f zeros(,length(g)-)]) G = fft([g zeros(,length(f)-)]) conv(f,g) = ifft(f.*g) DSP 57
58 f[ n ].5 gn [ ] f[ n] gn [ ] f g f g. 5 5 DSP 58
59 Lineare Faltung mit DFT. Anfügen von g ullen an f. Anfügen von f ullen an g 3. Berechnen von F und G mittels DFT 4. Multiplizieren von F und G 5. Inverse DFT von F x G liefert f * g DSP 59
60 Schnelle (FFT) Faltung Die Durchführung der Faltung im Frequenzbereich ist bei langen Signalen schneller als die Faltung im Zeitbereich, da die FFT ein sehr schneller Algorithmus ist. Die Zahl der Operationen ist bei der FFT von auf reduziert. ~ log( n) DSP 6
61 Die Geschwindigkeit der Berechnung ist auch ein indirektes Maß für die Genauigkeit, da Rundungsfehler von der Zahl der Operationen abhängen: weniger Operationen weniger Rundungsfehler DSP 6
62 Overlap-Add-Verfahren Bei der schnellen Faltung wird die FFT eingesetzt, die intern mit der periodischen Faltung arbeitet. Es muss verhindert werden, dass Fehler durch die periodische Faltung entstehen. DSP 6
63 sn [ ] = [ 3 ] hn [ ] = [ ] Zerlegen des Signals in Blöcke der Länge L (L=3) sn [ ] = [ 3 ] DSP 63
64 Länge der Signalabschnitte L (L = 3) Anhängen von M ullen pro Segment sn [ ] = [ 3 ] Länge des Filter M (M = ) Anhängen von L ullen hn [ ] = [ ] DSP 64
65 Faltung über Frequenzbereich: DFT, Multiplikation, IDFT Ergebnisse zusammengesetzt [ [ DSP 65
66 f=[ 3 ]; h=[ ]; L=length(f)+length(h)-; k=::l-; y=fftfilt(h,f,3) stem(k,y); DSP 66
67 FFT Transformationen Basierend auf Basis, 4 oder mixed Decimation In Time und Decimation In Frequency Reelle und komplexe Algorithmen Grundprinzip: Aufteilung von -Punkt /-Punkt /4 -Punkt und Ausnützung der Symmetrie- und periodischen Eigenschaften von W DSP 67
68 DFT in Matrizenschreibweise X= Wx X x W { X[] X[] Xn [ ] } = { x[] x[] xn [ ] } = W W W 4 ( ) = W W W ( ) ( ) x( ) W W W T T W = x[] X [] x[] X [ ] x = W X = W x[-] X [ ] W = W * DSP 68
69 Matlabunterstützung für W function DFTmatrixDarst sig=[ ]; =length(sig); SIG=sig*dftmtx(); sigrueck=(/)*(sig*conj(dftmtx())); figure subplot(,,) stem(sig) title 'Signal' subplot(,, ) stem(abs(sigrueck)) title 'Signal transf & rücktransf' DSP Signal 4 6 Betragsspektrum 4 6 Signal => transf => rücktransf
70 Eigenschaften von W () twiddle factor W k wiederholt sich nach Vielfachen von k k+ i W = W = W = ==> W = W i =,, Die Zeiger von W k unterscheiden sich nur in der Phase. Zeiger in Gegenphase haben unterschiedliches Vorzeichen k k W = W + DSP 7
71 k+ W = W W = W k = W = W = j W = W W = W W 4 8 = W8 = 8 W 8 = 33 W = W W = W W = W = j DSP 7
72 + i + i + i + i + i + i + i + i + i,7 -,7i - i -,7 -,7i - + i -,7 +,7i + i,7 +,7i i - i - + i + i + i - i - + i + i i -,7 -,7i + i,7 -,7i - + i,7 +,7i - i -,7 +,7i. + i - + i + i - + i + i - + i + i - + i 8 + i -,7 +,7i - i,7 +,7i - + -i,7 -,7i + i -,7 -,7i 33 + i + i - + -i - i + i + i - + -i - i i,7 +,7i + i -,7 +,7i - + -i -,7 -,7i - i,7 -,7i DFTMTX(8) COMPASS (DFTMTX(8)) DSP 7
73 FFT auf er-basis Eine -Punkt-Folge wird aufgeteilt in zwei /-Punkt-Folgen, damit wird die Zahl der Operationen von ~ auf x (/) = / reduziert. Dieser Prozess wird fortgesetzt bis eine -Punkt-Folge übrig bleibt, die Anzahl der Operationen reduziert sich von ~ ~ log DSP 73
74 Decimation in Time Aufteilen von xn [ ], n,,, In Folge mit geraden und ungeraden Indizes x x [ m ] ; x x [ m ] m,,, g u kn km m k m m m X[ k] x[ nw ] x[ mw ] x[m ] W DSP 74
75 kn km m m m X[ k] x[ nw ] x[ mw ] x[m ] W m k herausheben und vor der zweiten Summenterm stellen km m m m x [ m] x [ m] kn km k X[ k] x[ nw ] x[ mw ] W x[m ] W g u DSP 75
76 W km = W mk = / = DSP 76
77 km m m x [ m ] x [ m] km k Xk [ ] x[ mw ] W x[m ] W g u W km = W km km k km m= m= X[ k] = x[ m] W + W x[m+ ] W, k =,,,, Die Teilsummen obiger Gleichung stellen jeweils eine DFT der Länge / dar und wir können schreiben k DFT Xk [ ] DFT x[ m] W x [ m] g u k X [ m] W X [ m] g u und erhalten X DFT von x [ n] X g u DFT von x [ n] g u DSP 77
78 Wir wollen aber das Spektrum für alle k berechnen. Die Spektren X [ m]; X [ m] g u sind periodisch in / und wir können daher einfach periodisch fortsetzen: Wir wissen bereits, dass W k + k Xk [ ] = X[ k] + WX[ k], k=,,, - Xk [ + ] = X[ k] WX[ k], k=,, - k g u k g u = W und erhalten schließlich Signalflussgraph (Butterfly)wir können schreiben X [ k ] g Xk [ ] m x m X [ k ] u k W Xk [ / ] DSP 78
79 Anzahl Multiply-Add Operationen Die Berechnung von Xg[ k] und Xu[ k] verlangt ( ) Operationen, die k Berechnung von W [ ] X k verlangt zusätzliche / Operationen. Das ergibt Operationen. ( ) + / DSP 79
80 (/) 5 5 * ( +)/ Bei großem nur 5 % der Operationen DSP 8
81 DSP 8 Signalflussgraph FFT [] [] [] [3] [4] [5] [6] [7] x x x x x x x x g [ ] x n u [ ] x n [] [] [4] [6] x x x x [] [3] [5] [7] x x x x 4-Punkt DFT 4-Punkt DFT [] [] [] [3] g g g g X X X X [] [] [] [3] u u u u X X X X W W W W [] [] [] [3] X X X X [4] [5] [6] [7] X X X X
82 DSP 8 8-Punkt DIT -Punkt DTF -Punkt DTF -Punkt DTF -Punkt DTF [] [4] x x [] [6] x x [] [5] x x [3] [7] x x [] [] X X [] [3] X X [4] [5] X X [6] [7] X X 8 8 W W 8 8 W W W W 8 8 W W Stufe Stufe Stufe 3
83 Bit-reversal addressing Ind. Dez. binär Bit-reversed Dez. bit-rev Unterstützt von DSP-Architektur DSP 83
84 Decimation in Frequency ist aufgebaut wie DIT, aber die Butterfly-Operation wird im Zeitbereich eingesetzt km n= n= X[ k] = xnw [ ] + xnw [ ] k { } km nk k [ ] [ ], n= n= X[ k] = xn [ ] + ( ) xn [ + ] W n= nk { } n= n= X[ k] = xn [ ] + xn [ + ] W = x[ nw ] X[k + ] = x[ ] nk = xnw + xn+ W W nk n nk n nk { n x[ n+ ]} WW = x[ n] WW n= DSP n= 84 W nk k = (-) k
85 DIF DSP 85
86 DSP 86
87 Zero padding Berechnung der Faltung über den Frequenzbereich Erzeugen von Signallängen, die Potenz von sind, um FFT anwenden zu können Bessere Darstellung (Interpolation) im Frequenzbereich. DSP 87
Die Diskrete Fouriertransformation (DFT)
Kapitel Die Diskrete Fouriertransformation (DFT). Einleitung Zerlegt man Signale in sinusoidale (oder komplex exponentielle) Komponenten, dann spricht man von der Darstellung der Signale im Frequenzbereich.
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Zeitdiskrete Signale Wintersemester 6/7 Kontinuierliche und diskrete Signale wertkontinuierlich wertdiskret Signal Signal Signal Signal zeitdiskret zeitkontinuierlich
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, Vorlesung 11 - Kurzzeitfouriertransformation
Digitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation 30. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 11 und 12, Kammeyer & Kroschel (Absatz 8.4.1) Anwendungen
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
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:
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:
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 THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 5.0.005 Uhrzeit: 09:00
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)
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
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
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
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
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
MehrLineare zeitinvariante Systeme
Lineare zeitinvariante Systeme Signalflussgraphen Filter-Strukturen Fouriertransformation für zeitdiskrete Signale Diskrete Fouriertransformation (DFT) 1 Signalflussgraphen Nach z-transformation ist Verzögerung
MehrNachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 4 Fourier-Transformation 3
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
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
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
Mehr5. Fourier-Transformation
5. Fourier-Transformation 5.1 Definition 5.2 Eigenschaften 5.3 Transformation reeller Funktionen 5.4 Frequenzbereich und Zeitbereich 2.5-1 5.1 Definition Definition: Die Fourier-Transformation einer Funktion
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
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...
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
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:
MehrSignale, Transformationen
Signale, Transformationen Signal: Funktion s(t), t reell (meist t die Zeit, s eine Messgröße) bzw Zahlenfolge s k = s[k], k ganzzahlig s reell oder komplex s[k] aus s(t): Abtastung mit t = kt s, s[k] =
Mehr:. (engl.: first harmonic frequency)
5 Fourier-Reihen 5.1 Schwingungsüberlagerung 5.2 "Oberschwingungen" f 0 :. (engl.: fundamental frequency) :. (engl.: first harmonic frequency) Jede ganzzahlige (n) vielfache Frequenz von f 0 nennt man
MehrKorrektur Aufgabe 8.1
Korrektur Aufgabe 8.1 Anstatt x 2-2x+3 muss es heissen x 2-4x+3. 14.12.2007 1 Wiederholung Arithmetik auf Polynomen mit Grad n Polynome in Koeffizientendarstellung Auswerten: O(n) mit Horner-Schema Addition/Subtraktion:
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
MehrSystemtheorie. Vorlesung 20: Eigenschaften der Fourier-Transformation. Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann
Systemtheorie Vorlesung 2: Eigenschaften der Fourier-Transformation Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Fourier-Transformation Eigenschaften der Fourier-Transformation Definitionsgleichungen
MehrFourier- und Laplace- Transformation
Skriptum zur Vorlesung Mathematik für Ingenieure Fourier- und Laplace- Transformation Teil : Fourier-Transformation Prof. Dr.-Ing. Norbert Höptner (nach einer Vorlage von Prof. Dr.-Ing. Torsten Benkner)
MehrDigitale Signalverarbeitung, Vorlesung 12 - Schnelle Fouriertransformation (FFT)
Digitale Signalverarbeitung, Vorlesung 12 - Schnelle Fouriertransformation (FFT) 8. Februar 2016 Siehe Skript Digitale Signalverarbeitung, Abschnitt 10.2 Motivation und Anwendungen: Schnelle DFT-Berechnung
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
Mehr3. Diskrete Fourier-Transformation
Vorüberlegung: Die Gleichung λ =0 hat die N verschiedenen Lösungen λ k =e 2 π i k / N,,, Aus λ = (λ λ k ) k =0 folgt durch Koeffizientenvergleich e 2 π i k/ N = λ k =0 Für jede ganze Zahl m gilt m d. h.
MehrProf. Dr. Stefan Weinzierl Aufgabe: Amplitudenstatistik analoger Audiosignale. Abb. 1: WDF eines Audiosignals. p X.
Audiotechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 21.1.21 1. Aufgabe: Amplitudenstatistik analoger Audiosignale a. Ein Signal x(t) hat die durch Abb. 1 gegebene Wahrscheinlichkeitsdichtefunktion
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
MehrSignale und Systeme I
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme I Modulklausur WS 016/017 Prüfer: Prof. Dr.-Ing. Gerhard Schmidt Datum:
MehrRelevante Frequenztransformationen
Relevante Frequenztransformationen Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 206 Andreas Unterweger (FH Salzburg) Relevante Frequenztransformationen
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
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
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
MehrLab3 - Fourieranalyse von Signalen
1 Einleitung Lab3 - Fourieranalyse von Signalen M. Brandner, C. Wallinger Die spektrale Analyse deterministischer und zufälliger Signale ist von zentraler Bedeutung in der Messtechnik, da sehr viele interessante
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrÜbungsaufgaben Digitale Signalverarbeitung
Übungsaufgaben Digitale Signalverarbeitung Aufgabe 1: Gegeben sind folgende Zahlenfolgen: x(n) u(n) u(n N) mit x(n) 1 n 0 0 sonst. h(n) a n u(n) mit 0 a 1 a) Skizzieren Sie die Zahlenfolgen b) Berechnen
MehrDiskrete Fourier-Transformation
Universität Koblenz-Landau Institut für integrierte Naturwissenschaften Abteilung Physik Dozent: Dr. Merten Joost Seminar Digitale Signalverarbeitumg im Sommersemester 2005 Diskrete Fourier-Transformation
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=
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
MehrDie Fourier-Transformation
1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden
MehrTest = 28 Punkte. 1: 2: 3: 4: 5: Punkte: Note:
ZHAW, DSV1, FS2010, Rumc, 1 Test 1 5 + 5 + 5 + 8 + 5 = 28 Punkte Name: Vorname: 1: 2: : 4: 5: Punkte: Note: Aufgabe 1: AD-DA-System. + 1 + 1 = 5 Punkte Das analoge Signal x a (t) = cos(2πf 0 t), f 0 =750
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
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
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
MehrFH Jena FB Elektrotechnik/Informationstechnik Prof. Giesecke Prüfungsaufgaben Signalverarbeitung SS 2012
Name, Vorname: Matr.-Nr.: Wichtige Hinweise: Ausführungen, Notizen und Lösungen auf den Aufgabenblättern werden nicht gewertet. Vor der entsprechenden Lösung ist deutlich die dazugehörige Nummer der Aufgabe
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
Mehrf (t) =A sin ( t+ ) (1)
1 Das Sinoid in verschiedenen Schreibweisen f (t) A t enthalt fur jedes zwei Parameter, A und v. f (t) =A sin ( t+ ) (1) Formt man um f (t) =A (cos tsin + sin tcos ) und setzt b = A sin a = A cos so ergibt
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:
MehrSignale und Systeme Die Fourier-Reihe
Signale und Systeme Die Fourier-Reihe Zsolt Kollar BME HVT hvt.bme.hu 26. März 2012 Gliederung 1 Die kontinuierliche Fourier-Reihe Rekapitulation Berechnung der Koeffizienten Genauigkeit Spezielle Eigenschaften
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
Mehreinige Zusatzfolien für s Seminar
Signale und Systeme einige Zusatzfolien für s Seminar Dr. Mike Wolf, Fachgebiet Nachrichtentechnik Signale und Systeme Fourierreihe reelle Fourierreihe betrachtet wird ein periodisches Zeitsignal u p mit
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
MehrÜbung 3: Fouriertransformation
ZHAW, SiSy HS202, Rumc, Übung 3: Fouriertransformation Aufgabe Fouriertransformation Dirac-Impuls. a) Bestimmen Sie die Fouriertransformierte S(f) des Dirac-Impulses s(t) = δ(t) und interpretieren Sie
MehrHarmonische Schwingung
Harmonische Schwingung Eine harmonische Schwingung mit Amplitude c 0, Phasenverschiebung δ und Frequenz ω bzw. Periode T = 2π/ω hat die Form x x(t) = c cos(ωt δ). δ/ω c t T=2π/ω Harmonische Schwingung
MehrBehandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder
Behandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder Bei der Behandlung reeller elektromagnetischer Felder im Fourierraum ist man mit der Tatsache konfrontiert, dass
MehrCrash-Kurs Komplexe Zahlen
1 Definitionen: j, C, z Im Körper R der reellen Zahlen besitzt die lineare Gleichung ax + b = 0 (a, bεr; a 0) stets eine Lösung. Die quadratische Gleichung ax 2 + bx + c = 0 führt zu der Lösungsformel
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
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
MehrFourier-Reihen und Fourier-Transformation
Fourier-Reihen und Fourier-Transformation Matthias Dreÿdoppel, Martin Koch, Bernhard Kreft 25. Juli 23 Einleitung Im Folgenden sollen dir und die Fouriertransformation erläutert und mit Beispielen unterlegt
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
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
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
Mehrx[n-1] x[n] x[n+1] y[n-1] y[n+1]
Systeme System Funtion f, die ein Eingangssignal x in ein Ausgangssignal y überführt. zeitdisretes System Ein- und Ausgangssignal sind nur für disrete Zeitpunte definiert y[n] = f (.., x[n-1], x[n], x[n+1],
MehrMusterlösung zur Klausur Signale und Systeme
Musterlösung zur Klausur Signale und Systeme Arbeitsgruppe Digitale Signalverarbeitung Ruhr-Universität Bochum Herbst 005 Aufgabe : Kontinuierliche und diskrete Signale..a) y t ).b) y t ) -3T -T -T T T
Mehr3.5 Schnelle Fouriertransformation (FFT, DFT)
3.5 Schnelle Fouriertransformation (FFT, DFT) 3.5.1 Grundlagen Ein Polynom P = i a ix i C[x] vom Grad n ist eindeutig durch seine Koeffizienten a i bestimmt, d.h. man hat eine Bijektion {Polynome C[x]
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.
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
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
MehrÜbung 2: Spektrum periodischer Signale
ZHAW, SiSy, Rumc, Übung : Spektrum periodischer Signale Augabe Verschiedene Darstellungen der Fourierreihe. Betrachten Sie das periodische Signal s(t) = + sin(π t). a) Bestimmen Sie die A k - und B k -Koeizienten
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,
MehrArgumente für die diskrete Realisierung der Fourierintegrale
Argumente für die diskrete Realisierung der Fourierintegrale Die Fouriertransformation gemäß der Beschreibung in Kapitel 3.1 weist aufgrund der unbegrenzten Ausdehnung des Integrationsintervalls eine unendlich
Mehr4. Gleichungen im Frequenzbereich
Stationäre Geräusche: In der technischen Akustik werden überwiegend stationäre Geräusche untersucht. Stationäre Geräusche sind zusammengesetzt aus harmonischen Schallfeldern p x,t = p x cos t x Im Folgenden
MehrAnwendungen der Fourier-Entwicklung in der Elektrotechnik 1 / 22
Anwendungen der Fourier-Entwicklung in der Elektrotechnik 1 / Unser heutiges Ziel Reaktion eines Netzwerks auf ein periodisches Eingangssignal oder speziell Wie reagiert ein RC-Glied auf periodische Erregung?
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
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...
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
MehrHarmonische Schwingungen und komplexe Zeiger
Harmonische Schwingungen und komplexe Zeiger Eine harmonische Schwingung wird durch eine allgemeine sinusartige Funktion beschrieben (Grafik siehe unten: y = y (t = sin (ω t + ϕ Dabei ist die mplitude,
MehrDie schnelle Fouriertransformation
Die schnelle Fouriertransformation Die stetige Fouriertransformation ˆf : Z C eines Signals f : [0, π] C ist gegeben durch ˆf(k) = π 0 f(t)e kt dt Die folgende Umkehrformel drückt dann f als Fourierreihe
MehrVorkurs Mathematik Übungen zu Komplexen Zahlen
Vorkurs Mathematik Übungen zu Komplexen Zahlen Komplexe Zahlen Koordinatenwechsel Aufgabe. Zeichnen Sie die folgende Zahlen zunächst in ein (kartesisches) Koordinatensystem. Bestimmen Sie dann die Polarkoordinaten
MehrMusterlösung zur Klausur Digitale Signalverarbeitung
Musterlösung zur Klausur Digitale Signalverarbeitung Arbeitsgruppe Digitale Signalverarbeitung Ruhr-Universität Bochum 1. Oktober 2007 Aufgabe 1: Transformationen 25 Pkt. Gegeben war das reellwertige kontinuierliche
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 2: Fakultät für Elektro- und Informationstechnik, anfred Strohrmann Einführung Frequenzgang zeitkontinuierlicher Systeme beschreibt die Änderung eines Spektrums bei
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
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
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:
MehrKapitel 3: DFT und FFT
ZHAW, DSV1, FS2009, Rumc, 3-1 Inhaltsverzeichnis Kapitel 3 DFT und FFT 3.1. EINLEITUNG... 1 3.2. DISKRETE FOURIERTRANSFORMATION (DFT)... 2 3.3. EIGENSCHAFTEN DER DFT... 2 3.4. VERWANDTSCHAFT DER DFT MIT
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrDiskrete Folgen, z-ebene, einfache digitale Filter
apitel 1 Diskrete Folgen, z-ebene, einfache digitale Filter 1.1 Periodische Folgen Zeitkoninuierliche Signale sind für jede Frequenz periodisch, zeitdiskrete Signale nur dann, wenn ω ein rationales Vielfaches
MehrTechnische Schwingungslehre, WS2009/10
Institut für Technische Mechanik Prof. Dr.-Ing. C. Proppe Prof. Dr.-Ing. W. Seemann Technische Schwingungslehre, WS9/ Übungsblatt Nr. Thema: Darstellung von Schwingungen Formelsammlung: Grundbegriffe der
Mehr