Hochauflösende Spektralschätzung und Prädiktionsverfahren

Größe: px
Ab Seite anzeigen:

Download "Hochauflösende Spektralschätzung und Prädiktionsverfahren"

Transkript

1 Tutorium Hochauflösende Spektralschätzung und Prädiktionsverfahren URL: wwwsiartde/ lehre/ spektralschaetzungpdf Uwe Siart 28 Januar 2013(Version 124)

2 Inhaltsverzeichnis 2 Inhaltsverzeichnis 1 Parameterschätzung 4 2 Klassische Spektralschätzung 6 21 Autokorrelationsfolge (AKF) 6 22 Korrelogramm 8 23 Fensterung derakf(blackman-tukey) 9 24 Periodogramm (auch: direkte Methode) Mittelung von Periodogrammen (Bartlett) Mittelung von Periodogrammen mit Fensterung und Überlappung (Welch) Kombination Periodogramm-Korrelogramm Maximum-Entropy-Spektrum 14 3 Hochauflösende Schätzverfahren(parametrisch) Direkte Strukturen diskreter Filter Strukturen von AR-,MA- undarma-modellsystemen Übertragungsfunktionen unddifferenzengleichungen Bestimmung derar-parameter Kovarianzverfahren zurvorwärtsprädiktion 21 URL:

3 Inhaltsverzeichnis 3 36 DasProny-Verfahren Dasursprüngliche Prony-Verfahren DasKleinste-Quadrate-Prony-Verfahren Spektrale Interpretation Vorgehen bei bekannten Frequenzen 40 4 Hochauflösende Schätzverfahren(nichtparametrisch) DerMUSIC-Algorithmus Interpolation fehlenderfolgenglieder(lsar) 46 URL:

4 1 Parameterschätzung 4 1 Parameterschätzung Begriffe Unbekannte Parameter (dazu gehören zum Beispiel auch Abtastwerte der spektralen Leistungsdichte) können aus einer Messung(Beobachtung mit endlicher Dauer) im Allgemeinen nicht berechnet sondern nur geschätzt werden Ein Schätzverfahren wird beurteilt nach dem Mittelwert und der Varianz seiner Schätzergebnisse Ein Schätzer, dessen Mittelwert mit dem wahren Wert des Parametervektors übereinstimmt, heißt erwartungstreu (kein systematischer Fehler, engl: unbiased) Ein Schätzer, der für zunehmende Fensterlänge(Messzeit, Probengröße) gegen den wahren Wert des Parametervektors konvergiert, heißt konsistent Es gibt eine informationstheoretische untere Schranke für die Varianz einer Schätzung (zum Beispiel nach Cramér-Rao) Ein erwartungstreuer Schätzer, der diese Schranke erreicht, heißt effizient Wenn er diese Schranke mit zunehmender Fensterlänge anstrebt, heißt er asymptotisch effizient URL:

5 1 Parameterschätzung 5 Übersicht Spektralschätzverfahren Klasse Modell Verfahren Klassisch Korrelogramm Blackman-Tukey Periodogramm Bartlett-Periodogramm Welch-Periodogramm Maximum-Entropy-Methode Parametrisch AR Kovarianzverfahren Mod Kovarianzverfahren Burg-Algorithmus Yule-Walker MA All-Zero-Prozess ARMA Mod Yule-Walker e-funktionen Prony sin-funktionen Pisarenko-Zerlegung + Rauschen Nicht-Parametrisch MUSIC-Eigenanalyse EV-Eigenanalyse URL:

6 2 Klassische Spektralschätzung 6 2 KlassischeSpektralschätzung 21 Autokorrelationsfolge (AKF) Exakte Darstellung der AKF r xx [k]=e { x[n+k]x [n] } Schätzung der AKF ˆr xx [k]= 1 N k 1 N k N k 1 n=0 N k 1 n=0 x[n+k]x [n] für 0 k N 1 x[n+ k ]x [n] für (N 1) k< 0 URL:

7 2 Klassische Spektralschätzung 7 Autokorrelationsfolge (AKF) Eigenschaften der Schätzung erwartungstreue SchätzungE{ˆr xx [k]}=r xx [k] Varianz steigt mit zunehmendem Index k, weil die Länge der Mittelung abnimmt Varianz strebt mit zunehmender Datenlänge N gegen 0 Es handelt sich um eine konsistente Schätzung der AKF URL:

8 2 Klassische Spektralschätzung 8 22 Korrelogramm Exakte Darstellung des Leistungsdichtespektrums (LDS) P xx (f )=T r xx [k]e j2πfkt (Wiener-Khintchine-Theorem) Korrelogramm ˆP xx (f )=T k= L k= L ˆr xx [k]e j2πfkt r xx [k] istkonjugiert gerade P xx (f ) istreinreell L N/10 (N: Länge der Datenfolge), wegen der sonst zunehmenden Varianz der AKF- Schätzung URL:

9 2 Klassische Spektralschätzung 9 23 Fensterung der AKF(Blackman-Tukey) Schätzung des LDS ˆP BT (f )=T L k= L w[k]ˆr xx [k]e j2πfkt Erwartungswert E {ˆP BT (f ) } =T L k= L w[k]r xx [k]e j2πfkt = P xx (f ) W(f ) Zeitfenster mit BereichenW(f )< 0 erzeugen negative Werte fürp(f ) kein Rechteckfenster ˆP BT (f ) istmit zunehmendeml asymptotisch erwartungstreu Standardabweichung kleiner als ein Drittel des Mittelwertes URL:

10 Durchfehlende Erwartungswertbildungstatistisch instabil 2 Klassische Spektralschätzung Periodogramm (auch: direkte Methode) Exakte Darstellung des LDS P xx (f )= lim E 1 N N (2N+1)T T k= Nx[k]e j2πfkt 2 Weglassen von E{ } und endlich lange Datenfolge führt auf die Schätzung ˆP xx (f )= T N N 1 2 x[k]e j2πfkt k=0 Ensemble-Mittelwert URL:

11 Gleiche Fenstereffekte, wie Einzelperiodogramme 2 Klassische Spektralschätzung Mittelung von Periodogrammen (Bartlett) Algorithmus Aufteilung der Datenfolge in nichtüberlappende Segmente Berechnung desperiodogramms ˆP xx (f ) für jedessegment(zumbeispiel mitfft) Mittelung der unmodifizierten Einzelperiodogramme an jedem Frequenzpunkt Bartlett-Periodogramm Eigenschaften var{ˆp B (f )} P xx 2 (f ) Anzahl der Segmente Trade-off zwischen kleiner Varianz und hoher f-auflösung URL:

12 2 Klassische Spektralschätzung Mittelung von Periodogrammen mit Fensterung und Überlappung (Welch) Algorithmus Wie Bartlett, aber Fensterfunktion über jedes Segment(Welch: Hann-Fenster) Überlappung der Segmente zulässig Was ist dadurch gewonnen? Fensterung reduziert Nebenkeulen bei Spektren mit großer Dynamik, vermindert aber etwas das Auflösungsvermögen Durch Überlappung werden mehr Segmente gemittelt kleinere Varianz Bei 50%-iger Überlappung ist eine effiziente Implementierung mit Hilfe des FFT-Algorithmus möglich URL:

13 2 Klassische Spektralschätzung KombinationPeriodogramm-Korrelogramm Algorithmus Berechne Bartlett-Periodogramm (keine Überlappung, Rechteckfenster) Inverse FFT des Periodogramms (Schätzung der AKF) Fensterung der geschätzten AKF FFT ergibt Schätzung für die spektrale Leistungsdichte Was ist dadurch gewonnen? Gleiche statistische Eigenschaften wie Welch-Verfahren, aber halber Rechenaufwand (nur halb soviele Segmente müssen fouriertransformiert werden, keine Multiplikationen für eine Fensterung der Segmente) URL:

14 2 Klassische Spektralschätzung Maximum-Entropy-Spektrum Die Maximum-Entropy-Methode (MEM) vermeidet unrealistische Annahmen wie periodische Fortsetzung(diskrete Fourier-Transformation durch FFT) oder verschwindende Daten außerhalb des Beobachtungsfensters (Blackman-Tukey) Die MEM bestimmt das LDS des statistischen Prozesses mit der größten Informationsdichte, dessen AKF mit der gemessenen AKF im Beobachtungszeitraum übereinstimmt Bei Modellierung eines stationären Prozesses sind das AR-Spektrum (Modellordnung M) und das MEM-Spektrum (Prädiktorlänge M) völlig äquivalent URL:

15 a 0 a 1 a 2 a n 2 a n 1 1Struktur 3 Hochauflösende Schätzverfahren(parametrisch) 15 3 Hochauflösende Schätzverfahren(parametrisch) 31 Direkte Strukturen diskreter Filter V(z) b 0 b 1 b 2 b n 2 b n 1 b n z 1 z 1 z 1 z 1 Y(z) URL:

16 3 Hochauflösende Schätzverfahren(parametrisch) 16 Y(z) V(z) b n b n 1 b n 2 z 1 z 1 z 1 z 1 b 0 b 2 b 1 a n 1 a n 2 a 2 a 1 a 0 2Struktur H(z)= m µ=0 n ν=0 b µ z µ a ν z ν =b m m (z z 0µ ) µ=1 n (z z ν ) ν=1 ; a n = 1 URL:

17 3 Hochauflösende Schätzverfahren(parametrisch) Strukturen von AR-, MA- und ARMA-Modellsystemen V(z) 1 b 1 b 2 b n 2 b n 1 b n z 1 z 1 z 1 z 1 Y AR (z) a 0 a 1 a 2 a n 2 a n 1 AR all-pole IIR Y MA (z) V(z) b n b n 1 b n 2 z 1 z 1 z 1 z 1 b 0 a n 1 a n 2 b 2 b 1 a 2 a 1 a 0 MA all-zero FIR tapped-delay-line URL:

18 3 Hochauflösende Schätzverfahren(parametrisch) 18 V(z) z 1 z 1 z 1 z 1 b 0 b 1 b 2 b n 2 b n 1 b n Y ARMA (z) z 1 z 1 z 1 z 1 ARMA a 0 a 1 a 2 a n 2 a n 1 URL:

19 3 Hochauflösende Schätzverfahren(parametrisch) Übertragungsfunktionen und Differenzengleichungen von AR-, MA- und ARMA-Modellsystemen H AR (z)= 1 1+ n ν=1 a ν z ν n y[k]= a ν y[k ν]+v[k] ν=1 H MA (z)= 1+ m b µ z µ µ=1 y[k]= m b µ v[k µ] µ=0 H ARMA (z)= 1+ m µ=1 1+ n ν=1 b µ z µ a ν z ν n y[k]= a ν y[k ν]+ ν=1 m b µ v[k µ] µ=0 URL:

20 3 Hochauflösende Schätzverfahren(parametrisch) Bestimmung der AR-Parameter Yule-Walker-Gleichung r xx [0] rxx [1] r xx [m 1] r xx [1] r xx [0] r a 1 xx[m 2] a 2 r xx [1] r = xx [2] r xx [m 1] r xx [m 2] r xx [0] a m r xx [m] m σ 2 w =r xx [0]+ a k rxx[k] k=1 r xx [0] rxx [1] r xx [m] r xx [1] r xx [0] r 1 xx[m 1] a 1 = r xx [m] r xx [m 1] r xx [0] a m Levinson-Durbin-Rekursion Algorithmus zur effizienten Lösung von Gleichungssystemen in Töplitz-Form σ w URL:

21 3 Hochauflösende Schätzverfahren(parametrisch) Kovarianzverfahren zur Vorwärtsprädiktion Vorwärtsprädiktion (VP) und AR-Modell sind eng verwandt: WGN AR-Modell ˆx[k] m ˆx[n]= a k x[n k] k=1 x[k] Prädiktor e[k] m x[n]= a k x[n k]+e[n] k=1 Unterschiede AR VP AR-Filter VP-Filter Eingang weißes Rauschen x[n] Ausgang ˆx[n] e[n] URL:

22 3 Hochauflösende Schätzverfahren(parametrisch) 22 Kovarianzverfahren zur Vorwärtsprädiktion DasAR-Modell istein rekursives Filtermit denkoeffizientena k DerPrädiktoristein MA-Filtermit denkoeffizienten a k AR-Modell und Vorwärtsprädiktion sind zueinander komplementär Die Koeffizientena m, welche die Leistung des Prädiktionsfehlers minimieren, erhält man als Lösung von r xx [0] rxx [1] r xx [m] r xx [1] r xx [0] r 1 xx[m 1] a 1 r xx [m] r xx [m 1] r xx [0] a m = ϱ min 0 0 URL:

23 3 Hochauflösende Schätzverfahren(parametrisch) Das Prony-Verfahren Zur Person Baron de Pronys Gaspard de Prony ( 22 Juli 1755, 29 Juli 1839), Familienname Riche, 1780 Ingenieur und 1790 Chefingenieur an der Ecole des Ponts et Chaussées, Zusammenarbeit unter Anderem mit Legendre und Carnot Ursprung des Verfahrens Gesetze zur Ausdehnung von Gasen können durch Linearkombinationen von(reellen abklingenden) e-funktionen modelliert werden Prony entwickelte ein Verfahren um N Messpunkte durch e- Funktionen exakt zu beschreiben Dabei waren soviele e-terme zugelassen, wie für die exakte Lösung nötig waren URL:

24 3 Hochauflösende Schätzverfahren(parametrisch) 24 Das Prony-Verfahren Moderne Varianten Verwendung von e-funktionen mit komplexen Exponenten (harmonische Funktionen mit und ohne Dämpfung) In der Regel deutlich mehr Abtastwerte als Exponentialterme spektrale Interpretation Unterschiede zu anderen Verfahren Periodogramm und DFT verwenden vorgegebene Frequenzen AR, MA und ARMA verwenden statistische Modelle Das Prony-Verfahren schätzt die Frequenzen URL:

25 3 Hochauflösende Schätzverfahren(parametrisch) 25 Das Prony-Verfahren Die Datenfolge x[n] soll durch ˆx[n] = p n 1 h k z k k=1 modelliert werden,wobei mitω k =ω k T z k = e (α kt+jω k ) h k =A k e jφ k die komplexen Schwingungen und deren komplexe Amplituden darstellen Kriterium für die Güte der Modellierung ist die gesamte quadratische Abweichung N ϱ= x[n] ˆx[n] 2, n=1 die zu minimieren ist URL:

26 3 Hochauflösende Schätzverfahren(parametrisch) 26 Das Prony-Verfahren Schwierigkeiten hoch nichtlineares Problem keine analytische Lösung möglich Iterationsverfahren(Gradientenverfahren, Newtoniteration) sind sehr rechenaufwendig und/oder finden nicht das globale Fehlerminimum Das Prony-Verfahren verwendet lineare Gleichungssysteme Die Minimierung der quadratischen Abweichung ϱ ist dafür nicht ganz optimal URL:

27 3 Hochauflösende Schätzverfahren(parametrisch) 27 Das Prony-Verfahren Varianten Prony-Verfahren Eswerden2p komplexeparameter(h 1,,h p undz 1,,z p )verwendet,um2p komplexe Abtastwerte (x[1],,x[2p])exakt zumodellieren Kleinste-Quadrate-Prony-Verfahren Wenn die Anzahl N der Abtastwerte größer ist, als die Anzahl 2p der Parameter, dann können die Abtastwerte durch die Exponentialfolge nur approximiert werden Erweitertes Kleinste-Quadrate-Prony-Verfahren Verwendetungedämpfte Einzelschwingungen(α k = 0 k) Prony-Spektrum Das Prony-Verfahren ist eigentlich kein Spektralschätzverfahren Die Schätzwerte Ω k, φ k,a k undα k könnenaberspektralinterpretiertwerdenverschiedeneannahmenüber das Signal außerhalb des Beobachtungsbereichs führen auf verschiedene Spektren URL:

28 3 Hochauflösende Schätzverfahren(parametrisch) 28 Das Prony-Verfahren Einzelschritte (bei allen Varianten) 1 Bestimmen derprädiktionsparametera 0,,a p 2 Berechnen der α k und der Ω k aus den Nullstellen z 1,,z p eines Polynoms aus den Prädiktionsparametern 3 Die Lösung eines weiteren linearen Gleichungssystems liefert die Schätzwerte für A k undφ k URL:

29 3 Hochauflösende Schätzverfahren(parametrisch) Das ursprüngliche Prony-Verfahren Exakte Darstellung der Datenfolge durch p x[n]= A k e jφk e (α kt+jω k )(n 1) = k=1 Umschreiben in p h k z n 1 k (1) k= z 1 z 2 z p z 1 z 2 z p h 1 h 2 z p 1 p 1 p 1 1 z 2 z p h p = x[1] x[2] x[p] (2) Prony entdeckte ein Verfahren, um die Bestimmung der zeitabhängigen Parameterz k und der zeitunabhängigen Parameterh k zu separieren URL:

30 3 Hochauflösende Schätzverfahren(parametrisch) 30 Das ursprüngliche Prony-Verfahren Definiere ein Polynom,dessen Nullstellen diez k sind: P(z)= p p (z z k )= a m z p m, a 0 = 1 (3) k=1 m=0 DurchVerschieben desindexin(1)nachn m,multiplikation mita m undsummationergibt sich p p p a m x[n m]= h k a m z n m 1 i, (4) m=0 k=1 m=0 fürp+1 n 2p URL:

31 3 Hochauflösende Schätzverfahren(parametrisch) 31 Das ursprüngliche Prony-Verfahren DieSubstitutionz k n m 1 =z k n p 1 z k p m ergibt p a m x[n m]= m=0 p p n p 1 h k z k a m z p m k = 0 k=1 m=0 Die rechte Seite entspricht dem Polynom(3), ausgewertet an allen seinen Nullstellen Aus denwertena m,die diesegleichung erfüllen, ergeben sichp Gleichungen: a 1 a 2 x[p] x[p 1] x[1] x[p+1] x[p] x[2] x[2p 1] x[2p 2] x[p] a p x[p+1] x[p+2] = (5) x[2p] URL:

32 3 Hochauflösende Schätzverfahren(parametrisch) 32 Das ursprüngliche Prony-Verfahren Einzelschritte 1 Löse (5) Koeffizientena m descharakteristischen Polynoms (3) 2 Bestimme die Nullstellenz k des charakteristischen Polynoms (3) α k = ln z k T 1/s f k = arg{z k} 2πT Hz 3 Löse (2) A k = h k φ k = arg{h k } URL:

33 3 Hochauflösende Schätzverfahren(parametrisch) Das Kleinste-Quadrate-Prony-Verfahren Problem Wenn mehr Abtastwerte als Parameter vorliegen, kann die Modellierung nur approximativ sein Das vollständige Kleinste-Quadrate-Problem ist extrem nichtlinear und nicht analytisch lösbar Lösung Minimiere zunächstnichtϱ= N n=1 x[n] ˆx[n] 2,sondern den Fehler e[n]= p a m x[n m] m=1 der Vorwärtsprädiktion Das Auffinden der entsprechenden Prädiktionsparameter a m entspricht exakt der Vorwärtsprädiktion nach dem Kovarianzverfahren URL:

34 3 Hochauflösende Schätzverfahren(parametrisch) 34 Das Kleinste-Quadrate-Prony-Verfahren Entscheidung: Wieviele e-terme sollen verwendet werden? Eigenwertanalyse FPE final prediction error AIC Akaike information criterion MDL minimum description length CAT criterion autoregressive transfer GMV gesunder Menschenverstand (oftmals beste Lösung) URL:

35 3 Hochauflösende Schätzverfahren(parametrisch) 35 Das Kleinste-Quadrate-Prony-Verfahren DieNullstellen descharakteristischen Polynoms (Koeffizientena m ) ergeben diez 1,,z p DasRestproblem Minimiereϱ istlinearinden verbleibendenparameternh 1,,h p Es wird gelöst durch ( Z H Z ) h=z H x wobei Z= z 1 z 2 z p z N 1 N 1 N 1 1 z 2 z p, h= h 1 h 2 h p, x= x[1] x[2] x[n] URL:

36 3 Hochauflösende Schätzverfahren(parametrisch) 36 Das Kleinste-Quadrate-Prony-Verfahren Modifikation: keine Dämpfung (α k = 0 z k = 1) ˆx[n] = p ( hk z n 1 k +h k (z k ) n 1) k=1 Charakteristisches Polynom P(z)= 2p (z z k )= 2p k=1 k=0 a k z 2p k mita 0 = 1,a 2p = z k und a 2p = 1 Wegen 1/z k =z k hata 2p z 2p P (z) diegleichen Nullstellen wiep(z),daherista k =a 2p a 2p k Differenzengleichung p x[n p]+ (д p [k]x[n p+k]+д p [k]x[n p k])= 0 k=1 URL:

37 3 Hochauflösende Schätzverfahren(parametrisch) 37 Das Kleinste-Quadrate-Prony-Verfahren Minimiere nicht den Prädiktionsfehler, sondern ϱ p = N p n=p+1 x[n]+ p ( дp [k]x[n+k]+д p [k]x[n k] ) 2 k=1 Zugehörige Normalgleichung д p [0] r 2p [0,0] r 2p [0,2p] д p [1] 1 r 2p [2p,0] r 2p [2p,2p] д = 0 p 2ϱ p p [1] 0 p д p [p] mitr 2p [j,k]= N ( x [n j]x[n k]+x[n p+j]x [n p+k] ) n=2p+1 URL:

38 3 Hochauflösende Schätzverfahren(parametrisch) Spektrale Interpretation Voraussetzung: Annahme über den weiteren Verlauf von ˆx[n], zum Beispiel einseitigunendlich(ˆx[n]=0 n< 0), zweiseitig symmetrisch Zugehörige Z-Transformierte: ˆX 1 (z)= ˆX 2 (z)= p h k 1 z k z 1 p ( ) 1 1 h k 1 z k z 1 1 (z k z) 1 k=1 k=1 Diese konvergieren für z > z k einseitig, zweiseitig Sindferner z k < 1(keineanklingendenTerme),dannergibtdieSubstitutionz= e jω diedft von ˆx URL:

39 3 Hochauflösende Schätzverfahren(parametrisch) 39 Spektrale Interpretation Prony-Spektrum Ŝ ν (f )= T ˆX ν (e jω ) 2, Ω= 2πfT Eigenschaften ν= 1:geeignetfür transiente Signale ν= 2:deckt auchungedämpfte Schwingungenab Beide Spektren können schmalbandige oder breitbandige Anteile modellieren Starkes Rauschen bedingthohe Schätzfehlerbei denα k (meistviel zugroß) URL:

40 3 Hochauflösende Schätzverfahren(parametrisch) Vorgehen bei bekannten Frequenzen Es seienq Frequenzenz 1,,z q bekannt,nicht aberderen Amplituden Das charakteristische Polynom kann zerlegt werden: p m=0a m z m = q k=0 c k z k p q i=0 α i z i Koeffizientenvergleich und Einsetzendera m in (4): p a m x[n m]= m=1 fürp+1 n 2p p m=1 q k=0 c k α m k x[n m]=0 URL:

41 3 Hochauflösende Schätzverfahren(parametrisch) 41 Vorgehen bei bekannten Frequenzen Umstellen ergibt eine Faltung(entspricht Filterung): p q m=0 α m y[n m]=0 mit y[n]= q c k x[n k] k=0 Einzelschritte 1 Originaldatenfiltern, Koeffizientenc k ausden bekanntenpolen 2 Kovarianzverfahren zur Schätzung der α m Die Nullstellen des verkürzten Polynoms αi z i sindschätzwerte für die unbekanntenpole 3 Bestimmen der Schätzwerte für die komplexen Amplituden h k nach der Kleinste-Quadrate-Methode URL:

42 4 Hochauflösende Schätzverfahren(nichtparametrisch) 42 4 Hochauflösende Schätzverfahren(nichtparametrisch) 41 Der MUSIC-Algorithmus AKF desmodellsignals(m komplexe SchwingungeninweißemRauschen mit Varianzσ 2 ): r xx [k]= M P i e jkω i+σ 2 δ 0 [k] ; Ω i =ω i T (6) i=1 Autokorrelationsmatrix (p + 1 Abtastwerte): mit R p = r xx [0] r xx [p] = r xx [p] r xx [0] s i = ( ) 1 e jω i e jpω T i Jedes Vektorprodukts i s i H isteine Matrixmit Rang1 Rang{S p } = M<p+1 Rang{N p }=p+1 M P i s i s H i +σe=s p +N p (7) i=1 URL:

43 4 Hochauflösende Schätzverfahren(nichtparametrisch) 43 Der MUSIC-Algorithmus DieSignalmatrixhatfolglich nurm von Null verschiedene Eigenwerteλ 1,,λ M SignalraumDiezugehörigenEigenvektorenv 1,,v M spannendengleichenraumauf,wie diesignalvektorens 1,,s M Rauschraumv M+1,,v p+1 spannendenrauschraum auf UnitaritätderEigenvektorenDieEigenvektorenderhermiteschenMatrixR p sindpaarweise unitär(konjugiert orthogonal) Die Einheitsmatrix ergibt sich also auch durch E= p+1 H v i v i i=1 unddamitdieeigenwertzerlegung vonr p R p =S p +N p = M (λ i +σ)v i v H i + i=1 p+1 i=m+1 σv i v i H (8) URL:

44 4 Hochauflösende Schätzverfahren(nichtparametrisch) 44 Der MUSIC-Algorithmus Rauschraum-Frequenzschätzung Die Signalvektoren s i sind orthogonal zu jeder Linearkombination aus Basisvektoren des Rauschraumes: p+1 s H i k v k k=m+1α = 0 (9) Skalarprodukte mit gewichteten Linearkombinationen wobei p+1 k=m+1 p+1 α k e H (Ω)v k 2 =e H (Ω) k v k v k=m+1α kh e(ω) e(ω)= ( 1 e jω e jpω) T sindimmer dann0, wenne(ω)=s i URL:

45 4 Hochauflösende Schätzverfahren(nichtparametrisch) 45 Der MUSIC-Algorithmus Die Frequenzschätzfunktion p+1 k=m+1 1 α k e H (Ω)v k 2 (10) hatpole andenstellenω= Ω i MUSIC-Verfahren:α k = 1 k : P MUSIC (Ω)= e H (Ω) ( p+1 k=m+1 1 ) v k v H k e(ω) In der Praxis keine Pole wegen Schätzfehler, aber sehr scharfe Peaks P MUSIC (Ω) ist keine Schätzung der spektralen Leistungsdichte sondern ein Frequenzschätzer für schmalbandige Komponenten Die Trennung von Signalraum und Rauschraum geschieht anhand der relativen Größen dereigenwerteλ i ( Threshold ) URL:

46 4 Hochauflösende Schätzverfahren(nichtparametrisch) Interpolation fehlender Folgenglieder (LSAR) Folge der Länge N mit M unbekannten (fehlenden) Gliedern: x={x[0],x[1],,x[k 1], }{{} x[k], x[k+1],, x[k+m 1], M unbekannte Samples x[k+ M],,x[N 1]} DieFolge sei beschrieben durchp Autoregressionskoeffizientena 1,,a P : x[m]= P a k x[m k]+e[m] k=1 URL:

47 URL: 4 Hochauflösende Schätzverfahren(nichtparametrisch) 47 Interpolation fehlender Folgenglieder (LSAR) e[p] e[p+1] e[k 1] e[k] e[k+1] e[k+2] e[k+m+p 2] e[k+m+p 1] e[k+m+p] e[k+m+p+1] e[n 1] = x[p] x[p+1] x[k 1] x[k] x[k+1] x[k+2] x[k+m+p 2] x[k+m+p 1] x[k+m+p] x[k+m+p+1] x[n 1] x[p 1] x[p 2] x[0] x[p] x[p 1] x[1] x[k 2] x[k 3] x[k P 1] x[k 1] x[k 2] x[k P] x[k] x[k 1] x[k P+1] x[k+1] x[k] x[k P+2] x[k+m+p 3] x[k+m+p 4] x[k+m 2] x[k+m+p 2] x[k+m+p 3] x[k+m 1] x[k+m+p 1] x[k+m+p 2] x[k+m] x[k+m+p] x[k+m+p 1] x[k+m+1] x[n 2] x[n 3] x[n P 1] a 1 a 2 a 3 a P 1 a P X= x[p 1] x[p 2] x[0] x[p] x[p 1] x[1] x[k 2] x[k 3] x[k P 1] x[k+m+p 1] x[k+m+p 2] x[k+m] x[k+m+p] x[k+m+p 1] x[k+m+1] x[n 2] x[n 3] x[n P 1]

48 4 Hochauflösende Schätzverfahren(nichtparametrisch) 48 Interpolation fehlender Folgenglieder (LSAR) x 1 = ( x[p] x[p+1] x[k 1] x[k+m+p] x[k+m+p+1] x[n 1] ) T Schätzung der AR-Koeffizienten durch die Kleinste-Quadrate-Normalgleichung: â= ( X T X ) 1 X T x 1 Gleichungen mit den unbekannten Gliedern: e[k] x[k] x[k 1] x[k 2] x[k P] e[k+1] x[k+1] e[k+2] x[k] x[k 1] x[k P+1] x[k+2] = x[k+1] x[k] x[k P+2] e[k+m+p 2] x[k+m+p 2] x[k+m+p 3] x[k+m+p 4] x[k+m 2] e[k+m+p 1] x[k+m+p 1] x[k+m+p 2] x[k+m+p 3] x[k+m 1] a 1 a 2 a 3 a P 1 a P URL:

49 URL: 4 Hochauflösende Schätzverfahren(nichtparametrisch) 49 Interpolation fehlender Folgenglieder (LSAR) Umschreiben in e[k] e[k+1] e[k+2] e[k+3] e[k+4] e[k+p 1] e[k+p] e[k+p+1] e[k+m+p 2] e[k+m+p 1] = a a 2 a a 3 a 2 a a 4 a 3 a 2 a 1 0 a P a P 1 a P 2 a P a P a P 1 a P a P a P a P a P }{{} A 1 x[k] x[k+1] x[k+2] x[k+3] x[k+m 1] + a P a P 1 a P 2 a a P a P 1 a a P a a P a a 2 a a 3 a 2 a a P 1 a P 2 a P 3 a 1 1 }{{} A 2 x[k P] x[k P+1] x[k P+2] x[k 1] 0 x[k+m] x[k+m+1] x[k+m+2] x[k+m+p 1]

50 4 Hochauflösende Schätzverfahren(nichtparametrisch) 50 Interpolation fehlender Folgenglieder (LSAR) Der gesamte quadratische Fehler ist e T e=(a 1 x+a 2 x 2 ) T (A 1 x+a 2 x 2 ) und dieser wird Minimiert durch x[k] x[k+1] x LSAR = x[k+m 1] LSAR = ( A 1 T A 1 ) 1 ( A1 T A 2 ) x2 URL:

51 Quellen und weiterführende Literatur 51 Quellen und weiterführende Literatur [1] P M T Broersen: Autoregressive Model Orders for Durbin s MA and ARMA Estimators In: IEEE Transactions on Signal Processing SP-488(August 2000), pp [2] J Capon: High-Resolution Frequency-Wavenumber Spectrum Analysis In: Proceedings of the IEEE 578(August 1969), pp [3] Y T Chan, J M M Lavoie, and J B Plant: A Parameter Estimation Approach to Estimation of Frequencies of Sinusoids In: IEEE Transactions on Acoustics, Speech, and Signal Processing ASSP-29(April 1981), pp [4] C E Davila: A Subspace Approach to Estimation of Autoregressive Parameters from Noisy Measurements In: IEEE Transactions on Signal Processing SP-462 (February 1998), pp [5] P M Djurić and S M Kay: Spectrum Estimation and Modelling In: The Digital Signal Processing Handbook Ed by V K Madisetti and D B Williams Boca Raton: CRC Press, 1998 Chap 14 [6] P M Djurić and H-T Li: Bayesian Spectrum Estimation of Harmonic Signals In: Signal Proc Letters 2 (1995), pp URL:

52 Quellen und weiterführende Literatur 52 [7] B Friedlander: Efficient algorithm for ARMA spectral estimation In: IEE-Proceedings- F-(Communications,-Radar-and-Signal-Processing) 1303(April 1983), pp [8] S Haykin: Adaptive Filter Theory 4th ed Upper Saddle River: Prentice Hall, 2002 [9] K D Kammeyer: Nachrichtenübertragung 3 Aufl Stuttgart: Teubner, 2004 [10] K D Kammeyer und K Kroschel: Digitale Signalverarbeitung Filterung und Spektralanalyse mit Matlab -Übungen 7 Aufl Wiesbaden: Vieweg + Teubner, 2009 [11] S M Kay: Estimation Theory Vol 1 Fundamentals of Statistical Signal Processing Upper Saddle River: Prentice Hall, 1993 [12] S M Kay and S L Marple: Spectrum Analysis A Modern Perspective In: Proceedings of the IEEE 6911(November 1981), pp [13] J Makhoul: Linear Prediction: A Tutorial Review In: Proceedings of the IEEE 634 (1975) Corr in Proc IEEEVol 64(1976),No 2,285,pp [14] S L Marple: Digital Spectral Analysis Englewood Cliffs: Prentice Hall, 1987 [15] S L Marple: Frequency resolution of Fourier and maximum entropy spectral estimates In: Geophysics 479(September 1982), pp [16] S J Orfanidis: Optimum Signal Processing 2nd ed Rutgers University, 2007 url: wwwecerutgersedu/ ~orfanidi/ osp2e/ (visited on 01/27/2013) URL:

53 Quellen und weiterführende Literatur 53 [17] J G Proakis and D G Manolakis: Digital Signal Processing Principles, Algorithms, and Applications 3rd ed Upper Saddle River: Prentice Hall, 1996 [18] R O Schmidt: Multiple Emitter Location and Signal Parameter Estimation In: IEEE Transactions on Antennas and Propagation AP-343(1986), pp [19] H W Schüßler: Analyse diskreter Signale und Systeme 5 Aufl Bd 1 Digitale Signalverarbeitung Berlin: Springer, 2008 [20] H W Schüßler: Entwurf und Realisierung von digitalen Systemen Bd 2 Digitale Signalverarbeitung Berlin: Springer, 2009 [21] P Stoica, B Friedlander, and T Søderstrøm: High-order Yule-Walker estimation of the parameters of autoregressions from noisy measurements In: Identification and System Parameter Estimation 1988 Selected Papers from the Eighth IFAC/IFORS Symposium Vol 2 Oxford: Pergamon, 1989, pp [22] S V Vaseghi: Advanced Signal Processing and Digital Noise Reduction 1st ed Stuttgart: Wiley-Teubner, 1996 URL:

Lab3 - Fourieranalyse von Signalen

Lab3 - 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

Mehr

Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)

Versuch 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

Mehr

Broadband EMI Noise Measurement in Time Domain

Broadband EMI Noise Measurement in Time Domain Broadband EMI Noise Measurement in Time Domain Florian Krug, Peter Russer Institute for High-Frequency Engineering Technische Universität München fkrug@ieee.org 1 Inhalt Einführung Time-Domain Electromagnetic

Mehr

Einführung in die Signalverarbeitung

Einführung 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

Mehr

Einführung in die Signalverarbeitung

Einführung 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

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Fourier - Transformation

Fourier - Transformation Fourier - Transformation Kurzversion 2. Sem. Prof. Dr. Karlheinz Blankenbach Hochschule Pforzheim, Tiefenbronner Str. 65 75175 Pforzheim Überblick / Anwendungen / Motivation: Die Fourier-Transformation

Mehr

Reell. u(t) Komplex u(t), Zeitabhängig Zeitunabhängig. u(t)e jωt. Reell Û. Elektrische Größe. Spitzenwert. Komplex Û. Reell U. Effektivwert.

Reell. u(t) Komplex u(t), Zeitabhängig Zeitunabhängig. u(t)e jωt. Reell Û. Elektrische Größe. Spitzenwert. Komplex Û. Reell U. Effektivwert. Aufgaben Reell u(t) Elektrische Größe Zeitabhängig Zeitunabhängig Spitzenwert Effektivwert Komplex u(t), Reell Û Komplex Û Reell U Komplex U u(t)e jωt Institut für Technische Elektronik, RWTH - Aachen

Mehr

Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse

Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen

Mehr

Seminar Digitale Signalverarbeitung

Seminar Digitale Signalverarbeitung Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer

Mehr

Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik

Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik Slide 1 Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik Postdoktorandenprogramm der DFG Zusammenarbeit mit Dantec MT Betreuung durch Universität Rostock Slide Postdoktorandenprogramm Ziel

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Verzerrungsfreies System

Verzerrungsfreies System Verzerrungsfreies System x(n) y(n) n n x(n) h(n) y(n) y(n) A 0 x(n a) A 0 x(n) (n a) h(n) A 0 (n a) H(z) A 0 z a Digitale Signalverarbeitung Liedtke 8.1.1 Erzeugung einer linearen Phase bei beliebigem

Mehr

Modulationsanalyse. Amplitudenmodulation

Modulationsanalyse. Amplitudenmodulation 10/13 Die liefert Spektren der Einhüllenden von Teilbändern des analysierten Signals. Der Anwender kann damit Amplitudenmodulationen mit ihrer Frequenz, ihrer Stärke und ihrem zeitlichen Verlauf erkennen.

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

3. Leistungsdichtespektren

3. 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

Mehr

Digitale Signalbearbeitung und statistische Datenanalyse

Digitale 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

Mehr

Diskrete und Schnelle Fourier Transformation. Patrick Arenz

Diskrete und Schnelle Fourier Transformation. Patrick Arenz Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen

Mehr

Allgemeine Beschreibung von Blockcodes

Allgemeine Beschreibung von Blockcodes Allgemeine Beschreibung von Blockcodes Bei Blockcodierung wird jeweils eine Sequenz von m q binären Quellensymbolen (M q = 2) durch einen Block von m c Codesymbolen mit dem Symbolumfang M c dargestellt.

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT)

Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Inhaltsverzeichnis 1 Allgemeines Filter... 2 2 Filter auf dem Signalprozessor... 2 3 Zusammenhang Zeitsignal und Frequenzspektrum...

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Adaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff

Adaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das

Mehr

Mathematica - Notebooks als Bonusmaterial zum Lehrbuch

Mathematica - Notebooks als Bonusmaterial zum Lehrbuch R. Brigola, TH Nürnberg Georg Simon Ohm, 2014 Mathematica - Notebooks als Bonusmaterial zum Lehrbuch [1] Rolf Brigola Fourier-Analysis und Distributionen, Eine Einführung mit Anwendungen, edition swk,

Mehr

Grundlagen der Videotechnik. Redundanz

Grundlagen der Videotechnik. Redundanz Grundlagen der Videotechnik Redundanz Redundanz beruht auf: - statistischen Abhängigkeiten im Signal, - Information, die vorher schon gesendet wurde - generell eine Art Gedächtnis im Signal Beispiel: Ein

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten: KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand

Mehr

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

Mehr

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

Mehr

Elementare Bildverarbeitungsoperationen

Elementare Bildverarbeitungsoperationen 1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf

Mehr

Stochastic Sampling als Messprinzip

Stochastic Sampling als Messprinzip Stochastic Sampling als Messprinzip Ehrenkolloquium Frau Prof. Dr.-Ing. habil. Erika Müller 21.09.2012, Universität Rostock Holger Nobach Max-Planck-Institut für Dynamik und Selbstorganisation Göttingen

Mehr

-Oktavanalyse Wavelet. FFT 1 / n. -Oktavanalyse Wavelet. Fast Fourier Transformation

-Oktavanalyse Wavelet. FFT 1 / n. -Oktavanalyse Wavelet. Fast Fourier Transformation 11/13 FFT 1 / n -Oktavanalyse Wavelet FFT 1 / n -Oktavanalyse Wavelet Für die meisten akustischen Untersuchungen ist eine reine Pegelanalyse unzureichend, denn nicht nur der Pegel, sondern auch die frequenzabhängige

Mehr

Vorkurs Mathematik Übungen zu Polynomgleichungen

Vorkurs Mathematik Übungen zu Polynomgleichungen Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.

Mehr

Kapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67

Kapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67 Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal

Mehr

Signalverarbeitung - Filterung, PSD, Korrelationen

Signalverarbeitung - Filterung, PSD, Korrelationen 9. Dezember 2010 1 Signalverarbeitung - Filterung, PSD, Korrelationen Messtechnik Vorlesung 9. Dezember 2010 9. Dezember 2010 2 Zurück zur Schnellen Fourier-Transformation (FFT) Ein FFT-Beispiel mit zwei

Mehr

Messtechnik-Praktikum. Spektrumanalyse. Silvio Fuchs & Simon Stützer. c) Berechnen Sie mit FFT (z.b. ORIGIN) das entsprechende Frequenzspektrum.

Messtechnik-Praktikum. Spektrumanalyse. Silvio Fuchs & Simon Stützer. c) Berechnen Sie mit FFT (z.b. ORIGIN) das entsprechende Frequenzspektrum. Messtechnik-Praktikum 10.06.08 Spektrumanalyse Silvio Fuchs & Simon Stützer 1 Augabenstellung 1. a) Bauen Sie die Schaltung für eine Einweggleichrichtung entsprechend Abbildung 1 auf. Benutzen Sie dazu

Mehr

Übung 7: Methode der kleinsten Quadrate

Übung 7: Methode der kleinsten Quadrate ZHAW, DSV2, 2007, Rumc, 1/8 Übung 7: Methode der kleinsten Quadrate Aufgabe 1: Lineare Annäherung im Skalarprodukt-Raum. Finden Sie für den Vektor y = [2 2 2] T eine Linearkombination y e der Vektoren

Mehr

Entwicklung eines Verfahrens in MATLAB und C zur Schätzung des Spektrums der Hintergrundstörung bei Sprachsignalen

Entwicklung eines Verfahrens in MATLAB und C zur Schätzung des Spektrums der Hintergrundstörung bei Sprachsignalen Entwicklung eines Verfahrens in MATLAB und C zur Schätzung des Spektrums der Hintergrundstörung bei Sprachsignalen Diplomarbeit an der Hochschule Niederrhein Fachbereich Elektrotechnik Zur Erlangung des

Mehr

4 Das Overlap-Konzept

4 Das Overlap-Konzept 4 Das Overlap-Konzept Das Overlap-Konzept wurde in [31] ausführlich beschrieben. Im folgenden werden wir die Aspekte darlegen, die nötig sind, um das Konzept zu implementieren, und werden uns dabei eng

Mehr

Survival of the Fittest Wie statistische Modelle an Daten angepasst werden

Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg

Mehr

Einführung in die Signalverarbeitung

Einführung 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

Mehr

Grundlagen der Computer-Tomographie

Grundlagen der Computer-Tomographie Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen

Mehr

Praktikum: Digitale Signalverarbeitung (ET215) Test 1

Praktikum: Digitale Signalverarbeitung (ET215) Test 1 PROFESSOR DR.-ING. MARTIN WERNER M.W. Fachbereich Elektrotechnik und Informationstechnik Hochschule Fulda Praktikum: Digitale Signalverarbeitung (ET215) Test 1 Erklärung Mit meiner Unterschrift erkläre

Mehr

Anhang I zur Vorlesung Kryptologie: Elementare Zahlentheorie

Anhang I zur Vorlesung Kryptologie: Elementare Zahlentheorie Anhang I zur Vorlesung Kryptologie: Elementare Zahlentheorie von Peter Hellekalek Fakultät für Mathematik, Universität Wien, und Fachbereich Mathematik, Universität Salzburg Tel: +43-(0)662-8044-5310 Fax:

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum

Mehr

6. Statistische Schätzung von ARIMA Modellen

6. Statistische Schätzung von ARIMA Modellen 6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:

Mehr

Zusammenfassung der 8. Vorlesung

Zusammenfassung der 8. Vorlesung Zusammenfassung der 8. Vorlesung Beschreibung und und Analyse dynamischer Systeme im im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit

Mehr

Systemtheorie Teil B

Systemtheorie 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 Musterlösungen - Entwurf zeitdiskreter Filter... 3. iefpass mit

Mehr

Stochastische Prozesse und Zeitreihenmodelle

Stochastische Prozesse und Zeitreihenmodelle Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12

Mehr

Aufgabe 3. Signal Processing and Speech Communication Lab. Graz University of Technology

Aufgabe 3. Signal Processing and Speech Communication Lab. Graz University of Technology Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 3 Senden Sie die Hausübung bis spätestens 15.06.2015 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1

Mehr

Rapid Control Prototyping

Rapid Control Prototyping Dirk Abel Alexander Bollig Rapid Control Prototyping Methoden und Anwendungen Mit 230 Abbildungen und 16 Tabellen Springer Inhaltsverzeichnis Einführung und Überblick 1 1.1 Allgemeines 1 1.2 Entwicklungsprozesse

Mehr

VAD - Voice Activity Detection -

VAD - Voice Activity Detection - VAD - - erstellt: Robert Schaar s63012 erstellt: Robert Schaar s63012 Mensch-Maschine-Robotik 1. Einleitung 2. Aufbau des Algorithmus 2.1. allgemeiner Aufbau 2.2. Fourier-Transformation 2.3. Short-Time

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010

Mehr

Aktuelle Themen der Angewandten Informatik: Datenkompression

Aktuelle Themen der Angewandten Informatik: Datenkompression Seminar-Unterlagen Sommer Semester 2014 - Proseminar-Unterlagen 1 / 7 Johann Wolfgang Goethe Universität Frankfurt am Main-InformatikDK SS2007 Dr.-Ing The Anh Vuong, Frankfurt - Bielefeld 2007. Änderungen

Mehr

Technik der Fourier-Transformation

Technik der Fourier-Transformation Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +

Mehr

Biosignalverarbeitung (Schuster)

Biosignalverarbeitung (Schuster) Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,

Mehr

1. Methode der Finiten Elemente

1. Methode der Finiten Elemente 1. Methode der Finiten Elemente 1.1 Innenraumprobleme 1.2 Außenraumprobleme 1.3 Analysen 1.4 Bewertung Prof. Dr. Wandinger 5. Numerische Methoden Akustik 5.1-1 1.1 Innenraumprobleme 1.1.1 Schwache Formulierung

Mehr

Systemtheorie Teil B

Systemtheorie 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...

Mehr

A2.3: Sinusförmige Kennlinie

A2.3: Sinusförmige Kennlinie A2.3: Sinusförmige Kennlinie Wie betrachten ein System mit Eingang x(t) und Ausgang y(t). Zur einfacheren Darstellung werden die Signale als dimensionslos betrachtet. Der Zusammenhang zwischen dem Eingangssignal

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Digitale Regelung. Vorlesung: Seminarübungen: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr

Digitale Regelung. Vorlesung: Seminarübungen: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr Vorlesung: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr Seminarübungen: Dozent: Alexander Weber Ort: 33/1101 Zeit: Mo 9.45 11.15 Uhr (Beginn: 20.04.2015) Vorlesungsskript:

Mehr

Argumente für die diskrete Realisierung der Fourierintegrale

Argumente 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

Mehr

MATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB

MATLAB 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

Mehr

Theorie der Regelungstechnik

Theorie der Regelungstechnik 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. H. Gassmann Theorie der Regelungstechnik Eine Einführung Verlag Harri

Mehr

Statistik, Datenanalyse und Simulation

Statistik, Datenanalyse und Simulation Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der

Mehr

Longitudinale und transversale Relaxationszeit

Longitudinale und transversale Relaxationszeit Longitudinale und transversale Relaxationszeit Longitudinale Relaxationszeit T 1 (Zeit, die das System benötigt, um nach dem rf- Puls zurück ins Gleichgewicht zu kommen) Transversale Relaxationszeit T

Mehr

(1) Problemstellung. (2) Kalman Filter

(1) Problemstellung. (2) Kalman Filter Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung

Mehr

Analysis. mit dem Computer-Algebra-System des TI-92. Anhang 2: Gedanken zum Lehrplan. Beat Eicke und Edmund Holzherr 11.

Analysis. mit dem Computer-Algebra-System des TI-92. Anhang 2: Gedanken zum Lehrplan. Beat Eicke und Edmund Holzherr 11. ETH EIDGENÖSSISCHE TECHNISCHE HOCHSCHULE ZÜRICH Analysis mit dem Computer-Algebra-System des TI-92 Anhang 2: Gedanken zum Lehrplan Beat Eicke und Edmund Holzherr 11. November 1997 Eidgenössische Technische

Mehr

Tontechnik 2. Digitale Filter. Digitale Filter. Zuordnung diskrete digitale Signale neue diskrete digitale Signale

Tontechnik 2. Digitale Filter. Digitale Filter. Zuordnung diskrete digitale Signale neue diskrete digitale Signale Tontechnik 2 Digitale Filter Audiovisuelle Medien HdM Stuttgart Digitale Filter Zuordnung diskrete digitale Signale neue diskrete digitale Signale lineares, zeitinvariantes, diskretes System (LTD-System)

Mehr

(Fast) Fourier Transformation und ihre Anwendungen

(Fast) Fourier Transformation und ihre Anwendungen (Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation

Mehr

Bildverarbeitung Herbstsemester 2012. Fourier-Transformation

Bildverarbeitung 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

Mehr

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27 DLP Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de Fachbereich Mathematik und Informatik ALZAGK SEMINAR Bremen, den 18. Januar 2011 1 / 27 Inhaltsverzeichnis 1 Der diskrete Logarithmus Definition

Mehr

Simulink: Einführende Beispiele

Simulink: Einführende Beispiele Simulink: Einführende Beispiele Simulink ist eine grafische Oberfläche zur Ergänzung von Matlab, mit der Modelle mathematischer, physikalischer bzw. technischer Systeme aus Blöcken mittels plug-and-play

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Probeklausur Signale + Systeme Kurs TIT09ITA

Probeklausur Signale + Systeme Kurs TIT09ITA Probeklausur Signale + Systeme Kurs TIT09ITA Dipl.-Ing. Andreas Ströder 13. Oktober 2010 Zugelassene Hilfsmittel: Alle außer Laptop/PC Die besten 4 Aufgaben werden gewertet. Dauer: 120 min 1 Aufgabe 1

Mehr

Übertragungsglieder mit Sprung- oder Impulserregung

Übertragungsglieder mit Sprung- oder Impulserregung Ernst-Moritz-Arndt-Universität Greifswald Fachbereich Physik Elektronikpraktikum Protokoll-Nr.: 4 Übertragungsglieder mit Sprung- oder Impulserregung Protokollant: Jens Bernheiden Gruppe: Aufgabe durchgeführt:

Mehr

filter Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015

filter Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015 1 Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015 2 Beschreibung Übertragungsfunktion H(z), H(ω) Differenzengleichung y[n] Impulsantwort h[n]: Finite Infinite Impulse Response (FIR) Impulse Response

Mehr

Ein (7,4)-Code-Beispiel

Ein (7,4)-Code-Beispiel Ein (7,4)-Code-Beispiel Generator-Polynom: P(X) = X 3 + X 2 + 1 Bemerkung: Es ist 7 = 2^3-1, also nach voriger Überlegung sind alle 1-Bit-Fehler korrigierbar Beachte auch d min der Codewörter ist 3, also

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Signalübertragung und -verarbeitung

Signalübertragung und -verarbeitung ILehrstuhl für Informationsübertragung Schriftliche Prüfung im Fach Signalübertragung und -verarbeitung 6. Oktober 008 5Aufgaben 90 Punkte Hinweise: Beachten Sie die Hinweise zu den einzelnen Teilaufgaben.

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Datensicherheit durch Kryptographie

Datensicherheit durch Kryptographie Datensicherheit durch Kryptographie Dr. Michael Hortmann Fachbereich Mathematik, Universität Bremen T-Systems Michael.Hortmann@gmx.de 1 Kryptographie: Klassisch: Wissenschaft und Praxis der Datenverschlüsselung

Mehr

Inhaltsverzeichnis Determinierte Signale in linearen zeitinvarianten Systemen Fourier-Transformation

Inhaltsverzeichnis Determinierte Signale in linearen zeitinvarianten Systemen Fourier-Transformation Inhaltsverzeichnis 1. Determinierte Signale in linearen zeitinvarianten Systemen 1 1.1 Elementarsignale... 1 1.2 ZumBegriffdesSystems... 5 1.3 LinearezeitinvarianteSysteme... 6 1.4 DasFaltungsintegral...

Mehr

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift

Mehr

und (c) ( 1 2 ) und (c) 2 x + z y

und (c) ( 1 2 ) und (c) 2 x + z y Teil II: Übungen 59 Übung 1 1. Berechne (((4/3+5/2) 6/5) 2/5) 5/2. 2. Berechne (a) 1 ( 2 ( ( 2 3 ) ( 3 4 ) ), (b) 1 und (c) ( 1 2 ) 4 ) ( 3 ). 4 3. Vereinfache: (a) ( 4 xy + 3 4z yz )( xy 2 y ),(b) x y

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

1. In 8 Abs. 1 wird die bisherige Modulbezeichnung Geobezugssysteme durch die Modulbezeichnung Parameterschätzung und Geobezugssysteme ersetzt.

1. In 8 Abs. 1 wird die bisherige Modulbezeichnung Geobezugssysteme durch die Modulbezeichnung Parameterschätzung und Geobezugssysteme ersetzt. Dritte Satzung zur Änderung der Studien und Prüfungsordnung für den Bachelorstudiengang Geotelematik und Navigation (Geotelematics and Navigation) an der Hochschule für angewandte Wissenschaften Fachhochschule

Mehr

Übung 3: Einfache Graphiken und Näherungen durch Regression

Übung 3: Einfache Graphiken und Näherungen durch Regression Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung

Mehr

SiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:

SiSy1, 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=

Mehr

Active Noise Cancellation oder Aktive Geräuschauslöschung

Active Noise Cancellation oder Aktive Geräuschauslöschung oder Aktive Geräuschauslöschung Jörn Matthies HAW Hamburg 1. Dezember 2006 Jörn Matthies 1 / 39 Inhalt (1) 1 Praktische Anwendung der aktiven Geräuschauslöschung Produkte und Einsatzgebiete Tätigkeitssbereiche

Mehr

Pfinder: Real-Time Tracking of the Human Body

Pfinder: Real-Time Tracking of the Human Body Pfinder: Real-Time Tracking of the Human Body Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland aus: IEEE Transactions on Pattern Analysis and Machine Intelligence (pp. 780-785) 12. April

Mehr

Zusammenfassung Abitursstoff Mathematik

Zusammenfassung Abitursstoff Mathematik Zusammenfassung Abitursstoff Mathematik T. Schneider, J. Wirtz, M. Blessing 2015 Inhaltsverzeichnis 1 Analysis 2 1.1 Monotonie............................................ 2 1.2 Globaler Verlauf........................................

Mehr

(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!)

(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Teil 1: Fragen und Kurzaufgaben (Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Frage 1 (6 Punkte) Es wird ein analoges

Mehr

Pollards Rho-Methode zur Faktorisierung

Pollards Rho-Methode zur Faktorisierung C A R L V O N O S S I E T Z K Y Pollards Rho-Methode zur Faktorisierung Abschlusspräsentation Bachelorarbeit Janosch Döcker Carl von Ossietzky Universität Oldenburg Department für Informatik Abteilung

Mehr

4.2 Abtastung und Rekonstruktion zeitkontinuierlicher

4.2 Abtastung und Rekonstruktion zeitkontinuierlicher 7 4 Fouriertransformation für zeitdiskrete Signale und Systeme nicht auf [, ] zeitbegrenzt ist. Es kommt daher zu einer Überlappung der periodischen Fortsetzungen. Für die Herleitung der Poissonschen Summenformel

Mehr

Aufgabe 1: Kontinuierliche und diskrete Signale

Aufgabe 1: Kontinuierliche und diskrete Signale Klausur zur Vorlesung: Signale und Systeme Aufgabe : Kontinuierliche und diskrete Signale. Zwei Systeme sollen auf ihre Eigenschaften untersucht werden: v(t) S { } y (t) v(t) S { } y (t) Abbildung : zeitkontinuierliche

Mehr