Hochauflösende Spektralschätzung und Prädiktionsverfahren
|
|
- Axel Beltz
- vor 8 Jahren
- Abrufe
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:
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
MehrVorkurs 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.
MehrElementare 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
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrGrundlagen 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
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
Mehrε 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
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrA2.3: 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
MehrRekursionen (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
MehrSimulink: 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
Mehr9. 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,
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr5. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12)
Technische Universität München Zentrum Mathematik PD Dr. hristian Karpfinger http://www.ma.tum.de/mathematik/g8vorkurs 5. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12) Aufgabe 5.1: In einer Implementierung
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
Mehr(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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrMesstechnik-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
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrVersuch 3. Frequenzgang eines Verstärkers
Versuch 3 Frequenzgang eines Verstärkers 1. Grundlagen Ein Verstärker ist eine aktive Schaltung, mit der die Amplitude eines Signals vergößert werden kann. Man spricht hier von Verstärkung v und definiert
MehrEinführung 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
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrTechnik 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) +
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehr11. Das RSA Verfahren und andere Verfahren
Chr.Nelius: Kryptographie (SS 2011) 31 11. Das RSA Verfahren und andere Verfahren Eine konkrete Realisierung eines Public Key Kryptosystems ist das sog. RSA Verfahren, das im Jahre 1978 von den drei Wissenschaftlern
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrGesucht und Gefunden: Die Funktionsweise einer Suchmaschine
Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Prof. Dr. Peter Becker FH Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@fh-bonn-rhein-sieg.de Vortrag im Rahmen des Studieninformationstags
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie
MehrAnalyse 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
MehrReell. 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
MehrInfo zum Zusammenhang von Auflösung und Genauigkeit
Da es oft Nachfragen und Verständnisprobleme mit den oben genannten Begriffen gibt, möchten wir hier versuchen etwas Licht ins Dunkel zu bringen. Nehmen wir mal an, Sie haben ein Stück Wasserrohr mit der
MehrTechnische Analyse der Zukunft
Technische Analyse der Zukunft Hier werden die beiden kurzen Beispiele des Absatzes auf der Homepage mit Chart und Performance dargestellt. Einfache Einstiege reichen meist nicht aus. Der ALL-IN-ONE Ultimate
MehrSkalierung des Ausgangssignals
Skalierung des Ausgangssignals Definition der Messkette Zur Bestimmung einer unbekannten Messgröße, wie z.b. Kraft, Drehmoment oder Beschleunigung, werden Sensoren eingesetzt. Sensoren stehen am Anfang
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrNichtlineare 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
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
Mehr1. Kennlinien. 2. Stabilisierung der Emitterschaltung. Schaltungstechnik 2 Übung 4
1. Kennlinien Der Transistor BC550C soll auf den Arbeitspunkt U CE = 4 V und I C = 15 ma eingestellt werden. a) Bestimmen Sie aus den Kennlinien (S. 2) die Werte für I B, B, U BE. b) Woher kommt die Neigung
MehrSurvival 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
MehrDie Interferenz von flexiblen Arbeitszeiten mit der Nutzbarkeit arbeitsfreier Zeit Ein Prädiktor für soziale Beeinträchtigungen
Die Interferenz von flexiblen Arbeitszeiten mit der Nutzbarkeit arbeitsfreier Zeit Ein Prädiktor für soziale Beeinträchtigungen Anna Wirtz*, Ole Giebel**, Carsten Schomann**, Friedhelm Nachreiner** *Bundesanstalt
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
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
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrFunktionaler Zusammenhang. Lehrplan Realschule
Funktionaler Bildungsstandards Lehrplan Realschule Die Schülerinnen und Schüler nutzen Funktionen als Mittel zur Beschreibung quantitativer Zusammenhänge, erkennen und beschreiben funktionale Zusammenhänge
MehrPublic-Key-Algorithmen WS2015/2016
Public-Key-Algorithmen WS2015/2016 Lernkontrollfragen Michael Braun Was bedeuten die kryptographischen Schutzziele Vertraulichkeit, Integrität, Nachrichtenauthentizität, Teilnehmerauthentizität, Verbindlichkeit?
MehrAufgaben Wechselstromwiderstände
Aufgaben Wechselstromwiderstände 69. Eine aus Übersee mitgebrachte Glühlampe (0 V/ 50 ma) soll mithilfe einer geeignet zu wählenden Spule mit vernachlässigbarem ohmschen Widerstand an der Netzsteckdose
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrWelche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test?
Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test? Auch wenn die Messungsmethoden ähnlich sind, ist das Ziel beider Systeme jedoch ein anderes. Gwenolé NEXER g.nexer@hearin gp
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrÜbungen lineare Gleichungssysteme - Lösungen 1. Bestimme die Lösungsmenge und führe eine Probe durch! a)
Übungen lineare Gleichungssysteme - Lösungen. Bestimme die Lösungsmenge und führe eine Probe durch! a) b) c) 2x5y=23 2x 3y= 6x0y=64 6x 2y=6 2x3y=20 5x y=33 2x5y=23 2x 3y= 2x5y=23 2x3y= 8y=24 : 8 y=3 6x0y=64
Mehr194 Beweis eines Satzes von Tschebyschef. Von P. E RDŐS in Budapest. Für den zuerst von T SCHEBYSCHEF bewiesenen Satz, laut dessen es zwischen einer natürlichen Zahl und ihrer zweifachen stets wenigstens
MehrLED Beleuchtung - Fehlerbetrachtung bei der Beleuchtungsstärkemessung
LED Beleuchtung - Fehlerbetrachtung bei der Beleuchtungsstärkemessung Bei einem Beleuchtungsstärkemessgerät ist eines der wichtigsten Eigenschaften die Anpassung an die Augenempfindlichkeit V(λ). V(λ)
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrDiskussionshilfe zum Thema: mit Ergebnissen der Wareneingangskontrolle
Vergleich der Angaben in Datenblättern mit Ergebnissen der Wareneingangskontrolle H. Mehling Ausgangssituation Messtechnischer Hintergrund Diskussion: gespeicherte Wärmemenge Ausgangssituation Zusammenhang
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
Mehr2 Darstellung von Zahlen und Zeichen
2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrRepetitionsaufgaben: Lineare Gleichungen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern
Mehr15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
MehrWas ist Sozial-Raum-Orientierung?
Was ist Sozial-Raum-Orientierung? Dr. Wolfgang Hinte Universität Duisburg-Essen Institut für Stadt-Entwicklung und Sozial-Raum-Orientierte Arbeit Das ist eine Zusammen-Fassung des Vortrages: Sozialräume
MehrAbamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrGrundlagen der Informatik
Mag. Christian Gürtler Programmierung Grundlagen der Informatik 2011 Inhaltsverzeichnis I. Allgemeines 3 1. Zahlensysteme 4 1.1. ganze Zahlen...................................... 4 1.1.1. Umrechnungen.................................
Mehr