Größe: px
Ab Seite anzeigen:

Download ""

Transkript

1 Kapitel Zeit-Frequenz-Transformationen Heutzutage nutzen dem Stand der Technik entsprechende Übertragungssysteme umfangreiche und anspruchsvolle Signalverarbeitungsalgorithmen, um eine wettbewerbsfähige Funktionalität zu erreichen. Typische Bestandteile nachrichtentechnischer Signalverarbeitungssysteme sind Analyse und Diagnose, Codierung, Quantisierung und Kompression, Übertragung und Speicherung sowie Synthese und Rekonstruktion. Die direkte Verarbeitung des Signals als Funktion der Zeit ist dabei vielfach nicht die geeignete Grundlage zur Lösung dieser Aufgaben. Ein erster algorithmischer Schritt ist deshalb oft die Überführung in eine dem Problem angepaÿtere Signalbeschreibung. Das Signal wird transformiert. Eine zweckmäÿigere Darstellung kann betrachtet werden. Die relevanten Eigenschaften sind nun deutlicher erkennbar, so daÿ die erzeugte adäquate Signaldarstellung eine geeignetere Basis für die folgende Bearbeitung bietet. Ein klassischer Ansatz ist das zu verarbeitende Signal in ein dem Problem angepaÿten Funktionensystem zu entwickeln. Die Auswahl des Funktionensystems ermöglicht so eine Signalbeschreibung, die konform der spezischen Aufgabe ist. Dieses Prinzip liegt auch der schwerpunktmäÿig in dieser Arbeit diskutierten Wavelet-Transformation zugrunde. Dieses Kapitel gibt einen Überblick über lineare Spektraltransformationen und deren Eigenschaften, wobei von der in Nachrichtentechnik und Signalverarbeitung grundlegenden Fourier-Transformation ausgegangen wird. Nachgezeichnet wird dabei die Weiterentwicklung der Fourier-Transformation zu exibleren Signalzerlegungen in der Zeit-Frequenz-Ebene, die den mit technischem Fortschritt steigenden Ansprüchen in Signalverarbeitungs- und Übertragungssystemen besser genügen. Die skizzierte Entwicklung endet mit wünschenswerten Eigenschaften, welche Kurzzeit-Fourier-Transformation und auch quadratische Zeit- Frequenz-Verteilung (exemplarisch wird im Anhang A die Wigner-Verteilung diskutiert) und die mit ihnen verwandten Transformationsmethoden nicht aufweisen. Diese Dezite motivierten die Entstehung der kontinuierlichen Wavelet-Transformation in den achtziger Jahren dieses Jahrhunderts maÿgeblich. Zuvor werden einige Vereinbarungen und Denitionen getroen, die für die folgende Diskussion von grundlegender Bedeutung sind.

2 . Grundlegende Denitionen und Konventionen 5. Grundlegende Denitionen und Konventionen Ein grundsätzliches Ziel der in dieser Arbeit betrachteten Algorithmen und Verfahren ist die Anwendung auf meÿbare elektrische Signale. Ein wesentliches Merkmal realer Signale ist, daÿ sie eine endliche Energie aufweisen. Aus diesem Grund werden, sofern nicht anders vermerkt, alle analogen zu verarbeitenden Signale s(t) als Funktionen endlicher Energie E s mit dem Denitionsbereich der reellen Zahlen R angenommen. Wie in der Nachrichtentechnik üblich, werden die Signale und alle weiteren Funktionen einheitenlos bezüglich der normierten Zeit t als unabhängige Variable dargestellt. Ein solches sogenanntes Energiesignal s(t) ist über den gesamten Zeitbereich deniert und hat die Eigenschaft E s = Z js(t)j dt < : (.) Ein Energiesignal s(t) wird entsprechend der Lebesgue-Theorie [] durch die Mengenzugehörigkeit s(t) L (R) gekennzeichnet. Um umfangreiche Berechnungen und Vergleiche mit den Elementen der Menge L (R) durchführen zu können, ist die Verwendung eines Inneren Produktes sowie einer Metrik in der Gestalt einer Norm sinnvoll. Das Innere Produkt zweier Signale s (t);s (t) L (R) sei deniert als hs (t);s (t)i= Z s (t)s (t)dt; (.) wobei die komplexe Konjugation kennzeichnet. Für die L (R)-Norm eines Energiesignals s(t) soll gelten ks(t)k = p hs(t);s(t)i= p E s : (.) Mit den Denitionen (.) und (.) bildet die vollständige Menge L (R) einen Hilbert-Raum []. In einem Hilbert-Raum lassen sich die Beziehungen der Elemente, in diesem Fall der Energiesignale, mathematisch vorteilhaft beschreiben und berechnen. Darüber hinaus sind die Verhältnisse anschaulich geometrisch interpretierbar. So ist die Orthogonalität zweier Signale s (t);s (t) L (R) über das Innere Produkt deniert als hs (t);s (t)i= (.) und kann geometrisch als Rechtwinkligkeit aufgefaÿt werden. Der Norm kommt die geometrische Bedeutung einer Länge zu. Für die Betrachtungen in dieser Arbeit sind die zu verarbeitenden analogen Signale Elemente des beschriebenen Hilbert-Raums L (R) der Funktionen endlicher Energie.

3 . Grundlegende Denitionen und Konventionen 6 In der Signalverarbeitung sind die durch s (t) s (t) = Z s ( )s (t, )d; (.5) Z s (t)?s (t)= s ( )s ( + t)d (.6) denierte Faltung und Korrelation zweier reeller Signale s (t);s (t) L (R) von grundlegender Bedeutung. Sie stehen untereinander und mit dem in der Funktionenanalysis bedeutenden Inneren Produkt in enger Beziehung. Für den Zusammenhang von Faltung und Korrelation gilt s (t)?s (t)=s (,t)s (t); (.7) s (t) s (t) =s (,t)?s (t): (.8) Das Innere Produkt und die Faltung sind durch s (t) s (t) =hs ();s (t,)i; (.9) hs (t);s (t)i= s ()s (,) j= (.) miteinander verknüpft. Der Verwandtschaft von Faltung und Innerem Produkt kommt in der Signalverarbeitung eine besondere Bedeutung zu. Signale werden hier bevorzugt transformiert, indem sie linear auf ein neues orthonormales Funktionensystem abgebildet werden. Die neuen Koordinaten, die Entwicklungs- oder Transformationskoezienten, die das Signal bezüglich des neuen Funktionensystems hat, werden durch die Inneren Produkte hs(t);f(t)i aller das Funktionensystem umfassenden Funktionen mit dem zu transformierenden Signal berechnet. Das Signal wird auf die neuen Koordinatenachsen projiziert. Da sich das Ausgangssignal eines Filters als Faltung von Eingangssignal und Impulsantwort ergibt, lassen sich die Entwicklungskoezienten über die Zusammenhänge (.9) und (.) am Ausgang einer Filterbank erzeugen. Die Impulsantworten der Filterkanäle bestimmen sich dann aus den reellwertigen Funktionen eines Funktionensystems durch zeitliche Spiegelung und Translation zur Gewährleistung der Kausalität. Komplexwertige Funktionen werden durch eine getrennte Filterbankrealisation von Real- und Imaginärteil berücksichtigt. Die Berechnung der Entwicklungskoezienten durch das Anwenden einer Filterbank ist die grundlegende Idee der diskreten Wavelet-Transformation [5,, ]. Erst diese Form der Implementation verhalf ihr zum Durchbruch und ermöglichte eine eziente und schnelle Durchführung der Transformation. Der Zusammenhang von Filterbänken und Wavelets wird ausführlich in Kapitel diskutiert.

4 . Die Fourier-Transformation 7. Die Fourier-Transformation Neben der Beschreibung eines Signals s(t) als Funktion der Zeit ndet die Beschreibung durch die Fourier-Transformierte ^s(!) = F fs(t)g(!) gerade in Signalverarbeitung und Nachrichtentechnik eine breite analytische und algorithmische Verwendung. Das Fourier- Spektrum beschreibt das Signal als gewichtete Summe komplexer Funktionen der Menge F = f F;! (t) =e j!t :! R ; (.) deren Lineare Hülle den Funktionenraum L (R) beinhaltet. Jedes Gewicht ^s() gibt dabei den Beitrag der Funktion f F; (t) =e jt mit der festen Frequenz zum Signal s(t) an und wird als Inneres Produkt durch hs(t);f F; (t)i = Z s(t)e,jt dt =^s() (.) berechnet. Die Abbildungsvorschriften der Fourier- und inversen Fourier-Transformation lauten demnach ^s(!) =Ffs(t)g(!)= Z s(t)e,j!t dt; (.) Z s(t) =F f^s(!)g(t)= ^s(!)e j!t d!: (.) Dieses Transformationspaar ordnet jedem Energiesignal s(t) L (R) genau ein Spektrum ^s(!) L (R) mit endlicher Energie zu und umgekehrt. Die Fourier-Transformation F bildet L (R) auf sich selbst ab und behält dabei die Norm bis auf einen konstanten Faktor bei. Dieser Zusammenhang wird durch die Parsevalsche Identität hs (t);s (t)i= h^s (!);^s (!)i (.5) für reellwertige Signale beschrieben. Nach Gleichung (.5) berechnet sich die Signalenergie im Frequenzbereich ebenfalls als Inneres Produkt und es gilt E s = h^s(!); ^s(!)i = Z j^s(!)j d! = k^s(!)k : (.6) Ein wesentlicher Grund für die weite Verbreitung der Fourier-Transformation ist der Bezug zur Faltung. Zusammenhänge und Prozesse aus Naturwissenschaft und Technik können in guter Näherung durch lineare und zeitinvariante Systeme (LTI-Systeme) modelliert werden. LTI-Systeme reagieren auf ein Eingangssignal s(t) mit einem Ausgangssignal g(t) = s(t) h(t), das sich durch Faltung von Eingangssignal s(t) und Stoÿantwort h(t)

5 . Lineare zeitlich-spektrale Signaldarstellungen 8 des Systems ergibt. Jede Funktion f F;! (t) = e j!t hat die Eigenschaft, daÿ sie durch die Faltung mit einer beliebigen Stoÿantwort ihre Form nicht ändert, sondern lediglich mit einem systemabhängigen Amplitudenfaktor ^h(!) multipliziert wird. Die Elementarfunktionen der Fourier-Transformation sind demnach Eigenfunktionen dieser Faltungs-Abbildung. Sie erlauben die vorteilhafte Darstellung von LTI-Systemen durch ihre Übertragungsfunktion ^h(!) als Fourier-Transformierte der Stoÿantwort h(t) und die einfache Berechnung des Ausgangssignals durch eine Multiplikation im Frequenzbereich mit ^g(!) =^h(!)^s(!): (.7) Weiter ndet die Fourier-Transformation über die Verwandtschaft von Korrelation und Faltung eine umfangreiche Anwendung in der statistischen Signalverarbeitung. Ein bedeutendes Maÿ der statistischen Signalanalyse ist die Autokorrelation von Leistungssignalen, die aus der Impulsautokorrelation für Energiesignale R E ss ( ) unter bestimmten Voraussetzungen [, ] abgeleitet werden kann [5]. Für reelle Signale endlicher Energie ist diese nach Gleichung (.6) mit s (t) =s (t)=s(t)deniert als R E ss ( )=s()?s()= Z s(t)s(t + )dt: (.8) Somit errechnet sich das Energiedichtespektrum als Fourier-Transformierte der Autokorrelationsfunktion R E ss ( ) eines Signals s( ) durch F fr E ss ( )g(!) =Ffs(,)s()g(!)=^s (!)^s(!) =j^s(!)j : (.9) Die Fourier-Transformation und ihre diskrete Variante weisen darüber hinaus noch weitere vorteilhafte Eigenschaften auf [69]. Der primäre Grund für ihre weite Verwendung in der Nachrichten- und Systemtechnik ist aber die beschriebene Beziehung zur Faltung und Korrelation. System- und Signalbeschreibungen durch die Fourier-Transformation nach Gleichung (.) sind gerade in den Bereichen von groÿer Bedeutung, in denen die Modelleigenschaften Linearität und Zeitinvarianz oder Stationarität besonders berechtigt sind. In wichtigen Gebieten der Signalverarbeitung wie der Filtertheorie und der Übertragungstechnik ist die Fourier-Transformierte die vorrangige System- und Signalbeschreibung und gebräuchlicher als die Beschreibung im Zeitbereich. Filter, Systeme und Signale werden typischerweise durch ihre Frequenzcharakteristik beschrieben.. Lineare zeitlich-spektrale Signaldarstellungen Die Forderungen nach zeitinvariantem Systemverhalten oder stationären Signaleigenschaften begrenzen den sinnvollen Einsatz der Fourier-Transformation in vielen Bereichen. Hängt das Verhalten eines Systems von der Zeit ab, oder ändern sich die statistischen Eigenschaften eines Signals, so ist die generelle Beschreibung durch eine Übertragungsfunktion oder ein Energiedichtespektrum zur umfaÿenden Beschreibung nicht korrekt. Ferner verfügt die Fourier-

6 . Lineare zeitlich-spektrale Signaldarstellungen 9 Transformation inhärent über eine globale Charakteristik, da sich ihre Elementarfunktionen über den vollständigen Zeitbereich erstrecken und somit keine zeitliche Lokalisierbarkeit aufweisen. Um das spektrale Verhalten eines Signals anhand der Fourier-Transformierten zu bewerten, ist folglich die Kenntnis des Signals in der gesamten Zeitdomäne notwendig. Dies beinhaltet auch zukünftige Signalinformationen. Weiter wirkt sich eine Veränderung des Signals in einem kleinen zeitlichen Intervall grundsätzlich auf das ganze Spektrum aus. Diese Umstände machen die Fourier-Transformation für Echtzeitanwendungen und die Verarbeitung nichtstationärer Signale unzweckmäÿig. Dennoch ist man auch in diesem Fall an einer Aussage über die spektrale Komposition des Signals interessiert. In der folgenden Abbildung. wird der Globalitätsnachteil der Fourier-Transformation deutlich. Die dargestellten Signale s (t) und s (t) mit s (t) = s (t) = 8 < : cos( t) + cos( t) + cos( t) + cos( t) für t [;T] für t 6 [;T]; 8 >< >: cos( t) für t [; T ) cos( t) für t [ T ; T ) cos( t) für t [ T ; T ) cos( t) für t [ T ;T] für t 6 [;T] (.) (.) sind für ein Intervall der Länge T = von null verschieden und beinhalten jeweils Cosinuskomponenten der Frequenzen = =; = =; = =; = =. In s (t) erstreckt sich jede Cosinusschwingung über das gesamte Intervall [;T].Ins (t)sind die Signalanteile sequentiell angeordnet. Beide Betragsspektren zeigen qualitativ ein ähnliches Verhalten. Eine Betrachtung des Spektrums führt in beiden Fällen zur Erkenntnis, daÿ das Signal im wesentlichen aus vier Frequenzkomponenten besteht. Die wichtigen transienten Informationen im Signal s (t) können nicht aus dem Betragsspektrum abgeleitet werden. Da transiente Phänomene durch eine im Verhältnis zum Observationsintervall kurze Zeitdauer gekennzeichnet sind, muÿ zu ihrer Auösung ein genügend kurzer Beobachtungszeitraum eingehalten werden. Das Signal kann dann für diese Zeitdauer als stationär angenommen werden. Als Konsequenz hieraus sollten die Elementarfunktionen, in die das zu observierende Signal entwickelt wird, anders als bei der Fourier-Transformation im wesentlichen auf ein zeitliches Intervall beschränkt sein. Allgemein wird eine Darstellungsform benötigt, die Zeitintervallen spektrale Informationen zuordnet und umgekehrt. Daher ist ein zusätzlicher Zeitparameter zur zeitabhängigen Darstellung des Spektrums sinnvoll. Durch die genannten Unzulänglichkeiten der Fourier-Transformation motiviert, schlug Gabor eine zeit- und frequenzabhängige Verbunddarstellung zur Signalbeschreibung vor []. In diesem Ansatz zur linearen Beschreibung nichtstationärer Signale ist historisch einer der wichtigsten Ursprünge für die spätere Entwicklung der Wavelet-Transformation zu sehen. Die Zeit-Frequenz-Verbunddarstellungen werden deshalb ausgehend von Gabors Ansatz

7 . Lineare zeitlich-spektrale Signaldarstellungen s(t),!, :5,: Zeit t,! Zeit t,! s(t),! 6 ^s (!)=k^s (!)k,! 5 5 ^s (!)=k^s (!)k,! 5 Frequenz!,! Frequenz!,! Abbildung.: Fourier-Transformation der Signale s (t) und s (t) mit gleichen Frequenzkomponenten = =; = =; = =; = =, die zeitliche unterschiedlich angeordnet sind. skizziert. Zuvor soll jedoch ein Überblick über Unschärferelation und Phasenraumdarstellung in der Zeit-Frequenz-Ebene gegeben werden, da diesen Begrien gerade in der linearen Verbunddarstellung von Signalen eine grundlegende Bedeutung zukommt... Unschärferelation und Phasenraumdarstellung in der Zeit- Frequenz-Ebene Die Fourier-Transformation hat die Eigenschaft, Signale endlicher Ausdehnung auf ein unendlich ausgedehntes Spektrum abzubilden. Begrenzten Spektren werden unendlich ausgedehnte Signale zugeordnet. Beschreibt man die Lokalisation eines Signals im Zeit- oder Frequenzbereich demnach durch Breite und Mittelpunkt von Intervallen, für die das Signal oder das Spektrum von null verschiedene Werte annimmt, so führt diese Eigenschaft dazu, daÿ eine solche Lokalisationsbeschreibung für die zeitliche und spektrale Darstellung eines

8 . Lineare zeitlich-spektrale Signaldarstellungen Signals nie gemeinsam getroen werden kann. Für einige wichtige Funktionen, wie z. B. die Gauÿ-Funktion, erhält man in keiner der beiden Domänen eine verwertbare Aussage. Ein sinnvolles quantitatives Lokalisationsmaÿ sollte die energetische Konzentration so bewerten, daÿ für in der Zeit-Frequenz-Ebene lokalisierbare Signale eektive Ausdehnung und eektive Bandbreite gleichzeitig deniert sind. Eine weitere Eigenschaft der Fourier-Transformation ist, daÿ eine um den Faktor C gestauchte Funktion entsprechend F fs(ct)g(!) = (=jcj)^s(!=c) auf ein um die Konstante C gestrecktes Spektrum abgebildet wird. Die Denition der Lokalisationsmaÿe sollte diese Eigenschaft ebenfalls widerspiegeln, so daÿ das Produkt aus eektiver Ausdehnung und eektiver Bandbreite invariant zu Dehnung, Verschiebung, Modulation und Signalmultiplikation mit einer Konstanten ein Charakteristikum der Signalform darstellt. Die Denitionen der eektiven Ausdehnung t;s = p R und der eektiven Bandbreite!;s = p (t, t ;s ) js(t)j dt ks(t)k R = (!,! ;s ) j^s(!)j d! k^s(!)k = mit t ;s = mit! ;s = R R tjs(t)j dt ks(t)k (.)!j^s(!)j d! k^s(!)k (.) des Signals s(t) als Standardabweichungen der normierten Funktionsverläufe js(t)j =ks(t)k und j^s(!)j =k^s(!)k mit den Mittelwerten t ;s und! ;s haben sich als Lokalisationsmaÿe für Funktionen mit einer Tiefpaÿcharakterisik und analytische Bandpaÿfunktionen etabliert [9, ]. Allgemein werden t ;s und! ;s als Mittelpunkte der eektiven Ausdehnung und eektiven Bandbreite bezeichnet. Dabei setzt ein endliches t;s ein im Mittel stärker als jtj,= für jtj!fallendes Signal s(t) voraus. Ein endliches!;s verlangt einen glatten Signalverlauf, so daÿ auch die Ableitung des Signals s(t) ein Energiesignal s (t) L (R) ist [9]. Da reellwertige Signale ein symmetrisches Energiedichtespektrum j^s(!)j = j^s(,!)j aufweisen, ist die Denition des Mittelpunktes und daher auch der eektiven Bandbreite nach Gleichung (.) für reellwertige Bandpaÿsignale ungeeignet. Unabhängig von der spektralen Verteilung gilt! ;s =,da!j^s(!)j immer eine ungerade Funktion ist. Im Kontext der Wavelet-Transformation sind aber gerade reelle Elementarfunktionen mit einer Bandpaÿcharakteristik von besonderer Bedeutung. Für solche Funktionen soll daher eine alternative Denition des Mittelpunktes der eektiven Bandbreite gelten. Durch die Abbildung eines Signals s(t) auf das zugehörige analytische Signal s + (t) mit s + (t) = Z ^s(!)e j!t d! und ^s + (!) = 8 >< >: für!< ^s(!) für! = ^s(!) für!> (.)

9 . Lineare zeitlich-spektrale Signaldarstellungen Tabelle.: Zeit-Bandbreite-Produkte für komplexwertige Gauÿsche Elementarfunktionen und Wavelets als reellwertige Bandpaÿsignale. Zeit-Frequenz-Atom t;s!;s t;s +!;s Gauÿsche Elementarfunktionen Daubechies D-Wavelets 8:7 Daubechies D-Wavelets 6: Daubechies D5-Wavelets 5:7 Symmlet S-Wavelets :9 Symmlet S-Wavelets :7 Symmlet S5-Wavelets :65 Coiet C-Wavelets :7 Coiet C8-Wavelets :58 beschränkt man das Spektrum auf den positiven Frequenzbereich! bevor der Mittelpunkt der eektiven Bandbreite für reelle Bandpaÿsignale! + ;s und die eektive Bandbreite eines reellen Bandpaÿsignals + nach!;s +!;s = p R = (!,! + ;s ) j^s + (!)j d! k^s + (!)k mit! + ;s = R!j^s + (!)j d! (.5) k^s + (!)k berechnet werden. Die Heisenbergsche Unschärferelation der Signalverarbeitung sagt aus, daÿ das Ausdehnungs-Bandbreite-Produkt t;s!;s nach unten streng begrenzt ist, so daÿ eektive Ausdehnung und eektive Bandbreite nicht gleichzeitig beliebig reduzierbar sind. Als Konsequenz impliziert die durch Stauchung erlangte Genauigkeit in der einen Domäne eine gewisse durch die Signalform vorgegebene Unschärfe in der anderen Domäne. Gabor leitete in Analogie zur Quantenmechanik den quantitativen Zusammenhang t;s!;s (.6) in [] her und zeigte, daÿ nur die Familie der komplexen Exponentialfunktionen mit Gauÿscher Hüllkurve e,t = die Unschärferelation (.6) minimiert. Der Streuungsparameter R > beschreibt dabei die Signaldehnung. Die Tabelle. gibt einen Überblick über zeitliche und spektrale Lokalisationseigenschaften einiger in dieser Arbeit behandelter Funktionen anhand der hier denierten Lokalisationsmaÿe. Auf die Bedeutung der Bezeichnungen der Wavelet-Familien wird im Kapitel eingegangen. Um zu einer optimal lokalisierbaren Signaldarstellung zu gelangen, wählte Gabor ein aus translatierten und modulierten Gauÿ-Funktionen bestehendes Funktionensystem zur Signalbeschreibung. Signalrepräsentationen auf der Grundlage dieses Funktionensystems werden

10 . Lineare zeitlich-spektrale Signaldarstellungen daher allgemein als Gabor-Transformation bezeichnet. Sie soll im folgenden Abschnitt.. näher betrachtet werden. Die Denitionen (.) und (.) oder (.5) erlauben eine aussagekräftige Darstellung der Elementarfunktionen einer Transformation in der Zeit-Frequenz-Ebene. Die in dieser Arbeit diskutierten Funktionensysteme der Gabor-, Kurz-Zeit-Fourier- und Wavelet-Transformation zeichnen sich dadurch aus, daÿ ihre Elementarfunktionen ein endliches Ausdehnungs- Bandbreite-Produkt haben. Damit können sie als Rechtecke mit den entsprechenden Kantenlängen t;s und!;s und der Lage des Mittelpunktes (t ;s ;! ;s ) in der Zeit-Frequenz- Ebene veranschaulicht werden. Anhand der Gröÿenverhältnisse und der Lage der Rechtecke werden Eigenschaften der Transformation oensichtlich. Haben die Rechtecke eine geringe Fläche nahe der Heisenbergschen Unschärfegrenze, so verfügt die Transformation über eine nahezu optimale Zeit-Frequenz-Auösung. Rechtecke mit geringer Seitenlänge t;s korrespondieren mit Funktionen guter Zeitauösung, Rechtecke mit geringer Seitenlänge!;s mit Funktionen guter Frequenzauösung. Überlappen die Rechtecke in der Zeit-Frequenz- Ebene zu einem groÿen Teil, so sind die Transformationskoezienten redundanzbehaftet und das Funktionensystem überbestimmt. Wird die gesamte Fläche nicht vollständig mit Rechtecken abgedeckt, so führt die korrespondierende Transformation zu einer Unterabtastung des Signals. Im Kontext der linearen Entwicklung eines Signals in zeitlich-spektral lokalisierbare Funktionen hat sich eine Beschreibung aus der Chemie etabliert. Es werden die Elementarfunktionen als Zeit-Frequenz-Atome bezeichnet, die, entsprechend der Entwicklungskoezienten kombiniert, ein als Zeit-Frequenz-Molekül interpretiertes Signal s(t) erzeugen. Im Unterschied zur Chemie ndet ein solches Signal allerdings, analog zur Entwicklung in unterschiedlichen Funktionensystemen, Repräsentationen in verschiedenen Zeit-Frequenz-Molekülen, die jeweils aus unterschiedlichen Mengen von Zeit-Frequenz-Atomen zusammengesetzt werden. Weiterhin ist nicht jedes beliebige Signal grundsätzlich als eine gewichtete Summe von Zeit- Frequenz-Atomen und damit als Zeit-Frequenz-Molekül beschreibbar. In der Abbildung. sind verschiedene Zeit-Frequenz-Atome im Zeit- und Frequenzbereich und als Rechtecke in der Zeit-Frequenz-Ebene dargestellt. Hier werden die Verhältnisse von eektiver Ausdehnung und eektiver Bandbreite zum zeitlichen und spektralen Signalverlauf deutlich. Aus der Darstellung der Elementarfunktionen einer Transformation als Rechtecke in der Zeit-Frequenz-Ebene kann ein mit Zeit-Frequenz- oder Zeit-Skalierungs-Transformationen assoziiertes Zerlegungsschema der Zeit-Frequenz-Ebene abgeleitet werden. In diesem sogenannten Phasenraumdiagramm wird die Zeit-Frequenz-Ebene in ein idealisiertes Rechteckraster unterteilt. Mit jedem Rechteck korrespondiert eine Elementarfunktion f k;l (t) des zugrunde liegenden Funktionensystems, wobei k; l Z Elemente der zugehörigen Indizierungsmenge sind. Die Mittelpunkte der Rechtecke werden an einem Indizierungsraster ausgerichtet, so daÿ jedem Phasenraumrechteck ein Zeitindex k und ein Frequenz- oder Skalierungsindex l als Koordinaten zugeordnet sind. Das Indizierungsraster beschreibt somit das Zeit-Frequenz-Verhalten der Transformation in idealisierter Form. Da die Rechtecke in

11 . Lineare zeitlich-spektrale Signaldarstellungen s(t);s(t);s(t),! s(t);s(t);s(t),! s(t);s(t);s(t),! Frequenz!,! Frequenz!,! Frequenz!,! Gabor Zeit-Frequenz-Atome 6 8 j^s (!)j ; j^s (!)j ; j^s (!)j,! :,: 5 Zeit t,! Daubechies (D) Zeit-Frequenz-Atome 5 6 : j^s (!)j ; j^s (!)j ; j^s (!)j,!,:,: 5 Zeit t,! Symmlet (S6) Zeit-Frequenz-Atome 5 6 j^s (!)j ; j^s (!)j ; j^s (!)j,! :,: 5 Zeit t,! Abbildung.: Verschiedene Gaborsche Elementarfunktionen, D-Wavelets und S6-Symmlet-Wavelet-Pakete im Zeit- und Frequenzbereich sowie als Rechtecke mit den Seitenlängen t;s und +!;s in der Zeit-Frequenz-Ebene.

12 . Lineare zeitlich-spektrale Signaldarstellungen 5 der Phasenraumdarstellung aneinander anschlieÿen, sind ihre Ausmaÿe bestimmt durch das Indizierungsschema des zugehörigen Funktionensystems und nicht, wie bei der Darstellung einer Elementarfunktion in der Zeit-Frequenz-Ebene, durch die eektive Ausdehnung und eektive Bandbreite. In dieser Vernachlässigung besteht die Idealisierung der Phasenraumzerlegung der Zeit-Frequenz-Ebene bezüglich einer Transformation. Wird ein Signal s(t) in ein Funktionensystem von lokalisierbaren Funktionen entwickelt, so ist das zeitliche und spektrale Signalverhalten anhand der graphisch im Phasenraumdiagramm dargestellten Transformationskoezienten leicht erkennbar, indem den Rechtecken den Zahlenwerten der Entwicklungskoezienten entsprechende Farbwerte oder Höhenkoordinaten zugeordnet werden. Das Phasenraumdiagramm bietet eine vorteilhaft interpretierbare Signaldarstellung, insbesondere von transienten und nichtstationären Phänomenen. Signalmerkmale sind in erster Linie an den Gröÿenverhältnissen der Entwicklungskoezienten erkennbar und können dann direkt zeitlich und spektral zugeordnet werden. Ferner spiegeln sich in dieser idealisierten Darstellung auch Eigenschaften des Funktionensystems und damit der angewendeten Transformation selbst wieder. Die folgende Abbildung. zeigt beispielhaft die Zerlegung eines aus zwei Sinusschwingungen unterschiedlicher Frequenz und einem impulsartigen Anteil bestehenden Signals in vier Phasenraumdiagramme. Entwicklungskoezienten mit hohem Betrag werden dabei durch dunklere Schattierungen gekennzeichnet. Erkennbar ist, daÿ der zeitlich lokalisierte Impuls durch die Fourier-Transformation nicht aufgelöst werden kann, und daÿ anhand der Dirac- Abtastung keine Frequenzzuordnung möglich ist. Eine geringe Verbesserung leistet die Entwicklung in Gaborsche Elementarfunktionen. Die Wavelet-Transformation ermöglicht dagegen prinzipiell eine bessere gemeinsame Erkennung von Impuls- und Sinusanteil. Die Verbesserung von Transformationseigenschaften hinsichtlich einer Energiekonzentration in wenige Entwicklungskoezienten durch die signaladaptive Gestaltung des Funktionensystems und damit des Phasenraums ist Bestandteil vieler Veröentlichungen der letzten Jahre [8]... Die Gabor-Transformation Die ursprüngliche Idee Gabors war die Signalsynthese durch elementare Funktionen mit einem minimalen Zeit-Bandbreite-Produkt. Das Signal wird so durch eine gewichtete Summe von modulierten und translatierten Gauÿ-Funktionen, den sogenannten Informationsquanten oder Gaborschen Elementarfunktionen, beschrieben. Diese weisen bezüglich der in (..) denierten Unschärferelation eine zeitliche und frequentielle Lokalisierbarkeit in einem optimalen Sinne auf. Diese Form der Signalrepräsentation wird als Gabor-Reihenentwicklung bezeichnet, auf die später noch eingegangen wird. Die Gabor-Transformation soll hier allerdings ausgehend von ihren Analyseeigenschaften betrachtet werden. Um einem Spektrum eine lokale Bedeutung zu geben, müssen die Elementarfunktionen des

13 . Lineare zeitlich-spektrale Signaldarstellungen 6 Frequenzparameter l,! Frequenzparameter l,! Skalierungsparameter l,! zwei Sinusschwingungen mit überlagertem Impuls s(t),!, Zeit t,! Dirac-Phasenraumdiagramm 5 6 Zeitparameter k,! 5 6 Fourier-Phasenraumdiagramm Gabor-Phasenraumdiagramm Zeitparameter k,! Wavelet-Phasenraumdiagramm 6 5 Zeitparameter k l=6,! Abbildung.: Verschiedene Phasenraumdarstellungen eines Signals, das aus zwei Sinusschwingungen unterschiedlicher Frequenz und einem impulsartigen Anteil besteht.

14 . Lineare zeitlich-spektrale Signaldarstellungen 7 der Transformation zugrunde liegenden Funktionensystems eine endliche eektive Ausdehnung aufweisen. Ausgehend von den Fourier-Basisfunktionen kann dies erreicht werden, indem man sie mit zeitlich lokalisierten und translatierten Fensterfunktionen w(t, b) multipliziert, wobei b R die Verschiebung der um t =zentrierten Funktion w(t) angibt. Das Analysefenster muÿ dabei lediglich die energetische Normierungsbedingung Z jw(t)j dt = (.7) erfüllen. Eine geeignete Fensterfunktion sollte nicht nur die Eigenschaft der zeitlichen Lokalisierbarkeit haben, sondern gleichzeitig auch die spektralen Komponenten detailliert auösen können. Wie in Abschnitt.. dargelegt, erfüllen gauÿ-impulsartige Analysefenster mit w gau; (t, b) = p! = e,(t,b) = ; R > ; b R (.8) diese Anforderungen optimal. Der Parameter deniert die Ausdehnung der Gauÿ-Funktion und damit die Breite des Zeitbereiches, dessen lokales Spektrum berechnet wird. Der Parameter b bestimmt die Zeitabhängigkeit des Spektrums durch die zeitliche Position dieses Intervalls. Die Gabor-Transformation G ist somit für R > und s(t) L (R) deniert als G fs(t)g(b;!) =hs(t);f G;b;!(t)i = Z s(t)w gau; (t, b)e,j!t dt: (.9) Die Abbildungsvorschrift G nach Gleichung (.9) transformiert s(t) durch die Innere- Produkt-Bildung mit den Elementarfunktionen des Funktionensystems G = f G;b;!(t) =w gau; (t, b)e j!t : b;! R (.) und ordnet damit jedem Energiesignal ein komplexwertiges Spektrum über der Zeit-Frequenz-Ebene zu. Der Streuungsparameter beeinuÿt das Analyseverhalten der Transformation G nachhaltig. Er sollte grundsätzlich so gewählt werden, daÿ die eektive Ausdehnung der Fensterfunktion in der Gröÿenordnung der kleinsten aufzulösenden transienten Signalanteile liegt. Für die eektive Ausdehnung der Funktionen aus G in Abhängigkeit von gilt nach Gleichung (.) t;wgau; = p : (.) Damit ist die eektive Bandbreite durch!;wgau; = p (.)

15 . Lineare zeitlich-spektrale Signaldarstellungen 8 festgelegt. Wendet man die Parsevalsche Identität für die Berechnung der Transformationskoezienten an, so gilt nach Gleichung (.5) hs(t);f G;B;(t)i = h^s(!); ^f G;B;(!)i mit (.) ^f G;B;(!) =Fff G;B;(t)g (!) (.) Demnach kann die in den Entwicklungskoezienten enthaltene Information, welche durch die Untersuchung des Signals s(t) um den Zeitpunkt t = B unter Verwendung der Funktion f G;B;(t) gewonnen wird, alternativ auch dem Spektrum ^s(!) entnommen werden. Eine Observation des Spektrums ^s(!) in der Umgebung der Frequenz! = mit der Spektralfunktion (=) ^f G;B;(!) liefert dieselbe Information. Folglich extrahiert ein Gauÿsches Zeit-Frequenz-Atom f G;B;(t) aus einem zu observierenden Signal s(t) ein Informationsquantum G fs(t)g(b; ) mit der Lage B, in der Zeit-Frequenz-Ebene. p ;B+ p, p ;+ p (.5) Die Abbildung. veranschaulicht die kombinierte Zeit-Frequenz-Analyseeigenschaft der Gabor-Transformation. Dargestellt sind vier Transformationen nach Gleichung (.9) des Signals s (t) aus der Gleichung (.) als jeweils dem Betragsquadrat entsprechende Grauwertverteilungen. Der Parameter ist dabei so gewählt, daÿ die eektive Ausdehnung der Elementarfunktionen t;wgau; die Werte T=; T=8; T=6 und T= mit T = annimmt. Hieraus resultierten nach Gleichung (.) = 5; = 78; =88:5; =:5. Durch einen Vergleich mit der Abbildung. ist deutlich erkennbar, daÿ eine Analyse nichtstationärer Signale mit Gaborschen Elementarfunktionen die beschriebenen nachteiligen Globalisierungseigenschaften der Fourier-Transformation verbessern. Oensichtlich wird an diesem Beispiel auch, daÿ eine Zunahme der zeitlichen Auösung zwangsläug eine Unschärfe des Spektrums zur Folge hat und umgekehrt. Für die analysierende Verarbeitung nichtstationärer Signale stellt die Gabor-Transformation einen leistungsfähigen Vorverarbeitungsschritt für Klassizierungs- und Mustererkennungsprobleme dar [9]. Signalverarbeitungsalgorithmen aus anderen Bereichen beinhalten allerdings nicht nur die Analyse, sondern, nach einer Bearbeitung des Signals im Bildbereich der Transformation auch wieder die Signalsynthese. Ausgehend von der inversen Fourier- Transformation nach Gleichung (.) kann das mit dem Analysefenster w gau; (t, b) multiplizierte Signal s(t) durch Z s(t)w gau; (t, b) =F fg fs(t)g(b;!)g(t) = G fs(t)g(b;!)e j!t d! (.6)

16 . Lineare zeitlich-spektrale Signaldarstellungen 9 jg fs(t)g(b;!)j für = 5 jg fs(t)g(b;!)j für = 78 Frequenz!,! Frequenz!,! Zeit b,! Zeit b,! jg fs(t)g(b;!)j für =88:5 jg fs(t)g(b;!)j für =:5 Frequenz!,! Frequenz!,! Zeit b,! Zeit b,! Abbildung.: Gabor-Transformation des nichtstationären Signals s (t) aus Gleichung (.) für die Streuparameter = 5; = 78; =88:5; =:5. rekonstruiert werden. Das Signal s(t) selbst erhält man durch die Multiplikation der Gleichung (.6) mit einem dualen Synthesefenster ~w gau; (t,b), welches lediglich die Bedingung Z w gau; (t)~w gau; (t)dt = (.7) erfüllen muÿ, und einer anschlieÿenden Integration über den Zeitparameter b. Daw gau; (t) selbst der Bedingung (.7) genügt, kann ~w gau; (t) = w gau; (t) gewählt werden. Aus der Analyse eines Signals s(t) L (R) mit Gaborschen Elementarfunktionen f G;b;!(t) des Funktionensystems G ist dieses Signal demnach durch die inverse Gabor-Transformation G mit s(t) =G fg fs(t)g(b;!)g(t) = Z Z G fs(t)g(b;!)w gau; (t, b)e j!t dbd! (.8)

17 . Lineare zeitlich-spektrale Signaldarstellungen wieder synthetisierbar. Ein Nachteil des Transformationspaares G ; G ist allerdings die hohe Redundanz der Darstellung im Bildbereich. Die Entwicklungskoezienten hängen stark voneinander ab und sind damit teilweise überüssig. Gerade nachrichtentechnische Anwendungen wie Quellcodierung und Kompression haben eine möglichst reduzierte, aber wenig fehlerbehaftete Signalbeschreibung zum Ziel. Es stellt sich die Frage, ob und unter welchen Bedingungen das Funktionensystem G auf eine verminderte Anzahl von Elementarfunktionen verringert werden kann, so daÿ die korrespondierenden Transformationskoezienten trotzdem eine vollständige Signaldarstellung und -rekonstruktion ermöglichen. Die Gaborsche Reihenentwicklung beinhaltet eine Signalsynthese durch um kt verschobene und mit l modulierte Gauÿ-Funktionen als Elementarfunktionen mit minimalem Zeit- Bandbreite-Produkt. Wird die Abtastbedingung T (.9) eingehalten, so kann ein Signal s(t) L (R) mit mindestens schwacher Konvergenz [] für den Fall T = bei geeigneter Wahl des Streuparameters durch eine gewichtete Summe von Gaborschen Elementarfunktionen f G;T; ;k;l(t) der Menge durch G ;T; = f G;T; ;k;l(t) =w gau; (t, kt )e jlt : k; l Z (.) s(t) = X X k= l= g k;l w gau; (t, kt )e jlt (.) rekonstruiert werden []. Die komplexwertigen Gewichte g k;l werden dabei als Gabor-Koezienten bezeichnet. Anhand des die Elementarfunktionendichte in der Zeit-Frequenz-Ebene beschreibenden Produkts T ist eine Aussage über Redundanz und Vollständigkeit des korrespondierenden Funktionensystem G ;T; möglich. Die Abtastbedingung (.9) ist notwendige Voraussetzung für die Vollständigkeit eines Gabor-Funktionensystems. Ist T <, so sind die Elementarfunktionen linear abhängig und damit redundanzbehaftet. Ein Signal läÿt sich dann, bei geeigneter Wahl des Fensterparameters, durch verschiedene Linearkombinationen der Elementarfunktionen beschreiben. Für T > ndet eine Unterabtastung statt, so daÿ nicht jedes Signal s(t) L (R) synthetisiert werden kann. Einen Grenzfall stellt die von Gabor in [] gewählte kritische Abtastung T =mit T = t;wgau; dar. Das zugehörige Funktionensystem spannt zwar den gesamten Funktionenraum L (R) auf, und jedes Signal ndet eine eindeutige Beschreibung durch genau eine Menge von Gabor-Koezienten, jedoch ist die quadratische Summe dieser Entwicklungskoezienten nicht für alle s(t) L (R) begrenzt []. Dieser Umstand führt zu einer numerischen Instabilität bei der Signalrekonstruktion, so daÿ die Reihenentwicklung aus Gleichung (.) nicht für die L (R)-Norm, sondern lediglich im Sinne einer Distribution konvergiert []. Abbildung.5 zeigt jeweils drei Gaborsche Cosinus- und Sinuselementarfunktionen für die Zeitindizes k = ; ; pro Frequenzindex l = ; ; bei kritischer Abtastung mit

18 . Lineare zeitlich-spektrale Signaldarstellungen ReffG;T;;k;l(t)g =;;; l =,! k ImffG;T;;k;l(t)g =;;; l =,! k ReffG;T;;k;l(t)g =;;; l =,! k ImffG;T;;k;l(t)g =;;; l =,! k ReffG;T;;k;l(t)g =;;; l =,! k ImffG;T;;k;l(t)g =;;; l =,! k Gaborsche Cosinuselementarfunktionen Gaborsche Sinuselementarfunktionen Zeit t,! Zeit t,! Zeit t,! Zeit t,! Zeit t,! Zeit t,! Abbildung.5: Gaborsche Cosinus- und Sinuselementarfunktionen bei kritischer Abtastung T =mit T =; = p ;=für die Zeitindizes k =;;und die Frequenzindizes l =;;. T = t;wgau; = ) = p und =. In der Abbildung.6 sind die zwei von Gabor in [] vorgeschlagenen Phasenraumdarstellungen der Signalsynthese durch das Funktionensystem G ;T; bei kritischer Abtastung T = illustriert. Gabor bezeichnete diese Zerlegung der Zeit-Frequenz-Ebene aufgrund der optimalen Lokalisierbarkeit der Elementarfunktionen als Informationsdiagramm. Das rechte Diagramm beschreibt den Beitrag jeder Elementarfunktion f G;T; ;k;l(t) durch ein mit dem komplexen Gabor-Koezienten g k;l gewichtetes Einheitsrechteck. Alternativ zeigt das linke Diagramm den Synthesebeitrag von

19 . Lineare zeitlich-spektrale Signaldarstellungen l =! p p Refg,; g Refg ; g p p g ; g ; Imfg,; g Imfg ; g Refg,; g Refg ; g g ; g ; Imfg,; g Imfg ; g k = t T Abbildung.6: Die zwei alternativen Darstellungsmöglichkeiten einer Signalsynthese durch Gaborsche Elementarfunktionen bei kritischer Abtastung T = im Phasenraum. Cosinus- und Sinuselementarfunktion nach Real- und Imaginärteil Refg k;l g; Imfg k;l g des Gabor-Koezienten getrennt. Für diese Darstellung haben die korrespondierenden Rechtecke die minimale Fläche in der Zeit-Frequenz-Ebene. Ist die Vollständigkeit des Funktionensystems G ;T; gegeben, so lassen sich die Gabor- Koezienten g k;l durch eine Analyse des Signals s(t) mit den zu f G;T; ;k;l(t) biorthogonalen bzw. dualen Funktionen f ~ G;T; ;k;l(t) = ~w gau; (t, kt )e jlt durch Z g k;l = hs(t); f ~ G;T; ;k;l(t)i = s(t)~w gau; (t, kt )e,jlt dt (.) berechnen [6]. Die duale Fensterfunktion ~w gau; (t) muÿ dabei die Biorthogonalitätsbedingung hw gau; (t, kt )e jlt ; ~w gau; (t, k T )e jl t i = (k, k )(l, l ) für alle k; k ;l;l Z (.) mit dem Kronecker-Symbol erfüllen. (n) = 8 < : für n = für n 6= ;nz; (.)

20 . Lineare zeitlich-spektrale Signaldarstellungen ~wgau;(t),! :5 :5,:5 :5 Analysefenster Synthesefenster,,,, Zeit t,! Zeit t,! Abbildung.7: Die zueinander biorthogonalen Analyse- und Synthesefenster ~w gau; (t), w gau; (t) der Gaborschen Reihenentwicklung für =und T =. wgau;(t),! : :9 :8 :7 :6 :5 : : : : Das Synthesefunktionensystem G ;T; und das dazu biorthogonale Analysefunktionensystem f f ~ G;T; ;k;l(t) = ~w gau; (t, kt )e jlt : k; l Zg weisen eine identische Struktur auf. Zwei zueinander biorthogonale Elementarfunktionen f G;T; ;k;l(t) und ~ f G;T; ;k;l(t) unterscheiden sich lediglich durch Synthesefenster w gau; (t) und Analysefenster ~w gau; (t). Vergleicht man Synthese- und Analysetransformationspaar (.), (.) und die Abhängigkeitsbedingung (.) der Gabor-Reihenentwicklung mit den korrespondierenden Gleichungen (.9), (.8) und (.7) der Gabor-Transformation, so stellt man fest, daÿ die Diskretisierung der Translations- und Modulationsparameter Einschränkungen bezüglich der Wahl der Fensterfunktionen zur Folge hat. Die einzuhaltende Biorthogonalitätsbedingung hat, da G ;T; nicht orthogonal und gleichzeitig vollständig sein kann, ein kompliziertes, für den Fall der kritischen Abtastung nicht lokalisiertes Analysefenster zur Folge, dessen analytische Herleitung in [] beschrieben ist. Es ist ~w gau; (t) =() C, e t = X n> t T, () n e,(n+=) (.5) mit C =:8576. Abbildung.7 zeigt das Analysefenster ~w gau; (t) und das Synthesefenster w gau; (t) für =und T =... Die Kurzzeit-Fourier-Transformation Der vorangegangene Abschnitt hat gezeigt, daÿ die Optimalität des Gabor-Funktionensystems mit einigen Nachteilen erkauft wird. So führt die Gaborsche Reihenentwicklung bei kritischer Abtastung zu numerischen Instabilitäten und die Diskretisierung von Translationsund Modulationsparametern hat eine nachteilige Biorthogonalfunktion zur Folge. Weiter ist der Gauÿ-Impuls w gau; (t) für alle t R von null verschieden und damit nur näherungsweise

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

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

Erstes Nyquistkriterium im Zeitbereich

Erstes Nyquistkriterium im Zeitbereich Erstes Nyquistkriterium im Zeitbereich Für dieses Kapitel wurde vorausgesetzt, dass die Detektion eines Symbols nicht durch Nachbarimpulse beeinträchtigt werden soll. Dies erreicht man durch die Detektion

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

Lokale Frequenzanalyse

Lokale Frequenzanalyse Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten

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

1 C A = A. y 1 y 2. x 1 x 2. x n B @ B @ C A. y m

1 C A = A. y 1 y 2. x 1 x 2. x n B @ B @ C A. y m Kapitel Systeme Ein System ist eine Anordnung von miteinander verbundenen Komponenten zur Realisierung einer technischen Aufgabenstellung. Ein System kann als Operator aufgefasst werden, der Eingangsgrößen

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

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

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann Abiturvorbereitung Mathematik -Dierentialrechnungc Max Hoffmann 1 Ganzrationale Funktionen Im Folgenden wollen wir uns mit ganzrationale Funktionen und der Untersuchung solcher beschäftigen. Dabei werden

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

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

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

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

4 Produktspezifische Ausfallwahrscheinlichkeit und Ausbeute

4 Produktspezifische Ausfallwahrscheinlichkeit und Ausbeute 4.1 Grundlagen 4 Produktspezifische Ausfallwahrscheinlichkeit und Ausbeute 4.1 Grundlagen In den bisherigen Ausführungen wurden die Grundlagen der Ausbeuteberechnung behandelt. So wurde bereits im Abschnitt

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

Analogmultiplexer als Amplitudenmodulatoren

Analogmultiplexer als Amplitudenmodulatoren Analogmultiplexer als Amplitudenmodulatoren Dipl.-Phys. Jochen Bauer 09.11.014 Einführung und Motivation Mit dem zunehmenden Verschwinden von Mittel- und Langwellensendern ergibt sich die Notwendigkeit

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

DFT / FFT der Titel der Präsentation wiederholt (Ansicht >Folienmaster) Dipl.-Ing. Armin Rohnen, Fakultät 03, rohnen@hm.edu

DFT / FFT der Titel der Präsentation wiederholt (Ansicht >Folienmaster) Dipl.-Ing. Armin Rohnen, Fakultät 03, rohnen@hm.edu 1 Grundlagen Abtasttheorem Fenster Zeit - Frequenzauflösung Pegelgenauigkeit Overlap Mittelung 2 2 volle Schwingungen 32 Abtastwerte Amplitude = 1 Pascal Signallänge = 1 Sekunde Eine Frequenzline bei 2

Mehr

Beschreibung im Frequenzbereich (1)

Beschreibung im Frequenzbereich (1) Beschreibung im Frequenzbereich (1) Wir betrachten die folgende Aufgabenstellung: Ein Nachrichtensignal q(t), dessen Spektrum Q(f) auf den Bereich ±B NF bandbegrenzt ist, soll mit Hilfe einer harmonischen

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

2. Eigenschaften digitaler Nachrichtensignale

2. Eigenschaften digitaler Nachrichtensignale FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale

Mehr

Signale und Systeme I

Signale und Systeme I FACULTY OF ENGNEERING CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITAL SIGNAL PROCESSING AND SYSTEM THEORY DSS Signale und Systeme I Musterlösung zur Modulklausur WS 010/011 Prüfer: Prof. Dr.-Ing. Gerhard

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

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

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

5. Fourier-Transformation

5. Fourier-Transformation Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. 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

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

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Digitale Bildverarbeitung (DBV)

Digitale Bildverarbeitung (DBV) Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

1 Einleitung. 1.1 Motivation

1 Einleitung. 1.1 Motivation 1 Einleitung 1.1 Motivation Eine zunehmende Globalisierung in Verbindung mit der Verbreitung des elektronischen Handels, stets kürzer werdende Produktlebenszyklen und eine hohe Variantenvielfalt konstituieren

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

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

1 Einführung. 1.1 Analog - Digital Unterscheidung

1 Einführung. 1.1 Analog - Digital Unterscheidung 1 Einführung Was ist eigentlich Digitaltechnik? Wird der Begriff Digitaltechnik getrennt, so ergeben sich die Worte DIGITAL und TECHNIK. Digital kommt von digitus (lat. der Finger) und deutet darauf hin,

Mehr

Das wissen Sie: 6. Welche Möglichkeiten zur Darstellung periodischer Funktionen (Signalen) kennen Sie?

Das wissen Sie: 6. Welche Möglichkeiten zur Darstellung periodischer Funktionen (Signalen) kennen Sie? Das wissen Sie: 1. Wann ist eine Funktion (Signal) gerade, ungerade, harmonisch, periodisch (Kombinationsbeispiele)? 2. Wie lassen sich harmonische Schwingungen mathematisch beschreiben und welche Beziehungen

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Messung des Kopplungsfaktors Induktiv Gekoppelter Spulen

Messung des Kopplungsfaktors Induktiv Gekoppelter Spulen Messung des Kopplungsfaktors Induktiv Gekoppelter Spulen Dipl.-Phys. Jochen Bauer 11.8.2013 Zusammenfassung Induktiv gekoppelte Spulen finden in der Elektrotechnik und insbesondere in der Funktechnik vielfältige

Mehr

3) Es soll ein aktives Butterworth-Tiefpassfilter mit folgenden Betriebsparametern entworfen werden: Grunddämpfung: Grenze des Durchlassbereiches:

3) Es soll ein aktives Butterworth-Tiefpassfilter mit folgenden Betriebsparametern entworfen werden: Grunddämpfung: Grenze des Durchlassbereiches: Übungsblatt 4 1) Beim Praktikumsversuch 4 sollten Sie an das aufgebaute iefpassfilter eine Rechteckspannung mit einer Frequenz von 6 Hz anlegen: a) Skizzieren Sie grob den Verlauf der Ausgangsspannung

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Signale und Systeme. A1 A2 A3 Summe

Signale und Systeme. A1 A2 A3 Summe Signale und Systeme - Prof. Dr.-Ing. Thomas Sikora - Name:............................... Vorname:.......................... Matr.Nr:.............................. Ergebnis im Web mit verkürzter Matr.Nr?

Mehr

Elektrische Messtechnik, Labor Sommersemester 2014

Elektrische Messtechnik, Labor Sommersemester 2014 Institut für Elektrische Messtechnik und Messsignalverarbeitung Elektrische Messtechnik, Labor Sommersemester 2014 Rechnerunterstützte Erfassung und Analyse von Messdaten Übungsleiter: Dipl.-Ing. GALLIEN

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

D = 10 mm δ = 5 mm a = 0, 1 m L = 1, 5 m λ i = 0, 4 W/mK ϑ 0 = 130 C ϑ L = 30 C α W = 20 W/m 2 K ɛ 0 = 0, 8 ɛ W = 0, 2

D = 10 mm δ = 5 mm a = 0, 1 m L = 1, 5 m λ i = 0, 4 W/mK ϑ 0 = 130 C ϑ L = 30 C α W = 20 W/m 2 K ɛ 0 = 0, 8 ɛ W = 0, 2 Seminargruppe WuSt Aufgabe.: Kabelkanal (ehemalige Vordiplom-Aufgabe) In einem horizontalen hohlen Kabelkanal der Länge L mit einem quadratischen Querschnitt der Seitenlänge a verläuft in Längsrichtung

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

Ü bung GIT- Teil Nachrichtentechnik, 17.11.2015

Ü bung GIT- Teil Nachrichtentechnik, 17.11.2015 Ü bung GIT- Teil Nachrichtentechnik, 17.11.2015 1 OSI Schichtenmodell Systeme der Nachrichtentechnik werden häufig mittels des OSI-Referenzmodells charakterisiert. a) Benennen Sie die Schichten des OSI-Referenzmodells!

Mehr

6 Conways Chequerboard-Armee

6 Conways Chequerboard-Armee 6 Conways Chequerboard-Armee Spiele gehören zu den interessantesten Schöpfungen des menschlichen Geistes und die Analyse ihrer Struktur ist voller Abenteuer und Überraschungen. James R. Newman Es ist sehr

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

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

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Vorwort 13 Themenaspekte 13 Digitale Kommunikationstechniken 13 Übersicht über den Lehrstoff 14 Beispiele und Übungsaufgaben 15 Kursoptionen 15

Vorwort 13 Themenaspekte 13 Digitale Kommunikationstechniken 13 Übersicht über den Lehrstoff 14 Beispiele und Übungsaufgaben 15 Kursoptionen 15 Inhaltsverzeichnis Vorwort 13 Themenaspekte 13 Digitale Kommunikationstechniken 13 Übersicht über den Lehrstoff 14 Beispiele und Übungsaufgaben 15 Kursoptionen 15 Kapitel 1 Einleitung 17 1.1 Historischer

Mehr

High-Speed Optical Transmission Systems Grundlagen der numerischen Simulation

High-Speed Optical Transmission Systems Grundlagen der numerischen Simulation High-Speed Optical Transmission Systems Grundlagen der numerischen Simulation 8. Februar 2 In dieser Übung sollen einige Grundlagen der numerischen Simulation mit dem Programm VPItransmissionMaker behandelt

Mehr

Behandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder

Behandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder Behandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder Bei der Behandlung reeller elektromagnetischer Felder im Fourierraum ist man mit der Tatsache konfrontiert, dass

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

Bestimmung der Primärstruktur kleiner Moleküle mittels 1D-NMR-Spektroskopie

Bestimmung der Primärstruktur kleiner Moleküle mittels 1D-NMR-Spektroskopie Bestimmung der Primärstruktur kleiner Moleküle mittels 1D-NMR-Spektroskopie Zusammenfassung Mit Hilfe von 1D 1 H- und 13 C-NMR-Spektren und gegebener Summenformel wird die Primärstruktur eines unbekannten

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Einführung in statistische Analysen

Einführung in statistische Analysen Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

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

Gewöhnliche Dierentialgleichungen

Gewöhnliche Dierentialgleichungen Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat

Mehr

F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur

F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur David Riemenschneider & Felix Spanier 31. Januar 2001 1 Inhaltsverzeichnis 1 Einleitung 3 2 Auswertung 3 2.1 Darstellung sämtlicher PL-Spektren................

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

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

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

Die Fourier-Transformation

Die Fourier-Transformation 1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

Lösungsblatt 2 Signalverarbeitung und Klassifikation

Lösungsblatt 2 Signalverarbeitung und Klassifikation Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 06 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt Signalverarbeitung und Klassifikation Aufgabe : Faltung

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

Biosignalverarbeitung (Schuster)

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

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

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Vorlesung. Komplexe Zahlen

Vorlesung. Komplexe Zahlen Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte 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

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

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

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Linearer Zusammenhang von Datenreihen

Linearer Zusammenhang von Datenreihen Linearer Zusammenhang von Datenreihen Vielen Problemen liegen (möglicherweise) lineare Zusammenhänge zugrunde: Mein Internetanbieter verlangt eine Grundgebühr und rechnet minutenweise ab Ich bestelle ein

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

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

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

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

Schnelle und flexible Stoffwertberechnung mit Spline Interpolation für die Modellierung und Optimierung fortschrittlicher Energieumwandlungsprozesse

Schnelle und flexible Stoffwertberechnung mit Spline Interpolation für die Modellierung und Optimierung fortschrittlicher Energieumwandlungsprozesse Hochschule Zittau/Görlitz, Fakultät Maschinenwesen, Fachgebiet Technische Thermodynamik M. Kunick, H. J. Kretzschmar, U. Gampe Schnelle und flexible Stoffwertberechnung mit Spline Interpolation für die

Mehr

Abitur - Grundkurs Mathematik. Sachsen-Anhalt 2002. Gebiet G1 - Analysis

Abitur - Grundkurs Mathematik. Sachsen-Anhalt 2002. Gebiet G1 - Analysis Abitur - Grundkurs Mathematik Sachsen-Anhalt Gebiet G - Analsis Aufgabe.. Der Graph einer ganzrationalen Funktion f dritten Grades mit einer Funktionsgleichung der Form f a b c d a,b,c,d, R schneidet die

Mehr

4.2.5 Wie berücksichtigt man den Einsatz und die Abnutzung der Anlagen?

4.2.5 Wie berücksichtigt man den Einsatz und die Abnutzung der Anlagen? Seite 1 4.2.5 4.2.5 den Einsatz und die Bei der Erzeugung von Produkten bzw. der Erbringung von Leistungen sind in der Regel Anlagen (wie zum Beispiel Gebäude, Maschinen, Betriebs- und Geschäftsausstattung)

Mehr

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................

Mehr

Statische Versuchsplanung (DoE - Design of Experiments)

Statische Versuchsplanung (DoE - Design of Experiments) Statische Versuchsplanung (DoE - Design of Experiments) Übersicht Bei der statistischen Versuchsplanung wird die Wirkung von Steuerparametern unter dem Einfluss von Störparametern untersucht. Mit Hilfe

Mehr

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

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr