Lineare Prädiktion. Stephan Arlinghaus 9. November 2006
|
|
- Willi Walter
- vor 6 Jahren
- Abrufe
Transkript
1 Stephan Arlinghaus 9. November 2006
2 Gliederung 1 Einleitung Sprachanalyse... etwas Mathematik 2 Das autoregressive Modell (AR) (LP) 3 Kovarianzmethode Autokorrelationsmethode Methodenvergleich 4 5
3 Der Ausgangspunkt Sprachanalyse... etwas Mathematik
4 Sprachanalyse... etwas Mathematik verschiedene Betrachtungsweisen Unterschiedliche Merkmale (features) der Sprache sollen aus einem Sprachsignal s(n) extrahiert werden. Die relevante Sprachinformation kann oft sehr kompakt dargestellt werden (Ausnutzung von Redundanz). Gesucht ist ein Satz von Parametern, der das Sprachsignal effizient beschreibt.
5 Kurzzeit-Sprachanalyse Sprachanalyse... etwas Mathematik Sprache ist dynamisch Dennoch: gewöhnlich wird angenommen, dass sich Signaleigenschaften zeitlich nur langsam ändern Zerlegung des Sprachsignals in kurze Fenster, die einzeln analysiert werden.
6 Parameter des Zeitbereichs Sprachanalyse... etwas Mathematik Vorteil der Analyse im Zeitbereich: einfach in der Berechnung physikalische Interpretation leicht möglich Beispiel: Berechnung der zero-crossing rate (ZCR) ermöglicht schnelle Unterscheidung von stimmhaften und stimmlosen Lauten.
7 Sprachanalyse... etwas Mathematik Parameter des Frequenzbereichs Vorteil der spektralen Analyse: Wiederholungen eines Satzes von einem Sprecher unterscheiden sich im Zeitbereich oft sehr, sind sich im Spektralbereich jedoch sehr ähnlich. Allerdings ist ein Übergang in den Frequenzraum nötig. Beispiel: Formanten (bestimmte Frequenzen im Spektrum).
8 Sprachanalyse... etwas Mathematik unterschiedliche Zeitsignale des gleichen Wortes
9 Sprachanalyse... etwas Mathematik Die Transformation in den Frequenzbereich Da das Sprachsignal diskret vorliegt, erfolgt der Übergang vom Zeitbereich in den Spektralbereich mit Hilfe der (unilateralen) z-transformation: X(z) = Z{s n } = s n z n n=0 Diese Darstellung erweist sich im Folgenden als günstig. Wichtige Eigenschaften der z-transformation: Linearität Verschiebungssatz: Z{s n k } = z k Z{s n }
10 Sprachanalyse... etwas Mathematik Vergleich z-transformation und diskrete Fourier-Transformation (DFT) z-transformation X(z) = Z{s n } = s n z n n=0 Frequenzen werden je nach Betrag von z auf die ganze komplexe Ebene abgebildet. DFT X(k) = F{s n } = N 1 n=0 Abbildung der Frequenzen auf den Einheitskreis in der komplexen Ebene. ink 2π s n e N
11 Sprachanalyse... etwas Mathematik lineare zeitinvariante Systeme (LTI-Systeme) Ein LTI-System H ist definiert durch eine eindeutige mathematische Abbildung H : x(t) y(t); H ist linear und zeitinvariant. Filter sind LTI-Systeme. Ein LTI-System wird eindeutig durch seine Impulsantwort h(t) beschrieben. H(δ(t)) = h(t). Das Filtern ist eine Faltung mit der Impulsantwort h(t) des Filters H: H[s(t)](t) = (s h)(t) = y(t)
12 Faltung Einleitung Sprachanalyse... etwas Mathematik Definition (s h)(t) := s(τ) h(t τ) dτ Eigenschaften der Faltung: Kommutativität: s h = h s Faltungssatz: y(t) = (s h)(t) Y (f ) = F{y(t)} = S(f ) H(f ) Faltung mit der δ-distribution: (f δ)(t) = f (t)
13 Sprachanalyse... etwas Mathematik Übertragungsfunktion und Korrelationsfunktion Nach dem Faltungssatz gilt Y (f ) = H(f ) S(f ), wobei H(f ) als Übertragungsfunktion bezeichnet wird. Maß der Ähnlichkeit zweier Funktionen ist die Korrelationsfunktion Φ sg (τ) := s(t)g(t + τ) dt, die zur Autokorrelationsfunktion (AKF) wird, wenn s und g identisch sind.
14 Autokorrelationsfunktion Sprachanalyse... etwas Mathematik Φ ss (τ) := s(t)s(t + τ) dt Eigenschaften der Autokorrelationsfunktion: Für τ = 0 bezeichnet die AKF die Energie des Signals AKF ist maximal bei τ = 0 Φ ss (τ) = Φ ss ( τ) (Symmetrie) AKF von weißem Rauschen ist die δ-distribution
15 Spektrogramme Sprachanalyse... etwas Mathematik
16 Fragestellung Einleitung Das autoregressive Modell (AR) (LP) Gibt es bestimmte Merkmale in der Sprache, die es ermöglichen, Parameter zu finden, die die relevanten Informationen der Sprache enthalten? Dazu notwendig: Entwicklung eines Modells zur Beschreibung der Sprachentstehung.
17 Das autoregressive Modell (AR) (LP) Schematische Darstellung des menschlichen Artikulationssystems
18 Das Quelle-Filter-Modell Das autoregressive Modell (AR) (LP)
19 Das Quelle-Filter-Modell Das autoregressive Modell (AR) (LP)
20 Das Quelle-Filter-Modell Das autoregressive Modell (AR) (LP)
21 Filtermodellierung Das autoregressive Modell (AR) (LP) Zur Modellierung des Sprachsignals werden Anregungssignal und Filter des Vokaltraktes benötigt. Filter für Glottis (Stimmritze) und Lippen bleiben unberücksichtigt, da die Effekte beider Filter sich gegenseitig aufheben. Nasenraum bleibt unberücksichtigt, da er zur Modellierung nicht zwingend notwendig ist (dämpft bestimmte Frequenzen, mathematisch komplexerer Filter nötig). Die Anregungsfunktion beschrieben durch weißes Rauschen für stimmlose Laute Impulszug für stimmhafte Laute
22 Das Vokaltraktmodell Das autoregressive Modell (AR) (LP) Modell des Vokaltraktes ist ein Rohr der Länge L, zusammengesetzt aus M gleichlangen Zylinderabschnitten der Querschnittsflächen A i. Energieverluste an den Vokaltraktwänden bleiben unberücksichtigt. Rohr hat formabhängige Resonanzfrequenzen, die Formanten des Sprachsignals heißen.
23 Vokaltrakt als Röhre Das autoregressive Modell (AR) (LP)
24 Vokaltraktfilter Einleitung Das autoregressive Modell (AR) (LP) Anregung durch weißes Rauschen oder einen Impulszug: Vokaltrakt stellt rein rekursives/autoregressives System dar, beschrieben durch einen all-pole Filter. Ein System ist rein rekursiv, wenn seine Übertragungsfkt. H(z) für z 0 keine Nullstellen, sondern nur Pole besitzt: H(z) = b M k=1 a kz k
25 Vokaltraktfilter Einleitung Das autoregressive Modell (AR) (LP) H(z) = b 0 ist ein Verstärkungsfaktor b M k=1 a kz k M heißt Ordnung des autoregressiven Systems A(z) = M k=0 a kz k (a 0 = 1) heißt inverser Filter, 1/A(z) heißt all-pole Filter. a k sind die Filterkoeffizienten
26 Das autoregressive Modell Das autoregressive Modell (AR) (LP) Sprachsignal s(n) wird erhalten durch s(n) = h(n) e(n) wobei e(n) das Anregungssignal und h(n) die Impulsantwort des Vokaltraktes darstellt. In z-transformierter Schreibweise lautet die Gleichung: S(z) = H(z) E(z) = 1 A(z) E(z)
27 Das autoregressive Modell Das autoregressive Modell (AR) (LP) Synthesemodell: Analysemodell: mit dem inversen Filter S(z) = 1 A(z) E(z) E(z) = A(z) S(z) A(z) = M a k z k k=0 Nun: Bestimmung der Filterkoeffizienten a k.
28 (LP) Das autoregressive Modell (AR) (LP) Schätzung der Abtastwerte durch lineare Prädiktion der Form M s(n) = a i s(n i) i=1 Der (Prädiktions-)Fehler dieser Schätzung ergibt sich als M M e(n) = s(n) s(n) = s(n)+ a i s(n i) = a i s(n i), a 0 = 1 i=1 i=0 Man erhält nach z-transformation dieser Gleichung E(z) = A(z) S(z), was dem Analysemodell entspricht.
29 Das autoregressive Modell (AR) (LP) Vergleich autoregressives Modell und lineare Vorhersage Es liegt nahe, den Prädiktionsfehler e(n) mit dem Eingangssignal, sowie die a i mit den gesuchten Filterkoeffizienten von A(z) zu identifizieren!
30 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Minimierung des Prädiktionsfehlers Die beste Schätzung von s(n) durch s(n) wird erreicht, wenn e(n) minimal wird. Minimierung des summierten quadratischen Fehlers, also von α = n 1 n=n 0 e 2 (n). n 0 und n 1 legen den Zeitraum fest, über den minimiert wird.
31 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Minimierung des Prädiktionsfehlers Nach Einsetzen ergibt sich: ( n 1 M α = a i s(n i) = = n=n 0 n 1 i=0 M n=n 0 i=0 j=0 M i=0 j=0 c ij := ) 2 M a i s(n i)s(n j)a j M a i c ij a j n 1 mit n=n 0 s(n i)s(n j)
32 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Minimierung des Prädiktionsfehlers α wird nun minimiert durch Nullsetzen der totalen Ableitung dα da, bzw. a i α = 0. Es folgt, dass alle partiellen Ableitungen von α nach a k verschwinden müssen: c 0k = α a k = 2 M a i c ik = 0 i=0 M a i c ik, k = 1,..., M i=1 Man hat nun ein M-dimensionales Gleichungssystem, mit dem die M Koeffizienten a i bestimmt werden können.
33 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Berechnung der partiellen Ableitungen a k M M a i c ij a j i=0 j=0 = ak ( a 0 c 00 a 0 + a 0 c 01 a a 0 c 0M a M + a 1 c 10 a 0 + a 1 c 11 a a 1 c 1M a M +. a M c M0 a 0 + a M c M1 a a M c MM a M ) M = 2 a i c ik i=0
34 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Erweiterung auf nicht-stationäre Signale Problem: Bei Änderung des Vokaltraktes ändert sich der Filter und damit die Filterkoeffizienten. Aber: Sprache ändert sich nur in Zeitintervallen von etwa 20 ms (endliche Artikulationsgeschwindigkeit) Daher: Signal in genügend kleine Abschnitte unterteilen und Verfahren auf Teilintervalle anwenden. zwei Verfahren zur Berechnung der Koeffizienten: a) Kovarianzmethode b) Autorkorrelationsmethode
35 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Kovarianzmethode oder nicht-stationärer Ansatz Eine Folge von N Sprachsamples {s(n)} = {s(0), s(1),..., s(n 1)} ist bekannt setze Summationsgrenzen n 0 = M und n 1 = N 1, d.h. Fehlerminimierung nur über das Intervall [M, N 1] c ij = N 1 n=m s(n i)s(n j) alle N Samples werden zur Berechnung der Matrixelemente c ij benutzt
36 Autokorrelationsmethode Kovarianzmethode Autokorrelationsmethode Methodenvergleich Eine Folge von N Sprachsamples {s(n)} = {s(0), s(1),..., s(n 1)} ist bekannt setzte Summationsgrenzen n 0 = und n 1 = c ij = n= definiere s(n) = 0 für n / [0, N[ s(n i)s(n j) diese Grenzen vereinfachen die Darstellung der Matrixelemente c ij wie folgt
37 vereinfachte Matrixelemente Kovarianzmethode Autokorrelationsmethode Methodenvergleich c ij = = = n= n= N 1 i j n=0 = Φ(i j) s(n i)s(n j) s(n)s(n + i j) s(n)s(n + i j)
38 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Vergleich Kovarianz- und Autokorrelationsmethode Kovarianzmethode Löse M a i c ij = c 0j, i=1 für j = 1,..., M, mit c ij = N 1 n=m e(n) = s(n i)s(n j) M a i s(n i) i=0 Autokorrelationsmethode Löse M a i Φ(i j) = Φ(j), i=1 für j = 1,..., M, mit Φ(l) = N 1 l n=0 e(n) = s(n)s(n + l) M a i s(n i) i=0
39 Kovarianzmethode Autokorrelationsmethode Methodenvergleich Vergleich Kovarianz- und Autokorrelationsmethode Kovarianzmethode kurzes Rechteckfenster kann zur Analyse genügen sehr genaue Ergebnisse Anwedung bei stark nicht-stationären Signalen konstruierte Filter können instabil werden Autokorrelationsmethode längeres Fenster benötigt ungenauere Ergebnisse einfaches Gleichungssystem, da c ij toeplitz, wofür effiziente Lösungsalgorithmen (z.b. Levinson-Durbin Rekursion) bekannt sind. gute Filterstabilität
40 der linearen Prädiktion ist eine der mächtigsten Methoden der Sprachanalyse und wird benutzt... als eine Form der Sprachkompression (in Mobiltelefonen), zur digitalen und verschlüsselten Übertragung von Sprache über schmalbandige Kanäle, zur Formantenanalyse (auch andere Verfahren...),...
41 mit MATLAB Spektrogramm der Wörter lineare Prädiktion : nur Betrachtung quasi-stationärer Signale benutzt werden die Vokale a, e und u gezeigt werden die Unterschiede der Formanten in Abhängigkeit der Vokale, sowie die Abhängigkeit der Übertragungsfunktion von der Ordnung der Prädiktion
42 Spektrum und Übertragungsfunktionen des Lautes /a/, Ordnungen M = 8 (mitte) und M = 15 (unten)
43 Übertragungsfunktionen der Laute /a/ (oben) und /u/ (unten), M = 15
44 Spektrogramm der Wortfolge lineare Prädiktion
45 Modellierung des menschlichen Artikulationssystems durch Quelle-Filter-Modell unberücksichtigt bleiben Energieverluste an den Vokaltraktwänden sowie der gesamte Nasaltrakt Anregungsfunktion ist weißes Rauschen oder ein Zug von δ-impulsen Filter des Vokaltraktes ist all-pole Filter (keine Nullstellen) autoregressives Modell: Sprachsignal ist Faltung des Einganssignals mit Impulsantwort des Filters
46 : Schätzung der Signalsamples durch Linearkombination vorheriger Samples Minimierung des Prädiktionsfehlers ( ˆ= Eingangssignal) Berechnung der Filterkoeffizienten mit Kovarianz- oder Autokorrelationsmethode Spracherkennung (Formanten) und starke Datenkompression (bis zu 96%) möglich
47 Vielen Dank für die Aufmerksamkeit.
Z-Transformation, Cepstrum, LPC, Autokorrelation Sebastian Stüker
Institut für Anthropomatik Z-Transformation, Cepstrum, LPC, Autokorrelation Sebastian Stüker 04.11.2009 Interactive Systems Labs Verallgemeinerung der Fourier- Transformation: F(s) = L{ f }(s) = 0 e st
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrMerkmalsextraktion mit Hilfe des LPC-Modells
Merkmalsextraktion mit Hilfe des LPC-Modells Stephanie Wist Fakultät für Informatik Universität Ulm Abstract Im folgenden werde ich mit möglichst wenigen mathematischen Hilfsmittlen den Aufbau und die
MehrSignale 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
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrDas 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
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
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
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
MehrSSYLB2 SS06 Daniel Schrenk, Andreas Unterweger Übung 8. Laborprotokoll SSY. Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort
SSYLB SS6 Daniel Schrenk, Andreas Unterweger Übung 8 Laborprotokoll SSY Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort Daniel Schrenk, Andreas Unterweger, ITS 4 SSYLB SS6 Daniel Schrenk,
MehrLesen von Sonagrammen I: Grundlagen. Uwe Reichel IPS, LMU München 16. November 2007
Lesen von Sonagrammen I: Grundlagen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 16. November 2007 Inhalt Das Sonagramm: Allgemeines Gewinnung des Sonagramms Zeitsignal Spektrum Spektrogramm
MehrÜbung 7: Methode der kleinsten Quadrate
ZHAW, DSV2, 2007, Rumc, 1/8 Übung 7: Methode der kleinsten Quadrate Aufgabe 1: Lineare Annäherung im Skalarprodukt-Raum. Finden Sie für den Vektor y = [2 2 2] T eine Linearkombination y e der Vektoren
MehrFourierreihen periodischer Funktionen
Fourierreihen periodischer Funktionen periodische Funktion: (3.1) Fourierkoeffizienten und (3.2) (3.3) Fourier-Reihenentwicklungen Cosinus-Reihe: (3.4) (3.5) Exponentialreihe: (3.6) (3.7-3.8) Bestimmung
MehrTontechnik 2. Digitale Filter. Digitale Filter. Zuordnung diskrete digitale Signale neue diskrete digitale Signale
Tontechnik 2 Digitale Filter Audiovisuelle Medien HdM Stuttgart Digitale Filter Zuordnung diskrete digitale Signale neue diskrete digitale Signale lineares, zeitinvariantes, diskretes System (LTD-System)
MehrLaplace-Transformation
Laplace-Transformation Gegeben: Funktion mit beschränktem Wachstum: x(t) Ke ct t [, ) Definition: Laplace-Transformation: X(s) = e st x(t) dt = L{x(t)} s C Re(s) >c Definition: Inverse Laplace-Transformation:
MehrAufgabe 1 - Pegelrechnung und LTI-Systeme
KLAUSUR Nachrichtentechnik 06.08.0 Prof. Dr.-Ing. Dr. h.c. G. Fettweis Dauer: 0 min. Aufgabe 3 4 Punkte 5 0 4 50 Aufgabe - Pegelrechnung und LTI-Systeme Hinweis: Die Teilaufgaben (a), (b) und (c) können
MehrSignale und Systeme II
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme II Lösung zur Modulklausur SS 201 Prüfer: Prof. Dr.-Ing. Gerhard Schmidt
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrInhaltsverzeichnis. vii
1 Einführung... 1 1.1 Signale im Kommunikationsprozess... 1 1.2 Signalverarbeitung als Disziplin... 2 1.3 Elementare Beschreibung von Signalen... 4 1.3.1 Klassen von Signalen... 4 1.3.2 Notation... 6 1.3.3
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
MehrSeminar Digitale Signalverarbeitung Thema: Digitale Filter
Seminar Digitale Signalverarbeitung Thema: Digitale Filter Autor: Daniel Arnold Universität Koblenz-Landau, August 2005 Inhaltsverzeichnis i 1 Einführung 1.1 Allgemeine Informationen Digitale Filter sind
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie Teil B - Zeitdiskrete Signale und Systeme Übungsaufgaben Manfred Strohrmann Urban Brunner Inhalt Übungsaufgaben - Signalabtastung und Rekonstruktion...
MehrFH Jena Prüfungsaufgaben - Master Prof. Giesecke FB ET/IT Digitale Signalverarbeitung SS 2012
FB ET/IT Digitale Signalverarbeitung SS 0 Name, Vorname: Matr.-Nr.: Zugelassene Hilfsmittel: beliebiger Taschenrechner ein mathematisches Formelwerk eine selbsterstellte Formelsammlung Wichtige Hinweise:
Mehr2 Perioden in 0.02 s 1 Periode in 0.01 s 100 Perioden in 1 s, Grundfrequenz = 100 Hz
1. Die Abbildung in (a) zeigt einen synthetischen [i] Vokal. Was ist die Grundfrequenz davon? (Die Zeitachse ist in Sekunden). 2 Perioden in 0.02 s 1 Periode in 0.01 s 100 Perioden in 1 s, Grundfrequenz
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
MehrBand I: Analyse und Synthese. lechnischs? Hochschule Oarmstadfl.FACHBEREICH INFORMATIK B 1 B L I O T H E K
J. Ackermann Abtastregelung Zweite Auflage Band I: Analyse und Synthese Mit 71 Abbildungen lechnischs? Hochschule Oarmstadfl.FACHBEREICH INFORMATIK B 1 B L I O T H E K laventa r- h' r O o JJj Sadigebiefei
MehrZulassungsprüfung für den Master-Studiengang in Elektrotechnik und Informationstechnik an der Leibniz Universität Hannover
Zulassungsprüfung für den Master-Studiengang in Elektrotechnik und Informationstechnik an der Leibniz Universität Hannover Zulassungsjahr: 04 (Sommersemester) Allgemeine Informationen: Der deutschsprachige
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof. Dr. Erich Walter Farkas Kapitel 8. Funktionen von mehreren Variablen 8.2 Partielle Differentiation Prof. Dr. Erich Walter Farkas Mathematik I+II, 8.2 Part. Diff.
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr. Erich Walter
MehrEinführung in die Laplace Transformation
Einführung in die aplace Transformation Peter Riegler 17. Oktober 2 Zusammenfassung Dieser Text gibt Ihnen eine kurze Einführung in das Werkzeug der aplace Transformation. Es zeigt Ihnen, wo und warum
MehrR. Oldenbourg Verlag München Wien 1997
Systemtheorie 1 Allgemeine Grundlagen, Signale und lineare Systeme im Zeit- und Frequenzbereich von Professor Dr.-Ing. Rolf Unbehauen 7., überarbeitete und erweiterte Auflage Mit 260 Abbildungen und 148
MehrSpracherkennung. 4. Sitzung 23. Oktober 2008
Spracherkennung 4. Sitzung 23. Oktober 2008 Überblick Wiederholung 3 Akustik 3 Artikulation Studie zu Veränderung der Artikulation bei Lärm 4 Sprachwahrnehmung Kategoriale Sprachwahrnehmung beim Menschen
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
Mehra) Beschreiben Sie den Unterschied zwischen einer Regelung und einer Steuerung an Hand eines Blockschaltbildes.
144 Minuten Seite 1 NAME VORNAME MATRIKEL-NR. Aufgabe 1 (je 2 Punkte) a) Beschreiben Sie den Unterschied zwischen einer Regelung und einer Steuerung an Hand eines Blockschaltbildes. b) Was ist ein Mehrgrößensystem?
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrUebungsserie 1.1 Harmonische Signale und Ihre Darstellung
28. September 2016 Elektrizitätslehre 3 Martin Weisenhorn Uebungsserie 1.1 Harmonische Signale und Ihre Darstellung Aufgabe 1. Die nachfolgende Grafik stellt das Oszillogramm zweier sinusförmiger Spannungen
MehrKybernetik Laplace Transformation
Kybernetik Laplace Transformation Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 08. 05. 202 Laplace Transformation Was ist eine Transformation? Was ist
MehrLaplacetransformation
Laplacetransformation Fakultät Grundlagen Februar 206 Fakultät Grundlagen Laplacetransformation Übersicht Transformationen Transformationen Bezugssysteme Definition der Laplacetransformation Beispiele
MehrInhaltsverzeichnis Kapitel X: Funktionen von mehreren Variablen Kapitel XI: Gew ohnliche Differentialgleichungen 135
Inhaltsverzeichnis Kapitel X: Funktionen von mehreren Variablen 1 x1. Differentialrechnung für Funktionen von mehreren Variablen....... 1 1.1 Einführung und Beispiele.............................. 1 1.2
MehrBetrachtetes Systemmodell
Betrachtetes Systemmodell Wir betrachten ein lineares zeitinvariantes System mit der Impulsantwort h(t), an dessen Eingang das Signal x(t) anliegt. Das Ausgangssignal y(t) ergibt sich dann als das Faltungsprodukt
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrDie akustische Analyse von Sprachlauten.
Die akustische Analyse von Sprachlauten. Die Interpretation von Spektrogrammen. Jonathan Harrington IPDS, Kiel. Vom Zeitsignal zum Spektrum s t a m 1. Ein Teil vom Sprachsignal aussuchen: die Zeitauflösung
MehrKontrollfragen zum Skript Teil 1 beantwortet
Kontrollfragen zum Skript Teil 1 beantwortet Von J.S. Hussmann Fragen zu SW 1.1 Welche Vorteile hat die DSVB? Programmierbar Parametrierbar Reproduzierbar Wie heisst die Umwandlung eines Zeit-diskreten
MehrSignale und Systeme I
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme I Formelsammlung v.5 Inhaltsverzeichnis Mathematische Formeln. Trigonometrische
MehrVerzerrungsfreies System
Verzerrungsfreies System x(n) y(n) n n x(n) h(n) y(n) y(n) A 0 x(n a) A 0 x(n) (n a) h(n) A 0 (n a) H(z) A 0 z a Digitale Signalverarbeitung Liedtke 8.1.1 Erzeugung einer linearen Phase bei beliebigem
Mehr(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!)
Teil 1: Fragen und Kurzaufgaben (Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Frage 1 (6 Punkte) Es wird ein analoges
MehrHandy, Börse und Kristalle
Handy, Börse und Kristalle Neues aus der Welt der Analysis Seite 1 Handy, Börse und Kristalle Neues aus der Welt der Analysis Was empfängt ein Handy? Eine mathematische Lupe Ein Blick in die Börse... und
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 18 8. Januar 2010 Kapitel 5. Funktionen mehrerer Veränderlicher, Stetigkeit und partielle Ableitungen 5.2. Partielle Ableitungen von Funktionen
MehrNachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 4 Fourier-Transformation 3
MehrNachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 2 Zeitkontinuierliche
MehrKlausur: Höhere Mathematik IV
Prof. Dr. Josef Bemelmans Templergraben 55 52062 Aachen Raum 00 (Hauptgebäude) Klausur: Höhere Mathematik IV Tel.: +49 24 80 94889 Sekr.: +49 24 80 9492 Fax: +49 24 80 92323 bemelmans@instmath.rwth-aachen.de
MehrEinführung in die digitale Signalverarbeitung WS11/12
Einführung in die digitale Signalverarbeitung WS11/12 Prof. Dr. Stefan Weinzierl Musterlösung 11. Aufgabenblatt 1. IIR-Filter 1.1 Laden Sie in Matlab eine Audiodatei mit Sampling-Frequenz von fs = 44100
MehrArgumente für die diskrete Realisierung der Fourierintegrale
Argumente für die diskrete Realisierung der Fourierintegrale Die Fouriertransformation gemäß der Beschreibung in Kapitel 3.1 weist aufgrund der unbegrenzten Ausdehnung des Integrationsintervalls eine unendlich
MehrAdaptive LMS-Filter DSV, 2005/10, Rur, adaptive LMS-Filter, 1
Adaptive LMSFilter DSV, 2005/10, Rur, adaptive LMSFilter, 1 Ein Filter ist ein zeitvariantes System. kann Filterparameter an unbekannte Anforderungen anpassen mit rekursivem AdaptationsAlgorithmus (selfdesigning)
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrDifferentialgleichungen 2. Ordnung
Differentialgleichungen 2. Ordnung 1-E1 1-E2 Einführendes Beispiel Freier Fall Viele Geschichten ranken sich um den schiefen Turm von Pisa: Der Legende nach hat der aus Pisa stammende Galileo Galilei bei
Mehr4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung. 4. Dämpfungsmodelle. Elastodynamik 1 3.
4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung 4. Dämpfungsmodelle 3.4-1 4.1 Grundlagen Dämpfung ist ein Prozess, bei dem Energie dissipiert wird. Mechanische
MehrTechnische Beschreibung der akustischen Signalkette
Technische Beschreibung der akustischen Signalkette Wichtige Aufgabe: Vielfältige Medien Gestaltung akustischer Kommunikationsketten (Sprache, Geräusche, Musik, CD, Radio, mp3,...) Unterschiedlichste Information
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrEAH Jena Prüfungsaufgaben Prof. Giesecke FB ET/IT Filterentwurf WS 12/13
FB ET/IT Filterentwurf WS 2/3 Name, Vorname: Matr.-Nr.: Zugelassene Hilfsmittel: beliebiger Taschenrechner eine selbsterstellte Formelsammlung ein mathematisches Formelwerk Wichtige Hinweise: Ausführungen,
MehrProbeklausur 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
MehrAdaptive Differenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC)
Adaptive Dierenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC) Ziele Mit diesen rechnerischen und experimentellen Übungen werden die Anwendungen der DPCM mit einer Anpassung der
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
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
Mehr2. 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
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrEuropäisches Patentamt European Patent Office Office europeen des brevets A2. 0 Veröffentlichungsnummer: PATENTANMELDUNG EUROPAISCHE
0 Europäisches Patentamt European Patent Office Office europeen des brevets 0 Veröffentlichungsnummer: 0 308 817 A2 EUROPAISCHE PATENTANMELDUNG 0 Anmeldenummer: 88115139.3 int.ci.«:g10l 9/14 @ Anmeldetag:
MehrSiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:
/5 Fourier-Analyse (periodischer Signale) Grundlagen Ein periodisches, kontinuierliches Signal x(t) der Periodendauer kann als Fourier-Reihe beschrieben werden: wie folgt ( ) = c k x t + e j k 2πf t k=
MehrZusammenfassung : Fourier-Reihen
Zusammenfassung : Fourier-Reihen Theorem : Jede (nicht-pathologische) periodische Funktion läßt sich schreiben als "Fourier-Reihe" der Form: Vorzeichen ist Konvention, in Mathe : + Fourier-Transformation
Mehreinige Zusatzfolien für s Seminar
Signale und Systeme einige Zusatzfolien für s Seminar Dr. Mike Wolf, Fachgebiet Nachrichtentechnik Signale und Systeme Fourierreihe reelle Fourierreihe betrachtet wird ein periodisches Zeitsignal u p mit
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens SS2013 Inhalt Fourier Reihen Sehen wir in 2 Wochen Lösung der lin. Dgln.
MehrNun erinnern wir an die Konvention, dass die Komponenten von v V (bzgl. B) einen Spaltenvektor. v 1 v 2 v =
eim Rechnen mit Linearformen in V zusammen mit Vektoren in V ist es von Vorteil, mit der Dualbasis zu einer gewählten asis von V zu arbeiten Hierzu einige Erläuterungen Wie ede asis von V kann die Dualbasis
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrSignale und Systeme Ergänzungen zu den Spektraltransformationen
Signale und Systeme Ergänzungen zu den Spektraltransformationen Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute of Electrical
MehrDynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29
Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrDie Laplace-Transformation und ihre Anwendung in der Elektrotechnik
Die Laplace-Transformation und ihre Anwendung in der Elektrotechnik Jürgen Struckmeier j.struckmeier@gsi.de, www.gsi.de/ struck Vortrag im Rahmen des Winterseminars Aktuelle Probleme der Beschleuniger-
MehrAkustische Phonetik Teil 3. Uwe Reichel, Phil Hoole IPS, LMU München
Akustische Phonetik Teil 3 Uwe Reichel, Phil Hoole IPS, LMU München Inhalt! Vokalformanten: Weitere Anmerkungen! Nasale Konsonanten! Frikative Vokalformanten: Weitere Anmerkungen Ergebnisse typischer Formantmessungen
MehrSpektra von periodischen Signalen. Resonanz. Jonathan Harrington
Spektra von periodischen Signalen. Resonanz. Jonathan Harrington Spektrum von einem Zeitsignal Zeitsignal 1. Das Zeitsignal wird durch eine Fourier- Analyse in Sinusoiden zerlegt 2. Spektrum: die Abbildung
MehrKybernetik LTI-Systeme
Kybernetik LTI-Systeme Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 04. 2012 Was ist Kybernetik? environment agent Kybernetik ermöglicht, die Rückkopplung
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrFaltung und Korrelation kontinuierlicher Signale
Universität Koblenz Institut für integrierte Naturwissenschaften Abteilung Physik Faltung und Korrelation kontinuierlicher Signale Seminar Digitale Signalverarbeitung Dr. Merten Joost von Kristina Weyerhäuser
Mehr8 Laplace-Transformation
8 Laplace-Transformation Ausgangspunkt: Die Heaviside-Funktion für t < u(t) = 1 für t besitzt keine Fourier-Transformation. Denn: Formal bekommt man das unbestimmte Integral ^u(ω) = e iωτ dτ = 1 iω das
MehrDifferenzengleichungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Differenzengleichungen Dr. Thomas Zehrt Inhalt: 1. Einführungsbeispiele 2. Definition 3. Lineare Differenzengleichungen 1. Ordnung (Wiederholung)
MehrDigital Signal Processing
- for Master Study by TFH Bochum - Analog Signal I OO O I I I O O O Digital Signal Seite 1 Zielsetzung der Signalverarbeitung Analyse: H(t), H(f) Modellieren y(t) {} Physikalische Größe und Prozesse Synthese
Mehr