Einführung in die MIMO-Technik: Räumliches Multiplexing. Luciano Sarperi,
|
|
- Theodor Keller
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die MIMO-Technik: Räumliches Multiplexing Luciano Sarperi,
2 Inhalt Überblick Multi-Antennen Systeme Was ist räumliches Multiplexing? Wann wird räumliches Multiplexing angewandt? Praktische Anwendung von räumlichem Multiplexing in kommerziellen Systemen Referenzen: [1] A. J. Paulraj, R. Nabar, D. Gore, Introduction to Space-Time Wireless Communications. Cambridge University Press, [2] E. Dahlman, S. Parkvall, J. Skold, 4G: LTE/LTE-Advanced for Mobile Broadband. Elsevier,
3 3 Überblick Multi-Antennen Systeme: Diversity und Beamforming Diversity Beamforming Reduziert Fading durch Verwendung unabhängiger Kanäle zur Übertragung derselben Information Diversity Gewinn Verbessert SNR beim Empfänger Grosser Antennen Abstand (3..10λ) Mehrere Antennen bei TX und/oder RX Maximiert Antennengewinn Richtung RX/TX Kein Diversity Gewinn Verbessert SNR beim Empfänger Kleiner Antennen Abstand (z.b. λ/2) Mehrere Antennen bei TX und/oder RX
4 Überblick Multi-Antennen Systeme: Räumliches Multiplexing Räumliches Multiplexing Erhöht Kapazität durch Verwendung von parallelen Datenströmen Nutzt unabhängige Multipfad und Fading Eigenschaften der einzelnen Kanäle Grosser Antennen Abstand (3..10λ) Mehrere Antennen bei TX und RX Auch spatial multiplexing (SM) genannt 4
5 Grundlagen Räumliches Multiplexing Signal Modell für N t = 2, N r = 2 Gesendetes Signal MIMO Kanal Additives Rauschen Empfangenes Signal Annahme: Frequency flat fading Kanal (Signalbandbreite < Kohärenz- Bandbreite) h 11 h 22 sind komplexe Skalare welche die flat fading Kanäle modellieren Gesendete Signale x 1 und x 2 enthalten unabhängige Datenströme Kanal bei Sender unbekannt, Kanal bei Empfänger bekannt 5 Empfangenes Signal: Empfänger invertiert MIMO Kanal: r 1 r 2 = h 11 h 12 h 21 h 22 x 1 x 2 + n 1 n 2 oder x = H 1 r = x + H 1 n r = Hx + n
6 Grundlagen Räumliches Multiplexing Wiederherstellung vom gesendeten Signal: MIMO Kanal Matrize H muss invertierbar sein H muss vollen Rang haben: Die Kolonnen oder Zeilen von H müssen linear unabhängig sein H = h 11 h 12 h 21 h 22 Bemerkungen Mit unabhängigem Multipfad und Fading Verhalten der einzelnen Kanäle h 11 h 22 hat H mit grosser Wahrscheinlichkeit vollen Rang. Somit kann der Kanal fast immer invertiert werden, aber das Rauschen kann bei schlecht konditioniertem H stark erhöht werden: x = x + H 1 n 6
7 Räumliches Multiplexing mit Kanal bei Sender und Empfänger bekannt Precoding und postcoding mit der Singular Value Decomposition (SVD) Precoding beim Sender und postcoding beim Empfänger mit der SVD Aufteilung vom MIMO Kanal in parallele unabhängige Kanäle Kanal Feedback vom Empfänger zum Sender nötig oder TDD Verfahren mit Nutzung der Kanal Reziprozität bei ausreichender Kohärenz Zeit der Kanäle SVD: H = USV H V H = V T ist die transponiert-konjugierte Matrix von V U und V sind unitär: U U H = U H U= I Nr und V V H = V H V=I Nt 7 S ist eine diagonale Matrix mit den Singulären Werten σ i von H auf der Hauptdiagonalen (σ i sind die Wurzeln der Eigenwerte von H H H), z.b. S= σ σ 2
8 Räumliches Multiplexing mit Kanal bei Sender und Empfänger bekannt Precoding und postcoding mit der Singular Value Decomposition (SVD) Precoding beim Sender: x = Vx Postcoding beim Empfänger: r = U H r Gesamtsystem (ohne Rauschen): r = U H Hx =U H (U S V H )V x = Sx H I I = 8 = σ 1 0 x 1 r 2 0 σ 2 x 2 Aufteilung vom MIMO Kanal H in parallele unabhängige Kanäle bestehend aus Singulärwerten σ i von H. Leistungsverteilung auf x 1 und x 2 kann optimiert werden r 1
9 Räumliches Multiplexing mit Kanal bei Sender und Empfänger bekannt Beispiel RX Antennen haben zu wenig Abstand: H ist nicht invertierbar, weil beide Empfangsantennen dasselbe Signal empfangen (keine unabhängigen Kanäle) = 9 r = Sx H = 1 j 1 j Rang H = 1 r 1 = 2 0 r Gesendetes Signal x 2 kann beim Empfänger nicht wiederhergestellt werden Abhilfe bei kleinem Antennenabstand: unterschiedlich polarisierte Antennen verwenden (typische Lösung bei Mobiltelefonen) x 1 x 2
10 10 P Spektrale Effizienz von Räumlichem Multiplexing Annahmen: Die totale Sendeleistung über alle Antennen ist auf P limitiert Die Rauschleistung pro Empfangspfad ist N Shannon-Hartley Theorem für die spektrale Effizienz: SE [Bit/s/Hz] = log 2 die Signal-Leistung beim Empfänger und N [W] die Rausch-Leistung Beispiel SISO Kanal SE = log 2 S=P 1 + P N N Beispiel 2x2 MIMO Kanal mit SVD precoding/postcoding («perfekter» MIMO Kanal mit Konditionszahl = 1) P 2 P 2 S=P/2 SE = 2log P 2N N N 1 + S N. S [W] ist
11 Spektrale Effizienz von Räumlichem Multiplexing Vergleich der SISO und 2x2 MIMO Beispiel Systeme Bei tiefem SNR: Kein Vorteil mit Räumlichem Multiplexing Diversity oder Beamforming verwenden um SNR zu erhöhen Bei hohem SNR und gut konditioniertem MIMO Kanal H: Räumliches Multiplexing verwenden, Kapazität skaliert proportional zu Anzahl TX Antennen 11
12 Praktische Implementation von Räumlichem Multiplexing Multipfad MIMO Kanal: Verwendung von OFDM Damit der MIMO Kanal H vollen Rang hat ist Multipfad Ausbreitung nützlich Kanal wird dann aber frequency selective wenn Signalbandbreite > Kohärenz-Bandbreite (Kanal bewirkt dann Faltung anstelle von skalarer Multiplikation, vorgestelltes MIMO Signalmodell gilt nicht mehr) Abhilfe: Sicherstellen Signalbandbreite < Kohärenz-Bandbreite, z.b. mit OFDM, welches viele schmalbandige Subcarriers verwendet (WLAN n, ac oder LTE) In OFDM gilt pro Subcarrier k das vorgestellte MIMO Kanalmodell für frequency flat fading Kanäle r(k) = H(k)x(k) + n(k) 12
Kapitel 2: MIMO-Systeme
Kapitel : MIMO-Systeme WCOM, - MIMO: Multiple Input Multiple Output Diversität: Vielfalt, Strategie zur Erhöhung der Ausfallsicherheit Referenzen [] Ke-Lin Du, M.N.S. Swamy, "Wireless Communication Systems",
MehrEin Überblick über MIMO- Systeme und deren Einsatzgebiete.
Fakultät Informatik - Institut für Technische Informatik - Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Hauptseminar Ein Überblick über MIMO- Systeme und deren Einsatzgebiete.
MehrBestimmung von MIMO-Kanalkapazitäten für unterschiedliche Antennenarchitekturen auf der Basis von breitbandigen Ausbreitungsmessungen
Bestimmung von MIMO-Kanalkapazitäten für unterschiedliche Antennenarchitekturen auf der Basis von breitbandigen Ausbreitungsmessungen Dirk Hampicke, Markus Landmann, Andreas Richter, Christian Schneider,
MehrBewertung eines MIMO Kanals White Paper
Bewertung eines MIMO Kanals White Paper Mehrantennentechniken sind ein wesentlicher Baustein moderner Mobilfunksysteme zur Erreichung der hochgesteckten Kapazitätsziele, d.h. flächendeckende und stabile
MehrAdvanced Business Intelligence. Advanced Networking. Artificial Intelligence. Campus Offenburg Badstraße 24, 77652
Advanced Business Intelligence Prerequisite english description Hours 4.0 Praktikum Data Mining Nr. E+I2118 Data Mining Nr. E+I2117 Advanced Networking Hours 4.0 Advanced Networking Nr. E+I2103 Praktikum
MehrÜberbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrWCOM2-Zwischenprüfung
ZHAW, Rumc, 1 WCOM2-Zwischenprüfung 24 Punkte Name: Vorname: 1: 2: 3: 4: 5: Punkte: Note: Achtung: Bitte begründen Sie jede Antwort kurz, es gibt sonst keine Punkte. Aufgabe 1: Zellularfunk. 5 Punkte Ein
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrSingulärwert-Zerlegung
Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1 Singulärwert-Zerlegung Zu jeder
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
MehrAuf und Ab im Mobilfunk
Auf und Ab im Mobilfunk Was die Übertragung von der Basisstation zu den Teilnehmern (Downlink) von der Gegenrichtung (Uplink) lernen kann Robert F.H. Fischer LEHRSTUHL FÜR INFORMATIONSÜBERTRAGUNG Laboratorium
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
Mehr802.11n Ein Ausblick. Wireless Treff Bern. Bruno Blumenthal
802.11n Ein Ausblick Wireless Treff Bern Bruno Blumenthal Übersicht Geschichte Anforderungen Stand heute TGnSync WWiSE Technologien Ausgangslage Man braucht immer mehr Bandbreite Proprietäre Erweiterungen
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrZHW, NTM, 2005/06, Rur 1. Übung 6: Funkkanal
ZHW, NTM, 2005/06, Rur 1 Aufgabe 1: Strahlungsdiagramme. Übung 6: Funkkanal Gegeben sind die Strahlungsdiagramme des (λ/2-) Dipols und des (λ/4-) Monopols (Stabantenne auf einer Grundfläche). Welche Antenne
MehrFunktechniken. Aktuelle Funktechniken
Funktechniken Ein Überblick Walter Berner Landesanstalt für Kommunikation Rottenburg-Baisingen 14. Mai 2009 Aktuelle Funktechniken Satellit WiMAX Mobilfunk GSM UMTS LTE Digitale Dividende Warum so viele?
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrSingulärwertzerlegung
LMU München Centrum für Informations- und Sprachverarbeitung WS 10-11: 13.12.2010 HS Matrixmethoden im Textmining Dozent: Prof.Dr. Klaus U. Schulz Referat von: Erzsébet Galgóczy Singulärwertzerlegung 1
MehrÜbung zu Drahtlose Kommunikation. 4. Übung
Übung zu Drahtlose Kommunikation 4. Übung 12.11.2012 Aufgabe 1 Erläutern Sie die Begriffe Nah- und Fernfeld! Nahfeld und Fernfeld beschreiben die elektrischen und magnetischen Felder und deren Wechselwirkungen
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrD-Link s Super G mit Smart Antenna MIMO-Technologie
D-Link s Super G mit Smart Antenna MIMO-Technologie Die neue Super G MIMO-Serie von D-Link bietet höchste Leistungsfähigkeit, maximale Reichweite und größtmögliche Kompatibilität. Die Produkte verfügen
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrOrthogonale und unitäre Matrizen
Proseminar zur linearen Algebra Veranstalter: Prof. Bogopolski TU-Dortmund Proseminarbeitrag von Daniela Kreft Studiengang: Mathematik(Diplom) Thema: Orthogonale und unitäre Matrizen Orthogonale und unitäre
MehrRandom-Access-Verfahren
Random-Access-Verfahren Random-Access, 1 Referenzen - D. Bertsekas, R. Gallager: Data Networks, Prentice-Hall, 1992. - Du, Swamy, "Wireless Communications Systems", S. 108, Cambridge, 2010. TDMA-, FDMA-
MehrErweiterung einer adaptiven OFDM-Übertragungsstrecke mit automatischer Modulationserkennung (AMC) in LabVIEW
mit automatischer Modulationserkennung (AMC) in LabVIEW 10. 05. 2017 Folie 1 Übersicht 1 Motivation und Ziel 2 Theoretischer Hintergrund 3 Implementierung und Test in LabVIEW 4 FPGA-Implementierung 5 Fazit
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrTEIL 1: Drahtlose optische Übertragung
TEIL 1: Drahtlose optische Übertragung Version vom 14. Oktober 2014 Dr. Mike Wolf, Fachgebiet Nachrichtentechnik Optische Telekommunikationstechnik II 1 Literatur: [1] J. G. Proakis and M. Salehi, Grundlagen
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrASTRONOMIE FH Astros Wintersemester 2015
Kurt.Niel@fh wels.at 12.10.2015 Vorlesungsreihe ASTRONOMIE FH Astros Wintersemester 2015 Kurt.Niel@fh wels.at 12.10.2015 Vorlesungsreihe ASTRONOMIE FH Astros Wintersemester 2015 Kurt.Niel@fh wels.at 12.10.2015
MehrASTRONOMIE FH Astros Wintersemester 2015
Kurt.Niel@fh wels.at 12.10.2015 Vorlesungsreihe ASTRONOMIE FH Astros Wintersemester 2015 Kurt.Niel@fh wels.at 12.10.2015 Vorlesungsreihe ASTRONOMIE FH Astros Wintersemester 2015 Kurt.Niel@fh wels.at 12.10.2015
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrÜberbestimmte Gleichungssysteme, Regression
Überbestimmte Gleichungssysteme, Regression 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas MUL 16. Mai 2013 C. Brand, E. Hausenblas 8. Vorlesung 1 / 19 Gliederung 1 Überbestimmte
MehrNTM1-Modul Schlussprüfung
ZHAW, NTM1, HS, 1 NTM1-Modul Schlussprüfung Name: 5 + 5 + 5 + 5 + 5 + 5 = 30 Punkte Vorname: 1: 2: 3: 4: 5: 6. Punkte: Note: Teilaufgaben sind möglichst unabhängig gehalten. Benutzen sie immer die Vorgaben!
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrHerzlich Willkommen zum Technologieforum OSMO am 16. &
Herzlich Willkommen zum Technologieforum OSMO am 16. & 17.09.2015 Agenda: - Standard LWL-Verbindung - Bidirektionale Übertragung - Wellenlängenmultiplexing - Coarse Wavelength Division Multiplex (CWDM)
MehrTelemetrie-Messtechnik Schnorrenberg
Telemetrie mit Diversity-Receiver 1. Diversity, Prinzip Die Übertragung hochfrequenter Signale sind grundsätzlich empfindlich gegenüber Reflexionen und Mehrfachausbreitung (Bild 1). Diese Mehrwegausbreitung
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrDas LTE-Netz für die Innenstadt Hannovers 25 Standorte, denn bei einem solchen Netz geht es nicht um Senderreichweite, sondern um die Bereitstellung a
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen LTE, Over the Top, White Spaces: Ausblick in die Zukunft des Fernsehens? Ulrich Reimers, Berlin, 3. September 2010 Long Term Evolution
MehrLineare Algebra. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 6, 017 1 Erinnerung: Lineare Gleichungssysteme LGS Der allgemeine Fall hat m lineare Gleichungen, n
MehrÜberblick über Duplex - und Multiple-Access - Verfahren
Überblick über Duplex - und Multiple-Access - Verfahren Teilnehmer 1 Teilnehmer 2 Teilnehmer 3 Roland Pfeiffer 4. Vorlesung Auswahl eines Air Interfaces Ihre Firma hat einen Frequenzbereich zugeteilt bekommen.
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrTutorübung zur Vorlesung Grundlagen Rechnernetze und Verteilte Systeme Übungsblatt 3 (6. Mai 10. Mai 2013)
Technische Universität München Lehrstuhl Informatik VIII Prof. Dr.-Ing. Georg Carle Dipl.-Ing. Stephan Günther, M.Sc. Nadine Herold, M.Sc. Dipl.-Inf. Stephan Posselt Tutorübung zur Vorlesung Grundlagen
MehrVorwort 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
MehrAmateur Fernsehen. im Bereich
Amateur Fernsehen im Bereich 6cm, 5.65-5.85 GHz Projekt 6cm FM-ATV Beim Stöbern im Internet stieß ich auf Komponenten aus dem Modellbaubereich, welche in mir den Drang weckten, diese in irgend einer Form
MehrLineare Algebra. Beni Keller SJ 16/17
Lineare Algebra Beni Keller SJ 16/17 Matritzen Einführendes Beispiel Ein Betrieb braucht zur Herstellung von 5 Zwischenprodukten 4 verschiedene Rohstoffe und zwar in folgenden Mengen: Z 1 Z 2 Z Z 4 Z 5
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
MehrSpektrum und Bandbreite
Spektrum und Bandbreite 0.0 0 1f 2f 3f 4f 5f 6f Spektrum: Bandbreite: Grundlagen der Rechnernetze Physikalische Schicht 12 Aperiodische Signale in der Frequenzdomäne Bildquelle: de.wikipedia.org/wiki/frequenzspektrum
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrLineare Algebra Zusammenfassung
Lineare Algebra Zusammenfassung Gruppen, Körper, Vektorräume Gruppen Def.: Eine Gruppe (G, )besteht aus einer nicht-leeren Menge G und einer Verknüpfung zwischen Elementen dieser Gruppe. Folgende Eigenschaften
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
MehrKanalkapazität. Gestörter Kanal. Grundlagen der Rechnernetze Physikalische Schicht 25
Kanalkapazität Gestörter Kanal Grundlagen der Rechnernetze Physikalische Schicht 25 Signalstärken und Dämpfung Spannung U, Strom I, Leistung P und Energie E: Dämpfung Signalstärke Distanz Grundlagen der
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 212 Determinanten Hans Walser: Modul 212, Determinanten ii Modul 212 für die Lehrveranstaltung Mathematik 2 für Naturwissenschaften Sommer 2003 Probeausgabe
MehrGigabit im WLAN 802.11ac. 2014 D-Link (Deutschland) GmbH, Schwalbacher Straße 74, DE-65760 Eschborn
Gigabit im WLAN 802.11ac Was erwartet Sie? Was ist neu bei 802.11ac Veränderungen bestehender Technologien Erweiterungen und neue Funktionen Veränderungen durch 5 GHz Durch AC kommt 5 GHz immer mit Jetzt
MehrComputergrafik Inhalt Achtung! Kapitel ist relevant für CG-2!
Computergrafik Inhalt Achtung! Kapitel ist relevant für CG-2! 0 2 3 4 5 6 7 8 Historie, Überblick, Beispiele Begriffe und Grundlagen Objekttransformationen Objektrepräsentation und -Modellierung Sichttransformationen
MehrMathematik für Betriebswirte I (Lineare Algebra) 1. Klausur Wintersemester 2013/
Mathematik für Betriebswirte I (Lineare Algebra). Klausur Wintersemester 20/204 06.02.204 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:... Vorname:... Matrikelnummer: Studienfach:... Name des
Mehr4 Matrizenrechnung. Beide Operationen geschehen also koeffizientenweise. Daher übertragen sich die Rechenregeln von K(m n, k).
4 Matrizenrechnung Der Vektorraum der m n Matrizen über K Sei K ein Körper und m, n N\{0} A sei eine m n Matrix über K: a a 2 a n a 2 a 22 a 2n A = = (a ij) mit a ij K a m a m2 a mn Die a ij heißen die
Mehr4.3 OFDM (Variante mit Cyclic Prefix) Dr. Mike Wolf, Fachgebiet Nachrichtentechnik Drahtlose Nachrichtenübertragung 65
(Variante mit Cyclic Prefix) Dr. Mike Wolf, Fachgebiet Nachrichtentechnik Drahtlose Nachrichtenübertragung 65 (Variante mit Cyclic Prefix) zeitkontinuierliches Sendesignal ohne CP Bitrate: R b (Bitrate
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrKlausurähnliche Aufgaben
Sommersemester 2007/08 Lineare Algebra Klausurähnliche Aufgaben Aufgabe 1 Seien v 1, v 2, v 3, v 4, v 5, v 6 die Vektoren in R 5 mit v 1 = (1, 2, 3, 1, 2), v 2 = (2, 4, 6, 2, 4), v 3 = ( 1, 1, 3, 0, 3),
MehrLineare Algebra I/II LVA ,
Lineare Algebra I/II LVA 401-1151-00,401-1152-00 Prof. G. Wüstholz, C. Fuchs Lösungen zur Basisprüfung, HS08/FS09 09.02.2010 1. a) (1 Punkt) Wir beginnen mit dem charakteristischen Polynom der Matrix A:
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
MehrLineare Algebra. 13. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch January 2, 27 Erinnerung Berechnung von Eigenwerten und Eigenvektoren Gegeben: A E n n (falls F : V V lineare Abbildung gegeben ist,
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrMathematik I. Vorlesung 14. Rang von Matrizen
Prof Dr H Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 14 Rang von Matrizen Definition 141 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von den Spalten
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
MehrKanalkapazität. Grundlagen der Rechnernetze Physikalische Schicht 25
Kanalkapazität Gestörter t Kanal Grundlagen der Rechnernetze Physikalische Schicht 25 Signalstärken und Dämpfung Spannung U, Strom I, Leistung P und Energie E: Dämpfung Signalstärk ke Distanz Grundlagen
Mehr6 Die Schursche Normalform und einige Klassen von Matrizen
ME Lineare Algebra HT 28 111 6 Die Schursche Normalform und einige Klassen von Matrizen 61 Die Schur-Normalform und Hauptvektoren Für nichtdiagonalisierbare Matrizen gibt es andere Normalformen: Jordan-
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrTensoren in der Datenanalyse
Tensoren in der Datenanalyse Edgar Tretschk Universität des Saarlandes 2. Dezember 2015 1 Inhalt 1 Grundlagen 2 Singulärwertzerlegung 3 Ziffernerkennung 4 Bewegungsabläufe 2 Tensoren als mehrdimensionale
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrMatrixzerlegungen. Überbestimmte Systeme
Matrixzerlegungen. Überbestimmte Systeme 6. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 27. März 2014 Gliederung 1 Matrixzerlegungen Links-Rechts-Zerlegung
Mehr