Spektralanalyse physiologischer Signale
|
|
- Timo Dunkle
- vor 6 Jahren
- Abrufe
Transkript
1 Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 - WS 2016/17
2 über mich Studium der Physik an U Stuttgart Promotion: Nichtlineare Dynamik in Gehirnsignalen Forschung in Neurowissenschaften in MPI für neuropsychologische Forschung Leipzig MPI für Mathematik in den Naturwissenschaften Leipzig Weierstrass Institut für Angewandte Analysis und Stochastik Berlin Humboldt Universität zu Berlin University of Ottawa / Kanada INRIA Nancy / Frankreich jetzt: Directeur de Recherche, Deutscher Wetterdienst Offenbach
3 Ihre Erwartungen an die Vorlesung? Programmierkenntnisse? Erfahrung mit Daten?
4 Übungsaufgaben: schriftlich oder in Form einer Präsentation Prüfung: bei ausreichender Beteiligung an Übungen mündlich, 30 Minuten
5 I. Einleitung II. Fourier Analyse III. Zeit-Frequenz Analyse
6 I. Einleitung II. Fourier Analyse III. Zeit-Frequenz Analyse
7 I.1. Rhythmen in der Natur I.2. Ursprung elektrischer Signale I.3. Sampling
8 I.1. Rhythmen in der Natur I.2. Ursprung elektrischer Signale I.3. Sampling
9 Chronobiologie: systeminterne biologische Rhythmen, z.bsp. bei Algen Tiere Zirbeldrüβe/ Epiphyse circadianer Rhythmus circadianer Rhythmus
10 andere physiologische Rhythmen: Herz-Rhythmus?
11 Beispiel: Gehirnaktivität
12 Beispiel: Anästhesie
13 Beispiel: Hypnose
14 Beispiel: Schlaf
15 Oszillatorische Aktivität ist omnipräsent in biologischen Systemen Oszillatorische Aktivität charakterisiert physiologischen Zustand Oszillatorische Aktivität widerspiegelt Interaktion von Untersystemen in biologischem System
16 I.1. Rhythmen in der Natur I.2. Ursprung elektrischer Signale I.3. Sampling
17 Ursprung gemessener Signale!!!! am Beispiel des Gehirns
18 Gehirnareale
19 Modell: Biologisches Neuron
20 Biologisches Neuron Modell: Messung (aus Segev and Schneidmann (1999) )
21 Biologisches Neuron Modell: Messung elektrisches Potential Aktionspotential Zeit (aus Segev and Schneidmann (1999) )
22 ein einzelnes Neuron
23 Wie entsteht elektrische Aktivität im Gehirn? einzelne Synapse AP synaptic bouton membrane induced current I(t) current source j induzierter Strom
24 Wie entsteht elektrische Aktivität im Gehirn? einzelne Synapse Summe von synaptischen Strömen AP synaptic bouton induced current I(t) membrane current source j induzierter Strom (aus Freeman, Int. J. Bif. Chaos (1992))
25 viele Neuronen: Population elektrischer Dipol (Nunez and Srinivasan, Electric Fields of the Brain: The Neurophysics of EEG (2006))
26 Elektroenzephalogram (EEG)
27 (Dank an Prof. Christoph Herrmann, University of Oldenburg)
28 Neuronale Aktivität, resultiert aus synaptischen Strömen Oszillatorische Aktivität: generiert in Einzelzellen oder in Populationen Ziel der Datenanalyse: Beschreibung von oszillatorischen neuronalen Prozessen im Gehirn
29 I.1. Rhythmen in der Natur I.2. Ursprung elektrischer Signale I.3. Sampling
30 Messung von Signalen analog : elektrische Potentiale / Ströme mechanische Amplituden akustische Signale Speicherung der Messdaten: Digitalisierung durch periodisches Registrieren
31 oszillatorisches Signal mit 1 Hz Sampling
32 oszillatorisches Signal mit 1 Hz Sampling
33 oszillatorisches Signal mit 1 Hz Sampling
34 f s > 2f signal! f signal <f s /2
35 f s > 2f signal! f signal <f s /2 kleinste Abtastfrequenz: Nyquist Frequenz f Nyquist =2f Signal
36 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov)
37 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) gegeben: kontinuierliche Funktion s(t)
38 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) gegeben: kontinuierliche Funktion s(t) s(t) enthält maximale Frequenz fm
39 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) gegeben: kontinuierliche Funktion s(t) s(t) enthält maximale Frequenz fm s(t) wird abgetastet mit Frequenz fs s(tn)
40 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) gegeben: kontinuierliche Funktion s(t) s(t) enthält maximale Frequenz fm s(t) wird abgetastet mit Frequenz fs s(tn) Vermutung: Informationsverlust durch Abtastung
41 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) gegeben: kontinuierliche Funktion s(t) s(t) enthält maximale Frequenz fm s(t) wird abgetastet mit Frequenz fs s(tn) Vermutung: Informationsverlust durch Abtastung gesucht: Abtastfrequenz, für welche Rekonstruktion von s(t) aus s(tn) (durch Interpolation) ohne Informationsverlust möglich ist.
42 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) Lösung:
43 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) Lösung: Abtastfrequenz fs > 2fm
44 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) Lösung: Abtastfrequenz fs > 2fm Grenz-Abtastfrequenz Nyquistfrequenz f Nyquist =2f m
45 Abtast-Theorem (Shannon/Nyquist/Whitaker/Kotelnikov) Lösung: Abtastfrequenz fs > 2fm Grenz-Abtastfrequenz Nyquistfrequenz f Nyquist =2f m oder: falls fs gegeben, dann fm < fs /2
46 Kommentar aus der Praxis f signal <f s /4
47 I. Einleitung II. Fourier Analyse III. Zeit-Frequenz Analyse
48 II. Fourier Analyse II.1. Grundlagen a) Koeffizienten b) Fourier Theorem II.2. Mögliche Fehler in der Fourier Analyse Aliasing Periodizität Spectral leakage II.3. Berechnung von Spektren
49 II. Fourier Analyse II.1. Grundlagen a) Koeffizienten b) Fourier Theorem II.2. Mögliche Fehler in der Fourier Analyse Aliasing Periodizität Spectral leakage II.3. Berechnung von Spektren
50 periodisches Signal 0 T 2T 3T 0 T 2T
51 0 T
52 0 T kleinste Frequenz: Δf = 1/T
53 0 T kleinste Frequenz: Δf = 1/T fn=nδf n N0
54 Fourieranalyse Jedes Signal, das periodisch in der Zeit ist mit Periode T, kann durch N Fouriermoden beschrieben werden s(t) = a N X n=1 a n cos 2 n T t + n mit den Koeffizienten a n und den Phasen n
55 Fourieranalyse Jedes Signal, das periodisch in der Zeit ist mit Periode T, kann durch N Fouriermoden beschrieben werden s(t) = a N X n=1 a n cos 2 n T t + n =2πfn=2πnΔf mit den Koeffizienten a n und den Phasen n
56 e i!t = cos(!t)+i sin(!t) mit :
57 e i!t = cos(!t)+i sin(!t) mit : s(t) = NX n= N c n e i 2 n T t, c n = a n 2 (cos( n)+i sin( n ))
58 mit e i!t = cos(!t)+isin(!t) : s(t) = NX n= N c n e i 2 n T t, c n = a n 2 (cos( n)+i sin( n )) mit Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt c n = c n (siehe Übungsblatt)
59 Beispiel: s(t) =a sin(2 t) t [0,T]
60 Beispiel: s(t) =a sin(2 t) t [0,T] = a 2i (ei2 t e i2 t )
61 Beispiel: s(t) =a sin(2 t) t [0,T] = a 2i (ei2 t e i2 t ) c n = 1 T Z T/2 T/2 a 2i e i2 t0 e i2 t0 e i2 nt0 /T dt 0
62 Beispiel: s(t) =a sin(2 t) t [0,T] = a 2i (ei2 t e i2 t ) c n = 1 T Z T/2 T/2 a 2i e i2 t0 e i2 t0 e i2 nt0 /T dt 0 = 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0
63 Beispiel: s(t) =a sin(2 t) t [0,T] = a 2i (ei2 t e i2 t ) c n = 1 T Z T/2 T/2 a 2i e i2 t0 e i2 t0 e i2 nt0 /T dt 0 = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 1 T Z T/2 T/2 e i2 f nt dt =?
64 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 e i2 f nt/2
65 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) e i2 f nt/2
66 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) = sin(2 f nt/2) f n e i2 f nt/2
67 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) e i2 f nt/2 = sin(2 f nt/2) f n 2 fnt/2=2 (n/t )T/2= n
68 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) e i2 f nt/2 = sin(2 f nt/2) f n 2 fnt/2=2 (n/t )T/2= n =0, n 6= 0
69 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) e i2 f nt/2 = sin(2 f nt/2) f n 2 fnt/2=2 (n/t )T/2= n =0, n 6= 0 = lim f n!0 T cos( f n T ) = T, n =0
70 Z T/2 T/2 e i2 f nt dt = 1 i2 f n e i2 f nt/2 = 2i i2 f n sin(2 f n T/2) e i2 f nt/2 = sin(2 f nt/2) f n 2 fnt/2=2 (n/t )T/2= n =0, n 6= 0 = lim f n!0 T cos( f n T ) = T, n =0
71 1 T Z T/2 T/2 e i2 f nt dt = n,0
72 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0
73 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 = m/t, a =1:
74 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 = m/t, a =1: = 1 2i ( n,m n, m)
75 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 = m/t, a =1: = 1 2i ( n,m n, m) c m = 1 2i
76 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 = m/t, a =1: = 1 2i ( n,m n, m) c m = 1 2i 1 i = a m(cos( m )+i sin( m ))
77 1 T Z T/2 T/2 e i2 f nt dt = n,0 c n = a 2iT Z T/2 T/2 e i2 ( n/t )t0 e i2 ( +n/t )t0 dt 0 = m/t, a =1: = 1 2i ( n,m n, m) c m = 1 2i 1 i = a m(cos( m )+i sin( m )) a m =1, m = 3 2
78 c m = 1 2i a m =1, m = /2
79 c m = 1 2i a m =1, m = /2 oder Re(c m )=Re(c m )=0 Im(c m )= Im(c m )= 1 c n6=m =0, n = N, N
80 c m = 1 2i a m =1, m = /2 oder Re(c m )=Re(c m )=0 Im(c m )= Im(c m )= 1 c n6=m =0, n = N, N für zeitlich kontinuierliche Signale: N beliebig
81 nun: Signal wird abgetastet mit Frequenz fs
82 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s
83 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n
84 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n T = N t
85 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n T = N t f = 1 T
86 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n T = N t f = 1 T = 1 N t
87 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n T = N t f = 1 T = 1 N t = f s N
88 nun: Signal wird abgetastet mit Frequenz fs t = 1 f s t! t n = n t, n =0,...,N s(t)! s(t n )=s n T = N t f = 1 T = 1 N t = f s N Anzahl der Frequenzen = Anzahl der Datenpunkte
89 falls nun Signal s(t) abgetastet wird mit Frequenz fs: s(t) =s(t k ), t k = k t t = 1 f s wie werden dann die Fourierkoeffizienten berechnet?
90 falls nun Signal s(t) abgetastet wird mit Frequenz fs: s(t) =s(t k ), t k = k t t = 1 f s wie werden dann die Fourierkoeffizienten berechnet? erst einmal gilt allgemein: Z b a f(t)dt MX f(t k ) t, t 1 = a, t N = b t k=1
91 dann berechnen sich die Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt zu
92 dann berechnen sich die Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt zu c n = M t t MX k=1 s(t k )e i 2 nk t M t, n =1,...,N
93 dann berechnen sich die Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt zu c n = M t t MX k=1 s(t k )e i 2 nk t M t, n =1,...,N = 1 M MX k=1 s(t k )e i2 f nk, f n = n/m
94 dann berechnen sich die Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt zu c n = M t t MX k=1 s(t k )e i 2 nk t M t, n =1,...,N = 1 M MX k=1 s(t k )e i2 f nk, f n = n/m diskrete Frequenz
95 dann berechnen sich die Koeffizienten c n = 1 T Z t+t t s(t)e i 2 n T t dt zu c n = M t t MX k=1 s(t k )e i 2 nk t M t, n =1,...,N = 1 M MX k=1 s(t k )e i2 f nk, f n = n/m diskrete Frequenz Discrete Fourier Transformation (DFT)
96 Annahme: N Zeitpunkte s(t) = N/2 X n= N/2 c n e i2 f nt
97 Annahme: N Zeitpunkte s(t) = N/2 X n= N/2 c n e i2 f nt s(t k )= N/2 X n= N/2 c n e i2 (n f)(k t)
98 Annahme: N Zeitpunkte s(t) = N/2 X n= N/2 c n e i2 f nt s(t k )= N/2 X n= N/2 c n e i2 (n f)(k t) = N/2 X n= N/2 c n e i2 nk( t/t )
99 Annahme: N Zeitpunkte s(t) = N/2 X n= N/2 c n e i2 f nt s(t k )= N/2 X n= N/2 c n e i2 (n f)(k t) = N/2 X c n e i2 nk( t/t ) n= N/2 = N/2 X n= N/2 c n e i2 nk/n DFT
100 Eigenschaften der Koeffizienten: c n = 1 M MX s(t k )e i 2 nk M n =1,...,N k=1
101 Eigenschaften der Koeffizienten: c n = 1 M MX s(t k )e i 2 nk M n =1,...,N k=1 da c n = 1 M MX 2 nk s(t k )e +i M = c n (s(t k )=s (t k )) k=1
102 Eigenschaften der Koeffizienten: c n = 1 M MX s(t k )e i 2 nk M n =1,...,N k=1 da c n = 1 M MX 2 nk s(t k )e +i M = c n (s(t k )=s (t k )) k=1 c n = p c n c n = p c nc n = c n
103 Eigenschaften der Koeffizienten: c n = 1 M MX s(t k )e i 2 nk M n =1,...,N k=1 da c n = 1 M MX 2 nk s(t k )e +i M = c n (s(t k )=s (t k )) k=1 c n = p c n c n = p c nc n = c n da c n = a n + ib n! a n = a n, b n = ib n
104 Eigenschaften der Koeffizienten: c n = 1 M MX s(t k )e i 2 nk M n =1,...,N k=1 da c n = 1 M MX 2 nk s(t k )e +i M = c n (s(t k )=s (t k )) k=1 c n = p c n c n = p c nc n = c n da c n = a n + ib n! a n = a n, b n = ib n tan( n )= b n! n = n a n
105 Real(DFTn) = Real(DFT-n) Imag(DFTn) = -Imag(DFT-n)
106 Beispiel s(t) =1.0 cos(2 1Hz t) a 1 =1.0,a n6=1 =0 T=1s, N=50, t=0.02s sample rate: 50Hz Nyquist rate: 25Hz (Fourier_0.m)
107 Realteil von cn a n 2 = Real(DFT n) N a n =2 Real(DFT n) N Imaginärteil von cn c 1 = 25/50! a 1 =1.0
108 Realteil von cn a n 2 = Real(DFT n) N a n =2 Real(DFT n) N Imaginärteil von cn c 1 = 25/50! a 1 =1.0 maximal 25 Fouriermoden wegen Abtasttheorem
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
MehrMessung & Darstellung von Schallwellen
Messung Digitalisierung Darstellung Jochen Trommer jtrommer@uni-leipzig.de Universität Leipzig Institut für Linguistik Phonologie/Morphologie SS 2007 Messung Digitalisierung Darstellung Überblick Messung
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
MehrDipl.-Ing. (TU) Jürgen Wemheuer
Dipl.-Ing. (TU) Jürgen Wemheuer wemheuer@ewla.de http://ewla.de 1 Statt kontinuierlicher (Amplituden-)Werte einer stetigen Funktion sind nur diskontinuierliche, diskrete Werte möglich (begrenzter Wertevorrat):
MehrLösungsblatt 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
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
MehrLongitudinale 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
MehrDie 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
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
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=
Mehr3. 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
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Verlustfreie universelle Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München, Medieninformatik
MehrTHz Physik: Grundlagen und Anwendungen
THz Physik: Grundlagen und Anwendungen Inhalt: 1. Einleitung 2. Wechselwirkung von THz-Strahlung mit Materie 3. Erzeugung von THz-Strahlung 3.1 Elektronische Erzeugung 3.2 Photonische Erzeugung 3.3 Nachweis
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
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...
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der 1. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Zeitdiskretes Signal Quantisiertes Signal Digitales Signal Kontinuierliches System Abtastsystem
MehrDynamische Lasten. 1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Allgemeine zeitabhängige Lasten 2.2 Periodische Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrElektrotechnik II: Kolloquium 4
Elektrotechnik II: Kolloquium 4 Digitalschaltungen Hubert Abgottspon: abgottspon@eeh.ee.ethz.ch Markus Imhof: imhof@eeh.ee.ethz.ch Inhalt des Kolloquium: Digitale Messkette Sensor 1) Filter S&H- Versträker
MehrEinführung in die Physik I. Schwingungen und Wellen 1
Einführung in die Physik I Schwingungen und Wellen O. von der Lühe und U. Landgraf Schwingungen Periodische Vorgänge spielen in eine große Rolle in vielen Gebieten der Physik E pot Schwingungen treten
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
Mehr4. Übung für Übungsgruppen Musterlösung
Grundlagenveranstaltung Systemtheorie WS 6/7 (H.S. Stiehl, AB Kognitive Systeme, FB Informatik der Universität Hamburg). Übung für Übungsgruppen Musterlösung (N. Stein, Institut für Angewandte Physik,
MehrFourier-Reihen: Definitionen und Beispiele
Fourier-Reihen: Definitionen und Beispiele Die Fourieranalysis beschäftigt sich mit dem Problem Funktionen in Kosinus und Sinus zu entwickeln. Diese Darstellungen sind in der Mathematik sowie in der Physik
MehrMathematik und Musik: Fourieranalyse
Mathematik und Musik: Fourieranalyse Matheseminar JKU Linz WS2015/16 Peter Gangl Linz 5. Februar 2016 1 / 20 Outline 1 Musik mathematisch betrachtet 2 2 / 20 Outline 1 Musik mathematisch betrachtet 2 2
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
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
MehrBehandlung 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
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
MehrPraxiswerkstatt Algorithmen der Signalcodierung
Praxiswerkstatt Algorithmen der Signalcodierung 2. Termin Themen heute: Abtastung Lineare Zeitinvariante Systeme Seite 1 Abtastung letztes Mal haben wir gesehen: 3,9 khz kaum noch hörbar bei 8 khz Abtastrate.
MehrErfüllt eine Funktion f für eine feste positive Zahl p und sämtliche Werte t des Definitionsbereichs die Gleichung
34 Schwingungen Im Zusammenhang mit Polardarstellungen trifft man häufig auf Funktionen, die Schwingungen beschreiben und deshalb für den Ingenieur von besonderer Wichtigkeit sind Fast alle in der Praxis
MehrEinführung in die Medieninformatik 1
Einführung in die Medieninformatik 1 Wintersemester 2007/08 Prof. Dr. Rainer Malaka, Digitale Medien Medieninformatik 1 1 Plan (vorläufig) 31.10. Einführung 7.11. Menschen: Wahrnehmung 14.11. Menschen:
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
MehrDie Digitalisierung von Musik
Die Digitalisierung von Musik 1 Analoges Speichern Speicherung von Musik auf einer LP Die Daten sind analog gespeichert Analysis 2 Digitale Datenerfassung 1.Sampling Das (akustische) elektrische Signal
MehrSignale und ihre Spektren
Einleitung Signale und ihre Spektren Fourier zeigte, dass man jedes in der Praxis vorkommende periodische Signal in eine Reihe von Sinus- und Cosinusfunktionen unterschiedlicher Frequenz zerlegt werden
Mehrf(t) = a 2 + darstellen lasst Periodische Funktionen.
7. Fourier-Reihen Viele Prozesse der Ingenieur- und Naturwissenschaften verlaufen periodisch oder annahernd periodisch, wie die Schwingungen einer Saite, Spannungs- und Stromverlaufe in Wechselstromkreisen
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrFourier - Transformation
Fourier - Transformation Kurzversion 2. Sem. Prof. Dr. Karlheinz Blankenbach Hochschule Pforzheim, Tiefenbronner Str. 65 75175 Pforzheim Überblick / Anwendungen / Motivation: Die Fourier-Transformation
MehrSpektralanalyse
4. Spektralanalyse Die Spektralanalyse ermittelt, welche Beiträge die einzelnen Frequenzen zu einem Signal liefern. Je nach Art des Zeitsignals wird der Frequenzgehalt durch die Fourier-Transformation,
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
MehrSinneswahrnehmungen des Menschen
Sinneswahrnehmungen des Menschen Tastsinn Gleichgewicht Geruch Sehen Gehör Sprache Aktion Multimedia - Kanäle des Menschen Techniken für Medien im Wandel Multimediale Kommunikation Text : Bücher, Zeitschriften
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
MehrDiskrete Fourier-Transformation
Universität Koblenz-Landau Institut für integrierte Naturwissenschaften Abteilung Physik Dozent: Dr. Merten Joost Seminar Digitale Signalverarbeitumg im Sommersemester 2005 Diskrete Fourier-Transformation
MehrDas EEG: Spontan-EEG und EKP
Das EEG: Spontan-EEG und EKP Biopsychologische Vertiefung Katja Bertsch Psychophysiologisches Labor Gliederung 1. EEG-Erhebung Labor Elektroden Artefakte 2. Spontan-EEG Frequenzbänder Fourier Transformation
MehrElektroenzephalografie - Frequenzanalyse und Synchronisation
Elektroenzephalografie - Frequenzanalyse und Synchronisation Michael Thiele Martin Heinzerling 17. Juni 2008 Inhaltsverzeichnis Einleitung Experimente Auswertung Synchronisation Appendix Arbeitsweise des
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
MehrNeuronale Kodierung. Jutta Kretzberg. Lehrprobe Oldenburg,
Neuronale Kodierung Jutta Kretzberg Lehrprobe Oldenburg, 2.10.2008 http://www.uni-oldenburg.de/sinnesphysiologie/download/lehrprobe.pdf Vorlesung zum Master-Modul Neurobiologie Neuroanatomie Neurophysiologie
MehrDigitale 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
MehrFourier- und Laplace- Transformation
Übungsaufgaben zur Vorlesung Mathematik für Ingenieure Fourier- und Lalace- Transformation Teil : Lalace-Transformation Prof. Dr.-Ing. Norbert Hötner (nach einer Vorlage von Prof. Dr.-Ing. Torsten Benkner)
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Verlustfreie universelle Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München Prof.
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrDer Ton macht die Musik
Der Ton macht die Musik Analyse von Tonsignalen mittels Fourier-Transformationen Teilnehmer: Tobias Berchner Holger Hesse Yasir Kaynar Dieu Thuy Linh Tran Viet Son Pham Jonas Pohl Henry Salfner Heinrich-Hertz-Oberschule,
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
MehrWB Wechselstrombrücke
WB Wechselstrombrücke Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Wechselstromwiderstand................. 2 2.2 Wechselstromwiderstand
Mehr5 Schwingungen und Wellen
5 Schwingungen und Wellen Schwingung: Regelmäßige Bewegung, die zwischen zwei Grenzen hin- & zurückführt Zeitlich periodische Zustandsänderung mit Periode T ψ ψ(t) [ ψ(t-τ)] Wellen: Periodische Zustandsänderung
MehrLösung 04 Klassische Theoretische Physik I WS 15/16. c n = 1 T. c n,u e inωt + c n,u e inωt] c n e inωt = c 0 +
Karlsruher Institut für Technologie Institut für theoretische Festkörperphysik www.tfp.kit.edu Lösung 4 Klassische Theoretische Physik I WS 5/6 Prof. Dr. G. Schön 2 Punkte Sebastian Zanker, Daniel Mendler
MehrÜbungen zu Physik 1 für Maschinenwesen
Physikdepartment E13 WS 2011/12 Übungen zu Physik 1 für Maschinenwesen Prof. Dr. Peter Müller-Buschbaum, Dr. Eva M. Herzig, Dr. Volker Körstgens, David Magerl, Markus Schindler, Moritz v. Sivers Vorlesung
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
MehrReell. u(t) Komplex u(t), Zeitabhängig Zeitunabhängig. u(t)e jωt. Reell Û. Elektrische Größe. Spitzenwert. Komplex Û. Reell U. Effektivwert.
Aufgaben Reell u(t) Elektrische Größe Zeitabhängig Zeitunabhängig Spitzenwert Effektivwert Komplex u(t), Reell Û Komplex Û Reell U Komplex U u(t)e jωt Institut für Technische Elektronik, RWTH - Aachen
Mehr1.3 Digitale Audiosignale
Seite 22 von 86 Abb. 1.2.12 - Wirkung der Schallverzögerung Effekte sind: Delay, Echo, Reverb, Flanger und Chorus Hört man ein akustisches Signal im Raum, dann werden die Signale von Wänden und anderen
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
Mehr3.4 Frequenzbereiche, Ultraschall
3.4 Frequenzbereiche, Ultraschall Frequenzbereich, Frequenzspektrum, Reflexion von Schallwellen, Anwendungen Bsp.: Ultraschalluntersuchungen, Farbdoppler für die Analyse von Strömungen (Herzklappenfunktion,
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
MehrMesstechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:
Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5
MehrElektrotechnik-Grundlagen Teil 2 Messtechnik
Version 1.0 2005 Christoph Neuß Inhalt 1. ZIEL DER VORLESUNG...3 2. ALLGEMEINE HINWEISE ZU MESSAUFBAUTEN...3 3. MESSUNG ELEMENTARER GRÖßEN...3 3.1 GLEICHSTROMMESSUNG...3 3.2 WECHSELSTROMMESSUNG...4 4.
MehrEinführung in die Robotik Analog-Digital und Digital-Analog Wandler
Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 5 2453 mohamed.oubbati@uni-ulm.de 3.. 22 Analog-Digital (A/D) Wandler Digital
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
MehrIntegrative Leistungen des ZNS, kortikale und thalamischer Verschaltung, Elektroenzephalographie (EEG)
Integrative Leistungen des ZNS, kortikale und thalamischer Verschaltung, Elektroenzephalographie (EEG) Teil 1 Dr. Dr. Marco Weiergräber Sommersemester 2006 1 Übersicht Aufbau des Neokortex Neurophysiologische
MehrGrundlagen neuronaler Aktivität
Grundlagen neuronaler Aktivität Physikalische Grundlagen der medizinischen Bildgebung Thorsten Rings Universität Bonn 23.6.2014 Thorsten Rings (Universität Bonn) Grundlagen neuronaler Aktivität 23.6.2014
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrBildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
MehrStochastic Sampling als Messprinzip
Stochastic Sampling als Messprinzip Ehrenkolloquium Frau Prof. Dr.-Ing. habil. Erika Müller 21.09.2012, Universität Rostock Holger Nobach Max-Planck-Institut für Dynamik und Selbstorganisation Göttingen
MehrGrundlagen der Schwingungslehre
Grundlagen der Schwingungslehre Einührung. Vorgänge, bei denen eine physikalische Größe in estem zeitlichen Abstand ein und denselben Werteverlau auweist, werden als periodisch bezeichnet. Den zeitlichen
MehrFourier-Reihen. Thomas Peters Thomas Mathe-Seiten 1. Dezember 2004
Fourier-Reihen Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de. Dezember 4 Dieser Artikel gibt eine elementare Einführung in die Theorie der Fourier-Reihen. Er beginnt mit einer kurzen Analyse des
MehrExkurs: Circadiane Rhythmik. Physiologie der Zeitumstellung
Exkurs: Circadiane Rhythmik Physiologie der Zeitumstellung Chronobiologie Die biologische Uhr circadiane Rhythmik Biologische Uhren sind Anpassungen des Organismus an zyklische Veränderungen der Umwelt
MehrVorkurs Mathematik Übungen zu Komplexen Zahlen
Vorkurs Mathematik Übungen zu Komplexen Zahlen Komplexe Zahlen Koordinatenwechsel Aufgabe. Zeichnen Sie die folgende Zahlen zunächst in ein (kartesisches) Koordinatensystem. Bestimmen Sie dann die Polarkoordinaten
MehrDas Nyquist-Shannon Theorem
Fachbereich Medieninformatik Hochschule Harz Das Nyquist-Shannon Theorem Referat Philip Lücke Matrikelnummer: 10070 Abgabe: 15.01.2007 Seite: 1 Inhaltsverzeichnis 1 Einleitung...3 2 Das Phänomen des stillstehenden
Mehr3.6 Analog-Digital-Umsetzung
3.6 AnalogDigitalUmsetzung 1 Abtastung von Signalen FlashUmsetzer (ParallelUmsetzer) Stufenumsetzer (Successive Approximation) Integrierende Umsetzer DeltaSigma Umsetzer Anhang Abtastung 2 Abtastung (Sampling):
MehrLösung zur Übung 4.5.1/1: 2005 Mesut Civan
Lösung zur Übung 4.5.1/1: 5 Mesut Civan x e t= x e [t t t 1 ] x a t=ht für x e t=t x a t= x e [ht ht t 1 ] x a t= x e [ht ht t 1 ] a) t 1 T e Da die Impulsdauer t 1 des Eingangsimpulses größer ist als
MehrVom Zeit- zum Spektralbereich: Fourier-Analyse
Vom Zeit- zum Spektralbereich: Fourier-Analyse Ergebnis der Analyse Zerlegung eines beliebigen periodischen Signals in einem festen Zeitfenster in eine Summe von Sinoidalschwingungen Ermittlung der Amplituden
MehrSignale 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?
MehrRauschen. Signalverarbeitung. Zur Erinnerung. Fourier theorem
verarbeitung 1. Klassifizierung und charakterisierung der e 2. verarbeitungskette Fourier theorem Rauschen f sinus t3 Rauschen: die gemessenen (als informationen dienenden) physikalischen Parameter, die
MehrExperimentalphysik II Elektromagnetische Schwingungen und Wellen
Experimentalphysik II Elektromagnetische Schwingungen und Wellen Ferienkurs Sommersemester 2009 Martina Stadlmeier 10.09.2009 Inhaltsverzeichnis 1 Elektromagnetische Schwingungen 2 1.1 Energieumwandlung
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrFunktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang; Fourier-
Kapitel 26 Fourier-Reihen 26.1 Einführung (Spektrum; harmonische Analyse; Periode einer Funktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang;
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München Prof. Hußmann
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
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
MehrDigitalisierung. Digitale Übertragung analoger Signale. störsicher (0/1-Codierung, Fehlerkorrektur) präzise (fixe unveränderliche Codeworte)
Digitale Übertragung analoger Signale Vorteile digitaler Übertragung störsicher (0/1-Codierung, Fehlerkorrektur) präzise (fixe unveränderliche Codeworte) Nachteiler digitaler Übertragung natürliche Signale
Mehr4.2 Der Harmonische Oszillator
Dieter Suter - 208 - Physik B3, SS03 4.2 Der Harmonische Oszillator 4.2.1 Harmonische Schwingungen Die Zeitabhängigkeit einer allgemeinen Schwingung ist beliebig, abgesehen von der Periodizität. Die mathematische
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
Mehr3. Magnetenzephalographie (MEG) & Elektroenzephalographie (EEG) 3.3. Rauschen und Artefakte
3. Magnetenzephalographie (MEG) & Elektroenzephalographie (EEG) 3.3. Rauschen und Artefakte Rauschen und Artefakte Information über Rauschen in einem Signal: Spektralanalyse Spektrale Leistungsdichte Frequenz
MehrKapitel 3: DFT und FFT
ZHAW, DSV1, FS2009, Rumc, 3-1 Inhaltsverzeichnis Kapitel 3 DFT und FFT 3.1. EINLEITUNG... 1 3.2. DISKRETE FOURIERTRANSFORMATION (DFT)... 2 3.3. EIGENSCHAFTEN DER DFT... 2 3.4. VERWANDTSCHAFT DER DFT MIT
MehrDämpfung. . Grundlagen. Viskose Dämpfung. Modale Dämpfung. Rayleigh-Dämpfung. Strukturdämpfung. Elastodynamik 2 SS
Dämpfung. Grundlagen. Viskose Dämpfung. Modale Dämpfung. Rayleigh-Dämpfung. Strukturdämpfung 5. Dämpfung 5-1 1. Grundlagen Dämpfung ist ein Prozess, bei dem Energie dissipiert wird. Mechanische Energie
Mehr