Kapitel 3: DFT und FFT
|
|
- Arthur Stieber
- vor 7 Jahren
- Abrufe
Transkript
1 ZHAW, DSV1, FS2009, Rumc, 3-1 Inhaltsverzeichnis Kapitel 3 DFT und FFT 3.1. EINLEITUNG DISKRETE FOURIERTRANSFORMATION (DFT) EIGENSCHAFTEN DER DFT VERWANDTSCHAFT DER DFT MIT DER FOURIERREIHE FILTERFUNKTION DER DFT LEAKAGE SCHNELLE FOURIERTRANSFORMATION (FFT) FFT VON REELLWERTIGEN SIGNALEN... 9 Literatur- bzw. Quellenverzeichnis [1] M. Meier Signalverarbeitung, ISBN , Vieweg Verlag, Oktober [2] A.V. Oppenheim, R.W. Schafer, J. R. Buck Zeitdiskrete Signalverarbeitung, 2., überarbeitete Auflage, ISBN , Pearson Studium, [3] W.H. Press, S.A. Teukolsky, W.T. Vetterling, B.P. Flannery, Numerical Recipes in C, ISBN , Cambridge University Press Download (einzelne Kapitel als PDF, kostenlos) http// Einleitung Das Fourierspektrum X(f) eines abgetasteten Signals x[n] = x(nt s ) ist periodisch und kann auch in Funktion der Abtastwerte x[n] ausgedrückt werden (siehe Kapitel 2) X j n2 f Ts ( f ) x[ n] e. (3.1) n In diesem Kapitel wird zuerst gezeigt, dass die diskrete Fouriertransformation (DFT) eine Näherung des Fourierspektrums X(f) in Gleichung (3.1) darstellt. Danach werden die Eigenschaften der DFT analysiert und die Verwandtschaft mit der komplexen Fourierreihe aufgezeigt. Ausgehend von der DFT wird dann die Fast Fourier Transformation (FFT) vorgestellt. Die FFT ist einer der wichtigsten Algorithmen der DSV.
2 ZHAW, DSV1, FS2009, Rumc, Diskrete Fouriertransformation (DFT) Ein Problem bei der praktischen Bestimmung des Fourierspektrums in (3.1) ist das Aufsummieren über unendlich viele Terme. Bei der DFT berücksichtigt man nur noch die N Abtastwerte x[0],..., x[n-1] in einem Zeitfenster bzw. window der Länge T DFT =NT s, d.h. N-1 jn 2 f Ts. (3.2) n=0 X(f ) x[n] e N bezeichnet man als Blocklänge. Die Näherung in (3.2) ist natürlich umso besser, je kleiner die vernachlässigten Abtastwerte sind. Aus N Abtastwerten können maximal N Frequenzwerte bestimmt werden. Bei der DFT bestimmt man deshalb nur die N äquidistanten Abtastwerte m f s /N, m=0,..., N-1, des Fourier- Spektrums X(f) im Intervall [0,f s ]. Wenn man in Gleichung (3.2) die kontinuierliche Variable f durch die diskrete Variable m f s /N, m=0,..., N-1, ersetzt, erhält man die DFT N-1 n=0 2 j mn N X[m] x[n] e m 0, 1,..., N 1 (3.3) Man kann zeigen, dass der folgende Ausdruck die inverse DFT bzw. die IDFT darstellt N j mn N x[n] X[m] e n 0, 1,..., N 1 (3.4) N m= Eigenschaften der DFT Die folgende Eigenschaft der DFT ist die (aller) Wichtigste! Die DFT berechnet aus N Abtastwerten x[n] in einem Zeitfenster der Länge T DFT = NT s N komplexe Spektralwerte im Frequenzbereich [0,f s ]. Die Frequenzauflösung ist also umgekehrt proportional zur Länge des Zeitfensters T DFT, d.h. Δf = f s / N = 1 / (N T s ) = 1/T DFT, (3.5) Eigentlich ist nur die erste Hälfte des DFT-Spektrums interessant, denn es gilt die Symmetrie wobei z* den konjugiert komplexen Wert von z darstellt. X*[N-m] = X[m], m=1,...,n-1, (3.6) Beispiel In Abbildung 3.1 ist die Zeitfenster-Sequenz x[n] dargestellt, die man erhält, wenn man die Stossantwort eines analogen RC-Tiefpass-Filters 1. Ordnung mit der Zeitkonstante t 0 =RC=10s mit der Abtastfrequenz f s =1 Hz im Zeitfenster 0...T DFT =NT s =32s abtastet. In Abbildung 3.1 ist auch das normierte 32-Punkt DFT-Betragsspektrum mit der Frequenzauflösung Δf=1/T DFT =1/32 Hz im Frequenzbereich [0,f s ] dargestellt.
3 ZHAW, DSV1, FS2009, Rumc, 3-3 RC = 10s δ(t) x a (t) f s = 1 Hz R C x[0],..., x[31] N=32 Punkt DFT Zeitbereich x a (t)=(1/t 0 ) e -t/to t 0 =RC=10s T s = 1 s Frequenzbereich T DFT = 32 s IX a (f)i = I1/(1+j2πf t 0 )I Δf = 1/T DFT = 1/32 Hz f s = 1 Hz Abbildung 3.1 Normiertes 32-Punkt-DFT-Betragsspektrum. Das DFT-Spektrum in der 1. Nyquistzone [0,f s /2] stimmt gut mit dem Amplitudengang des analogen RC-Tiefpass-Filters 1. Ordnung überein, weil beim Abtasten nur wenig Aliasing entsteht. Das DFT-Spektrum in Gleichung (3.3) ist diskret und periodisch. Ein periodisches Spektrum hat zur Folge, dass das Zeitsignal diskret, d.h. abgetastet, ist. Weiter hat ein diskretes Spektrum zur Folge, dass das Zeitsignal periodisch ist! Mit der DFT bestimmt man also das Spektrum der periodisch fortgesetzten Zeitfenster-Sequenz, d.h. x Np [n] =..., {x N [n+n]}, {x N [n]}, {x N [n-n]}, {x N [n-2n]},... X[n]/N (3.7) wobei n=0,..., N-1 und die Zeitfenster-Sequenz x N (n) in Gleichung (3.6) gegeben ist und aus N Abtastwerten einer Periode besteht. In Abbildung 3.2 ist ein Beispiel einer periodisch fortgesetzten Zeitfenster-Sequenz x Np [n] dargestellt.
4 ZHAW, DSV1, FS2009, Rumc, 3-4 Abbildung 3.2 Periodisch fortgesetzte Zeitfenster-Sequenz x Np [n], N=32. Die Definition der DFT in Gleichung (3.3) hat den Nachteil, dass die Spektralwerte mit zunehmendem N immer grösser werden. Diesen Sachverhalt erkennt man am einfachsten, wenn man die DC-Komponente X[0] für die DC-Folge x N [n]=1,..., 1, 0 n < N, betrachtet. Es bleibt dem Anwender überlassen, die entsprechende Normierung vorzunehmen. Normalerweise teilt man die Spektralwerte X[m] durch N, siehe Gleichung (3.7) Verwandtschaft der DFT mit der Fourierreihe Jede periodische Funktion x p (t) = x p (t-nt) kann als Fourierreihe dargestellt werden. Die komplexen Fourierkoeffizienten c n stellen dabei die Spektrallinien bei den Vielfachen der Grundperiode T dar. Tastet man die periodische Funktion x p (t) mit N Werten pro Periode T ab, d.h. T s =T/N bzw. f s =N/T, so erhält man das diskrete Signal x Np [n], dessen Spektrum aus dem Originalspektrum c n und Kopien bei Vielfachen der Abtastfrequenz f s besteht. Wenn beim Abtasten kein Aliasing entsteht, können die Spektrallinien c n gemäss Gleichung (3.7) mit der DFT berechnet werden, d.h. c n = X[n]/N, n=0,...,n/2. (3.8) Beispiel In Abbildung 3.3 sind N=8 Abtastwerte x[n] einer Periode T 0 des cos-signals x(t) = cos(2πf 0 t), f 0 = 1/T 0, und das zugehörige, normierte DFT-Spektrum X[n]/N dargestellt. Das periodische Signal x(t) kann mit Hilfe der Eulerformel wie folgt als (komplexe) Fourierreihe dargestellt werden x(t) = 0.5 e 2πfot +0.5 e -2πfot. Alle Fourierkoeffizienten c n sind Null, ausser c 1 =c -1 =0.5. Aus Abbildung 3.3 ist ersichtlich, dass die normierten 8-Punkt DFT-Werte mit den Fourierkoeffizienten c n, n = -3,...,3, übereinstimmen.
5 ZHAW, DSV1, FS2009, Rumc, 3-5 Zeitbereich N = 8 Abtastwerte x[n] einer Periode eines cos-signals Zeit / T 0 Frequenzbereich N = 8 Spektralwerte X[n]/N im Bereich [0,f s =N f 0 ] c[1] c[-1] c[0] c[2] c[3] c[-3] c[-2] Frequenz / f 0 f 0 f s =8f 0 Abbildung 3.3 Verwandtschaft normierte DFT mit komplexer Fourierreihe Filterfunktion der DFT Die Berechnung der einzelnen DFT-Werte X[m] in Gleichung (3.3) entspricht einer Filterung. In Abbildung 3.4 ist der normierte Betrag IX(5)I/N einer 40-Punkt-DFT eines mit f s =8 khz abgetasteten Cosinus-Signals x[n]=cos(2πf 0 nt s ), n=0,..., 39, dargestellt, wenn f 0 variiert wird. Die Frequenzauflösung Δf=f s /N=8000/40 Hz=200 Hz. Der DFT-Wert X(5) entspricht der Spektralkomponente bei 5 Δf = 1 khz. Für ein Cosinus-Signal der Frequenz f 0 = 1000 Hz resultiert wie erwartet IX(5)I/N = 0.5. Solange die Frequenz f 0 des Cosinus-Signals innerhalb des f=200 Hz breiten Behälters (engl. bin) um f 0 liegt, gilt IX(5)I/N 0.5. Liegt die Frequenz f 0 des Cosinus-Signals aber ausserhalb des f=200 Hz breiten Behälters um f 0, spricht die 1 khz Spektralkomponente kaum mehr an, d.h. IX(5)I/N << 0.5. Bei den (anderen) Vielfachen der Frequenzauflösung f gilt sogar IX(5)I/N=0. Dort sprechen die anderen DFT-Spektralfilter an.
6 ZHAW, DSV1, FS2009, Rumc, 3-6 x(t) = cos(2πf 0 t) f s =8 khz x[n] N=40 Punkt DFT X[5]/N Abbildung 3.4 Filterfunktion der DFT Leakage Mit der DFT wird das Spektrum der periodisch fortgesetzten Zeitfenster-Sequenz x Np [n] berechnet, siehe Gleichung (3.7). Wenn man die Fensterlänge unpassend wählt, kann es auf Grund der periodischen Fortsetzung zu Sprungstellen kommen, die im ursprünglichen Signal nicht enthalten waren. Das resultierende Spektrum weist dann zusätzliche, auslaufende Spektrallinien auf. Dieser Effekt wird leakage (Auslaufen) genannt. Der leakage-effekt kann vermindert werden, wenn die Zeitfenster-Sequenz x N [n] mit einem auslaufenden Fenster (Window) gewichtet wird. Dieses sogenannte Windowing werden wir beim Digitalfilterentwurf noch genauer kennen lernen. Beispiel In Abbildung 3.5 oben ist das Zeitfenster so gewählt worden, dass genau 5 Perioden eines 50 Hz-Sinus darin Platz haben. Bei der periodischen Fortsetzung entstehen keine Sprungstellen. Das Betragsspektrum weist nur 1 Frequenzkomponente auf, nämlich bei 50 Hz. In Abbildung 3.5 Mitte ist das Zeitfenster so gewählt worden, dass 4.75 Perioden eines 50 Hz-Sinus darin Platz haben. Bei der periodischen Fortsetzung entstehen Sprungstellen. Das Betragsspektrum weist neben der Frequenzkomponente bei 50 Hz noch weitere, auslaufende Frequenzkomponenten in der Nähe von 50 Hz auf (Leakage). In Abbildung 3.5 unten ist das Zeitfenster wieder so gewählt worden, dass 4.75 Perioden eines 50 Hz-Sinus darin Platz haben. Die Zeitfenster-Sequenz x N [n] ist in diesem Fall aber mit einem Hanning-Fenster der Länge N gewichtet worden. Im Betragsspektrum ist der Leakage-Effekt immer noch erkennbar, aber deutlich kleiner als in der Mitte rechts.
7 ZHAW, DSV1, FS2009, Rumc, 3-7 Abbildung 3.5 Leakage-Effekt bei der FFT, Betragsspektrum linear und in db, [1].
8 ZHAW, DSV1, FS2009, Rumc, Schnelle Fouriertransformation (FFT) Die Verarbeitungszeit für einen Algorithmus hängt wesentlich von der Anzahl Multiplikationen ab, die ein Rechner ausführen muss. Der Aufwand zur Berechnung der N Spektralwerte beträgt mit der DFT ca. N 2 komplexe Multiplikationen, siehe Gleichung (3.3). Cooley und Tukey haben 1965 die Fast Fourier Transformation entwickelt. Mit dem FFT- Algorithmus lassen sich die N DFT-Werte mit einem Aufwand von ca. N log 2 (N) komplexen Multiplikationen berechnen, was einer enormen Reduktion des Aufwands entspricht. Für eine Blocklänge von N=1024 zum Beispiel müssten mit der DFT ca. 1 Million Multiplikationen berechnet werden, während mit der FFT nur ca Multiplikationen anfallen. Es gibt allerdings Anwendungen (z.b. Detektion DTMF-Wählton), in denen nur wenige Spektralwerte interessieren. In diesen Anwendungen kann es durchaus vorteilhaft sein, mit der DFT die wenigen Spektralwerte direkt und nicht mit der FFT alle möglichen DFT-Werte zu berechnen. Mit dem Görtzel-Algorithmus [2] ist es z.b. möglich, einzelne DFT-Werte X[m 0 ] mit IIR-Filtern 1. bzw. 2. Ordnung rekursiv zu berechnen. Die Grundidee bei der FFT besteht darin, eine N-Punkt DFT in zwei N/2-Punkt DFTs aufzuteilen, eine über die geraden und eine über die ungeraden Abtastwerte. Im Folgenden nehmen wir der Einfachheit wegen an, dass N eine Zweierpotenz ist. Wenn man in der Definition (3.3) der DFT eine Aufteilung für die geraden und die ungeraden Abtastwerte x[2n] und x[2n+1] vornimmt, erhält man N/2-1 N/2-1 m2n m(2n 1) N N n=0 n=0, (3.9) X[m] x[2n] W x[2n+1] W m 0, 1,..., N 1 wobei der Term W N =e -j2π/n weight oder twiddle factor genannt wird und nur eine Funktion von N ist. W N weist die Symmetrie W N 2mn =W N/2 mn auf. Der Ausdruck (3.9) kann deshalb wie folgt vereinfacht werden, N/2-1 N/2-1 mn m mn N/ 2 N N/ 2 n=0 n=0. (3.10) X[m] x[2n] W W x[2n+1] W m 0, 1,..., N 1 Die beiden Summen oben stellen N/2-Punkt DFTs dar. Für die Berechnung von (3.10) sind jetzt aber nur noch 2 (N/2) 2 +N komplexe Multiplikationen erforderlich, statt N 2 für die DFT in der ursprünglichen Form. Diese Reduktion ist für grosse N (z.b. N=1024) bereits beträchtlich. Die beiden kurzen DFTs im Ausdruck (3.10) können nun sukzessive in DFTs halber Länge unterteilt werden, bis letztlich nur noch 2-Punkt-DFTs zu berechnen sind. Man bezeichnet FFT-Algorithmen, die die Eingangsfolge x[n] wie oben beschrieben in immer kürzere Teilfolgen unterteilen, decimation-in-time FFT-Algorithmen. Umgekehrt gibt es auch decimation-in-frequency Algorithmen, die die Ausgangsfolge X[n] in immer kürzere Teilfolgen unterteilen. In Abbildung 3.6 ist das Signalflussdiagramm zur Berechnung des FFT-Algorithmus für N=4 gemäss Gleichung (3.10) dargestellt. Die Addition ist mit zusammenlaufenden Pfaden dargestellt. Die Multiplikation mit 1 ist nicht speziell gekennzeichnet.
9 ZHAW, DSV1, FS2009, Rumc, 3-9 x[0] 00 => 00 x[2] 10 => 01 x[1] 01 => j -1 X[0] = (x[0]+x[2]) + (-j) 0 (x[1]+x[3]) X[1] = (x[0]-x[2]) + (-j) 1 (x[1]-x[3]) X[2] = (x[0]+x[2]) + (-j) 2 (x[1]+x[3]) x[3] 11 => 11-1 j X[3] = (x[0]-x[2]) + (-j) 3 (x[1]-x[3]) Abbildung 3.6 Signalflussdiagramm der 4-Punkt FFT mit Bitumkehr am Eingang. Das Spektrum kann in log 2 (N) unabhängigen Teilschritten mit Hilfe von je N/2 sogenannten butterflys berechnet werden. Es ist nur 1 Vektor mit N komplexen Speicherwerten erforderlich (in-place computation)! Die Eingangswerte sind seltsam sortiert und müssen umsortiert werden, was ein Bestandteil des Algorithmus ist. Die korrekte Reihenfolge erhält man, wenn man den Zeitindex n von x[n] binär darstellt und für die Speicherung rückwärts liest (bit-reversed-adressierung bzw. Bitumkehr, siehe Abbildung 3.6). Der FFT-Algorithmus ist so wichtig in der digitalen Signalverarbeitung, dass die meisten Numerikprogramme und DSP-Entwicklungsumgebungen FFT-Library-Routinen bereitstellen. In der Matlab Signal Processing Toolbox z.b. gibt es die Funktionen fft()und ifft(). In [3] gibt es gut dokumentierte C-Beispielprogramme für den Fall, dass keine Routinen zur Verfügung stehen FFT von reellwertigen Signalen (fakultativ) Eine N-Punkt FFT transformiert N komplexe Zeitwerte in N komplexe Spektralwerte. Dank der in-place Berechnung ist im Speicher nur 1 Vektor mit N komplexen Werten erforderlich. In der Praxis sind die meisten Zeitsignale x[n] aber reellwertig, denn sie repräsentieren zum Beispiel einen Spannungsverlauf in Funktion der Zeit. Selbstverständlich ist es möglich, mit einer N-Punkt FFT aus N reellen Zeitwerten N komplexe Spektralwerte zu berechnen. Dazu muss man im Speicher einfach die Imaginärteile der N Speicherwerte mit Null initialisieren, siehe Abbildung 3.7. reellwertiges Zeitsignal Re{x[0]} = x[0] Im{x[0]} = 0 Re{x[1]} = x[1] Im{x[1]} = 0 Re{x[N-1]} = x[n-1] Im{x[N-1]} = 0 N-Punkt FFT komplexes Spektrum Re{X[0]} Im{X[0]} Re{X[1]} Im{X[1]} Re{X[N-1]} Im{X[N-1]} Abbildung 3.7 N-Punkt FFT eines Zeitsignals x[n] mit N reellen Abtastwerten.
10 ZHAW, DSV1, FS2009, Rumc, 3-10 Man kann aber vermuten, dass man effizienter arbeiten kann. Tatsächlich gibt es 2 Verbesserungsmöglichkeiten Eine Verbesserungsmöglichkeit besteht darin, mit einer einzigen N-Punkt FFT gleichzeitig zwei N-Punkt Spektren von zwei verschiedenen, reellwertigen Zeitsignalen (z.b. linker und rechter Stereokanal) zu berechnen. Eine andere Verbesserungsmöglichkeit besteht darin, mit einer kurzen N/2-Punkt FFT ein grosses N-Punkt Spektrum eines reellwertigen Zeitsignals zu berechnen und so Rechenzeit und Speicherplatz zu sparen. N-Punkt FFT von 2 reellwertigen Zeitsignalen mit je N Abtastwerten Wir betrachten zuerst die gleichzeitige Berechnung von zwei N-Punkt Spektren X 1 [m] und X 2 [m] mit Hilfe einer einzigen N-Punkt FFT, siehe Abbildung 3.8. x 1 [0] x 1 [1] x 1 [N-1] x 2 [0] x 2 [1] x 2 [N-1] Re{y[0]} Im{y[0]} Packing Re{y[N-1]} Im{y[N-1]} x 1 [0] x 2 [0] x 1 [1] x 2 [1] x 1 [N-1] x 2 [N-1] Zeitbereich N-Punkt FFT Re{Y[0]} Im{Y[0]} Re{Y[1]} Im{Y[1]} Re{Y[N-1]} Im{Y[N-1]} Frequenzbereich Splitting X 1 [0] X 1 [1] X 1 [N-1] X 2 [0] X 2 [1] X 2 [N-1] Abbildung 3.8 Berechnung von zwei N-Punkt Spektren mit einer einzigen N-Punkt FFT. Im 1. Schritt bildet man aus den beiden verschiedenen, reellwertigen Zeitsignalen x 1 [n] und x 2 [n] der Länge N einen komplexen Inputvektor y[n] = x 1 [n] + j x 2 [n], n=0,...,n-1, (3.11) für die FFT, indem man die geraden Speicherzellen im FFT-Buffer mit x 1 [n], n=0,...,n-1, und die ungeraden Speicherzellen mit x 2 [n], n=0,...,n-1, füllt, siehe Abbildung 3.8. Im 2. Schritt berechnet man mit Hilfe der FFT aus den N komplexen Werten y[n], n=0,...,n-1, die N komplexen Spektralwerte Y[m], m=0,...,n-1. Wegen der Linearität der DFT gilt Y[m] = X 1 [m] + j X 2 [m]. (3.12) Die gewünschten Spektren X 1 [m] und X 2 [m] sind komplex und können deshalb nicht einfach durch Bildung des Realteils und des Imaginärteils in Gleichung (3.12) bestimmt werden, wie man vielleicht auf den ersten Blick vermuten mag. Um die beiden gewünschten Spektren X 1 [m] und X 2 [m] aus dem FFT-Spektrum Y[m] heraus zu trennen, werden im 3. Schritt deshalb die folgenden Summen gebildet (Y[m] + Y*[N-m])/2 = (X 1 [m] + j X 2 [m] + X 1 *[N-m] - j X 2 *[N-m])/2 (Y[m] - Y*[N-m])/2j = (X 1 [m] + j X 2 [m] - X 1 *[N-m] + j X 2 *[N-m])/2j (3.13)
11 ZHAW, DSV1, FS2009, Rumc, 3-11 wobei m=0,...,n-1. In Gleichung (3.13) stellt z* den konjugiert komplexen Wert von z dar. Ausserdem ist in der Umformung Gleichung (3.12) sowie die Identität (z 1 z 2 )* = z 1 * z 2 * verwendet worden. Für das N-Punkt FFT-Spektrum eines reellwertigen Zeitsignals x[n] gilt aber die Symmetrie wobei m = 0,..., N-1. X*[N-m] = X[m] (3.14) Durch Einsetzen von (3.14) in (3.13) erhält man die gewünschte Spektrumstrennung X 1 [m] = (Y[m] + Y*[N-m]) / 2 X 2 [m] = (Y[m] - Y*[N-m]) / 2j, (3.15) wobei m=0,...,n-1. Wegen der Symmetrie Y*[N]=Y[0] gilt für die DC-Werte insbesondere X 1 [0] = Re{Y[0]} und X 2 [0] = Im{Y[0]}. N/2-Punkt FFT eines reellwertigen Zeitsignals mit N Abtastwerten Wir betrachten nun die Berechnung eines N-Punkt Spektrums eines reellwertigen Zeitsignals x[n] mit Hilfe einer (kurzen) N/2-Punkt FFT, siehe Abbildung 3.9. y[0] y[1] y[n/2-1] x[0]=x e [0] x[1]=x o [0] x[2]=x e [1] x[3]=x o [1] x[n-2] =x e [N/2-1] x[n-1]=x o [N/2-1] N/2-Punkt FFT Re{Y[0]} Im{Y[0]} Re{Y[1]} Im{Y[1]} Re{Y[N/2-1]} Im{Y[N/2-1]} Zusammenfügen X[0] X[1] X[2] X[3] X[N-2] X[N-1] Zeitbereich Frequenzbereich Abbildung 3.9 Berechnung eines N-Punkt Spektrums mit einer N/2-Punkt FFT. Zuerst bildet man aus dem reellwertigen Zeitsignal x[n] der Länge N einen Eingangsvektor für die FFT mit N/2 komplexen Werten y[n] = x[2n] + j x[2n+1] = x e [n] + j x o [n], n=0,...,n/2-1, (3.16) indem man die geraden Speicherzellen im FFT-Buffer mit den geraden bzw. even-werten x e [n], n=0,...,n/2-1, und die ungeraden Speicherzellen mit den ungeraden bzw. odd-werten x o [n], n=0,...,n/2-1, füllt, siehe Abbildung 3.9. Dann berechnet man die N/2-Punkt FFT und erhält N/2 komplexe Spektralwerte Y[m] = X e [m] + j X o [m], m=0,...,n/2-1. (3.17) Das Spektrum Y[m] setzt sich aus dem even-spektrum X e [m] und dem odd-spektrum X o [m] zusammen. Gemäss Gleichung (3.10) kann das N-Punkt Spektrum X[m] aber aus den zwei N/2-Punkt-Spektren X e [m] und X o [m] wie folgt zusammengesetzt werden, X[m] = X e [m] + e j2πm/n X o [m], m=0,...,n/2-1. (3.18)
12 ZHAW, DSV1, FS2009, Rumc, 3-12 Verwendet man jetzt wieder die Symmetrie (3.14), kann man analog zur Herleitung oben zeigen, dass man das gewünschte Spektrum X[m] wie folgt bestimmen kann (siehe [2], [3]) wobei m=0,...,n-1. X[m] = 0.5 (Y[m] + Y*[N-m]) j (Y[m] - Y*[N-m]) e j2πm/n (3.19) In der Praxis nennt man die oben beschriebenen Verfahren manchmal etwas unpräzis komplexe FFT und reelle FFT. In [3] gibt es gut dokumentierte C-Beispielprogramme für den Fall, dass keine Routinen für die reelle FFT zur Verfügung stehen.
Kapitel 3: DFT und FFT
ZHW, DSV, 27/4, Rur&Hrt 3- ZHW, DSV, 27/4, Rur&Hrt 3-2 3.. Einleitung Das Fourierspektrum X(f) eines abgetasteten Signals x[n] = x(nt s ) ist periodisch und kann auch in Funktion der Abtastwerte x[n] ausgedrückt
MehrTest = 28 Punkte. 1: 2: 3: 4: 5: Punkte: Note:
ZHAW, DSV1, FS2010, Rumc, 1 Test 1 5 + 5 + 5 + 8 + 5 = 28 Punkte Name: Vorname: 1: 2: : 4: 5: Punkte: Note: Aufgabe 1: AD-DA-System. + 1 + 1 = 5 Punkte Das analoge Signal x a (t) = cos(2πf 0 t), f 0 =750
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Zeitdiskrete Signale Wintersemester 6/7 Kontinuierliche und diskrete Signale wertkontinuierlich wertdiskret Signal Signal Signal Signal zeitdiskret zeitkontinuierlich
MehrZHAW, DSV1, FS2010, Rumc, 1. H(z) a) Zeichnen Sie direkt auf das Aufgabenblatt das Betragsspektrum an der Stelle 1.
ZHAW, DSV, FS200, Rumc, DSV Modulprüfung 7 + 4 + 5 + 8 + 6 = 30 Punkte Name: Vorname: : 2: 3: 4: 5: Punkte: Note: Aufgabe : AD-DA-Umsetzung. + + +.5 +.5 + = 7 Punkte Betrachten Sie das folgende digitale
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=
MehrÜbung 3: Fouriertransformation
ZHAW, SiSy HS202, Rumc, Übung 3: Fouriertransformation Aufgabe Fouriertransformation Dirac-Impuls. a) Bestimmen Sie die Fouriertransformierte S(f) des Dirac-Impulses s(t) = δ(t) und interpretieren Sie
MehrDiskrete Fourier-Transformation und FFT. 1. Die diskrete Fourier-Transformation (DFT) 2. Die Fast Fourier Transform (FFT)
Diskrete Fourier-Transformation und FFT 2. Die Fast Fourier Transform (FFT) 3. Anwendungsbeispiele der DFT 1 Wiederholung: Fourier-Transformation und Fourier-Reihe Fourier-Transformation kontinuierlicher
MehrPuls-Code-Modulation. Thema: PCM. Ziele
Puls-Code-Modulation Ziele Mit diesen rechnerischen und experimentellen Übungen wird die Vorgehensweise zur Abtastung und linearen Quantisierung eines analogen Signals erarbeitet. Bei der Abtastung werden
MehrÜbung 4: Spektrogramm
ZHAW, DSV, FS2,. Einleitung Übung 4: Spektrogramm Mit einem Spektrogramm kann der zeitliche Verlauf des Spektrums von einem Signal dargestellt werden. Ein Spektrogramm besteht also aus vielen, sich allenfalls
MehrÜbungsaufgaben Digitale Signalverarbeitung
Übungsaufgaben Digitale Signalverarbeitung Aufgabe 1: Gegeben sind folgende Zahlenfolgen: x(n) u(n) u(n N) mit x(n) 1 n 0 0 sonst. h(n) a n u(n) mit 0 a 1 a) Skizzieren Sie die Zahlenfolgen b) Berechnen
MehrSchnelle Fouriertransformation (FFT)
Schnelle Fouriertransformation (FFT) Inhaltsverzeichnis 1 Schnelle Fouriertransformation (FFT)... 3 1.1 Das Realtime-Konzept der Goldammer-Messkarten... 3 1.2 Das Abtasttheorem oder Regeln für die Abtastung
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie eil B - Zeitdiskrete Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt Musterlösungen - Signalabtastung und Rekonstruktion...
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.006 Uhrzeit: 09:00 Uhr Zeitdauer: Stunden Hilfsmittel:
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
MehrFouriertransformation, z-transformation, Differenzenglei- chung
Kommunikationstechnik II 1.Übungstermin 31.10.2007 Fouriertransformation, z-transformation, Differenzenglei- Wiederholung: chung Als Ergänzung dieser sehr knapp gehaltenen Wiederholung wird empfohlen:
MehrRunde 9, Beispiel 57
Runde 9, Beispiel 57 LVA 8.8, Übungsrunde 9,..7 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 3..7 Angabe Seien y, z C N und c, d C N ihre Spektralwerte. Außerdem bezeichne (x k ) k die N - periodische
MehrRelevante Frequenztransformationen
Relevante Frequenztransformationen Medientechnologie IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Sommersemester 206 Andreas Unterweger (FH Salzburg) Relevante Frequenztransformationen
MehrDigitale Signalverarbeitung auf FPGAs
Digitale Signalverarbeitung auf FPGAs DFT: Diskrete Fouriertransformation (Grundlagen) Teil 1 Die Fourier-Familie 216 Dr. Christian Münker DFT: Überblick Die Fourier-Familie DFT: Komplex aber nicht kompliziert
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrAbtastung. Normalisierte Kreisfrequenz = DSP_9-Abtasttheorem 2
Abtasttheorem Abtastung xn [ ] = xnt ( ) = Acos( ωnt+ ϕ) = Acos( ωˆ n+ ϕ) s s Normalisierte Kreisfrequenz ωˆ = ωt s DSP_9-Abtasttheorem 2 Normalisierte Kreisfrequenz ω hat die Einheit rad/sec, ω ˆ = ωt
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
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
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrLösungsblatt 2 Signalverarbeitung
Fakultät für nformatik Übung zu Kognitive Systeme Sommersemester 208 S. Constantin (stefan.constantin@kit.edu) T. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 2 Signalverarbeitung Aufgabe : Faltung Abbildung
MehrDigitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation
Digitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation 30. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 11 und 12, Kammeyer & Kroschel (Absatz 8.4.1) Anwendungen
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
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Systemtheorie Teil A - Zeitkontinuierliche Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt 6 Musterlösungen Spektrum von Signalen 6. Approximation eines periodischen Signals
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 8: Leakage und Zero-Padding Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Betrag / db Einführung Ein über die DFT berechnetes Spektrum T A X n ist
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
MehrDigitale Signalverarbeitung
Karl-Dirk Kammeyer, Kristian Kroschel Digitale Signalverarbeitung Filterung und Spektralanalyse mit MATLAB-Übungen 6., korrigierte und ergänzte Auflage Mit 315 Abbildungen und 33 Tabellen Teubner Inhaltsverzeichnis
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 3067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 5.0.005 Uhrzeit: 09:00
MehrSpektrumanalyse. Inhalt. I. Einleitung 2. II. Hauptteil 2-8
Fachhochschule Aachen Campus Aachen Hochfrequenztechnik Hauptstudium Wintersemester 2007/2008 Dozent: Prof. Dr. Heuermann Spektrumanalyse Erstellt von: Name: Mario Schnetger Inhalt I. Einleitung 2 II.
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
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
Mehrund mit t in Sekunden wird mit einer Frequenz von 8000 Hz abgetastet. Die Abtastung beginnt bei t=0 mit dem Zeitindex n=0.
Aufgabe 1 Das periodische Signal x t) 0,5 sin(2 f t) 0,5 cos(2 f t) mit f 1000Hz und mit f 2000Hz ( 1 2 1 2 und mit t in Sekunden wird mit einer Frequenz von 8000 Hz abgetastet. Die Abtastung beginnt bei
MehrSpektrale Analyse Fourier Transformation
Spektrale Analyse Fourier Transformation Fragestellung: Bestimmung der Amplitude eines verrauschten Signals UU =? 2 Fragestellung: Bestimmung der Amplitude eines verrauschten Signals UU =? 3 Frequenz-Spektrum
Mehr5. Fourier-Transformation
5. Fourier-Transformation 5.1 Definition 5.2 Eigenschaften 5.3 Transformation reeller Funktionen 5.4 Frequenzbereich und Zeitbereich 2.5-1 5.1 Definition Definition: Die Fourier-Transformation einer Funktion
MehrSpektrum zeitdiskreter Signale
Spektrum zeitdiskreter Signale 1 Aufgabenstellung Mithilfe der Fouriertransformation können zeitkontinuierliche Signale in den Frequenzbereich transformiert werden, um die im Signal enthaltenen Frequenzanteile
MehrDiskrete Fourier Transformation (DFT): Zeitfenster, Frequenzauflösung, Fensterfunktionen
Diskrete Fourier Transformation (DFT): Zeitfenster, Frequenzauflösung, Fensterfunktionen Fourier-Analyse Zeitfenster DFT Zeit [s] 2 Frequenz [Hz] Fourier-Analyse Abtastintervall TT aa : Zeit zwischen zwei
MehrSignale und Systeme. Martin Werner
Martin Werner Signale und Systeme Lehr- und Arbeitsbuch mit MATLAB -Übungen und Lösungen 3., vollständig überarbeitete und erweiterte Auflage Mit 256 Abbildungen, 48 Tabellen und zahlreichen Beispielen,
MehrDigitale Verarbeitung analoger Signale
Digitale Verarbeitung analoger Signale Digital Signal Analysis von Samuel D. Stearns und Don R. Hush 7., durchgesehene Auflage mit 317 Bildern, 16 Tabellen, 373 Übungen mit ausgewählten Lösungen sowie
MehrÜbung 2: Spektrum periodischer Signale
ZHAW, SiSy, Rumc, Übung : Spektrum periodischer Signale Augabe Verschiedene Darstellungen der Fourierreihe. Betrachten Sie das periodische Signal s(t) = + sin(π t). a) Bestimmen Sie die A k - und B k -Koeizienten
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
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrDigitale Signalverarbeitung, Vorlesung 10 - Diskrete Fouriertransformation
Digitale Signalverarbeitung, Vorlesung 10 - Diskrete Fouriertransformation 23. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 10.1 und 11, Kammeyer & Kroschel (7.1-7.3) eues Thema in
MehrAufgabe 1 (20 Punkte)
Augabe 1 (20 Punkte) Es wird ein Sprachsignal x(t) betrachtet, das über eine ISDN-Teleonleitung übertragen wird. Das Betragsspektrum X() des analogen Signals kann dem nachstehenden Diagramm entnommen werden.
MehrSystemtheorie. Vorlesung 20: Eigenschaften der Fourier-Transformation. Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann
Systemtheorie Vorlesung 2: Eigenschaften der Fourier-Transformation Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Fourier-Transformation Eigenschaften der Fourier-Transformation Definitionsgleichungen
MehrÜbung 6: Analyse LTD-Systeme
ZHAW, DSV, FS2009, Übung 6: Analyse LTD-Systeme Aufgabe : Pol-Nullstellendarstellung, UTF und Differenzengleichung. Die folgenden Pol-Nullstellen-Darstellungen charakterisieren verschiedene LTD- Systeme,
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 - WS 2016/17 über mich Studium der Physik an U Stuttgart Promotion: Nichtlineare Dynamik in Gehirnsignalen Forschung in Neurowissenschaften
MehrA2.1: Gleichrichtung. Die Grafik zeigt das periodische Signal x(t). Legt man x(t) an den Eingang einer Nichtlinearität mit der Kennlinie
Abschnitt: 2.1 Allgemeine Beschreibung A2.1: Gleichrichtung Die Grafik zeigt das periodische Signal x(t). Legt man x(t) an den Eingang einer Nichtlinearität mit der Kennlinie so erhält man am Ausgang das
MehrGanzrationale Funktionen
Eine Dokumentation von Sandro Antoniol Klasse 3f Mai 2003 Inhaltsverzeichnis: 1. Einleitung...3 2. Grundlagen...4 2.1. Symmetrieeigenschaften von Kurven...4 2.1.1. gerade Exponenten...4 2.1.2. ungerade
MehrBeispiel-Klausuraufgaben Digitale Signalverarbeitung. Herbst 2008
Beispiel-Klausuraufgaben Digitale Signalverarbeitung Herbst 8 Zeitdauer: Hilfsmittel: Stunden Formelsammlung Taschenrechner (nicht programmiert) eine DIN A4-Seite mit beliebigem Text oder Formeln (beidseitig)
MehrMartin Meyer. Signalverarbeitung. Analoge und digitale Signale, Systeme und Filter 5. Auflage STUDIUM VIEWEG+ TEUBNER
Martin Meyer Signalverarbeitung Analoge und digitale Signale, Systeme und Filter 5. Auflage STUDIUM VIEWEG+ TEUBNER VII 1 Einführung 1 1.1 Das Konzept der Systemtheorie 1 1.2 Übersicht über die Methoden
MehrÜbungen zu Transformationen. im Bachelor ET oder EW. Version 2.0 für das Wintersemester 2014/2015 Stand:
Fachhochschule Dortmund University of Applied Sciences and Arts Institut für Informationstechnik Software-Engineering Signalverarbeitung Regelungstechnik IfIT Übungen zu Transformationen im Bachelor ET
MehrFH Jena FB Elektrotechnik/Informationstechnik Prof. Giesecke Prüfungsaufgaben Signalverarbeitung SS 2012
Name, Vorname: Matr.-Nr.: Wichtige Hinweise: Ausführungen, Notizen und Lösungen auf den Aufgabenblättern werden nicht gewertet. Vor der entsprechenden Lösung ist deutlich die dazugehörige Nummer der Aufgabe
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
MehrDigitale Signalverarbeitung
Daniel Ch. von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme 4. Auflage Mit 222 Bildern, 91 Beispielen, 80 Aufgaben sowie einer CD-ROM mit Lösungen
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
MehrFouriertransformationen DSP 1
Fouriertransformationen DSP Fourierreihe periodisch kontinuierlich (t), diskret (ω) jk t jkt xt () Xke Xk xt () e dt T T k k " Anhalten",, T T Periodendauer DSP Fouriertransformation aperiodisch kontinuierlich
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
MehrMusterklausur 1 zu Signal- und Systemtheorie I 5. Januar 2013
Institut für Kommunikationstechnik Prof. Dr. Helmut Bölcskei Musterklausur 1 zu Signal- und Systemtheorie I 5. Januar 2013 Bitte beachten Sie: Prüfungsdauer: 180 Minuten Erreichbare Punkte: 100 Als Hilfsmittel
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
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
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,
MehrFrequenzbewertung von Luftschallsignalen
04/17 von Luftschallsignalen Das menschliche Ohr empfindet Töne mit gleichem Schalldruck aber unterschiedlichen Tonhöhen unterschiedlich laut. Dieser frequenzabhängige Empfindlichkeitsverlauf des menschlichen
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum: 0.08.007 Uhrzeit: 09:00 Uhr Zeitdauer: Stunden Hilfsmittel:
MehrDigitale Signalverarbeitungssysteme II: Praktikum 2
Digitale Signalverarbeitungssysteme II: Praktikum 2 Emil Matus 10. Dezember 2010 Technische Universität Dresden Mobile Communications Systems Chair Tel.: +49 351 463 41021 Fax : +49 351 463 41099 Mail:
MehrDigitale Signalverarbeitung mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 4., durchgesehene und ergänzte Auflage Mit 180 Abbildungen und 76 Tabellen STUDIUM VIEWEG+ TEUBNER 1 Erste
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
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
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
MehrDigitale Signalverarbeitung. mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 3., vollständig überarbeitete und aktualisierte Auflage Mit 159 Abbildungen und 67 Tabellen Studium Technik
Mehr1 Diskrete Fourier Transformation. 2 Definition der Diskreten Fourier Transformation (DFT)
Diskrete Fourier Transormation Das Ausgangssignal eines nachrichtentechnischen Systems oder Verarbeitungsblocks lässt sich im Zeitbereich bei Kenntnis der Impulsantwort h(n) mit Hile der diskreten Faltung
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
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
MehrSignale und Systeme Spektraldarstellungen determinierter Signale (Teil 1)
Signale und Systeme Spektraldarstellungen determinierter Signale (Teil 1) Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Fakultät Elektrotechnik und Informationstechnik Digitale Signalverarbeitung
MehrKapitel 8: Zeitdiskrete Zufallssignale
ZHAW, DSV2, 2007, Rumc, 8-1 Kapitel 8: Zeitdiskrete Zufallssignale Inhaltsverzeichnis 1. STOCHASTISCHER PROZESS...1 2. STATISTISCHE EIGENSCHAFTEN EINER ZUFALLSVARIABLEN...2 3. STATISTISCHE EIGENSCHAFTEN
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
MehrKapitel 2: Fourieranalyse. Analoge, periodische Signale
ZHW, NM, 5/, Rur Kapitel : Fourieranalyse Analoge, periodische Signale Inhaltsverzeichnis. EINLEIUNG.... LINEARER MIELWER... 3. LEISUNG UND EFFEKIVWER...3 4. WINKELFUNKIONEN...3 5. FOURIERREIHE...4 6.
MehrZusammenfassung der 2. Vorlesung
Zusammenfassung der 2. Vorlesung Fourier-Transformation versus Laplace-Transformation Spektrum kontinuierlicher Signale Das Spektrum gibt an, welche Frequenzen in einem Signal vorkommen und welches Gewicht
Mehrπ soll mit Hilfe einer DFT spektral
Augabe 6 Das abgetastete Signal x( n) = 2 cos( 2 n ) sin( 2 π 3 n ) π soll mit Hile einer DFT spektral 4 8 analysiert werden. a) Geben Sie zunächst die Frequenz der Cosinusschwingung sowie die Frequenz
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
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 und Spektrenanalyse Protokoll 11
Fourierreihen und Spektrenanalyse Protokoll 11 Messtechnik II für KEB, TFH Berlin, Gruppe D 17. Januar 27 Torben Zech 738845 Martin Henning 73615 Abdurrahman Namdar 73968 Inhaltsverzeichnis 1 Grundgedanke
Mehr2. Fourier-Transformation
2. Fourier-Transformation Die Fourier-Transformation ist ein wichtiges Hilfsmittel für die dynamische Analyse linearer Systeme: Die Fourier-Transformierte der Antwort ist gleich dem Produkt der Fourier-Transformierten
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 21. Januar 2016 Definition 8.1 Eine Menge R zusammen mit zwei binären Operationen
MehrKapitel 9: Informationstheorie. 2. Entropie
ZHAW, NT, FS2008, Rumc, Kapitel 9: 2-1 Kapitel 9: Informationstheorie 2. Entropie Inhaltsverzeichnis 2.1. INFORATIONSQUELLEN...2 2.2. INFORATIONSGEHALT...3 2.3. INIALE ANZAHL BINÄRE FRAGEN...5 2.4. ENTROPIE
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
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:
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
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.00 Uhrzeit: 09:00
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
MehrPraktikum, NT 1: Spektrumsschätzung
Praktikum, NT 1: Spektrumsschätzung Versuchsentwurf: M.Sc., Dipl. Ing. (FH) Marko Hennhöfer, FG Nachrichtentechnik Version vom 4. Dezember 2007 1 1 Einführung und Motivation 1.1 Anwendung In der Praxis
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
Mehr6. Vorlesung. Systemtheorie für Informatiker. Dr. Christoph Grimm. Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main
6. Vorlesung Systemtheorie für Informatiker Dr. Christoph Grimm Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main Letzte Woche: Letzte Woche: 1.) Erweiterung von Fourier- zu Laplace-Transformation
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
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,
Mehr