Kommunikationstechnik II Wintersemester 07/08
|
|
- Rudolph Boer
- vor 7 Jahren
- Abrufe
Transkript
1 Kommunikationstechnik II Wintersemester 07/08 Prof. Dr. Stefan Weinzierl Musterlösung: 2. Aufgabenblatt 1. Aufgabe: Abtastung a) Simulieren Sie mit Matlab zwei Cosinussignale der Länge 1 s mit den Frequenzen 1 khz und 7 khz. Tasten Sie die beiden Signale mit einer Abtastfrequenz von 8 khz ab und vergleichen Sie die Abtastfolgen. % Abtastfrequenz und Zeitvektor fs1 = 8000; t1 = [0:1/fs1:1-1/fs1]; % Abtastung zweier Signale mit Frequenz 1 khz bzw. 7 khz f1 = 1000; y1 = cos(2*pi*f1*t1); f2 = 7000; y2 = cos(2*pi*f2*t1); % Plot über zwei Perioden des 1-kHz-Signals index1 = (fs1/f1)*2; subplot(2,1,1), stem(t1(1:index1),y1(1:index1)) xlabel('t [s]'), ylabel('y(t)') title('abtastfolge 1-kHz-Cosinussignals, fs = 8 khz') subplot(2,1,2), stem(t1(1:index1),y2(1:index1)) title('abtastfolge 7-kHz-Cosinussignals, fs = 8 khz') xlabel('t [s]'), ylabel('y(t)') Abbildung 1 sound(y1,fs1) pause(1)
2 sound(y2,fs1) Es zeigt sich, dass die beiden Abtastfolgen nicht zu unterscheiden sind. Dies liegt daran, dass das 7-Hz-Signal mit 8 khz unterabgetastet wird. Das Abtasttheorem f S > 2 f max wird nicht eingehalten. Die Spiegelfrequenz, welche durch die Abtastung entsteht, liegt exakt bei 8 khz - 7 khz = 1 khz. Die Uneindeutigkeit zeigt sich auch beim Probehören. b) Wiederholen Sie den Versuch für die Abtastfrequenzen 9 khz und 44,1 khz. % neue Abtastfrequenz = 9 khz und zugehöriger Zeitvektor fs2 = 9000; t2 = [0:1/fs2:1-1/fs2]; % Abtastung zweier Signale mit Frequenz 1 khz bzw. 7 khz f3 = 1000; y3 = cos(2*pi*f1*t2); f4 = 7000; y4 = cos(2*pi*f2*t2); % neue Abtastfrequenz = 44,1 khz und zugehöriger Zeitvektor fs3 = 44100; t3 = [0:1/fs3:1-1/fs3]; % Abtastung zweier Signale mit Frequenz 1 khz bzw. 7 khz f5 = 1000; y5 = cos(2*pi*f5*t3); f6 = 7000; y6 = cos(2*pi*f6*t3); % Plot über zwei Perioden des 1-kHz-Signals index2 = (fs2/f3)*2; index3 = round((fs3/f5)*2); subplot(2,2,1), stem(t2(1:index2),y3(1:index2)) xlabel('t [s]'), ylabel('y(t)') title('abtastfolge eines 1-kHz-Cosinussignals, fs = 9 khz') subplot(2,2,3), stem(t2(1:index2),y4(1:index2)) xlabel('t [s]'), ylabel('y(t)') title('abtastfolge eines 7-kHz-Cosinussignals, fs = 9 khz') subplot(2,2,2), stem(t3(1:index3),y5(1:index3)) xlabel('t [s]'), ylabel('y(t)') title('abtastfolge eines 1-kHz-Cosinussignals, fs = 44,1 khz') subplot(2,2,4), stem(t3(1:index3),y6(1:index3)) xlabel('t [s]'), ylabel('y(t)') title('abtastfolge eines 7-kHz-Cosinussignals, fs = 44,1 khz') sound(y3,fs2) pause(1) sound(y4,fs2) pause(1) sound(y5,fs3) pause(1) sound(y6,fs3) % 1 khz mit 9 khz abgetastet % 7 khz mit 9 khz abgetastet % 1 khz mit 44,1 khz abgetastet % 7 khz mit 44,1 khz abgetastet
3 Abbildung 2 Die beiden Abtastfolgen unterscheiden sich zwar bei einer Abtastung mit 9 khz, das 7-kHz-Signal ist aber immer noch unterabgetastet. Erst bei einer Abtastrate größer als die doppelte Signalfrequenz (in diesem Fall 44,1 khz) können beide Signale eindeutig rekonstruiert werden (Abtasttheorem). Eine Hörkontrolle macht dies deutlich. c) Stellen Sie alle drei Signalpaare im Frequenzbereich dar mit 0 f f s. Diskutieren Sie die Ergebnisse. % Normierte Darstellung im Frequenzbereich von 0 bis fs Y1=abs(fft(y1))/max(abs(fft(y1))); Y2=abs(fft(y2))/max(abs(fft(y2))); Y3=abs(fft(y3))/max(abs(fft(y3))); Y4=abs(fft(y4))/max(abs(fft(y4))); Y5=abs(fft(y5))/max(abs(fft(y5))); Y6=abs(fft(y6))/max(abs(fft(y6))); N1 = length(y1); N2 = length(y3); N3 = length(y5); f_index1 = [0:fs1/N1:fs1-1]; f_index2 = [0:fs2/N2:fs2-1]; f_index3 = [0:fs3/N3:fs3-1]; subplot (2,3,1), plot(f_index1,20*log10(abs(y1))) title('betragsspektrum eines 1-kHz-Cosinussignals, fs = 8 khz') axis([ ]) subplot (2,3,4), plot(f_index1,20*log10(abs(y2))) title('betragsspektrum eines 7-kHz-Cosinussignals, fs = 8 khz') axis([ ]) subplot (2,3,2), plot(f_index2,20*log10(abs(y3))) title('betragsspektrum eines 1-kHz-Cosinussignals, fs = 9 khz')
4 axis([ ]) subplot (2,3,5), plot(f_index2,20*log10(abs(y4))) title('betragsspektrum eines 7-kHz-Cosinussignals, fs = 9 khz') axis([ ]) subplot (2,3,3), plot(f_index3,20*log10(abs(y5))) title('betragsspektrum eines 1-kHz-Cosinussignals, fs = 44,1 khz') axis([ ]) subplot (2,3,6), plot(f_index3,20*log10(abs(y6))) title('betragsspektrum eines 7-kHz-Cosinussignals, fs = 44,1 khz') axis([ ]) Abbildung 3 Die Betragspektren zeigen, was bereits im Zeitbereich bzw. beim Hören deutlich wurde: Die Spektren aus Aufgabe a) unterscheiden sich nicht. Werden die Signale mit 9 khz abgetastet, so ergeben sich zwar unterschiedliche Spektren, beim 7-kHz- Signal erscheint aber trotzdem eine Spiegelfrequenz unter der Signalfrequenz (9 khz - 7 khz = 2 khz), sodass diese als Grundton aufgefasst wird. Um dieses Aliasing zu vermeiden, muss vor der Abtastung ein Tiefpassfilter eingesetzt werden (Anti- Aliasing-Filter), das Signalanteile oberhalb f S /2 (Nyquistfrequenz) unterdrückt. Bei einer Abtastung mit 44,1 khz ergeben sich zwar auch Spiegelfrequenzen bei f S - f, allerdings erscheinen diese oberhalb der höchsten Nutzfrequenz, und sie sind nicht mehr hörbar. Für die in diesem Fall durch das Hörvermögen hervorgerufene Filterung sorgt im Allgemeinen ein Rekonstruktionstiefpassfilter mit einer Grenzfrequenz bei f S /2. Es zeigt sich, dass die Rauschpegel der im Verhältnis zur Nutzfrequenz höher abgetasteten Signale leicht tiefer sind. Dies liegt an der Verteilung der Fehlerenergie über das gesamte Spektrum (siehe Oversampling, nächste Übung).
5 2. Aufgabe: Quantisierung und Dither a) Erzeugen Sie ein Sinussignal mit f = 700 Hz der Länge 1 s, tasten Sie es mit einer Abtastrate f S = 44,1 khz ab, und quantisieren Sie es mit einer Wortbreite von 3 bit. Sorgen Sie dafür, dass die in der Audiosignalverarbeitung übliche midtread- Quantisierungskennlinie angewandt wird. Es wird in der folgenden Aufgabe mit einer Signalfrequenz von 500 Hz gerechnet, da somit die Abtastfrequenz kein ganzzahliges Vielfaches der Signalfrequenz ist und die Quantisierung nicht zusätzlich verschlechtert wird. % Signal erzeugen fs = 44100; f = 500; t = [0:1/fs:1-1/fs]; y = sin(2*pi*f*t); % Quantisiere Signal mit Wortbreite n n = 3; q = 2*max(abs(y)) / 2^n; y_q = quant(y, q); %y_q = floor((y/q)+0.5)*q; % Plot über eine Periode des Signals index = 2*round(fs/f); plot(t(1:index),y_q(1:index)) % --> es resultieren 2^n+1 Quantisierungsstufen von min(y) bis max(y), was % der Wortbreite von n bit widerspricht. Bei der midtread-kennlinie, die im % Audiobereich üblich ist, gibt es im positiven Bereich eine % Quantisierungsstufe weniger, dafür existiert eine Stufe für den Wert 0. % Um eine midtread-kennlinie zu erreichen, wird von jedem Wert max(y) ein % Quantisierungsintervall abgezogen. maximum = max(y); for i = 1:length(y_q); if (y_q(i) > (maximum - q)); y_q(i) = (maximum - q); end end b) Lassen Sie sich die Anzahl der Quantisierungsstufen und die Größe eines Quantisierungsintevalls ausgeben. % Anzahl Quantisierungsstufen 2^n % Quantisierungsstufe q Es gibt 2 n = 8 Quantisierungsstufen der Größe 2 y max /2 n = c) Plotten Sie das Originalsignal und das quantisierte Signal im Zeit- und Frequenzbereich. % Fenstere das quantisierte Signal nur zu verbesserten Darstellungszwecken:
6 w = hamming(length(y)); y_qw = y_q.* w'; % normierte FFT des unquantisierten und des quantisierten Signals Y = fft(y)/max(fft(y)); Y_Q = fft(y_qw)/max(fft(y_qw)); N = length(y); f_index = [0:fs/N:fs/2-1]; % Frequenzindex bis fs/2 % Plot Originalsignal subplot(2,1,1), plot(t(1:index),y(1:index)) xlabel('zeit [s]'), ylabel('y(t): Sinus') title('zwei Perioden eines Sinussignals 500 Hz') subplot(2,1,2), semilogx(f_index,20*log10(abs(y(1:n/2)))) axis([20 fs/ ]) title('spektrum eines Sinussignals 500 Hz') % Plot mit midtread-kennlinie subplot(2,1,1), plot(t(1:index),y_q(1:index)) xlabel('zeit [s]'), ylabel('y(t): Sinus') title('zwei Perioden eines mit 3 bit quantisierten Sinussignals 500 Hz') subplot(2,1,2), semilogx(f_index,20*log10(abs(y_q(1:n/2)))) axis([20 fs/ ]) title('spektrum eines mit 3 bit quantisierten Sinussignals 500 Hz') Abbildung 4 Das quantisierte Signal weist sehr starke nicht-lineare Verzerrungen auf, die als extrem störend wahrgenommen werden. Die Frequenzen unterhalb der Grundfrequenz kommen durch eine überlagerte Schwingung, hervorgerufen von der Abtastfrequenz, zustande. Diese ergibt sich, da die Abtastfrequenz kein ganzzahliges Vielfaches der Signalfrequenz ist. Es kommen f S samples/s = = 88,1 samples in einer Perdiode des Signals vor. Die erste ganze f 500 s -1 Zahl von samples tritt nach 5 Perioden des Signals auf und beträgt 441 samples samples/s Dies ergibt eine Frequenz von =100 Hz, die als tiefste Frequenz im 441 samples Spektrum auftritt.
7 d) Wie groß ist der maximale Quantisierungsfehler? Plotten Sie den Zeitverlauf und die Wahrscheinlichkeitsdichtefunktion (siehe Aufgabenblatt 1). Begründen Sie das Ergebnis. % Quantisierungsfehler e = y_q - y; e_max = max(abs(e)) % maximaler Fehler % Plot im Zeitbereich plot(t(1:index),e(1:index)) xlabel('zeit [s]'), ylabel('e(t): Fehlersignals') title('zwei Perioden des Fehlersignals e(t)') axis([0 t(index) -q q]) set(gca,'ytick',[-q -0.5*q 0 0.5*q q]) set(gca,'yticklabel',{'-q';'-q/2';'0';'q/2'; 'Q'}) Abbildung 5 Erwartet wird: e max = Q/2 = 0,125. Wegen der midtread-kennlinie und der geringen Quantisierung ist der maximale Fehler jedoch größer und entspricht einem Quantisierungsintervall (siehe Abbildung 5). Das Zeitsignal ist periodisch und mit dem Eingagssignal korreliert. Dies ist der Grund für die nicht-linearen Verzerrungen im Spektrum des quantisierten Signals. Um die Korrelation des Fehlers mit dem Eingangssignal zu verringern könnte die Wortbreite der Quantisierung erhöht werden. Dies ist aber oft nicht erwünscht oder möglich, zudem wird der Fehler bei geringer Signalaussteuerung wieder groß. % WDF des Quantisierungsfehlers nbins = 100; [anzahl,intervallmitte] = hist(e,nbins); intervallbreite=( max(max(e)) + abs(min(min(e))) ) / nbins; wdf = anzahl / sum(anzahl) * (1/intervallbreite); plot(intervallmitte,wdf) xlabel('signalamplituden'),ylabel('wdf (Schä?tzung)') title('wdf Quantisierungsfehler') axis ([-q q/2 0 max(wdf)]) set(gca,'xtick',[-q -0.5*q 0 0.5*q]) set(gca,'xticklabel',{'-q'; '-Q/2';'0';'Q/2'}) grid on
8 Abbildung 6 Die Wahrscheinlichkeitsdichtefunktion des Quantisierungsfehlers ist nicht gleichverteilt, wie dies bei gut ausgesteuerten Quantisierern bzw. hohen Wortbreiten der Fall ist. e) Addieren Sie zum Originalsignal ein gleichverteiltes Dithersignal mit der Amplitude -0,5 LSB bis 0,5 LSB und führen Sie die Schritte a) bis d) erneut aus. Vergleichen Sie die Ergebnisse und geben Sie die Signale über Ihre Soundkarte aus. % Dither erzeugen d = (rand(1,length(y))-0.5)*2; % rect-rauschen % d2 = (rand(1,length(y))-0.5)*2; % d = d1 - d2; % tri-rauschen d = q/2 * d; % skalieren auf Q/2 % addiere Dither zu Signal (vor der Quantisierung) y_d = y + d; % erneute Quantisierung y_dq = quant(y_d, q); % Anzahl Quantisierungsstufen 2^n % Quantisierungsstufe q % normierte FFT des geditherten Signals Y_DQ = fft(y_dq)/max(fft(y_dq)); % Plot subplot(2,1,1), plot(t(1:index),y_dq(1:index)) xlabel('zeit [s]'), ylabel('y(t): Sinus') title('zwei Perioden eines mit 3 bit quantisierten und geditherten Sinussignals 500 Hz') subplot(2,1,2), semilogx(f_index,20*log10(abs(y_dq(1:n/2)))) axis([20 fs/ ]) title('spektrum eines mit 3 bit quantisierten und geditherten Sinussignals 500 Hz')
9 Die Anzahl und Größe der Quantisierungsstufen bleiben unverändert. Abbildung 7 Das Spektrum zeigt einen hohen Anteil an Rauschen, dafür sind die nicht-linearen Verzerrungen verschwunden. Dies wird als deutlich weniger störend empfunden. % Quantisierungsfehler e = y - y_dq; e_max = max(abs(e)) % maximaler Fehler Der maximale Fehler bleibt wegen des Dithers in der Größenordnung eines Quantisierungsintervalls: e max = Q = 0,247 % Plot im Zeitbereich plot(t(1:index),e(1:index)) xlabel('zeit [s]'), ylabel('e(t): Fehlersignals') title('zwei Perioden des Fehlersignals e(t)') axis([0 t(index) -q q]) set(gca,'ytick',[-q -0.5*q 0 0.5*q q]) set(gca,'yticklabel',{'-q';'-q/2';'0';'q/2'; 'Q'}) % WDF des Quantisierungsfehlers nbins = 100; [anzahl,intervallmitte] = hist(e,nbins); intervallbreite=( max(max(e)) + abs(min(min(e))) ) / nbins; wdf = anzahl / sum(anzahl) * (1/intervallbreite); plot(intervallmitte,wdf) xlabel('signalamplituden'),ylabel('wdf (Schä?tzung)') title('wdf Quantisierungsfehler nach Ditherung') axis ([-q q 0 max(wdf)]) set(gca,'xtick',[-q -0.5*q 0 0.5*q q]) set(gca,'xticklabel',{'-q';'-q/2';'0';'q/2'; 'Q'}) grid on
10 Abbildung 8 Der Quantisierungsfehler ist deutlich weniger korreliert mit dem Eingangssignal und nähert sich einem Zufallssignal. Dies zeigt sich auch in der dreieckserteilten WDF. % Hörkontrolle sound(y,fs) pause(1) sound(y_q,fs) pause(1) sound(y_dq,fs) Abbildung 9
11 3. Aufgabe: Erwartungswert nach Requantisierung Ein 20-bit-Sinussignal x(n) mit der Dauer 1 s wird mit w = 16 bit requantisiert. Vor der Requantisierung wird ihm ein gleichverteiltes Dithersignal mit der Amplitude -0,5 LSB bis 0,5 LSB beigemischt. Das Dithersignal wird mit s = 8 bit quantisiert. a) Stellen Sie mit Hilfe von Matlab den Erwartungswert des requantisierten Ausgangssignals über der Eingangsamplitude innerhalb eines Quantisierungsintervalls dar. Skalieren Sie dazu das 20-bit-Signal auf die Amplitude eines Quantisierungsintervalls und addieren Sie das quantisierte Dithersignal dazu. Die Berechnungsvorschrift des Erwartungswerts findet sich im Abschnitt Dither-Techniken bei Zölzer (2005). 1 Der Erwartungswert eines requantisierten Signals lässt sich wie folgt berechnen: g m (V ) = " g(v + d k )P(d k ), mit -2 s-1 k 2 s-1-1 (1) k wobei g(v + d k ) = Q[ V + d k Q + 0,5]. (2) (2) stellt dabei die Quantisierung mit dem Rundungsfaktor 0,5 dar, es wird also zu der Eingangsamplitude V eine der 2 s Ditheramplituden d k addiert und das Ergebnis quantisiert. Der Erwartungswert einer bestimmten Eingangsamplitude V ist die Summe dieser k Quantisierungen gewichtet mit der Wahrscheinlichkeit der Ditheramplituden. Wird dies für jede Eingangsamplitude V berechnet, ergibt sich die gesuchte Requantisierungskennlinie. % Erzeuge Signal fs = 44100; f = 500; t = [0:1/fs:1-1/fs]; y = sin(2*pi*f*t); % Erzeuge dither mit der Amplitude amp_lsb, bezogen auf 1 LSB w = 6; % Wortbreite der Requantisierung q_w = 2*max(abs(y)) / 2^w; % ein Quantisierungsintervall (1 LSB) d = (rand(1,length(y))-0.5)*2; % Rauschen amp_lsb = 0.5; % Amplitude ±amp_lsb d = amp_lsb * q_w * d; % skaliere Rauschen y = y * q_w; % Skaliere Sinus auf die Amplitude 1 LSB % Der Amplitudenbereich von y wird in 2^n Intervalle geteilt, um einen % Vektor "intervallmitte_y" mit den Amplitudenwerten der Ausgangs- % Quantisierung zu erzeugen. Um exakte Werte für 0 und 1 LSB zu erlangen, 1 Zölzer U (2005) Digitale Audiosignalverarbeitung. 3. Auflage, Teubner, Stuttgart. Dieses Buch finden Sie online auf der Webseite zu dieser Lehrveranstaltung.
12 % wird zu jeder Intervallmitte die Hälfte einer Intervallbreite addiert, % sodass man an den Rändern der Intervalle "landet". n = 10; [anzahl_y, intervallmitte_y] = hist(y,2^n); intervallbreite = (max(y) + abs(min(y))) / 2^n; intervallmitte_y = intervallmitte_y + intervallbreite/2; % Quantisiere Dither auf 8 bit: Die kontinuierlichen Amplitudenwerte werden % in 2^s Intervalle geteilt, jede der 2^s Intervallmitten ist einer der % möglichen Amplitudenwerte des Dithers. s = 8; [anzahl_d, intervallmitte_d] = hist(d, 2^s); P_d = 1/2^s; % Vorbereitung für for-schleife j = length(intervallmitte_y); g_v = zeros(1,j); a = zeros(1,2^s); % Zu jedem Amplitudenwert von y innerhalb eines LSB werden alle möglichen % Amplitudenwerte des Dithers addiert, einzeln quantisiert und der % Erwartungswert berechnet. Es resultiert ein Vektor mit den % Erwartungswerten für alle Eingangsamplituden von y. for i = j/2:j; for k = 1:2^s; % a(k) = floor((intervallmitte_y(i)+intervallmitte(k))/q_w+0.5)*q_w; a(k) = quant((intervallmitte_y(i)+intervallmitte_d(k)), q_w) * P_d; end g_v(i) = sum(a); end plot(intervallmitte_y(j/2:j),g_v(j/2:j)) axis ([0 q_w 0 q_w]) set(gca,'xtick',[0 0.5*q_w q_w]) set(gca,'xticklabel',[ ]) set(gca,'ytick',[0 0.5*q_w q_w]) set(gca,'yticklabel',[ ]) title('requantisierung eines 20-bit-Signals auf 16 bit mit Dither') xlabel('eingangsamplitude innerhalb 1 LSB') ylabel('erwartungswert g_m(v) der Ausgangsamplitude innerhalb 1 LSB') grid on y_d = y + d; y_dq = quant(y_d,q_w); sound(y,fs) pause(1) sound(y_dq,fs)
13 Abbildung 10 Es ergibt sich durch die Addition des Dithers eine linear ansteigende Kennlinie. Die mittleren Ausgangswerte einer mit Dither durchgeführten Requantisierung entsprechen den Eingangswerten, obwohl diese unterhalb eines LSB liegen. Durch das Dithering kann also eine höhere Auflösung erzielt werden, als von der Requantisierung vorgegeben. Sie entspricht w bit + s bit. Eine Hörkontrolle wie in Aufgabe 2 macht dies noch einmal deutlich. b) Wiederholen Sie dies für die Dither-Aussteuerungen [-0,25 0,25] LSB und [-0,6 0,6] LSB sowie für eine Requantisierung ohne Dither. % In Aufgabe a) für und amp_lsb die jeweilige Amplitude einsetzen. Bei % Quantisierung ohne Dither muss für amp_lsb und s 0 eingesetzt werden oder % folgende alternative Implemetierung: % y_q = floor(intervallmitte_y(j/2:j)/q_w+0.5)*q_w; y_q = quant(intervallmitte_y(j/2:j), q_w); plot(intervallmitte_y(j/2:j), y_q) axis ([0 q_w 0 q_w]) set(gca,'xtick',[0 0.5*q_w q_w]) set(gca,'xticklabel',[ ]) set(gca,'ytick',[0 0.5*q_w q_w]) set(gca,'yticklabel',[ ]) title('requantisierung eines 20-bit-Signals auf 16 bit ohne Dither') xlabel('eingangsamplitude innerhalb 1 LSB') ylabel('erwartungswert g_m(v) der Ausgangsamplitude innerhalb 1 LSB') grid on
14 Abbildung 11 c) Wie interpretieren Sie die Ergebnisse? Bei geringer ausgesteuertem Dithersignal nähert sich die Kennlinie immer mehr einer einzigen Treppenstufe, wie sie sich bei einer Requantisierung ohne Dither ergibt. Da die Ditheramplitude zu gering ist, landen weniger Werte über einem halben LSB, sodass der mittlere Ausganswert länger auf der Stufe 0 bleibt. Bei einer Quantisierung ohne Dither wird die Hälfte der Eingangswerte auf 0 LSB, die andere Hälfte auf 1 LSB quantisiert. Wird das Dithersignal höher ausgesteuert als ± 0,5LSB, wird die Kennlinie bis zu einem bestimmten Punkt steiler ansteigen, da im Mittel zu viele Werte auf 1 LSB quantisiert werden.
Prof. Dr. Stefan Weinzierl
Audiotechnik II 3.Übungstermin Prof. Dr. Stefan Weinzierl 4.11.2010 1. Aufgabe: Dither a. Erweitern Sie die Funktion xquant vom 2. Aufgabenblatt (28.10.2010) so, dass die Möglichkeit besteht, einen gleich-
MehrKommunikationstechnik II Wintersemester 07/08
Kommunikationstechnik II Wintersemester 07/08 Prof. Dr. Stefan Weinzierl Musterlösung: 3. Aufgabenblatt. Aufgabe: Up-/Downsampling Die Abtastfolge x[n] wird mit dem Faktor M unter- und dem Faktor L überabgetastet.
Mehr1 Autokorrelation, Leistung und Wahrscheinlichkeitsdichtefunktion eines Sinussignals
Audiotechnik II Digitale Audiotechnik: 2. utorium Prof. Dr. Stefan Weinzierl 5. November 213 Musterlösung: 5. November 213, 18:25 1 Autokorrelation, Leistung und Wahrscheinlichkeitsdichtefunktion eines
MehrMusterlösung: 23. Oktober 2014, 16:42
Audiotechnik II Digitale Audiotechnik:. Übung Prof. Dr. Stefan Weinzierl 3..4 Musterlösung: 3. Oktober 4, 6:4 Amplitudenstatistik analoger Signale a) Ein Signal (t) hat die durch die Abbildung gegebene
Mehr1 Amplitudenstatistik analoger Signale
Audiotechnik II Digitale Audiotechnik:. Tutorium Prof. Dr. Stefan Weinzierl 3..2 Musterlösung: 28. Oktober 23, 22:25 Amplitudenstatistik analoger Signale a) Ein Signal x(t) hat die durch Abb. gegebene
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
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
MehrProf. Dr. Stefan Weinzierl SNR V = P signal P noise
Audiotechnik II Digitale Audiotechnik: 5. Tutorium Prof. Dr. Stefan Weinzierl 0.11.01 Musterlösung: 1. November 01, 15:50 1 Dither a) Leiten sie den SNR eines idealen, linearen -bit Wandlers her. Nehmen
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
MehrÜbertragungssysteme WS 2010/2011. Vorlesung 2. Prof. Dr.-Ing. Karlheinz Brandenburg.
Übertragungssysteme WS 2010/2011 Vorlesung 2 Prof. Dr.-Ing. Karlheinz Brandenburg Karlheinz.Brandenburg@tu-ilmenau.de Kontakt: Dipl.-Ing.(FH) Sara Kepplinger / Dipl.-Ing. Christoph Fingerhut vorname.nachname@tu-ilmenau.de
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
MehrKommunikationstechnik II Wintersemester 08/09
Kommunikationstechnik II Wintersemester 8/9 Prof. Dr. Stefan Weinzierl Musterlösung: 8. Aufgabenblatt Lösung in der Rechenübung am 9.1.9 1. Aufgabe: Fehlererkennung/-korrektur Audio Symbole mit einer Länge
MehrLabor SMV Versuch 1. Erläuterungen zum Aliasing. Prof. Dr.-Ing. Gernot Freitag. FB: EuI, FH Darmstadt. Darmstadt, den
Labor SMV Versuch Erläuterungen zum Aliasing FB: EuI, Darmstadt, den 26.5 Elektrotechnik und Informationstechnik Rev., 9.5 Auf den folgenden Seiten sind einige typische Abtastsituationen zusammengestellt,
Mehr9. Vorlesung. Systemtheorie für Informatiker. Dr. Christoph Grimm. Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main
9. Vorlesung Systemtheorie für Informatiker Dr. Christoph Grimm Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main Letzte Woche: Abtastung und Rekonstruktion Abtastung: Wandelt bandbegrenzte kontinuierliche
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
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.
MehrProf. Dr. Stefan Weinzierl Aufgabe: Amplitudenstatistik analoger Audiosignale. Abb. 1: WDF eines Audiosignals. p X.
Audiotechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 21.1.21 1. Aufgabe: Amplitudenstatistik analoger Audiosignale a. Ein Signal x(t) hat die durch Abb. 1 gegebene Wahrscheinlichkeitsdichtefunktion
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
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.
Mehr1. Dynamik und SNR der Zahlenformate
Kommunikationstechnik II 7.Übungstermin Prof. Dr. Stefan Weinzierl 7.12.2009 1. Dynamik und SNR der Zahlenformate a. Generieren Sie eine Periode eines Sinussignals mit 1024 samples/periode und quantisieren
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Zeitdiskrete Signale Wintersemester 6/7 Kontinuierliche und diskrete Signale wertkontinuierlich wertdiskret Signal Signal Signal Signal zeitdiskret zeitkontinuierlich
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
MehrAbschlussprüfung Nachrichtentechnik 03. August 2015
Abschlussprüfung Nachrichtentechnik 03. August 2015 Name:... Vorname:... Matrikelnr.:... Studiengang:... Aufgabe 1 2 3 4 Summe Note Punkte Hinweis: Die Teilaufgaben (a), (b) und (c) können unabhängig voneinander
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
MehrKommunikationstechnik II Wintersemester 07/08
Kommunikationstechnik II Wintersemester 07/08 Prof. Dr. Stefan Weinzierl Musterlösung: 4. Aufgabenblatt 1. Aufgabe: Dynamik und SNR der Zahlenformate Generieren Sie eine Periode eines Sinussignals mit
Mehr1. Aufgabenblatt: EDS Wiederholung und Filterung
Kommunikationstechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 19.10.2009 1. Aufgabenblatt: EDS Wiederholung und Filterung 1. Aufgabe a. Erstellen Sie ein Rechtecksignal mit der Frequenz f = 130 Hz
MehrDigitales Rauschen. Fachbereich Medieninformatik. Hochschule Harz. Digitales Rauschen. Referat. Joachim Schenk. Abgabe:
Fachbereich Medieninformatik Hochschule Harz Digitales Rauschen Referat Joachim Schenk 10707 Abgabe: 15.01.2007 Inhaltsverzeichnis Vorwort...I 1 Einleitung...1 2 Digitalisierung...2 2.1 Digital-Analog-Umsetzer...2
MehrKommunikationstechnik II. Prof. Dr. Stefan Weinzierl
Kommunikationstechnik II Prof. Dr. Stefan Weinzierl Autoren: Stefan Weinzierl & Alexander Lerch Wintersemester 2008/2009 Inhaltsverzeichnis 1 Einleitung 5 2 Grundlagen 7 2.1 Abtastung..................................
MehrDigitale Signalverarbeitung für Einsteiger
Digitale Signalverarbeitung für Einsteiger Dipl.-Ing. Erich H. Franke, DK6II erich.franke@afusoft.com 54. Weinheimer UKW-Tagung 2009 Errata: Nobody is perfect Im Skriptum haben sich kleine aber ärgerliche
MehrMedien- Technik. Digital Audio
Digital Audio Medientyp digital audio representation Abtastfrequenz /sampling frequency Quantisierung (Bittiefe) Anzahl der Kanäle/Spuren Interleaving bei Mehrkanal Positiv/negativ Codierung operations
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Quantisiertes Signal Zeitdiskretes Signal Digitales Signal Auflösung der A/D- Umsetzer der MicroAutoBox
MehrPDM (Pulse Density Modulation)
Fachbereich Medieninformatik Hochschule Harz PDM (Pulse Density Modulation) Referat Mario Judel 11274 Abgabe: 15.01.2007 Seite: 1 Inhaltsverzeichnis Einleitung...1 1 Grundlegendes zur Analog-Digital-Signalverarbeitung...4
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
Mehr4.1 Grundbegriffe 4.2 Frequenzspektren, Fourier-Transformation 4.3 Abtasttheorem: Eine zweite Sicht 4.4 Filter
4 Signalverarbeitung 4.1 Grundbegriffe 4.2 Frequenzspektren, Fourier-Transformation 4.3 Abtasttheorem: Eine zweite Sicht 4.4 Filter Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrSignalprozessoren. Digital Signal Processors VO [2h] , LU 2 [2h]
Signalprozessoren Digital Signal Processors VO [2h] 182.082, LU 2 [2h] 182.084 http://ti.tuwien.ac.at/rts/teaching/courses/sigproz Herbert Grünbacher Institut für Technische Informatik (E182) Herbert.Gruenbacher@tuwien.ac.at
MehrAufgabe 1 - Pegelrechnung und LTI-Systeme
KLAUSUR Nachrichtentechnik 06.08.0 Prof. Dr.-Ing. Dr. h.c. G. Fettweis Dauer: 0 min. Aufgabe 3 4 Punkte 5 0 4 50 Aufgabe - Pegelrechnung und LTI-Systeme Hinweis: Die Teilaufgaben (a), (b) und (c) können
Mehr2. Anordnung zur digitalen Signalverarbeitung
2. Anordnung zur digitalen Signalverarbeitung Prof. Dr.-Ing. Dr. h.c. Norbert Höptner Prof. Dr.-Ing. Stefan Hillenbrand Ergänzende Informationen zur Vorlesung Signalverarbeitungssysteme Abschnitte 2.1-2.5.
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2008/2009 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2007/2008 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Systeme bei stochastischer
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 4.4 Filter Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
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
MehrKapitel 5: Digitale Übertragung im Basisband
ZHW, NTM, 25/6, Rur 1 Kapitel 5: Digitale Übertragung im Basisband 5.2. Nichtlineare Amplitudenquantisierung 5.2.1. Einleitung...1 5.2.2. Das A-Law Kompressionsverfahren...3 5.2.3. Das A-Law Verfahren
MehrMusterlösung zur Aufgabe A1.1
Abschnitt: 1.1 Prinzip der Nachrichtenübertragung Musterlösung zur Aufgabe A1.1 a) Im markierten Bereich (20 Millisekunden) sind ca 10 Schwingungen zu erkennen. Daraus folgt für die Signalfrequenz näherungsweise
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
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
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...
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrLaborprotokoll SSY Abtastung
Laborprotokoll SSY Abtastung Daniel Schrenk, Andreas Unterweger SSYLB WS 05/06 Abtastung Seite 1 von 12 Einleitung Ziel der Übung In dieser Laborübung sollte ein Signal abgetastet werden und anschließend
MehrDigitalisierung von Tönen. Von Paul
Digitalisierung von Tönen Von Paul Was passiert beim hören Tonquelle erzeugt Schallwellen Alle vibrierende Objekte erzeugen Schallwellen. Durch die Vibration wird das Medium stoßweise verdichtet. Schallwellen
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
MehrBild-Erfassung Digitalisierung Abtastung/Quantisierung
Multimediatechnik / Video Bild-Erfassung Digitalisierung Abtastung/Quantisierung Oliver Lietz Bild-Erfassung Abtastung / Digitalisierung Scanner: Zeilenweise Abtastung mit CCD Digitale Kamera: Flächenweise
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
MehrDSP-NF-Filter in QRP-Manier QRP an der See, 15. September 2012
DSP-NF-Filter in QRP-Manier QRP an der See, 15. September 2012 Gerrit Buhe, Inhalt 2 Aufbau DSP-System Digitalisierung und Abtasttheorem Beschreibung LTI-System Impulsantwort zu Übertragungsfunktion Werkzeuge
MehrMATLAB: Einführung und Anwendungen
MATLAB: Einführung und Anwendungen Prof. Dr. H.-G. Stark Hochschule Aschaffenburg 9. November 206 Literatur [] F. Grupp/F. Grupp: MATLAB 7 für Ingenieure: Grundlagen und Programmierbeispiele, Oldenbourg,
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.
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):
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
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:
MehrPulse Code Modulation
Fachbereich Medieninformatik Hochschule Harz Pulse Code Modulation Referat Johannes Bastian 11038 Abgabe: 15.01.2007 Inhaltsverzeichnis Einleitung / Vorwort...1 1 Analoge Signale als Grundlage von PCM...1
MehrDigitale Signalverarbeitung Bernd Edler
Digitale Signalverarbeitung Bernd Edler Wintersemester 2010/2011 Wesentliche Inhalte der Vorlesung Abtastung z-transformation Lineare zeitinvariante Systeme Diskrete Fouriertransformation Filterentwurf
MehrGrundlagen der Nachrichtentechnik
Universität Bremen Arbeitsbereich Nachrichtentechnik Prof. Dr.-Ing. A. Dekorsy Schriftliche Prüfung im Fach Grundlagen der Nachrichtentechnik Name: Vorname: Mat.-Nr.: BSc./Dipl.: Zeit: Ort: Umfang: 07.
Mehr2 Signalabtastung und Rekonstruktion
Signalabtastung und Rekonstruktion Signalabtastung und Rekonstruktion In vielen praktischen Anwendungen werden analoge Signale mit digitalen Systemen wie z.b. Computern oder Mikro-Controllern erfasst und
MehrLaboratorium für. Aufgabe: Versuch Nr. 4. Fachhochschule Offenburg. Digitale Signalverarbeitung. Multiratenverarbeitung.
Fachhochschule Offenburg Laboratorium für Digitale Signalverarbeitung Versuch Nr. 4 SS WS SS 00 Versuchstag 15. Mai 2000 Semester EN 7 Gruppe 3 1 Johannes Petri Letzter Abgabetermin Abgabetermin verlängert
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
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrMusterlösung zur Aufgabe A4.1
Musterlösung zur Aufgabe A4.1 a) Mit N = 8 Bit können insgesamt 2 8 Quantisierungsintervalle dargestellt werden M = 256. b) Nummeriert man die Quantisierungsintervalle von 0 bis 255, so steht die Bitfolge
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
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 4.4! Filter! Weiterführende Literatur (z.b.): Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrNANO III. Digital-Analog-Wandler. Analog-Digital-Wandler Abtastung. Datenakquisition:
NANO III Digital-Analog-Wandler Datenakquisition: Analog-Digital-Wandler Abtastung Prinzip des DAC (DAC = Digital - Analog - Converter) 2 0 R 1 4Bit DAC 1 12/16 2 1 R 1 / 2 8/16 2 2 R 1 / 4 4/16 2 3 R
MehrVerarbeitungsalgorithmen in FUNKTIONSGENERATOR+ SWEEPGENERATOR
Verarbeitungsalgorithmen in Computermusik und Akustik UE IEM Institut für Elektronische Musik FUNKTIONSGENERATOR+ SWEEPGENERATOR Betreuer: Piotr Majdak Martin Schörkmaier 9530506, F750 Projekt 1 1.11.2002
MehrFunktion von Delta-Sigma-Wandlern zur Digitaliserung eines analogen Sensorsignals mit einer praktischen Anwendung. Dr.
Funktion von Delta-Sigma-Wandlern zur Digitaliserung eines analogen Sensorsignals mit einer praktischen Anwendung Dr. Thomas Komarek 1 Übersicht Praktische Anwendung: Super Audio Compact Disc (SACD) Grundlagen
MehrNAE Nachrichtentechnik und angewandte Elektronik
Inhaltsverzeichnis: Thema Unterpunkt eite Modulation allgemein Definition 8-2 Frequenzmultiplex 8-2 Zeitmultiplex 8-2 Übersicht Modulationsverfahren Amplitudenmodulation (AM) 8-3 Winkelmodulation (WM)
MehrÜbung 2. Tutorübung zu Grundlagen: Rechnernetze und Verteilte Systeme (Gruppen Mo-T2 / Fr-T1 SS2017)
Übung 2 Tutorübung zu Grundlagen: Rechnernetze und Verteilte Systeme (Gruppen Mo-T2 / Fr-T SS27) Dennis Fischer dennis.fischer@tum.de http://home.in.tum.de/fischerd Institut für Informatik Technische Universität
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
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
Mehr7. Digitale Verarbeitung analoger Signale
University of Applied Science 7. Digitale Verarbeitung analoger Signale Analog-Interface A/D- und D/A-Umsetzung ADU Digital- Rechner DAU Analogsignal x a (t) Analogsignal y a (t) x a (t), y a (t) Digitalsignal
Mehr- Sei r(x,y) Eingangsbild, dass nur Rauschen (Quantenrauschen) enthält.
Eingang System Ausgang - Sei r(x,y) Eingangsbild, dass nur (Quantenrauschen) enthält. - Das Bild enthalte keinerlei Information, d.h. das Spektrum ist weiß und es gibt keine Korrelationen zwischen den
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
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
Mehrd 1 P N G A L S2 d 2
Abschlussprüfung Nachrichtentechnik 28. Juli 2014 Name:... Vorname:... Matrikelnr.:... Studiengang:... Aufgabe 1 2 3 4 Summe Note Punkte Hinweis: Die Teilaufgaben (a), (b) und (c) können unabhängig voneinander
MehrZufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches
Zufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches Signal Periodisch harmonische Schwingung Summe harmonischer
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
MehrErarbeiten der Diskreten Fourier Transformation (GFT) unter Verwendung von Scilab zur Veranschaulichung
Erarbeiten der Diskreten Fourier Transormation (GFT) unter Verwendung von Scilab zur Veranschaulichung 1. Das Prinzip verstehen 2. DFT beschreiben 3. DFT mit Scilab testen 4. Umsetzung der DFT ür einen
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
MehrDigitale Signalverarbeitung für Mikrofone (Digital signal processing for microphones)
Digitale Signalverarbeitung für Mikrofone (Digital signal processing for microphones) Matthias Domke *, Hans-Peter Schade ** * Microtech Gefell GmbH, m.domke@microtechgefell.de ** Technische Universität
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
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der 1. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Zeitdiskretes Signal Quantisiertes Signal Digitales Signal Kontinuierliches System Abtastsystem
MehrDigitale Medien. Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid. Übung zur Vorlesung
Übung zur Vorlesung Digitale Medien Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid Wintersemester 2016/17 LZW-Komprimierung Idee: Nicht einzelne Zeichen werden günstig kodiert, sondern ganze Zeichenketten
MehrSYS_A - ANALYSIEREN. Statistik. NTB Druckdatum: SYS A. Histogramm (Praxis) Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100
SYS_A - ANALYSIEREN Statistik Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100 Histogramm (Praxis) Realisierung Lage Streuung Zufallsvariable Dichte der Normalverteilung Verteilungsfunktion Fläche
MehrKlausur zur Vorlesung Signale u. Systeme I
Name: 8. Februar 2001, 11.30-13.00 Uhr Allgemeine Hinweise: Dauer der Klausur: Zugelassene Hilfsmittel: 90 min, 1.5 Zeitstunden Skript, Vorlesungsmitschrift, Formelsammlung Schreiben Sie bitte auf dieses
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
MehrDigitale Signalverarbeitung sehen, hören und verstehen
Digitale Signalverarbeitung sehen, hören und verstehen Hans-Günter Hirsch Hochschule Niederrhein, Krefeld email: hans-guenter.hirsch@hs-niederrhein.de http://dnt.kr.hs-niederrhein.de Folie 1 Gliederung
Mehr3. Quantisierte IIR-Filter R
. Zweierkomplement a) Wie sieht die binäre Darstellung von -5 aus bei den Wortbreiten b = 4, b =, b = 6? b) Berechnen Sie folgende Additionen im Format SINT(4). Geben Sie bei Überlauf auch die Ausgaben
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
MehrDigitalisierung. Abtasttheorem Quantisierung Pulse-Code-Modulation Übungen Literatur und Quellen. Signale und Systeme VL 5
Digitalisierung Abtasttheorem Quantisierung Pulse-Code-Modulation Übungen Literatur und Quellen 20.05.2015 Professor Dr.-Ing. Martin Werner Folie 1 Digitalisierung analoger Signale 4 Schritte Bandbegrenzung
MehrVersuch 252 Digitale Filter
Drittes Physikalisches Institut der Universität Göttingen Bürgerstraße 42-44 D-3773 Göttingen Oktober 998 Praktikum für Fortgeschrittene Versuch 252 Digitale Filter Analoge Signale werden heute zunehmend
MehrPraktikum zur Sprachsignalverarbeitung
Nachstehend finden Sie eine Sammlung von Übungsaufgaben und Laborexperimenten, die im Rahmen der Übungen und Praktika des Moduls Spracherkennung bearbeitet werden sollen. Die Übungsaufgaben (als Aufgaben
MehrAdaptive Differenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC)
Adaptive Dierenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC) Ziele Mit diesen rechnerischen und experimentellen Übungen werden die Anwendungen der DPCM mit einer Anpassung der
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:
Mehr