Medientechnik WS 2012/13
|
|
- Klemens Krämer
- vor 6 Jahren
- Abrufe
Transkript
1 Medientechni WS 22/3
2 Verlustfreie Verfahren Statistische Verfahren Lauflängenodierung Entropie-Kodierung Entropie= durchschnittlicher Informationsgehalt pro Zeichen in einer Zeichenette =untere Grenze der zur Kodierung eines Zeichens im Durchschnitt notwendigen Bits MP3 AAC ADPCM Verlustbehaftete Verfahren Quellodierung Ausnutzung von spezifischen Eigenschaften der quelle oder des Empfängers (Wahrnehmung) Salierbare Verluste Transformationsodierung
3 Gegeben sei eine endliche Information (Wort über einem Alphabet von m Zeichen) Definition; I p = ld = ld p p ( ) ( ) I(p) Informationsgehalt eines Zeichens, das mit Wahrscheinlicheit p vorommt. p=. ommt nie vor p= nur das Zeichen ommt vor
4 Gegeben sein eine endliche Information (Wort über einem Alphabet von m Zeichen) Der Erwartungswert = n H pi ld i= p i des Informationsgehaltes über alle Zeichen = mittlerer Informationsgehaltes aller Zeichen =Entropie p [..] H p ld p m p i = m i i i= Anzahl Zeichen Wahrscheinlicheit des Auftretens des Zeichens i Alternativ (normierte Entropie)
5 Beispiel: wir beobachten 2 Studenten im Hörsaal und notieren die Beobachtungen: Nr. Code Beobachtung Wahrscheinlicheit VLC SS Beide schlafen,5 SW A schläft,25 2 WS B schläft,25 3 WW Beide lauschen,25 6 Ereignisse, 32 Bit, 2 Bit pro Ereignis S S S W S S W S S S W W W W S S S S W W S S S W S S W S S S W W Gesucht: Kürzeste Kodierung für diese Ereignisfolge
6 Häufigstes Ereignis SS odiert mit (Bit) 2. häufigstes Ereignis WW odiere mit ( Bit), geht nicht, weil wir Codes für 4 Ereignisse brauchen (2 Bit) geht nicht, odiert ja SS SS (2 Bit) möglich 3. häufigstes Ereignis SW odiert mit (2 Bit) geht nicht, wir brauchen 4 Codes, jeder weitere Code dürfte nicht mit,, oder beginnen! (3 Bit) geht! 3./4. häufigstes Ereignis WS (3 Bit) geht!
7 Optimal? Beispiel: wir beobachten 2 Studenten im Hörsaal und Notieren die Beobachtungen: VLC Variable Length Code Nr. Code Beobachtung Wahrscheinlicheit SS Beide schlafen,5 VLC SW A schläft,25 2 WS B schläft,25 3 WW Beide lauschen,25 L 4 = p Bit i i ( ) 6 Ereignisse, 28 Bit,,75 Bitt pro Ereignis
8 A Mathematical Theory of Communication 948 Mathematische Definition: Informationsgehalt: Bit pro Zeichen, die notwendig sind, um die Information darzustellen. m H p log p m p i = i= Anzahl mögl. Ereignisse Wahrscheinlicheit des Auftretens des Ereignis i i 2 i Claude Elwood Shannon 96-2 H = log2 + log + 2 log + log = ( log2 log2 2) + log + log 2 log = ( ) + log + log 2 log = =, 75
9 A Mathematical Theory of Communication 948 Definition: Wir beschränen uns auf m=2 n, Zweierpotenzen m H p log p m p i = i= 2 Anzahl Zeichen im Alphabet Wahrscheinlicheit des Auftretens des Zeichens i i i Falls alle Zeichen gleich häufig, so H=n H<n, nicht rein zufällig, gewisse Abstufung Claude Elwood Shannon Mere: Die Entropie einer Nachrichtenquelle W ist die untere Grenze der zur Kodierung einer Nachricht durchschnittlich benötigten Bit. Entropie ursprünglich Begriff der Thermodynami und Statistischen Mechani
10 Verfahren von Claude Shannon und Robert Fano Verfahren von David A. Huffman (952)
11 Speicherplatz für 3 min Sound CD-Qualität, stereo: 3*6*764 = 3,5 MB 76.4 Byte/s Radio-Qualität, mono 3*6*225*2= 7,9 MB 44. Byte/s Sprachqualität, mono 3*6*25 = 2 MB.25 Byte/s ISDN-Telefonie, mono 3*6*896=,44 MB 8.96 Byte/s Entropieverfahren wie Hufmann, LZW wenig brauchbar Predictive Coding: DPCM Delta / Differential Pulse Code Modulation ADPCM Adaptive DPCM
12 Idee: die Differenzen zwischen den Pulswerten speichern. In der Regel leine Zahlen, z.b. mit 4 Bit zu odieren Delta 6-Bit-Delta Differenzen brauchen 7 Bit Konstante Differenzen führen zu mäßigen Ergebnissen Entweder wenig Komprimierung oder wenig Approximation
13 MP3 IMA ADCM 4bit Abtastwerte Vorhergesagte Werte Vorhersage- Fehler n- Quantisierter Vorhersage- Fehler repeat p p pq (,,...) ( ) ( ) ˆ ( ) ( ) ( ) ( ) x n predict x n x n e n x n x n ( ) ( p ) ( pq ) e n quantize e output e ( ) ( ) + ( ) xˆ n x n e n p n n+ until eof p pq Vorhersagewert +quantisierter Fehler ADPCM variables Delta vorhersagen
14 Interactive Multimedia Assocation Vorzeichen 4-Bit Delta- Nibble bit2 bit bit Status des Quantisierers xp(n-) index Stepsize-Tabelle Altes Delta=Tabelle[index] Nibble berechnen aus x(n)-xp(n-) und altem Delta Nibble ausgeben Neuen Index berechnen aus altem Index und Nibble Neue Vorhersage xp(n) berechnen Komprimierung IMA ADPCM 4: Komprimierung: 6Bit-Wert durch 4 Bit darstellen
15 vpdiff : = stepsize / 8 Vorzeichen 4-Bit Delta- Nibble bit2 bit bit vpdiff + = stepsize Hilfsvariable: Sample := x(n)-xp(n-) Stepsize := StepsizeTabelle[index] Neue Vorhersage x vpdiff + = stepsize vpdiff + = stepsize ( n) = x ( n ) vpdiff p p +
16 Initialisiere folgende Variablen predictor (aus Datei oder=) step_index (aus Datei oder=) step = ima-index_table[step_index] Verarbeitung der Nibble Loop { ibble = getnibble(nibblestream); int ima_index_table[6] = { -, -, -, -, 2, 4, 6, 8, -, -, -, -, 2, 4, 6, 8 }; int ima_step_table[89] = { 7, 8, 9,,, 2, 3, 4, 6, 7, 9, 2, 23, 25, 28, 3, 34, 37, 4, 45, 5, 55, 6, 66, 73, 8, 88, 97, 7, 8, 3, 43, 57, 73, 9, 29, 23, 253, 279, 37, 337, 37, 48, 449, 494, 544, 598, 658, 724, 796, 876, 963, 6, 66, 282, 4, 552, 77, 878, 266, 2272, 2499, 2749, 324, 3327, 366, 426, 4428, 487, 5358, 5894, 6484, 732, 7845, 863, 9493, 442, 487, 2635, 3899, 5289, 688, 85, 235, 22385, 24623, 2786, 29794, step_index = step_index + ima_index_table[(unsigned)nibble] diff = ((signed)nibble +.5) * step / 4 predictor = predictor + diff step = ima_step_table[step_index] }
17 Fourier, Jean-Baptiste Joseph Baron de (768-83), französischer Mathematier und Physier, geboren in Auxerre, ausgebildet im Mönchsloster von Saint-Benoît-sur-Loire. "Fourier, Jean- Baptiste Joseph Baron de", Microsoft Encarta 99 Enzylopädie Microsoft Corporation. Alle Rechte vorbehalten. nahm an der Französischen Revolution ativ teil lehrte École a ( ) Polytechnique in Paris ( ) f t = + a ( ) ( ) und an der École Normale cos 2π ft + b (795) sin 2π ft + 2 Teilnehmer an der Expedition Napoléon Bonapartes in Ägypten teil veröffentlichte + a er wichtiges ( Material über ) das ägyptische ( Altertum ) 2cos 2*2π ft + b2sin 2*2π ft Präfet des Département Isère 88 zum Baron ernannt + a ( ) ( ) 86 Mitglied 3cos 3*2π ft + b der Académie des sciences 3sin 3*2π ft 827 Mitglied Académie française Arbeiten zur +... Mathemati und mathematischen Physi. Jede In der anstandige Théorie analytique periodische de la chaleur Funtion (822, Analytische hat eine Theorie der Wärme) wandte er eine trigonometrische Reihe an, die man trigonometrische Reihendarstellung heute meist Fourier-Reihe nennt und mit deren Hilfe in der Physi mit und Techni eindeutig viele bestimmten mathematische Koeffizienten Probleme gelöst a i und werden b i. önnen.
18 f a ( ) t = + ( a cos( 2πft) + b sin( 2πft) ) 2 = Alternativ: λ = Periodenlänge f a ( ) 2πt 2πt f t = + a cos b sin 2 + = λ λ Beispiel: Orgelton ( ( π ft) + ( π ft ) + ( π ft ) + ( π ft )) * sin 2 sin 2 *2 sin 2 *4 sin 2 *6 4 a = Ν, b = b2 = b4 = b6 = b = sonst. 4
19 f a ( ) t = + ( a cos( 2πft) + b sin( 2πft) ) 2 = Die Koeffizienten a, b bestimmen, mit welcher Amplitude die zugehörige Frequenz am Klang beteiligt ist. Periodische Funtionen haben ein disretes Spetrum f ist die niedrigste beteiligte Frequenz. Amplitude Frequenz f 2 f 3 f 4 f 5 f 6 f
20 f ( x) = j= 4 ( 2 j ) sin π Rechtecfuntion ist periodisch, erfüllt Dirichlet sche Bedingungen (siehe Lehrbuch Analysis), also gibt es Fourier-Darstellung (( 2 j ) x)
21 f ( x) = j= 4 ( 2 j ) sin π (( 2 j ) x)
22 f ( x) = j= 4 ( 2 j ) sin π (( 2 j ) x) Sägezahn ungerade Funtion (f(x)=-f(-x)), also eine Kosinus-Anteile erfüllt Dirichlet sche Bedingungen (siehe Lehrbuch Analysis), also gibt es Fourier-Darstellung
23 Berechnet mit Spectrogram. R. S. Horne
24 a g t = + a ft + b ft 2 ( ) cos( 2π ) sin ( 2π ) = ( ) Mathemati: / / / ( ) a = 2 f g t dt f f ( ) ( π ) a = 2 f g t cos 2 ft dt f ( ) ( π ) b = 2 f g t sin 2 ft dt Wichtige Folgerung: ist die periodische Funtion g(t) frequenzbeschränt, so besteht das Spetrum aus endlich vielen disreten Werten
25 Mathemati: ix e = cos x+ isin x ix e = cos x isin x cos 2 sin 2 2 2i ( ) ( i2π ft i2π ft π ft = e e ) ( ) ( i2π ft i2π ft π ft = e e ) a g t a ft b ft ( ) = + cos( 2π ) + sin ( 2π ) ( ) n n 2 = a a b gn t e e e e ( ) ( 2π 2π ) ( 2π 2π = + + ) n i ft i ft i ft i ft = i
26 a a b gn t e e e e ( ) ( 2π 2π ) ( 2π 2π = + + ) n i ft i ft i ft i ft = i triviale Umrechnung a π g ( t) = + ( a ib ) e + ( a + ib ) e n i2 ft i2π ft n 2 = 2 2 geniale Substitution a c, c a ib, c a ib ( ) ( ) = = + = ( ) 2 n immer noch die = i ft g t ce π n = n Fourier-Reihe n=
27 Wir hatten schon: und berechnen daraus / / / ( ) a = 2 f g t dt f f ( ) ( π ) a = 2 f g t cos 2 ft dt f ( ) ( π ) b = 2 f g t sin 2 ft dt f 2 = i π ft c f g ( t) e dt
28 f 2 2 ( ) = i πft ( ) i π ft g t e f g t e dt = f 2 2 = i π ft ( ) 2 setze = 2 2 i π ft e g t e dt π f u π f π = f = i ut e 2 g t e dt u u π = = 2π ( ) iut G u e du i ut ( ) ( ) f
29 + iut G ( u) = g ( t) e dt G(u) ist Fourier-Transformierte von g(t) Inverse Fouriertransformation g t = 2π + iut G u e du ( ) ( )
30 Transformation in den Frequenzraum Fourier-Transformation berechnet das Spetrum Periodische Funtionen haben ein disretes Spetrum Die Fouriertransformation lässt sich umehren! Die inverse Fourier-Transformation macht aus dem Spetrum den Sound. Anwendung der Fouriertransformation Analyse des Spetrums, Frequenzmessung Transpositionen Frequenzfilter (Hoch-, Tiefpass) Beweis des Sampling-Theorems
31 Wir betrachten die zu transformierende Funtion an 2n=2 i Stützstellen. 2n = 2πi m 2n f = m xe m=,,...2n Die Fouriertransformation (f,..f 2n- ) lässt sich durch divide & conquer (gerade und ungerade Summanden) mit Aufwand N*log(N) berechnen. Java-Klasse:
32 .4. Überblic: Fourier-Reihe.4.2 Überblic: Fourier-Transformation 2 7 Fourier-Reihe 6.3 omplexe Fourier-Reihe 23 Fourier-Transformation Disrete Fourier-Transformation, FFT 7A. Fourier-Reihe einer Rechtecschwingung 8._2 Kontinuierliche Fourier-Transformation, Satz von Plancherel
33 m 2n 2πi m 2n = = = f xe m,,...8 Beispiele Abtastfuntion x=(,,,,,,,) f=(2.8,,,,,,,)
34 m 2n 2πi m 2n = = = f xe m,,...8 Beispiele Grenzfrequenz x=(,-,,-,,-,,-) f=(,,,,2.8,,,)
35 m 2n 2πi m 2n = = = f xe m,,...8 Beispiele Rechtec x=(,,,,-,-,-,-) f=(,-.7+.7i,,-.7+,3i,,-.7-.3,,-.7-,7i x t
36 δ ( x) Definition: ( x) = x, ( x) dx = Eigenschaften: ( x) δ ( x) dx f ( ) f = f ( x) δ ( x x ) dx = f ( x x ) δ ( x) dx = f ( x ) δ = = ( x) f ( x) δ ( t) f ( x t) dt = f ( x t) t = f ( x)
37 x FT III τ x III = τ δ ( x nτ ) Shah-Funtion mit Frequenz τ τ = τiii n Z ( τx) = n Z n δ x τ f(x) zu sampelnde Funtion mit beschräntem Spetrum g x τ ( x) = III f ( x) Spetrum Ausgangs- Signal Spetrum agbetastetes Signal
38 f x = FT F x = FT ( ) ( ( )) ( ( ) ( )) = G x Π τ x g( x) sinc τ ( x) FT( f ( x) ) F = Spetrum x G( x) = τiii τx F x ( ) ( ) Faltung FT(Shah) mit Spetrum ( ) Kastenfuntion Π τ x F x = Π x G x ( ) ( ) ( ) τ
39 Aliasing bei falscher Abtastfrequenz Fehler! -f max f s f max Frequenzspetrum des Ausgangssignals mit f max f s Frequenzspetrum des abgetasteten Signals mit f s f max -f f max s -f f max max -ff s f max max -ff s f max max f s
40 Definition: h = ( x) f ( t) g( x t) dt = f g( x) ixu itu iyu Faltungssatz: f g( x) e dx = f ( t) e dt g( y) e dy urz: H u = F u G u ( ) ( ) ( ) H: Fouriertransformierte von h G: Fouriertransformierte von g F: Fouriertransformierte von f
41 δ ( x) x, δ ( x) = dx = Es gilt: III δ ( ax) = δ ( x) n= n= a ( x) = δ ( x n) Dirac sche Delta-Funtion Shah-Funtion FT III x = III Es gilt: ( ( )) ( ) III ( ax) = δ ( ax n) = δ a x = n Z n Z x n a a n Z δ x n a castleman
42 Vorlesung Medientechni WS 22/3 Dr. Manfred Jacel Studiengang Computervisualisti Universität Kobenz-Landau Campus Koblenz Postfach Koblenz Manfred Jacel WWW: mtech.uni-oblenz.de Hyperlins zu diesem Kapitel page.mi.fu-berlin.de/~lind/lingausarb/ Literatur zu diesem Kapitel Breitfeld, Peter: Fourierreihen und Fouriertransformation docs.sfzbw.de/phag/sripte/fourier.pdf Transformation Grafi-Quellen
AAC ADPCM. Kompressionsverfahren für Audio. Anzahl Zeichen MP3 Wahrscheinlichkeit. des Auftretens des Zeichens
Entropie= durchschnittlicher Informationsgehalt pro Zeichen in einer Zeichenkette H = pilog2 p m p m i= 1 Anzahl Zeichen MP3 Wahrscheinlichkeit AAC ADPCM i i des Auftretens des Zeichens i Kompressionsverfahren
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
MehrFOURIERREIHEN. a) Periodische Funktionen. 3) Rechteckschwingung. b) Stückweise stetige Funktionen. Skizze= Sägezahnschwingung
FOURIERREIHEN 1. Grundlagen a) Periodische Funtionen Beispiele: 1) f( x) = sin( x+ π / 3), T = 2 π /. 2) f( t) = cos( ωt+ ϕ), T = 2 π / ω. 3) Rechtecschwingung, 1< t < f() t =, f( t+ 2) = f() t 1, < t
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,
MehrFourierreihen. Definition. Eine Funktion f(x) heißt periodisch mit der Periode T, wenn f(x + T ) = f(x)
Fourierreihen Einer auf dem Intervall [, ] definierten Funtion f(x) ann ein (approximierendes) trigonometrisches Polynom (Fourier-Polynom) der Gestalt S n (x) = a + n a cos x + n b sin x zugeordnet werden.
MehrBlatt 11.4: Deltafunktion und Fourierreihen
Faultät für Physi R: Rechenmethoden für Physier, WiSe 215/16 Dozent: Jan von Delft Übungen: Benedit Bruognolo, Dennis Schimmel, Fraue Schwarz, uas Weidinger http://homepages.physi.uni-muenchen.de/~vondelft/ehre/15r/
MehrKompressionsverfahren
Kompressionsverfahren Quelle: Steinmetz, Ralf: Multimedia-Technologie: Einführung und Grundlagen, Springer, Verlag Verlustlose Kompressionsalgorithmen RLC Huffman Adaptive Huffman Kodierung Arithmetische
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
MehrFourier-Reihen und Fourier-Transformation
Fourier-Reihen und Fourier-Transformation Matthias Dreÿdoppel, Martin Koch, Bernhard Kreft 25. Juli 23 Einleitung Im Folgenden sollen dir und die Fouriertransformation erläutert und mit Beispielen unterlegt
MehrSignale, Transformationen
Signale, Transformationen Signal: Funktion s(t), t reell (meist t die Zeit, s eine Messgröße) bzw Zahlenfolge s k = s[k], k ganzzahlig s reell oder komplex s[k] aus s(t): Abtastung mit t = kt s, s[k] =
Mehrx[n-1] x[n] x[n+1] y[n-1] y[n+1]
Systeme System Funtion f, die ein Eingangssignal x in ein Ausgangssignal y überführt. zeitdisretes System Ein- und Ausgangssignal sind nur für disrete Zeitpunte definiert y[n] = f (.., x[n-1], x[n], x[n+1],
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
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
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
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).
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:
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
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
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
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
MehrKlausur - Analysis 1
Prof. Dr. László Széelyhidi Analysis I, WS 22 Klausur - Analysis Lösungen Aufgabe. i Punt Definieren Sie, wann x n eine Cauchyfolge ist. Lösung : x n heisst Cauchyfolge wenn es zu jedem ε > ein N N gibt,
MehrKapitel 3 Trigonometrische Interpolation
Kapitel 3 Trigonometrische Interpolation Einführung in die Fourier-Reihen Trigonometrische Interpolation Schnelle Fourier-Transformation (FFT) Zusammenfassung Numerische Mathematik II Herbsttrimester 212
MehrMultimediale Werkzeuge, Audio: Formate, Tools. -Sound/Audio Objekte. Formate, Beispiele:
Multimediale Werkzeuge, Audio: Formate, Tools -Sound/Audio Objekte Formate, Beispiele: - Mp3 (Kurz für MPEG1/2 Layer 3) - PCM (z.b. Wave Datei), übliche Formate: CD: 44100 HZ Abtastrate, 16 Bits/Abtastwert.
MehrDas magische Quadrat für stochastische Prozesse
. Geodätische Woche Das magische Quadrat für stochastische Prozesse 1 Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie - Universität Bonn Ina Krasbutter, Boris Kargoll, Wolf-Dieter
MehrGrundlagen der Informationstheorie. Hanna Rademaker und Fynn Feldpausch
Grundlagen der Informationstheorie Hanna Rademaker und Fynn Feldpausch . Thema Informationstheorie geht zurück auf Claude Shannon The Mathematical Theory of Communication beschäftigt sich mit Information
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
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
MehrT n (1) = 1 T n (cos π n )= 1. deg T n q n 1.
KAPITEL 3. INTERPOLATION UND APPROXIMATION 47 Beweis: Wir nehmen an qx) für alle x [, ] und führen diese Annahme zu einem Widerspruch. Es gilt nach Folgerung ii) T n ) T n cos π n ). Wir betrachten die
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
MehrMultimediatechnik / Video
Multimediatechnik / Video Codierung, Datenreduktion Quantisierung, Lauflängencodierung DCT, JPEG http://www.nanocosmos.de/lietz/mtv Inhalt Codierung digitaler Signale Datenreduktion (Kompression) Verlustfrei
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
MehrSiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:
/5 Fourier-Analyse (periodischer Signale) Grundlagen Ein periodisches, kontinuierliches Signal x(t) der Periodendauer kann als Fourier-Reihe beschrieben werden: wie folgt ( ) = c k x t + e j k 2πf t k=
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der 1. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Zeitdiskretes Signal Quantisiertes Signal Digitales Signal Kontinuierliches System Abtastsystem
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
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
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
Mehr3.5 Schnelle Fouriertransformation (FFT, DFT)
3.5 Schnelle Fouriertransformation (FFT, DFT) 3.5.1 Grundlagen Ein Polynom P = i a ix i C[x] vom Grad n ist eindeutig durch seine Koeffizienten a i bestimmt, d.h. man hat eine Bijektion {Polynome C[x]
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
MehrPhysikalische Grundlagen der Kommunikation
Physikalische Grundlagen der Kommunikation Prof. Dr. Clemens H. Cap http://wwwiuk.informatik.uni-rostock.de http://www.internet-prof.de 2003 C. Cap Koordinaten tragung von Information durch nden eines
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:
MehrEinführung in Kompressionstechniken
Einführung in Kompressionstechniken W. Kowarschick 7. Februar 997. November 9 W. Kowarschick Motivation Dateigrößen Text Vektorgraphiken Rasterbilder Tomographien Telephon CD-Stereo Bildfolgen VD7 VD7
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens SS2013 Inhalt Fourier Reihen Sehen wir in 2 Wochen Lösung der lin. Dgln.
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
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
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
MehrIdee. Man betrachte als Standardbeispiel dieses Kapitels die nicht periodische
Kapitel 27 Fourier-Transformation 27. Einführung (periodische Fortsetzung; ontinuierliches Spetrum) Die Integraltransformation im Mittelpunt der hier ausgeführten Betrachtungen ist die Fourier-Transformationen.
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
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
MehrName Vorname Fachrichtg. Matrikelnr. Punkte Klausur Aufgabe max. Punkte Punkte. Bitte beachten!
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik III Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
MehrAllgemeine Form der Fourierreihe einer zwei- -periodischen, stetigen Funktion:
Einführung Eine Funktion mittels trigonometrischer Funktionen darzustellen ist das Ziel bei Fourierreihenentwicklung. Als Fourierreihe einer periodischen Funktion f, die abschnittsweise stetig ist, bezeichnet
MehrFourier- und Laplace- Transformation
Skriptum zur Vorlesung Mathematik für Ingenieure Fourier- und Laplace- Transformation Teil : Fourier-Transformation Prof. Dr.-Ing. Norbert Höptner (nach einer Vorlage von Prof. Dr.-Ing. Torsten Benkner)
MehrAufgabe: Summe Punkte (max.): Punkte:
ZUNAME:.................................... VORNAME:.................................... MAT. NR.:................................... 2. Teilprüfung 389.055 A Signale und Systeme 2 Institute of Telecommunications
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Error-Free Compression Hufmann Coding Runlength Coding Lossy Compression
MehrMolekulare Bioinformatik
Molekulare Bioinformatik Wintersemester 203/204 Prof. Thomas Martinetz Institut für Neuro- und Bioinformatik Universität zu Luebeck 07.0.204 Molekulare Bioinformatik - Vorlesung 0 Wiederhohlung Die Entropie
MehrImage Compression. Kompression. Beseitigung der unnötigen Daten... Redundanz. Vorlesung FH-Hagenberg SEM. Backfrieder-Hagenberg. Backfrieder-Hagenberg
Image Compression Vorlesung FH-Hagenberg SEM Kompression Encoder Decoder Beseitigung der unnötigen Daten... Redundanz 1 Inhalte Redundanz Channel Encoding Error-Free Compression Hufmann Coding Runlength
MehrZusammenfassung : Fourier-Reihen
Zusammenfassung : Fourier-Reihen Theorem : Jede (nicht-pathologische) periodische Funktion läßt sich schreiben als "Fourier-Reihe" der Form: Vorzeichen ist Konvention, in Mathe : + Fourier-Transformation
MehrAnaloge Signale und Systeme im Zeit- und Frequenzbereich
. Zeitbereich Analoge Signale und Systeme im Zeit- und Frequenzbereich. Zeitbereich. Die Sprungfuntion h(t) Eine um die Zeit τ zeitverschobene Sprungfuntion schreibt sich also h(t-τ).. Der Dirac-Impuls
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) +
MehrLudwig-Maximilians-Universität München Prof. Hußmann Digitale Medien 6-32
6. Ton und Klang 6.1 Ton: Physikalische und physiologische Aspekte 6.2 Kompression von Audio-Signalen: MPEG-Audio 6.3 Audio-Datenformate: Übersicht 6.4 Klangerzeugung und MIDI Ludwig-Maximilians-Universität
MehrLösungsvorschläge zum 14. Übungsblatt.
Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine
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
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.
MehrPeriodische Funktionen, Fourier Reihen
Kapitel 1: Periodische Funktionen, Fourier Reihen 1.1 Grundlegende Begriffe Periodische Funktionen Definition: Eine Funktion f : R R oder f : R C) heißt periodisch mit der Periode T, falls für alle t R
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
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
MehrMedien- Technik. Videotechnik
Videotechnik 1 Optimaler Sehabstand Winkel < 1/60 Europa 625 / 50 / 2:1 USA 625 / 59.94 / 2:1 HDTV 1125 / 60 / 2:1 Seitenverhältnis 4:3 trad. 16:9 HDTV Bildwiederholrate muß bei hellem Umfeld höher sein
MehrSeite 2 Information = Unsicherheit e Info (e) := - log p(e) Info ( A und B) = Info (A) + Info (B) Definition: = Info (nie eintretendes Ereignis) eines
Seite 1 Georg-August-Universität Göttingen Robert Schaback Zum Begriff der Information in Mathematik und Informatik Seite 2 Information = Unsicherheit e Info (e) := - log p(e) Info ( A und B) = Info (A)
MehrStefan Ruzika. 24. April 2016
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 2: Körper 24. April 2016 1 / 21 Gliederung 1 1 Schulstoff 2 Körper Definition eines Körpers
Mehr3.2 Die Fouriertransformierte
5 3.2 Die Fouriertransformierte Eine Funktion f : R C heißt absolut integrabel, falls sie stückweise stetig und fx dx < ist. Definition: Sei f : R C absolut integrabel. Dann bezeichnen wir die durch fω
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
MehrGierige Algorithmen Interval Scheduling
Gierige Algorithmen Interval Scheduling IntervalScheduling(s,f). n length[s] 2. A {} 3. j 4. for i 2 to n do 5. if s[i] f[j] then 6. A A {i} 7. j i 8. return A Gierige Algorithmen Interval Scheduling Beweisidee:
MehrDigital Signal Processing
- for Master Study by TFH Bochum - Analog Signal I OO O I I I O O O Digital Signal Seite 1 Zielsetzung der Signalverarbeitung Analyse: H(t), H(f) Modellieren y(t) {} Physikalische Größe und Prozesse Synthese
MehrGrundlagen der Signalverarbeitung
Grundlagen der Signalverarbeitung Digitale und analoge Filter Wintersemester 6/7 Wiederholung Übertragung eines sinusförmigen Signals u t = U sin(ω t) y t = Y sin ω t + φ ω G(ω) Amplitude: Y = G ω U Phase:
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
Mehr3. Diskrete Fourier-Transformation
Vorüberlegung: Die Gleichung λ =0 hat die N verschiedenen Lösungen λ k =e 2 π i k / N,,, Aus λ = (λ λ k ) k =0 folgt durch Koeffizientenvergleich e 2 π i k/ N = λ k =0 Für jede ganze Zahl m gilt m d. h.
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
MehrHöhere Mathematik 3 Herbst 2014
IMNG, Fachbereich Mathematik Universität Stuttgart Prof. Dr. K. Höllig Höhere Mathematik 3 Herbst 214 Aufgabe 1 Entscheiden Sie, welche der folgenden Aussagen richtig und welche falsch sind. (i) rot(2
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
MehrEine Herleitung zur Dichtefunktion der Normalverteilung
Eine Herleitung zur Dichtefuntion der Normalverteilung Michael D. Pfeifer (michael.pfeifer@hotmail.com) 1. Februar 16 1 Einführung Die Normalverteilung ist für viele wissenschaftliche Anwendungen wesentlich.
MehrLAPLACE Transformation
LAPLACE Transformation Bei der LAPLACE-Transformation wird einer (geeigneten) Funktion f(t) eine Funktion F (s) zugeordnet. Diese Art von Transformation hat u.a. Anwendungen bei gewissen Fragestellungen
MehrPunktweise Konvergenz stückweise glatter Funktionen. 1 Vorbereitungen
Vortrag zum Seminar zur Fourieranalysis, 3.10.007 Margarete Tenhaak Im letzten Vortrag wurde die Fourier-Reihe einer -periodischen Funktion definiert. Fourier behauptete, dass die Fourier-Reihe einer periodischen
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
Mehr1 Fourier-Reihen und Fourier-Transformation
Fourier-Reihen und Fourier-ransformation Fourier-Reihen und Fourier-ransformation J.B.J. de Fourier beobachtete um 8, dass sich jede periodische Funktion durch Überlagerung von sin(t) und cos(t) darstellen
MehrTeil III. Fourieranalysis
Teil III Fourieranalysis 3 / 3 Fourierreihen Ziel: Zerlegung einer gegebenen Funktion in Schwingungen Konkret: f : (, L) R gegebene Funktion Gesucht: Darstellung der Form ( f (x) = a + a n cos ( n L x)
MehrEffiziente Algorithmen und Komplexitätstheorie
Fakultät für Informatik Lehrstuhl 2 Vorlesung Effiziente Algorithmen und Komplexitätstheorie Sommersemester 2008 Ingo Wegener; Vertretung: Carsten Witt 7. Juli 2008 Vorlesung am 14.07. (nächste Woche):
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
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
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrProseminar Datenkompression
Proseminar Datenkompression Soundkompression Michael Grünert Markus Rickert Übersicht Fähigkeiten von MPEG Digitalisierung / Sampling Das Psychoakustische Modell Hörschwelle Simultane Maskierung Zeitliche
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
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
MehrMessung der Schallgeschwindigkeit über Resonanz
Messung der Schallgeschwindigeit über Resonanz Lautsprecher Mirofon Frequenzgenerator/Wechselspannung und Verstärer Oszillosop mit Darstellung der Anregung (Kanal 1) und des Mirofon- Signals (Kanal 2)
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
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 12. Dezember 2007 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
MehrFrequenzanalyse. Der Abstand der diskreten Frequenzlinien ist der Kehrwert der Periodendauer:
WS 0 Fourier-Reihe: Jede einigrermaßen gutartige 1 periodishe reelle Zeitfuntion x(t) ann mittels einer Fourier-Reihe dargestellt werden als eine Summe omplexer Amplituden (Fourier-Synthese): xt () e n
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
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
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
Mehr