ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek.

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek."

Átírás

1 Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló

2 és jeleket generáló és jeleket generáló

3 Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló

4 [Marton] Márton, L. F., és rendszerek, Scientia, Cluj-Napoca, [Smith] Smith, S. W., Digital Signal Processing, Newnes, [Ingle] Ingle, V. K., Proakis, J. G., Digital Signal Processing using MATLAB, Brooks/Cole, [Lyons] Lyons, R. G., Understanding Digital Signal Processing, Prentice Hall, Upper Saddle River, New Jersey, [Hesselman] Hesselman, Norbert, Digitális jelfeldolgozás, Műszaki Könyvkiadó, és jeleket generáló

5 Statisztikai ADC és DAC. Mintavételezés, Kvantálás, Aliasing. Lineáris rendszerek Konvolúció és tulajdonságai Diszkrét Fourier transzformáció A Fourier transzformáció tulajdonságai A gyors Fourier transzformáció Szűrők. FIR, IIR. és jeleket generáló. Hangjel feldolgozása. Beszédfelismerés.

6 Jel: Egy vagy többváltozós függvény, amely információt hordoz valamely jelenségről f(t), t független változó, f(t) függő változó Feszültség elektronikus áramkörben Objektum pozíciója, sebessége, gyorsulása Hang, kép, videó Tőzsdei index Stock Market Index és jeleket generáló

7 a független változók száma szerint egydimenziós: hang kétdimenziós: kép a független változó természete szerint folytonos idejű: feszültség diszkrét idejű: tőzsdei index a függő változó természete szerint folytonos értékű: feszültség diszkrét értékű: digitális kép folytonos idejű, folytonos értékű: ANALÓG (feszültség) diszkrét idejű, diszkrét értékű: DIGITÁLIS (digitális audio) és jeleket generáló

8 Ábrázolás x[n] n Diszkrét jel Folytonos jel és jeleket generáló x(t) t

9 Jelölés x(t) : R R (1) x[n] : Z R (2) és jeleket generáló

10 Alkamazások Űrkutatás: felvételek minőségének javítása, adattömörítés Orvostudomány: képdiagnózis, elektrokardiogram analízis Távközlés: hangtömörítés, visszhang csökkentés, jel multiplexelése, szűrés Katonai: radar, hangradar (szonár) Ipari: olaj és ásványtelepek felderítése, figyelése és szabályozása és jeleket generáló

11 Távközlés Multiplexelés: lehetővé teszi, hogy ugyanazon a kommunikációs csatornán egyszerre több jelet is továbbítsunk. Például az ameriakai T szabvány 24 hangjel továbbítását teszi lehetővé, az európai pedig 30 hangjelét (Hangjel: mintavételezett jel, 8000 minta/s) Tömörítés: a szomszédos minták redundáns információt tárolnak Visszhang ellenőrzése és elnyomása: interkontinentális hívások esetében a visszhang visszaérkezése több száz ezredmásodperc, amely zavaró - ellenjel előállítása és jeleket generáló

12 Katonai alkalmazások RADAR (RAdio Detection and Ranging) cél: helymeghatározás működés: rádiófrekvenciájú jel sugárzása, visszaverődése, vételezése, eltelt idő távolság SONAR (SOund Navigation and Ranging) cél: helymeghatározás működés: 2kHz-40kHz hangjel sugárzása, visszaverődése, vételezése, eltelt idő távolság és jeleket generáló

13 Várható érték Szórásnégyzet µ = 1 N σ 2 = 1 N 1 N x i (3) i=1 N (x i µ) 2 (4) i=1 és jeleket generáló

14 Jel-zaj arány Mérés esetében µ: mérendő mennyiség σ: zaj, interferencia, mérés pontatlansága A szórás önmagában nem érdekes, hanem a középértékhez viszonyított értéke = Jel-Zaj arány (Signal-to-Noise Ratio) SNR = σ µ (5) és jeleket generáló

15 Decibel két mennyiség aránya: SNR = P jel P zaj P Decibel: SNR(dB) = 10log jel A 10 P zaj = 20log jel 10 A zaj Akusztika: hangnyomás kifejezése decibelben Hang db szint Hallásküszöb 0 Csendes szoba 20 Átlagos iroda 50 Normál beszéd 60 Forgalmas utca 70 Fájdalomküszöb 120 Halláskárosodás 150 Rakétamotor 180 és jeleket generáló

16 és jeleket generáló Folyamat: pénzérme dobása: fej 1, írás 0, várható érték 0.5 (fej,írás valószínűsége egyaránt 0.5)(Valószínűségszámítás) Generált jel: középérték pl (Statisztika) és jeleket generáló

17 osztályozása ANALOG DETERMINISZTIKUS NEM DETERMINISZTIKUS PERIODIKUS NEM PERIODIKUS STACIONARIUS NEM STACIONARIUS HARMONIKUS KVAZI PERIODIKUS és jeleket generáló ALTALANOS PERIODIKUS TRANZIENS

18 Determinisztikus jelek és jeleket generáló

19 Nemdeterminisztikus jelek és jeleket generáló

20 Az "egy" szám kiejtésének megfelelo hanghullám 1.5 x Mintavételezés: 22050Hz, Mintaméret: 16 bit Amplitúdó Mintaszám Minta értéke x 10 4 a.) load x; plot(x); b.) hist(x,50); N a minták szma M az egységek szma H i az i-edik intervallumba eső minták száma Gyakoriság és jeleket generáló N = M H i (6) i=1

21 -Képletek P(x) = 1 2πσ e (x µ)2 2σ 2 (7) x R D P( x ) = 1 (2π) D/2 Σ 1/2 e 1 2 ( x µ ) T Σ 1 ( x µ ) Σ a kovariancia matrix Σ, a kovariancia matrix determinánsa. (8) és jeleket generáló

22 - Véletlen számok 1200 Matlab rand függvény A Matlab randn függvény Gyakoriság Gyakoriság Mintaérték Mintaérték rand, illetve randn függvények segítségével előállított véletlen számsorozatok hisztogramjai; a.) x=rand(1, ); hx=hist(x,1000); stem(hx); b.)y=randn(1, ); hy=hist(y,1000); plot(hy); és jeleket generáló

23 8 x 104 Igazi érték Mérések középértéke Accuracy 3 2 Precision és jeleket generáló

Mérés és adatgyűjtés

Mérés és adatgyűjtés Mérés és adatgyűjtés 4. óra Mingesz Róbert Szegedi Tudományegyetem 2012. február 27. MA - 4. óra Verzió: 2.1 Utolsó frissítés: 2012. március 12. 1/41 Tartalom I 1 Jelek 2 Mintavételezés 3 A/D konverterek

Részletesebben

Az Informatika Elméleti Alapjai

Az Informatika Elméleti Alapjai Az Informatika Elméleti Alapjai dr. Kutor László Jelek típusai Átalakítás az analóg és digitális rendszerek között http://mobil.nik.bmf.hu/tantargyak/iea.html Felhasználónév: iea Jelszó: IEA07 IEA 3/1

Részletesebben

Informatika Rendszerek Alapjai

Informatika Rendszerek Alapjai Informatika Rendszerek Alapjai Dr. Kutor László Jelek típusai Átalakítás analóg és digitális rendszerek között http://uni-obuda.hu/users/kutor/ IRA 2014 2014. ősz IRA3/1 Analóg jelek digitális feldolgozhatóságának

Részletesebben

Orvosi Fizika és Statisztika

Orvosi Fizika és Statisztika Orvosi Fizika és Statisztika Szegedi Tudományegyetem Általános Orvostudományi Kar Természettudományi és Informatikai Kar Orvosi Fizikai és Orvosi Informatikai Intézet www.szote.u-szeged.hu/dmi Orvosi fizika

Részletesebben

Hangtechnika. Médiatechnológus asszisztens

Hangtechnika. Médiatechnológus asszisztens Vázlat 3. Előadás - alapjai Pécsi Tudományegyetem, Pollack Mihály Műszaki Kar Műszaki Informatika és Villamos Intézet Műszaki Informatika Tanszék Ismétlés Vázlat I.rész: Ismétlés II.rész: A digitális Jelfeldolgozás

Részletesebben

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu

Részletesebben

Jelfeldolgozás. Gyakorlat: A tantermi gyakorlatokon való részvétel kötelező! Kollokvium: csak gyakorlati jeggyel!

Jelfeldolgozás. Gyakorlat: A tantermi gyakorlatokon való részvétel kötelező! Kollokvium: csak gyakorlati jeggyel! 1 Jelfeldolgozás Jegyzet: http://itl7.elte.hu : Elektronika jegyzet (Csákány A., ELTE TTK 119) Jelek feldolgozása (Bagoly Zs. Csákány A.) angol nyelv DSP (PDF) jegyzet Gyakorlat: A tantermi gyakorlatokon

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Jelfeldolgozás - ANTAL Margit. impulzusválasz. tulajdonságai. Rendszerek. ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem

Jelfeldolgozás - ANTAL Margit. impulzusválasz. tulajdonságai. Rendszerek. ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem Sapientia - Erdélyi Magyar Tudományegyetem 2007 Megnevezések Diszkrét Dirac jel Delta függvény Egységimpluzus függvény A diszkrét Dirac jel δ[n] = { 1, n = 0 0, n 0 d[n] { 1, n = n0 δ[n n 0 ] = 0, n n

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Mintavételezés és jel-rekonstrukció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010.

Részletesebben

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006

Részletesebben

Fourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz

Fourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos

Részletesebben

2. gyakorlat Mintavételezés, kvantálás

2. gyakorlat Mintavételezés, kvantálás 2. gyakorlat Mintavételezés, kvantálás x(t) x[k]= =x(k T) Q x[k] ^ D/A x(t) ~ ampl. FOLYTONOS idı FOLYTONOS ANALÓG DISZKRÉT MINTAVÉTELEZETT DISZKRÉT KVANTÁLT DIGITÁLIS Jelek visszaállítása egyenköző mintáinak

Részletesebben

Elektronika Előadás. Digitális-analóg és analóg-digitális átalakítók

Elektronika Előadás. Digitális-analóg és analóg-digitális átalakítók Elektronika 2 9. Előadás Digitális-analóg és analóg-digitális átalakítók Irodalom - Megyeri János: Analóg elektronika, Tankönyvkiadó, 1990 - U. Tiecze, Ch. Schenk: Analóg és digitális áramkörök, Műszaki

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ Dr. Soumelidis Alexandros 2018.09.06. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A tárgy célja

Részletesebben

Analóg digitális átalakítók ELEKTRONIKA_2

Analóg digitális átalakítók ELEKTRONIKA_2 Analóg digitális átalakítók ELEKTRONIKA_2 TEMATIKA Analóg vs. Digital Analóg/Digital átalakítás Mintavételezés Kvantálás Kódolás A/D átalakítók csoportosítása A közvetlen átalakítás A szukcesszív approximációs

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY Dr. Soumelidis Alexandros 2018.10.25. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mintavételezés

Részletesebben

Mintavételezés és AD átalakítók

Mintavételezés és AD átalakítók HORVÁTH ESZTER BUDAPEST MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM JÁRMŰELEMEK ÉS JÁRMŰ-SZERKEZETANALÍZIS TANSZÉK ÉRZÉKELÉS FOLYAMATA Az érzékelés, jelfeldolgozás általános folyamata Mérés Adatfeldolgozás 2/31

Részletesebben

Villamos jelek mintavételezése, feldolgozása. LabVIEW 7.1

Villamos jelek mintavételezése, feldolgozása. LabVIEW 7.1 Villamos jelek mintavételezése, feldolgozása (ellenállás mérés LabVIEW támogatással) LabVIEW 7.1 előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 KONF-5_2/1 Ellenállás mérés és adatbeolvasás Rn

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus

Részletesebben

Mintavétel: szorzás az idő tartományban

Mintavétel: szorzás az idő tartományban 1 Mintavételi törvény AD átalakítók + sávlimitált jel τ időközönként mintavétel Mintavétel: szorzás az idő tartományban 1/τ körfrekvenciánként ismétlődik - konvolúció a frekvenciatérben. 2 Nem fednek át:

Részletesebben

Villamos jelek mintavételezése, feldolgozása. LabVIEW előadás

Villamos jelek mintavételezése, feldolgozása. LabVIEW előadás Villamos jelek mintavételezése, feldolgozása (ellenállás mérés LabVIEW támogatással) LabVIEW 7.1 2. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-2/1 Ellenállás mérés és adatbeolvasás Rn ismert

Részletesebben

Wavelet transzformáció

Wavelet transzformáció 1 Wavelet transzformáció Más felbontás: Walsh, Haar, wavelet alapok! Eddig: amplitúdó vagy frekvencia leírás: Pl. egy rövid, Dirac-delta jellegű impulzus Fourier-transzformált: nagyon sok, kb. ugyanolyan

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

A gyakorlat célja a fehér és a színes zaj bemutatása.

A gyakorlat célja a fehér és a színes zaj bemutatása. A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18;

Részletesebben

A Brüel & Kjaer zajdiagnosztikai módszereinek elméleti alapjai és ipari alkalmazása

A Brüel & Kjaer zajdiagnosztikai módszereinek elméleti alapjai és ipari alkalmazása A Brüel & Kjaer zajdiagnosztikai módszereinek elméleti alapjai és ipari alkalmazása Összeállította: dr. Szuhay Péter Budapest, 2013 Filename, 1 Hang és zaj 1. rész Dr. Szuhay Péter B & K Components Kft

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi

Részletesebben

Iványi László ARM programozás. Szabó Béla 6. Óra ADC és DAC elmélete és használata

Iványi László ARM programozás. Szabó Béla 6. Óra ADC és DAC elmélete és használata ARM programozás 6. Óra ADC és DAC elmélete és használata Iványi László ivanyi.laszlo@stud.uni-obuda.hu Szabó Béla szabo.bela@stud.uni-obuda.hu Mi az ADC? ADC -> Analog Digital Converter Analóg jelek mintavételezéssel

Részletesebben

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

Részletesebben

Mozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)

Mozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07) TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát

Részletesebben

Akusztikus mérőműszerek

Akusztikus mérőműszerek Akusztikus mérőműszerek Hangszintmérő: méri a frekvencia súlyozott, és nyomásátlagolt hangnyomás szintet (hangszintet). Felépítése Mikrofon + Erősítő Frekvencia Szint tartomány Időátlagolás Kijelzés Előerősítő

Részletesebben

Analóg-digitális átalakítás. Rencz Márta/ Ress S. Elektronikus Eszközök Tanszék

Analóg-digitális átalakítás. Rencz Márta/ Ress S. Elektronikus Eszközök Tanszék Analóg-digitális átalakítás Rencz Márta/ Ress S. Elektronikus Eszközök Tanszék Mai témák Mintavételezés A/D átalakítók típusok D/A átalakítás 12/10/2007 2/17 A/D ill. D/A átalakítók A világ analóg, a jelfeldolgozás

Részletesebben

Abszolút folytonos valószín ségi változó (4. el adás)

Abszolút folytonos valószín ségi változó (4. el adás) Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t

Részletesebben

Zajok és fluktuációk fizikai rendszerekben

Zajok és fluktuációk fizikai rendszerekben Zajok és fluktuációk fizikai rendszerekben Zajok információforrásként Makra Péter SZTE Kísérleti Fizikai Tanszék 2009-2010. őszi félév Változat: 0.0 Legutóbbi frissítés: 2009. október 14. Makra Péter (SZTE

Részletesebben

2. Elméleti összefoglaló

2. Elméleti összefoglaló 2. Elméleti összefoglaló 2.1 A D/A konverterek [1] A D/A konverter feladata, hogy a bemenetére érkező egész számmal arányos analóg feszültséget vagy áramot állítson elő a kimenetén. A működéséhez szükséges

Részletesebben

Mintavételezés tanulmányozása. AD - konverzió. Soros kommunikáció

Mintavételezés tanulmányozása. AD - konverzió. Soros kommunikáció Mintavételezés tanulmányozása. AD - konverzió. Soros kommunikáció A gyakorlat célja A gyakorlat során a dspic30f6010 digitális jelprocesszor Analóg Digital konverterét tanulmányozzuk. A mintavételezett

Részletesebben

Digitális jelfeldolgozás

Digitális jelfeldolgozás Digitális jelfeldolgozás Átviteli függvények Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. október 13. Digitális

Részletesebben

Markov-láncok stacionárius eloszlása

Markov-láncok stacionárius eloszlása Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK Dr. Soumelidis Alexandros 2018.10.18. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérések

Részletesebben

Rezgés, Hullámok. Rezgés, oszcilláció. Harmonikus rezgő mozgás jellemzői

Rezgés, Hullámok. Rezgés, oszcilláció. Harmonikus rezgő mozgás jellemzői Rezgés, oszcilláció Rezgés, Hullámok Fogorvos képzés 2016/17 Szatmári Dávid (david.szatmari@aok.pte.hu) 2016.09.26. Bármilyen azonos időközönként ismétlődő mozgást, periodikus mozgásnak nevezünk. A rezgési

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

A digitális jelek időben és értékben elkülönülő, diszkrét mintákból állnak. Ezek a jelek diszkrét értékűek és idejűek.

A digitális jelek időben és értékben elkülönülő, diszkrét mintákból állnak. Ezek a jelek diszkrét értékűek és idejűek. A digitális hangrögzítés és lejátszás A digitális hangrögzítés és lejátszás az analóg felvételhez és lejátszáshoz hasonló módon történik, viszont a rögzítés módja már nagymértékben eltér. Ezt a folyamatot

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,

Részletesebben

Diagnosztika Rezgéstani alapok. A szinusz függvény. 3π 2

Diagnosztika Rezgéstani alapok. A szinusz függvény. 3π 2 Rezgéstani alapok Diagnosztika 03 --- 1 A szinusz függvény π 3,14 3π 4,71 π 1,57 π 6,8 periódus : π 6,8 A szinusz függvény periódusának változása Diagnosztika 03 --- π sin t sin t π π sin 3t sin t π 3

Részletesebben

X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ

X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ X. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ Ma az analóg jelek feldolgozása (is) mindinkább digitális eszközökkel és módszerekkel történik. A feldolgozás előtt az analóg jeleket digitalizálni kell.

Részletesebben

Informatika Rendszerek Alapjai

Informatika Rendszerek Alapjai Informatika Rendszerek Alapjai Dr. Kutor László Alapfogalmak Információ-feldolgozó paradigmák Analóg és digitális rendszerek jellemzői Jelek típusai Átalakítás rendszerek között http://uni-obuda.hu/users/kutor/

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

Z v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:

Z v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre: 1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:

Részletesebben

1.1 Számítógéppel irányított rendszerek

1.1 Számítógéppel irányított rendszerek Számítógépes irányításelmélet 4. Számítógéppel irányított rendszerek A fejezetnek az a célja, hogy bevezesse a számítógéppel irányított rendszerek alapfogalmait. Bemutatja a folytonos jel mintavételezését,

Részletesebben

Fehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!)

Fehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!) DSP processzorok: 1 2 3 HP zajgenerátor: 4 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! Fehérzajhoz a konstans érték kell - megoldás a digitális

Részletesebben

Adaptív dinamikus szegmentálás idősorok indexeléséhez

Adaptív dinamikus szegmentálás idősorok indexeléséhez Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Zaj- és rezgés. Törvényszerűségek

Zaj- és rezgés. Törvényszerűségek Zaj- és rezgés Törvényszerűségek A hang valamilyen közegben létrejövő rezgés. A vivőközeg szerint megkülönböztetünk: léghangot (a vivőközeg gáz, leggyakrabban levegő); folyadékhangot (a vivőközeg folyadék,

Részletesebben

y ij = µ + α i + e ij

y ij = µ + α i + e ij Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai

Részletesebben

Shift regiszter + XOR kapu: 2 n állapot

Shift regiszter + XOR kapu: 2 n állapot DSP processzorok: 1 2 HP zajgenerátor: 3 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! 4 Fehérzajhoz a konstans érték kell - megoldás a digitális

Részletesebben

3.18. DIGITÁLIS JELFELDOLGOZÁS

3.18. DIGITÁLIS JELFELDOLGOZÁS 3.18. DIGITÁLIS JELFELDOLGOZÁS Az analóg jelfeldolgozás során egy fizikai mennyiséget (pl. a hangfeldolgozás kapcsán a levegő nyomásváltozásait) azzal analóg (hasonló, arányos) elektromos feszültséggé

Részletesebben

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny

Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.

Részletesebben

Jel, adat, információ

Jel, adat, információ Kommunikáció Jel, adat, információ Jel: érzékszerveinkkel, műszerekkel felfogható fizikai állapotváltozás (hang, fény, feszültség, stb.) Adat: jelekből (számítástechnikában: számokból) képzett sorozat.

Részletesebben

Képrestauráció Képhelyreállítás

Képrestauráció Képhelyreállítás Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

Baran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70

Baran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70 Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes

Részletesebben

Akusztikus MEMS szenzor vizsgálata. Sós Bence JB2BP7

Akusztikus MEMS szenzor vizsgálata. Sós Bence JB2BP7 Akusztikus MEMS szenzor vizsgálata Sós Bence JB2BP7 Tartalom MEMS mikrofon felépítése és típusai A PDM jel Kinyerhető információ CIC szűrő Mérési tapasztalatok. Konklúzió MEMS (MicroElectrical-Mechanical

Részletesebben

A/D és D/A átalakítók gyakorlat

A/D és D/A átalakítók gyakorlat Budapesti Műszaki és Gazdaságtudományi Egyetem A/D és D/A átalakítók gyakorlat Takács Gábor Elektronikus Eszközök Tanszéke (BME) 2013. február 27. ebook ready Tartalom 1 A/D átalakítás alapjai (feladatok)

Részletesebben

Fourier transzformáció

Fourier transzformáció a Matematika mérnököknek II. című tárgyhoz Fourier transzformáció Fourier transzformáció, heurisztika Tekintsük egy 2L szerint periodikus függvény Fourier sorát: f (x) = a 0 2 + ( ( nπ ) ( nπ )) a n cos

Részletesebben

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

SCHRÖDINGER-EGYENLET SCHRÖDINGER-EGYENLET

SCHRÖDINGER-EGYENLET SCHRÖDINGER-EGYENLET SCHRÖDINGER-EGYENLET A Scrödinger-egyenlet a kvantummecanika mozgásegyenlet, Newton II. törvényével analóg. Nem vezetető le korábbi elvekből, de intuitívan bevezetető. Egy atározott energiával és impulzussal

Részletesebben

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható

Részletesebben

GPGPU. Hangfeldolgozás és hangszintézis

GPGPU. Hangfeldolgozás és hangszintézis GPGPU Hangfeldolgozás és hangszintézis Tartalom A mostani órán hangszintézis és hangfeldolgozási alapokat tekintünk át Ahhoz, hogy értelme legyen a problémák többségénél GPU-t használni, egy bizonyos (méret/számítási

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS

ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS Földtudományi mérnöki MSc mesterszak 2018/19 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Valószínűségi változók. Várható érték és szórás

Valószínűségi változók. Várható érték és szórás Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :

Részletesebben

Adatok statisztikai értékelésének főbb lehetőségei

Adatok statisztikai értékelésének főbb lehetőségei Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció

Részletesebben

TANTÁRGYPROGRAM. Az oktatásért felelős tanszék: Távközlési Tanszék Tantárgy ekvivalencia:

TANTÁRGYPROGRAM. Az oktatásért felelős tanszék: Távközlési Tanszék Tantárgy ekvivalencia: SZÉCHENYI ISTVÁN EGYETEM MŰSZAKI TUDOMÁNYI KAR INFORMATIKAI ÉS VILLAMOSMÉRNÖKI INTÉZET TÁVKÖZLÉSI TANSZÉK TANTÁRGYPROGRAM VILLAMOSMÉRNÖKI SZAK MINDEN SZAKIRÁNY A tantárgy tantervi címe: DIGITÁLIS JELFELDOLGOZÁS

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris

Részletesebben

A mintavételezéses mérések alapjai

A mintavételezéses mérések alapjai A mintavételezéses mérések alapjai Sok mérési feladat során egy fizikai mennyiség időbeli változását kell meghatároznunk. Ha a folyamat lassan változik, akkor adott időpillanatokban elvégzett méréssel

Részletesebben

ÖNÁLLÓ LABOR Mérésadatgyűjtő rendszer tervezése és implementációja

ÖNÁLLÓ LABOR Mérésadatgyűjtő rendszer tervezése és implementációja ÖNÁLLÓ LABOR Mérésadatgyűjtő rendszer tervezése és implementációja Nagy Mihály Péter 1 Feladat ismertetése Általános célú (univerzális) digitális mérőműszer elkészítése Egy- vagy többcsatornás feszültségmérés

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai alapok és valószínőségszámítás. Normál eloszlás Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

Az információelmélet alapjai, biológiai alkalmazások. 1. A logaritmusfüggvény és azonosságai

Az információelmélet alapjai, biológiai alkalmazások. 1. A logaritmusfüggvény és azonosságai Az információelmélet alapjai, biológiai alkalmazások 1. A logaritmusfüggvény és azonosságai 2 k = N log 2 N = k Például 2 3 = 8 log 2 8 = 3 10 4 = 10000 log 10 10000 = 4 log 2 2 = 1 log 2 1 = 0 log 2 0

Részletesebben

RC tag Amplitúdó és Fáziskarakterisztikájának felvétele

RC tag Amplitúdó és Fáziskarakterisztikájának felvétele RC tag Amplitúdó és Fáziskarakterisztikájának felvétele Mérésadatgyűjtés és Jelfeldolgozás 12. ELŐADÁS Schiffer Ádám Egyetemi adjunktus Közérdekű 2008.05.09. PTE PMMK MIT 2 Közérdekű PÓTMÉRÉS: Akinek elmaradása

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági matematika II. vizsgadolgozat, megoldással, Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak

Részletesebben

Orvosi Fizika és Statisztika

Orvosi Fizika és Statisztika Orvosi Fizika és Statisztika Szegedi Tudom{nyegyetem [ltal{nos Orvostudom{nyi Kar Természettudom{nyi és Informatikai Kar Orvosi Fizikai és Orvosi Informatikai Intézet www.szote.u-szeged.hu/dmi Orvosi Fizika

Részletesebben

A PC vagyis a személyi számítógép

A PC vagyis a személyi számítógép ismerd meg! A PC vagyis a személyi számítógép XX. rész A hangkártya 1. Bevezetés A hangkártya (sound-card) egy bõvítõ kártya, amely az alaplapon elhelyezkedõ hangszóró gyenge hangminõségét küszöböli ki.

Részletesebben

Jelgenerálás virtuális eszközökkel. LabVIEW 7.1

Jelgenerálás virtuális eszközökkel. LabVIEW 7.1 Jelgenerálás virtuális eszközökkel (mágneses hiszterézis mérése) LabVIEW 7.1 3. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-3/1 Folytonos idejű jelek diszkrét idejű mérése A mintavételezési

Részletesebben

RC tag Amplitúdó és Fáziskarakterisztikájának felvétele

RC tag Amplitúdó és Fáziskarakterisztikájának felvétele RC tag Amplitúdó és Fáziskarakterisztikájának felvétele Mérésadatgyűjtés és Jelfeldolgozás 11. ELŐADÁS Schiffer Ádám Egyetemi adjunktus Közérdekű PÓTMÉRÉS: Akinek elmaradása van, egy mérést pótolhat a

Részletesebben

Programozás és digitális technika II. Logikai áramkörök. Pógár István Debrecen, 2016

Programozás és digitális technika II. Logikai áramkörök. Pógár István Debrecen, 2016 Programozás és digitális technika II. Logikai áramkörök Pógár István pogari@eng.unideb.hu Debrecen, 2016 Gyakorlatok célja 1. Digitális tervezés alapfogalmainak megismerése 2. A legelterjedtebb FPGA-k

Részletesebben

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási

Részletesebben