Analóg "átjáró" "Going digital" is not a panacea [K. Self]

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Analóg "átjáró" "Going digital" is not a panacea [K. Self]"

Átírás

1 Fukcioális megosztás 3 Aalóg "átjáró" "Goig digital" is ot a paacea [K. Self] Az iformáció tárolás, feldolgozás, megjeleítés és átvitel digitális (D) formái ige előyösek; vaak azoba léyeges iformáció források és felhaszálások (érzékelők, beavatkozók; hag, kép), amelyek eleve aalóg 1 (A) természetűek A szükséges tartomáy váltás (az "átjárás") közvetle fizikai eszközei az ú. "adat"koverterek : az A/D és D/A átalakítók, és ezek gyakra domiása meghatározzák a digitális jelfeldolgozó redszer struktúráját, sajátságait. A bemeeti jeldigitalizáló (frot-ed, aalog-i-port, acqusitio, capture, measuremet) hozza létre a digitális formát: a jelet leíró umerikus mitákat, a kimeeti jelrekostruáló (back-ed, aalog-out-port, sythesis, exportig, geeratio) állítja vissza a jelalakot: az aalóg formát aalog IN AAF SHA AAF: Ati-Aliasig Filter SHA: Sample ad Hold Amplifier ADC: Aalog to Digital Coverter DSP: Digital Sigal Processor I/O: Iput/Output NRZ: No Retur to Zero ZOH: Zero Order Hold (register) DAC: Digital to Aalog Coverter AIF: Ati-Imagig Filter AAF: sávkorlátozó (elő)szűrő (hasomás szűrés) SHA: mitavevő ADC: A/D átalakító DSP: jel (umerikus mita) processzor ZOH: ullad-redű tartó (szakaszokét kostas iterpoláció) DAC: D/A átalakító AIF: rekostruáló (simító)szűrő (képmás szűrés) ADC DSP NRZ-mode DAC ZOH DSP samplig ADC DAC host iterface (digital I/O) AIF aalog OUT Mixed Aalog-Digital (MAD) sigal processig A megvalósítás (elsősorba az aalóg áramköri techológia) korlátait és az alkalmazások (külööse a specifikus jelek) eltérő igéyeit tükrözi az átalakítók sokfélesége. Alapvetőe eltérő a ézőpotja a redszer (jelfeldolgozó algoritmus) illetve áramkör (fizikai eszköz, techológia) tervezőek Az iterfész jellegéből adódóa, az adatkoverterek kevert (mixed) jelű eszközök; redszerbe itegrálásukat - a főkét digitális techológiát alkalmazó "beágyazott" változatokat (embedded coverter, macrocell ) - a megbízhatóság, ár, méret, fogyasztás és a teljesítőképesség javítása motiválja (és másolásuk is ehezebb) 1 Közkeletű mítosz, hogy az aalóg (amplitúdóba és időbe folytoos) jel midkét tartomáyba "végtele" felbotású (modell hipotézis); valójába a célszerű amplitúdó felbotásra határt szab a - haszos sávtól is függő - jel/zaj aráy, az idő felbotást pedig korlátozza az alkalmazott áramkörök átviteli képessége Köye zavarba is hozza a járatla felhaszálót az architektúrák és realizálások meglepő bősége, az elevezések (piaci hatást, techológiát ill. speciális alkalmazást is tükröző) változatossága és a gyors geeráció váltás. Segíti - a em köyű - eligazodást és optimális választást, ha tudjuk: "hogya teszi a dolgát" az átalakító

2 4 ADATKONVERTEREK A/D átalakítás (ADC): digitalizálás umerikus mita képzés Az A/D átalakítás három művelet: mitavétel, aráy kvatálás és kódolás együttese; az eredméy értékbe és időbe is diszkrét 3. Az x aalóg bemeet (jel, fizikai meyiség) és a N digitális kimeet (adat, umerikus mita) metrikai kapcsolata x + e = N x ahol x : mértékegység (aalóg referecia), x/ x : aráy (valós szám), N : mérőszám (egész), e : hiba (valós) Jelfolyam diagram (redszer szit, "fekete doboz") alapfukció: osztás és kerekítés (egyeletes, x felbotású skalár kvatálás) plusz műveletek: a mérőszám kódolása (fixpotos biáris kód): bit, és "beágyazott" mitavétel (véges az átalakítási idő; egyeletes, t = 1/f s időközök): f s gyakoriság aalóg jel (sigal) x mértékegység (referece) x i A/D átalakító (ADC) S Q C f s = 1/ t x mita gyakoriság (sample rate) umerikus mita (data) N i bit felbotás (resolutio) S: mitavevő (sampler) Q: kvatáló (quatizer) C: kódoló (coder) A kvatálás (diszkrét-amplitúdó) a potosságot, a mitavétel (diszkrét-idő) a sávszélességet korlátozza; a teljesítőképességet jól "méri" - és így az eszközök összehasolításához kiiduló adat lehet - az iformáció átviteli kapacitás (ITC: iformatio trasfer capacity): f s = t A két (alap)paraméter egyidejű javítása a gyakorlatba egymásak elletmodó követelméy (elvi - és ma még távoli - limit a "határozatlasági reláció", lásd 1.7 feladat). Jellegzetese eltérő kategóriát képviselek a fiom felbotású illetve a agy mitagyakoriságú átalakítók (lásd 4. oldal). Egy "uiverzális" átalakítótól az várható, hogy "ebből is egy kicsit, abból is egy kicsit" Általába x kostas és "beépített" ("oboard" referece). Ha speciálisa a referecia változhat - mit egy második (!) aalóg bemeet, a megevezés: aráymérő A/D (ratiometric ADC) 3 Az "amplitúdó-idő" kétdimeziós tér rácspotjaira törtéő leképzés az A/D átalakítás feladata. Az amplitúdó leképzési fukciót, szokásosa, traszfer karakterisztikával defiiáljuk (lásd 1.6 feladat). Ez az összefoglaló csak az egyeletes mitavétel és kvatálás esetét tárgyalja

3 Fukcioális megosztás 5 Kvatálás Determiisztikus, itervallumot (quatizatio cell) jelölő 4 művelet az egyeletes kvatálás, amely - természetéből adódóa - veszteséges iformáció kompresszió: "valós egész szám" leképzés ( kerekítés; "may-to-oe" mappig ) x/ x 1 tölcsér modell x i: x Q out: N = roud (x/ x) i: x/ x + e + out: N Hatása additív hibaforráskét tekithető: a hiba bemeet-függő, de tartomáya korlátozott x 1 1 e = N (, ) x Hibabecslés (a kvatálás elmélete) - determiisztikus: emlieáris leírás - statisztikus (sztochasztikusa lieáris modell): ha a jel amplitúdó eloszlásáak karakterisztikus függvéye (a sűrűségfüggvéy Fourier traszformáltja 5 ) korlátos - azaz véges tartójú - akkor az e hiba egyeletes amplitúdó eloszlású (a 1/,1/ tartomáyba) és spektrálisa fehér zaj (a Nyquist sávba: az f s / tartomáyba), az aktuális bemeettől függetleül ( kvatálási tétel 6 ) A teljes zaj teljesítméy - az amplitúdó eloszlás variaciája (szóráségyzete) ( x) P Q = 1 em függ az f s mitavételi frekveciától, és visszaállíthatók (!) a bemeet átlagos jellemzői (a várható értékek, mit pl. az átlagérték vagy szórás) Megjegyzés: általáosa a kvatálás az adat-kompresszió elmélete és gyakorlata; speciáliasa A/D átalakításál a "fix-felbotású, skalár (egyedi miták)" eset alapvető. A leképzési szabály megadása vagy optimalizálása redszer tervezési feladat. A roud( ) művelet (a "legközelebbi társ" szabály) pl. ige praktikus eljárás: az itervallumot (code bi) jelölő idex maga a kód (biary ecoder). A megvalósítás az eszköz tervező dolga 4 Nem tudjuk tehát potosa (hiba-metese), hogy a kimeő kódot melyik aktuális bemeő érték geerálta ( fuzzy iput), a umerikus mita - ideális esetbe is - csak az aráy közelítő értéke 5 Ahogya a mitavétel leírása a traszformált ( spektrum) tartomáyba szemléletes, hasolóa a kvatálás átlagos (statisztikai) hatásáak becslése is "tartomáy-váltással" ( a karakterisztikus függvéyt haszálva) hatékoy 6 Praktikusa ige jó becslés a kvatálási tétel, ha "a bemeet elegedőe összetett (spektrumú) jel és megfelelő a mitagyakoriság, kielégítő a felbotás" ( közel korrelálatla mita hibák). Ige rossz a becslés pl. egyszerű periódikus, kis-szitű (durva felbotású) jel vagy kostas jel eseté

4 6 ADATKONVERTEREK Kódolás Fixpotos, biáris kód: bit 7 (felbotás korlát!) A biáris pot helyétől függőe a umerikus mita értelmezése (változatlaok a bit értékek) i N = bi = bi i= 1 i= 1 i = ahol b i = 0,1 a bit értéke, 0 N < egész szám, és 0 q < 1 tört szám (ormalizált adat); a választott futó idex: i = 1 MSB (és i = LSB) q Jobbra igazított (RJ: right justified) adat: EGÉSZ N : Legagyobb helyértékű bit (MSB: most sigificatbit ) Legkisebb helyértékű bit (LSB: least sigificat bit )... b 1 b b q : Balra igazított (LJ: left justified), ormalizált adat: TÖRT szám Az átalakító véges szóhossza miatt, telítésmetes működéshez ( a hiba: e <1/), korlátozott az aalóg bemeet - a leképzés - tartomáya A/D algoritmus ( = osztási algoritmus, lásd 46. oldal): bit keresés (1) 1 (vagy több) lépés: word (partial word: character)-at-a-time () lépés (biáris keresés): bit-at-a-time (3) max lépés (lieáris keresés, számlálás): level-at-a-time Megjegyzés: elvileg egyetle A/D módszer is elegedő lee (optimális: 1 lépés 'brute-force full search', ickame: 'flash'). Praktikus okok - a realizálások (a techológiák) korlátai és az alkalmazások speciális igéyei - miatt szükséges külöféle A/D eljárások kidolgozása A több lépéses (szekveciális) algoritmusok komplexitását csökket(het)i az előző lépésbe yert iformáció kihaszálása (sőt, a hardver elemek agy része akár újra is haszálható lépésről lépésre). Az átalakítás sebessége (a mita[szó]-gyakoriság: word rate) azoba fordítva aráyos a lépések számával. Fokozatokét aalóg memória közbeiktatásával, párhuzamosítható az egyes fokozatok műveletvégzése (aalog pipeliig), így csak egy fokozat 8 korlátozza az átalakító átviteli képességét (word-rate) - a kezdeti terjedési késleltetés (latecy) persze megmarad 7 A bit-szám () - digit-szám (d, decimális kód) "ekvivalecia" a = 10 d összefüggésből számítható 8 a fokozatok külöböző (!) - egymást követő - mitákat kezelek, a módszer tehát folyamatos mitavételezésél öveli radikálisa a mitagyakoriságot

5 Fukcioális megosztás 7 Mitavétel From a coverter poit of view, performace is divided ito Nyquist zoes [B. Brao] Periódikus spektrumot, f s =1/ t egész többszörösei cetrummal megjeleő képmásokat (images) eredméyez az egyeletes mitasorozatot produkáló pillaatérték(pot)-mitavétel, amely megfordítható (elméletileg) - a művelet veszteségmetes, ha a jel sávkorlátozott ( mitavételi tétel ) Nem lép fel spektrum átlapolódás, ha a bemeet sávja kisebb f s /-él (Nyquist-zóa); a Nyquistszabály megsértése hasomás kompoesek fellépésével jár (aliasig, lásd 4.4 feladat) sávkorlátozás F folytoos idő x(t) hasomás szűrő (AAF) S diszkrét idő x i f s = 1/ t... folytoos idő visszaállítás I képmás szűrő (AIF) x(t) pot - mitavétel: x i = x(t) t = i. t, i = 0, 1,... F: elő-szűrő (pre-filter) S: mitavevő (sampler) I: iterpoláló (iterpolator), A mitapotok közötti érték visszaállítás (mitasűrítés, iterpoláció) algoritmusa 9 : i= t x ( t) = xi SINC i, ahol i= t si(π y) SINC( y) = πy és eek (az időtartomáybeli kovolúcióak) megfelelő aalóg hardver eszköz (a frekvecia tartomáyú szorzás): ideális aluláteresztő szűrő (AIF). Véges mitaszám eseté koheres mitavétel - periódikus jel egész (J) számú periódusából vett egész (M) számú mita ( M periódicitású mita-sorozat) - ad perfekt visszaállítást Gyakorlati okok, pl. a bemeeti sávkorlátozó (AAF) illetve a visszaállító (rekostruáló, AIF) aalóg szűrő realizálása miatt célszerű eyhe "túl"mitavételezés (a Nyquist korlátot meghaladó mitagyakoriság), ilye esetbe pl. diszkrét-idejű szűrő, vagy akár digitális szűrő is eyhítheti az aalóg szűrő követelméyeit (ozero-width trasitio bad). A mitagyakoriság helyes megválasztása a feldolgozó algoritmus(ok) ismeretét is megköveteli, maga a mitavételi tétel a jelalak (hullámforma) visszaállítására ad kötést (lásd 1.3a feladat) Megjegyzés: számos esetbe külső, a "beágyazott" mitavételt kiváltó - és a matematikai (pot) mitavételt agy hűséggel megvalósító - "igazi" mitavevőt (SHA: sample ad hold amplifier) vagy követő/tartót (THA: track ad hold amplifier) kell alkalmazi (aalóg memória). Egyszerűsíti az alkalmazók dolgát az A/D átalakítóval egybeépített mitavevő (samplig ADC) 9 Egy (pot)mita "hozzájárulása" a jelhez: mita-középpotú, a mitával skálázott és a mitagyakorisághoz illesztett (a többi mita helyé zérus értékű) SINC függvéy. A SINC iterpoláció ( "végtele összegzés" ) helyett a gyakorlatba közelítő ( pl. szakaszokét kostas, vagy lieáris, splie, csokított SINC ) visszaállítást alkalmazuk

6 8 ADATKONVERTEREK D/A átalakítás (DAC): rekostrukció jel(alak) visszaállítás A D/A átalakítás két művelet: tartás és hibrid szorzás együttese; az eredméy időbe folytoos. A N digitális bemeet (adat, umerikus mita) és az x 0 aalóg kimeet (jel, fizikai meyiség) metrikai kapcsolata ( x) x0 = N x = bi i i= 1 ahol x : mértékegység (aalóg referecia), N : mérőszám (egész, fixpotos biáris kód: b i = 0,1 a bit értéke) - bites adat Jelfolyam diagram (redszer szit, "fekete doboz") alapfukció: hibrid szorzás ("oe-to-oe" mappig, poit map) plusz művelet: egyszerű tartás (diszkrét folytoos idő átalakítás; egyeletes t = 1/f c időközök), f c gyakoriságú adatokból umerikus mita (data) N bit felbotás (resolutio) D/A átalakító (DAC) H f c = 1/ t M adatfrissítési gyakoriság (update[clock] rate) x mértékegység (referece) x o aalóg jel (sigal) H: tartó (hold) M: szorzó (multiplier) D/A algoritmus ( = szorzási algoritmus, lásd 43. oldal): referecia övekméy összegzés (1) párhuzamos: word-at-a-time (sigle clock cycle) () soros (szekveciális): bit-at-a-time Megjegyzés: az ideális D/A hibametes; viszot a bemeő adat kvatálási hibát tartalmaz(hat): "beágyazott" kvatálás (pl. az ideális A/D D/A pár átvitele: x roud(x/ x), tehát az A/D átalakító miatt iformáció veszteséges), az egyszerű tartás - azaz kostas iterpoláció - pedig kompezálható spektrum csillapítást okoz Általába x kostas és "beépített" ("oboard" referece). Szorzó D/A (MDAC: multiplyig DAC) a megevezés, ha speciálisa a referecia változhat (rögzített bittel a x = X érték módosítható: aalóg jelet skáláz az átalakító, lásd 1. feladat)

7 Fukcioális megosztás 9 Bipoláris D/A (bipoláris adat: "két-egyedes szorzó") (a) Az uipoláris D/A kimeete, bites umerikus mita eseté N xo = N x = ( x) = q X és a biáris pot helyétől függ az adat (0 N < egész szám, illetve 0 q < 1 tört szám 10 ) és az aalóg referecia ( x felbotás, illetve X = x tartomáy) értelmezése A választott véges aalóg tartomáy (X : full scale) és szóhossz ( bit) értékkel "kiadódik"(!) a x = felbotás (mértékegység, lásd 1.5 feladat), ahol X virtuális szit (a kimeete, mert q < 1), a kimeet valódi maximális értéke (N max = -1 bemeetél) 1 x0 max = X x = X 1 (b) Bipoláris D/A egyszerű aalóg szit-eltolás ("MSB offset") művelettel realizálható 11, és csak az adat kódolást kell "újra"értelmezi X umerikus mita (data) q bit felbotás (resolutio) uipoláris D/A: 0 bipoláris D/A: -X / 0 X / tartomáy (full scale) X bipoláris D/A uipoláris D/A x 0 eltolás (offset) + - X / x B X aalóg jel (sigal) x 0 x B kód-értelmezés: q : b 1 b b 3... b q : d 0 < d < 1 A bipoláris D/A kimeete, adat-bit bemeettel x B = x 0 X X = q X = ( b 1 X + d) X = (( b 1 X 1) + d) és az "előjel"bit (b 1 = MSB) értékétől függőe (1) b 1 = 1 x B = d (X /)... pozitív () b 1 = 0 x B = - (1 - d) (X /)... egatív vagyis a (digitális aritmetikába is) szokásos komplemes (bipoláris) kódú adat szükséges, de fordított előjelbit értékkel (egyszerű MSB ivertálás) offset kód 10 A tört számmal való szorzást tekithetjük "referecia (meg)osztáskét" is 11 Ritkább típus az "előjel és abszolút-érték" kódolású adat átalakító ("sig - magitude" coverter)

8 10 ADATKONVERTEREK Tartás Rekostrukcióál, a mitapotok közötti értékek becslésére : a diszkrét folytoos idő átalakításra ( udo samplig), kézefekvő és egyeletes f c gyakoriságú adatfrissítés eseté ige praktikus módszer a szakaszokét kostas iterpoláció (tartás, ZOH: zero-order hold), amelyet egyszerű hardver eszköz: digitális regiszter realizál Ez az NRZ: o-retur-to-zero ("lépcsős" hullámformát geeráló) üzemmód em tüteti el (em "szűri ki") a képmásokat, csak "burkoló"(roll-off) típusú spektrum csillapítást ad (sajos a haszos sávba is, tehát torzítást okoz) si x x, ahol x = π formával ( t = 1/f c a tartási idő); f c egész számú többszöröseiél zérusok (éles "leszívások") lépek fel és közel -4dB a csillapítás Nyquist (f = f c /) frekveciá Rövidítve a tartási időt, az ú. RZ: retur-to-zero("pulzus" hullámforma) üzemmódba, csökkethető az alapsávi spektrum Nyquist-frekvecia közeli csillapítása. Például, az egyszerűe realizálható HOH: half-order hold ( t/ tartási idő) eseté a burkoló zérusai f c többszöröseiél adódak és csak -1dB az amplitúdó változás az alapsávba. Viszot kisebb a haszos sávo kívüli (out-of-bad) csillapítás, változatla (jel)amplitúdó mellett pedig lecsökke a teljesítméy - ez korrigálható, kostas (gai) spektrum csökkeést okoz Megjegyzés: a "lépcsős" (vagy véges szélességű "pulzus") hullámforma üzemmód megoldja azt a gyakorlati problémát, hogy elvileg pot(pillatérték)-mitákat igéyele a visszaállítási (iterpolációs) algoritmus. (Numerikusa persze számolhatuk zérus-szélességű mitával, praktikusa azoba csak véges-szélességű mita realizálható.) A haszos sávba okozott spektrum csillapítás "iverz six/x" szűrővel kompezálható az aalóg tartomáyba - pl. összevova az "igazi" képmás (rekostruáló) szűrővel, vagy akár előzetese is elvégezhető a korrekció a digitális tartomáyba (digitális előtorzítás ) f f c DSP NRZ mód DAC iverz six/x AIF f c = 1/ t NRZ csillapítás kompezálás képmás szűrés aalóg szűrő

9 Fukcioális megosztás 11 Feladatok RZ (retur-to-zero: "RZ") módú D/A átalakító. Vezessük le a fellépő amplitúdó-spektrum csillapítás frekvecia függését, legye a tartási idő értéke: τ ( t ). Szemléltessük a speciális ZOH ("NRZ mode"): τ = t és HOH ("zero stuffig"): τ = t/ eseteket. És mi a helyzet a fázissal? Megjegyzés: a tartás traszfer függvéyéek t szorzó faktora és az egyeletese mitavételezett diszkrét idejű jel spektrumáak 1/ t szorzó faktora kiejti (!) egymást (ezért ettől eltekithetük) 1. Szorzó D/A (MDAC) átvitele. Az értelmezést segíti az alábbi két ábra [D. Sheigold, 197], a bemeet 4 adat-bit: KÉT-egyedes szorzó D/A (Q MDAC) NÉGY-egyedes szorzó D/A (4Q MDAC) Y ( ) : jel kimeet, X ( ) : bipoláris adat, a fix referecia: pozitív ( vagy egatív értékű) Y ( ): jel kimeet, X ( ): bipoláris aalóg jel bemeet, a "paraméter" (gai) : komplemes kódú bipoláris adat A két-egyedes (Q: -quadrat) traszfer karakterisztika két külöálló (!) esetet szemléltet egy ábrá. A égy-egyedes (4Q) eszköz aalóg jelet skáláz (programozható csillapító): változó, bipoláris aalóg jel helyettesíti a fix refereciát, átfogva a teljes (itt ±10 V) tartomáyt. Miért aszimmetrikus az átvitel (pl. pozitív refereciáál virtuális "+ Full Scale")? 1.3 (a) Kotrollált alulmitavételezés ("keskeysávú" mitavételi tétel). Legye a bemeő jel spektruma az (f L, f H ) tartomáyba: B = f H - f L a haszos sáv ( f H > f L ). Igazoljuk, hogy átlapolás-metes (aliasig free) spektrumhoz a mitavételi gyakoriság (f s ) értéke f H f s f H < < 1, ahol f H 1 k truc k B B k 1 B B k egész szám és truc( ) az egész rész függvéy. Az alapsávba egyees vagy fordított állással jeleik meg az eredeti rész-sáv, attól függőe, hogy páratla vagy páros Nyquist zóába esik-e. Miért? ("Hagyomáyos" mitavételi tétel: k = 1.) Grafikusa szemléltessük ( Y ( ) : f s /B, X ( ) : f H /B ) az összetartozó ( f s /B, f H /B 1 ) értékpárokat (területek!), a paraméter: k ( = 1,, 3...) (b) Periódikus jel idő-skálázása (harmóikus kompoesek sorred-tartó és aráyos áthelyezése az alapsávba: frekvecia kompresszió). Mutassuk meg, hogy egy f m = m (f s + δ), m = 1,... kompoesekből álló jelet f s gyakorisággal (alul)mitavételezve, az alapsávi frekvecia szegmesből az idő-skálázott (1/δ periódusú) eredeti jelforma visszaállítható

10 1 ADATKONVERTEREK 1.4 A kvatáló mit zajforrás. A véges szóhossz hatását illusztrálja agyjelű sziusz (sigle toe) jelre a agy potosságú umerikus szimuláció ( "saját torzítás") és egy = 1 bites kvatáló spektruma: Relative level (dbv) Mathcad (15 digit), 4K FFT jel?? Relative level (dbv) = 1 bit, 4K FFT jel Numerical frequecy (f/fs) Numerical frequecy (f/fs) A Mathcad 15 decimális számjegyre potos, ez háy bittel ekvivales? (Feltéve, hogy az FFT-bi értékekre egyformá oszlik el a kvatálási zaj teljesítméy, meyi a "zaj küszöb": egy bi átlagos jel/zaj aráya? Lásd pl.: 4.5(b) feladat.) A spektrális képet, a spektrum-átlapolódás (aliasig) miatt, az aktuális umerikus frekvecia értéke is jeletőse befolyásolja; pl. f/f s = 1/4 (és zérus fázis) eseté ics (!) torzítás, miért? 1.5 Az adatkoverterek felbotása (LSB). A legkisebb helyérték "súlya" többféle módo is megadható: bit-szám X % x = ( ) (állapot-szám) 1 ppm db 100 (X = 10 V) 9.77 mv ( 10 mv ) ( 0.1 ) ( 1000 ) µv Készítsük teljes táblázatot ( =, ). Milye értékek adódak X = V eseté? (Összevetéshez: mekkora a termikus zaj-feszültség, ha f = 0 KHz, R = 600 Ω, T = 73+7 K? Lásd még 5. oldal) 1.6 Bipoláris A/D átvitele. = 4 adat-bit mérőszám (N, komplemes ill. offset kód), roud ( ) kvatáló és X teljes aalóg tartomáy esetére adjuk meg grafikusa az átalakítót jellemző traszfer ( Y ( ) : N, X ( ) : x/ x ) és hiba ( Y ( ) : e, X ( ) : x/ x ) karakterisztikát. (Lieárisa változó bemeetre milye a válasz?) Meyi az itervallum-átváltások (határ-potok) száma? Mekkora a legszélső, em kétszerese határolt itervallumok véges átváltási(határ)-potjaiak értéke? Telítésmetes működéshez ( e < 1/ ) mekkora lehet a bemeő sziuszos jel maximális amplitúdója, és milye amplitúdóra "vak" a kvatáló? 1.7 Korlát a diamika ( ) és mitagyakoriság (f s = 1/ t) szorzatra ("határozatlasági reláció"). A limit: E τ > h / π, ahol E = (( x/) /R) ( t/) a legkisebb, még felbotható jel (a fél-lsb) eergiája és x = U /, τ = t/ (a mita-periódus fele), h = Ws Plack álladó [B. Walde, 1999]. Mutassuk meg, hogy ilye feltétellel és U = 1 V, R = 50 Ω értékekkel ( U / 4) / R 15 f < = [1/s] s h / π Mekkora a mitagyakoriság-korlát "jóslás" = 1 bites átalakítóál?

A statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük.

A statisztikai vizsgálat tárgyát képező egyedek összességét statisztikai sokaságnak nevezzük. Statisztikai módszerek. BMEGEVGAT01 Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudomáyi Egyetem Gépészméröki Kar Hidrodiamikai Redszerek Taszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

ANALÓG-DIGITÁLIS ÉS DIGITÁLIS-ANALÓG ÁTALAKÍTÓK

ANALÓG-DIGITÁLIS ÉS DIGITÁLIS-ANALÓG ÁTALAKÍTÓK F3 Bev. az elektroikába E, Kísérleti Fizika Taszék ANALÓG-IGITÁLIS ÉS IGITÁLIS-ANALÓG ÁTALAKÍTÓK Az A és A átalakítók feladata az aalóg és digitális áramkörök közötti kapcsolat megvalósítása. A folytoos

Részletesebben

V. Deriválható függvények

V. Deriválható függvények Deriválható függvéyek V Deriválható függvéyek 5 A derivált fogalmához vezető feladatok A sebesség értelmezése Legye az M egy egyees voalú egyeletes mozgást végző pot Ez azt jeleti, hogy a mozgás pályája

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA ELŐADÁS BIOMATEMATIKA ELŐADÁS 10. A statisztika alapjai Debrecei Egyetem, 2015 Dr. Bérczes Attila, Bertók Csaád A diasor tartalma 1 Bevezetés 2 Statisztikai függvéyek Defiíció, empirikus várható érték Empirikus

Részletesebben

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html

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

VII. A határozatlan esetek kiküszöbölése

VII. A határozatlan esetek kiküszöbölése A határozatla esetek kiküszöbölése 9 VII A határozatla esetek kiküszöbölése 7 A l Hospital szabály A véges övekedések tétele alapjá egy függvéy értékét egy potba közelíthetjük az köryezetébe felvett valamely

Részletesebben

Matematikai statisztika

Matematikai statisztika Matematikai statisztika PROGRAMTERVEZŐ INFORMATIKUS alapszak, A szakiráy Arató Miklós Valószíűségelméleti és Statisztika Taszék Természettudomáyi Kar 2019. február 18. Arató Miklós (ELTE) Matematikai statisztika

Részletesebben

Statisztika 1. zárthelyi dolgozat március 21.

Statisztika 1. zárthelyi dolgozat március 21. Statisztika 1 zárthelyi dolgozat 011 március 1 1 Legye X = X 1,, X 00 függetle mita b paraméterű Poisso-eloszlásból b > 0 Legye T 1 X = X 1+X ++X 100, T 100 X = X 1+X ++X 00 00 a Milye a számra igaz, hogy

Részletesebben

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híradástechikai jelfeldolgozás 1. előadás 2015. február 13. 2015. február 13. Budapest Dr. Gaál József BME Hálózati Redszerek és SzolgáltatásokTaszék gaal@hit.bme.hu Bemutatkozás Dr Gaál József doces BME

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

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

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

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

SOROK Feladatok és megoldások 1. Numerikus sorok

SOROK Feladatok és megoldások 1. Numerikus sorok SOROK Feladatok és megoldások. Numerikus sorok I. Határozza meg az alábbi, mértai sorra visszavezethető sorok esetébe az S -edik részletösszeget és a sor S összegét! )...... k 5 5 5 5 )...... 5 5 5 5 )......

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

Interpoláció. Korszerű matematikai módszerek 2013.

Interpoláció. Korszerű matematikai módszerek 2013. Iterpoláció Korszerű matematiai módszere 2013. Tartalom Iterpolációs eljáráso Klasszius iterpoláció Általáosított iterpoláció Eltolt lieáris iterpoláció Iterpoláció feladata alappoto: x,, 0, 1,..., ahol

Részletesebben

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai

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

2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +...

2. Hatványsorok. A végtelen soroknál tanultuk, hogy az. végtelen sort adja: 1 + x + x x n +... . Függvéysorok. Bevezetés és defiíciók A végtele sorokál taultuk, hogy az + x + x + + x +... végtele összeg x < eseté koverges. A feti végtele összegre úgy is godolhatuk, hogy végtele sok függvéyt aduk

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

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híadástechikai jelfeldolgozás 14. lőadás 015. 04. 7. Jeldigitalizálás és ekostukció. 015. május 4. Budapest D. Gaál József doces BM Hálózati Redszeek és Szolgáltatásokaszék gaal@hit.bme.hu Nomalizált kvatáló

Részletesebben

Stabilitás Irányítástechnika PE MI_BSc 1

Stabilitás Irányítástechnika PE MI_BSc 1 Stabilitás 2008.03.4. Stabilitás egyszerűsített szemlélet példa zavarás utá a magára hagyott redszer visszatér a yugalmi állapotába kvázistacioárius állapotba kerül végtelebe tart alapjelváltás Stabilitás/2

Részletesebben

Folytonos idejű rendszerek stabilitása

Folytonos idejű rendszerek stabilitása Folytoos idejű redszerek stabilitása Összeállította: dr. Gerzso Miklós egyetemi doces PTE MIK Műszaki Iformatika Taszék 205.2.06. Itelliges redszerek I. PTE MIK Mérök iformatikus BSc szak Stabilitás egyszerűsített

Részletesebben

Számítógépes irányítások elmélete

Számítógépes irányítások elmélete Budapesti Műsaki és Gadaságtudomáyi Egyetem Gépésméröki Kar Gépéseti Iformatika asék Sámítógépes iráyítások elmélete ( Előadás ayag ) Késítette: Dr. Lipovski György Budapest, 22. september artalomjegyék.

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

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

Kvantum párhuzamosság Deutsch algoritmus Deutsch-Jozsa algoritmus

Kvantum párhuzamosság Deutsch algoritmus Deutsch-Jozsa algoritmus LOGO Kvatum párhuzamosság Deutsch algoritmus Deutsch-Jozsa algoritmus Gyögyösi László BME Villamosméröki és Iormatikai Kar Bevezető Kvatum párhuzamosság Bármilye biáris üggvéyre, ahol { } { } : 0, 0,,

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

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

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

1. A radioaktivitás statisztikus jellege

1. A radioaktivitás statisztikus jellege A radioaktivitás időfüggése 1. A radioaktivitás statisztikus jellege Va N darab azoos radioaktív atomuk, melyekek az atommagja spotá átalakulásra képes. tegyük fel, hogy ezek em bomlaak tovább. Ekkor a

Részletesebben

Az átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum)

Az átlagra vonatkozó megbízhatósági intervallum (konfidencia intervallum) Az átlagra voatkozó megbízhatósági itervallum (kofidecia itervallum) Határozzuk meg körül azt az itervallumot amibe előre meghatározott valószíűséggel esik a várható érték (µ). A várható értéket potosa

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

Kutatói pályára felkészítı modul

Kutatói pályára felkészítı modul Kutatói pályára felkészítı modul Kutatói pályára felkészítı kutatási ismeretek modul Tudomáyos kutatási alapayag feldolgozása, elemzési ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI

Részletesebben

10.M ALGEBRA < <

10.M ALGEBRA < < 0.M ALGEBRA GYÖKÖS KIFEJEZÉSEK. Mutassuk meg, hogy < + +... + < + + 008 009 + 009 008 5. Mutassuk meg, hogy va olya pozitív egész szám, amelyre 99 < + + +... + < 995. Igazoljuk, hogy bármely pozitív egész

Részletesebben

6 A teljesítményelektronikai kapcsolások modellezése

6 A teljesítményelektronikai kapcsolások modellezése 6 A teljesítméyelektroikai kapcsolások modellezése A teljesítméyelektroikai beredezések vagy már ömagukba egy bizoyos szabályzott redszert alkotak, vagy egy agyobb szabályozott redszer részét képezik.

Részletesebben

Előadó. Bevezetés az informatikába. Cél. Ajánlott irodalom. Előismeretek? Felmentés? Dudásné Nagy Marianna. csütörtök Bolyai terem

Előadó. Bevezetés az informatikába. Cél. Ajánlott irodalom. Előismeretek? Felmentés? Dudásné Nagy Marianna. csütörtök Bolyai terem Előadó Bevezetés az iformatikába csütörtök 16-18 Bolyai terem Dudásé Nagy Mariaa TTK Iformatikai Taszékcsoport (Képfeldolgozás és Számítógépes Grafika Taszék) Árpád tér 2. 216. szoba Fogadó óra: szerda

Részletesebben

3. SOROZATOK. ( n N) a n+1 < a n. Egy sorozatot (szigorúan) monotonnak mondunk, ha (szigorúan) monoton növekvő vagy csökkenő.

3. SOROZATOK. ( n N) a n+1 < a n. Egy sorozatot (szigorúan) monotonnak mondunk, ha (szigorúan) monoton növekvő vagy csökkenő. 3. SOROZATOK 3. Sorozatok korlátossága, mootoitása, kovergeciája Defiíció. Egy f : N R függvéyt valós szám)sorozatak evezük. Ha A egy adott halmaz és f : N A, akkor f-et A-beli értékű) sorozatak evezzük.

Részletesebben

Digitális Fourier-analizátorok (DFT - FFT)

Digitális Fourier-analizátorok (DFT - FFT) 6 Digitális Fourier-analizátoro (DFT - FFT) Eze az analizátoro digitális műödésűe és a Fourier-transzformálás elvén alapulna. A digitális Fourier analizátoro a folytonos időfüggvény mintavételezett jeleit

Részletesebben

Méréselmélet és mérőrendszerek

Méréselmélet és mérőrendszerek Méréselmélet és mérőrendszerek 6. ELŐADÁS KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba eredete o

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

Matematika B4 I. gyakorlat

Matematika B4 I. gyakorlat Matematika B4 I. gyakorlat 2006. február 16. 1. Egy-dimeziós adatredszerek Va valamilye adatredszer (számsorozat), amelyről szereték kiszámoli bizoyos dolgokat. Az egyes értékeket jelöljük z i -vel, a

Részletesebben

A matematikai statisztika elemei

A matematikai statisztika elemei A matematikai statisztika elemei Mikó Teréz, dr. Szalkai Istvá szalkai@almos.ui-pao.hu Pao Egyetem, Veszprém 2014. március 23. 2 Tartalomjegyzék Tartalomjegyzék 3 Bevezetés................................

Részletesebben

1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3

1 k < n(1 + log n) C 1n log n, d n. (1 1 r k + 1 ) = 1. = 0 és lim. lim n. f(n) < C 3 Dr. Tóth László, Fejezetek az elemi számelméletből és az algebrából (PTE TTK, 200) Számelméleti függvéyek Számelméleti függvéyek értékeire voatkozó becslések A τ() = d, σ() = d d és φ() (Euler-függvéy)

Részletesebben

I. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó.

I. Függelék. A valószínűségszámítás alapjai. I.1. Alapfogalamak: A valószínűség fogalma: I.2. Valószínűségi változó. I. Függelék A valószíűségszámítás alapjai I.1. Alapfogalamak: Véletle jeleség: létrejöttét befolyásoló összes téyezőt em ismerjük. Tömegjeleség: a jeleség adott feltételek mellett akárháyszor megismételhető.

Részletesebben

Elektrokémiai fémleválasztás. Felületi érdesség: definíciók, mérési módszerek és érdesség-változás a fémleválasztás során

Elektrokémiai fémleválasztás. Felületi érdesség: definíciók, mérési módszerek és érdesség-változás a fémleválasztás során Elektrokémiai fémleválasztás Felületi érdesség: defiíciók, mérési módszerek és érdesség-változás a fémleválasztás sorá Péter László Elektrokémiai fémleválasztás Felületi érdesség fogalomköre és az érdesség

Részletesebben

A szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai

A szórások vizsgálata. Az F-próba. A döntés. Az F-próba szabadsági fokai 05..04. szórások vizsgálata z F-próba Hogya foguk hozzá? Nullhipotézis: a két szórás azoos, az eltérés véletle (mitavétel). ullhipotézishez tartozik egy ú. F-eloszlás. Szabadsági fokok: számláló: - evező:

Részletesebben

Sorozatok, határérték fogalma. Függvények határértéke, folytonossága

Sorozatok, határérték fogalma. Függvények határértéke, folytonossága Sorozatok, határérték fogalma. Függvéyek határértéke, folytoossága 1) Végtele valós számsorozatok Fogalma, megadása Defiíció: A természetes számok halmazá értelmezett a: N R egyváltozós valós függvéyt

Részletesebben

LOGO. Kvantum-tömörítés. Gyöngyösi László BME Villamosmérnöki és Informatikai Kar

LOGO. Kvantum-tömörítés. Gyöngyösi László BME Villamosmérnöki és Informatikai Kar LOGO Kvatum-tömörítés Gyögyösi László BME Villamosméröki és Iformatikai Kar Iformációelméleti alaok összefoglalása A kódolási eljárás Az iformáció átadás hűsége és gazdaságossága a kódolástól függ Az iformáció

Részletesebben

Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)

Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ) Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ) KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba

Részletesebben

1. Sajátérték és sajátvektor

1. Sajátérték és sajátvektor 1. Sajátérték és sajátvektor Leképezés diagoális mátrixa. Kérdés Mely bázisba lesz egy traszformáció mátrixa diagoális? A Hom(V) és b 1,...,b ilye bázis. Ha [A] b,b főátlójába λ 1,...,λ áll, akkor A(b

Részletesebben

biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat

biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert Hipotézisvizsgálat Kísérlettervezés - biometria III. foglalkozás előadó: Prof. Dr. Rajkó Róbert u-próba Feltétel: egy ormális eloszlású sokaság σ variaciájáak számszerű értéke ismert. Hipotézis: a sokaság µ várható értéke

Részletesebben

Elsőbbségi (prioritásos) sor

Elsőbbségi (prioritásos) sor Elsőbbségi (prioritásos) sor Közapi fogalma, megjeleése: pl. sürgősségi osztályo a páciesek em a beérkezési időek megfelelőe, haem a sürgősség mértéke szerit kerülek ellátásra. Az operációs redszerekbe

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

24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje.

24. tétel A valószínűségszámítás elemei. A valószínűség kiszámításának kombinatorikus modellje. 24. tétel valószíűségszámítás elemei. valószíűség kiszámításáak kombiatorikus modellje. GYORISÁG ÉS VLÓSZÍŰSÉG meyibe az egyes adatok a sokaságo belüli részaráyát adjuk meg (törtbe vagy százalékba), akkor

Részletesebben

f (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben

f (M (ξ)) M (f (ξ)) Bizonyítás: Megjegyezzük, hogy konvex függvényekre mindig létezik a ± ben Propositio 1 (Jese-egyelőtleség Ha f : kovex, akkor tetszőleges ξ változóra f (M (ξ M (f (ξ feltéve, hogy az egyelőtleségbe szereplő véges vagy végtele várható értékek létezek Bizoyítás: Megjegyezzük,

Részletesebben

Dr. Gyurcsek István. Példafeladatok. Helygörbék Bode-diagramok HELYGÖRBÉK, BODE-DIAGRAMOK DR. GYURCSEK ISTVÁN

Dr. Gyurcsek István. Példafeladatok. Helygörbék Bode-diagramok HELYGÖRBÉK, BODE-DIAGRAMOK DR. GYURCSEK ISTVÁN Dr. Gyurcsek István Példafeladatok Helygörbék Bode-diagramok 1 2016.11.11.. Helygörbe szerkesztése VIZSGÁLAT: Mi a következménye annak, ha az áramkör valamelyik jellemző paramétere változik? Helygörbe

Részletesebben

Populáció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak

Populáció. Történet. Adatok. Minta. A matematikai statisztika tárgya. Valószínűségszámítás és statisztika előadás info. BSC/B-C szakosoknak Valószíűségszámítás és statisztika előadás ifo. BSC/B-C szakosokak 6. előadás október 16. A matematikai statisztika tárgya Következtetések levoása adatok alapjá Ipari termelés Mezőgazdaság Szociológia

Részletesebben

1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya

1. előadás: Bevezetés. Irodalom. Számonkérés. Cél. Matematikai statisztika előadás survey statisztika MA szakosoknak. A matematikai statisztika tárgya Matematikai statisztika előadás survey statisztika MA szakosokak 206/207 2. félév Zempléi Adrás. előadás: Bevezetés Irodalom, követelméyek A félév célja Matematikai statisztika tárgya Törtéet Alapfogalmak

Részletesebben

Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata

Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Reichardt, András 27. szeptember 2. 2 / 5 NDSM Komplex alak U C k = T (T ) ahol ω = 2π T, k módusindex. Időfüggvény előállítása

Részletesebben

8.1. A rezgések szétcsatolása harmonikus közelítésben. Normálrezgések. = =q n és legyen itt a potenciál nulla. q i j. szimmetrikus. q k.

8.1. A rezgések szétcsatolása harmonikus közelítésben. Normálrezgések. = =q n és legyen itt a potenciál nulla. q i j. szimmetrikus. q k. 8. KIS REZGÉSEK STABIL EGYENSÚLYI HELYZET KÖRÜL 8.. A rezgések szétcsatolása harmoikus közelítésbe. Normálrezgések Egyesúlyi helyzet: olya helyzet, amelybe belehelyezve a redszert (ulla kezdősebességgel),

Részletesebben

FELADATOK A KALKULUS C. TÁRGYHOZ

FELADATOK A KALKULUS C. TÁRGYHOZ FELADATOK A KALKULUS C. TÁRGYHOZ. HALMAZOK RELÁCIÓK FÜGGVÉNYEK. Bizoyítsuk be a halmaz-műveletek alapazoosságait! 2. Legye adott az X halmaz legye A B C X. Ha A B := (A B) (B A) akkor bizoyítsuk be hogy

Részletesebben

Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar. Feladatok a Gazdasági matematika I. tárgy gyakorlataihoz. Halmazelmélet

Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar. Feladatok a Gazdasági matematika I. tárgy gyakorlataihoz. Halmazelmélet Debrecei Egyetem Közgazdaság- és Gazdaságtudomáyi Kar Feladatok a Gazdasági matematika I. tárgy gyakorlataihoz a megoldásra feltétleül ajálott feladatokat jelöli e feladatokat a félév végére megoldottak

Részletesebben

ADATKONVERTEREK (az analóg "átjáró")

ADATKONVERTEREK (az analóg átjáró) DIGITÁLIS JELFELDOLGOZÁS ESZKÖZEI PÁPAY ZSOLT ADATKONVERTEREK (az aalóg "átjáró") Succeive approximatio * BME HIRADÁSTECHNIKAI TANSZÉK ADATKONVERTEREK (az aalóg átjáró ) Az adat koverter : az A/D vagy

Részletesebben

Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz

Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz 1. Hogyan lehet osztályozni a jeleket időfüggvényük időtartama szerint? 2. Mi a periodikus jelek definiciója? (szöveg, képlet, 3. Milyen

Részletesebben

Integrálás sokaságokon

Integrálás sokaságokon Itegrálás sokaságoko I. Riema-itegrál R -e Jorda-mérték haszálható ehhez: A R eseté c(a)=0, ha 0 eseté létezek C 1,,C s kockák hogy A C1 Cs és s i 1 c C i defiíció: D ullmértékű R itegrálási tartomáy,

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

VÉLETLENÍTETT ALGORITMUSOK. 1.ea.

VÉLETLENÍTETT ALGORITMUSOK. 1.ea. VÉLETLENÍTETT ALGORITMUSOK 1.ea. 1. Bevezetés - (Mire jók a véletleített algoritmusok, alap techikák) 1.1. Gyorsredezés Vegyük egy ismert példát, a redezések témaköréből, méghozzá a gyorsredezés algoritmusát.

Részletesebben

Komplex számok (el adásvázlat, 2008. február 12.) Maróti Miklós

Komplex számok (el adásvázlat, 2008. február 12.) Maróti Miklós Komplex számok el adásvázlat, 008. február 1. Maróti Miklós Eek az el adásak a megértéséhez a következ fogalmakat kell tudi: test, test additív és multiplikatív csoportja, valós számok és tulajdoságaik.

Részletesebben

Magas szintű optimalizálás

Magas szintű optimalizálás Magas szintű optimalizálás Soros kód párhuzamosítása Mennyi a várható teljesítmény növekedés? Erős skálázódás (Amdahl törvény) Mennyire lineáris a skálázódás a párhuzamosítás növelésével? S 1 P 1 P N GPGPU

Részletesebben

(A TÁMOP /2/A/KMR számú projekt keretében írt egyetemi jegyzetrészlet):

(A TÁMOP /2/A/KMR számú projekt keretében írt egyetemi jegyzetrészlet): A umerikus sorozatok fogalma, határértéke (A TÁMOP-4-8//A/KMR-9-8 számú projekt keretébe írt egyetemi jegyzetrészlet): Koverges és diverges sorozatok Defiíció: A természetes számoko értelmezett N R sorozatokak

Részletesebben

Diszkrét matematika II., 3. előadás. Komplex számok

Diszkrét matematika II., 3. előadás. Komplex számok 1 Diszkrét matematika II., 3. előadás Komplex számok Dr. Takách Géza NyME FMK Iformatikai Itézet takach@if.yme.hu http://if.yme.hu/ takach/ 2007. február 22. Komplex számok Szereték kibővítei a valós számtestet,

Részletesebben

véletlen : statisztikai törvényeknek engedelmeskedik (Mi az ami közös a népszavazásban, a betegségek gyógyulásában és a fiz. kém. laborban?

véletlen : statisztikai törvényeknek engedelmeskedik (Mi az ami közös a népszavazásban, a betegségek gyógyulásában és a fiz. kém. laborban? BEVEZETÉS A statisztika teljese laikusokak: agy mukával gyűjtött adatok vizsgálata, abból következtetések levoása ( statistical iferece ) (Egy kicsit sok hűhó semmiért azaz Much ado about othig.) Mi is

Részletesebben

kismintás esetekben vagy olyanokban, melyeknél a tanulóalgoritmust tesztadatokon szeretnénk

kismintás esetekben vagy olyanokban, melyeknél a tanulóalgoritmust tesztadatokon szeretnénk ÚJRAMINTAVÉTELEZÉSI ELJÁRÁSOK A jackkife (zsebkés) és bootstrap (cipőhúzó a saját kallatyújáál fogva) eljárások agol elevezése is arra utal, hogy itt ad hoc eljárásokról va szó, melyek azoba agyo haszosak

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

Informatikai eszközök fizikai alapjai Lovász Béla

Informatikai eszközök fizikai alapjai Lovász Béla Informatikai eszközök fizikai alapjai Lovász Béla Kódolás Moduláció Morzekód Mágneses tárolás merevlemezeken Modulációs eljárások típusai Kódolás A kód megállapodás szerinti jelek vagy szimbólumok rendszere,

Részletesebben

A primitív függvény létezése. Kitűzött feladatok. határérték, és F az f egy olyan primitívje, amelyre F(0) = 0. Bizonyítsd be,

A primitív függvény létezése. Kitűzött feladatok. határérték, és F az f egy olyan primitívje, amelyre F(0) = 0. Bizonyítsd be, 6 A primitív üggvéy létezése A primitív üggvéy létezése Kitűzött eladatok. Határozd meg az a és b valós paraméterek értékét úgy hogy az : R ae + b üggvéyek létezze primitív üggvéye! >. Az : [ + [ + olytoos

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

ALGEBRA. egyenlet megoldásait, ha tudjuk, hogy egész számok, továbbá p + q = 198.

ALGEBRA. egyenlet megoldásait, ha tudjuk, hogy egész számok, továbbá p + q = 198. ALGEBRA MÁSODFOKÚ POLINOMOK. Határozzuk meg az + p + q = 0 egyelet megoldásait, ha tudjuk, hogy egész számok, továbbá p + q = 98.. Határozzuk meg az összes olya pozitív egész p és q számot, amelyre az

Részletesebben

Digitális szűrők - (BMEVIMIM278) Házi Feladat

Digitális szűrők - (BMEVIMIM278) Házi Feladat Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rszerek Tanszék Digitális szűrők - (BMEVIMIM278) FIR-szűrő tervezése ablakozással Házi Feladat Név: Szőke Kálmán Benjamin Neptun:

Részletesebben

Milyen elvi mérési és számítási módszerrel lehet a Thevenin helyettesítő kép elemeit meghatározni?

Milyen elvi mérési és számítási módszerrel lehet a Thevenin helyettesítő kép elemeit meghatározni? 1. mérés Definiálja a korrekciót! Definiálja a mérés eredményét metrológiailag helyes formában! Definiálja a relatív formában megadott mérési hibát! Definiálja a rendszeres hibát! Definiálja a véletlen

Részletesebben

BIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika

BIOSTATISZTIKA ÉS INFORMATIKA. Leíró statisztika BIOSTATISZTIKA ÉS INFORMATIKA Leíró statisztika Első közelítésbe a statisztikai tevékeységeket égy csoportba sorolhatjuk, de ezek között ics éles határ:. adatgyűjtés, 2. az adatok áttekithetővé tétele,

Részletesebben

1. ábra. Repülő eszköz matematikai modellje ( fekete doboz )

1. ábra. Repülő eszköz matematikai modellje ( fekete doboz ) Wührl Tibor DIGITÁLIS SZABÁLYZÓ KÖRÖK NEMLINEARITÁSI PROBLÉMÁI FIXPONTOS SZÁMÁBRÁZOLÁS ESETÉN RENDSZERMODELL A pilóta nélküli repülő eszközök szabályzó körének tervezése során első lépésben a repülő eszköz

Részletesebben

18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható

18. Valószín ségszámítás. (Valószín ségeloszlások, függetlenség. Valószín ségi változók várható 8. Valószí ségszámítás. (Valószí ségeloszlások, függetleség. Valószí ségi változók várható értéke, magasabb mometumok. Kovergeciafajták, kapcsolataik. Borel-Catelli lemmák. Nagy számok gyege törvéyei.

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

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések! ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet

Részletesebben

Analóg-digitál átalakítók (A/D konverterek)

Analóg-digitál átalakítók (A/D konverterek) 9. Laboratóriumi gyakorlat Analóg-digitál átalakítók (A/D konverterek) 1. A gyakorlat célja: Bemutatjuk egy sorozatos közelítés elvén működő A/D átalakító tömbvázlatát és elvi kapcsolási rajzát. Tanulmányozzuk

Részletesebben

Innen. 2. Az. s n = 1 + q + q 2 + + q n 1 = 1 qn. és q n 0 akkor és csak akkor, ha q < 1. a a n végtelen sor konvergenciáján nem változtat az, ha

Innen. 2. Az. s n = 1 + q + q 2 + + q n 1 = 1 qn. és q n 0 akkor és csak akkor, ha q < 1. a a n végtelen sor konvergenciáján nem változtat az, ha . Végtele sorok. Bevezetés és defiíciók Bevezetéskét próbáljuk meg az 4... végtele összegek értelmet adi. Mivel végtele sokszor em tuduk összeadi, emiatt csak az első tagot adjuk össze: legye s = 4 8 =,

Részletesebben

Lab. gyak.: jelszintézis (Wfm Editor, ARBgen) és jelanalízis (DSO/FFT)

Lab. gyak.: jelszintézis (Wfm Editor, ARBgen) és jelanalízis (DSO/FFT) Lab. gyak.: jelszintézis (Wfm Editor, ARBgen) és jelanalízis (DSO/FFT) A közvetlen digitális szintézis (DDS: Direct Digital Synthesis) elvén működő jelgenerátor diszkrét (idő)rekordból állítja elő a programozható

Részletesebben

min{k R K fels korlátja H-nak} a A : a ξ : ξ fels korlát A legkisebb fels korlát is:

min{k R K fels korlátja H-nak} a A : a ξ : ξ fels korlát A legkisebb fels korlát is: . A szupréum elv. = H R felülr l körlátos H fels korlátai között va legkisebb, azaz A és B a A és K B : a K Ekkor ξ-re: mi{k R K fels korlátja H-ak} } a A : a ξ : ξ fels korlát A legkisebb fels korlát

Részletesebben

1. ALGORITMUSOK MŰVELETIGÉNYE

1. ALGORITMUSOK MŰVELETIGÉNYE 1 ALGORITMUSOK MŰVELETIGÉNYE Az ismertetésre kerülő adatszerkezeteket és algoritmusokat midig jellemezzük majd a hatékoyság szempotjából Az adatszerkezetek egyes ábrázolásairól megállapítjuk a helyfoglalásukat,

Részletesebben

A tervfeladat sorszáma: 1 A tervfeladat címe: ALU egység 8 regiszterrel és 8 utasítással

A tervfeladat sorszáma: 1 A tervfeladat címe: ALU egység 8 regiszterrel és 8 utasítással .. A tervfeladat sorszáma: 1 A ALU egység 8 regiszterrel és 8 utasítással Minimálisan az alábbi képességekkel rendelkezzen az ALU 8-bites operandusok Aritmetikai funkciók: összeadás, kivonás, shift, komparálás

Részletesebben

A statisztika részei. Példa:

A statisztika részei. Példa: STATISZTIKA Miért tauljuk statisztikát? Mire haszálhatjuk? Szakirodalom értő és kritikus olvasásához Mit állít egyáltalá a cikk? Korrektek-e a megállaítások? Vizsgálatok (kísérletek és felmérések) tervezéséhez,

Részletesebben

Kalkulus II., második házi feladat

Kalkulus II., második házi feladat Uger Tamás Istvá FTDYJ Név: Uger Tamás Istvá Neptu: FTDYJ Web: http://maxwellszehu/~ugert Kalkulus II, második házi feladat pot) Koverges? Abszolút koverges? ) l A feladat teljese yilvávalóa arra kívácsi,

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

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

Statisztika 1. zárthelyi dolgozat március 18.

Statisztika 1. zárthelyi dolgozat március 18. Statisztika. zárthelyi dolgozat 009. március 8.. Ismeretle m várható értékű, szórású ormális eloszlásból a következő hatelemű mitát kaptuk:, 48 3, 3, 83 0,, 3, 97 a) Számítsuk ki a mitaközepet és a tapasztalati

Részletesebben

1. Metrológiai alapfogalmak. 2. Egységrendszerek. 2.0 verzió

1. Metrológiai alapfogalmak. 2. Egységrendszerek. 2.0 verzió Mérés és adatgyűjtés - Kérdések 2.0 verzió Megjegyzés: ezek a kérdések a felkészülést szolgálják, nem ezek lesznek a vizsgán. Ha valaki a felkészülése alapján önállóan válaszolni tud ezekre a kérdésekre,

Részletesebben