Idő-frekvencia transzformációk waveletek

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Idő-frekvencia transzformációk waveletek"

Átírás

1 Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika május 8.

2 Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos wavelet transzformáció skálagram Spektrogram, skálagram alkalmazások Folytonos vagy diszkrét? Többfelbontású analízis Ortogonális wavelet transzformáció alapú eljárások 2

3 Alapfogalmak: Idő-frekvencia sík Idő-frekvencia atom Energiasűrűség az idő-frekvencia síkon - peremeloszlások Idő-frekvencia atom: Olyan függvény, aminek energiája időben és frekvenciában is lokalizált. u 2 t 2 1 f f 1 f f t 2 f ( t) f ( ) t u 2 dt 2 2 d f ( t) 2 2 dt f ( ) 2 d 3

4 Határozatlansági reláció Alsó korlát az idő-frekvencia atom kiterjedésére t 1 2 Egyenlőség Gábor-atomra (Gábor Dénes, 1946): f ( t ) ae it e b ( t u ) 2 4

5 Heisenberg-doboz Idő-frekvencia atom kiterjedése az idő-frekvencia síkon 5

6 Rövid idejű Fourier-transzformáció 1. STFT: short-time Fourier-transform folytonos ablakozott Fourier-transzformáció Az idő-frekvencia atom: i t g u, e g ( t u ) g 1 6

7 Rövid idejű Fourier-transzformáció 2. A transzformáció: Invertálható, a jel teljes energiája megmarad. Energiasűrűség-eloszlás az idő-frekvencia síkon (spektrogram): Egyenletes lefedés: i t Sf ( u, ) f, g f ( t) g ( u t) e dt P S u, f ( u, ) Sf ( u, ) 2 7

8 Frekvencia (khz) 8 Példa spektrogram alkalmazására Idő (s)

9 Wavelet definíció Wavelet: időben jól lokalizált, nullközepű függvény. Komplex, analitikus wavelet: frekvenciában is jól lokalizált! 9

10 Folytonos wavelet transzformáció 1. CWT: continuous wavelet transform Komplex, analitikus wavelet Az idő-frekvencia atom: 1 t u s s u, s 1 10

11 Folytonos wavelet transzformáció 2. A transzformáció: Invertálható, a jel teljes energiája megmarad. Energiasűrűség-eloszlás az idő-frekvencia síkon (skálagram): Lefedés változó alakú atomokkal: Wf ( u, s) f, u, P W f ( u, s) Wf ( u, s) s f ( t) 2 1 s t u s dt 11

12 Példa skálagram alkalmazására Frekvencia (Hz) ,7 7,8 7,9 Idő (s) 8,0 8,1 8,2 12

13 Példa skálagram alkalmazására Frekvencia (Hz) ,7 7,8 7,9 Idő (s) 8,0 8,1 8,2 13

14 Példa skálagram alkalmazására Frekvencia (Hz) ,0 0,5 1,0 Idő (s) 2,0 2,5 3,0 8,2 14

15 A két módszer összehasonlítása 15

16 Idő-frekvencia atomok kiválasztása Komplex, analitikus atomok (STFT esetén automatikusan) Az atom típusa függ a jeltől, de általában a Gábor-atom jó (Gauss-ablak, Morlet-wavelet) Az atom paramétereit a fizikai modell határozza meg: STFT esetén az ablakhosszt CWT esetén a wavelet rendjét (~hullámok számát) A jó paraméterezést a fizikai kép határozza meg (lásd: lebegés) 16

17 f1=300 Hz f2=303 Hz Lebegés 303 Hz 300 Hz 1 Acos t Acos t 2Acos t cos t 303 Hz 300 Hz 301,5 Hz 2 t =600 0,66 s 1,5 Hz t 2 t =300 2 t =200 2 t =60 t t 17 t

18 Frekvencia (khz) Pokol Gergő: Idő-frekvencia transzformációk waveletek Lebegés példa Idő (s)

19 Vibrafon 19

20 Vibrafon 20

21 Folytonos vagy diszkrét A folytonos transzformáció: Alapvető tulajdonságok idő-eltolás invariáns frekvencia-eltolás invariáns (vagy skálainvariáns) redundáns ábrázolás a transzformált értékek összefüggnek A diszkrét transzformáció (ortogonális bázissal): nem idő-eltolás invariáns nem frekvencia-eltolás invariáns nem redundáns ábrázolás a transzformált értékek függetlenek 21

22 Folytonos vagy diszkrét Melyiket használjuk? A folytonos transzformáció: tranziens jeleknél fontos az invariancia vizualizálásnál hasznos a sima (összefüggő) kép az atomok szabadon választhatók A diszkrét transzformáció (ortogonális bázissal): sztochasztikus stacioner jeleknél nem fontos az invariancia, további statisztikus feldolgozás esetén hasznos a függetlenség ha a további használat előtt inverz transzformáljuk (szűrés, tömötítés) speciális ortogonális bázisok (atomok) kellenek (keret elmélet) Kevert tulajdonságú transzformációk pl. csúszóablakos FFT 22

23 Ortogonális wavelet transzformáció FWT (fast wavelet transform), gyors wavelet transzformáció Diszkrét transzformáció ortogonális waveletekre Speciális wavelet-ek: keret elmélet (frame theory) Morlet-wavelet nem jó. Diadikus skálázás, mintavétel: 23

24 Ortogonális wavelet Példa Egy lépésben waveletekte és azokra ortogonális skálafüggvényekre bontunk (Példa: Haar-wavelet, 1909) 24

25 MRA (Multiresolution analysis), többfelbontású analízis 25

26 MRA MRA (Multiresolution analysis), többfelbontású analízis: felbontás különböző skálaparaméterű közelítésekre és azt kiegészítő jelrészletekre Emlékeztető 26

27 Szűrő csoportok Minden diszkrét waveletnek megfelel egy digitális szűrő. Wavelet felüláteresztő szűrő HPF Skálafüggvény aluláteresztő szűrő LPF 27

28 Gyors wavelet transzformáció Analízis (dekompozíció): FWT: szűrők és lemintavételezések ciklikus alkalmazása Lemintavételezés: minden második pontot kihagyjuk 28

29 Gyors wavelet transzformáció Szintézis (rekonstrukció): Az analízis inverze felmintavételezéssel, duális (tükrözött) szűrőkkel (Felmintavételezés: minden pont közé beszúrunk egy 0-t) 29

30 Különböző wavelet családok Haar (legegyszerűbb) Daubechies (legtöbb eltűnő momentum adott hosszra, N/2) Symlet (hasonló a Daubechies-hez, csak szimmetrikusabb) db4 db8 30

31 FWT alapú zajszűrés FWT szűrés Inverz FWT Fontos a diszkrét ortogonális transzformáció függetlenül megváltoztatható komponensek Kemény küszöb: adott érték alatt elhagyjuk Puha küszöb: adott értékkel csökkentjük az összest Küszöb számolható különböző zajtípusokra A wavelet kiválasztása kritikus Hasonló elven működnek a tömörítő eljárások 31

32 2D waveletek (pl. JPEG2000) FWT alapú tömörítés Mozgóképekben is alkalmazzák (pl. ZRLE) Piecewise-Linear Haar (PLHaar) wavelet 32

33 Egyéb, avagy Mit szokás még wavelet módszerként emlegetni? Mindent, ahol egy skálainvariáns bázis szerepet játszik: Speciális waveletek korlátos jelekre Biortogonális waveletek Bármiféle wavelet transzformáción alapuló adatfeldolgozási eljárást Skálainvariáns bázis szerinti kifejtésen alapuló analitikus közelítő megoldásokat Skálainvariáns bázisfüggvényeket használó numerikus módszereket Skálainvarianciát kihasználó tömörítési eljárásokat Mintázatfelismerő eljárásokat... 33

34 Vibrafon Pokol Gergő: Idő-frekvencia transzformációk waveletek GoPro =QrxPuk0JefA 34

35 Vibrafon Specs: 60 fps 60 fps 35

36 Előadás: Irodalom Stéphane Mallat: A wavelet tour of signal processing (Academic Press) Alfred Mertins: Signal analysis (John Willey & Sons Ltd.)... 36

37 37

38 Wigner-Ville eloszlás 1. Definíció: Interferencia: P V f ( u, ) * i u f u e d f

39 Wigner-Ville eloszlás 2. Elemi idő-frekvencia atomokra pontos idő-frekvencia energiasűrűség-eloszlás Paraméterezést nem igényel Összetett jelre negatív értéket is felvehet Nem értelmezhető energiasűrűség-eloszlásként Lényeges jelkomponensek is elveszhetnek az interferenciában 39

40 Cohen-osztály Interferencia csökkentése simítással: P f ( u, ) P f u u u dud V (, ) (,,, ) Simító kernelt megfelelően kell megválasztani Csökken az idő-frekvencia felbontás Paraméterezést igényel Speciális esete a lineáris transzformáció (STFT, CWT), mikor az interferencia teljesen eltűnik. Lin. tr. esetén simítás az atomok Wigner-Ville eloszlásával 40

Idő-frekvencia transzformációk waveletek

Idő-frekvencia transzformációk waveletek Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika 2015. április 23. Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos

Részletesebben

Idő-frekvencia transzformációk waveletek

Idő-frekvencia transzformációk waveletek Idő-frekvencia transzformációk waveletek Pokol Gergő BME NTI Üzemi mérések és diagnosztika 013. áprils 17. Vázlat Alapfogalmak az idő-frekvencia síkon Rövid idejű Fourier-transzformáció spektrogram Folytonos

Részletesebben

Idı-frekvencia transzformációk waveletek

Idı-frekvencia transzformációk waveletek Idı-frekvencia transzformációk waveletek Pokol Gergı BME NTI Mőszaki diagnosztika 010. április 13. Vázlat Alapfogalmak az idı-frekvencia síkon Rövid idejő Fourier-transzformáció spektrogram Folytonos wavelet

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

4. Szűrés frekvenciatérben

4. Szűrés frekvenciatérben 4. Szűrés frekvenciatérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) Unitér transzformációk Az unitér transzformációk olyan lineáris,

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

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

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

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás, zajszűrés) Képelemzés

Részletesebben

DINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN. 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1

DINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN. 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1 DINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1 Differenciálegyenlet megoldása u(t) diff. egyenlet v(t) a n d n v m dt a dv n

Részletesebben

Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva:

Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva: 1 Integráló voltmérő Ha sokáig mérünk: kiátlagoljuk a jelet Milyen lesz ez a súlyfüggvény? T idejű integrálás + delta függvény T ideig integrálva: A súlyfüggvény: T széles impulzus 2 Ha a bemenő zaj B

Részletesebben

Korszerű idő-frekvencia analízis programcsomag tranziens folyamatok vizsgálatára

Korszerű idő-frekvencia analízis programcsomag tranziens folyamatok vizsgálatára Nukleon 0. szeptember V. évf. (0) Korszerű idő-frekvencia analízis programcsomag tranziens folyamatok vizsgálatára Horváth László, Lazányi Nóra, Papp Gergely, Pokol Gergő, Pór Gábor BME Nukleáris Technikai

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

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

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

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

Idősorok elemzése. Salánki Ágnes

Idősorok elemzése. Salánki Ágnes Idősorok elemzése Salánki Ágnes salanki.agnes@gmail.com 2012.04.13. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 Idősorok analízise Alapfogalmak Komponenselemzés

Részletesebben

Jelfeldolgozás bevezető. Témalaboratórium

Jelfeldolgozás bevezető. Témalaboratórium Jelfeldolgozás bevezető Témalaboratórium Tartalom Jelfeldolgozás alapjai Lineáris rendszerelmélet Fourier transzformációk és kapcsolataik Spektrális képek értelmezése Képfeldolgozás alapjai Néhány nevezetesebb

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

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

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, intenzitásviszonyok módosításahisztogram módosítás,

Részletesebben

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

ANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek. Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló és jeleket generáló és jeleket generáló Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló

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

Jelanalízis. Neuronális aktivitás

Jelanalízis. Neuronális aktivitás Jelanalízis Neuronális aktivitás 2/10 a bioelektromos jelek lényegében két kategóriába esnek: gyors jelek (spike aktivitás) és lassú jelek (EEG, mezőpotenciál, stb.) a jelanalízis alapvetően különbözik

Részletesebben

RENDSZERTECHNIKA 8. GYAKORLAT

RENDSZERTECHNIKA 8. GYAKORLAT RENDSZERTECHNIKA 8. GYAKORLAT ÜTEMTERV VÁLTOZÁS Gyakorlat Hét Dátum Témakör Házi feladat Egyéb 1 1. hét 02.09 Ismétlés, bevezetés Differenciálegyenletek mérnöki 2 2. hét 02.16 szemmel 1. Hf kiadás 3 3.

Részletesebben

Néhány fontosabb folytonosidejű jel

Néhány fontosabb folytonosidejű jel Jelek és rendszerek MEMO_2 Néhány fontosabb folytonosidejű jel Ugrásfüggvény Bármely választással: Egységugrás vagy Heaviside-féle függvény Ideális kapcsoló. Signum függvény, előjel függvény. MEMO_2 1

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

Bevezetés. Korreláció a Mirnov-szondajelek sávteljesítményei között. plazma szélénél. Az elektron-ciklotron emissziós spektroszkópiai

Bevezetés. Korreláció a Mirnov-szondajelek sávteljesítményei között. plazma szélénél. Az elektron-ciklotron emissziós spektroszkópiai ták, hogy a több száz méter vastag, 6 km 2 kiterjedésû másodlagos kôzet kiválóan alkalmas nukleáris tárolóhely létesítésére [14]. A legkedvezôtlenebb nedvesített anyagmintákon 12 I- és más izotópokkal

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

Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Hol

Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Hol Textúra Könnyű az élt megtalálni? Mi lássunk élnek? Mit lássunk élnek? Hol van az él? Milyen vastag legyen? Mit lássunk élnek? Zaj A zajpontokat nem szabad az élpontokkal összekeverni Egy vagy két él?

Részletesebben

Akusztikai tervezés a geometriai akusztika módszereivel

Akusztikai tervezés a geometriai akusztika módszereivel Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika

Részletesebben

Az NMR és a bizonytalansági elv rejtélyes találkozása

Az NMR és a bizonytalansági elv rejtélyes találkozása Az NMR és a bizonytalansági elv rejtélyes találkozása ifj. Szántay Csaba MTA Kémiai Tudományok Osztálya 2012. február 21. a magspínek pulzus-gerjesztésének értelmezési paradigmája GLOBÁLISAN ELTERJEDT

Részletesebben

Dekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ

Dekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a

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

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató

TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

Részletesebben

2013. január 9. A Heisenberg-féle határozatlansági relációt úgy szokás megfogalmazni, hogy egy

2013. január 9. A Heisenberg-féle határozatlansági relációt úgy szokás megfogalmazni, hogy egy Hullámcsomagok és a határozatlansági reláció Nagy Dávid Gergely - I. számítógépes fizika beadandó 2013. január 9. A Heisenberg határozatlansági reláció A Heisenberg-féle határozatlansági relációt úgy szokás

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

Analóg elektronika - laboratóriumi gyakorlatok

Analóg elektronika - laboratóriumi gyakorlatok Analóg elektronika - laboratóriumi gyakorlatok. Passzív alkatrészek és passzív áramkörök. Elmélet A passzív elektronikai alkatrészek elméleti ismertetése az. prezentációban található. A 2. prezentáció

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

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1 Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =

Részletesebben

Panorámakép készítése

Panorámakép készítése Panorámakép készítése Képregisztráció, 2009. Hantos Norbert Blaskovics Viktor Összefoglalás Panoráma (image stitching, planar mosaicing): átfedő képek összeillesztése Lépések: Előfeldolgozás (pl. intenzitáskorrekciók)

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

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

Jelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03

Jelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03 Jelek és rendszerek MEMO_03 Belépő jelek Jelek deriváltja MEMO_03 1 Jelek és rendszerek MEMO_03 8.ábra. MEMO_03 2 Jelek és rendszerek MEMO_03 9.ábra. MEMO_03 3 Ha a jelet méréssel kapjuk, akkor a jel következő

Részletesebben

1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények

1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1.1. Dierenciálhatóság 1.1. deníció. Legyen a z 0 pont az f(z) függvény értelmezési tartományának torlódási

Részletesebben

MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR

MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR TRANZIENS ÉS KVÁZIPERIODIKUS FOLYAMATOK ANALÍZISE AZ IDŐ-FREKVENCIA TARTOMÁNYBAN PhD ÉRTEKEZÉS KÉSZÍTETTE: TÓTH LAJOS TIBOR OKLEVELES GÉPÉSZMÉRNÖK HATVANY

Részletesebben

Gyakorló többnyire régebbi zh feladatok. Intelligens orvosi műszerek október 2.

Gyakorló többnyire régebbi zh feladatok. Intelligens orvosi műszerek október 2. Gyakorló többnyire régebbi zh feladatok Intelligens orvosi műszerek 2018. október 2. Régebbi zh feladat - #1 Az ábrán látható két jelet, illetve összegüket mozgóablak mediánszűréssel szűrjük egy 11 pontos

Részletesebben

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz

Képfeldolgozó eljárások áttekintés. Orvosi képdiagnosztika 9. ea ősz Képfeldolgozó eljárások áttekintés Orvosi képdiagnosztika 9. ea. 2015 ősz Tartalomjegyzék Képmanipulációs eljárások Képjavítás (kontraszt módosítás, hisztogram módosítás, zajszűrés, élkiemelés) Képelemzés

Részletesebben

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató

TANTÁRGYI PROGRAM Matematikai alapok II. útmutató BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:

Részletesebben

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

1. Jelgenerálás, megjelenítés, jelfeldolgozás alapfunkciói

1. Jelgenerálás, megjelenítés, jelfeldolgozás alapfunkciói 1. Jelgenerálás, megjelenítés, jelfeldolgozás alapfunkciói FELADAT Készítsen egy olyan tömböt, amelynek az elemeit egy START gomb megnyomásakor feltölt a program 1 periódusnyi szinuszosan változó értékekkel.

Részletesebben

Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához

Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához Izsák Ferenc 2007. szeptember 17. Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához 1 Vázlat Bevezetés: a vizsgált egyenlet,

Részletesebben

Inverz Laplace-transzformáció. Vajda István március 4.

Inverz Laplace-transzformáció. Vajda István március 4. Analízis előadások Vajda István 2009. március 4. Definíció: Ha az f (t) függvény laplace-transzformáltja F (s), akkor f (t)-t az F (s) függvény inverz Laplace-transzformáltjának nevezzük. Definíció: Ha

Részletesebben

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István Sajátértékek és sajátvektorok A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris transzformáció Vektorok lineáris transzformációja: általános esetben az x vektor iránya és nagysága

Részletesebben

A Wigner FK részvétele a VIRGO projektben

A Wigner FK részvétele a VIRGO projektben Kettős rendszerek jellemzőinek meghatározása gravitációs hullámok segítségével A Wigner FK részvétele a VIRGO projektben Vasúth Mátyás PhD, MTA Wigner FK A Magyar VIRGO csoport vezetője MTA, 2016.05.05

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

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

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

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

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

Számítógépes geometria (mester kurzus)

Számítógépes geometria (mester kurzus) 2010 sz, Debreceni Egyetem Csuklós szerkezetek animációja (Kép 1985-b l: Tony de Peltrie) Csontváz-modellek Csuklós szerkezet (robotkar) A robotkar részei: csuklók (joints) rotációs prizmatikus (transzlációs)

Részletesebben

n 2 2n), (ii) lim Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, (ii) 3 t 2 2t dt,

n 2 2n), (ii) lim Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, (ii) 3 t 2 2t dt, 205.05.9. Kalkulus I. NÉV:... A csoport EHA:... FELADATOK:. Definíció szerint és formálisan is határozzuk meg a h() = 3 2 függvény deriváltját az = 2 helyen. 8pt 2. Határozzuk meg a következő határértékeket:

Részletesebben

A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI

A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI SZENT ISTVÁN EGYETEM GÖDÖLLŐ MECHANIKAI ÉS GÉPTANI INTÉZET A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI Dr. M. Csizmadia Béla egyetemi tanár, az MMK Gépészeti Tagozatának elnöke Budapest 2013. október. 25. BPMK

Részletesebben

Numerikus módszerek beugró kérdések

Numerikus módszerek beugró kérdések 1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:

Részletesebben

A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján

A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján ORSZÁGOS METEOROLÓGIAI SZOLGÁLAT A keveredési réteg magasságának detektálása visszaszóródási idősorok alapján Timár Ágnes Alapítva: 1870 A planetáris határréteg (PHR) Mechanikus és termikus turbulencia

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

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

Numerikus integrálás április 20.

Numerikus integrálás április 20. Numerikus integrálás 2017. április 20. Integrálás A deriválás papíron is automatikusan elvégezhető feladat. Az analitikus integrálás ezzel szemben problémás vannak szabályok, de nem minden integrálható

Részletesebben

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér

Részletesebben

Robotika. Kinematika. Magyar Attila

Robotika. Kinematika. Magyar Attila Robotika Kinematika Magyar Attila amagyar@almos.vein.hu Miről lesz szó? Bevezetés Merev test pozíciója és orientációja Rotáció Euler szögek Homogén transzformációk Direkt kinematika Nyílt kinematikai lánc

Részletesebben

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus

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

Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, x x 2 dx = arctg x + C = arcctgx + C,

Értelmezési tartomány, tengelymetszetek, paritás. (ii) Határérték. (iii) Első derivált, monotonitás, x x 2 dx = arctg x + C = arcctgx + C, 25.2.8. Kalkulus I. NÉV:... A csoport EHA:... FELADATOK:. Lineáris transzformációk segítségével ábrázoljuk az f() = ln(2 3) függvényt. 7pt 2. Határozzuk meg az f() = 2 3 + 2 2 2 + függvény szélsőértékeit

Részletesebben

EKG jelek analízise waveletekkel

EKG jelek analízise waveletekkel Fazekas Andrea January 7, 2009 Bevezetés A szív összehúzódása egy elektromos inger hatására jön létre, mely normális esetben a sinuscsomóból indul el és a szív sajátságos ingerületvezet rostjain keresztül

Részletesebben

Fúziós plazmafizika ma Magyarországon

Fúziós plazmafizika ma Magyarországon Fúziós plazmafizika ma Magyarországon Pokol Gergő BME NTI MAFIHE TDK és Szakdolgozat Hét 2015. november 9. Fúziós energiatermelés A csillagokban is fúziós reakciók zajlanak, azonban ezek túl kis energiasűrűséggel

Részletesebben

Képfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008

Képfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008 Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi

Részletesebben

6. Folytonosság. pontbeli folytonosság, intervallumon való folytonosság, folytonos függvények

6. Folytonosság. pontbeli folytonosság, intervallumon való folytonosság, folytonos függvények 6. Folytonosság pontbeli folytonosság, intervallumon való folytonosság, folytonos függvények Egy függvény egy intervallumon folytonos, ha annak miden pontjában folytonos. folytonos függvények tulajdonságai

Részletesebben

Numerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok

Numerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok Numerikus matematika Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, 2007 Lebegőpontos számok Normák, kondíciószámok Lineáris egyenletrendszerek Legkisebb négyzetes

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

1. témakör. A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban

1. témakör. A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban 1. témakör A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban A hírközlés célja, általános modellje Üzenet: Hír: Jel: Zaj: Továbbításra szánt adathalmaz

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

Mátrix-exponens, Laplace transzformáció

Mátrix-exponens, Laplace transzformáció 2016. április 4. 2016. április 11. LINEÁRIS DIFFERENCIÁLEGYENLET RENDSZEREK ÉS A MÁTRIX-EXPONENS KAPCSOLATA Feladat - ismétlés Tegyük fel, hogy A(t) = (a ik (t)), i, k = 1,..., n és b(t) folytonos mátrix-függvények

Részletesebben

Teremakusztikai méréstechnika

Teremakusztikai méréstechnika Teremakusztikai méréstechnika Tantermek akusztikája Fürjes Andor Tamás 1 Tartalomjegyzék 1. A teremakusztikai mérések célja 2. Teremakusztikai paraméterek 3. Mérési módszerek 4. ISO 3382 szabvány 5. Méréstechnika

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

Híradástechikai jelfeldolgozás

Híradástechikai jelfeldolgozás Híradástehikai jeleldolgozás. előadás Sebességkonverziós jeleldolgozás 05. 04. 3. 05. április 3. Budapest Dr. Gaál Józse BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu Sebességkonverziós

Részletesebben

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei

Részletesebben

4. Laplace transzformáció és alkalmazása

4. Laplace transzformáció és alkalmazása 4. Laplace transzformáció és alkalmazása 4.1. Laplace transzformált és tulajdonságai Differenciálegyenletek egy csoportja algebrai egyenletté alakítható. Ennek egyik eszköze a Laplace transzformáció. Definíció:

Részletesebben

Súlyozott automaták alkalmazása

Súlyozott automaták alkalmazása Súlyozott automaták alkalmazása képek reprezentációjára Gazdag Zsolt Szegedi Tudományegyetem Számítástudomány Alapjai Tanszék Tartalom Motiváció Fraktáltömörítés Súlyozott véges automaták Képek reprezentációja

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

Képfeldolgozás jól párhuzamosítható

Képfeldolgozás jól párhuzamosítható Képfeldolgozás jól párhuzamosítható B. Wilkinson, M. Allen: Parallel Programming, Pearson Education Prentice Hall, 2nd ed., 2005. könyv 12. fejezete alapján Vázlat A képfeldolgozás olyan alkalmazási terület,

Részletesebben

Geofizikai kutatómódszerek I.

Geofizikai kutatómódszerek I. Geofizikai kutatómódszerek I. A gravitációs és mágneses kutatómódszer Dr. Szabó Norbert Péter egyetemi docens Miskolci Egyetem Geofizikai Intézeti Tanszék e-mail: norbert.szabo.phd@gmail.com 1. A gravitációs

Részletesebben

FODOR GYÖRGY JELEK ÉS RENDSZEREK

FODOR GYÖRGY JELEK ÉS RENDSZEREK FODOR GYÖRGY JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, 2006 Előszó A valóságos fizikai, kémiai, műszaki, gazdasági folyamatokat modellek segítségével írjuk le. A modellalkotás során leegyszerűsítjük

Részletesebben

Műszaki akusztikai mérések. (Oktatási segédlet, készítette: Deák Krisztián)

Műszaki akusztikai mérések. (Oktatási segédlet, készítette: Deák Krisztián) Műszaki akusztikai mérések (Oktatási segédlet, készítette: Deák Krisztián) Az akusztika tárgya a 20 Hz és 20000 Hz közötti, az emberi fül számára érzékelhető rezgések vizsgálata. A legegyszerűbb jel, a

Részletesebben

5. mérés: Diszkrét Fourier Transzformáció (DFT), Gyors Fourier Transzformáció (FFT), számítógépes jelanalízis

5. mérés: Diszkrét Fourier Transzformáció (DFT), Gyors Fourier Transzformáció (FFT), számítógépes jelanalízis Híradástechnika II. laboratóriumi mérések 5. mérés: Diszkrét Fourier Transzformáció (DFT), Gyors Fourier Transzformáció (FFT), számítógépes jelanalízis Összeállította: Kármán József Általános bevezet Az

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

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

11. Orthogonal Frequency Division Multiplexing ( OFDM)

11. Orthogonal Frequency Division Multiplexing ( OFDM) 11. Orthogonal Frequency Division Multiplexing ( OFDM) Az OFDM (Orthogonal Frequency Division Multiplexing ) az egyik legszélesebb körben alkalmazott eljárás. Ez az eljárás az alapja a leggyakrabban alkalmazott

Részletesebben

Optika és Relativitáselmélet II. BsC fizikus hallgatóknak

Optika és Relativitáselmélet II. BsC fizikus hallgatóknak Optika és Relativitáselmélet II. BsC fizikus hallgatóknak 2. Fényhullámok tulajdonságai Cserti József, jegyzet, ELTE, 2007. Az elektromágneses spektrum Látható spektrum (erre állt be a szemünk) UV: ultraibolya

Részletesebben

FORGÁCSOLÁSI FOLYAMATOK VIZSGÁLATA AZ ERŐ-SZIGNÁL ANALÍZISE ALAPJÁN. Összefoglaló

FORGÁCSOLÁSI FOLYAMATOK VIZSGÁLATA AZ ERŐ-SZIGNÁL ANALÍZISE ALAPJÁN. Összefoglaló FORGÁCSOLÁSI FOLYAMATOK VIZSGÁLATA AZ ERŐ-SZIGNÁL ANALÍZISE ALAPJÁN INVESTIGATION OF CUTTING PROCESSES BASED ON ANALYSIS OF THE FORCE SIGNALS Kovács Tamás, Csizmás Edit, Szabó András, Kecskeméti Főiskola

Részletesebben

3D számítógépes geometria és alakzatrekonstrukció

3D számítógépes geometria és alakzatrekonstrukció 3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.

Részletesebben