Gyakorlat. Bevezetés. Elméleti bevezető

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Gyakorlat. Bevezetés. Elméleti bevezető"

Átírás

1 Gyakorlat Szegmentálás és spektrogram vizsgálat. Hangutánzás. Forrás hullámforma kiszámítása. Formáns-szűrősor kiszámítás. Formáns-szűrősor alkalmazása forrás hullámformán Bevezetés A gyakorlat inverz szűrés feladatai során a hallgatóknak egy összetett feladatot kell elvégezniük, amely során a következő hangelemzési eljárásokat használják fel: LPC analízis, inverz szűrés, különböző alaphang kiszámítási eljárások, PSOLA algoritmus. Elméleti bevezető 1. LPC analízis A lineáris predikciós modellek széles körűen használtak a beszédfeldolgozást végző alkalmazásokban, mint például a mobiltelefonok alacsony bitsebességű beszédkódolóiban, beszédminőséget javító eljárásoknál és beszédfelismerésnél. A beszéd a tüdőbe belélegzett, valamint a rezgő mozgást végző hangszalagokon és a rezgő üregen (vocal tract) keresztül kilélegzett levegő által keletkezik. A tüdőből kifelé irányuló véletlen, zajszerű légáramlásokat a hangszalagok rezgése és a rezgő üreg spektrálisan átformálja és felerősíti. A hangszalagok és a rezgő üreg hatása egy korrelációs és periodikus jelleget ad a tüdőből kiáramló levegő véletlen változásaihoz. Az 1. ábra a beszédkeltés egy modelljét illusztrálja. A forrás a tüdőt modellezi, kibocsátva egy véletlenszerű gerjesztő jelet, amelyet először a hangszalagok alaphang-szűrő modellje, majd a rezgő üreg modellje módosít. A beszédben a korreláció fő forrása a rezgő üreg, amelyet egy lineáris prediktorral lehet modellezni. Ez a prediktor a jel m. időszeletének, s(m), amplitúdóját az előző P darab minta [x(m-1),, x(m-p)] lineáris kombinációjaként becsli meg a következőképpen: (1) Ahol az jel becsült értéke, az vektor pedig a P rangú prediktor együtthatói. A predikciós hiba, e(m), az aktuális x(m) minta és az becsült érték különbsége: (2)

2 Az e(m) predikciós hiba egy véletlenszerű gerjesztésként vagy az x(m) információtartalmaként is értelmezhető. A (2) egyenlet alapján a lineáris prediktor által generált jelet a következő módon lehet előállítani: (3) A 2. ábra egy beszédszintetizáló modellt mutat be a (3) egyenlet alapján. Alaphang periódus Véletlen-szerű forrás Gerjesztés Hangszalag (alaphang) modell P(z) Rezgő üreg modell H(z) Beszéd 1. ábra: A beszéd lineáris predikciós modellje u(m) e(m) x(m) G + ap a2 a1 x(m-p) z x(m-2) z -1 x(m-1) z ábra: Egy csak pólusokból álló, lineáris predikciós modell által generált jel illusztrációja A lineáris predikció (LP) tehát egy olyan matematikai módszer, amellyel egy jelenség adott időpontbeli állapotát meg lehet becsülni a jelenségre vonatkozó a priori adatok és az adott időpontot megelőző állapotok birtokában. Ezt a digitális beszédfeldolgozás mellett számos más tudományban is használják, pl. a rendszer identifikáció vagy a szabályozástechnika területein is. A lineáris predikció, túl az előrejelzésen, egy jelenség tömör, lényegkiemelő leírására is szolgálhat, és sokszor ezt a tulajdonságát aknázzák ki. Legyen adott egy beszédátviteli rendszer. Optimálisnak tekinthetjük a működését, ha az átviteli közeg terheltségét a lehetőségekhez képest redukáljuk, gyors átvitelt és mások által is gyors hozzáférést biztosítva ez által. A digitalizált beszéd egy számsorozat, ahol e számsorozat elemei, mint bináris szám n-esek kerülnek átvitelre. Az átviteli közeg foglaltságát, az arra kibocsátott elemek bináris ábrázolásához szükséges bitek

3 száma határozza meg. Megfelelően jó kódolás választásával tehát ami az eredeti jel mintáihoz jóval kisebb ábrázolási tartományú kódokat rendel a csatorna terheltsége optimalizálható. Az LP egy lehetséges jó kódolás, ha a jel mintái helyett a predikciós hibákat és együtthatókat visszük át. A digitális beszédjelet az analízis modell bemenetére engedve kapjuk a kibocsátandó hibasorozatot. A vételi oldal a szintézis modellel dekódolja ezt, és állítja vissza belőle az eredeti jelet. Az együtthatók átvitele csak látszólagos többletköltség, mert a beszédre alkalmazott LP hibája többnyire nagyon kicsi ahogy a tapasztalat alátámasztja ezt így az átvitelre kerülő hibák és együtthatók ábrázolásához szükséges bitek száma kisebb, mint a kódolatlan átvitel esetében. Az átvitel a gyakorlatban a rendelkezésre álló jel szegmentálásával kezdődik. Ennek során a jel mintáit, a LP szempontjából alkalmas módon, ms-os határokkal, csoportosítjuk. Az együtthatókat szegmensenként, a hibákat pedig mintánként visszük át. Új szegmens beérkezésekor, az ahhoz tartozó együttható vektorral kell felparaméterezni az analízis és a szintézis modellt is. A beszédátviteli rendszerek (pl. mobil hírközlésben) többnyire valós idejűek, ezért nem mellékes, hogy mennyi idő szükséges a hibajel előállításához. Az együtthatóvektor kiszámításához szükséges egyenletrendszer (az LP alapegyenlete) megoldása mátrixinverzióhoz vezet, ami általában igen költséges művelet. Ez motiválta olyan eljárások kifejlesztését, amik a hibajel előállításához nem használják fel az együttható vektort, így az LP alapegyenletének megoldására, és a költséges mátrixinverzióra sincs szükségük. Ilyen algoritmust adott Itakura és Saito (PARCOR, parciális korreláció módszerével). Az ezeket az algoritmusokat megvalósító hálózatok az eddigiektől eltérőek, az együtthatókat, mint paramétereket nem igénylik. Az LP beszédfeldolgozásban történő alkalmazását pár általánosság felfedezése még inkább ösztönzi. Ezek: A predikció hibája nem nazális zöngés hangoknál igen kicsi, és csak a gégehullám maximumainál nő meg, szisztematikusan; zöngétlen réshangoknál kicsi és fehérzajszerű; a predikció fokszámának növelésével, egyéb hangoknál is kicsivé tehető. Ezen tények felismerésén alapuló rendszer nem a predikciós hibát viszi át, hanem az előforduló hangok egy lehetséges szűkebb leképezését: zöngés/zöngétlen döntés (egy bit) zöngés esetben a hang alapfrekvenciája (4-6 bit) a hang erőssége (2-4 bit) a predikciós együtthatók vektora (együtthatónként 5-8 bit) Ebben az esetben csak szegmensenkénti információtovábbításra van szükség, nem úgy, mint az előbbi esetben, és az adatvesztés is elkerülhetetlen, bár ez a beszéd érthetőségét nem rontja. Összességében elmondható, hogy az LP jól felhasználható eszköznek bizonyul a digitális beszédfeldolgozás területén. 2. Inverz szűrés Az inverz szűrés a hangszalagoknál mérhető forrás hanghullám közvetett mérésére szolgál. Ez az eljárás lehetővé teszi a kutató számára, hogy a hangrésnél mérhető áramlás jelét becsülje a végső beszédjel

4 segítségével. Feltételezhető, hogy az inverz szűrés a forrás-szűrő beszédkeltési modell, a vokális traktus hatásai és a sugárzási ellenállás hatásait kioltja. Az all-pole lineáris prediktor modell egy korrelálatlan gerjesztő jelet, u(m), egy korrelált x(m) jellé alakít. A frekvencia-tartományban az all-pole szűrő bemenetének és a kimenetének összefüggése a következő módon adható meg: (1) Ahol X(f), E(f), U(f) az x(m), e(m) és u(m) spektruma, G a bemeneti erősítési szorzó, és A(f) az inverz prediktor frekvencia válasza. Az inverz szűréshez a vokális traktust egy adott hosszúságú és összetételű akusztikus csőmodellel közelítjük. Ez ekvivalens a mintázott vokális traktus átviteli függvényével (H(z)), mint adott számú spektrális pólusok szuperpozíciója, amely a z-tartományban így írható le: (2) Ahol p jelöli a pólusok számát, zi pedig az i. pólust. A szájból a környező levegőbe áramló hangnyomás arányos az ajaknál mért levegőáramlás térfogatsebességének (lip volume velocity flow) időbeli változásával, amely egy +6 db/oktáv meredekségű felüláteresztő szűrővel közelíthető. Az inverz szűrés során a pólusok frekvenciáit és sávszélességeit a jel autoregresszív modelljével határozzuk meg. A módszert lineáris predikciónak is hívják, az előző részből pedig láttuk, hogy e szerint a becsült minta: (3) Ahol az ai együtthatók időinvariánsak, valamint rekurzívan számolhatóak. Az együtthatók értékei a legkisebb négyzetes becslés alapján közelíthetőek. Így a vokális traktus átviteli függvénye (4) A beszédjel minden alaphang periódusára egy 1/H(z) inverz szűrőt alkalmazunk, az eredményül kapott jelet pedig a forrásjel közelítésének nevezzük. 3. PSOLA A PSOLA jelentése Pitch Synchronous OverLap/Add. Ez egy tisztán időtartománybeli eljárás. Megvalósítása során egy alaphang meghatározó eljárással kiszámítjuk a jel periódusának hosszát. Ezután a jelet az alaphanggal szinkronban kivágjuk úgy, hogy egy ablakot illesztünk minden periódus közepére. A kapott hullámrészeket különböző sebességgel játsszuk le (a kívánt alaphangtól függően), így előállítva a transzponált jelet. A transzponációs faktortól függően ezek az ablakok többé-kevésbé átlapolódnak, és esetlegesen ki kell egészíteni őket a kimenő jel összerakásához. Akkor, amikor az eljárásnak egy egyperiódusú hullámot kell lejátszania, a legutóbbi periódust veszi az eredeti jelből. Fontos, hogy a

5 transzponálás során nem a mintavételi frekvencia változik meg, hanem a lejátszandó periódusok száma változik meg. Miért is maradnak a formánsok változatlanok? A zönge egy pulzussorozat, amely egy komplex, ám összességében aluláteresztő szűrőn halad keresztül. A pulzussorozatnak lapos spektrális burkolója van. Ha egy ablakot illesztünk minden pulzus közepére és ezeket a hullámrészeket az új alaphangnak megfelelő gyakorisággal illesztjük egymás után, egy újabb pulzussorozatot kapunk, amely ugyanazzal a lapos spektrális burkolóval fog rendelkezni. Így ez a transzponálási eljárás nem befolyásolta a pulzussorozat spektrális burkolóját. 3. ábra: A PSOLA eljárás Gyakorlat A. Szegmentálás és spektrogram vizsgálat B. 1. Rögzítsen egy mondatból álló felvételt: Kedves, élénk természete, remek idegrendszere miatt a nem ölebre vágyó városlakók egyik ideális barátja. 2. Szegmentálja a felvételt! Jelölje be a beszédhangok határait. Rögzítse az annotálásban az adott beszédhang osztályát (magánhangzó, réshang, zárfelpattanó, ), gerjesztését (zöngés, zöngétlen, ), magánhangzó esetén az első két formánsértéket, mássalhangzó esetén pedig a jellemző frekvenciatartományt! Szavak összerakása (Cooledit) 1. készítsen felvételt. amely elegendően hosszú szöveganyagot tartalmaz 2. szavak összevágása I. önállóan készítsen egy új szót a felvett hanganyagból egyes hangok összevagdosásával

6 II. az előzőleg elkészített szót csinálja meg újra, figyelve arra, hogy csak a megfelelő szókapcsolatokból kivágott hangokat használja (ha nincs elég szókapcsolatban szereplő hang, akkor vegyen fel új anyagot, amelyben ez benne van) 3. az elkészített szavakat hallgassa meg egy másik csoport és próbálja kitalálni 4. jelölje be a hangok határait a 4. feladathoz hasonlóan és vizsgálja meg milyen eltéréseket tapasztal 5. mentse el az összerakott szavakat és a spektrumról és hullámformáról készített képeiket csatolja a jegyzőkönyvhöz C. Szűrési feladatok (Cooledit) 1. készítsen hanganyagot, amely tartalmazzon egy bonyolult mondatot 2. szűrje folyamatosan a felvételt egyre kisebb határfrekvenciával egészen addig, amíg a szöveg érthetővé válik 3. jegyezze le, hogy hol van ez a frekvencia és mitől vált érthetővé a beszéd D. Inzerv szűrés 1. Rögzítsen a két kicserélendő személytől 1-1 (azonos) szót! Bármilyen hangrögzítő program használható. Miután a felvétel elkészült, a pontos szóhatároknál vágja meg (rövidítse le a felvételt, hogy csak a konkrét szót tartalmazza)! 2. Módosítsa időben a két felvételt úgy, hogy az időtartamuk azonos legyen! Számítsa ki felvételek időtartamait a Praat QueryTime domainget total duration funkciójával! Számolja ki az időtartamok megfelelő arányát, attól függően, hogy melyik felvételt szeretné módosítani! A kapott aránnyal módosítsa a felvétel hosszát a ConvertLenghten funkcióval! 3. Hajtson végre mindkét felvételen LPC analízist! Az LPC analízishez használja a Praat Formants&LPCTo LPC(burg) eljárását! 4. A módosítani kívánt felvételen hajtson végre inverz szűrést! Ehhez a lépéshez jelölje ki a hangfájl objektumát és az LPC objektumot, majd használja a Filter(inverse) funkciót!

7 4. ábra: Az eredeti hanghullám (fent) és a forrás hanghullám (lent) 5. Az inverz szűrés során kapott forrás hanghullámon alkalmazza a célszemély felvételének LPC analízise során kapott formáns szűrőket! Jelölje ki a célszemély forrás hanghullám objektumot és a célszemély LPC objektumát, és használja a Filter funkciót! 6. A beszélőre jellemzőinek teljes kicseréléséhez módosítsa az alaphang-menetet is! Készítsen Manipulation objektumot a kapott szintetizált hanghullámból és az eredeti hanghullámból! Az eredeti hangullám Manipulation objektumából készítsen Pitch Tier objektumot! A Pitch Tier és a szintetizált felvétel Manipulation objektumát egyszerre kijelölve használja a Replace pitch tier funkciót! A szintetizált (és most már alaphang-módosított) Manipulation objektumot kijelölve használja a Get resynthesis (overlap-add) funkciót a hanghullám szintetizáláshoz!

Gyakorlat. Hangutánzás. Forrás hullámforma kiszámítása. Formáns-szűrősor kiszámítás. Formánsszűrősor alkalmazása forrás hullámformán

Gyakorlat. Hangutánzás. Forrás hullámforma kiszámítása. Formáns-szűrősor kiszámítás. Formánsszűrősor alkalmazása forrás hullámformán Gyakorlat Hangutánzás. Forrás hullámforma kiszámítása. Formáns-szűrősor kiszámítás. Formánsszűrősor alkalmazása forrás hullámformán Bevezetés A gyakorlat sor{n a hallgatóknak egy összetett feladatot kell

Részletesebben

Akusztikai mérések SztahóDávid

Akusztikai mérések SztahóDávid Akusztikai mérések SztahóDávid sztaho@tmit.bme.hu http://alpha.tmit.bme.hu/speech http://berber.tmit.bme.hu/oktatas/gyak02.ppt Tartalom Akusztikai produktum Gerjesztés típus Vokális traktus Sugárzási ellenállás

Részletesebben

A beszéd. Segédlet a Kommunikáció-akusztika tanulásához

A beszéd. Segédlet a Kommunikáció-akusztika tanulásához A beszéd Segédlet a Kommunikáció-akusztika tanulásához Bevezetés Nyelv: az emberi társadalom egyedei közötti kommunikáció az egyed gondolkodásának legfőbb eszköze Beszéd: a nyelv elsődleges megnyilvánulása

Részletesebben

Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás. Csapó Tamás Gábor

Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás. Csapó Tamás Gábor Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás Csapó Tamás Gábor 2016/2017 ősz MINTAVÉTELEZÉS 2 1. Egy 6 khz-es szinusz jelet szűrés nélkül mintavételezünk

Részletesebben

KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök

KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR Mikroelektronikai és Technológiai Intézet Analóg és Hírközlési Áramkörök Laboratóriumi Gyakorlatok Készítette: Joó Gábor és Pintér Tamás OE-MTI 2011 1.Szűrők

Részletesebben

Beszédinformációs rendszerek

Beszédinformációs rendszerek Beszédinformációs rendszerek Beszédkeltés gyakorlat A gyakorlatot előkészítették: Dr. Olaszy Gábor Dr. Németh Géza email: [olaszy, nemeth]@tmit.bme.hu A gyakorlat anyaga Az emberi beszédkeltésről általában

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

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

A hang mint mechanikai hullám

A hang mint mechanikai hullám A hang mint mechanikai hullám I. Célkitűzés Hullámok alapvető jellemzőinek megismerése. A hanghullám fizikai tulajdonságai és a hangérzet közötti összefüggések bemutatása. Fourier-transzformáció alapjainak

Részletesebben

Irányításelmélet és technika II.

Irányításelmélet és technika II. Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november

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

Analóg elektronika - laboratóriumi gyakorlatok

Analóg elektronika - laboratóriumi gyakorlatok Analóg elektronika - laboratóriumi gyakorlatok. Mûveleti erõsítõk váltakozó-áramú alkalmazásai. Elmélet Az integrált mûveleti erõsítõk váltakozó áramú viselkedését a. fejezetben (jegyzet és prezentáció)

Részletesebben

Eddigi tanulmányaink alapján már egy sor, a szeizmikában általánosan használt műveletet el tudunk végezni.

Eddigi tanulmányaink alapján már egy sor, a szeizmikában általánosan használt műveletet el tudunk végezni. Eddigi tanulmányaink alapján már egy sor, a szeizmikában általánosan használt műveletet el tudunk végezni. Kezdjük a sort a menetidőgörbékről, illetve az NMO korrekcióról tanultakkal. A következő ábrán

Részletesebben

Beszédátvitel a GSM rendszerben, fizikai és logikai csatornák

Beszédátvitel a GSM rendszerben, fizikai és logikai csatornák Mobil Informatika TDM keretek eszédátvitel a GSM rendszerben, fizikai és logikai csatornák Dr. Kutor László http://nik.uni-obuda.hu/mobil MoI 3/32/1 MoI 3/32/2 beszédátvitel folyamata beszédátvitel fázisai

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

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

1. A hang, mint akusztikus jel

1. A hang, mint akusztikus jel 1. A hang, mint akusztikus jel Mechanikai rezgés - csak anyagi közegben terjed. A levegő molekuláinak a hangforrástól kiinduló, egyre csillapodva tovaterjedő mechanikai rezgése. Nemcsak levegőben, hanem

Részletesebben

Beszédfelismerés és szintézis tételek:

Beszédfelismerés és szintézis tételek: Beszédfelismerés és szintézis tételek: 1. tétel: Emberi beszédlánc, beszéd szerkezete, beszédhang, beszédhangok osztályozása, fonéma A nyelv egy jelrendszer, amelynek elemeihez egy nyelvközösségen belül

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma:

2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma: 2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv Zsigmond Anna Fizika Bsc II. Mérés dátuma: 2008. 09. 24. Leadás dátuma: 2008. 10. 01. 1 1. Mérések ismertetése Az 1. ábrán látható összeállításban

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

π π A vivőhullám jelalakja (2. ábra) A vivőhullám periódusideje T amplitudója A az impulzus szélessége szögfokban 2p. 2p [ ]

π π A vivőhullám jelalakja (2. ábra) A vivőhullám periódusideje T amplitudója A az impulzus szélessége szögfokban 2p. 2p [ ] Pulzus Amplitúdó Moduláció (PAM) A Pulzus Amplitúdó Modulációról abban az esetben beszélünk, amikor egy impulzus sorozatot használunk vivőhullámnak és ezen a vivőhullámon valósítjuk meg az amplitúdómodulációt

Részletesebben

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision

Részletesebben

Digitális jelfeldolgozás

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

Részletesebben

Beszédhangok és spektrális jellemzésük

Beszédhangok és spektrális jellemzésük Beszédhangok és spektrális jellemzésük Beszédinformációs rendszerek, 2. gyakorlat Sztahó Dávid Tulics Miklós Gábriel Tündik Máté Ákos sztaho@tmit.bme.hu tulics@tmit.bme.hu tundik@tmit.bme.hu 1 1. feladat

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

Hangfrekvenciás mechanikai rezgések vizsgálata

Hangfrekvenciás mechanikai rezgések vizsgálata Hangfrekvenciás mechanikai rezgések vizsgálata (Mérési jegyzőkönyv) Hagymási Imre 2007. május 7. (hétfő délelőtti csoport) 1. Bevezetés Ebben a mérésben a szilárdtestek rugalmas tulajdonságait vizsgáljuk

Részletesebben

Passzív és aktív aluláteresztő szűrők

Passzív és aktív aluláteresztő szűrők 7. Laboratóriumi gyakorlat Passzív és aktív aluláteresztő szűrők. A gyakorlat célja: A Micro-Cap és Filterlab programok segítségével tanulmányozzuk a passzív és aktív aluláteresztő szűrők elépítését, jelátvitelét.

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

Zaj- és rezgés. Törvényszerűségek

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

Részletesebben

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

A mintavételezéses mérések alapjai

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

Részletesebben

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

Irányításelmélet és technika II.

Irányításelmélet és technika II. Irányításelmélet és technika II. Modell-prediktív szabályozás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 2010 november

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

Mérési struktúrák

Mérési struktúrák Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést

Részletesebben

Alapvető Radar Mérések LeCroy oszcilloszkópokkal Radar impulzusok demodulálása és mérése

Alapvető Radar Mérések LeCroy oszcilloszkópokkal Radar impulzusok demodulálása és mérése Alapvető Radar Mérések LeCroy oszcilloszkópokkal Radar impulzusok demodulálása és mérése Összefoglalás A radar rendszerekben változatos modulációs módszereket alkalmaznak, melyek közé tartozik az amplitúdó-,

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

10.1. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ

10.1. ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ 101 ANALÓG JELEK ILLESZTÉSE DIGITÁLIS ESZKÖZÖKHÖZ Ma az analóg jelek feldolgozása (is) mindinkább digitális eszközökkel történik A feldolgozás előtt az analóg jeleket digitalizálni kell Rendszerint az

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

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

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

Kompenzációs kör vizsgálata. LabVIEW 7.1 4. előadás

Kompenzációs kör vizsgálata. LabVIEW 7.1 4. előadás Kompenzációs kör vizsgálata LabVIEW 7.1 4. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-4/1 Mágneses hiszterézis mérése előírt kimeneti jel mellett DAQ Rn Un etalon ellenállás etalon ellenállás

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( ) Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:

Részletesebben

Jelgenerálás virtuális eszközökkel. LabVIEW 7.1

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

Részletesebben

A magánhangzók fonetikai rendszerezése

A magánhangzók fonetikai rendszerezése 5.. témat A magánhangzók fonetikai rendszerezése 1. Szupraglottális terület 2. (Transz)glottális terület 3. Szubglottális terület A mássalhangzók magánhangzók elválasztása szótagalkotás: a magánhangzók

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

Első egyéni feladat (Minta)

Első egyéni feladat (Minta) Első egyéni feladat (Minta) 1. Készítsen olyan programot, amely segítségével a felhasználó 3 különböző jelet tud generálni, amelyeknek bemenő adatait egyedileg lehet változtatni. Legyen mód a jelgenerátorok

Részletesebben

Bevezetés a méréstechnikába és jelfeldolgozásba 7. mérés RC tag Bartha András, Dobránszky Márk

Bevezetés a méréstechnikába és jelfeldolgozásba 7. mérés RC tag Bartha András, Dobránszky Márk Bevezetés a méréstechnikába és jelfeldolgozásba 7. mérés 2015.05.13. RC tag Bartha András, Dobránszky Márk 1. Tanulmányozza át az ELVIS rendszer rövid leírását! Áttanulmányoztuk. 2. Húzzon a tartóból két

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

Nagyfrekvenciás rendszerek elektronikája házi feladat

Nagyfrekvenciás rendszerek elektronikája házi feladat Nagyfrekvenciás rendszerek elektronikája házi feladat Az elkészítendő kis adatsebességű, rövidhullámú, BPSK adóvevő felépítése a következő: Számítsa ki a vevő földelt bázisú kis zajú hangolt kollektorkörös

Részletesebben

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból

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

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

Méréstechnika. Rezgésmérés. Készítette: Ángyán Béla. Iszak Gábor. Seidl Áron. Veszprém. [Ide írhatja a szöveget] oldal 1

Méréstechnika. Rezgésmérés. Készítette: Ángyán Béla. Iszak Gábor. Seidl Áron. Veszprém. [Ide írhatja a szöveget] oldal 1 Méréstechnika Rezgésmérés Készítette: Ángyán Béla Iszak Gábor Seidl Áron Veszprém 2014 [Ide írhatja a szöveget] oldal 1 A rezgésekkel kapcsolatos alapfogalmak A rezgés a Magyar Értelmező Szótár megfogalmazása

Részletesebben

Értékelés Összesen: 100 pont 100% = 100 pont A VIZSGAFELADAT MEGOLDÁSÁRA JAVASOLT %-OS EREDMÉNY: EBBEN A VIZSGARÉSZBEN A VIZSGAFELADAT ARÁNYA 35%.

Értékelés Összesen: 100 pont 100% = 100 pont A VIZSGAFELADAT MEGOLDÁSÁRA JAVASOLT %-OS EREDMÉNY: EBBEN A VIZSGARÉSZBEN A VIZSGAFELADAT ARÁNYA 35%. Az Országos Képzési Jegyzékről és az Országos Képzési Jegyzék módosításának eljárásrendjéről szóló 133/2010. (IV. 22.) Korm. rendelet alapján: Szakképesítés, szakképesítés-elágazás, rész-szakképesítés,

Részletesebben

Mérési hibák 2006.10.04. 1

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

Részletesebben

KÓDOLÁSTECHNIKA PZH. 2006. december 18.

KÓDOLÁSTECHNIKA PZH. 2006. december 18. KÓDOLÁSTECHNIKA PZH 2006. december 18. 1. Hibajavító kódolást tekintünk. Egy lineáris bináris blokk kód generátormátrixa G 10110 01101 a.) Adja meg a kód kódszavait és paramétereit (n, k,d). (3 p) b.)

Részletesebben

Modern Fizika Labor. 5. ESR (Elektronspin rezonancia) Fizika BSc. A mérés dátuma: okt. 25. A mérés száma és címe: Értékelés:

Modern Fizika Labor. 5. ESR (Elektronspin rezonancia) Fizika BSc. A mérés dátuma: okt. 25. A mérés száma és címe: Értékelés: Modern Fizika Labor Fizika BSc A mérés dátuma: 2011. okt. 25. A mérés száma és címe: 5. ESR (Elektronspin rezonancia) Értékelés: A beadás dátuma: 2011. nov. 16. A mérést végezte: Szőke Kálmán Benjamin

Részletesebben

Objektív beszédminősítés

Objektív beszédminősítés Objektív beszédminősítés Fegyó Tibor fegyo@tmit.bme.hu Beszédinformációs rendszerek -- Objektív beszédminõsítés 1 Beszédinformációs rendszerek -- Objektív beszédminõsítés 2 Bevezető kérdések Mi a [beszéd]

Részletesebben

Mechatronika alapjai házi feladat

Mechatronika alapjai házi feladat Mechatronika alapjai házi feladat 1. feladat: Az állapotautomaták 1.1. Kerti lámpa A feladat egy kerti lámpa működésének modellezése állapotautomataként. A kerti lámpa az érzékelt fényerősség szint szerint

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

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

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

Részletesebben

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

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

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

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Hangfrekvenciás mechanikai rezgések vizsgálata

Hangfrekvenciás mechanikai rezgések vizsgálata KLASSZIKUS FIZIKA LABORATÓRIUM 3. MÉRÉS Hangfrekvenciás mechanikai rezgések vizsgálata Mérést végezte: Enyingi Vera Atala ENVSAAT.ELTE Mérés időpontja: 2011. november 23. Szerda délelőtti csoport 1. A

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

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

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

Rezgőmozgás. A mechanikai rezgések vizsgálata, jellemzői és dinamikai feltétele

Rezgőmozgás. A mechanikai rezgések vizsgálata, jellemzői és dinamikai feltétele Rezgőmozgás A mechanikai rezgések vizsgálata, jellemzői és dinamikai feltétele A rezgés fogalma Minden olyan változás, amely az időben valamilyen ismétlődést mutat rezgésnek nevezünk. A rezgések fajtái:

Részletesebben

Akusztikus mérőműszerek

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

Részletesebben

MEMS eszközök redukált rendű modellezése a Smart Systems Integration mesterképzésben Dr. Ender Ferenc

MEMS eszközök redukált rendű modellezése a Smart Systems Integration mesterképzésben Dr. Ender Ferenc MEMS eszközök redukált rendű modellezése a Smart Systems Integration mesterképzésben Dr. Ender Ferenc BME Elektronikus Eszközök Tanszéke Smart Systems Integration EMMC+ Az EU által támogatott 2 éves mesterképzési

Részletesebben

Hangszintézis Mérési segédlet Hangtechnikai Laboratórium 2. Budapesti Műszaki és Gazdaságtudományi Egyetem Híradástechnikai Tanszék

Hangszintézis Mérési segédlet Hangtechnikai Laboratórium 2. Budapesti Műszaki és Gazdaságtudományi Egyetem Híradástechnikai Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Híradástechnikai Tanszék Hangszintézis Mérési segédlet Hangtechnikai Laboratórium 2. Írta: Gulyás Krisztián 2009. szeptember 17. Analízis 1. Bevezető A mérés

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

ALAPFOGALMIKÉRDÉSEK VILLAMOSSÁGTANBÓL 1. EGYENÁRAM

ALAPFOGALMIKÉRDÉSEK VILLAMOSSÁGTANBÓL 1. EGYENÁRAM ALAPFOGALMIKÉRDÉSEK VILLAMOSSÁGTANBÓL INFORMATIKUS HALLGATÓK RÉSZÉRE 1. EGYENÁRAM 1. Vezesse le a feszültségosztó képletet két ellenállás (R 1 és R 2 ) esetén! Az összefüggésben szerepl mennyiségek jelölését

Részletesebben

A felmérési egység kódja:

A felmérési egység kódja: A felmérési egység lajstromszáma: 0161 A felmérési egység adatai A felmérési egység kódja: A kódrészletek jelentése: Elektro//50/Ism/Rok Elektronika-távközlés szakképesítés-csoportban, a célzott 50-es

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

-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el.

-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el. 1. 2. 3. Mondat E1 E2 Össz Energetikai mérnöki alapszak Mérnöki fizika 2. ZH NÉV:.. 2018. május 15. Neptun kód:... g=10 m/s 2 ; ε 0 = 8.85 10 12 F/m; μ 0 = 4π 10 7 Vs/Am; c = 3 10 8 m/s Előadó: Márkus

Részletesebben

19. A fényelektromos jelenségek vizsgálata

19. A fényelektromos jelenségek vizsgálata 19. A fényelektromos jelenségek vizsgálata PÁPICS PÉTER ISTVÁN csillagász, 3. évfolyam Mérőpár: Balázs Miklós 2006.04.19. Beadva: 2006.05.15. Értékelés: A MÉRÉS LEÍRÁSA Fontos megállapítás, hogy a fénysugárzásban

Részletesebben

Mérés 3 - Ellenörzö mérés - 5. Alakítsunk A-t meg D-t oda-vissza (A/D, D/A átlakító)

Mérés 3 - Ellenörzö mérés - 5. Alakítsunk A-t meg D-t oda-vissza (A/D, D/A átlakító) Mérés 3 - Ellenörzö mérés - 5. Alakítsunk A-t meg D-t oda-vissza (A/D, D/A átlakító) 1. A D/A átalakító erısítési hibája és beállása Mérje meg a D/A átalakító erısítési hibáját! A hibát százalékban adja

Részletesebben

Robotok inverz geometriája

Robotok inverz geometriája Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés

Részletesebben

SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA

SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA infokommunikációs technológiák SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA BEVEZETŐ A KUTATÁS CÉLJA Autonóm járművek és robotok esetén elsődleges feladat a robotok

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK II. 5. DC MOTOROK SZABÁLYOZÁS FORDULATSZÁM- SZABÁLYOZÁS

ÉRZÉKELŐK ÉS BEAVATKOZÓK II. 5. DC MOTOROK SZABÁLYOZÁS FORDULATSZÁM- SZABÁLYOZÁS ÉRZÉKELŐK ÉS BEAVATKOZÓK II. 5. DC MOTOROK SZABÁLYOZÁS FORDULATSZÁM- SZABÁLYOZÁS Dr. Soumelidis Alexandros 2019.03.13. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT

Részletesebben

Analóg elektronika - laboratóriumi gyakorlatok

Analóg elektronika - laboratóriumi gyakorlatok Analóg elektronika - laboratóriumi gyakorlatok. Mûveleti erõsítõk egyenáramú jellemzése és alkalmazásai. Elmélet Az erõsítõ fogalmát valamint az integrált mûveleti erõsítõk szerkezetét és viselkedését

Részletesebben

Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén

Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert

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

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

Elektronika Előadás. Analóg és kapcsolt kapacitású szűrők

Elektronika Előadás. Analóg és kapcsolt kapacitású szűrők Elektronika 2 8. Előadás Analóg és kapcsolt kapacitású szűrők Irodalom - Megyeri János: Analóg elektronika, Tankönyvkiadó, 1990 - Ron Mancini (szerk): Op Amps for Everyone, Texas Instruments, 2002 16.

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

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

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A

Részletesebben

8. Laboratóriumi gyakorlat INKREMENTÁLIS ADÓ

8. Laboratóriumi gyakorlat INKREMENTÁLIS ADÓ 8. Laboratóriumi gyakorlat INKREMENTÁLIS ADÓ 1. A gyakorlat célja: Az inkrementális adók működésének megismerése. Számítások és szoftverfejlesztés az inkrementális adók katalógusadatainak feldolgozására

Részletesebben

Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34

Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34 Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34. Meteorológiai Tudományos Napok Az előadás vázlata

Részletesebben

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv

Jelkondicionálás. Elvezetés. a bioelektromos jelek kis amplitúdójúak. extracelluláris spike: néhányszor 10 uv. EEG hajas fejbőrről: max 50 uv Jelkondicionálás Elvezetés 2/12 a bioelektromos jelek kis amplitúdójúak extracelluláris spike: néhányszor 10 uv EEG hajas fejbőrről: max 50 uv EKG: 1 mv membránpotenciál: max. 100 mv az amplitúdó növelésére,

Részletesebben

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

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

Részletesebben

A Brüel & Kjaer zajdiagnosztikai módszereinek elméleti alapjai és ipari alkalmazása

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

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben