FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio
|
|
- Iolanda Chiesa
- 7 anni fa
- Visualizzazioni
Transcript
1 FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da numeri casuali, con distribuzione di probabilità uniforme nell intervallo 0 1 è: U=rand(nr,nc); (dove nr e nc rappresentano il numero di righe e di colonne della matrice). Esiste un analogo comando per generare una matrice (n r,n c ) composta da numeri casuali, con distribuzione di probabilità gaussiana, a media nulla e varianza unitaria: N=randn(nr,nc); Per generare una matrice (n r,n c ) composta da numeri casuali, con distribuzione di probabilità gaussiana, a media m e varianza v: N=m+randn(nr,nc)*sqrt(v); MATLAB: stima e visualizzazione di distribuzioni di probabilità Data un insieme di numeri casuali, la distribuzione di probabilità da cui sono generati si può approssimare calcolando l istogramma della sequenza di realizzazioni. Il comando MATLAB per calcolare l istogramma di un vettore x è: H=hist(x,b); (dove b è un vettore che contiene i centri delle celle rispetto alle quali è calcolato l istogramma). Per poter calcolare correttamente la frequenza relativa frr delle estrazioni x, è necessario scalare il risultato per il numero di prove N, e per la dimensione della cella dell istogramma (una variabile casuale continua): frr=hist(x,b)/n/bin; L istogramma della frequenza relativa così calcolata, che approssima la distribuzione di probabilità, può essere visualizzata con il comando: bar(b,frr); Esercizio Si generi una sequenza di N=10000 numeri casuali che simulino il lancio di un dado. Si simuli poi il lancio di due dadi. Si visualizzino nei due casi le frequenze relative. N=10000; % numero di prove x=rand(1,n); % distribuzione uniforme dado=floor(x*6)+1; frr=hist(dado,[1:6])/n; subplot(1,2,1), bar([1:6],frr); dadi=floor(rand(2,n)*6)+1; frr=hist(sum(dadi),[2:12])/n; % somma per colonne subplot(1,2,2), bar([2:12],frr); 1
2 Esercizio Si generi una sequenza di N= numeri casuali estratti da una distribuzione gaussiana a media nulla, con varianza σ 2 =100. Si confronti la distribuzione di probabilità stimata con la distribuzione di probabilità gaussiana. N=100000; % numero di prove y=randn(1,n)*sqrt(100); % distribuzione gaussiana frr=hist(y,[-40:40])/n; % attenzione, scalare per la dim. della cella dell istogramma x=[-40:.1:40]; ddp=1/sqrt(2*pi*100)*exp(-x.^2/(2*100)); bar([-40:40],frr); hold on, plot(x,ddp, r ); 2
3 Calcolo di media e varianza La funzione MATLAB che calcola la media di una sequenza di numeri casuali è: m=mean(x); La funzione MATLAB che calcola la varianza di una sequenza di numeri casuali è: v=var(x); è anche possibile calcolare la deviazione standard di un vettore di numeri casuali: s=std(x) Si ricorda che vale la relazione s=sqrt(v)! Se i numeri casuali x sono generati da una distribuzione di probabilità, i valori stimati m e v approssimano media e varianza vere all aumentare del numero di realizzazioni (lunghezza del vettore x) Esercizio Si stimino media e varianza della distribuzione di probabilità uniforme nell intervallo 0 1, al variare del numero N di prove a disposizione. Si confronti con il risultato noto dalla teoria. Si utilizzi: N=[10:50:10000]; N=[10:50:10000]; t=length(n); varianza=zeros(1,t); media=zeros(1,t); for m=1:t, x=rand(1,n(m)); varianza(m)=var(x); media(m)=mean(x); end, subplot(2,1,1), plot(n,varianza, r,n,ones(1,t)/12, --b ); subplot(2,1,2), plot(n,media, r,n,ones(1,t)*0.5, --b ); 3
4 Teorema del limite centrale Si vuole verificare sperimentalmente il teorema del limite centrale. Si sommino 50 variabili indipendenti con distribuzione uniforme (N=10000 prove) e si confronti la frequenza relativa della distribuzione somma, con il risultato teorico (distribuzione gaussiana con media e varianza note dalla teoria). Quante variabili indipendenti è necessario sommare per approssimare la distribuzione gaussiana? Np=10000; % numero di prove Nv=50; % numero di variabili indipendenti y=rand(nv,np); % distribuzione uniforme Sy=sum(y); % distr. somma media =Nv*.5; varianza=nv*1/12; x=[-4*sqrt(varianza):.5:4*sqrt(varianza)]+media; frr=hist(sy,x)/np/.5; ddp=1/sqrt(2*pi*varianza)*exp(-(x-media).^2/(2*varianza)); bar(x,frr); hold on; plot(x,ddp,'r'); Processo casuale attraverso un filtro lineare Un processo casuale stazionario x(t), può essere descritto nel dominio delle frequenze dalla densità spettrale di potenza S x (f), definita come trasformata di Fourier della funzione di autocorrelazione del processo x(t). La densità spettrale di potenza può essere stimata come: S x (f)=p x (f)/ f X(f) 2 / Ν t La densità spettrale di un processo bianco è una costante di ampiezza σ 2 (autocorrelazione impulsiva). Questo non significa che la S x (f) stimata sia costante per una realizzazione, anzi! È una costante la media di infinite realizzazioni della densità spettrale di potenza! Se il processo casuale x(t) viene filtrato da un filtro con risposta in frequenza H(f), La densità spettrale di potenza in uscita sarà: 4
5 S y (f)= H(f) 2 S x (f) Esercizio Si generi una realizzazione (N=1000 campioni) di un processo casuale bianco (discretizzato con passo dt=1 ms), con distribuzione gaussiana (di varianza σ 2 =50 ). Si stimi la densità spettrale di potenza. Si stimi nuovamente la densità spettrale di potenza mediando 50 realizzazioni. Si filtrino ora le diverse realizzazioni con un filtro con risposta impulsiva h(t) rettangolare (durata T=0.05 sec). Si stimi la densità spettrale di potenza in uscita, e la si confronti con il risultato teorico noto. N=1000; dt=0.001; t=[0:n-1]*dt; x=randn(1,n)*sqrt(50); % processo casuale Sx=fftshift(abs(fft(x)).^2)/N; % stima della d.s. di pot. df=1/(n*dt); f=[-n/2+[0:n-1]]*df; Sm=zeros(1,N); for k=1:50, x=randn(1,n)*sqrt(50); Sm=Sm+(fftshift(abs(fft(x)).^2)/N)/50; % stima della d.s.p. mediata end, subplot(2,1,1); plot(f,sx,'b'); axis([ ]); subplot(2,1,2); plot(f,sm,'b'); axis([ ]); xlabel('frequenza [Hz]') 5
6 Si vuole ora costruire il filtro rettangolare (T=0.05 sec.). Si stimerà la densità spettrale di potenza S y (f) sempre come media di 50 realizzazioni. Si consiglia di visualizzare il risultato in scala logaritmica (comando semilogy) T= 0.05; M= T/dt; h=ones(1,m)/t; Sy=zeros(1,N); for k=1:50, x=randn(1,n)*sqrt(50); y=conv(x,h)*dt; Sy=Sy+(fftshift(abs(fft(y(1:N))).^2)/N)/50; end, Hf=(1/M*sin(pi*f*dt*M)./sin(pi*f*dt)); % trasformata del rettangolo % discreto di durata M camp. Hf(find(f==0))=1; % -> H(f)=sinc.Per.(f) semilogy(f,abs(hf).^2*50,'-r'); % Sy(f) teorica hold on; semilogy(f,sy,'.b'); % Sy(f) stimata axis([ e-3 1e2]); grid; xlabel('frequenza [Hz]'); 6
7 Campionamento di segnali In MATLAB, qualunque segnale continuo è approssimato da una sequenza campionata. Si può simulare il campionamento di un segnale continuo, semplicemente riducendo il suo passo di campionamento (decimazione della sequenza). Il comando che permette di decimare un vettore, che approssima il segnale y(t) è: tc=t(1:step:end); yc=y(1:step:end); (dove step rappresenta il rapporto tra il nuovo e il vecchio passo di campionamento) La visualizzazione più adatta ai segnali campionati è ottenuta con il comando: stem(tc,yc); Esercizio Il segnale y(t) (somma di due sinusoidi di frequenza f 1 =5 Hz f 2 =20 Hz, e ampiezza A 1 =2, A 2 =1) originariamente campionato con passo dt=1 ms, viene sottocampionato con passo dt=10 ms. Si disegni il segnale originale ed il segnale sottocampionato. La durata dell osservazione è T=1 sec. dt=0.001; t=[0:dt: ]; y=3*sin(2*pi*5*t)+sin(2*pi*20*t); tc=t(1:10:end); yc=y(1:10:end); plot(t,y,'r'); hold on; stem(tc,yc); Campionamento ed equivocazione L effetto della discretizzazione di un segnale continuo è replicare la risposta in frequenza del segnale a passo f c =1/dt. In prima approssimazione quindi le uniche frequenze rappresentabili sono limitate 7
8 all intervallo ±1/(2*dt). Frequenze più elevate vengono interpretate come altre frequenze nell intervallo definito in precedenza (equivocazione). Date due sinusoidi campionate con freq. di campionamento f c =20 Hz, la prima a frequenza f 1 minore di f c /2 (non equivocata) e l altra a frequenza f 2 =f 1 +f c, si può verificare come i campioni delle due sinusoidi si sovrappongono perfettamente (equivocazione). fc=20; % freq. campionamento dt=1/fc; % intervallo campionamento t=[0:dt:2]; % asse campione tempi f1=2; % freq. non aliasata f2=f1+fc; % freq. aliasata figure subplot(2,1,1), plot(t,sin(2*pi*f1*t),'*',t,sin(2*pi*f2*t),'o') xlabel('tempo') subplot(2,1,2), t1=[0:dt/10:2]; plot(t1,sin(2*pi*f1*t1),t1,sin(2*pi*f2*t1),t, sin(2*pi*f1*t),'*') xlabel('tempo') 8
9 Ricostruzione di segnali Il segnale può essere ricostruito correttamente, se il segnale campionato, definito nei soli istanti y(n*dt), (e quindi con trasformata periodica di periodo fc=1/dt), viene filtrato con un filtro passa-basso nell intervallo 1/2dt, 1/2dt. Questo può essere fatto convolvendo con la risposta all impulso del filtro ideale, ovvero il sinc(t). Quindi, per poter effettuare la ricostruzione: % spettro del segnale continuo N =length(t); df=1/(n*dt); f=[n/2+[0:n-1]]*df; % N è pari Y =fftshift(fft(y))*dt; % spettro del segnale impulsivo yi=zeros(size(y)); yi(1:10:end)=yc; YI =fftshift(fft(yi))*dt; % ricostruzione sinc th=[-1:dt:1]; h =sin(pi*100*th)./(pi*100*th); h(find(th==0))=1; yr=conv(yi,h); tr=th(1)+t(1)+[0:length(yr)]*dt; set=find(tr>=0 & tr<1); yr=yr(set); YR=fftshift(fft(yr))*dt; subplot(3,1,1), plot(t,y,'--r',t,yr,'b'); subplot(3,1,2), semilogy(f,abs(yi),'b'); grid, axis([ e-3 1]); subplot(3,1,3), semilogy(f,abs(yr),'b',f,abs(y),'--r'); grid, axis([ e-3 1]); Possiamo interpretare l esempio presentato come simulazione del comportamento del filtro analogico necessario per la ricostruzione, ma anche come sovracampionamento numerico (esempio, il classico sovracampionamento 8:1 utilizzato nei cd-player), che permette di semplificare lo stadio analogico successivo comunque necessario. Infatti, il sovracampionamento (o interpolazione) numerico, permette di allontanare le repliche spettrali (per il sovracampionamento 8:1, il periodo diventa 8fc!) e quindi di richiedere la realizzazione di filtri analogici con piccole pendenze. Ovviamente nella ricostruzione di segnali continui si impiegheranno filtri di breve durata, per rendere l operazione possibile in tempo reale. Ad esempio si potranno utilizzare il mantenitore, l interpolatore lineare, cubico. In MATLAB, questo tipo di ricostruzione può essere simulata con il comando interp1. La risposta in frequenza del corrispondente filtro di ricostruzione sarà 9
10 un approssimazione tanto peggiore del filtro passa-basso ideale, quanto più bassa è la lunghezza della risposta impulsiva del filtro. % ricostruzione pratica di segnali yr=interp1(tc,yc,t,'nearest'); % provare anche con linear, % v5cubic, spline yr(find(isnan(yr))=0; YR=fftshift(fft(yr))*dt; subplot(2,1,1), plot(t,y,'--r',t,yr,'b'); subplot(2,1,2), semilogy(f,abs(yr),'b',f,abs(y),'--r'); grid, axis([ e-3 1]); Esercizio Si analizzi la risposta impulsiva dei diversi interpolatori nel dominio delle frequenze (si calcoli la trasformata di Fourier della sequenza ottenuta interpolando 10:1 un singolo impulso) 10
FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Campionamento di segnali In MATLAB, qualunque segnale continuo è approssimato da una sequenza campionata. Si
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Campionamento di segnali In MATLAB, qualunque segnale continuo è approssimato da una sequenza campionata. Si
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 2 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 2 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: linguaggio di programmazione L ambiente MATLAB possiede un completo linguaggio di programmazione. Vediamo
DettagliCorso di Fondamenti di Segnali e Trasmissione - Esame del 21 Febbraio 2006
Corso di Fondamenti di Segnali e Trasmissione - Esame del Febbraio 006 Gli esercizi devono essere risolti solo sui ogli dei colori indicati. Per esiti e soluzioni si veda il sito web del corso: http://www.elet.polimi.polimi.it/dsp/courses/st.
DettagliCampionamento e quantizzazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Campionamento e quantizzazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Conversione analogico-digitale L elaborazione
DettagliProva scritta di Teoria dei Segnali: nuovo ordinamento
Prova scritta di Teoria dei Segnali: nuovo ordinamento 1. Dati i segnali x(t) = rect[(t-2)/2] e y(t) = 2rect[(t+3)/2], si calcoli il prodotto di convoluzione tra x(t) e y(t), 2. Si calcoli la trasformata
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Quantizzazione Il segnale y(t) non solo è campionato sull asse dei tempi, ma anche i valori di ordinata sono
DettagliCAMPIONAMENTO E RICOSTRUZIONE. Y(f) Y(f-15) Y(f+15) f[hz] Yc(f) Y(f) Y(f-17.5) Y(f+17.5) Yc(f) Esercizio 1
CAMPIONAMENTO E RICOSTRUZIONE Esercizio 1 Dato il segnale y(t), con trasformata di Fourier Y(f) rappresentata in figura, rappresentare lo spettro del segnale ottenuto campionando idealmente y(t) con a)
DettagliRICHIAMI SU PROCESSI ALEATORI E DENSITÀ SPETTRALE DI POTENZA
RICHIAMI SU PROCESSI ALEATORI E DENSITÀ SPETTRALE DI POTENZA Paolo Bestagini Ph.D. Student bestagini@elet.polimi.it http://home.deib.polimi.it/bestagini Sommario 2 Segnali deterministici Continui Discreti
DettagliLaboratorio 4 G. Bernasconi,
Laboratorio 4 G. Bernasconi, bernasco@elet.polimi.it Crosscorrelazione e Autocorrelazione (filtro adattato) La funzione crosscorrelazione tra due segnali continui x(t) ed y(t) è definita come: + R xy (
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
Dettagli2.2.5 Approssimazione di un segnale in una base biortogonale (segnali rettangolari) Esercizi proposti... 46
Indice 1 Operazioni elementari, convoluzione, correlazione 1 1.1 Operazioni elementari........................ 1 1.1.1 Ribaltamento, traslazione, scalatura............ 1 1.2 Convoluzione.............................
DettagliCorso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra
Corso di Fondamenti di Telecomunicazioni Esercizi Teoria dei segnali Prof. Giovanni Schembra Sommario CARATTERISTICHE DEI SEGNALI DETERMINATI.... ESERCIZIO.... ESERCIZIO... 5.3 ESERCIZIO 3 CONVOLUZIONE...
DettagliLaboratorio II, modulo
Laboratorio II, modulo 2 206-207 Banda di un segnale e filtri (cfr. http://wpage.unina.it/verdoliv/tds/appunti/appunti_03.pdf e http://wpage.unina.it/verdoliv/tds/appunti/appunti_04.pdf e http://wpage.unina.it/verdoliv/tds/appunti/appunti_05.pdf
DettagliCAMPIONAMENTO E RICOSTRUZIONE DI SEGNALI
CAMPIONAMENTO E RICOSTRUZIONE DI SEGNALI 1 Fondamenti di segnali Fondamenti e trasmissione TLC Segnali in formato numerico Nei moderni sistemi di memorizzazione e trasmissione i segnali in ingresso sono
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliCorso di Fondamenti di Segnali e Trasmissione - Esame del 7 Febbraio 2006
Corso di Fondamenti di Segnali e Trasmissione - Esame del 7 Febbraio 6 Gli esercizi devono essere risolti solo sui ogli dei colori indicati. Per esiti e soluzioni si veda il sito web del corso: http://www.elet.polimi.polimi.it/dsp/courses/st.
DettagliCorso di Elaborazione Numerica dei Segnali Esame del 7 Luglio 2004
Corso di Elaborazione Numerica dei Segnali Esame del 7 Luglio TOTALE PUNTI: L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione
DettagliProva di AUTOVALUTAZIONE (novembre 2009). nota: l esame ha validità solo se incluso nel piano degli studi per l anno accademico corrente.
UNIVERSITA DEGLI STUDI ROMA TRE CdS in Ingegneria Informatica corso di FONDAMENTI DI TELECOMUNICAZIONI Prova di AUTOVALUTAZIONE (novembre 2009). COMPITO A nota: l esame ha validità solo se incluso nel
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
DettagliSegnali Numerici. Segnali Continui
Segnali Continui La descrizione dell andamento nel tempo di un fenomeno fisico è data da una funzione continua nel tempo (X) e nelle ampiezze (Y) Il segnale analogico è una serie continua di valori x e
DettagliIn realtà i segnali con i quali dobbiamo confrontarci più frequentemente sono limitati nel tempo
Segnali trattati sino ad ora: continui, durata infinita,.. Su essi sono stati sviluppati strumenti per analizzare output di circuiti e caratteristiche del segnale: Risposta all impulso, prodotto di convoluzione,
DettagliSegnali analogici. Segnali aleatori. Segnali determinati Trasmissione ideale Trasmissione perfetta. Trasmissione imperfetta
Segnali determinati Trasmissione ideale Trasmissione perfetta Segnali analogici 40 20 Segnali aleatori Trasmissione imperfetta Laboratorio di Segnali Segnali modulati Segnali tempo discreto e segnali in
DettagliCAMPIONAMENTO CATENA ELETTROACUSTICA DIGITALE, CAMPIONAMENTO, QUANTIZZAZIONE
CAMPIONAMENTO CATENA ELETTROACUSTICA DIGITALE, CAMPIONAMENTO, QUANTIZZAZIONE Catena elettroacustica DIGITALE 2 Compressione/ Rarefazione dell aria Compressione/ Rarefazione dell aria ADC DAC Segnale elettrico
DettagliCorso di Elaborazione Numerica dei Segnali Esame del 30 settembre 2005
Corso di Elaborazione Numerica dei Segnali Esame del 30 settembre 005 TOTALE PUNTI: 44 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello
DettagliSegnali e Sistemi Laboratorio Matlab
Segnali e Sistemi Laboratorio Matlab Irene Pappalardo irene.pappalardo@gmail.com Corso di Laurea in Ingegneria dell Informazione May 05-12-14, 2014 Segnali e Sistemi Laboratorio Matlab 05-12-14.05.2014
DettagliProgetto dei Sistemi di Controllo Digitali. Docente: Prof. Francesco Amato
Progetto dei Sistemi di Controllo Digitali Docente: Prof. Francesco Amato 1 Schema di un sistema di controllo digitale Controllore digitale r e A/D e* u* D/A u y Processo Sistema a empo-continuo Sistema
DettagliElenco dei simboli 9. Prefazione 10
Indice Elenco dei simboli 9 Prefazione 10 1 Analisi nel dominio del tempo 11 1.1 Segnali tempo discreto... 11 1.1.1 Segnali notevoli tempo discreto... 13 1.1.2 Alcuni criteri di classificazione di segnali
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliCAMPIONAMENTO. y(t) = x 1 (t) x 2 (t) Σ δ(t - kt c. ) k. Figure 1:
CAMPIONAMENTO 1) Si considerino i due segnali a banda limitata x 1 (t) con banda B 1 e x 2 (t) con banda B 2. Si costruisca il segnale y(t) come y(t) = x 1 (t) x 2 (t) Volendo applicare il principio del
DettagliPROCESSI CASUALI 1 Fondamenti di segnf a o lin d e a t m ra e s n mtii s T si L o C ne
PROCESSI CASUALI Fondamenti di segnali Fondamenti e trasmissione TLC Segnali deterministici Un segnale (t) si dice deterministico se è una funzione nota di t, cioè se ad un qualsiasi istante di tempo t
DettagliEsercitazione ENS su periodogramma (27 e 28 Maggio 2008) Esercizio 1: Autocorrelazione e stima della densità spettrale di potenza
sercitazione S su periodogramma (7 e 8 Maggio 008 D. Donno sercizio : Autocorrelazione e stima della densità spettrale di potenza Si consideri la sequenza x n di lunghezza = 8 campioni. x n è somma di
DettagliESERCIZIO SUL CAMPIONAMENTO
ESERCIZIO SUL CAMPIONAMENTO Questo esercizio ha lo scopo di verificare praticamente, mediante simulazione, le proprietà frequenziali dei segnali campionati. Si consideri il segnale x() t = sin ( 2πt )
Dettagliche coinciderà con la (2) se g[n] = g (n ), condizione verificata dal teorema di Poisson.
La simulazione di sistemi analogici LTI per via digitale si è resa necessaria in quanto permette non solo la perfetta riproducibilità del fenomeno da studiare in situazioni ambientali anche molto diverse,
DettagliLaboratorio II, modulo
Laboratorio II, modulo 2 205-206 Banda di un segnale, filtri e cavi coassiali (cfr. http://wpage.unina.it/verdoliv/tds/appunti/appunti_03.pdf e http://wpage.unina.it/verdoliv/tds/appunti/appunti_04.pdf
Dettagli6 dbm, mentre il secondo ha una potenza di 3 dbm. Quale sarà la
DECIBEL, FILTRAGGIO, PROCESSI Esercizio 9 (sui decibel) Un segnale con potenza media di 0 dbm viene amplificato attraverso un dispositivo elettronico la cui H(f) è costante per ogni frequenza e pari a
DettagliQUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA. 1 Fondamenti Segnali e Trasmissione
UANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA Fondamenti Segnali e Trasmissione Campionamento e quantizzazione di un segnale analogico Si consideri il segnale x(t) campionato con passo T c. Campioni del
DettagliCampionamento. Campionamento: problema
Posizione del problema uniforme Ricostruzione Teorema del campionamento Significato della formula di ricostruzione Sistema di conversione A/D sample & hold quantizzazione Sistema di conversione D/A : problema
DettagliCampionamento ideale e segnali a banda limitata campionamento la ricostruzione perfetta di un segnale analogico banda limitata
Campionamento ideale e segnali a banda limitata Il campionamento di una grandezza analogica è ottimale se non comporta perdita di informazioni, ovvero se è possibile ricostruire perfettamente la grandezza
DettagliCorso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005
Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005 Gli esercizi devono essere risolti solo sui fogli dei colori indicati Per esiti e soluzioni si veda il sito web del corso:
DettagliFENS - ENS Esame del 9 febbraio 2005
FENS - ENS Esame del 9 febbraio 005 L allievo é invitato a dare una ragionata e succinta risposta a tutti gli argomenti proposti, per dimostrare il livello di preparazione globale. I calcoli devono essere
DettagliElaborazione numerica dei segnali: analisi delle caratteristiche dei segnali ed operazioni su di essi. Mauro Biagi
Elaborazione numerica dei segnali: analisi delle caratteristiche dei segnali ed operazioni su di essi Mauro Biagi Outline Dall analogico al digitale Quantizzazione dell inormazione Trasormate di Fourier
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliSegnali (processi) aleatori (casuali)
Segnali (processi) aleatori (casuali) Definizione di processo aleatorio Descrizione statistica di un processo aleatorio Media, potenza, varianza Autocorrelazione e autocovarianza Filtraggio di un processo
Dettagli) $ ' con T0=5s e T=2s. La funzione deve essere
Metodi per l Analisi dei Segnali Biomedici. Esercitazioni AA 2010/2011 Esercitazione 11/03/2011 " t!t es_1.1. Disegnare la funzione rect 0 % $ ' con T0=5s e T=2s. La funzione deve essere calcolata # T
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliTeoria dei Segnali Densità spettrale di energia e di potenza; campionamento e teorema di Shannon
Teoria dei Segnali Densità spettrale di energia e di potenza; campionamento e teorema di Shannon Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria
Dettagli( ) ( ) = ( )* ( ) Z f X f Y f. sin 2 f. 0 altrove. Esempio di Modulazione
Esempio di Modulazione z ( t) = x( t) y ( t) dove x( t ) e y () t ammetto trasformata di Fourier X ( f ) e Y ( f ) Per z ( t ) si ha (convoluzione degli spettri): Ad esempio se: ( ) = sin( 2π f t) x t
DettagliSEGNALI STAZIONARI: ANALISI SPETTRALE
SEGNALI STAZIONARI: ANALISI SPETTRALE Analisi spettrale: rappresentazione delle componenti in frequenza di un segnale (ampiezza vs. frequenza). Fornisce maggiori dettagli rispetto all analisi temporale
DettagliLaboratorio II, modulo Segnali a tempo discreto (cfr.
Laboratorio II, modulo 2 2012017 Segnali a tempo discreto (cfr. http://wpage.unina.it/verdoliv/tds/appunti/appunti_04.pdf e http://wpage.unina.it/verdoliv/tds/appunti/appunti_0.pdf Luise, Vitetta, D Amico
DettagliElementi di informatica musicale Conservatorio G. Tartini a.a Sintesi del suono. Sintesi del suono
Elementi di informatica musicale Conservatorio G. Tartini a.a. 2001-2002 Sintesi del suono Ing. Antonio Rodà Sintesi del suono E neccessaria una tecnica di sintesi, ossia un particolare procedimento per
DettagliELABORAZIONE NUMERICA DEI SEGNALI. E. Del Re Elaborazione Numerica dei segnali 1
ELABORAZIONE NUMERICA DEI SEGNALI E. Del Re Elaborazione Numerica dei segnali 1 DIGITALIZZAZIONE DEI SEGNALI E. Del Re Elaborazione Numerica dei segnali 2 DIGITALIZZAZIONE DEI SEGNALI Conversione analogico
DettagliELABORAZIONE NUMERICA DEI SEGNALI 1 Laboratorio
ELABORAZIONE NUMERICA DEI SEGNALI 1 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Quantizzazione Il segnale tempo continuo y(t), campionato con passo di campionamento temporale dt, è quantizzato
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliEsercizio 1 (12 punti) Si consideri il segnale s(t) in figura e se ne calcoli la Trasformata Continua di Fourier. A vale 2 V e T è paria a 1 s.
ASB 17/01/12 (270) Esercizio 1 (12 punti) Si consideri il segnale s(t) in figura e se ne calcoli la Trasformata Continua di Fourier. A vale 2 V e T è paria a 1 s. A 0 T 2T 3T t - A Si consideri il segnale
DettagliTrasformata discreta di Fourier diunasequenzafinita: algoritmifft
diunasequenzafinita: algoritmifft La TDF di una sequenza finita può essere calcolata utilizzando algoritmi, computazionalmente efficienti, quali gli algoritmi Fast Fourier Transform (FFT). L efficienza
DettagliCOMUNICAZIONI ELETTRICHE
COMUNICAZIONI ELERICHE Diploma Universitario Ingegneria Elettronica - Ingegneria Inormatica ESERCIZIO : Si consideri il sistema mostrato in igura. Il iltro ha risposta in requenza H() = j segn (), dove
DettagliCome rintracciarmi. Orario di ricevimento: Martedì dalle 9:00 alle 11:00. Telefono:
Come rintracciarmi Orario di ricevimento: Martedì dalle 9:00 alle :00 Telefono: 0432-55-827 e-mail: bernardini@uniud.it Pagina web: http://www.diegm.uniud.it/ bernardini/didattica/sis/ September 25, 2003
DettagliUnità C: Conversione A/D e D/A. Cosa c è nell unità C
Elettronica per l informatica 1 Cosa c è nell unità C Unità C: Conversione A/D e D/A C.1 Catena di conversione A/D C.2 Convertitori D/A C.3 Convertitori A/D C.4 Condizionamento del segnale C.5 Convertitori
DettagliTeoria dei Segnali. Tema d'esame. Soluzione compito di Teoria dei Segnali
Soluzione compito di 3/03/00 A cura di Francesco Alesiani Esercizio Si consideri un sistema di comunicazione che può essere modellizzato come la cascata di due canali simmetrici indipendenti con probabilità
Dettagli6. Trasmissione Numerica in Banda Base
1 INFO-COM Dpt. Dipartimento di Scienza e Tecnica dell Informazione e della Comunicazione Università degli Studi di Roma La Sapienza 6. Trasmissione Numerica in Banda Base TELECOMUNICAZIONI per Ingegneria
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliControllo Digitale. Riassumendo. I sistemi di controllo digitale hanno alcuni vantaggi rispetto ai sistemi di controllo a tempo continuo:
Parte 12, 1 Motivazioni Parte 12, 2 I sistemi di controllo digitale hanno alcuni vantaggi rispetto ai sistemi di controllo a tempo continuo: Controllo Digitale Flessibilità del SW rispetto all HW Compatibilità
DettagliTeoria dei Segnali Processo di Poisson e rumore granulare
Teoria dei Segnali Processo di Poisson e rumore granulare Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Processo di Poisson e
DettagliQuesta viene trasmessa sul canale (wireless o wired). In questo corso, modellizzeremo il canale di trasmissione come un canale Gaussiano bianco
Canale di trasmissione Dati una costellazione M un labeling binario e è possibile associare alle sequenze binarie di informazione u da trasmettere una forma d onda s(t). Questa viene trasmessa sul canale
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliUNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie. Tecnologie e strumentazione biomedica. Accenni sulla Trasformata di Fourier.
UNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie Tecnologie e strumentazione biomedica Accenni sulla Trasformata di Fourier Alberto Macerata Dipartimento di Ingegneria dell Informazione Fourier (1768-183)
DettagliProf. Carlo Rossi DEIS - Università di Bologna Tel:
Prof. Carlo Rossi DEIS - Università di Bologna Tel: 051 2093024 email: carlo.rossi@unibo.it Introduzione Il teorema di Shannon, o del campionamento, stabilisce la connessione esistente tra i segnali fisici
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliModulazione PAM Multilivello, BPSK e QPSK
Modulazione PAM Multilivello, BPSK e QPSK P. Lombardo DIET, Univ. di Roma La Sapienza Modulazioni PAM Multilivello, BPSK e QPSK - 1 Rappresentazione analitica del segnale Sia {b(n)} una qualsiasi sequenza
DettagliPulse Amplitude Modulation (PAM) 2 Scelta delle risposte impulsive dei filtri in trasmissione e ricezione
Pulse Amplitude Modulation (PAM 1 Definizione La trasmissione di una sequenza di numeri {a k } mediante un onda PAM consiste nel generare, a partire dalla sequenza {a k } il segnale a tempo continuo u(t
Dettagli8. Sistemi di Modulazione Numerica in banda-base. Modulo TLC:TRASMISSIONI Modulazione numerica in banda base
1 8. Sistemi di Modulazione Numerica in banda-base Modulazione e Demodulazione numerica 2 sequenza numerica segnale analogico...0010111001... modulatore numerico x(t) sequenza numerica...0010011001...
DettagliTrasformata di Fourier
Trasformata di Fourier Ø Risposta impulsiva e integrale di convoluzione Ø Rappresentazione di segnali nel tempo e in frequenza Ø Filtri idealmente e fisicamente realizzabili, stabilità Ø Trasformazioni
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliUtilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi
La variabile standardizzata Utilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi X'= X Media(X ) DS(X ) Visto l ampio uso in statistica di questa procedura, la
DettagliINGEGNERIA E TECNOLOGIE DEI SISTEMI DI CONTROLLO Il teorema di Shannon
INGEGNERIA E TECNOLOGIE DEI SISTEMI DI CONTROLLO Il teorema di Shannon Prof. Carlo Rossi DEIS - Università di Bologna Tel: 051 2093024 email: crossi@deis.unibo.it Introduzione Il teorema di Shannon, o
DettagliSistemi LTI: conversione da tempo continuo a tempo discreto per campionamento
C2D 1 Sistemi LTI: conversione da tempo continuo a tempo discreto per campionamento Campionamento ed equazioni di stato: rappresentazione a tempo continuo e rappresentazione a tempo discreto di un sistema
DettagliLaboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 5)
Università degli Studi di Padova - Facoltà di Ingegneria Corso di Laurea in Ingegneria Biomedica A.A. 7-8 Laboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 5) Prof. Giovanni Sparacino
DettagliFONDAMENTI DI INFORMATICA
FONDAMENTI DI INFORMATICA CENNI ELEMENTARI AL TEOREMA DEL CAMPIONAMENTO E SPETTRO DI UN SEGNALE Prof. Alfredo Accattatis Fondamenti di Informatica - Alfredo Accattatis 2 Vi ricordate la slide introdotta
DettagliAnno accademico Presentazione del Corso di Teoria dei Segnali Docente: G.Poggi
Anno accademico 2014-2015 Presentazione del Corso di Teoria dei Segnali Docente: G.Poggi Informazioni generali sul docente E-mail: poggi@unina.it Sito Web: https://www.docenti.unina.it/giovanni.poggi http://wpage.unina.it/verdoliv/tds/
DettagliModulazioni di ampiezza
Modulazioni di ampiezza 1) Si consideri un segnale z(t) modulato in ampiezza con soppressione di portante dal segnale di informazione x(t): z(t) = Ax(t)cos(2πf 0 t) Il canale di comunicazione aggiunge
DettagliELETTRONICA II. Prof. Dante Del Corso - Politecnico di Torino. Parte F: Conversione A/D e D/A Lezione n F - 1:
ELETTRONIC II Prof. Dante Del Corso - Politecnico di Torino Parte F: Conversione /D e D/ Lezione n. 24 - F - 1: Rappresentazione di segnali Campionamento, quantizzazione Sistema di conversione /D - D/
DettagliTRASMISSIONE NUMERICA IN BANDA BASE
TRASMISSIONE NUMERICA IN BANDA BASE 1 Fondamenti di segnali Fondamenti e trasmissione TLC Trasmissione numerica in banda base Per trasmettere una sequenza di cifre binarie su un canale di trasmissione
DettagliIngegneria Informatica. Prof. Claudio Melchiorri DEIS-Università di Bologna Tel
CONTROLLI AUTOMATICI LS Ingegneria Informatica Sistemi a Dati Campionati Prof. DEIS-Università di Bologna Tel. 51 29334 e-mail: claudio.melchiorri@unibo.it http://www-lar lar.deis.unibo.it/people/cmelchiorri
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliCAMPIONAMENTO DI SEGNALI
CAMPIONAMENTO DI SEGNALI Alla base della discretizzazione di un segnale sorgente continuo sono i due procedimenti distinti di discretizzazione rispetto al tempo, detto campionamento, e rispetto all'ampiezza,
DettagliComunicazioni Elettriche Esercizi
Comunicazioni Elettriche Esercizi Alberto Perotti 9 giugno 008 Esercizio 1 Un processo casuale Gaussiano caratterizzato dai parametri (µ = 0, σ = 0.5) ha spettro nullo al di fuori dellintervallo f [1.5kHz,
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliFondamenti di Elaborazione Numerica dei Segnali Anno Accademico Primo Appello 26/2/2015
Fondamenti di Elaborazione Numerica dei Segnali Anno Accademico 204-205 Primo Appello 26/2/205 Quesiti relativi alla prima parte del corso (tempo max. 90 min). Calcolare: la trasformata z di x(n) = ( )
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliElementi di Teoria dei Segnali
Elementi di Teoria dei Segnali Ing. Michele Scarpiniti michele.scarpiniti@uniroma1.it http://ispac.ing.uniroma1.it/scarpiniti/index.htm Master "Tecniche per la Multimedialità" 1 Il concetto di segnale
DettagliTeoria dei Segnali Discrete Fourier Transform (DFT) e Fast Fourier Transform (FFT); filtri tempo-continui
Teoria dei Segnali Discrete Fourier Transform (DFT) e Fast Fourier Transform (FFT); filtri tempo-continui Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
DettagliINDICE. Capitolo 1 Introduzione 1. Capitolo 2 Rappresentazione di Fourier di segnali e sistemi 19. Capitolo 3 Modulazione d ampiezza 99
INDICE Capitolo 1 Introduzione 1 1.1 Inquadramento storico 1 1.2 Applicazioni 4 1.3 Risorse principali e requisiti operativi 13 1.4 Teorie alla base dei sistemi di comunicazione 14 1.5 Osservazioni conclusive
DettagliCANALE STAZIONARIO CANALE TEMPO INVARIANTE
CANALE STAZIONARIO Si parla di un Canale Stazionario quando i fenomeni che avvengono possono essere modellati da processi casuali e le proprietà statistiche di tali processi sono indipendenti dal tempo.
Dettagli