рефераты конспекты курсовые дипломные лекции шпоры

Реферат Курсовая Конспект

Курсовая работа 1 – Исследование и разработка основных правил ограничения интервала суммирования при интерполяции данных рядом Котельникова-Шеннона.

Курсовая работа 1 – Исследование и разработка основных правил ограничения интервала суммирования при интерполяции данных рядом Котельникова-Шеннона. - раздел Связь, Введение в теорию сигналов и систем. ...

Рис. 7.2.9. Интерполяция по Котельникову-Шеннону.

Ряд (7.2.7) позволяет простым введением масштабного множителя в аргумент интегрального синуса изменять представление сигнала на временной оси, растягивать или сжимать сигнал:

s(t) =s(kDt) × sinc[pF(mt-kDt)].

По аналогичной формуле может выполняться пересчет дискретных данных на другой интервал дискретизации:

s(n·Dtnew) = s(kDt) × sinc[pF(n·Dtnew-kDt)].

Примеры восстановления аналоговой формы произвольного финитного сигнала и изменения шага дискретизации данных приведены на рис. 7.2.9.

На рис. 7.2.10 приведено моделирование дискретизации аналогового сигнала, влияние наложение спектров боковых периодов на спектр главного диапазона дискретного сигнала и восстановление из этого спектра аналоговой формы сигнала.

Рис. 7.2.10. Моделирование дискретизации аналогового сигнала.

Графики А и Б рисунка – модельный аналоговый сигнал, точки его дискретизации и модуль спектра дискретного сигнала. Вычисление спектра выполнено быстрым преобразованием Фурье (БПФ) и отображает, соответственно, частотный диапазон 0-2fN. Дискретизация выполнена корректно, с выполнением условия (7.2.5), о чем можно судить и по спектру дискретного сигнала (график Б, выход на незначимые значения к частоте Найквиста fN).

Кривая S1 на графике В – спектр модельного дискретного сигнала при нарушении условия (7.2.5). В данном случае это произойдет при увеличении шага дискретизации в 2 раза, что вызовет уменьшение в 2 раза новой частоты Найквиста и перемещение границы главного диапазона на отметку 0.5fN на графике Б, при этом произойдет перекрытие спектров поддиапазонов. На графике приведены кривые S1a и S1b, которые являются раздельными спектрами правой половины главного диапазона без сложения со спектром правого бокового диапазона (интервал 0-2fN, где fN – частота Найквиста новой дискретизации), и левой половины правого бокового диапазона на том же интервале 0-2fN без сложения со спектром главного диапазона. Хорошо видны «хвосты» спектров, выходящие за границы интервала Найквиста от центров диапазонов и заходящие в соседние диапазоны. Сложением этих спектров в интервале 0-2fN нетрудно убедиться, что полученный результат будет полностью соответствовать спектру S1 новой дискретизации исходного сигнала. Обратим внимание, что сложение спектров рядом расположенных диапазонов может вызывать не только увеличение высокочастотных составляющих (как это можно было видеть на рис. 7.2.4 – спектр S1), ни и их взаимную компенсацию, как имеет место для спектра S1 в данном случае (кривая точками на графике В).

Перекрытие спектров диапазонов вызовет искажение аналоговой формы сигнала, восстановленного из его дискретных отсчетов, что можно видеть на графике Г – кривая s2. В данном случае, при частичной взаимной компенсации перекрывающихся частей спектров, наиболее сильное искажение произошло во второй, высокочастотной части сигнала.

Дискретизируемые сигналы, как правило, содержат широкополосные шумы, высокочастотные составляющие которых неизбежно перекрываются при периодизации спектра, и увеличивают погрешность восстановления сигналов. Для исключения этого фактора перед проведением дискретизации должно быть обеспечено подавление всех частот выше частоты Найквиста, т.е. выполнена низкочастотная фильтрация сигнала. Если последнее не проведено, то при дискретизации целесообразно в 2-4 раза уменьшить интервал дискретизации относительно оптимального и первой операцией обработки данных выполнить низкочастотную цифровую фильтрацию, после чего можно провести децимацию данных.

Увеличение интервала дискретизации сигналов является довольно распространенной операцией при цифровой обработке данных, и не только при подготовке данных для хранения с целью сокращения их количества. При комплексной обработке данных различной природы интервалы дискретизации этих данных могут оказаться различными, и производится их приведение к одному значению. Аналогичная операция выполняется, как правило, и при создании многослойных информационных пакетов. В таких случаях снижение частоты дискретизации каких-либо данных является вынужденной необходимостью даже с потерей части высокочастотных составляющих информации. Предварительное отфильтровывание отбрасываемых данных перед децимацией (для исключения их попадания в главный частотный диапазон и искажения основной информации) в этом случае является обязательным, особенно при достаточно высокой энергии этих составляющих сигнала. Пример такой децимации приведен на рис. 7.2.10 на графиках В и Г - спектр S2(f) децимированных данных и аналоговый сигнал s3(t), восстановленный по дискретным отсчетам sd(kDt) S2(f). Децимация выполнена непосредственно в частотной области путем смыкания на частотной части 0-0.5fN спектра SM(f) исходного сигнала sm(mDm) с сопряженной частью на интервале 1.5fN- fN, что сокращает новый интервал Найквиста в 2 раза и формирует спектр S2(f), соответствующий дискретному сигналу с увеличенным в два раза интервалом дискретизации данных с полностью подавленной частью спектральных составляющих от 0.5fN до 1.5fN. Такой метод может применяться для децимации (передискретизации) данных с любой кратностью.

Дискретизация с усреднением.Если дискретизация сигнала производится импульсами конечной ширины, то таким импульсам соответствуют средние значения сигнала на интервале длительности импульсов. При длительности импульсов r имеем:

s(kDt) = (1/r)s(t) dt. (7.2.8)

С использованием селектирующей и гребневой функций эта операция отображается следующим образом:

sDt(t) = (1/r)[s(t) * Пr(t)]ШDt(t). (7.2.9)

Соответственно спектр дискретной функции:

SF(f) = [S(f)×sinc(pfr)] * F×ШF(f). (7.2.10)

Отсюда следует, что при дискретизации с усреднением спектр S(f) заменяется спектром S(f)×sinc(pfr), периодическое продолжение которого и образует спектр дискретной функции. При обратном преобразовании Фурье и при использовании интерполяционной формулы Котельникова-Шеннона, вместо исходной функции s(t) получаем функцию s'(t) = s(t) * Пr(t)/r, что эквивалентно пропусканию сигнала через фильтр с откликом h(t) = Пr(t)/r, т.е. через низкочастотный сглаживающий фильтр "скользящего" среднего с окном r.

Допустим r=lDt, l£1, F=2afmax, a³1. Для этих условий частотная передаточная функция фильтра записывается в следующем виде: H(f) = sinс[(pl/2a)(f/fmax)]. Если потеря составляющих сигнала на всех частотах не должна превышать 3%, необходимо выполнить условие: sinc(pl/2a)³0,97. При a=1 отсюда следует, что значение l должно быть равно l£0.27, т.е. ширина импульса дискретизации может составлять до 27 % интервала дискретизации.

Отметим, что в выражении (7.2.8) значения отсчетов относится к центру интервалов r импульсов дискретизации. Если отсчет будет относиться к концу интервалов r, что имеет место при обработке информации в режиме реального времени, то в выходной функции (7.2.9) появится сдвиг на интервал r/2, а в ее спектре соответственно сдвиг фаз на wr/2 (в правой части выражения (7.2.10) добавится множитель exp(-jpfr)).

Дискретизация спектров.Теоремы, доказанные для прямого преобразования Фурье, в такой же мере действительны и для обратного. При дискретизации спектра сигнала с шагом Df динамическое представление сигнала также становится периодическим с периодом Т = 1/Df. Для сохранения возможности точного восстановления сигнала в пределах главного периода (без наложения сигналов соседних периодов) частотный шаг дискретизации должен удовлетворять условию:

Df £ 1/T. (7.2.11)

Попутно отметим, что для временной формы каузального сигнала главным периодом принимают интервал от 0 до Т, хотя при обработке данных на ЭВМ это не имеет значения и главный период может устанавливаться от -Т/2 до Т/2.

Информационная тождественность динамической и частотной форм дискретного представления сигнала непосредственно следует из теоремы Котельникова-Шеннона.

Основой любых преобразований при обработке данных обычно является финитный (конечный по длительности) сигнал, зарегистрированный на интервале 0-Т и состоящий из определенных частотных составляющих от 0 до fmax. Оптимальная дискретизация аналогового сигнала без потери точности его восстановления, как рассмотрено выше, соответствует двум отсчетам на периоде максимальной частотной составляющей:

Dt = 1/2fmax, Nt = T/Dt. (7.2.12)

где Nt – общее количество отсчетов на интервале Т задания сигнала. Если сигнал зарегистрирован непосредственно в дискретной форме, то он автоматически ограничен по максимальной частоте, т.е. максимальные частоты в таком сигнале равны fmax £ 1/2Dt.

При переводе дискретного сигнала в частотную форму спектр сигнала непрерывен и периодичен с периодом 1/Dt = 2fN. Для оптимальной дискретизации по частоте без потери точности восстановления непрерывного спектра должны выполняться условия:

Df = 1/T = 1/(DtNt), fN = 1/2Dt, (7.2.13)

Nf = 2fN/Df = Nt. (7.2.14)

Спектр сигнала подвергается каким-либо преобразованиям (обработке), как правило, только в главном частотном диапазоне и тем самым превращается в непериодический сигнал, существующий только в интервале 2fN (от -fN до fN). Значения спектра за пределами главного диапазона по умолчанию полагаются равными нулю. При обратном переводе такого сигнала из частотной формы в динамическую сигнал также является непрерывным и периодическим с периодом 1/Df = T, при этом оптимальная дискретизация по координатам без потери точности восстановления непрерывной формы соответствует условиям:

Dt = 1/2fN, T = 1/Df, (7.2.15)

Nt = T/Dt = Nf. (7.2.16)

При осуществлении преобразований s(kDt) Û S(nDf), равно как и S(nDf) Û s(kDt), условие Nf = Nt является необходимым и достаточным для полного сохранения информации при преобразованиях сигнала из одной формы представления в другую. Условия (7.2.12-7.2.16) задают оптимальность преобразований без потерь информации. Если исходный сигнал дискретизирован оптимально и представлен N отсчетами, то уменьшение количества отсчетов при преобразовании неизбежно приводит к определенным потерям информации.

Что касается увеличения числа отсчетов при преобразовании функций (уменьшение интервалов дискретизации), то оно всегда возможно, т.к. выходной сигнал преобразования финитных сигналов является непрерывной функцией и, в принципе, интервал дискретизации может быть установлен бесконечно малым. Однако увеличение числа отсчетов не увеличивает ни количества информации, заключенной в исходном сигнале, ни точности ее представления. По существу, такая операция полностью эквивалентна интерполяции исходного сигнала рядом Котельникова-Шеннона. Пример такой операции приведен на рис. 7.2.11.

Рис. 7.2.11.

Отсчеты s(kDt) и огибающая их кривая на рисунке 7.2.11 повторяют (в более детальном масштабе) сигнал s1(t) на рис. 7.2.3, дискретизированный с шагом Dt = 1. Как уже отмечалось, интервал дискретизации данного сигнала оказался завышенным, и спектр сигнала искажен (рис. 7.2.4). При выполнении операции s(kDt) Þ S(nDf) количество точек дискретизации спектра S(nDf) было увеличено в 5 раз по отношению к количеству точек сигнала s(kDt), т.е. Nf = 5Nt. При обратном преобразовании S(nDf) Þ z(kDt), были выполнены условия (7.2.15-7.2.16), при этом шаг дискретизации сигнала при его восстановлении оказался также в 5 раз меньше исходного (Dt = 0.2). Результат можно видеть на рис. 7.2.11 (кривая z(kDt)). Абсолютно такой же результат дает и интерполяция сигнала s(kDt) рядом Котельникова-Шеннона с переводом на шаг Dt = 0.2. Искажение аналогового сигнала закладывается при его дискретизации, если шаг дискретизации не удовлетворяет условию (7.2.5), и при любых дальнейших преобразованиях уже не может быть исправлено, т.к. информация о первоначальной форме аналогового сигнала при некорректной дискретизации утрачивается безвозвратно.

Дискретизация усеченных сигналов.При выполнении условия (7.2.5) для сигналов с ограниченным спектром аналоговая форма сигнала может быть восстановлена по дискретным отсчетам, если сигнал на интервале Т его задания является финитным или, по крайней мере, настолько быстро затухающим, что отсчеты сигнала за пределами интервала Т практически равны нулю. Задача дискретизации усложняется для медленно затухающих сигналов, сигналов бесконечной длительности и сигналов со спектром, неограниченным по частоте. Последнее имеет место, если в сигнале присутствуют разрывы и резкие скачки.

В общем случае, длительность сигнала и ширина его спектра не могут быть одновременно ограничены конечными интервалами. Если длительность сигнала ограничена и сигнал урезан в области не нулевых значений, то спектр сигнала неограничен и наоборот. Однако обработка реальных сигналов возможна только с их ограничением, как по координатам, так и по ширине спектра. При этом в качестве оценки корректности ограничения сигналов используется энергетический критерий, согласно которому длительность сигнала Т и практическую ширину спектра W устанавливают такими, чтобы в них была сосредоточена подавляющая часть энергии сигнала. Это достигается при выполнении условий:

|s(t)|2 dt = k|s(t)|2 dt, (7.2.17)

|S(w)|2 dw = k|S(w)|2 dw, (7.2.17')

где k- коэффициент представительности (качества) задания сигнала, значение которого, в зависимости от целевых задач обработки сигналов, может устанавливаться от 0,9 до 0,99.

Допустим, что произвольный сигнал s(t) рассматривается в пределах конечного интервала [0, Т] и принимается равным нулю за его пределами. Такой сигнал может быть получен умножением сигнала s(t) на прямоугольную весовую функцию ПT(t):

sT(t) = s(t) ПT(t).

Для спектра ST(f) функции sT(f) соответственно имеем:

ST(f) = S(f) * Т×sinc(pfT). (7.2.18)

Спектр ST(f) неограничен, поскольку неограничен носитель функции sinc(pfT). Отсюда следует, что частота дискретизации функции sT(t) в принципе должна быть бесконечно большой, т.е. корректная дискретизация невозможна. На практике полагают, что спектр ST(f) также определен в конечной области [-W,W]:

S'T(f) = ST(f)×П2W(f),

при этом вне этой области, по оценке Шеннона, для спектра ST(f) справедлива формула:

|ST(f)| » 1/WТ, f Ï (-W,W). (7.2.19)

Но усеченная часть спектра определяет разность значений между исходной функцией sТ(t) и функцией s'Т(t), восстановленной по усеченному спектру S'T(f), т.к. отсеченных гармоник спектра будет недоставать для полного восстановления функции sT(f):

eT(t) = sT(t) – s'T(t).

Соответственно, оценка дисперсии погрешности аппроксимации определяется выражением:

s2 =e2T(t) » 1/WТ, s » 1/. (7.2.20)

Рис. 7.2.12. Вид функции погрешности аппроксимации

Эти выражения определяют порядок среднеквадратической погрешности аппроксимации, которая является интегральной по интервалу Т, а не локальной разностью значений sT(t)–s'T(t). Типичный вид погрешности аппроксимации усеченных сигналов приведен на рис. 7.2.12. В точках дискретизации погрешность равна нулю, максимальна на центрах интервалов дискретизации и нарастает при приближении к границам интервала Т.

Физические данные обычно регистрируются по определенным интервалам Т и, как правило, не выходят на нулевые значения на границах интервалов. В этом случае ограничение ширины спектра можно проводить по (7.2.20) с учетом допустимой среднеквадратической погрешности аппроксимации данных. Частота W при усечении спектра может рассматриваться в качестве частоты Найквиста для сигнала sT(t) при его дискретизации, что определяет частоту дискретизации не менее F = 2W и количество точек дискретизации не менее N=TF=2WT.

В силу тождественности свойств прямого и обратного преобразования Фурье аналогичная методика может применяться и для оценки условий дискретизации спектров.

Таким образом, дискретизация усеченных сигналов возможна, однако при обработке усеченных сигналов необходимо проявлять осторожность и контролировать как значение среднеквадратической ошибки искажений, так и характер возникающих искажений сигнала и его спектра. Так, например, при усечении функции автокорреляции в спектре мощности сигнала могут появиться отрицательные значения, т.к. функция отсчетов sinc(pfT) в (7.2.18) является знакопеременной. Другой пример - проектирование частотных полосовых фильтров. При задании передаточной функции фильтра H(f) в частотной области в виде П-образной функции H(f) = Пr(f) обратное преобразование Фурье дает импульсный отклик фильтра h(t) Û H(f) бесконечно большой длины. Усечение отклика hT(t) = h(t)ПT(t) вызывает изменение передаточной функции фильтра (явление Гиббса): HT(f) = Пr(f) * ПT(f) Þ Пr(f)×Т× sinc(pfT), при этом по краям скачков П-функции появляются затухающие флюктуации с амплитудой первого выброса до 9% от значений коэффициента передачи фильтра в полосе пропускания.

Так как частотный характер искажений, возникающих при усечении сигнала, определяется весовой функцией ПT(t) Û Т×sinc(pfT), то допустимый уровень и форму искажения сигнала можно устанавливать не только подбором интервала Т, но и применением других весовых функций. Так, для исключения появления отрицательных значений в спектрах мощности усечение функций автокорреляции целесообразно выполнять весовыми функциями, которые не имеют отрицательных значений в своих спектрах. Одной из таких функций является, например, треугольная весовая функция (окно Бартлетта).

Соотношение спектров одиночного и периодического сигналов. Спектр ST(f) = S(kDf) периодического сигнала sT(t) с периодом Т дискретен (Df = 1/T). Спектр S(f) одиночного сигнала s(t), заданного на интервале Т, непрерывен и представляет собой спектральную плотность сигнала при T Þ ¥. Но периодический сигнал можно представить и в виде свертки одного периода с гребневой функцией Дирака:

sT(t) = s(t) * ШT(t).

При переходе в частотную область получаем:

ST(f) = (1/T)×S(f)×Ш1/T(f) = S(kDf),

ST(f) = (1/T)S(f)d(f-k/T). (7.2.21)

Отсюда следует, что спектр периодического сигнала представляет собой дискретизированный спектр одиночного сигнала, нормированный на длительность периода.

С другой стороны, одиночный сигнал s(t) может быть получен из периодического сигнала sT(t) умножением на селектирующий прямоугольный импульс ПT(t):

s(t) = sT(t)×ПT(t).

Спектр одиночного сигнала:

S(f) = T×ST(f) * ПT(f) = ТS(kDf)×sinc[pT(f-k/T)], (7.2.22)

т.е. непрерывный спектр одиночного сигнала однозначно устанавливается по спектру периодического сигнала (интерполяция рядом Котельникова-Шеннона в частотной области).

– Конец работы –

Эта тема принадлежит разделу:

Введение в теорию сигналов и систем.

ТЕМАТИКА ПРАКТИЧЕСКИХ РАБОТ ВВЕДЕНИЕ В ТЕОРИЮ СИГНАЛОВ... Содержание... Общие сведения и понятия...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Курсовая работа 1 – Исследование и разработка основных правил ограничения интервала суммирования при интерполяции данных рядом Котельникова-Шеннона.

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

ТЕМАТИКА ПРАКТИЧЕСКИХ РАБОТ
Работы выполняются на компьютерах по типовым программам с заданием индивидуальных параметров моделирования, расчетов и обработки данных для каждого студента группы.

Пространство сигналов [1,3,16,29].
Важнейшее свойство аналоговых и дискретных сигналов заключается в том, что их линейные комбинации также являются аналоговыми или дискретными сигналами. Линейные комбинации цифровых сигналов, в силу

Мощность и энергия сигналов [1, 3, 16].
Понятия мощности и энергиив теории сигналов не относятся к характеристикам каких-либо физических величин сигналов, а являются их количественными характеристиками, отража

Пространства функций [1,3,11,16,29].
Пространства функций можно считать обобщением пространства N-мерных сигналов – векторов на аналоговые сигналы, как бесконечномерные векторы, с некоторыми чисто практическими уточнениями.

Функции корреляции сигналов [1, 25, 29].
Функции корреляции сигналов применяются для интегральных количественных оценок формы сигналов и степени их сходства друг с другом. Автокорреляционные функции (АКФ) сигналов

Математическое описание шумов и помех [1, 30].
Шумы и помехи (noise). При детектировании сигналов в сумме с основным информационным сигналом одновременно регистрируются и мешающие сигналы - шумы и помехи самой различ

Разложение сигналов по единичным импульсам [1, 11].
Единичные импульсы. В качестве математической модели единичного импульса при анализе аналоговых сигналов используют дельта-функцию. Дельта-функция

Свертка (конволюция) сигналов [1, 11].
Интеграл Дюамеляпозволяет определять реакцию системы на воздействие s(t) в текущем времени по ее переходной функции g(t) на единичный скачок входного воздействия:

Мощность и энергия сигналов [1,3,16].
Частотное представление применяется не только для спектрального анализа сигналов, но и для упрощения вычислений энергии сигналов и их корреляционных характеристик. Как уже рассматривалось

Энергетические спектры сигналов [1].
Скалярное произведение сигналов. Энергия суммы двух произвольных сигналов u(t) и v(t) определяется выражением: E =

Автокорреляционные функции сигналов [1,25].
Понятие автокорреляционных функций сигналов. Автокорреляционная функция (АКФ, CF - correlation function) сигнала s(t), конечного по энергии, является количественной инте

Взаимные корреляционные функции сигналов [1,19].
Взаимная корреляционная функция (ВКФ) разных сигналов (cross-correlation function, CCF) описывает как степень сходства формы двух сигналов, так и их взаимное расположени

Спектральные плотности корреляционных функций [1,25].
Спектральная плотность АКФ может быть определена из следующих простых соображений. В соответствии с выражением (6.1.1) АКФ представляет собой функцию скалярного

Задачи дискретизации функций [10, 21].
Сигналы и системы дискретного времени. Значения дискретного сигнала определены только при дискретных значениях времени или любой другой независимой переменной. Обычно ег

Равномерная дискретизация [16,21].
Спектр дискретного сигнала. Допустим, что для обработки задается произвольный аналоговый сигнал s(t), имеющий конечный и достаточно компактный фурье-образ S(f). Равномер

Дискретизация по критерию наибольшего отклонения [10].
Задача абсолютно точного восстановления сигнала на практике обычно не ставится, в отличие от задачи минимального физического объема информации, при котором сохраняется возможность ее восстановления

Адаптивная дискретизация [10].
Частота равномерной дискретизации информации рассчитывается по предельным значениям частотных характеристик сигналов. Адаптивная дискретизация ориентирована на динамические характеристики сигнала,

Курсовая работа 2 – Исследовать и разработать программу оценки спектра дискретного сигнала при неравномерном шаге дискретизации.
Самыми простыми способами восстановления сигналов при адаптивной дискретизации являются линейная и квадратичная интерполяции, которые выполняются по уравнениям: f(x)лин = а

Квантование сигналов [5,21].
Дискретизация аналоговых сигналов с преобразованием в цифровую форму связана с квантованием сигналов. Сущность квантования состоит в замене несчетного множества возможных значений функции, в общем

Децимация и интерполяция данных [4,5,17].
Децимацией (прореживанием, сокращением) цифровых данных принято называть уплотнение данных с удалением избыточной информации. Последнее имеет место, если шаг дискретизации данных был установлен изл

Преобразование Фурье [5,17,21].
Дискретное преобразование Фурьеможет быть получено непосредственно из интегрального преобразования дискретизаций аргументов (tk = kDt, fn = nDf):

Преобразование Лапласа.
Дискретное преобразование Лапласа (ДПЛ), как и ДПФ, может быть получено из интегрального преобразования дискретизаций аргументов (tk = kDt, wn = nDw): Y(p) =

Z - преобразование сигналов [2,13,21].
Определение преобразования. Распространенным способом анализа дискретных цифровых последовательностей является z-преобразование (z-transform). Произвольной непр

Дискретная свертка (конволюция) [5,17,21].
Свертка – основной процесс в цифровой обработке сигналов. Поэтому важно уметь эффективно ее вычислять. Уравнение дискретной свертки двух функций (сигналов) може

Случайные процессы и функции [1, 2, 25].
Случайный процесс описывается статистическими характеристиками, называемыми моментами. Важнейшими характеристиками случайного процесса являются его стационарность, эргодичность и спектр мощности.

Функции спектральной плотности [2,25,26].
Каноническое разложение случайных функций. Введем понятие простейшей случайной функции, которая определяется выражением: X(t) = X×j(t), (9.2.1)

Преобразования случайных функций [1, 26, 27].
Системы преобразования случайных функций.Пусть имеется система преобразования с одним входом, на который поступает (подается) входная случайная функция X(t) - функция

Модели случайных сигналов и помех [2, 28].
Наиболее распространенными моделями случайных сигналов и помех являются телеграфный сигнал, белый шум, гауссовый случайный процесс, гауссовый шум.

Хотите получать на электронную почту самые свежие новости?
Education Insider Sample
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Реклама
Соответствующий теме материал
  • Похожее
  • Популярное
  • Облако тегов
  • Здесь
  • Временно
  • Пусто
Теги