Tänään tutustuttiin suodinsuunnitteluun ikkunamenetelmällä. Suunnittelukriteerit ovat kahtalaiset: suotimen
taajuusvasteen määräämiseksi pitää tietää millainen vaihevaste halutaan
ja millainen amplitudivaste halutaan.
Vaihevasteen osalta vaaditaan että kaikkien taajuuksien tulee viivästyä
yhtä paljon. Tämä toteutuu jos vaihevaste on lineaarinen.
Yksinkertaisimmissa tapauksissa vaihevasteen lauseke voi olla siis
esimerkiksi muotoa -2w, joka taatusti on lineaarinen. Matlabissa tällainen kuvaaja saadaan esim. komennoilla:
>> [H,W] = freqz([1, 1, 1]);
>> plot(angle(H));
>> grid on
Freqz-funktiosta saa siis ulos taajuusvastefunktion arvoja vektorissa H.
Vektorissa on lueteltu taajuusvasteen kompleksiset lukuarvon 512:ssa
pisteessä taajuusakselilla.
Vaihevasteen derivaatasta käyteään nimeä ryhmäviive,
ja se ilmaisee suoraan eri taajuuksille tulevan viiveen näytteinä
(miinusmerkkisenä). Lopuksi todettiin, että vaihevaste on aina
lineaarinen, jos impulssivasteen termit ovat symmetrisesti keskipisteen
suhteen.
Amplitudivasteen osalta tavoitteena on saada vaste päästökaistalla ykköseksi ja estokaistalla
nollaksi. Käytännössä tämä ei ole mahdollista, vaan suotimelle täytyy
antaa hieman toleranssia ja sallia tietty määrä värähtelyä molemmilla
kaistoilla. Lisäksi kaistojen väliin täytyy sallia "don't care" -alue,
jossa amplitudivaste saa olla mitä vain.
Prujussa ratkaistaan mikä impulssivaste toteuttaisi ideaalisen
amplitudivasteen (arvot vain nollaa tai ykköstä). Osoittautuu että
impulssivasteen muoto on tuttu sinc-funktio,
mutta sen pituus on ääretön. Tämän vuoksi suotimesta ei saataisi
ainuttakaan vastearvoa koskaan, vaan laskentaa tarvittaisiin äärettömän
paljon.
Tästä ongelmasta päästään katkaisemalla impulssivaste, mutta tämä
luonnollisesti vaikuttaa amplitudivasteeseen. Oikealla olevan kuvan mukaisen demottiin, että suoralla
katkaisulla ei estokaistan värähtelyä saada millään alle n. 21
desibelin, ja päästökaistallakin suurin heitto on luokkaa 0.7 dB.
Ratkaisu tähän on käyttää ikkunointia, eli kertoa katkaistu
impulssivaste jollain ikkunafunktiolla. Näin voidaan päästä parempiin
vaimennusominaisuuksiin.
Ideaalisen
suotimen impulssivasteen pituus on ääretön, eikä sitä voi käytännössä
toteuttaa. Näin ollen impulssivaste on katkaistava, mistä seuraa
vääristymä amplitudivasteeseen. Matlab-testeillä havaittiin, että tätä
ei voi kompensoida esim. kertoimia lisäämällä, vaan on käytettävä ikkunaa, joka
pehmentää katkaisun vaikutusta. Ikkunoita on lueteltu esim. sivun 84
taulukossa, ja mitä paremmat vaimennusominaisuudet niillä on, sitä
leveämpi siirtymakaistasta tulee. Onneksi tätä voidaan kuitenkin
kompensoida kertoimia lisäämällä.
tiistai 24. maaliskuuta 2020
Luento 23.3. Suotimen analyysi
Tänään
käsiteltiin suotimen analyysikappale loppuun. Opimme analysoimaan
FIR-suotimen taajuuskäyttäytymisen ja näimme Z-muunnoksen,
taajuusvasteen, amplitudivasteen ja vaihevasteen yhteyden toisiinsa.
Kappaleen 4 kaksi viimeistä lukua käytiin läpi ratkaisemalla kevään 2018 toukokuun tentin tehtävä 3. Tässä tehtävässä on annettu suotimen yhtälö, josta täytyy ratkaista siirtofunktio, piirtää napa-nollakuvio sekä päätellä stabiilisuus.
Demona tutkittiin taajuusvasteen visualisointia alemman animaation mukaisesti. Vasemman yläkulman kuvaajassa ovat kaikki termit exp(-iwk), jotka on kerrottu suotimen kertoimilla oikean yläkulman kuvassa (siis h(k)exp(-iwk)). Näiden summa vektoriesityksenä on puolestaan vasemmassa alakulmassa, jonka etäisyys origosta (amplitudivaste) on kuvattu alaoikealla.
Lopuksi tutustuttiin Kaggle.com-alustalla n. 4v sitten järjestettyyn epileptisen kohtauksen tunnistuskilpailuun, jossa taajudet erottavalla suodatuksella oli keskeinen rooli.
Kappaleen 4 kaksi viimeistä lukua käytiin läpi ratkaisemalla kevään 2018 toukokuun tentin tehtävä 3. Tässä tehtävässä on annettu suotimen yhtälö, josta täytyy ratkaista siirtofunktio, piirtää napa-nollakuvio sekä päätellä stabiilisuus.
Demona tutkittiin taajuusvasteen visualisointia alemman animaation mukaisesti. Vasemman yläkulman kuvaajassa ovat kaikki termit exp(-iwk), jotka on kerrottu suotimen kertoimilla oikean yläkulman kuvassa (siis h(k)exp(-iwk)). Näiden summa vektoriesityksenä on puolestaan vasemmassa alakulmassa, jonka etäisyys origosta (amplitudivaste) on kuvattu alaoikealla.
Lopuksi tutustuttiin Kaggle.com-alustalla n. 4v sitten järjestettyyn epileptisen kohtauksen tunnistuskilpailuun, jossa taajudet erottavalla suodatuksella oli keskeinen rooli.
maanantai 16. maaliskuuta 2020
Fourier-muunnos ja Z-muunnos
Ensimmäisellä tunnilla tutustuttiin Fourier-muunnoksen ominaisuuksiin. Ominaisuuksista tutustuttiin lähemmin siirtoon ajassa (esim. laske
signaalin x(n+20) muunnos, kun tiedetään x(n):n muunnos) sekä konvoluution muunnokseen (DFT muuntaa konvoluution kertolaskuksi, eli x(n)*y(n) -> X(n)Y(n)).
Yksi tämän ominaisuuden seurauksista on että Fourier-muunnoksen (käytännössä FFT:n) avulla voidaan laskea konvoluutio kaavasta (Matlabin syntaksilla ilmaistuna):
conv(x,y) = ifft(fft(x) .* fft(y))
Lisäksi käsiteltiin nopeaa Fourier-muunnosta eli FFT:tä, joka on vain nopeampi tapa toteuttaa diskreetti Fourier-muunnos (DFT). FFT perustuu signaalin jakamiseen lyhyempiin pätkiin, jotka muunnetaan jakamalla ne edelleen rekursiivisesti kahtia. Rekursio päättyy, kun muunnoksen pituus on 1, jolloin muunnosta ei tarvitse enää tehdä. 1-ulotteisen vektorin tapauksessa muunnosmatriisi on yksinkertaisesti F = [1], joka tarkoittaa pelkkää ykkösellä kertomista eikä sitä tarvitse tehdä. Lyhyemmistä vektoreista saadaan koostettua pidemmät vektorit kaavoilla (3.3) ja (3.4).
Lisäksi tutustuttiin demoon, jossa tunnistettiin automaattisesti puheesta S-kirjaimet. Alla on luennon esimerkkikoodi S-kirjaimen tunnistuksesta.
Toisella tunnilla johdettiin nopean Fourier-muunnoksen menetelmä (FFT), jonka jälkeen tarkasteltiin Z-muunnosta ja sen tärkeimpiä ominaisuuksia. Z-muunnoksen avulla voidaan selvittää mm. suotimen stabiilisuus: suodin on stabiili jos kaikki siirtofunktion navat ovat yksikköympyrän sisäpuolella.
Yksi tämän ominaisuuden seurauksista on että Fourier-muunnoksen (käytännössä FFT:n) avulla voidaan laskea konvoluutio kaavasta (Matlabin syntaksilla ilmaistuna):
conv(x,y) = ifft(fft(x) .* fft(y))
Lisäksi käsiteltiin nopeaa Fourier-muunnosta eli FFT:tä, joka on vain nopeampi tapa toteuttaa diskreetti Fourier-muunnos (DFT). FFT perustuu signaalin jakamiseen lyhyempiin pätkiin, jotka muunnetaan jakamalla ne edelleen rekursiivisesti kahtia. Rekursio päättyy, kun muunnoksen pituus on 1, jolloin muunnosta ei tarvitse enää tehdä. 1-ulotteisen vektorin tapauksessa muunnosmatriisi on yksinkertaisesti F = [1], joka tarkoittaa pelkkää ykkösellä kertomista eikä sitä tarvitse tehdä. Lyhyemmistä vektoreista saadaan koostettua pidemmät vektorit kaavoilla (3.3) ja (3.4).
Lisäksi tutustuttiin demoon, jossa tunnistettiin automaattisesti puheesta S-kirjaimet. Alla on luennon esimerkkikoodi S-kirjaimen tunnistuksesta.
function vokaalin_tunnistus() % % Esimerkki vokaalin ja S-kirjaimen erottelusta äänisignaalista. % heikki.huttunen@tut.fi -- 4.2.2015 % close all % Ladataan opetusaineisto: [x, Fs] = audioread('seiska.wav'); [X, H, numFrames] = extractFeatures(x, Fs); title ('Merkitse S-kirjaimet hiirella'); isConsonant = zeros(numFrames, 1); while true [x1, y1] = ginput(1); [x2, y2] = ginput(1); if x1 > x2 xt = x1; x1 = x2; x2 = xt; end isConsonant(round(x1 * numFrames) : round(x2 * numFrames)) = 1; response = questdlg('Jatketaanko annotointia?', ... 'Kysymys', ... 'Kyllä', 'Ei', 'Kyllä'); if strcmp(response, 'Ei') break end end [B, FitInfo] = lassoglm(X, isConsonant, 'binomial', 'CV', 5); B = B(:,FitInfo.IndexMinDeviance); B0 = FitInfo.Intercept(FitInfo.IndexMinDeviance); yHat = sigmoid(X*B + B0); coefficients = H * B; figure() subplot(211) plot(yHat); ylabel('S-kirjaimen TN') subplot(212) stem(coefficients) response = questdlg('Valmiina tunnistamaan?', ... 'Tunnistus', ... 'OK', 'OK'); while true close all myRecObj = audiorecorder(Fs, 16, 1); recordblocking(myRecObj, 2); y = getaudiodata(myRecObj); X = extractFeatures(y, Fs); yHat = sigmoid(X*B + B0); figure() subplot(211) plot(yHat); subplot(212) [~,f,t,S] = spectrogram(y, 256, 128, 256, Fs, 'yaxis'); surf(t, f, 10*log10(abs(S)), 'EdgeColor', 'none'); axis xy; axis tight; colormap(jet); view(0,90); response = questdlg('Jatketaanko tunnistusta?', ... 'Kysymys', ... 'Kyllä', 'Ei', 'Kyllä'); if strcmp(response, 'Ei') break end end end function [F, H, numFrames] = extractFeatures(x, Fs) [~,f,t,S] = spectrogram(x, 256, 128, 256, Fs, 'yaxis'); surf(t, f, 10*log10(abs(S)), 'EdgeColor', 'none'); axis xy; axis tight; colormap(jet); view(0,90); S = log10(S)'; H = []; n = (1:size(S, 2))'; for k = 0:3 H = [H, n.^k]; end F = S * H; numFrames = size(S, 1); end function y = sigmoid(x) y = 1 ./ (1 + exp(-x)); end
Toisella tunnilla johdettiin nopean Fourier-muunnoksen menetelmä (FFT), jonka jälkeen tarkasteltiin Z-muunnosta ja sen tärkeimpiä ominaisuuksia. Z-muunnoksen avulla voidaan selvittää mm. suotimen stabiilisuus: suodin on stabiili jos kaikki siirtofunktion navat ovat yksikköympyrän sisäpuolella.
keskiviikko 11. maaliskuuta 2020
Luento 10.3. Fourier-muunnostyypit
Tänään
käsiteltiin kaikki neljä Fourier-muunnostyyppiä yksityiskohtaisesti.
Käsin laskettavien kolmen ensimmäisen muunnostyypin jälkeen tutustuttiin
lopuksi diskreettiin Fourier-muunnokseen, joka voidaan esittää matriisimuunnoksena. Muunnosmatriisi muodostetaan lisäämällä rivi kerrallaan ykkösen n:nnen juuren eri
potensseja. Lopuksi esitettiin tällaisen matriisin konstruointi yksikköympyrän avulla tapaukselle N = 4.
Luento 9.3.: konvoluutio ja Fourier-muunnos
Luennon
aluksi käsiteltiin kappale 2 loppuun. Tällöin tutustuttiin konvoluution
ominaisuuksiin (laskentasäännöt: a(b+c) = ab+ac, kausaalisuuden ja
stabiilisuuden tunnistus impulssivasteesta, jne.). Konvoluution
ominaisuuksien käsittelyn yhteydessä tuotiin esille niiden yhteys
LTI-järjestelmien yhdistämiseen: peräkkäiset tai rinnakkaiset
LTI-järjestelmät voidaan esittää yhtenä järjestelmänä ja toisaalta
niiden järjestys ei vaikuta lopputulokseen.
Kappaleen lopussa määriteltiin FIR- ja IIR-suotimet LTI-järjestelmien alalajeina. FIR-suotimet ovat yksinkertaisuutensa vuoksi laajemmin käytettyjä, mutta IIR-suodinten ilmaisuvoima ja laskennallinen tehokkuus tekevät niistä hyödyllisiä useissa tilanteissa.
Testikysymys: onko seuraava suodin FIR vai IIR?
y(n) = 0.9 y(n-1) - y(n-2) + x(n) + 0.5 x(n-1) +2 x(n-2)
Haastavampaa on selvittää esim. se, onko yo. suodin stabiili. Tähän ratkaisu löytyy prujun sivulta 68, johon pääsemme aikanaan.
Kappaleen lopussa määriteltiin FIR- ja IIR-suotimet LTI-järjestelmien alalajeina. FIR-suotimet ovat yksinkertaisuutensa vuoksi laajemmin käytettyjä, mutta IIR-suodinten ilmaisuvoima ja laskennallinen tehokkuus tekevät niistä hyödyllisiä useissa tilanteissa.
Testikysymys: onko seuraava suodin FIR vai IIR?
y(n) = 0.9 y(n-1) - y(n-2) + x(n) + 0.5 x(n-1) +2 x(n-2)
Haastavampaa on selvittää esim. se, onko yo. suodin stabiili. Tähän ratkaisu löytyy prujun sivulta 68, johon pääsemme aikanaan.
Toisella tunnilla päästiin kappaleeseen 3: Fourier-muunnos.
Olennaisin asia käsitteli muunnoksen ideaa alla olevan kuvan
mukaisesti. Fourier-muunnoksen idea on kysyä paljonko eri taajuuksia
annetussa signaalissa on. Taululla oli alla olevan piirroksen kaltainen
kuva. Kuvan "yhtälössä" vasemmalla oleva signaalin pätkä jaetaan eri
taajuuksiin kysymällä paljonko tarvitaan vakiotaajuutta (0.3 kpl),
paljonko kerran värähtävää siniä (0.6 kpl), jne. Sama idea on kaikkien
neljän muunnostyypin takana, mutta erona on montako eri taajuutta
tarvitaan muodostamaan alkuperäinen signaali. Joissain tapauksissa niitä
tarvitaan äärettömän paljon, jolloin kuvan summan sijaan tarvitaan
integraali.
Jatkuvat tapaukset perustuvat siis integraalin laskentaan, ja käytännössä tämä täytyy tehdä muunnostaulukoiden avulla.
Jatkuvat tapaukset perustuvat siis integraalin laskentaan, ja käytännössä tämä täytyy tehdä muunnostaulukoiden avulla.
Tarkkaan
ottaen yllä olevan kuvan sinisignaalit eivät riitä esittämään kaikkia
mahdollisia signaaleita: lisäksi tarvitaan mahdollisuus viivästää tai
edistää eri taajuuksia. Tämä onnistuu laajentamalla taajuuksien kokoelma
kompleksiksi eksponenttisignaaleiksi: exp(ix) = cos(x) + i sin(x).
Kompleksinen eksponenttifunktio on oheisen kuvan mukainen, eli sen
reaaliosa ja imaginaariosa värähtelevät samalla taajuudella.
tiistai 3. maaliskuuta 2020
Luento 3.3. Konvoluutio
Kurssin toisella luennolla luotiin ensin katsaus muutamaan
signaalinkäsittelyn alan tunnettuun sovellukseen: kompressio,
puheentunnistus, puheen välitys digitaalisesti, jne.
Kappaleen 2 alussa käsitellään usein käytettyjen jonojen perusmääritelmät ja lohkokaavioiden perusoperaatiot: yhteenlasku, skalaarilla kertominen sekä viivästys. Näiden avulla voidaan esittää kaikki tämän kurssin suotimet. Kurssilla tarkastellaan lineaarisia ja aikainvariantteja suotimia, jotka voidaan esittää konvoluution avulla, toisin sanoen painotettuna keskiarvona N:stä viimeksi sisään tulleesta näytteestä. Konvoluutiosta nähtiin oheisen kuvan mukainen demo.
Kuvassa
ylimpänä on suodatettava signaali, joka etenee vasemmalta oikealle.
Jokaisen uuden näytteen saapuessa (kuvan ulkopuolelta vasemmalta)
kerrotaan punaisella merkityt näytteet kuvan keskellä keskellä olevilla
kertoimilla. Näin saadut tulot lasketaan yhteen ja sijoitetaan tulos
alla olevan kuvan punaisella merkityksi uusimmaksi vastearvoksi.
Tämän jälkeen jatkettiin teoreettisemmalla asialla, eli kappaleen 2.2 diskreettien järjestelmien ominaisuuksilla. Näistä lineaarisuus ja aikainvarianssi ovat ne perusominaisuudet jotka otetaan myöhemmän tarkastelun lähtökohdaksi. Myös stabiilisuus on kriittinen ominaisuus, koska epästabiililla suotimella ei tee mitään.
Kappaleessa 2.3 tarkastellaan LTI-järjestelmiä, eli järjestelmiä jotka ovat lineaarisia ja aikainvariantteja. Kappaleen alussa osoitetaan, että LTI-järjestelmät voidaan esittää konvoluution avulla (josta on esimerkki yo. kuvassa). LTI-järjestelmän hieno ominaisuus on, että sen impulssivaste määrää vasteen mille tahansa herätteelle. Esimerkkinä tästä tutustuttiin demoon, jossa impulssivaste oli saatu lyömällä käsiä yhteen kirkossa (ts. generoimalla impulssi) ja mittaamalla vaste, josta kaiku oli selvästi kuultavissa. Näin saatua impulssivastetta voidaan käyttää mallina tilan akustisista ominaisuuksista, ja myös kotivahvistinten tilaefektit (hall, arena, club, jne.) on toteutettu tällä periaatteella. Mallia testattiin laskemalla konvoluutio seiska-testisignaalin ja kyseisen impulssivasteen kesken. Tulos kuulosti kuin testisignaali olisi viety kirkkoon.
maanantai 2. maaliskuuta 2020
Luento 2.3.: Näytteenottoteoreema
Kurssin SGN-11000 kulkua voi seurata luentojen ja harjoitusten lisäksi kurssiblogissa.
Tänään luennolla käsiteltiin kurssin hallinnolliset asiat sekä luentomonisteen kappaleet 1.1 ja 1.2. Ensimmäinen tunti käytettiin hallinnollisiin asioihin ja aihepiirin yleiskatsaukseen.
Toisella tunnilla varsinaista asiaa alustettiin puhumalla A/D-muunnoksesta, digitaalisista signaaleista, digitaalisista suotimista sekä Fourier-muunnoksesta. Matlab-esimerkkinä tarkasteltiin erästä testisignaalia (seiska.wav) Matlabilla, ja todettiin, että oikealla olevassa spektrogrammissa näkyvät selvästi eri äänteet.
Ensimmäisenä varsinaisena asiana käsiteltiin näytteenottoteoreema, jonka mukaan naytteistämisessä ei häviä informaatiota, jos näytteenottotaajuus on vähintään tuplat signaalin korkeimpaan taajuuteen nähden. Käytännössä ennen näytteistystä täytyy siis poistaa liian korkeat taajuudet analogisella suotimella (kuten tämä) ettei laskostumista pääsisi tapahtumaan.
Audiossa tapahtuvaa laskostumista verrattiin videokuvaan, jossa esimerkiksi kärrynpyörä saattaa näyttää pyörivän väärään suuntaan. Youtubesta löytyy useita videoita hakusanalla Wagon wheel effect; esim. tämä. Sääntö on tässäkin tapauksessa sama: kuvia pitää ottaa vähintään kaksi per kierros.
Termi laskostuminen viittaa taajuusakselin laskostumiseen. Tässä yhteydessä kaikkien laskosten energiat summautuvat yhteen jäljelle jäävälle taajuuskaistalle. Ilmiötä voidaan havainnollistaa myös laskostamalla piirtoheitinkalvo alla olevan kuvan mukaisesti.
Näytteenottoteoreema liittyy myös peleissä käytettyyn ns. antialiasing-tekniikkaan. Myös tällöin lähtökohtana on äärettömän tarkka virtuaalinen malli, josta joudutaan ottamaan näytteitä esim. 1920 x 1200 monitoria varten. Tällöinkin kuvan sisältämät korkeat taajuudet laskostuvat ja muodostavat ns. Moire-ilmiön. Tästäkin päästään eroon suodattamalla signaali alipäästösuotimella ennen näytteistystä (eli poistamalla laskostuvat taajuudet).
Tänään luennolla käsiteltiin kurssin hallinnolliset asiat sekä luentomonisteen kappaleet 1.1 ja 1.2. Ensimmäinen tunti käytettiin hallinnollisiin asioihin ja aihepiirin yleiskatsaukseen.
Toisella tunnilla varsinaista asiaa alustettiin puhumalla A/D-muunnoksesta, digitaalisista signaaleista, digitaalisista suotimista sekä Fourier-muunnoksesta. Matlab-esimerkkinä tarkasteltiin erästä testisignaalia (seiska.wav) Matlabilla, ja todettiin, että oikealla olevassa spektrogrammissa näkyvät selvästi eri äänteet.
Ensimmäisenä varsinaisena asiana käsiteltiin näytteenottoteoreema, jonka mukaan naytteistämisessä ei häviä informaatiota, jos näytteenottotaajuus on vähintään tuplat signaalin korkeimpaan taajuuteen nähden. Käytännössä ennen näytteistystä täytyy siis poistaa liian korkeat taajuudet analogisella suotimella (kuten tämä) ettei laskostumista pääsisi tapahtumaan.
Audiossa tapahtuvaa laskostumista verrattiin videokuvaan, jossa esimerkiksi kärrynpyörä saattaa näyttää pyörivän väärään suuntaan. Youtubesta löytyy useita videoita hakusanalla Wagon wheel effect; esim. tämä. Sääntö on tässäkin tapauksessa sama: kuvia pitää ottaa vähintään kaksi per kierros.
Termi laskostuminen viittaa taajuusakselin laskostumiseen. Tässä yhteydessä kaikkien laskosten energiat summautuvat yhteen jäljelle jäävälle taajuuskaistalle. Ilmiötä voidaan havainnollistaa myös laskostamalla piirtoheitinkalvo alla olevan kuvan mukaisesti.
Laskostunut signaali.
Näytteenottoteoreema liittyy myös peleissä käytettyyn ns. antialiasing-tekniikkaan. Myös tällöin lähtökohtana on äärettömän tarkka virtuaalinen malli, josta joudutaan ottamaan näytteitä esim. 1920 x 1200 monitoria varten. Tällöinkin kuvan sisältämät korkeat taajuudet laskostuvat ja muodostavat ns. Moire-ilmiön. Tästäkin päästään eroon suodattamalla signaali alipäästösuotimella ennen näytteistystä (eli poistamalla laskostuvat taajuudet).
Tilaa:
Blogitekstit (Atom)
Luento 31.3.: Äärellinen sananpituus
Tänään tarkasteltiin äärellisen sanapituuden vaikutuksia. Tarkastelimme ensin mallia, jolla johdettin arvio AD-muunnoksen kvantisointivirh...
-
Tänään käsiteltiin kaikki neljä Fourier-muunnostyyppiä yksityiskohtaisesti. Käsin laskettavien kolmen ensimmäisen muunnostyypin jälkeen t...
-
Tänään tarkasteltiin äärellisen sanapituuden vaikutuksia. Tarkastelimme ensin mallia, jolla johdettin arvio AD-muunnoksen kvantisointivirh...
-
Kurssin toisella luennolla luotiin ensin katsaus muutamaan signaalinkäsittelyn alan tunnettuun sovellukseen: kompressio, puheentunnistus,...