- •1. Роль и место цос и в современной радиоэлектронике. Преимущества и эффективность цос. Последовательность операций цос.
- •2. Дискретные линейные системы. Представление дискретных последова-тельностей. Нормированное время.
- •3.Дискретизация и квантование сигналов. Способы отсчета значений сигнала. Нормированная частота.
- •4. Теорема дискретизации Найквиста-Котельникова. Выбор интервала дискретизации для нестационарных процессов.
- •5. Дискретные системы. Примеры: идеальная система задержки; система без запоминания.
- •6. Дискретные линейные стационарные системы. Примеры: сумматор, система с запоминанием.
- •7. Дискретные линейные системы с постоянными параметрами. Уравнение циклической свертки.
- •9. Линейные разностные уравнения с постоянными параметрами. Пример.
- •10. Рекурсивные линейные дискретные системы. Пример. Схема.
- •11. Нерекурсивные линейные дискретные системы. Пример. Схема.
- •12. Представление дискретных систем и сигналов в частотной области. Комплексная частотная характеристика дискретных систем. Пример.
- •13. Представление кчх дискретных систем в алгебраической и в показательной форме. Расчет кчх. Пример.
- •14. Импульсная характеристика дискретных систем. Импульсная характеристика рекурсивной линейной дискретной системы. Пример.
- •15. Свойства преобразования Фурье. Теорема о периодической свертке
- •16. Расчет комплексной частотной характеристики рекурсивной системы. Пример.
- •17. Дискретизированное по времени преобразование Фурье.
- •18. Выбор подходящего класса дискретных фильтров. Сравнение бих и ких-фильтров.
- •19. Идеальные частотно-избирательные фильтры. Спецификация требований фильтра. Преимущества цф. Формула
- •20. Дискретный фильтр с конечной импульсной характеристикой. Вычисление коэффициентов ких-фильтра.
- •21. Метод весовых функций. Расчет частотной характеристики прямоугольного окна. Эффект Гиббса.
- •23. Структурная схема ких-фильтра.
- •24. Импульсная характеристика идеального фнч.
- •25. Дискретные экспоненциальные функции. Свойства функций дэф
- •26. Метод окон. Стандартные весовые функции (окна). Пример вычисления коэффициентов импульсной характеристики ких – фильтра нч.
- •27. Дискретное преобразование Фурье. Свойства дпф. Теорема о корреляции.
- •28. Соотношения двойственности преобразования Фурье.
- •29. Дпф. Свойства. Инвариантность дпф относительно сдвига по времени и частоте.
- •30.38 Вычислительнаясложностьдискретныхпреобразований: дпф, дпх, дпу-a, дкп.
- •31. Алгоритм быстрого преобразования Фурье. Алгоритм разделения входной последовательности на части. Посмотреть48
- •32. Дискретное преобразование Уолша-Адамара. Свойства.
- •33.Ортогональные преобразования. Базисные функции ядра унітарного преобразования Хартли
- •34.Цифровая корреляционная функция. Корреляционное декодирование кодових последовательностей. Пример.
- •36. Дисперсионная фильтрация сигналов и изображений. Пример.
- •37. Вычисление циклической дискретной автосвертки последовательности с помощью дпф.
- •30.38. Вычисление двумерных преобразований. Вычислительная сложность двумерных преобразований. Пример.
- •39.Фурье-образ прямоугольного окна. Пример.
- •41. Устойчивость линейных дискретных систем.
- •43. Дискретное преобразование Фурье. Свойства. Симметричность дпф. Теорема о свертке.
- •44. Сжатие изображений. Статистические характеристики изображений.
- •45. Пороговая фильтрация коэффициентов преобразования Уолша-Адамара. Пример.
- •46. Описание границ объектов на изображениях посредством преобразований. Пример.
- •47. Оценка вычислительной сложности бпф. Выигрыш в вычислительной сложности бпф.
- •48. Структурная схема процессора для вычисления n-мерного сигнала. Пример бпф с прореживанием по времени
- •49. Дисперсионный принцип фильтрации трансформант. Пример.
- •50.Алгоритс бпф с прореживанием по времени.
- •51. Вычисление двумерной функции распределения трансформант.
- •52. Компрессия изображений посредством дкп. Пример.
32. Дискретное преобразование Уолша-Адамара. Свойства.
Преобразованию Фурье в базисе гармонических функций присущ определенный недостаток. Даже при наличии алгоритмов БПФ сохраняется необходимость в выполнении большого количества умножений. Значительное упрощение можно достичь, если в качестве базисных использовать кусочно-постоянные функции. Одними из таких функций являются функции Уолша–Адамара.
Исторически сложилось так, что в основе функций Уолша–Адамара лежат ортогональные бинарные матрицы Адамара HN, которые определяются по простому правилу:
,
и т.д.
Прямое
ДПУА имеет вид
где: HN - ортогональная бинарная матрица Адамара (NхN).
Обратное
дискретное преобразование Уолша–Адамара
в матричном виде запишется как
Рассчитаем спектр последовательности с помощью ДПУА для заданной последовательности {X(m)}={1,0,3,4 }.
Рассчитаем
обратное ДПУА:
Вычислительная сложность ДПУА: N(N-1)
Свойства
1. Ортогональность
Скалярное произведение двух разных функций Уолша равно нулю:
Пример
Допустим, что n = 1, k = 3. Тогда,
2. Мультипликативность
Произведение двух функций Уолша даёт функцию Уолша.
где
— сложение по модулю 2 номеров в двоичной
системе.
Пример
Допустим, что n = 1, k = 3. Тогда,
33.Ортогональные преобразования. Базисные функции ядра унітарного преобразования Хартли
Преобразование Фурье является инструментом спектрального анализа сигналов.
Дискретное преобразование Фурье (ДПФ) нашло широкое применение благодаря своей универсальности.
Оно устанавливает связь между временным и частотным представлениями сигнала при разложении его по гармоническим дискретно-экспоненциальным функциям. Если {X(m)} означает последовательность X(m), где m=0,1,…,N-1 конечных действительных или комплексных чисел, то дискретное преобразование Фурье этой последовательности определяется как :
,
k =0, 1, …,N –1,где W=e-i2р/N
– поворачивающий
множитель.
Обратное дискретное преобразование Фурье определяется как m =0, 1, …,N –1
Линейные ортогональные преобразования характеризуется тем, что между элементами изображения устраняются статистические зависимости и распределение энергии в преобразованном спектральном фрагменте является неравномерным. Эти особенности используются в процессах кодирования.
Преобразованию Фурье в базисе гармонических функций присущ определенный недостаток. Даже при наличии алгоритмов БПФ сохраняется необходимость в выполнении большого количества умножений. Значительное упрощение можно достичь, если в качестве базисных использовать кусочно-постоянные, меандровые функции. Одними из таких функций являются функции Уолша–Адамара.
И
сторически
сложилось так, что в основе функций
Уолша–Адамара лежат ортогональные
бинарные матрицы Адамара HN,
которые определяются по простому
правилу:
Прямое дискретное преобразование Уолша–Адамара имеет вид
где: HN - ортогональная бинарная матрица Адамара (NхN):
Обратное
дискретное преобразование Уолша–Адамара
в матричном виде запишется как
Преобразование Хартли относится к линейному ортогональному преобразованию. Прямое и обратное одномерное преобразование Хартли записывается следующим образом:
где
Преобразование Хартли равно разности вещественной и мнимой составляющих преобразования Фурье. В отличие от преобразования Фурье, в преобразовании Хартли отсутствует комплексная арифметика, обработка данных осуществляется только в области вещественных чисел. Это значительно сокращает объем вычислений, так как одно комплексное умножение эквивалентно четырем операциям действительного умножения и двум операциям сложения, которые необходимы в случае преобразования Фурье.
Унитарное преобразование – преобразование, сохраняющее норму сигнала. Вещественное унитарное преобразование называется ортогональным. Его базисные функции ортогональны между собой. Св-во ортогонального преобразования : простая формула вычисления обратного преобразование.
