سیگنال ها و سیستم ها درس دوم حمیدرضا پوررضا.

Slides:



Advertisements
Similar presentations
1 Signals and Systems Fall 2003 Lecture #2 9 September ) Some examples of systems 2) System properties and examples a) Causality b) Linearity c)
Advertisements

Signals and Systems Fall 2003 Lecture #3 11 September 2003
Lecture 4: Linear Systems and Convolution
SIGNALS and SYSTEMS. What is a signal? SIGNALS and SYSTEMS What is a signal? What is a system?
Meiling chensignals & systems1 Lecture #2 Introduction to Systems.
Signals and Systems Lecture #5
Lecture 7 Topics More on Linearity Eigenfunctions of Linear Systems Fourier Transforms –As the limit of Fourier Series –Spectra –Convergence of Fourier.
Discrete-time Systems Prof. Siripong Potisuk. Input-output Description A DT system transforms DT inputs into DT outputs.
Analysis of Discrete Linear Time Invariant Systems
Lecture 9 FIR and IIR Filter design using Matlab
ECE 8443 – Pattern Recognition EE 3512 – Signals: Continuous and Discrete Objectives: Definition of a System Examples Causality Linearity Time Invariance.
1 Signals & Systems Spring 2009 Week 3 Instructor: Mariam Shafqat UET Taxila.
Basic System Properties. Memory Invertibility Causality Stability Time Invariance Linearity.
EE3010 SaS, L7 1/19 Lecture 7: Linear Systems and Convolution Specific objectives for today: We’re looking at continuous time signals and systems Understand.
Recall: RC circuit example x y x(t) R C y(t) + _ + _ assuming.
Chapter 3 Convolution Representation
DISCRETE-TIME SIGNALS and SYSTEMS
Signal and Systems Prof. H. Sameti
Discrete-time Systems Prof. Siripong Potisuk. Input-output Description A DT system transforms DT inputs into DT outputs.
ECE 8443 – Pattern Recognition ECE 3163 – Signals and Systems Objectives: Definition of a System Examples Causality Linearity Time Invariance Resources:
Signal and Systems Prof. H. Sameti Chapter #2: 1) Representation of DT signals in terms of shifted unit samples System properties and examples 2) Convolution.
Introduction to System Hany Ferdinando Dept. of Electrical Engineering Petra Christian University.
EEE 301 Signal Processing and Linear Systems Dr
Linear Time-Invariant Systems
COSC 3451: Signals and Systems Instructor: Dr. Amir Asif
1. 2 Ship encountering the superposition of 3 waves.
Fourier Analysis of Signals and Systems
ECE 8443 – Pattern Recognition EE 3512 – Signals: Continuous and Discrete Objectives: Causality Linearity Time Invariance Temporal Models Response to Periodic.
Chapter 2 linear time invariant systems continuous time systems Prepared by Dr. Taha MAhdy.
Course Outline (Tentative) Fundamental Concepts of Signals and Systems Signals Systems Linear Time-Invariant (LTI) Systems Convolution integral and sum.
4. Introduction to Signal and Systems
Signal and System I The representation of discrete-time signals in terms of impulse Example.
1 “Figures and images used in these lecture notes by permission, copyright 1997 by Alan V. Oppenheim and Alan S. Willsky” Signals and Systems Spring 2003.
Solutions Q1: a) False. The Fourier transform is unique. If two signals have the same Fourier transform, then there is a confusion when trying.
Signals and Systems Lecture #6 EE3010_Lecture6Al-Dhaifallah_Term3321.
Description and Analysis of Systems Chapter 3. 03/06/06M. J. Roberts - All Rights Reserved2 Systems Systems have inputs and outputs Systems accept excitation.
Chapter 2. Signals and Linear Systems
1 Computing the output response of LTI Systems. By breaking or decomposing and representing the input signal to the LTI system into terms of a linear combination.
Digital Signal Processing
Time Domain Representation of Linear Time Invariant (LTI).
Digital Signal Processing
Properties of LTI Systems
Discrete-time Systems
EE 309 Signal and Linear System Analysis
Signal Processing First
EE 309 Signal and Linear System Analysis
Recap: Chapters 1-7: Signals and Systems
Signals and Systems EE235 Leo Lam ©
سیگنال ها و سیستم ها درس اول حمیدرضا پوررضا.
سیگنال ها و سیستم ها درس پانزدهم حمیدرضا پوررضا.
Signal and Systems Chapter 2: LTI Systems
Chapter 1 Fundamental Concepts
Lecture 5: Linear Systems and Convolution
Signals and Systems EE235 Leo Lam Leo Lam ©
CS3291: "Interrogation Surprise" on Section /10/04
Chapter 3 Convolution Representation
Net 222: Communications and networks fundamentals (Practical Part)
Signals & Systems (CNET - 221) Chapter-2 Introduction to Systems
System Properties Especially: Linear Time Invariant Systems
1.1 Continuous-time and discrete-time signals
Signals & Systems (CNET - 221) Chapter-2
Signals & Systems (CNET - 221) Chapter-3 Linear Time Invariant System
LECTURE 07: CONVOLUTION FOR CT SYSTEMS
Convolution sum.
Signals and Systems Lecture 18: FIR Filters.
Lecture 4: Linear Systems and Convolution
Lecture 3: Signals & Systems Concepts
2.3 Properties of Linear Time-Invariant Systems
copyright Robert J. Marks II
Lecture 3 Discrete time systems
Presentation transcript:

سیگنال ها و سیستم ها درس دوم حمیدرضا پوررضا

موضوعات این جلسه مثال‌هایی از سیستم‌ها خصوصیات سیستم‌ها به همراه چند مثال علیت خطی بودن تغییرناپذیری با زمان H.R. POURREZA

مثال هایی از سیستم ها مثال 1: مدار RLC H.R. POURREZA

مثال هایی از سیستم ها مثال 2: سیستم مکانیکی بالانس نیرو مشاهدات: سیستم‌های فیزیکی بسیاری می‌توانند به شکل فوق و بصورت ریاضی مدل شوند. H.R. POURREZA

مثال هایی از سیستم ها مثال 3: سیستم حرارتی صفحه خنک کننده در حالت پایدار H.R. POURREZA

مثال هایی از سیستم ها مشاهدات: ادامه مثال 3: مشاهدات: متغیر مستقل می‌تواند مقداری بجز زمان باشد، مثلا مکان در چنین سیستم‌هایی ممکن است بجای حالت اولیه، شرایط مرزی داشته باشیم H.R. POURREZA

مثال هایی از سیستم ها مثال 4: یک آشکارساز لبه ساده این سیستم تغییر در تغییرات سیگنال را آشکار می‌کند H.R. POURREZA

مثال هایی از سیستم ها مشاهدات: تعدادی زیادی از سیستم‌ها (نه همه) با استفاده از معادلات دیفرانسیل و یا معادلات تفاضلی بیان می‌شوند. چنین معادلاتی، بالذاته، رفتار ورودی/خروجی سیستم را کاملا مشخص نمی‌کنند، بلکه نیاز به حالات کمکی (حالات اولیه، شرایط مرزی) در برخی سیستم‌ها، متغیر مستقل طبیعی زمان است و سیستم‌ها علی هستند، اما این مساله همیشه صادق نیست خیلی از سیستم‌های فیزیکی مختلف می‌توانند به کمک روابط ریاضی مشابهی بیان شوند H.R. POURREZA

خصوصیات سیستم ها چرا؟ علیت، خطی بودن، تغییرناپذیری با زمان و ... ملزومات عملی/فیزیکی مهم این خصوصیات ساختار و بینشی را فراهم می‌کند که بتوانیم سیستم‌ها را عمیق‌تر آنالیز و درک کنیم H.R. POURREZA

خصوصیات سیستم ها - علیت (Causality) یک سیستم علّی است اگر خروجی نتواند آینده‌ی ورودی را پیش‌بینی کند. یعنی اگر خروجی در هر لحظه تنها وابسته به مقدار ورودی تا آن زمان باشد همه سیستم‌های بلادرنگ فیزیکی علّی هستند، زیرا زمان تنها به جلو می‌رود. اثر هر واقعه را بعد از وقوع می‌توان دید (تصور کنید که سیستمی داشته باشید که وابسته به قیمت سهام روز بعد باشد) علیت به سیگنال‌های spatially با متغیر مستقل مکان اعمال نمی‌شود (می‌توانیم به چپ و راست و بالا پایین حرکت کنیم). علیت به سیستم‌هایی که سیگنال‌های ضبط شده را پردازش می‌کنند اعمال نمی‌شود (رقابت ورزشی ضبط شده در مقابل پخش زنده). H.R. POURREZA

خصوصیات سیستم ها - علیت (Causality) از نظر ریاضی (در سیگنال CT): یک سیستم x(t)  y(t) علّی است اگر: when x1(t)  y1(t) x2(t)  y2(t) and x1(t) = x2(t) for all t ≤ to Then y1(t) = y2(t) for all t ≤ to H.R. POURREZA

خصوصیات سیستم ها - علیت (Causality) کدام سیستم علّی و کدام غیرعلّی است Y(5) وابسته به x(4) است -- سیستم علی است Y(5)=x(6)، y وابسته به آینده است -- سیستم غیرعلّی است Y[5]=x[-5] که مشکلی ندارد، اما y[-5]=x[5]، y وابسته به آینده است -- سیستم غیرعلّی است Y[5] وابسته به x[4] است -- سیستم علّی است H.R. POURREZA

خصوصیات سیستم ها - تغییر ناپذیری با زمان (Time-Invariance) در یک تعریف عامیانه، یک سیستم تغییرناپذیر با زمان (Time-invariant (TI)) است اگر رفتار سیستم وابسته به این نباشد که الان چه زمانی است از نظر ریاضی (برای یک سیستم DT): یک سیستم x[n]  y[n] یک سیستم TI است اگر برای هر ورودی x[n] و هر شیفت زمانی n0، بطور مشابه برای یک سیستم CT و تغییرناپذیر با زمان If x[n]  y[n] then x[n - n0]  y[n - n0] . If x(t )  y(t ) then x(t - t0 )  y(t - t0 ). H.R. POURREZA

خصوصیات سیستم ها - تغییر ناپذیری با زمان (Time-Invariance) کدام سیستم تغییرناپذیر با زمان و کدام تغییرپذیر با زمان است؟ TI Time-varying (NOT time-invariant) H.R. POURREZA

خصوصیات سیستم ها - تغییر ناپذیری با زمان (Time-Invariance) آنچه که استنباط می‌شود اگر ورودی به یک سیستم TI پریودیک باشد، خروجی نیز پریودیک و با همان پریود خواهد بود اثبات Suppose x(t + T) = x(t) and x(t)  y(t) Then by TI x(t + T)  y(t + T).   So these must be the same output, i.e., y(t) = y(t + T). These are the same input! H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و غیرخطی (Linear and Nonlinear) خیلی از سیستم‌ها غیرخطی هستند. برای مثال: خیلی از المان‌های الکتریکی (مثل دیود)، دینامیک هواپیما، مدل‌های اقتصادی و ... با این وجود تمرکز ما بر روی سیستم‌های خطی است چرا؟ مدل‌های خطی بیان دقیقی از رفتار خیلی از سیستم‌ها ارایه می‌کنند (مثل مقاومت‌ها و خازن‌های خطی) مدل‌ها می‌توانند در حالت سیگنال کوچک و در اطراف نقطه‌ی کار خطی شوند آنالیز سیستم‌های خطی آسان بوده و ابزار قدرتمندی را در اختیار ما قرار می‌دهند H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و غیرخطی (Linear and Nonlinear) خطی بودن یک سیستم (CT) خطی است اگر دارای خاصیت جمع آثار (Superposition) باشد: If x1(t)  y1(t) and x2(t)  y2(t) then ax1(t) + bx2(t)  ay1(t) + by2(t) چند مثال y[n] = x2[n] Nonlinear, TI, Causal y(t) = x(2t) Linear, not TI, Noncausal آیا می‌توانید سیستم‌هایی با ترکیبات دیگر مثال بزنید؟ مثلا: Linear, TI, Noncausal y[n]=x[n+1] یا Linear, not TI, Causal y[n]=nx[n] H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و غیرخطی (Linear and Nonlinear) خواص سیستم‌های خطی جمع آثار برای سیستم‌های خطی، ورودی صفر  خروجی صفر اثبات: If Then H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و غیرخطی (Linear and Nonlinear) ادامه خواص سیستم‌های خطی یک سیستم خطی علّی است اگر و فقط اگر خاصیت initial rest را برآورده کند: اثبات 1- فرض کنید سیستم علّی است. نشان دهید که (*) برقرار است 2- فرض کنید که (*) برقرار است. نشان دهید که سیستم علّی است. H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان سیستم‌های خطی و تغییرناپذیر بازمان (LTI) تمرکز بخش اعظم این درس اهمیت کاربردی وجود ابزار قوی برای سیستم‌های LTI یک واقعیت پایه‌ای: اگر پاسخ یک سیستم LTI به برخی ورودی‌ها را بدانیم، پاسخ سیستم به خیلی از ورودی‌های دیگر برایمان معلوم خواهد بود H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان÷ خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان÷ مثال: یک سیستم DT و LTI H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان مثال: یک سیستم DT و LTI H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان مثال: یک سیستم DT و LTI H.R. POURREZA

خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان خصوصیات سیستم ها -سیستم های خطی و تغییرناپذیر با زمان مثال: یک سیستم DT و LTI H.R. POURREZA

خصوصیات سیستم ها - حافظه دار بودن خصوصیات سیستم ها - حافظه دار بودن   H.R. POURREZA

خصوصیات سیستم ها - پایداری خصوصیات سیستم ها - پایداری   H.R. POURREZA