Transformasjon - Sideversjonshistorikk

Administrator: /* Oppsummering */

2025-04-23T12:59:35Z

Oppsummering

← Eldre sideversjon		Sideversjonen fra 23. apr. 2025 kl. 12:59
Linje 241:		Linje 241:
	Den er spesielt nyttig når systemet starter på et tidspunkt (t = 0) og man ønsker å modellere dets respons fra det punktet og utover.		Den er spesielt nyttig når systemet starter på et tidspunkt (t = 0) og man ønsker å modellere dets respons fra det punktet og utover.

			== Eksempel: Lydsignal med fire frekvenser ==

			=== Signal i tidsdomenet ===
			La oss definere et lydsignal \(x(t)\) som en sum av fire sinuskomponenter med ulike frekvenser og amplituder:
			<math>
			x(t) = \cos(2\pi \cdot 100\,t)
			+ 0{,}8\,\cos(2\pi \cdot 300\,t)
			+ 0{,}6\,\cos(2\pi \cdot 500\,t)
			+ 0{,}4\,\cos(2\pi \cdot 800\,t)
			\end{math}

			Her er:
			* \(f_1 = 100\)\,Hz, amplitude \(A_1 = 1\)
			* \(f_2 = 300\)\,Hz, amplitude \(A_2 = 0{,}8\)
			* \(f_3 = 500\)\,Hz, amplitude \(A_3 = 0{,}6\)
			* \(f_4 = 800\)\,Hz, amplitude \(A_4 = 0{,}4\)

			=== Fouriertransformasjon ===
			Vi bruker definisjonen
			<math>
			\displaystyle X(f) = \int_{-\infty}^{\infty} x(t)\,e^{-\,j2\pi f t}\,dt
			\end{math>
			og kjenner at
			<math>
			\mathcal{F}\{\cos(2\pi f_k t)\}(f)
			= \tfrac12\,[\delta(f - f_k) + \delta(f + f_k)].
			</math>

			Dermed blir totaltransformen
			<math>
			\begin{aligned}
			X(f)
			&= \tfrac12\bigl[\delta(f-100)+\delta(f+100)\bigr] \\
			&\quad+ 0{,}4\bigl[\delta(f-300)+\delta(f+300)\bigr] \\
			&\quad+ 0{,}3\bigl[\delta(f-500)+\delta(f+500)\bigr] \\
			&\quad+ 0{,}2\bigl[\delta(f-800)+\delta(f+800)\bigr].
			\end{aligned}
			</math>

			=== Tolkning ===
			* I frekvensdomenet ser vi åtte impulser (delta-funksjoner): to for hver frekvens (\(\pm f_k\)).
			* Høyden på hver impuls er halvparten av amplituden i tidsdomenet (\(A_k/2\)).
			* Dette viser tydelig at signalet kun inneholder de fire harmoniske komponentene 100 Hz, 300 Hz, 500 Hz og 800 Hz.

			=== Diskret eksempel (valgfritt) ===
			Hvis vi i stedet tar en kort prøvetaking av \(x(t)\) ved samplingsfrekvens \(f_s = 4000\)\,Hz og N = eight samples, kan vi bruke DFT og se tilsvarende piksler i frekvensaksen ved indeksene \(k = f_k\cdot N/f_s\). Dette bekrefter at fire distinkte frekvenskomponenter dominerer spekteret.

Administrator: /* Hva er en transformasjon? */

2025-04-20T09:18:52Z

Hva er en transformasjon?

← Eldre sideversjon		Sideversjonen fra 20. apr. 2025 kl. 09:18
Linje 24:		Linje 24:

	---		---

			'''Konvolusjon'''

			( == Hva er konvolusjon? ==

			'''Konvolusjon''' er en matematisk operasjon som kombinerer to funksjoner til én ny funksjon. I teknisk sammenheng beskriver det typisk hvordan et '''system''' responderer på et '''inputsignal''.

			=== Intuisjon ===
			Konvolusjon svarer på spørsmålet:
			: ''"Hva skjer når dette signalet går gjennom dette systemet?"''

			Eksempel:
			* Signalet <math> x(t) </math> representerer lyd inn i et rom.
			* Systemets impulsrespons <math> h(t) </math> beskriver hvordan rommet reagerer på en kort lyd.
			* Da er det faktiske lydsignalet vi hører:
			:<math> y(t) = x(t) * h(t) </math>

			---

			== Matematisk definisjon ==

			=== Kontinuerlig konvolusjon ===
			:<math> (f * g)(t) = \int_{0}^{\infty} f(\tau)g(t - \tau)\,d\tau </math>

			* <math> \tau </math> er en "løpevariabel" – vi integrerer over alle tidligere tidspunkt.
			* Dette regner summen av "forsinkede kopier" av funksjonen <math> g \</math>, vektet av <math> f(\tau) </math>.

			=== Diskret konvolusjon ===
			I digitale systemer brukes summen:
			:<math> (x * h)[n] = \sum_{k=0}^{n} x[k] h[n - k] </math>

			---

			== Visuell tolkning ==

			Konvolusjon innebærer:
			# Snu den ene funksjonen (f.eks. <math> h(t) \rightarrow h(-\tau) </math>)
			# Skyv den langs tidsaksen
			# Multipliser punkt for punkt med den andre funksjonen
			# Integrer (eller summer) produktet

			---

			== Eksempel: Kontinuerlig konvolusjon ==

			La:
			* <math> x(t) = u(t) </math> (enhetstrinn)
			* <math> h(t) = e^{-t}u(t) </math>

			Beregn:
			:<math> y(t) = x(t) * h(t) = \int_0^t u(\tau) e^{-(t - \tau)} d\tau = \int_0^t e^{-(t - \tau)} d\tau </math>

			Bytt variabel:
			:<math> y(t) = \int_0^t e^{-(t - \tau)} d\tau = \left[ -e^{-(t - \tau)} \right]_0^t = 1 - e^{-t} </math>

			==== Tolkning ====
			Et system med eksponentielt dempet impulsrespons reagerer gradvis på en plutselig inngang.

			---

			== Konvolusjon i Laplace og Fourier ==

			Konvolusjon i tid tilsvarer multiplikasjon i frekvens (og omvendt):

			{\| class="wikitable"
			! Domene !! Operasjon
			\|-
			\| Tid \|\| <math> y(t) = x(t) * h(t) </math>
			\|-
			\| Laplace \|\| <math> Y(s) = X(s) \cdot H(s) </math>
			\|-
			\| Fourier \|\| <math> Y(\omega) = X(\omega) \cdot H(\omega) </math>
			\|}

			Derfor er transformasjoner så nyttige: De gjør konvolusjon (som kan være tungvint) til enkel multiplikasjon.

			---

			== Bruksområder ==

			* Signalbehandling: Lyd- og bildeeffekter, filtre, støyreduksjon.
			* Elektronikk: Systemers respons på signaler.
			* Kontrollteori: Bestemme hvordan system reagerer på styringssignaler.
			* Maskinlæring: Konvolusjonsnevrale nettverk (CNN) bruker 2D-konvolusjon for å gjenkjenne mønstre i bilder.

			---

			== Eksempel: Diskret konvolusjon i digital filterdesign ==

			La:
			* <math> x[n] = \{1, 2, 3\} </math> – et kort signal
			* <math> h[n] = \{1, -1\} </math> – et enkelt filter

			Beregn:
			:<math> y[n] = x[n] * h[n] = \{1, 1, 1, -3\} </math>

			==== Hvordan? ====
			{\| class="wikitable"
			! n !! Beregning !! y[n]
			\|-
			\| 0 \|\| <math> 1 \cdot 1 </math> \|\| 1
			\|-
			\| 1 \|\| <math> 2 \cdot 1 + 1 \cdot (-1) </math> \|\| 1
			\|-
			\| 2 \|\| <math> 3 \cdot 1 + 2 \cdot (-1) </math> \|\| 1
			\|-
			\| 3 \|\| <math> 3 \cdot (-1) </math> \|\| -3
			\|}

			==== Tolkning ====
			Filteret fremhever endringer mellom verdier – typisk for kantdeteksjon i bilder.

			---

			== Oppsummering ==

			'''Konvolusjon''' er en kjerneoperasjon i systemanalyse og signalbehandling, og:
			* Modellering av systemrespons
			* Kombinasjon av signal og impulsrespons
			* Sentralt i både kontinuerlig og diskret tid
			* Forenkles gjennom Laplace- og Fourier-transformasjoner

			Den sier rett og slett: "Gitt at jeg vet hvordan systemet reagerer på en liten impuls – hvordan reagerer det da på et helt signal?"
			)

	== Laplace-transformasjonen: En dypere forklaring ==		== Laplace-transformasjonen: En dypere forklaring ==

Administrator: /* Konkrete eksempler */

2025-04-20T09:15:39Z

Konkrete eksempler

@@ Linje 10: / Linje 10: @@
 == Konkrete eksempler ==
 === Eksempel 1: Laplacetransformasjon ===
@@ Linje 62: / Linje 170: @@
 * I Laplace-eksemplet så vi hvordan man kan modellere tidssvar og transienter i et elektrisk system.
 * I Fourier-eksemplet fant vi hvilke frekvenser et signal består av – nyttig i støyfiltrering og lydbehandling.
 == Andre typer transformasjoner ==

Administrator: /* Sammenligningstabell */

2025-04-20T09:13:08Z

Sammenligningstabell

← Eldre sideversjon		Sideversjonen fra 20. apr. 2025 kl. 09:13
Linje 155:		Linje 155:

	{\| class="wikitable"		{\| class="wikitable"
	! Transformasjon !! Bruksområde !! Kontinuerlig / Diskret !! Tidsinfo !! Frekvensinfo		! Transformasjon !! Bruksområde !! Kontinuerlig / Diskret !! Tidsinfo !! Frekvensinfo
			\|-
			\| Laplace \|\| Elektriske kretser, kontrollsystemer \|\| Kontinuerlig \|\| Ja \|\| Ja
			\|-
			\| Fourier \|\| Signalprosessering, lyd, bilde \|\| Kontinuerlig \|\| Nei \|\| Ja
	\|-		\|-
	~~\| Laplace \|\| Elektriske kretser, kontrollsystemer \|\| Kontinuerlig \|\| Ja \|\| Ja~~
	~~\| Fourier \|\| Signalprosessering, lyd, bilde \|\| Kontinuerlig \|\| Nei \|\| Ja~~
	\| Z-transform \|\| Digitale systemer, DSP \|\| Diskret \|\| Ja \|\| Ja		\| Z-transform \|\| Digitale systemer, DSP \|\| Diskret \|\| Ja \|\| Ja
			\|-
	\| Fourierrekker \|\| Periodiske signaler \|\| Kontinuerlig \|\| Nei \|\| Ja (diskret)		\| Fourierrekker \|\| Periodiske signaler \|\| Kontinuerlig \|\| Nei \|\| Ja (diskret)
			\|-
	\| Wavelet \|\| Ikke-stasjonære signaler, komprimering \|\| Begge \|\| Ja \|\| Ja (multioppløsning)		\| Wavelet \|\| Ikke-stasjonære signaler, komprimering \|\| Begge \|\| Ja \|\| Ja (multioppløsning)
	\|}		\|}

Administrator: /* Praktisk betydning */

2025-04-20T09:08:39Z

Praktisk betydning

← Eldre sideversjon		Sideversjonen fra 20. apr. 2025 kl. 09:08
Linje 62:		Linje 62:
	* I Laplace-eksemplet så vi hvordan man kan modellere tidssvar og transienter i et elektrisk system.		* I Laplace-eksemplet så vi hvordan man kan modellere tidssvar og transienter i et elektrisk system.
	* I Fourier-eksemplet fant vi hvilke frekvenser et signal består av – nyttig i støyfiltrering og lydbehandling.		* I Fourier-eksemplet fant vi hvilke frekvenser et signal består av – nyttig i støyfiltrering og lydbehandling.


			== Andre typer transformasjoner ==

			=== 1. Z-transformasjonen ===

			==== Bruk ====
			* Brukes i analyse av diskrete/digitale systemer (f.eks. digitale filtre, DSP).
			* Diskret motstykke til Laplace-transformen.
			* Gjør det enklere å løse lineære differanseligninger.

			==== Definisjon ====
			:<math> \mathcal{Z}\{x[n]\} = X(z) = \sum_{n=0}^{\infty} x[n] z^{-n} </math>

			==== Eksempel ====
			Gitt et system med forskjellsligning:
			:<math> y[n] - 0.5y[n-1] = x[n] </math>

			Anta <math> x[n] = \delta[n] </math> (enhetsimpuls), og <math> y[-1] = 0 </math>.

			Z-transform:
			:<math> Y(z) - 0.5z^{-1}Y(z) = 1 </math>

			Løs:
			:<math> Y(z)(1 - 0.5z^{-1}) = 1 \Rightarrow Y(z) = \frac{1}{1 - 0.5z^{-1}} = \frac{z}{z - 0.5} </math>

			Invers Z-transform:
			:<math> y[n] = 0.5^n \cdot u[n] </math>

			==== Tolkning ====
			Systemet gir en eksponentielt avtagende respons – typisk for stabile digitale filtre.

			---

			=== 2. Fourierrekker ===

			==== Bruk ====
			* Brukes til å representere periodiske signaler.
			* Viktig i elektriske nettanalyser, musikk-teknologi, vibrasjonsanalyse.

			==== Definisjon ====
			For en periodisk funksjon <math> f(t) </math> med periode <math> T </math>:
			:<math> f(t) = a_0 + \sum_{n=1}^{\infty} \left[ a_n \cos\left(\frac{2\pi n t}{T} \right) + b_n \sin\left(\frac{2\pi n t}{T} \right) \right] </math>

			==== Eksempel ====
			La <math> f(t) = \begin{cases} 1, & 0 < t < \pi \\ -1, & \pi < t < 2\pi \end{cases} </math> (periodisk firkantpuls, T = 2π)

			Dette er en odde funksjon → kun sinuskomponenter (bₙ):
			:<math> b_n = \frac{2}{T} \int_0^T f(t) \sin\left(\frac{2\pi n t}{T} \right) dt = \frac{4}{n\pi},\; n\;\text{oddetall} </math>

			Fourierrekke:
			:<math> f(t) = \frac{4}{\pi} \left( \sin(t) + \frac{1}{3}\sin(3t) + \frac{1}{5}\sin(5t) + \dots \right) </math>

			==== Tolkning ====
			Et firkantbølge kan uttrykkes som en uendelig sum av sinusformede bølger – viktig for signalrekonstruksjon og spektralanalyse.

			---

			=== 3. Wavelet-transformasjonen ===

			==== Bruk ====
			* Brukes i tids-frekvensanalyse, f.eks. bildekomprimering (JPEG2000), hjernesignalanalyse (EEG), seismologi.
			* Til forskjell fra Fourier gir den god oppløsning både i tid og frekvens.

			==== Hovedidé ====
			I stedet for å bruke sinusbølger bruker man korte "bølger" (wavelets) som er skalert og forskjøvet.

			Kontinuerlig wavelet-transform:
			:<math> W(a,b) = \frac{1}{\sqrt{\|a\|}} \int_{-\infty}^{\infty} f(t) \psi^*\left( \frac{t - b}{a} \right) dt </math>

			==== Eksempel ====
			La <math> f(t) = e^{-t^2} </math> (Gauss-funksjon), og bruk en "Morlet wavelet".

			Wavelet-transformen gir en detaljert representasjon av hvor energien i signalet er konsentrert i tid og skala.

			==== Tolkning ====
			Mens Fouriertransformen viser hvilke frekvenser som er tilstede, viser wavelet også når disse frekvensene oppstår – perfekt for analyse av ikke-stasjonære signaler.

			---

			=== 4. Hilbert-transformasjon (kort) ===
			* Brukes for å lage den analytiske representasjonen av et signal.
			* Vanlig i signalbehandling for å beregne innhylning og fase.

			---

			=== 5. Mellin-transformasjon (kort) ===
			* Brukes i skala-invariant bildeanalyse og fraktalanalyse.
			* Koblet til Laplace-transformen via endring av variabler.

			== Sammenligningstabell ==

			{\| class="wikitable"
			! Transformasjon !! Bruksområde !! Kontinuerlig / Diskret !! Tidsinfo !! Frekvensinfo
			\|-
			\| Laplace \|\| Elektriske kretser, kontrollsystemer \|\| Kontinuerlig \|\| Ja \|\| Ja
			\| Fourier \|\| Signalprosessering, lyd, bilde \|\| Kontinuerlig \|\| Nei \|\| Ja
			\| Z-transform \|\| Digitale systemer, DSP \|\| Diskret \|\| Ja \|\| Ja
			\| Fourierrekker \|\| Periodiske signaler \|\| Kontinuerlig \|\| Nei \|\| Ja (diskret)
			\| Wavelet \|\| Ikke-stasjonære signaler, komprimering \|\| Begge \|\| Ja \|\| Ja (multioppløsning)
			\|}

Administrator: Ny side: == Hvorfor bruker vi transformasjoner? == Transformasjoner som Laplace og Fourier brukes fordi de gjør komplekse problemer enklere å løse, spesielt: * Løsning av differensialligninger → omgjøres til algebraiske ligninger. * Analyse av systemer → f.eks. hvordan et elektrisk krets reagerer på forskjellige innganger. * Frekvensanalyse → finne hvilke frekvenser som er tilstede i et signal (som lyd, strøm, vibrasjoner). * Forståelse av stabilitet og respons i kontrollsy…

2025-04-20T09:06:31Z

Ny side: == Hvorfor bruker vi transformasjoner? == Transformasjoner som Laplace og Fourier brukes fordi de gjør komplekse problemer enklere å løse, spesielt: * Løsning av differensialligninger → omgjøres til algebraiske ligninger. * Analyse av systemer → f.eks. hvordan et elektrisk krets reagerer på forskjellige innganger. * Frekvensanalyse → finne hvilke frekvenser som er tilstede i et signal (som lyd, strøm, vibrasjoner). * Forståelse av stabilitet og respons i kontrollsy…

Ny side

== Hvorfor bruker vi transformasjoner? ==

Transformasjoner som Laplace og Fourier brukes fordi de gjør komplekse problemer enklere å løse, spesielt:
* Løsning av differensialligninger → omgjøres til algebraiske ligninger.
* Analyse av systemer → f.eks. hvordan et elektrisk krets reagerer på forskjellige innganger.
* Frekvensanalyse → finne hvilke frekvenser som er tilstede i et signal (som lyd, strøm, vibrasjoner).
* Forståelse av stabilitet og respons i kontrollsystemer og mekaniske systemer.

== Konkrete eksempler ==

=== Eksempel 1: Laplacetransformasjon ===
'''Problem:''' Finn responsen i en elektrisk RC-krets (motstand + kondensator) med inngangsspenning:
:<math> u(t) = 5 \cdot \text{Heaviside}(t) </math> (dvs. 5V skrus på ved t = 0)

Kretsen har:
* R = 1 kΩ
* C = 1 μF

==== Trinn 1: Modell ====
Differensialligning fra Kirchhoffs lover:
:<math> RC \frac{dv(t)}{dt} + v(t) = u(t) </math>

==== Trinn 2: Laplacetransformer ====
:<math> RC(sV(s) - v(0)) + V(s) = \frac{5}{s} </math>

Antar <math> v(0) = 0 </math>:
:<math> (RCs + 1)V(s) = \frac{5}{s} </math>

:<math> V(s) = \frac{5}{s(RCs + 1)} = \frac{5}{s(0.001s + 1)} </math>

==== Trinn 3: Invers Laplace ====
Standard form gir:
:<math> v(t) = 5(1 - e^{-t/RC}) = 5(1 - e^{-1000t}) \; [\text{Volt}]</math>

==== Tolkning ====
Dette er spenningen over kondensatoren. Den øker eksponentielt mot 5V når bryteren slås på.

---

=== Eksempel 2: Fouriertransformasjon ===
'''Problem:''' Analyser frekvensinnholdet i et signal:
:<math> f(t) = \sin(2\pi \cdot 50t) + 0.5\sin(2\pi \cdot 120t) </math>

Dette kan representere et elektrisk signal med to sinuskomponenter (50 Hz og 120 Hz).

==== Trinn 1: Bruk Fourier-transformen ====
Bruk kjente transformpar:
:<math> \mathcal{F}\{\sin(2\pi ft)\} = \frac{j\pi}{j}[\delta(\omega - 2\pi f) - \delta(\omega + 2\pi f)] </math>

Resultat:
:<math> F(\omega) = \frac{j\pi}{j}[\delta(\omega - 2\pi \cdot 50) - \delta(\omega + 2\pi \cdot 50)] +
\frac{0.5j\pi}{j}[\delta(\omega - 2\pi \cdot 120) - \delta(\omega + 2\pi \cdot 120)] </math>

==== Tolkning ====
Signalet inneholder to frekvenser:
* 50 Hz (amplitude 1)
* 120 Hz (amplitude 0.5)

=== Praktisk betydning ===
* I Laplace-eksemplet så vi hvordan man kan modellere tidssvar og transienter i et elektrisk system.
* I Fourier-eksemplet fant vi hvilke frekvenser et signal består av – nyttig i støyfiltrering og lydbehandling.