Autorem wpisu jest  Michał Hałoń – doktorant na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej. W drugiej części wpisu ocenia skuteczność opisywanej metody na podstawie wszystkich możliwych rozgrywek i dokonuje próby udoskonalenia algorytmu w celu zwiększenia jego dokładności.

Dzisiaj wpis w formie filmu. Przez ostatnich kilka wpisów zmagaliśmy się z aproksymacją danych pomiarowych. MATLAB oferuje wiele narzędzi w tym zakresie. Czas uporządkować wiedzę.

W poprzednich wpisach o aproksymacji danych pomiarowych była mowa o modelach liniowych i estymatorze LS. Często jednak jest potrzeba aproksymacji modelami nieliniowymi. W tym wpisie zajmę się tym zagadnieniem.

Zadanie na dzisiaj jest bardzo proste. Uzyskać w MATLABie taki rysunek jak poniżej: wypełniony obszar, ograniczony „od góry” i „od dołu” dowolną krzywą. Nie ma takiej funkcji w MATLABie? Napiszemy ją sami!

Jakiś czas temu na naszym blogu opublikowałem serię wpisów na temat (dyskretnej) transformaty Fouriera – DFT (część 1, część 2, część 3). Omawiałem w nich cechy i właściwości tego narzędzia do analizy częstotliwościowej sygnałów, a domknięciem był film na temat konsekwencji próbkowania sygnałów.
Bieżący wpis w dużej mierze bazuje na tamtej serii artykułów i dotyczy metod czasowo – częstotliwościowej analizy sygnałów. Metody te, w pewnym sensie, są rozszerzeniem klasycznej transformaty Fouriera na obszar sygnałów niestacjonarnych. Co to oznacza?

Kontynuuje omawianie metody LS do aproksymacji danych pomiarowych. Tym razem na warsztat idzie algorytm LS w postaci macierzowej, który umożliwia zastosowaniem modeli wyższych rzędów. Zobaczmy jak dopasować parabolę do danych układających się w ten właśnie kształt.

Metoda najmniejszej sumy kwadratów (LS - Least Squares) jest powszechnie wykorzystywana do aproksymacji danych pomiarowych modelami różnych rzędów. Tak jest również w przypadku MATLABa i oferowanych przez curve fitting toolbox funkcji. W tym wpisie zajmę się wytłumaczeniem na czym ta metoda polega oraz jakie są jej cechy. Pozwoli to Wam świadomie wykonywać aproksymacje danych bez często popełnianych przez użytkowników błędów.

O korelacji na konkretnym przykładzie: czym się różnią funkcje cov, xcov, corrcoeff i xcorr? Jak interpretować wartości współczynników korelacji i kowariancji oraz funkcji podobieństwa?

Autorem wpisu jest Michał Hałoń – doktorant na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej. Zainspirowany wpisem o Wordle na blogu Loren Shure oraz polskim odpowiednikiem gry na literalnie.fun, przygotował analizę rozwiązania dla tej popularnej łamigłówki.

Badanie podobieństwa między sygnałami jest ważnym elementem wielu dziedzin nauki i techniki – nie tylko cyfrowego przetwarzania sygnałów. W tym wpisie zajmę się problemem ilościowego obliczania korelacji pomiędzy dwoma, a nawet wieloma sygnałami.