The document describes various probability distributions that can arise from combining Bernoulli random variables. It shows how a binomial distribution emerges from summing Bernoulli random variables, and how Poisson, normal, chi-squared, exponential, gamma, and inverse gamma distributions can approximate the binomial as the number of Bernoulli trials increases. Code examples in R are provided to simulate sampling from these distributions and compare the simulated distributions to their theoretical probability density functions.
The document describes various probability distributions that can arise from combining Bernoulli random variables. It shows how a binomial distribution emerges from summing Bernoulli random variables, and how Poisson, normal, chi-squared, exponential, gamma, and inverse gamma distributions can approximate the binomial as the number of Bernoulli trials increases. Code examples in R are provided to simulate sampling from these distributions and compare the simulated distributions to their theoretical probability density functions.
Raspberry Pi ではじめる機械学習(https://amzn.to/2VbGrFH)の数字認識についてまとめてます.
興味のある人はやってみてください.
詳細ブログ:https://kenyu-life.com/2018/11/06/raspberry_pi_machin_learning_numbers/
セルオートマトンについての説明スライドを作りました(日本語です)
原理と原則を説明した後に実際に,プログラムを回して挙動の確認を行っています.
詳細:https://kenyu-life.com/2018/11/20/cellularautomaton/
動画解説:https://www.youtube.com/watch?v=5O6aRFw1Zcg&t=23s
Created by 上原賢祐
Study on temperature control model of a focal cooling human physiological systemKenyu Uehara
This study developed a mathematical model to simulate temperature control of a focal cooling device using a Peltier module on human skin. Experiments using a phantom validated the model, with errors within 1.16% compared to proportional control simulations. Adding integral control improved stability and reduced steady-state error to within 0.45-1.92% of experimental temperatures. Future work will refine model parameters and test new devices to enable precise temperature regulation for medical applications.
Dynamics and Design Conference 2016で発表した研究内容です.
タイトルは「てんかん波抑制における脳冷却速度と脳波帯域の関係」です.
実は,てんかん波は冷却すると抑制されます.
https://kenyu-life.com/2018/11/04/epilepsy_brain_cooling/
2012年に冷却温度に関しての論文が出ましたが,これまでどのくらいのスピードで脳を冷やして良いかなどは出ていませんでした.
今回は,山口大学医学部さんとの協力のもと,てんかんモデルラットを使った脳冷却実験と,解析した結果について書いています.
Created by 上原賢祐
Dependency of ECoG Band Spectrum in Epileptic Discharges upon Local Cooling R...Kenyu Uehara
This document summarizes research on the effects of brain cooling rate on epileptic discharges. The researchers conducted cooling experiments on four epilepsy model rats with different cooling rates. Frequency analysis found that slower cooling rates more effectively suppressed power across all frequency bands compared to faster cooling. Specifically, slower cooling of 200 seconds reduced delta wave power the most at 0.40, while faster cooling of 30 seconds only reduced it to 0.62. This suggests slower cooling rates are more effective at controlling epileptic seizures. The findings could help develop improved brain cooling devices for epilepsy treatment.
In this study,
We propose a EEG analysis model using a nonlinear oscillator with one degree of freedom.
It doesn’t have a random term.
our study method identifies six model parameters experimentally.
Here is the detail: https://kenyu-life.com/2018/11/03/modeling_of_eeg/
Created by Kenyu Uehara
この発表資料は,2018年10月25日にパシフィコ横浜で開催された,「第52回日本てんかん学会学術集会(The 52nd Congress of the Japan Epilepsy Society )」で報告した資料です.
Created by 上原賢祐
詳細:https://kenyu-life.com/2018/10/30/epilepsy_modeling/
【目的】
これまで経験的,複合的に判別されていたてんかん波に関して,脳波の振動モデルを構築し,てんかん波判別の実現可能性について検討することを目的としている.
【方法】
てんかんモデルラット4体のアルファ波帯域脳波を解析対象とする.解析方法は,生体信号モデルとしてしばしば利用される非線形振動子により脳波をモデル化し,モデル内に含まれるパラメータを実験的に同定する方法とした.モデルは,減衰性と復元性,非線形性,外部入力の信号強度,各周波数および位相差パラメタを有する.六つのモデルパラメタを約0.5秒の解析窓毎に,モデルの出力と実波形の誤差で定義される評価関数を最小とするように同定した.解析には,正常時とてんかん波の振幅が十分に発達した明らかな異常時の脳波を各10秒間ずつ使用した.同定した値からパラメタ毎の区間平均を算出し,正常時の値を基準に正規化を行った.そして得られた値を用いて,同定したパラメータの特性を正常時と異常時で比較し,てんかん波判別の実現可能性について検討した.
【結果】
4体を解析した結果,異常時の非線形パラメタは正常時の値の25%以下まで減少することが確認された.脳波などの生体システムでは,正常状態においてカオス的に振る舞いを示すが,異常が発生するとカオスが消失し周期的になることが知られており,我々の脳波解析手法においてもそれを証明することができ,本手法の有効性が確認された.さらに,信号強度パラメータは約3倍以上に増加し,測定点の脳波と周囲から伝わる波の角周波数分布にも特徴が見られた.
【結論】
本研究では,てんかん波判別の実現可能性について検討することを目的とし,てんかんモデルラットのアルファ波帯域脳波を解析した結果,正常時に比べて異常時の非線形パラメタは減少し,外部入力の信号強度を表すパラメタは増加した.さらに,測定点の脳波と周囲から伝播する波の角周波数に関するパラメタの分布範囲に違いが見られた.
日本生体医工学会中国四国支部2018で発表した研究です.
題目「ゆらぐ脳波データからどのように集中度合いを可視化するか」
Created by 上原賢祐
詳細はこちら: https://kenyu-life.com/2018/10/30/eeg_constress_value/
◯アブストラクト◯
ヒト脳波は心理・生理状態によって大きく影響される生体信号であるがゆえに,集中度合い等をはじめとしたヒトの状態推定を可能とする.脳波信号の一般的な理解では,ヒトが一旦集中状態に入ると周波数パワーが高くなる傾向にあるため,周波数解析により脳波に含まれる特定の周波数帯域の含有量を見ることは1つの有効な状態推定の手立てである.しかし,ヒト脳波はゆらぎと言われる非線形な性質を持つため,周波数解析などの線形的な信号処理では,ヒト脳波が有する真の情報を取り出すことができないと考えられる.すなわち,ヒトの集中状態を可視化するにあたっては,脳波信号の「ゆらぎ」を考慮し,波形の細かい変化の仕方自体にも眼を向ける必要があると考えられる.
そこで本研究では,非線形な解析手法を用いた脳波信号の解析を行い,ヒトの集中度合いの可視化を目的とする.脳波信号の振る舞いを一自由度の非線形振動子によってモデル化し,波形の細かい変化に対応させるため,モデル中の各係数パラメータを実験的に同定した.その結果,脳波の定量化をすることが可能であることを確認し,各モデルパラメータの相関値によって集中度合いを可視化できることが分かった.
脳波信号を対象としたEPIAモデル構造に関する研究 (Study on model structure of EPIA for EEG signals)Kenyu Uehara
研究ブログはこちら: https://kenyu-life.com/
Created by 上原賢祐
日本機械学会Dynamics and design conference 2018(東京農工大学)にて発表した時の資料です.
<ABSTRACT>
ヒトの思考や精神的状態など様々な要因によって変動する脳波は,非常に高次な情報を有しているが、時系列波形が複雑であるため,この高次な情報を取り出すことが困難である.そこで脳波の時系列波形の挙動を数学的にモデル化し解析窓ごとにモデルパラメータを実験的に同定するといった解析手法が有効であると考えられる.本報告では脳波解析を行うための最適なモデル構造の検討を目的として,代表的な2つの非線形振動子であるDuffing型およびVan der Pol型と,線形の粘性減衰振動子を用いた場合の結果と比較を行った.
研究ブログはこちら: https://kenyu-life.com/
Created by 上原賢祐
English Title: Analysis of relationship between epileptic discharges and its peripheral ECoG signals using coupled nonlinear oscillator
日本機械学会年次大会2016で登壇したときの資料です.
英訳:Spatial and temporal variations in epileptic discharges using coupled non-linear oscillator
連成非線形振動子のモデルパラメータを実験波形に合うように同定して,てんかん性異常脳波の時空間解析を実施しています.
4. 周期 T
1秒
v =
1
T
周期関数
t + Tt
1次元の時間関数(波形)に関する基本用語の復習
周波数(振動数) f
単位時間に含まれる周期 T の個数
f(t + T) = f(t)
フーリエ変換後の空間である周波数領域が
信号処理を行う上でとても大事なものである
信号について (フーリエ級数への誘い)
この資料では,時間的な関数(波)を扱います.
そのため,基本的な用語や記号について復習しておきましょう!
波形の処理をする上でかなり大事な概念をちょっとだけ先に取り上げます.
5. θ
cos θ
sin θ
P(x, y)
x
y フーリエ変換は与えらた関数を三角関数(正弦波)で表す
正弦波は円と深く関わる
θを動的に捉え,動径OPが単位時間あたりに進む角を角周波数 ω とすると,
以下の関係が成り立つ
O
y = sin θ
x = cos θ
θ = ωt
角周波数 ω で動径が回転するとき,
その動径の単位時間あたりの回転数は振動数(周波数) fなので
f =
ω
2π
角周波数 ω は周期 T との関係だと,以下になる
f =
1
T
ω =
2π
T
単位円
角周波数
信号について (フーリエ級数への誘い)
6. フーリエ解析 その1
~フーリエ級数・直交基底~
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + a2 cos 2ω0t + b2 sin 2ω0t + ⋯
◼フーリエ級数って何???って人
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
◼直交基底って何???って人
f(t) = a0 +
∞
∑
n=1
{an cos
2πn
T0
t + bn sin
2πn
T0
t}
けんゆー @kenyu0501_(Twitter)
山口大学大学院 博士課程/ 学術研究員/
7. フーリエ級数
数や関数の列を無限に加え合わせたもの
f(t)
a0
a1 cos ω0t
a2 cos 2ω0t
b2 sin 2ω0t
b1 sin ω0t
・
・
・
・
・
・
関数 f(t) がある値の倍数の角周波数 ω0
をもつ正弦波に分解される
n = 0
n = 1
n = 2
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + a2 cos 2ω0t + b2 sin 2ω0t + ⋯
フーリエ級数で表したい関数
その関数から決められる定数
角周波数は定数倍になる → (1.5倍とか,2.3倍とか,半端な数字にならない)
フーリエ級数
・・・「関数が無限個の三角関数の和で表わせる」
・・・「グラフが正弦波の重ね合わせで表わせる」
8. フーリエ級数の基本周期と基本周波数について
・・・「基本周波数の整数倍の正弦波しか出てこないことになる」
フーリエ級数
a0
a1 cos ω0t
a2 cos 2ω0t
b2 sin 2ω0t
b1 sin ω0t
・
・
・
・
・
・
n = 0
n = 1
n = 2
f(t)
基本周期が 0.1s なら,基本周波数は 10Hz になる.
その整数倍しか現れないので,10Hz, 20Hz, 30Hzの成分,,,になる.
なぜなら,基本周期の中で,整数個の波が収まらないといけないため!
足し合わせて周期的な関数にするため
基本周期 T0
ω0 =
2π
T0
f0 =
1
T0
基本周期 T0 によって,
基本周波数 f0 が決まる
基本周波数 f0 によって
基本角周波数 ω0 が決まる
10. フーリエ級数
f(t)
T
2
−
T
2
の間の関数を考える−
T
2
≤ t ≤
T
2
フーリエ級数は有限区間で考える.対象は周期関数である.
f(t) = a0 + (a1 cos
2πt
T
+ b1 sin
2πt
T
) + (a2 cos
4πt
T
+ b2 sin
4πt
T
) + ⋯ + (an cos
2nπt
T
+ bn sin
2nπt
T
) + ⋯
(幅が T であれば何でも良い)
・
・
・
a0 =
1
T ∫
2
T
− 2
T
f(t)dt an =
2
T ∫
2
T
− 2
T
f(t)cos
2nπt
T
dtbn =
2
T ∫
2
T
− 2
T
f(t)sin
2nπt
T
dt
フーリエ級数の理論
フーリエ級数展開・・・関数をフーリエ級数で表すこと
で定義されたフーリエ係数( a0, a1, a2, ・・・, b1, b2, ・・・)を求める−
T
2
≤ t ≤
T
2
→ 後ほど詳しく導出する
f(t) = a0 +
∞
∑
n=1
{an cos
2πn
T0
t + bn sin
2πn
T0
t}
11. フーリエ級数
f(t) = a0 + (a1 cos
2πt
T
+ b1 sin
2πt
T
) + (a2 cos
4πt
T
+ b2 sin
4πt
T
) + ⋯ + (an cos
2nπt
T
+ bn sin
2nπt
T
) + ⋯
a0
a1
a2
b2
b1
a3
b3
・
・
・
周期 T の周期関数 (繰り返す)
f(t)
T
2
−
T
2
a0
a1
a2
b2
b1
a3
b3
・
・
・
a0
a1
a2
b2
b1
a3
b3
・
・
・
フーリエ級数は,周期 T の関数 にすることf(t)
フーリエ級数は周期 T の周期関数である
13. フーリエ級数
e1
e2 e1 ⋅ e2 = 0
∫
a
b
f(t)g * (t)dt関数の内積 (b ≤ t ≤ a)
関数の内積って
平面ベクトルと数学的に一緒
g * (t) = g(t)が実数の場合g(t)
直交とは!?
「基底」となる関数セットは直交性を持たなければいけない.
二つのベクトルが直交であるとき,内積は0
関数の内積ってどう書くのか!?
以上の関数の積分が0のとき,各関数は直交している
14. 関数 f(t) を直交する基底とな
る関数
で表したのがフーリエ級数
フーリエ級数
f(t) = a0 + ⋯ + an cos nω0t + bn sin nω0t + ⋯
f(t)
cos ω0t
sin ω0t
1, cos nω0t, sin nω0t
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t sin mω0tdt = 0
∫
2
T
− 2
T
cos nω0t cos mω0tdt = 0
∫
2
T
− 2
T
12
dt = T
∫
2
T
− 2
T
sin n2
ω0tdt =
∫
2
T
− 2
T
cos n2
ω0tdt =
T
2
「フーリエ係数の導出に必要な性質」
「直交基底」
15. フーリエ級数
「フーリエ係数( a0, an, bn )の導出」
cos nω0t, sin nω0t
a0 「全ての項に1を掛けて積分」 → 直交基底の性質(積分値=0)から導出できる
∫
2
T
− 2
T
f(t)dt =
∫
2
T
− 2
T
a0dt +
∫
2
T
− 2
T
a1 cos ω0tdt +
∫
2
T
− 2
T
b1 sin ω0tdt + ⋯ +
∫
2
T
− 2
T
an cos nω0tdt +
∫
2
T
− 2
T
bn sin nω0tdt + ⋯
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
「直交基底」の性質ここだけ残る
∫
2
T
− 2
T
f(t)dt = a0[t]
2
T
− 2
T
a0 =
1
T ∫
2
T
− 2
T
f(t)dt
0 0 0 0
同様に an, bn も,それぞれ導出できる
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + ⋯ + a2 cos nω0t + b2 sin nω0t + ⋯
を全体に掛けて積分
16. フーリエ級数
「フーリエ係数( a0, an, bn )の導出」
+⋯ +
∫
2
T
− 2
T
an cos nω0t cos nω0tdt +
∫
2
T
− 2
T
bn sin nω0t cos nω0tdt + ⋯
an 「全ての項に を掛けて積分
∫
2
T
− 2
T
f(t)cos nω0tdt =
∫
2
T
− 2
T
a0 cos nω0tdt +
∫
2
T
− 2
T
a1 cos ω0t cos nω0tdt +
∫
2
T
− 2
T
b1 sin ω0t cos nω0tdt
「直交基底」の性質ここだけ残る
an =
2
T ∫
2
T
− 2
T
f(t)cos nω0tdt
0 0 0
0
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + ⋯ + a2 cos nω0t + b2 sin nω0t + ⋯
cos nω0t
∫
2
T
− 2
T
f(t)cos nω0tdt =
∫
2
T
− 2
T
an cos nω0t cos nω0tdt
∫
2
T
− 2
T
sin n2
ω0tdt =
∫
2
T
− 2
T
cos n2
ω0tdt =
T
2
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
∫
2
T
− 2
T
cos nω0t cos mω0tdt = 0
17. フーリエ級数
「フーリエ係数( a0, an, bn )の導出」
+⋯ +
∫
2
T
− 2
T
an cos nω0t sin nω0tdt +
∫
2
T
− 2
T
bn sin nω0t sin nω0tdt + ⋯
bn 「全ての項に を掛けて積分
∫
2
T
− 2
T
f(t)sin nω0tdt =
∫
2
T
− 2
T
a0 sin nω0tdt +
∫
2
T
− 2
T
a1 cos ω0t sin nω0tdt +
∫
2
T
− 2
T
b1 sin ω0t sin nω0tdt
「直交基底」の性質ここだけ残る
bn =
2
T ∫
2
T
− 2
T
f(t)sin nω0tdt
0 0 0
0
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + ⋯ + a2 cos nω0t + b2 sin nω0t + ⋯
sin nω0t
∫
2
T
− 2
T
f(t)sin nω0tdt =
∫
2
T
− 2
T
bn sin nω0t sin nω0tdt
∫
2
T
− 2
T
sin n2
ω0tdt =
∫
2
T
− 2
T
cos n2
ω0tdt =
T
2
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t sin mω0tdt = 0
18. フーリエ級数 おさらい
f(t) = a0 + ⋯ + an cos nω0t + bn sin nω0t + ⋯
f(t)
cos ω0t
sin ω0t
関数 f(t) を直交する基底とな
る関数
で表したのがフーリエ級数
1, cos nω0t, sin nω0t
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t sin mω0tdt = 0
∫
2
T
− 2
T
cos nω0t cos mω0tdt = 0
「直交基底」
∫
2
T
− 2
T
12
dt = T
「フーリエ係数の導出に必要な性質」
∫
2
T
− 2
T
sin n2
ω0tdt =
∫
2
T
− 2
T
cos n2
ω0tdt =
T
2
f(t) = a0 + (a1 cos
2πt
T
+ b1 sin
2πt
T
) + (a2 cos
4πt
T
+ b2 sin
4πt
T
) + ⋯ + (an cos
2nπt
T
+ bn sin
2nπt
T
) + ⋯
a0 =
1
T ∫
2
T
− 2
T
f(t)dt
an =
2
T ∫
2
T
− 2
T
f(t)cos
2nπt
T
dt
bn =
2
T ∫
2
T
− 2
T
f(t)sin
2nπt
T
dt
19. フーリエ解析 その1
~フーリエ級数・直交基底 (練習問題編)~
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + a2 cos 2ω0t + b2 sin 2ω0t + ⋯
フーリエ級数って何???って人
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
直交基底って何???って人
けんゆー @kenyu0501_
山口大学大学院 博士課程/ 学術研究員/
(練習問題編)
解説はYoutubeに!
20. フーリエ解析 その2
~複素フーリエ級数とは~
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + c+nei 2πnt
T + ⋯
◼複素フーリエ級数って何???
∫
2
T
− 2
T
ei 2πm
T t
e−i 2πn
T t
dt =
◼複素フーリエ級数の直交基底って何???
{
0 (m ≠ n)
T (m = n) eiθ
= cos θ + i sin θ
オイラーの公式も使うよ!
けんゆー @kenyu0501_(Twitter)
山口大学大学院 博士課程/ 学術研究員/
21. 複素フーリエ級数
f(t) = a0 + a1 cos ω0t + b1 sin ω0t + ⋯ + a2 cos nω0t + b2 sin nω0t + ⋯
これまでのフーリエ級数の理論 ⇨ 実数の世界の展開
複素数の世界の展開する
・展開式が綺麗になる
・フーリエ変換につながる
オイラーの公式
eiθ
= cos θ + i sin θ
実数と複素数の世界を
結びつけるすごい式
複素指数関数 eiθ
= ei 2π
T t
(e−iθ
= cos θ − i sin θ)
複素フーリエ級数はこの複素指数関数で展開するもの
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + cnei 2πnt
T + ⋯
22. 複素フーリエ級数
複素指数関数も直交性を持つ
複素指数関数は三角関数から出来ているので,三角関数の直交性を引き継いでいる
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + cnei 2πnt
T + ⋯
「直交基底」である必要がある → お互いの関数の積分値が0
(平面ベクトルでいう内積=0)
P
e1
e2
O
OP = a1e1 + a2e2
f(t)
cnei 2πn
T t
c−ne−i 2πn
T t
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + cnei 2πnt
T + ⋯
関数空間の1点 f(t) は
直交基底となる関数
セットで展開される
平面ベクトルは,
直交する「基底ベ
クトル」の一次結
合で表される
23. ∫
2
T
− 2
T
ei 2πm
T t
e−i 2πn
T t
dt =
{
0 (m ≠ n)
T (m = n)
複素フーリエ級数
f(t) = a0 + ⋯ + an cos nω0t + bn sin nω0t + ⋯
f(t)
cos ω0t
sin ω0t
∫
2
T
− 2
T
1 ⋅ sin nω0tdt =
∫
2
T
− 2
T
1 ⋅ cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t cos nω0tdt = 0
∫
2
T
− 2
T
sin nω0t sin mω0tdt = 0
∫
2
T
− 2
T
cos nω0t cos mω0tdt = 0
「直交基底」
f(t) = a0 + (a1 cos
2πt
T
+ b1 sin
2πt
T
) + (a2 cos
4πt
T
+ b2 sin
4πt
T
) + ⋯ + (an cos
2nπt
T
+ bn sin
2nπt
T
) + ⋯
複素指数関数の「直交基底」
フーリエ級数の復習 ・・・ちなみにフーリエ級数の直交基底はこちら
定義域の概念は持っている
(周期 T )
(n = 0, ± 1, ± 2, ⋯)
24. 複素フーリエ級数
複素フーリエ級数の係数を導出する
「展開式の両辺に,右から をかける」 → 「その後区間 T で積分」
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + cnei 2πnt
T + ⋯
cn
∫
2
T
− 2
T
f(t)ei−2πnt
T dt = ⋯ + cn−1
∫
2
T
− 2
T
ei 2π(n − 1)t
T e−i 2πnt
T dt + cn
∫
2
T
− 2
T
ei 2πnt
T e−i 2πnt
T dt + cn+1
∫
2
T
− 2
T
ei 2π(n + 1)t
T e−i 2πnt
T dt + ⋯
e−i 2πnt
T
0
0
ここだけ残る
∫
2
T
− 2
T
f(t)e−i 2πnt
T dt = cn
∫
2
T
− 2
T
ei 2πnt
T e−i 2πnt
T dt
T になる
cn =
1
T ∫
2
T
− 2
T
f(t)e−i 2πnt
T dt
∫
2
T
− 2
T
ei 2πm
T t
e−i 2πn
T t
dt =
{
0 (m ≠ n)
T (m = n)
「直交基底」の性質
25. フーリエ解析 その2
~複素フーリエ級数(練習問題)とは~
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + c−nei 2πnt
T + ⋯
◼複素フーリエ級数って何???
∫
2
T
− 2
T
ei 2πm
T t
e−i 2πn
T t
dt =
◼複素フーリエの直交基底って何???
けんゆー @kenyu0501_
山口大学大学院 博士課程/ 学術研究員/
{
0 (m ≠ n)
T (m = n) (練習問題編)
f(t) =
{
0 (−π ≤ t < 0)
1 (0 ≤ t ≤ π)
◼次の関数を複素フーリエ級数で表せ.
−π π t
f(t)
1
解説はYoutubeに!
27. 複素フーリエ級数 (数学のお話)
複素フーリエ級数の係数を導出する
「展開式の両辺に,右から をかける」 → 「その後区間 T で積分」
f(t) = ⋯ + c−ne−i 2πnt
T + ⋯ + c−1e−i 2πt
T + c0 + c1ei 2πt
T + ⋯ + cnei 2πnt
T + ⋯
cn
∫
2
T
− 2
T
f(t)ei−2πnt
T dt = ⋯ + cn−1
∫
2
T
− 2
T
ei 2π(n − 1)t
T e−i 2πnt
T dt + cn
∫
2
T
− 2
T
ei 2πnt
T e−i 2πnt
T dt + cn+1
∫
2
T
− 2
T
ei 2π(n + 1)t
T e−i 2πnt
T dt + ⋯
e−i 2πnt
T
0
0
ここだけ残る
∫
2
T
− 2
T
f(t)e−i 2πnt
T dt = cn
∫
2
T
− 2
T
ei 2πnt
T e−i 2πnt
T dt
T になる
cn =
1
T ∫
2
T
− 2
T
f(t)e−i 2πnt
T dt
∫
2
T
− 2
T
ei 2πm
T t
e−i 2πn
T t
dt =
{
0 (m ≠ n)
T (m = n)
「直交基底」の性質
54. 高速フーリエ変換 FFT
バタフライ演算とシグナルフロー図
a
b
a + b
a − b
−
FFTの計算は,2つのデータを加減し,さらに回転因子の k 乗をかけるという基本演算
WN = e−i 2π
N
a
b
a + b
Wk
N(a − b)
− Wk
N
蝶の羽の形に似ているので,
バタフライ演算
この演算の図は
シグナルフロー図
図A 図B
2つのデータ a, b を入力したとき,
2つの和を一方に,2つの差を他方に出力
2つのデータ a, b を入力したとき,
2つの和を一方に,2つの差に回転因子を
かけた値を他方に出力
さらに,FFTの計算は「ビットリバース」という,順序にデータを並べ替える操作をする