Система навигации - Коммуникации, связь, цифровые приборы и радиоэлектроника курсовая работа

Инерциальные системы навигации и существующие пути их реализации. Описание архитектуры приложения для сбора и разметки данных, структура и взаимосвязь компонентов. Основные функции анализатора данных. Искусственные нейронные сети и их назначение.


посмотреть текст работы


скачать работу можно здесь


полная информация о работе


весь список подобных работ


Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.


2) Существующие пути решения и реализации таких систем;
4) Трудности, отмеченные в предшествующих исследованиях;
5) Вывод и задачи для разрабатываемого приложения.
Инерциальная навигация - метод навигации (определения координат и параметров движения различных объектов - судов, самолётов, ракет и др.) и управления их движением, основанный на свойствах инерции тел, являющийся автономным, т.е. не требующим наличия внешних ориентиров или поступающих извне сигналов [1].
Сейчас сложно представить жизнь человечества без систем инерциальной навигации (ИНС), так как именно они делают возможными беспосадочные авиаперелеты, полеты в космос, длительные походы подводных лодок.
Составными частями любой инерциальной навигационной системы являются блок чувствительных элементов (акселерометров и гироскопов) и вычислитель, в котором реализуется навигационный алгоритм. Точность выходной навигационной информации напрямую зависит от характеристик чувствительных элементов, входящих в состав системы, поэтому наиболее точное навигационное решение можно получить только в инерциальных системах, построенных на прецизионных гироскопах и акселерометрах.
Хочется добавить, что инерциальная навигация возможна не только на ИНС, но и на обычном смартфоне, так как практически любой девайс имеет минимально необходимый набор датчиков для её реализации. Это позволяет иметь инерциальный навигатор у себя в кармане, не используя громоздкие и дорогостоящие ИНС, как на самолётах и т.д. Конечно, у таких систем на мобильных девайсах будет ряд недостатков, основным из которых является низкая точность.
Так как данная тема не нова и беспокоит человечество довольно долгое время, существует огромное множество решений, которые применимы для создания ИНС. Каждое из них имеет как недостатки, так и преимущества.
· измерять скорости по полосам, чтобы рекомендовать пользователю перестроения, если движение по полосе медленное, например, из-за того, что с левой полосы поворачивают машины. Или рекомендовать перестроиться, если на текущей полосе авария;
· решать проблему низкой точности GPS во дворах. Определить местоположение машины на извилистых дорожках придомовых территорий довольно затруднительно и GPS возвращает данные с погрешностью в районе 10 метров, если вообще ловит в такой местности. В незнакомых дворах это критично, ориентируясь на навигатор получается, что пользователь не всегда знает своё точное положение;
· определять поворот или разворот машины, так как GPS определяет маневр с опозданием. Прежде чем этот манёвр будет распознан навигатором, водитель успеет проехать несколько метров. Определяя поворот / разворот сразу, навигатор сможет быстрее перестроить маршрут, что очень важно на сложных развязках.
Приложение работает так: данные с акселерометра предварительно обрабатываются специальным образом. Для более точной работы необходимо следить за тем, чтобы положение датчика оставалось постоянным. Однако добиться этого сложно, поэтому был разработан нормализатор, целью которого является преобразование данных таким образом, чтобы ось Z была всегда вертикальной, ось X была сонаправлена с движением, а ось Y показывала отклонения от прямолинейного движения (т.е. повороты влево и вправо). Рис. 1
навигация приложение нейронный анализатор
В качестве классификатора используется исскуственная нейронная сеть типа feedforward с тремя hidden layers (система взаимодействующих адаптивных элементов - нейронов, каждый из которых выполняет определенное функциональное преобразование над сигналами [3]). На вход она получает данные со спутниковой системы навигации и обработанные данные с акселерометра, полученные за определенный промежуток времени.
На данный момент работа над данным проектом продолжается. Уровень точности определения действий этого приложения составляет 64%. Автор соглашается с тем, что на данный момент точность его решения низка и это не позволяет использовать его в режиме реального времени и необходимо еще провести много работ для улучшения эффективности.
Описанный выше метод имеет один важный недостаток - низкая точность. Чтобы решить эту проблему, можно обраться к статье [4].
В рамках исследования, Andrew R. Golding искал пути повышения точности работы системы для навигации в помещениях (indoor навигация - навигация в помещениях). Эта система была построена на базе наивного байесовского классификатора (NB - простой вероятностный классификатор, основанный на применении Теоремы Байеса со строгими (наивными) предположениями о независимости [5]), однако имела низкий уровень точности, который немногим превышал 50%. Для решения данной проблемы автор предлагает добавить так называемый data cooking. По сути это небольшой модуль, который на вход получает входные необработанные данные с датчиков, а на выходе - некоторые высокоуровневые даннные, более удобные и понятные для работы с алгоритмами машинного обучения.
Этот модуль должен решить те проблемы, которые присущи необработанным данным:
· классификатор NB предполагает независимость данных, которые подаются ему на вход. Однако данные с акселерометра, гироскопа, компаса напрямую зависят между собой. Для этого автор предлагает изменить сам подход к использованию данных с датчиков, предоставляя системе не поток данных с них, а только те данные, которые будут определены как действие. В качестве простейшего примера он приводит работу датчика света (light sensor), в котором специальный модуль определяет именно сам факт действий - включение и выключения света - и передает системе именно эти данные;
· существует проблема смещения положения датчиков, что может серьезно менять его значения. Голдинг предлагает добавить функцию, которая будет с периодичностью обновлять данные о точности, и в зависимости от точности делать поправку данных с датчиков. Примерно схожий подход имеется и в работе [2], где используется нормализатор данных с акселерометра;
· и наконец, проблема сильных шумов, которые могут привести к существенным ошибкам в определении положения. Для этого автор предлагает сделать преобразование непрерывных значений датчиков на несколько дискретных уровней. Для большей точности работы автор рассматривает возможности для автоматического задания данных дискретных уровней
Результаты этой работы впечатляют, Andrew R. Golding смог добиться очень существенных результатов. Благодаря добалению data cooking система кардинально улучшила результаты работы, увеличив точность до 98%.
Решение узконаправленных задач всегда проще, чем поиск универсально решения. Однако, Robert E. Guinness, автор работы Поиск универсального решения для навигации [6], в рамках своего исследования постарался изучить возможности современных смартфонов для навигации в различных режимах, в том числе ходьба, бег, вождение автомобиля и движение на автобусе или в поезде. Они поставили своей целью подобрать наиболее оптимальный (с точки зрения производительности и энергопотребления) алгоритм для работы в режиме реального времени.
В рамках данной работы автором были проведены исследования широкого спектра контролируемых методов обучения для классификации, в том числе деревьев решений (DT), машины опорных векторов (SVM), наивные классификаторы Байеса(NB), сетей Байеса (BN), логистической регрессии (LR), искусственные нейронные сети (ANN) и несколько экземпляров на основе классификаторов (KSTAR, LWLand IBk). В результате данного исследования, авторы определили лучшие методы с точки зрения правильной скорости классификации. Точность работы алгоритмов приведена в таблице.
В частности, DT - алгоритм RandomForest показали лучшую общую производительность. После того, как был добавлен процесс отбора признаков для подмножества алгоритмов, производительность была немного улучшена. Кроме того, после настройки параметров RandomForest, улучшена производительность до 96,5%.
Также для работы в реальном времени, авторам было необходимо измерить вычислительную сложность классификаторов, с точки зрения затрат времени центрального процессора, необходимого для классификации. Такое исследования позволило оценить алгоритмы с точки зрения потребления энергии. В результате, классификаторы были ранжированы от самого низкого до самой высокой сложности (то есть вычислительные затраты) следующим образом: SVM, ANN, LR, BN, DT, NB, IBk, LWL и KSTAR.
Авторы пришли к выводу, что DT алгоритмы являются превосходными кандидатами для работы в такого рода системах, как с точки зрения производительности, так и с точки зрения вычислительной сложности.
Во всех выше перечисленных аналогах приложений для определения местоположения используются разные алгоритмы машинного обучения. Обращая внимание на статью Robert E. Guinness и высокую точность таких алгоритмов, имеет смысл и в итоговом приложении данной работы использовать машинное обучения. Для этого нужно дать определение машинному обучению и рассмотреть наиболее эффективные алгоритмы, чтобы сделать выбор в пользу лучшего, основываясь на данных, описанных в статье Robert E. и собственных.
Машинное обучение - обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающая знания из данных [7].Основной целью машинного обучения является полная или частичная автоматизация решения сложных нелинейных профессиональных задач в различных областях человеческой деятельности.
Алгоритмы машинного обучения делятся на различные группы в зависимости от времени обучения (предварительное обучение или обучение в процессе), а так же по методике обучения (обучение с учителем, без учителя, частичное подкрепление).
Существуют различные подходы к созданию алгоритмов для машинного обучения. Имеет смысл рассмотреть подробнее алгоритмы, показавшие высокую точность и производительность в статье Robert E. Guinness
Согласно наиболее общему определению, дерево принятия решений - это средство поддержки принятия решений при прогнозировании, широко применяющееся в статистике и анализе даны [ 8].
Дерево решений, подобно его прототипу из живой природы, состоит из «ветвей» и «листьев» (Рис. 2). Ветви (ребра графа) хранят в себе значения атрибутов, от которых зависит целевая функция; на листьях же записывается значение целевой функции. Существуют также и другие узлы - родительские и потомки - по которым происходит разветвление, и можно различить случаи. Цель всего процесса построения дерева принятия решений - создать модель, по которой можно было бы классифицировать случаи и решать, какие значения может принимать целевая функция, имея на входе несколько переменных.
Общий алгоритм построения дерева принятия решений выглядит следующим образом:
1) выбрать атрибут Q и поместить его в корневой узел;
2) из тестовых примеров (или набора данных) для каждого значения атрибута i выбираем только те, для которых Q=i;
3) далее, рекурсивно строим дерево принятия решений в этом потомке.
Общий принцип работы дерева принятия решений таков:
1) дерево принятия решений строится по примерам, содержащим в себе конечное решение;
2) в построенное дерево можно направлять n-ное количество атрибутов (конечно же, атрибуты должны быть того же типа, что и данные на этапе обучения);
3) на основе уже изученной информации, дерево будет возвращать значение ветки, к которой принадлежит тот или иной набор атрибутов.
Данная структура позволяет упростить процесс обучения и часто используется в области компьютерных игр и робототехники, когда количество действий и варианты поведений заранее предопределены.
Байесовская сеть (доверия) - это ациклический ориентированный граф, в котором каждая вершина (узел сети) представляет n-значную переменную, дуги обозначают существование непосредственных причинно-следственных зависимостей между соединенными переменными, а сила этих зависимостей количественно выражается в виде условных вероятностей, сопоставленных каждой из переменных [9].
Байесовские сети представляют собой удобный инструмент для описания достаточно сложных процессов и событий с неопределенностями. Основной идеей построения сети является разложение сложной системы на простые элементы. Для объединения отдельных элементов в систему используется математический аппарат теории вероятностей. Такой подход обеспечивает возможность строить модели с множеством взаимодействующих переменных для последующей разработки эффективных алгоритмов обработки данных и принятия решений. С математической точки зрения байесовская сеть - это модель для представления вероятностных зависимостей, а также отсутствия этих зависимостей [10].
Привлекательность байесовских моделей заключается в их высокой производительности, а также в интуитивно понятном представлении в виде графа [11]. (Рис. 3).
Искусственные нейронные сети (ANN )
Искусственная нейронная сеть (artificialneuralnetwork, ANN) математическая модель, построенная по образу и подобию нервных клеток живого организма, а в частности, человеческого мозга [12].
Основным прототипом искусственной нейронной сети является биологическая нейронная сеть - совокупность нейронов (структурно-функциональная единица нервной системы, которая обрабатывает и передает информацию посредством химических и электрических сигналов.) головного и спинного мозга центральной нервной системы (ЦНС) и ганглия периферической нервной системы (ПНС). Связанные или функционально объединенные в нервной системе, они выполняют специфичные физиологические функции[13].
В отличие от биологической нейронной сети, которая до сих пор остается вопросом многих исследований и изучений в области биологии, искусственная нейронная сеть (ИНН) представляет собой упрощенную математическую модель, состоящую из узлов, именуемых искусственными нейронами, соединенных между собой связями и способными передавать и получать сигналы.
В биологической нейронной сети нейрон имеет отростки нервных волокон двух типов - дендриты, принимающие импульсы, и аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, влияющие на силу импульса. При прохождении синапса сила импульса меняется в определенное число раз, называемое весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некий порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Стоит отметить, что веса синапсов могут меняться со временем, то есть будет меняться и поведение соответствующего нейрона.
Искусственный нейрон, в отличие от нейрона биологического, представляет собой более простой элемент-процессор, получающий на вход сигналы в виде каких-либо параметров для оптимизации или выходные сигналы других нейронов ИНН через некоторое количество входных каналов. Каждый входной сигнал проходит через связь, имеющую определенную интенсивность или вес. Каждый нейрон имеет некое пороговое значение. При поступлении сигнала вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (постсинаптический потенциал нейрона, PSP). Сигнал активации преобразуется с помощью функции активации (передаточной функции) в выходной сигнал нейрона [14]. (Рис. 4).
Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда у Вас имеется определенная известная информация, и Вы хотите из нее получить некоторую пока не известную информацию (Patterson, 1996; Fausett, 1994).
Несмотря на то что, проблема определения местоположения машины с использование инерциальной навигации существует давно и аналоги таких систем уже используются, они до сих пор не имеют сто процентной точности.
В статье [15] перечислен ряд сложностей, с которыми разработчики сталкиваются и которые должны решить как можно более эффективным способом, чтобы увеличить надёжность результирующего приложения:
1) разные модели датчиков дают разные картинки происходящего, из-за этого одно и тоже действие на разных девайсах может выглядеть по-разному. Также показания датчиков зависят от скорости, системы подвески транспортного средства. Чтобы в результате приложение хорошо функционировало, необходимо рассматривать все возможные ситуации;
2) система должна быть разработана так, чтобы уметь отличать похожие события, например перестроение из одной полосы в другую от поворота;
3) нужно учитывать большую погрешность данных с датчиков, потому что это может сильно повлиять на результат. Для этого можно усреднять значения;
4) использование интернета тоже может стать проблемой. Отправка большого количества данных с датчиков на сервер и назад может привести к задержке или потере данных. Таким образом, необходимо приложение, которое будет снижать использование интернета до минимума;
5) ещё одна проблема это конфиденциальность. Так как приложение отправляет данные о месте нахождении пользователя, это может привести к нарушению конфиденциальности. Поэтому приложение должно зашифровывать и скрывать идентификацию пользователя, чтобы поддержать его конфиденциальность.
Анализируя теорию, описанную выше, можно сделать выводы об архитектуре будущего приложения и сформулировать более конкретные задачи для его написания.
Архитектура системы для отслеживания местоположения машины должна включать в себя следующие компоненты: сбор данных с датчиков, обработка полученных данных, отображение текущего положения машины.
· Лучшим вариантом девайса для сбора данных и отображения положения машины является мобильный девайс. Сегодня такой гаджет есть практически у любого человека и водители активно используют его вместо навигатора. Основным преимуществом этого варианта является наличие встроенных датчиков, достаточных для определения манёвра машины. Имеет смысл использовать такие датчики, как акселерометр, гироскоп, компас и GPS для определения места, в котором произошёл разрыв связи со спутником;
· Для обработки данных логичнее всего будет использовать машинное обучение. Ссылаясь на исследования, описанные в статье Robert E. Guinnessи мои личные исследования, самым простым и эффективным алгоритмом для машинного обучения будут деревья решений.
· Также стоит отметить, что в целях экономии вычислительных ресурсов телефона и заряда его батареи, стоит написать сервер-клиентское приложение, которое будет на девайсе собирать данные о манёврах и отправлять их на сервер, где с помощью машинного обучения манёвры будут классифицировать и вычисляться новое местоположение. Затем эти данные будут отправляться программе-клиенту.
Более конкретные задачи можно сформулировать так:
1) Написать приложение для мобильного девайся, которое будет собирать данные Акселерометра, GPS, Компаса и Гироскопа;
2) Приложение, с помощью которого можно будет размечать данные для обучения, то есть записывать показатели датчиков и явно указывать, какое действие сейчас совершается;
3) Приложение, которое будет анализировать данные с помощью дерева решений;
4) В приложение сбора данных добавить клиентскую часть, для отправки данных, в приложение для анализа данных добавить серверную часть, для получения данных.
В данной главе будут описаны средства и методы решения поставленных выше задач.
В ходе работы удалось реализовать приложение, которое помогает отслеживать местоположение автомобиля, при потере связи со спутниками GPS.
Точность приложения тестировалась в следующих условиях: ровная трасса с небольшим числом поворотов, городская застройка - большое число поворотов, местность с перепадом высоты.
На трассе приложение показывает высокую точность. При отсутствии связи с GPS в течение 5 минут реальное местоположение полностью совпадало с высчитанными координатами. При отсутствии связи с GPS в течение 10 минут, появляется небольшая погрешность в пределах 3 метров, после 20 минут разрыва подключения погрешность достигала 7 метров.
В плотной городской застройке точность приложения была значительно ниже. При отсутствии связи со спутником в течение 5 минут погрешность составляет 2 метра. При отсутствии связи в течение 10 минут погрешность была в пределах 6 метров, после 20 минут погрешность составляла 15 метров. Такую невысокую точность можно объяснить тем, что количество поворотов, которые совершает машина в городской застройке значительно больше, чем на трассе. Совершая повороты, машина сбрасывает скорость, это значит, что скорость чаще меняет свои значения, что приводит к тому, что погрешность в её вычислении увеличивается. Увеличить точность можно, если расширить базу данных для обучения алгоритма.
Погрешность на местности с перепадом высоты (подъёмы, спуски) тоже довольно высокая. После 5 минут отсутствия связи со спутником погрешность варьируется в пределах 3 метров, после 10 в пределах 6 метров, и после 20 минут в пределах 10 метров. Такую погрешность можно объяснить тем, что выравнивание осей акселерометра по осям машины происходит примерно раз в одну секунду и не всегда перерасчёт показателей совпадает с началом подъёма или спуска. Это искажает данные, а вследствие этого скорость и вычисляемые координаты.
Для наглядности приведена схема. (Рис. 16).
1. ТеКнол. Инерциальная навигация - инерциальные навигационные системы (ИНС), [Электронный ресурс]. Режим доступа: http://www.teknol.ru/analitycs/ins.
2. Alexander Ponomarev. Machine learning in navigation devices: detect maneuvers using accelerometer and gyroscope, [Электронный ресурс]. Режим доступа: https://blindmotion.github.io/2015/04/11/ml-in-navigation/.
3. Е.Н. Ефимов, Т.Я. Шевгунов. Построение нейронных сетей прямого распространения с использованием адаптивных элементов. - Московский авиационный институт (национальный исследовательский университет). 13 августа 2012 г.
4. Andrew R. Golding, Neal Lesh. Indoor navigation using a diverse set of cheap, wearable sensors. - MITSUBISHI ELECTRIC RESEARCH LABORATORIES, TR99-32 December 1999. (http://www.merl.com/publications/docs/TR99-32.pdf).
5. Наивный байесовский классификатор [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/ Наивный_байесовский_классификатор
6. Robert E. Guinnes. Beyond Where to How: A Machine Learning Approach for Sensing Mobility Contexts Using Smartphone Sensors. - Sensors 2015, 15 (5), 9962-9985; doi:10.3390/s150509962.
7. Mitchell T. Machine Learning. - McGraw-Hill Science/Engineering/Math, 1997. ISBN 0-07-042807-7.
8. Деревья решений и алгоритмы их построения [Электронный ресурс]. Режим доступа: http://datareview.info/article/derevya-resheniy-i-algoritmyi-ih-postroeniya/
9. Pearl, J. Probabilistic. Reasoning in Expert Systems: Networks of Plausible Inference / J. Pearl. - San Francisco: Morgan Kaufmann, 1988. -552 p.
10. Bidjuk P.I., Terent'ev A.N. Postroenie i metody obuchenija bajesovskih setej. - Tavrijs'kij visnik informatiki i matematiki, No2/2004 - s. 139-154.
11. Desmarais, M.C., & Baker, R.S. (2012). A review of recent advances in learner and skill modeling in intelligent learning environments. User Modeling and User-Adapted Interaction. - Volume 22 Issue 1-2, April 2012. Pages 9-38. (http://dl.acm.org/citation.cfm? id=2198192).
12. Каллан Р. Основные концепции нейронных сетей / Пер. с англ. М.:Вильямс. - 2001. 287 с.
13. Уоссермен Ф. Нейрокомпьютерная техника / пер. с англ. Ю.А. Зуев, В.А. Точенов. [Электронный ресурс]. Режим доступа: http://www.codenet.ru/progr/alg/nks/.
14. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001. - 382 с. - ISBN 5-93517-031-0.
15. Gunjan Chugh, Divya Bansal and Sanjeev Sofat. Road Condition Detection Using Smartphone Sensors: A Survey. - International Journal of Electronic and Electrical Engineering. ISSN 0974-2174, Volume 7, Number 6 (2014), pp. 595-602.
16. Random Forest с примерами на R. [Электронный ресурс]. Режим доступа: http://www.algorithmist.ru/2012/05/random-forest-r.html.
17. Нейронные сети. [Электронный ресурс]. Режим доступа: http://www.statsoft.ru/home/textbook/modules/stneunet.html.
18. Google Maps. Привязкак к дорогам. [Электронный ресурс]. Режим доступа: https://developers.google.com/maps/documentation/roads/snap? hl=ru#_2.
19. Коваленко В.В., Лысов. А.Н. Малогабаритная инерциальная система. Учебное пособие. - 2010.
20. IX САНКТ-ПЕТЕРБУРГСКАЯ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ ПО ИНТЕГРИРОВАННЫМ НАВИГАЦИОННЫМ СИСТЕМАМ. [Электронный ресурс]. Режим доступа: http://www.elektropribor.spb.ru/cnf/icins02/rfinprg.html.
Спутниковая система навигации как комплексная электронно-техническая система, ее структура и содержание, назначение и функциональные особенности. Состав аппаратуры пользователя и правила ее применения. Принцип действия GPS и степень точности сигнала. курсовая работа [2,4 M], добавлен 16.11.2010
Распределение европейского рынка спутниковой системы навигации в 2000-2010 гг. Требования к спутниковым системам навигации. Определение координат наземным комплексом управления. Точность местоопределения и стабильность функционирования навигации. презентация [2,4 M], добавлен 18.04.2013
Изучение истории появления спутниковой навигации. Исследование принципов работы GPS в околоземном пространстве. Анализ особенностей технической реализации и применения системы. Наземные станции контроля космического сегмента. GPS приемники и навигаторы. презентация [2,2 M], добавлен 08.06.2016
История создания спутниковой навигации. Общая характеристика GPS-навигации. Принципы работы GPS. Особенности GPS-навигатора и его базовые приемы использования. Координаты точек, снятых с местности. Как выбрать GPS-приемник. Альтернативные системы GPS. реферат [27,2 K], добавлен 29.04.2011
Навигационные измерения в многоканальной НАП. Структура навигационных радиосигналов в системе ГЛОНАСС и GPS. Точность глобальной навигации наземных подвижных объектов. Алгоритмы приема и измерения параметров спутниковых радионавигационных сигналов. курсовая работа [359,2 K], добавлен 13.12.2010
Классификация навигационных систем; телевизионная, оптическая, индукционная и радиационная системы измерения угловых координат. Системы измерения дальности и скорости, поиска и обнаружения. Разработка и реализация системы навигации мобильного робота. дипломная работа [457,8 K], добавлен 10.06.2010
Концепция построения системы сбора данных. АЦП микроконтроллера ATmega8L: основные характеристики и принцип работы. Спектральный анализ сигналов. Быстрое преобразование Фурье. Схема сопряжения микроконтроллер-компьютер, его программное обеспечение. курсовая работа [1,6 M], добавлен 18.08.2014
Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д. PPT, PPTX и PDF-файлы представлены только в архивах. Рекомендуем скачать работу .

© 2000 — 2021



Система навигации курсовая работа. Коммуникации, связь, цифровые приборы и радиоэлектроника.
Курсовая работа по теме Китайский социализм и его экономическая политика
Колодки Для Авто С Курсовой Устойчивостью
Сочинение На Тему О Маме 4 Класс
Эссе Особенности Общения В Современном Мире
Дипломная Работа Хищение Чужого Имущества
Доклад по теме Биография Мэрилин Монро
Инженерная графика
Обрядовые Танцы Реферат
Курсовая работа: Россия в мировой экономике
Контрольная работа по теме Использование данных налогового учета и отчетности при проведении внутреннего налогового контроля
Почему Человек Ищет И Обретает Узы Сочинение
Реферат На Тему Анестезия В Акушерстве И Гинекологии
Сочинение Человек И Природа Кратко
Контрольная Работа Шестой Класс Бунимович
Реферат: The Tempest Comparing The Cultures In The
Реферат: Монография К. Валишевского "Сын Великой Екатерины. Павел I"
Курсовая работа по теме Физические формы травянистых растений в Еврейской автономной области
Мини Сочинение Мой Идеал
Профессиональные Деформации Личности Реферат
Курсовая работа: Механизм государства в Республике Казахстан
Аудиторская деятельность - Бухгалтерский учет и аудит курсовая работа
Международные стандарты бухгалтерской отчетности - Бухгалтерский учет и аудит реферат
Конституционные идеи в Украине периода гетмана П. Скоропадского - История и исторические личности реферат