49805

Зворотне wavelet перетворення

Курсовая

Информатика, кибернетика и программирование

Нехай нам даний змінний в часі сигнал. Іноді wavelet перетворення буде складатися з обчислення коефіцієнтів, які є добутками сигналу сімейства «Wavelet». В неперервному перетворенні wavelet, який відповідає масштабу і розміщенню в часі і записується так

Украинкский

2014-01-10

989.5 KB

2 чел.

МІНІСТЕРСТВО ОСВІТИ, НАУКИ, МОЛОДІ ТА СПОРТУ УКРАЇНИ

НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ «ЛЬВІВСЬКА ПОЛІТЕХНІКА»

ІНСТИТУТ КОМП’ЮТЕРНИХ ТЕХНОЛОГІЙ, АВТОМАТИКИ ТА МЕТРОЛОГІЇ

Кафедра КСА

Пояснювальна записка

до курсового проекту

з курсу

«Проектування та програмування

мікропроцесорних пристроїв автоматики»

на тему

«Зворотне wavelet перетворення»

Виконав

 студент групи КСАм-14

Гарбузов Іван.

Прийняв:

Наконечний А.Й.

Львів – 2011

Зміст

Вступ ---------------------------------------------------------------------------------------------  3 Опис цифрових фільтрів ---------------------------------------------------------------------- 7 Дискретне wavelet перетворення ---------------------------------------------------------- 10 Опис принципової схеми -------------------------------------------------------------------- 12 Блок-схема алгоритму зворотного перетворення -------------------------------------- 13 Розподіл пам’яті ------------------------------------------------------------------------------- 16 Текст програми -------------------------------------------------------------------------------- 17 Застосування wavelet перетворення ------------------------------------------------------- 20 Література -------------------------------------------------------------------------------------- 21

ВСТУП

Теорія «малохвильового аналізу даних» з’явилася внаслідок досягнень вищої математики у галузі обробки сигналів. Інакше називають «wavelet аналізом».

Слово «wavelet» в перекладі з англійської мови означає елементарну хвилю wavelet – це функція, яка задовольняє певні умови, наприклад, рівність нулю її інтеграла при проходженні вище і нижче осі х. Така симетрія дає функцію, яка може добре локалізуватися.

Подібна синусу та косинусу в Фур’є аналізі, Wavelet використовується як базисна функція для представлення інших функцій. Але є суттєва різниця між Фур’є аналізом і Wavelet. Базові функції Фур’є локалізовані в частотній області, але не в часовій.

Незначні частотні зміни в Фур’є перетворенні спричинятимуть до змін в часовій області. Завдяки цьому багато класів функцій може бути представлена за допомогою wavelet в більш компактному вигляді.

Наприклад, переривчасті функції та функції з гострими піками потребують істотно менше базових wavelet функцій, ніж sin-cos базових функцій. Взагалі перетворення Фур’є можна вважати частковим випадком більш загальної теорії «мальхвильового аналізу сигналів». Один з алгоритмів дискретного wavelet перетворення (DWT) базується на основі швидкого перетворення Фур’є (FFT). Але отримується wavelet перетворення ще швидше, ніж перетворення Фур’є. Відомо, що складність обчислення FFT складає 0 (n log(n)). Для швидкого wavelet перетворення складність знижується до 0(n).

Wavelet перетворення стало добре відомим як корисний інструмент для різних сигнальних перетворень. Напівдискретне wavelet перетворення (wavelet послідовності або ряди) і повністю дискретне можна використовувати для кодування сигналів, зокрема стискування зображень та різні задачі комп’ютерної обробки видимих об’єктів.

Нехай нам даний змінний в часі сигнал . Іноді wavelet перетворення буде складатися з обчислення коефіцієнтів, які є добутками сигналу сімейства «Wavelet». В неперервному перетворенні wavelet, який відповідає масштабу і розміщенню в часі і записується так:

,                                                                                       (1)

де – це wavelet-прототип, який може бути смуговою (смугово-пропускною функцією).

Множник  використаний для забезпечення збереження енергії.

Дискретне wavelet перетворення (DWT) було призначене природним wavelet перетворенням для дискретних в часі сигналів. І час, і часо-масштабні параметри у ньому є дискретними.

Фільтровий набір має регулярну обчислювальну структуру, яка реалізується повторним використанням ідентичних комірок. Крім того, така структура має вищу обчислювальну ефективність. Отже, якщо wavelet перетворення вдасться звести до DWT, то його реалізація швидше всього буде ефективною.

В даній роботі використовується стандартний DWT, коефіцієнти якого вибрані на бінарній решітці:   в часо-масштабній площині.

 DWT використовується для дискретних в часі сигналів x[n], n є Z. Воно здійснює багаторазовий розклад x[n] на j октавах.

Розклад здійснюється з різною роздільною здатністю наступним чином:

                                             (2)

– дискретний еквівалент

Для забезпечення якісного відновлення використовується додатковий (низькопропускний) елемент:;відповідна базова функція  називається «масштабною послідовністю».

 DWT обчислює wavelet коефіцієнти  для  і масштабні коефіцієнти  наступним чином:

                                             (3)

                                                                                   (4)

Розглянемо реакції двох фільтрів h[n] i g[n] (h стоїть для високого пропускання, а g – для низького пропускання). Wavelet і масштабні послідовності отримані ітеративно:

 

                                                                              (5)

 

Серед всіх типів wavelet перетворень DWT є одним з тих, які можна обчислити точно. Ми використовуємо дискретний в часі підхід для обрахунку коефіцієнтів wavelet.

Аналоговий вхідний сигнал x(t) дискретизують від самого початку і протягом всього часу, поки триває обчислення в дискретному часі.

Очевидним шляхом дискретизації вхідного сигналу є його вибірка:

                                                                                                     (6)

Це називається натуральною вибіркою.

В загальному дискретизацію можна описати формулою:

                                                                             (7)

Дана дискретизація зроблена до застосування алгоритму і вибір x(t) не залежить від wavelet чи інших параметрів алгоритму. Згідно алгоритму Шенса тепер можна знайти коефіцієнти wavelet:

      (8)

В алгоритмі Шенса передбачена wavelet апроксимізація, яка важлива, оскільки її точність визначає точність всього алгоритму. Вона включає в себе два кроки. Перший – визначити низькопропускний фільтр g[n], другий – визначити високо пропускний фільтр h[n].

У випадку смугово-обмеженого wavelet  розв’язок «двомасштабного різницевого рівняння»

                                                                                (9)

буде наступним:

Іншим рівнянням рівняння (9) є класична інтерполяційна функція «базовий сплайн» деякого степеня k, перетворення Фур’є якого

                                                                                            (10)

Розв’язавши рівняння (9) в частотній області отримуємо:

.

Одержимо біноміальний фільтр.

Потрібна додаткова умова:

коли

За допомогою DWT можна обчислити перетворення wavelet рядів (WST).

При цьому спочатку аналоговий сигнал x(t) дискретизують згідно виразу (6). Тоді дискретний в часі сигнал x[n] обробляють DWT алгоритмом. Коли відбувається процес синтезу, сигнал відловлюють IDWT, а далі відбувається інтерполяція (або ЦАП) за формулою

 

 

Для точного відвесенян оригінального сигналу x(t) необхідне точне відтворення пари фільтрових наборів.

 IDWT алгоритм легко отримати з алгоритму DWT. Структура зворотного перетворення така, що коефіцієнти фільтра g[n], h[n] заміняються на g’[n] i h’[n] відповідно. Так чи інакше, будь-який DWT алгоритм, один раз транспортований, може бути використаний для реалізації IDWT алгоритму. DWT i IDWT вимагають одинакової кількості операцій (множень і додавань) на кожне значення.

Рис.1 Завершена схема WST

 Структура обчислень в DWT має вигляд восьмисмугових (октавосмугових) наборів фільтрів, які зображені на рис.2. DWT відповідає аналізуючому набору; IDWT відповідає синтезуючому набору, g[n], h[n], g’[n], h’[n] – це саме такі фільтри, які представлені в фільтрових наборах. Щоразу, коли використовується DWT, ми припускаємо, що фільтровий набір забезпечує досконале відтворення.

а)                                                                      б)

       в)

Рис.2 Опис цифрових фільтрів

ОПИС ЦИФРОВИХ ФІЛЬТРІВ

 В алгоритмі DWT перетворення використовуються цифрові фільтри: h-фільтр високої частоти, g-фільтр низької частоти. Фільтри нерекурсивні. Властивість нерекурсивного фільтра полягає в тому, що вхідний сигнал фільтра залежить тільки від значень вхідного сигналу, на відміну від рекурсивного, в якому залежить від попередніх значень вхідного сигналу. Нерекурсивний фільтр при відсутності зворотного зв’язку неможна розкачати. Він завжди стабільний.

При синтезі нерекурсивного фільтра постає завдання визначити вагові коефіцієнти aк так, щоб задана бажана передаточна функція по можливості добре досягалася.

Коефіцієнт aк – коефіцієнт передаточної функції. Передаточна функція визначається як відношення періодичних вхідного та вихідного сигналів. Це має місце також у цифрових системах. Таким чином, передаточну дискретну функцію цифрового фільтра можна отримати, якщо стимулювати його дискретним періодичним вхідним сигналом.

 

Дістанемо вихідний сигнал:

 

З нього обчислюється передаточна функція:

 

Передаточна функція буде добре досягатись, якщо апроксимація бажаної передаточної функції виконується за методом найменших квадратів.

Для визначення коефіцієнтів необхідно виконати ряд кроків (рис.3):

а) бажана передаточна функція  з граничною  (рис.3,а) є передаточною функцією інтегрального ФНЧ:

 

б) оскільки передаточна функція цифрового фільтра є дискретною трансформацією, вона завжди періодична (рис.3,б);

в) передаточна функція реалізованого фільтра буде  Спочатку вона визначається як ряд Фур’є, і він буде тим краще апроксимувати бажану періодичну функцію , чим більше членів буде включати в себе. Оскільки число коефіцієнтів фільтра мусить бути скінченним, ряд Фур’є повинен бути десь обірваним і з’явиться різниця між  та  (рис.3,в);

г) метод найменших квадратів Гауса служить як критерій апроксимації: інтеграл по квадратних різницях повинен мати лінійне значення:

 

д) похибка апроксимації мінімальна в середньому квадратичному, якщо вагові коефіцієнти  шуканого фільтра є коефіцієнтами Фур’є, розвинуті в ряд .

Рис.3

За допомогою наведеного вище алгоритму можна визначити шукані коефіцієнти фільтра. Бажаним є ідеальний ФНЧ з передаточною функцією

 при

 – парна функція;

Коефіцієнти  обчислюються із функції розщеплення, в якій аргументом буде відношення граничної частоти до частоти вибірок. Ці обидві величини в усіх випадках зв’язані одна з одною, якщо в уже визначеному фільтрі буде змінена частота дискретизації, то зміниться також і гранична частота. З цієї причини при визначенні параметрів фільтрів буде часто обчислюватися гранична циклічна частота, віднесена до частоти дискретизації:

Коефіцієнти ФВЧ шукаються, виходячи вже з відомих коефіцієнтів ФНЧ:

– коефіцієнти високочастотного фільтра.

Цей процес можна проілюструвати за допомогою рис.4.

Рис.4

 За допомогою wavelet перетворення можна в більш компактному вигляді представити широкий спектр сигналів. Зокрема, переривчастої функції та функції з гострими піками звичайно потребують істотно менше базових wavelet-функції ніж sin-cos базових функцій при схожих апроксимованих виглядах. Ця властивість робить wavelet чудовим інструментом для компресії даних. Наприклад, wavelet перетворення знаходять застосування в таких новітніх технологіях, як мультимедіа, при стисненні аудіо сигналів з широкою частотною смугою.

Проблема компресії звукових сигналів виникла в області комунікації мультимедіа при стискуванні аудіосигналів з широкою частотною смугою. В даний час швидкість передачі якісного аудіосигналу не дозволяє їх використовувати в багатьох мультимедіа платформах, таких як персональні комп’ютери. Одним із шляхів подолання цієї перешкоди є компресія даних і сигналів.

Область застосування широкосмугового аудіо досить широка. Вона вимагає мультимедійні документи, CD-ROM, комп’ютерні ігри, відео, віртуальну реальність, голосову електронну пошту тощо. Багато зусиль було прикладено, щоб вирішити проблему зберігання і передачі величезних об’єктів інформації. Саме тут стало в пригоді стиснення за допомогою wavelet перетворення.

Частотна смуга широкосмугового сигналу обмежена діапазоном 20Гц-20кГц. Але енергетичний спектр в цій смузі не однаковий. Цей нерівний розподіл дає нам мотивацію для використання розкладу сигналів. З точки зору теорії сигналів резонно уважніше віднестися до сигналів з високою енергією.

Оскільки wavelet перетворення добре представляє сигнали з гострими піками, то його з успіхом можна використовувати для очистки від шумів.

Слід відмітити, що wavelet перетворення використовується і в інших галузях науки і техніки. Зокрема, передбачається використання методів wavelet аналізу для перетворення енергетичних параметрів (потужність, енергія, діючі значення напруг і струмів).

Wavelet перетворення дуже добре підходить для обробки короткотривалих імпульсних сигналів, а саме такі сигнали найчастіше зустрічаються на практиці.

ДИСКРЕТЕ WAVELET ПЕРЕТВОРЕННЯ

Дискретне wavelet перетворення в своїй основі має ієрархічну структуру. Воно спочатку застосовується до повного вектора даних довжиною N, потім до згладжуючого вектора довжиною N/2, потім до згладженого вектора довжиною N/4 і т.д., аж поки не залишиться незначне число компонент. Таку процедуру називають ″пірамідальним алгоритмом″.

Вихід DWT складається з залишків компонентів і всіх ″детальних″ компонент, що були накопичені під час всього перетворення. На рис.5 приведена структура DWT, яка використовується в даній курсовій роботі і розрахована на 16 вхідних вибірок і відповідно на 3 послідовно включені комірки.

Значення  і-ого рівня (і-та комірка) названа ″wavelet коефіцієнтом″ початкового вектора даних, а кінцеві значення  повинні називатись базовими функціональними коефіцієнтами. В курсовій роботі коефіцієнти  названі wavelet коефіцієнтами  Для організації IDWT потрібно провести зворотну процедуру, починаючи з найменшого рівня ієрархії. При цьому всі дії (рис.5) треба виконувати справа наліво і схема зворотного DWT перетворення формує сигнали запиту на передачу коефіцієнтів  або  які поступають на схему прямого DWT.

Рис.5 Структура DWT

 В схемі прямого DWT, поступово переходячи від комірки 1 до комірки 3, розраховуються вектори коефіцієнтів С1, С2, С3. Число вибірок у векторах, які поступають на входи комірок зменшуються з кожним кроком у 2 рази. В результаті 8-ми розрядні вибірки коефіцієнтів записуються в стеки.

Схема IDWT формує запити на передачу коефіцієнтів з прямого перетворення С1, С2, С3. Вибірки кожного вектора передаються послідовно, так як і записувались в стек. При поступленні кожної вибірки формується сигнал ″Дані готові″, який передається на схему IDWT.

Послідовність передачі запитів і коефіцієнтів має вигляд:

1) формується запит на передачу С3;

2) передаються вектори В3 і С3 послідовно;

3) виконується IDWT і в результаті отримуємо вектор В2;

4) формується запит на передачу С2;

5) послідовно передаються вибірки вектора С2;

6) виконується IDWT в наступній комірці, куди поступають вектори В2 і С2, в результаті чого формується вектор В1 з 8-ми вибірок;

7) формується запит на передачу С1;

8) передається 8 вибірок С1;

9) виконується IDWT в останній комірці – отримуємо 16 вибірок вхідного сигналу y[n], який відповідає вхідному сигналу x[n].

В кожній комірці IDWT вихідний вектор формується таким чином, що вибірки, які поступають з фільтра Н і фільтра G чергуються. В результаті отримуємо вектор у 2 рази довший, ніж вхідний.

Як видно з рис.5 сигналові з 16-ти вибірок відповідають 16 wavelet коефіцієнтів. Але на практиці всі коефіцієнти не передаються. Схеми прямого і зворотного DWT є лише частинами загальної схеми використання wavelet перетворення. Наприклад, в схемі компресії зображення з використанням wavelet перетворення після блоку прямого перетворення розміщений блок компресії даних. В ньому відбувається порогування по рівню значень коефіцієнтів. Внаслідок цього по каналу зв’язку передаються тільки ті коефіцієнти, які задовольняють певну умову. На зворотній стороні відбувається декомпресія даних, а потім зворотне wavelet перетворення повного набору коефіцієнтів.

ОПИС ПРИНЦИПОВОЇ СХЕМИ

 В схемі зворотного перетворення здійснюється відновлення дискретного сигналу з отриманих коефіцієнтів і наступним його перетворенням в аналоговий. При цьому в схемі постійно здійснюється опитування вхідного порту даних з метою виділення ознаки закінчення прямого перетворення wavelet. Цю ознаку виставляє схема прямого перетворення після закінчення обробки всіх 16-ти вибірок і формування всіх коефіцієнтів. Після виділення ознаки видається запит на передачу коефіцієнтів С1, С2 або С3. Цей запит обробляється схемою прямого перетворення, яка виставляє необхідний коефіцієнт на вихідний порт і формує сигнал «дані готові». Він поступає на схему зворотного перетворення і перекидає тригер-прапорець, який виставляє адресу, що записується в МП. Після цього прийнятий коефіцієнт записується в МП. Потім запитуються і обробляються всі наступні коефіцієнти, а отримані вибірки записуються в ОЗП.

По закінченні відтворення всіх вибірок включається в роботу ЦАП, на виході якого отримуємо аналоговий сигнал. В якості ЦАП використана мікросхема К1108ПА1 з вбудованим регістром на 12 розрядів (використані перші 8). Входи ЦАП підключаються до ШД через формувач.

В схемі використано TMS320C52 – 16-розрядний мікропроцесор з мультиплексованою шиною даних і адрес. Висока продуктивність МП забезпечується завдяки суміщенню виконання операцій обробки і звертання, яке досягається використанням блогу попередньої вибірки команд. МП забезпечує адресацію до 1 Мб пам’яті.

Тактові імпульси до МП поступають від мікросхеми КР1810ГФ84, яка являє собою задаючий шифратор. Частота опорного генератора в 3 рази перевищує потрібну частоту на виході CLK.

Розряди коефіцієнтів С поступають з роз’єму на буфер-формувач, з якого потім переписуються в ОЗП або через формувач в МП.

В декодері дешифруються адреси, за якими звертаються до формувачів або формуються запити на передачу коефіцієнтів С1, С2 або С3.

БЛОК-СХЕМА АЛГОРИТМУ ЗВОРОТНОГО

WAVELET ПЕРЕТВОРЕННЯ

БЛОК-СХЕМА ЗАВАНТАЖЕННЯ КОЕФІЦІЄНТІВ ЦИФРОВОГО ФІЛЬТРА

БЛОК-СХЕМА АЛГОРИТМУ ПІДПРОГРАМИ filter

БЛОК-СХЕМА АЛГОРИТМУ ЗАВАНТАЖЕННЯ КОЕФІЦІЄНТІВ С3, С2, С1

БЛОК-СХЕМА АЛГОРИТМУ

ФІЛЬТРУВАННЯ З ПЕРЕМІЩЕННЯМ

СХЕМА РОЗПОДІЛУ ПАМ’ЯТІ

ТЕКСТ ПРОГРАМИ ЗВОРОТНОГО ПЕРЕТВОРЕННЯ

MOV S1, 0700H

MOV D1, 0830H

MOV CX, 0012H

   M: MOV S

LOOP M

 M0: MOV D1.800H

 M2: OUT AL.02

 M1: IN AL.06

CMP AL, 00

J2 M1

IN AL.07

STOS

CMP 803M.D1

JA M2

MOV D1, 810H

MOV S1, 800H

MOV BP, 802H

 M3: MOV CX.S1

MOV DX. 83CH

CALL filter

STOS

INC S1

MOV CX. BP

MOV DX. 83FH

CALL filter

STOS

INC BP

CMP 813H. D1

JAE M3

MOV D1. 804H

JAE M3

MOV D1804H.

 M4: OUT AL.01

 M5: IN AL.06

CMP AL.00

JZ M5

IN AL.07

STOS

CMP 807H, D1

JAE M4

MOV D1, 814H

MOV S1, 804H

MOV BP, 810H

 M6: MOV CX, S1

MOV DX, 836H

CALL filter

STOS

INC S1

MOV CX, BP

MOV DX, 839H

CALL filter

STOS

INC BP

CMP 81BM, D1

JAE M6

MOV D1.808H

 M7: OUT AL.00

 M8: IN AL.06

CMP AL.00

JZ M8

IN AL.07

STOS

CMP 80FH.D1

JAEM7

MOV D1.81CH

MOV S1.808H

MOV BP.814H

 M9: MOV CX.S1

MOV DX.830H

CALL filter

STOS

INC S1

MOV CS, BP

MOV DX.830H

CALL filter

STOS

INC S1

MOV CX, BP

MOV DX, 839H

CALL filter

STOS

INC BP

CMP 82BH, D1

JAE M9

MOV S1.81CH

M10: LODS

OUT AL.05

CMP 82BH.D1

JAE M10

JMP M10

ПІДПРОГРАМА filter

MOV AL. [CX]

MVL AL. [DX]

MOV BX.AX

INC CX

INC DX

MOV AL. [CX]

 MVL AL. [DX]

ADD BX.AX

INC CX

INC DX

MOV AL. [CX]

MVL AL. [DX]

ADD AX.BX

RET

ЗАСТОСУВАННЯ WAVELET ПЕРЕТВОРЕННЯ

 За допомогою wavelet перетворення можна в більш компактному вигляді представити широкий спектр сигналів. Зокрема, переривчасті функції та функції з гострими піками звичайно потребують істотно менше базових wavelet-функцій, ніж sin-cos базових функцій при схожих апроксимованих виглядах. Ця властивість робить wavelet чудовим інструментом для компресії даних. Наприклад, wavelet перетворення знаходять застосування в таких новітніх технологіях, як мультимедіа, при стисненні аудіо сигналів з широкою частотною смугою.

Проблема компресії звукових сигналів виникла в області комунікації мультимедіа при стискуванні аудіосигналів з широкою частотною смугою. В даний час швидкість передачі якісного аудіосигналу не дозволяє їх використовувати в багатьох мультимедіа платформах, таких як персональні комп’ютери. Одним із шляхів подолання цієї перешкоди є компресія даних і сигналів.

Область застосування широкосмугового аудіо досить широка. Вона вимагає мультимедійні документи, CD-ROM, комп’ютерні ігри, відео, віртуальну реальність, голосову електронну пошту тощо. Багато зусиль було прикладено, щоб вирішити проблему зберігання і передачі величезних об’єктів інформації. Саме тут стало в пригоді стиснення за допомогою wavelet перетворення.

Частотна смуга широкосмугового сигналу обмежена діапазоном 20Гц-20кГц. Але енергетичний спектр в цій смузі не однаковий. Цей нерівний розподіл дає нам мотивацію для використання розкладу сигналів. З точки зору теорії сигналів резонно уважніше віднестися до сигналів з високою енергією.

Оскільки wavelet перетворення добре представляє сигнали з гострими піками, то його з успіхом можна використовувати для очистки від шумів.

Слід відмітити, що wavelet перетворення використовується і в інших галузях науки і техніки. Зокрема, передбачається використання методів wavelet аналізу для перетворення енергетичних параметрів (потужність, енергія, діючі значення напруг і струмів).

Wavelet перетворення дуже добре підходить для обробки короткотривалих імпульсних сигналів, а саме такі сигнали найчастіше зустрічаються на практиці.

ЛІТЕРАТУРА

  1.  Шрьодер. Цифрова обробка сигналів
  2.  Циделко А.В. Проектирование микропроцесорных измерительных приборов и систем
  3.  Якубовский С.В. Цыфровые аналоговые интегральные микросхемы
  4.  Малиновский Б.М. Электронные вычислительные машины и системы

  1.  

 

А также другие работы, которые могут Вас заинтересовать

54746. Россия в период социального многообразия (14 декабря 2011г) 1.78 MB
  Большинство людей в нашем открытом и взаимозависимом обществе всё чаще встречается с теми, кто явно отличается от них. Раньше, несколько столетий назад, вообще контакты с людьми других национальностей были эпизодическими, они были в диковинку. Теперь эти контакты постоянны и в реальном мире, и в виртуальной среде. Они отличаются и привычками, и внешним видом, и политическими убеждениями.
54747. Однокоренные слова. Корень слова. Единообразное написание корней однокоренных слов 46 KB
  Цели урока: образовательные: формировать представление о подборе родственных слов; вырабатывать умения и навыки единообразного написания и выделения корней в однокоренных словах; закрепить знания учащихся об однокоренных словах о признаках однокоренных слов;коррекционные: развивать внимание...
54748. Разоблачение пороков чиновничества в комедии «Ревизор» Н.В.Гоголя 99 KB
  Кого из чиновников больше всего беспокоит приезд ревизора и почему Городничего потому что за ним много грешков. Как обращаются чиновники к городничему Только ли положение городничего выделяет его среди других Подобострастно потому что он выше по чину и злопамятен может отомстить. Почему Городничему до сих пор все сходило с рук Потому что он мошенник из мошенников трех губернаторов обманул умеет попользоваться где связями где взятку даст Как Гоголь передает лицемерную доброжелательность Городничего во время разговора с чиновниками...
54749. Сухан 62 KB
  - Çапла вара çантлăк кашни кунах улшăнса тăрать.Нумай чухне, çакăн пек çанталăкра, çынсем чирлеççĕ. Сирĕн хушăра та чирлекенсем çук. Ку питĕ савăнтарать. Чирлес мар тесе мĕн тумалла-ши?
54750. Задачи на движение 98 KB
  Оборудование – интерактивная доска (или мультимедиа проектор), компьютер, конверты с заданиями, чистые карточки для записи слов, фломастеры, цветовые жетоны для распределения по группам.
54751. ОТСУТСТВИЕ ВРЕДНЫХ ПРИВЫЧЕК – ЗАЛОГ ЗДОРОВЬЯ 48 KB
  Цель: формирование у учащихся представления о вредных привычках и их влиянии на организм человека. выяснить как дети относятся к различным вредным привычкам; сформировать негативное отношение к вредным привычкам.
54752. Кровь – это жизнь 276 KB
  Учитель: Как по другому мы называем постоянство внутренней среды Дети: Гомеостаз Учитель: Какие параметры гомеостаза или мы их еще называли биологические константы вы знаете Дети: температура тела артериальное давление состав крови пульс и т. Как нельзя себе представить государство без транспортных линий связи так нельзя понять существование человека без движения крови по сосудам когда во все органы и ткани разносятся кислород вода белки и другие...
54753. Глобальные проблемы атмосферы 70 KB
  Чем больше производится вредных выбросов в атмосферу тем больше ее кислотность и больше кислот содержится в обыкновенном дожде. Вопросы к теме Кислотные дожди примерный вариант: Какие из газообразных оксидов формируют естественную кислотность осадков В чем проявляет себя синдром кислотных частиц Какие из газообразных оксидов преимущественно влияют на подкисление атмосферных осадков сверх нормы Какие из производств являются поставщиками в атмосферу кислотообразующих веществ Оказывают ли подкисляющее действие на атмосферную...
54754. Опера М.И. Глинки «Иван Сусанин» 163.5 KB
  Задачи урока: Способствовать осознанию детьми мотивов поведения героев и определению личностного отношения к событиям и персонажам. Развивать умение чувствовать настроение героя музыкального произведения. Воспитывать чувство гордости за русский народ, патриотизм. Способствовать накоплению навыков работы с литературой.