Compressive Sensing Erst denken, dann handeln!
|
|
- Günther Pfeiffer
- vor 5 Jahren
- Abrufe
Transkript
1 Erst denken, dann handeln! Dr. Marcus Weber 13. Juli 2011 Computational Molecular Design Habilitationsvortrag Zuse Institut Berlin (ZIB) Freie Universität Berlin
2
3 12.1 Mexgapixel!
4
5
6 AG_CMD.jpg (124 kb)
7 32 Bit Farbtiefe => 4 Byte pro Pixel => ca. 48 MB AG_CMD.jpg (124 kb)
8 Erst handeln... dann denken! 32 Bit Farbtiefe => 4 Byte pro Pixel => ca. 48 MB AG_CMD.jpg (124 kb)
9 Kevin Kelly/Rice University
10 1 Pixel! Kevin Kelly/Rice University
11 1 Pixel! Kevin Kelly/Rice University Erst denken, dann handeln!
12 1 Pixel! Kevin Kelly/Rice University
13 1 Pixel! Kevin Kelly/Rice University Darstellungsform und Sensingmethode sind komplementär!
14 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
15 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
16 C. E. Shannon: Communication in the Presence of Noise; In: Proc. IRE, Vol. 37, No. 1 (Jan. 1949), Nachdruck in: Proc. IEEE, Vol. 86, No. 2 (Feb. 1998)
17 Theorem: Ein kontinuierliches, bandbegrenztes Signal, mit einer Minimalfrequenz von f min Hz und einer Maximalfrequenz von f max Hz, muss mit einer Frequenz größer als 2 (f max - f min ) gleichförmig abgetastet werden, um aus dem so erhaltenen zeitdiskreten Signal das Ursprungssignal ohne Informationsverlust exakt rekonstruieren zu können. Die Rekonstruktion benötigt unendlichen Aufwand oder das Signal kann mit endlichem Aufwand beliebig genau approximiert werden.
18 Theorem: Ein kontinuierliches, bandbegrenztes Signal, mit einer Minimalfrequenz von f min Hz und einer Maximalfrequenz von f max Hz, muss mit einer Frequenz größer als 2 (f max - f min ) gleichförmig abgetastet werden, um aus dem so erhaltenen zeitdiskreten Signal das Ursprungssignal ohne Informationsverlust exakt rekonstruieren zu können. Die Rekonstruktion benötigt unendlichen Aufwand oder das Signal kann mit endlichem Aufwand beliebig genau approximiert werden. Intervall
19 Theorem: Ein kontinuierliches, bandbegrenztes Signal, mit einer Minimalfrequenz von f min Hz und einer Maximalfrequenz von f max Hz, muss mit einer Frequenz größer als 2 (f max - f min ) gleichförmig abgetastet werden, um aus dem so erhaltenen zeitdiskreten Signal das Ursprungssignal ohne Informationsverlust exakt rekonstruieren zu können. Die Rekonstruktion benötigt unendlichen Aufwand oder das Signal kann mit endlichem Aufwand beliebig genau approximiert werden. Algorithmische Einschränkung
20 Theorem: Ein kontinuierliches, bandbegrenztes Signal, mit einer Minimalfrequenz von f min Hz und einer Maximalfrequenz von f max Hz, muss mit einer Frequenz größer als 2 (f max - f min ) gleichförmig abgetastet werden, um aus dem so erhaltenen zeitdiskreten Signal das Ursprungssignal ohne Informationsverlust exakt rekonstruieren zu können. Die Rekonstruktion benötigt unendlichen Aufwand oder das Signal kann mit endlichem Aufwand beliebig genau approximiert werden. Kompression? meistens??
21 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
22 Signal Amplituden N Frequenzen
23 Signal zu rekonstruieren Orthonormale Basis - Pixel - trigonometrische Funktionen - Splines - Wavelets Sparse: Komprimierbar: Nur S der N Komponenten sind nicht Null S der N Komponenten sind groß
24
25 Basisentwicklung von f
26 Komplette Aufnahme
27 1-Pixel Kamera, Sensing
28
29
30 Eindeutig lösbar, wenn: Wir kennen die S Nicht-Null-Einträge von x K=S
31 Gut konditioniert lösbar, wenn wir die S Nicht-Null-Einträge von x kennen und für entsprechende Vektoren v gilt
32 Definition: S-beschränkte Isometriekonstante so dass für jeden S-sparsen Vektor v gilt: ist kleinste Zahl, E. J. Candès, T. Tao: Decoding by Linear Programming, IEEE Transactions on Information Theory, Vol. 52, No. 12 (Dec. 2005)
33 Definition: S-beschränkte Isometriekonstante so dass für jeden S-sparsen Vektor v gilt: ist kleinste Zahl, E. J. Candès, T. Tao: Decoding by Linear Programming, IEEE Transactions on Information Theory, Vol. 52, No. 12 (Dec. 2005)
34 Definition: Die Kohärenz zwischen den Matrizen ist gegeben durch und D. L. Donoho, X. Huo: Uncertainty principles and ideal atomic decomposition, IEEE Transactions on Information Theory, Vol. 47, No. 7 (Nov. 2001) Fourrier Basis Pixel-Basis 1 Haar Wavelets Noiselets 1.4 Daubechies D4 Noiselets 2.2 Daubechies D8 Noiselets 2.9 Pixel-Basis Noiselets 1 Fourier Basis Noiselets? Darstellungsform Sensingmethode
35 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
36 Niedrige Dimension R. Coifman, F. Geshind, Y. Meyer: Noiselets, Applied and Computational Harmonic Analysis, Vol. 10, No. 1 (Jan. 2001)
37 Niedrige Dimension Hohe Dimension (höchstwahrscheinlich)
38 Niedrige Dimension Hohe Dimension (höchstwahrscheinlich) Der Zufall ist immer das Gegenteil vom Geordneten
39 Theorem 1 : Sei eine Matrix, deren Einträge unabh. Gauß-verteilte (Varianz 1/p) Zufallszahlen sind. Sei weiter T eine Auswahl von Spaltenindizes, dann gilt für jedes fest gewählte t > 0: M. Ledoux: The concentration of measure Phenomenon, Providence, RI: Amer. Math. Soc., Vol. 89, Mathematical Surveys and Monographs (2001)
40 Theorem 1 : Sei eine Matrix, deren Einträge unabh. Gauß-verteilte (Varianz 1/p) Zufallszahlen sind. Sei weiter T eine Auswahl von Spaltenindizes, dann gilt für jedes fest gewählte t > 0:
41 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
42
43
44
45 i=0 i=1 i=2
46 i=0 i=1 i=2 -sparse -kombinatorisch - 0
47 i=0 i=1 i=2 -nicht sparse -konvexes Problem -robust
48 i=0 i=1 i=2 -nicht sparse -konvexes Problem -robust
49 i=0 i=1 i=2 -sparse -lineares Programm -robust
50 Satz (sp/0): Sei derart, dass (oder ). Weiter sei x ein S-sparser Vektor. Dann ist die Lösung x* des Optimierungsproblems exakt, d.h. x* = x. Lemma: Sei derart, dass dann existieren zwei verschiedene S-sparse Vektoren x 1 und x 2 mit E. J. Candès, T. Tao: Decoding by Linear Programming, IEEE Transactions on Information Theory, Vol. 52, No. 12 (Dec. 2005) E. J. Candès, T. Tao: The Dantzig Selector: Statistical estimation when p is much larger than n, The Annals of Statistics, Vol. 35, No. 6 (2007)
51 Definition: S,S -beschränkte Orthogonalitätskonstante ist kleinste Zahl, so dass für alle disjunkten Index-Teilmengen T,T mit weniger als S bzw. S Elementen: Lemma (Parallelogrammungleichung): E. J. Candès, T. Tao: Decoding by Linear Programming, IEEE Transactions on Information Theory, Vol. 52, No. 12 (Dec. 2005)
52 Beweis des Satzes (sp/0) Optimale Ecke bereits durch die Vorzeichen der x-komponenten bestimmt Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen K-Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
53 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
54 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
55 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
56 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle für alle Nebenrechnung:
57 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle (2) E (3)
58 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle (2) E (3) c j =0 c j =c j E (3)
59 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle (2) E (3) c j =0 c j =c j E (3) c j =0 (3)/E c j =c j (3)/E
60 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle - (2) E (3) c j =0 c j =c j E (3) + c j =0 (3)/E c j =c j - (3)/E (2) (3)
61 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle Nebenrechnung:
62 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
63 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
64 Das Minimum der Optimierungsaufgabe ist eindeutig bestimmt, wenn es einen Vektor w gibt und eine Indexmenge T, so dass (1) vollen Rang hat (2) für alle (3) für alle
65 1. verschiedene 2. ungenaues y
66 Satz (sp/e): Sei derart, dass, dann gilt für alle T-sparsen Vektoren x mit T<S und allen gestörten Messungen y mit, dass die Lösung x* zu dem Optimierungsproblem die Abschätzung erfüllt. E. J. Candès, J. K. Romberg, T. Tao: Stable Signal Recovery from Incomplete and Inaccurate Measurements, Communications on Pure and Applied Mathematics, Vol. 14 (2006)
67 x sparse
68 x komprimierbar
69 Theorem 2 Satz (sp/e): Sei derart, dass, dann gilt für alle T-sparsen Vektoren x mit T<S und allen gestörten Messungen y mit, dass die Lösung x* zu dem Optimierungsproblem die Abschätzung erfüllt. Satz (k/e): Situation wie oben. x ein beliebiger Vektor und x S ein S-sparser Vektor mit den S größten Einträgen von x. Dann gilt für die Lösung x* des obigen Optimierungsproblems die Abschätzung:
70
71 Dantzig Selektor E. J. Candès, T. Tao: The Dantzig Selector: Statistical estimation when p is much larger than n, The Annals of Statistics, Vol. 35, No. 6 (2007)
72 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
73 Dantzig Selektor Canonical Feature Selection (Forster & George, 1994)
74 Satz (sp/0) Kodierungstheorie
75 Vorlesung Computer Vision IT412 von Bob Fisher an der University of Edinburgh
76 1) Whittaker-Kotelnikow-Shannon-Abtasttheorem 2) Sparsity und Inkohärenz 3) Randomisiertes Abtasten 4) Wahl der richtigen Norm 5) Bezug zu anderen Theorien 6) Sinnvolle Anwendungsfelder
77 DNA Microarrays Wei Dai, Mona A. Sheikh, Olgica Milenkovic, and Richard G. Baraniuk, Journal on Bioinformatics and Systems Biology (2009) Compressed Sensing Image Reconstruction via Recursive Spatially Adaptive Filtering (Tampere University of Technology)
78 f x
79
80 f Sampling Konformationsdynamik x Konformationen
81 Komplementär zu Konformationen?
82 [1] C. E. Shannon: Communication in the Presence of Noise; In: Proc. IRE, Vol. 37, No. 1 (Jan. 1949), Nachdruck in: Proc. IEEE, Vol. 86, No. 2 (Feb. 1998) [2] E. J. Candès, T. Tao: Decoding by Linear Programming, IEEE Transactions on Information Theory, Vol. 52, No. 12 (Dec. 2005) [3] D. L. Donoho, X. Huo: Uncertainty principles and ideal atomic decomposition, IEEE Transactions on Information Theory, Vol. 47, No. 7 (Nov. 2001) [4] R. Coifman, F. Geshind, Y. Meyer: Noiselets, Applied and Computational Harmonic Analysis, Vol. 10, No. 1 (Jan. 2001) [5] M. Ledoux: The concentration of measure Phenomenon, Providence, RI: Amer. Math. Soc., Vol. 89, Mathematical Surveys and Monographs (2001) [6] E. J. Candès, T. Tao: The Dantzig Selector: Statistical estimation when p is much larger than n, The Annals of Statistics, Vol. 35, No. 6 (2007) [7] E. J. Candès, J. K. Romberg, T. Tao: Stable Signal Recovery from Incomplete and Inaccurate Measurements, Communications on Pure and Applied Mathematics, Vol. 14 (2006)
Numerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrAbschlussnote: 1, Abitur: Weinberg-Gymnasium Kleinmachnow
Lebenslauf Sandra Keiper Master of Science E-Mail: keiper@math.tu-berlin.de Website: http://www.math.tu-berlin.de/ keiper Bildungsweg 2015 Masterarbeit: Analysis of Generalized Ridge Functions in High
MehrCompressed Sensing für Signale aus Vereinigungen von Unterräumen
Compressed Sensing für Signale aus Vereinigungen von Unterräumen Nadine Pawlitta 21. Januar 2011 Nadine Pawlitta () CS auf Vereinigungen von Unterräumen 21. Januar 2011 1 / 28 Übersicht 1 Grundprinzip
MehrAlgebraische Kurven. Vorlesung 24. Tangenten bei Parametrisierungen. (Q)) die Richtung der Tangente von C in P.
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 24 Tangenten bei Parametrisierungen Satz 24.1. Es sei K ein unendlicher Körper und ϕ: A 1 K A n K eine durch n Polynome ϕ = (ϕ 1 (t),...,ϕ
MehrMusterlösung Serie 8
D-MATH Lineare Algebra I HS 018 Prof. Richard Pink Musterlösung Serie 8 Dimension, Direkte Summe & Komplemente 1. Zeige: Für jedes Erzeugendensystem E eines Vektorraums V und jede linear unabhängige Teilmenge
MehrInverse Probleme und Maschinelles Lernen
Inverse Probleme und Maschinelles Lernen Martin Kiechle und Julian Wörmann 1 Was sind Inverse Probleme? 2 Inverse Probleme Allgemein Ursache/ Anregung System/ Prozess Wirkung/ Messung 3 Ziel Ursache/ Anregung
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
MehrLineare Gleichungssysteme mit Dünnheitsrestriktionen
Lineare Gleichungssysteme mit Dünnheitsrestriktionen Institut für Mathematik Johannes Gutenberg-Universität Mainz Studienorientierung BISS Mainz, 7. November 2011 Motivierendes Beispiel: Decodierung Betrachten
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrKAPITEL 10 DIE INNERE-PUNKTE-METHODE
KAPITEL DIE INNERE-PUNKTE-METHODE F. VALLENTIN, A. GUNDERT Vorteile: + Löst effizient lineare Programme (in Theorie und Praxis) + erweiterbar (zu einer größeren Klasse von Optimierungsproblemen) + einfach
MehrEinführung in die Robotik Analog-Digital und Digital-Analog Wandler
Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 5 2453 mohamed.oubbati@uni-ulm.de 3.. 22 Analog-Digital (A/D) Wandler Digital
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrRobert Denk Proseminar Analysis WS 2016/17
1. Inhalt des Proseminars 1 Robert Denk 21.07.2016 Proseminar Analysis WS 2016/17 1. Inhalt des Proseminars Die Grundidee einer Fourierreihe besteht darin, eine Funktion als Überlagerung von Schwingungen,
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
MehrCompressed Sensing. Gitta Kutyniok
MDMV 2014-2-10 Spalte 1 Compressed Sensing Gitta Kutyniok Man braucht nur die Zeitung aufzuschlagen oder den Fernseher anzustellen und wird schon mit Meldungen zu Big Data oder der heutigen Datenflut konfrontiert.
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrKap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
Kap. 7: Wavelets. Die kontinuierliche Wavelet-Transformation (WT). Diskrete Wavelet-Transformation (DWT) 3. Sh Schnelle Wavelet-Transformation ltt ti (FWT) 4. JPEG000 H. Burkhardt, Institut für Informatik,
MehrVorlesung Theoretische Grundlagen
Vorlesung Theoretische Grundlagen Fehlerkorrigierende Jörn Müller-Quade 4. Februar 2010 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrVorlesung Theoretische Grundlagen Fehlerkorrigierende Codes Jörn Müller-Quade 29. Januar 2013
Vorlesung Theoretische Grundlagen Fehlerkorrigierende Jörn Müller-Quade 29. Januar 2013 I NSTITUT FÜR K RYPTOGRAPHIE UND S ICHERHEIT KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrIn-Silico-Toxikologie Modellbasierte Molekül-Simulationen
Modellbasierte Molekül-Simulationen Dr. Marcus Weber Arbeitsgruppenleiter Computational Drug Design Zuse-Institut Berlin (ZIB) Mitglied im MATHEON Geschäftsführer molconcept GmbH In-Vivo In-Vitro In-Silico
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
MehrVorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele
Vorlesung: Nicht-kooperative Spieltheorie Teil 4: 2-Personen-Nullsummenspiele Dr. Thomas Krieger Wintertrimester 2009 Dr. Thomas Krieger Vorlesung: Nicht-kooperative Spieltheorie 1 Definition 2-Personen-Nullsummenspiele
MehrDatenverarbeitung und Tabellenkalkulation. Braunschweig, den Dipl.- Ing. Katrin Leicht
Datenverarbeitung und Tabellenkalkulation Braunschweig, den 20.11.2014 Dipl.- Ing. Katrin Leicht Gliederung Was ist Matlab? Messignal Filtern Kurze Einführung in Excel Schnittstelle Excel-Matlab Beispiele
MehrLernbuch Lineare Algebra und Analytische Geometrie, 2. Auflage 2012
Lernbuch Lineare Algebra und Analytische Geometrie, 2 Auflage 22 Korrekturen 8 statt y M lies y N 2 statt m + n = m +(n )=m +(n ) lies m + n = m +(n ) 2 statt #P(M) lies #P (M) 4 7 statt Beispiel c) lies
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrMathematik I. Vorlesung 24. Reihen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 24 Reihen Wir betrachten Reihen von komplexen Zahlen. Definition 24.1. Sei ( ) k N eine Folge von komplexen Zahlen. Unter der Reihe versteht
MehrAutonome Mobile Systeme
Autonome Mobile Systeme Teil II: Systemtheorie für Informatier Dr. Mohamed Oubbati Institut für Neuroinformati Universität Ulm SS 2007 Heutiges Thema: PID Implementierung und Überblic Zeitontinuierlicher
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 - WS 2016/17 über mich Studium der Physik an U Stuttgart Promotion: Nichtlineare Dynamik in Gehirnsignalen Forschung in Neurowissenschaften
MehrMultivariate anisotrope Interpolation auf dem Torus
Multivariate anisotrope Interpolation auf dem Torus Ronny Bergmann AG Bildverarbeitung TU Kaiserslautern 17 März 2014 Mecklenburger Workshop Approximationsmethoden und schnelle Algorithmen Hasenwinkel
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Gegeben seien die folgenden geordneten Basen B = (v, v, v, v ) und C = (w, w,
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrRauschen. Signalverarbeitung. Zur Erinnerung. Fourier theorem
verarbeitung 1. Klassifizierung und charakterisierung der e 2. verarbeitungskette Fourier theorem Rauschen f sinus t3 Rauschen: die gemessenen (als informationen dienenden) physikalischen Parameter, die
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
MehrSysteme II 8. Die physikalische Schicht (Teil 4)
Systeme II 8. Die physikalische Schicht (Teil 4) Thomas Janson, Kristof Van Laerhoven*, Christian Ortolf Folien: Christian Schindelhauer Technische Fakultät : Rechnernetze und Telematik, *: Eingebettete
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
Mehr6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein.
6. Einführung 43 und aus der linearen Unabhängigkeit der (a i ) i I(x) folgt y i = z i auch für i I(x). Insgesamt gilt also y = z, d. h., nach Definition 6.9 ist x eine Ecke von P. Beachte: Der Koordinatenvektor
MehrMedien- Technik. Digital Audio
Digital Audio Medientyp digital audio representation Abtastfrequenz /sampling frequency Quantisierung (Bittiefe) Anzahl der Kanäle/Spuren Interleaving bei Mehrkanal Positiv/negativ Codierung operations
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrKontinuierliche Optimierung
Kontinuierliche Optimierung Markus Herrich Wintersemester 2018/19 ii Inhaltsverzeichnis 2 Optimalitäts- und Regularitätsbedingungen 1 2.1 Einleitung und Wiederholung.................... 1 2.2 Optimalitätsbedingungen
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 2017 Dr. Meike Akveld Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung 1. In dieser Aufgabe beweisen wir die Existenz der LR-Zerlegung einer quadratischen
MehrProf. Dr. H. Brenner Osnabrück SS Zahlentheorie. Vorlesung 26. Hermann Minkowski ( )
Prof. Dr. H. Brenner Osnabrück SS 2008 Zahlentheorie Vorlesung 26 Hermann Minkowski (1864-1909) Unser Ziel ist es, zu zeigen, dass die Klassengruppe eines quadratischen Zahlbereichs endlich ist. Zu dem
MehrGanzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
MehrPrüfung Lineare Algebra , B := ( ), C := 1 1 0
1. Es seien 1 0 2 0 0 1 3 0 A :=, B := ( 1 2 3 4 ), C := 1 1 0 0 1 0. 0 0 0 1 0 0 1 0 0 0 0 Welche der folgenden Aussagen ist richtig? A. A und C haben Stufenform, B nicht. B. A und B haben Stufenform,
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrWissenschaftlicher Mitarbeiter, TU Berlin. 10/ /2013 Professur in Vertretung, TU Clausthal
Curriculum Vitae Persönliche Daten Name: Friedrich Maximilian Philipp Dienstliche Adresse: Institut für Mathematik Technische Universität Berlin Straße des 17. Juni 136 10623 Berlin Telefon: 030 31425751
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2018 Lineare Algebra und analytische Geometrie II Vorlesung 52 Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die
MehrSeminar Optimierung - Approximation and fitting. Christian Bretzke
Seminar Optimierung - Approximation and fitting Christian Bretzke 1 Inhaltsverzeichnis 1 Norm Approximation 3 1.1 Verschiedene Interpretation.................................. 3 1.2 Gewichtete NAP........................................
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrAnalysis II. Vorlesung 47
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Zu einer reellwertigen Funktion Vorlesung 47 interessieren wir uns wie schon bei einem eindimensionalen Definitionsbereich für die Extrema, also Maxima
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2 Olga Holtz MA 378 Sprechstunde Fr 4-6 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 2-4 und nv jokar@mathtu-berlinde Kapitel 4 Der
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
MehrDigitalisierung von Tönen. Von Paul
Digitalisierung von Tönen Von Paul Was passiert beim hören Tonquelle erzeugt Schallwellen Alle vibrierende Objekte erzeugen Schallwellen. Durch die Vibration wird das Medium stoßweise verdichtet. Schallwellen
MehrInhaltsverzeichnis. Innere-Punkte-Verfahren 3. Inhaltsverzeichnis 1
Inhaltsverzeichnis 1 Inhaltsverzeichnis Innere-Punkte-Verfahren 3 1 Theoretische Grundlagen 3 1.1 Die KKT-Bedingungen........................... 3 1.2 Der zentrale Pfad.............................. 4
Mehr1. Rechnerzahlen, Kondition, Stabilität
1. Rechnerzahlen, Kondition, Stabilität 1 1.1. Rechnerzahlen 2 1.2. Kondition 3 1.3. Stabilität 1. Rechnerzahlen, Kondition, Stabilität 1 / 18 1.1. Rechnerzahlen allgemeine Zahlendarstellung zur Basis
MehrRestricted Isometry Property und der Zusammenhang mit dem Johnson-Lindenstrauss Lemma
Restricted Isometry Property und der Zusammenhang mit dem Johnson-Lindenstrauss Lemma Sabrina Pfeiffer. Dezember 009 Sabrina Pfeiffer () Compressed Sensing.1.009 1 / 5 Übersicht 1 P1-Eigenschaft Restricted
MehrWir fassen in kompakter Form das nötige Grundwissen über Gitter zusammen:
1 Gitter Wir fassen in kompakter Form das nötige Grundwissen über Gitter zusammen: Definition 11 (Gitter) Zu linear unabhängigen Vektoren b 1,, b n R d heißt die Menge } L(b 1,, b n ) := Zb i = t i b i
MehrMathematik I. Vorlesung 11. Lineare Unabhängigkeit
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 11 Lineare Unabhängigkeit Definition 11.1. Es sei K ein Körper und V ein K-Vektorraum. Dann heißt eine Familie von Vektoren v i, i I,
Mehr2.1 Vektorräume. 1. für alle x, y U ist x + y U und. 2. für alle x U und alle λ R ist λx U. O V (= O U) U, und dass ( 1) x U, also x U.
Vektorräume Definition Eine nicht leere Menge V, für die eine Addition (dh eine Rechenvorschrift + derart, dass a + b V für alle a, b V ist und eine skalare Multiplikation (dh λa V für alle λ R (λ ist
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
MehrELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen
ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen MAA.01011UB MAA.01011PH Vorlesung mit Übung im WS 2016/17 Christoph GRUBER Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen
MehrPotenziale einer in-silico-unterstützten Bewertung von HAMR
Potenziale einer in-silico-unterstützten Bewertung von HAMR Dr. Marcus Weber, AG-Leiter Computational Drug Design Konrad-Zuse-Zentrum für Informationstechnik Berlin www.zib.de/weber Eintrag von toxischen
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig 14. Oktober 2010 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A
MehrSeminararbeit Zahlentheorie. Gitter und der Minkowskische Gitterpunktsatz
Seminararbeit Zahlentheorie Gitter und der Minkowskische Gitterpunktsatz Natascha Bilkic und Andreas Welling 4. Dezember 2007 Inhaltsverzeichnis I. Einführung 3 8.1. Definition: Gitter................................
MehrBarbara Burke Hubbard. wavelets. Die Mathematik der kleinen Wellen. Aus dem Amerikanischen von Michael Basler. Birkhäuser Verlag Basel Boston Berlin
Barbara Burke Hubbard wavelets Die Mathematik der kleinen Wellen Aus dem Amerikanischen von Michael Basler Birkhäuser Verlag Basel Boston Berlin Inhaltsverzeichnis An den Leser 11 Danksagungen 17 1 Die
MehrAlgorithmische Spieltheorie. Martin Gairing
Algorithmische Spieltheorie Martin Gairing Folien zur Vorlesung vom 26.04.2004 Organisatorisches: Vorlesung Montags, 14:15-15:45 Uhr Übungen Montags, 16:00-17:00 Uhr Folien zur Vorlesung unter http://www.upb.de/cs/ag-monien/lehre/ss04/spieltheo/
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Pivotwahl und Gleitkommaarithmetik Achim Schädle 3. und 20. Dezember 208 Achim Schaedle (HHU) CompLinA 3. und 20. Dezember 208 Instabilitäten bei Gauß-Elimination
MehrTU München MSc Elektrotechnik und Informationstechnik (MSEI) Oktober 2018
Vertiefungsempfehlung Drahtgebundene und optische Übertragungstechnik EI74311 Information Theory WS 5 EI5075 Optical Communication Networks SS 6 EI7006 Statistical Signal Processing SS 6 EI7411 Channel
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrRundungsfehler-Problematik bei Gleitpunktzahlen
Rundungsfehler-Problematik bei Gleitpunktzahlen 1 Rechnerzahlen 2 Die Rundung 3 Fehlerverstärkung bei der Addition Rundungsfehler-Problematik 1 1. Rechnerzahlen allgemeine Zahlendarstellung zur Basis b
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
Mehr3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
MehrEine Eigenwertabschätzung und Ihre Anwendungen
Eine Eigenwertabschätzung und Ihre Anwendungen Marcel Hansmann, TU Chemnitz Hagen, den 09.02.2011 M. Hansmann (TU Chemnitz) Hagen, den 09.02.2011 1 / 32 Inhalt 1 Einleitung 2 Die Eigenwertabschätzung 3
Mehr2.5 Gauß-Jordan-Verfahren
2.5 Gauß-Jordan-Verfahren Definition 2.5.1 Sei A K (m,n). Dann heißt A in zeilenreduzierter Normalform, wenn gilt: [Z1] Der erste Eintrag 0 in jeder Zeile 0 ist 1. [Z2] Jede Spalte, die eine 1 nach [Z1]
MehrLineare Algebra und Analytische Geometrie I Winter 2015/16 Erste Klausur
Lineare Algebra und Analytische Geometrie I Winter 25/6 Erste Klausur 9.2.26 Name (deutlich lesbar!):....................................................................... Matrikelnummer (deutlich lesbar!):
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
MehrTensoren in der Datenanalyse
Tensoren in der Datenanalyse Edgar Tretschk Universität des Saarlandes 2. Dezember 2015 1 Inhalt 1 Grundlagen 2 Singulärwertzerlegung 3 Ziffernerkennung 4 Bewegungsabläufe 2 Tensoren als mehrdimensionale
MehrSysteme II 2. Woche Bitübertragungsschicht
Systeme II 2. Woche Bitübertragungsschicht Christian Schindelhauer Technische Fakultät Rechnernetze und Telematik Albert-Ludwigs-Universität Freiburg Bitübertragungsschicht Physical Layer ISO-Definition
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrKonvexe Optimierung zur Schätzung von Kovarianzfunktionen
. Geodätische Woche 211 Konvexe Optimierung zur Schätzung von Kovarianzfunktionen 1 Lutz Roese-Koerner, Silvia Becker, Andreas Ernst und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur
MehrLineare Optimierung: Simplexverfahren Phase Ⅰ
Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren
Mehr3 Die Strukturtheorie der Vektorräume
Vorlesung WS 08 09 Lineare Algebra 1 Prof. Dr. Peter Schneider 3 Die Strukturtheorie der Vektorräume Sei V ein K-Vektorraum Sei v 1,...v r V endlich viele vorgegebene Vektoren. Definition: 1. Jeder Vektor
MehrFourier-Reihe mit komplexer Exponentialfunktion
Fourier-Reihe mit komplexer Exponentialfunktion Jörn Loviscach Versionsstand: 9. Juni 2010, 15:54 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. 1 Überlagung sinusförmiger
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
Mehr