Visualisierung. Visualisierung von Multiparameterdaten Prof. Dr.-Ing. Detlef Krömker. Goethe-Universität, Frankfurt Graphische Datenverarbeitung
|
|
- Gitta Böhm
- vor 7 Jahren
- Abrufe
Transkript
1 von Multiparameterdaten Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung
2 Abbildung auf Visuelle Variablen : die Position auf der Ebene (2 Freiheitsgrade) die Größe (Länge, Fläche/Volumen) der Helligkeitswert, die Musterung oder Textur, die Farbe, die Richtung oder Orientierung sowie Rückblick (die Form des Elementes) Glyphen (multivariate Daten) Bewegung Raum 2
3 Übersicht 1. Terminologie: Multiparameterdaten 2. Spezielle Ziele 3. Kriterien zur Klassifikation von sverfahren 4. sverfahren für multivariate Daten Panel-Matrizen Streckenzüge Ikonenbasierte Techniken Pixelbasierte Techniken Hierarchische Techniken Vergleich und Zusammenfassung 3
4 Übersicht (Fortsetzung) 5. Zusammenfassung 6. Glossar 7. Weitere Informationen 8. Ausblick Nächste Schritte 4
5 Terminologie K Multiparameterdaten Hauptziel: Gleichzeitige Darstellung möglichst vieler Parameterwerte um Zusammenhänge zu erkennen K multi : mehr als zwei Merkmale (= abhängige Variablen) unabhängig von der Dimensionalität des Beobachtungsraumes K oft verwenden Autoren hierfür auch: multivariat oder multidimensional leider nicht einheitlich! 5
6 Terminologie K Bergeron (1993) und Wong (1997) versuchen dieses streng zu fassen: mehrdimensional: unabhängige Variablen = Charakterisierung des Beobachtungsraums multivariat: abhängige Variablen = Charakterisierung des Merkmalsraumes K Wir schließen uns dieser Terminologie an, wissend, daß u.u. eine Transformation sinnvoll ist: Messung / Berechnung 6
7 Spezielle Fragen und Ziele K Fragen: Welche Werte nehmen die abhängigen Variablen an? multivariater Daten In welchem räumlichen Bezug sind diese Werte gegeben? mehrdimensionaler Daten In welchem zeitlichen Bezug liegen diese Werte vor? zeitabhängiger Daten jeweils unter Beachtung der K Bearbeitungsziele und Probleme 7
8 Rückblick: Spezielle Bearbeitungsziele und Probleme K Identifikationsproblem Welchen Wert haben Daten in einem bestimmten Gebiet? K Lokalisierungsproblem Wo liegen Daten eines bestimmten Wertes? K Korrelationsproblem Gibt es Zusammenhänge zwischen zwei oder mehreren Variablen oder zwischen Datenwerten und bestimmten Gebieten des Beobachtungsraumes bzw. bestimmten Zeitpunkten? K Vergleichsproblem Wie unterscheiden sich die Datenwerte in einem bestimmten Gebiet oder zu unterschiedlichen Zeitpunkten? 8
9 Rückblick: Spezielle Bearbeitungsziele und Probleme K Verteilungsproblem Wo liegen Extremwerte und Ausreißer? Lassen sich Muster in den Datenwerten bzw. Trends erkennen? K Häufigkeitsproblem Welche Datenwerte treten besonders häufig auf? K Gruppierungsproblem Welche Datenwerte lassen sich anhand gemeinsamer Eigenschaften zusammenfassen, d. h., welche Cluster treten auf? K Kategorisierungsproblem Welche Datenwerte müssen auf Grund unterschiedlicher Eigenschaften separiert werden, das heißt, welche Klassifizierungen können vorgenommen werden? 9
10 sverfahren für multivariate Daten Wichtige Zusammenhänge müssen bewahrt werden, z.b.: Welche Werte gehören zu einem Beobachtungspunkt? Welche Werte liegen für einen Beobachtungsfall vor? Welche Werte nimmt eine abhängiger Variable an? 10
11 Kriterien zur Klassifikation von sverfahren Dimensionalität des Darstellungsraumes K 2- oder 3-dimensionaler Darstellungsraum und Darstellungsprimitive K 2D: keine Projektion, keine Verzerrungen, i.a. kein Verdeckungsproblem K 3D: nutzt die menschlichen Fähigkeiten zur Raum- und Objektwahrnehmung, Vorteile für sehr große Datenmengen [Vion-Dury, Santana] 11
12 Kriterien zur Klassifikation von sverfahren Zeitabhängigkeit der Darstellung K statische oder dynamische Darstellungen (inclusive Bildfolgen) K in statischen Darstellungen können quantitative Merkmalsausprägungen ohne zeitliche Begrenzung abgelesen werden K dynamische Darstellungen lassen vornehmlich quantitative Aussagen zu gut für zeitliche Veränderungen nutzbar 12
13 Kriterien zur Klassifikation von sverfahren Vollständigkeit in der Darstellung K K K zur Unterscheidung, ob in einer Darstellung alle Daten auf einmal präsentiert werden, oder ob Überblicksbilder zur Orientierung dienen und interaktiv oder sequentiell Verfeinerungen vorgenommen werden, um Detailinformationen zu präsentieren. DIE STÄRKE DER RECHNERDARSTELLUNG Vollständige Darstellung nur bei kleinen Datenmengen möglich: Darstellung sonst überladen Klassenbildungen können Datenmenge (Details) reduzieren Unvollständige Darstellungen automatisch sequentiell werden Details präsentiert ( Grandtour [Asimov, Buja] oder durch Nutzerinteraktion selektiv gewählt Übersichtsbilder nicht immer eindeutig (Selektionsproblem) 13
14 Zusammenfassung Klassifikationschema Vollständigkeit Dimensionalität vollständig unvollständig 2 D (S/D) (S/D) 3 D (S/D) (S/D) 14
15 Panel-Matrizen Begriff Panel-Matrix nach Wong/Bergeron 97 In Matrixform angeordnete bivariate Darstellungen: M-dimensionale Merkmalsräume werden in 2- dimensionalen abgebildet, so daß eine Gesamtsicht möglich ist Scatterplot-Matrizen Grandtours [Asimov 85, Buja et. al. 86] Prosection Views Hyperslices 15
16 postoperativer Visus präoperativer Visus Scatterplots (Punktediagramme) K Scatterplots (schon betrachtet): Auswahl von 2 interessierenden Variablen Zwei orthogonale Achsen spannen eine Ebene auf, die alle möglichen Wertepaare dieser Variablen repräsentiert Ggf. können mehrere Datensätze auf einen Punkt fallen: Projektion des m-dim. Merkmalsraum auf 2 16
17 Scatterplot-Matrix K Für eine Gesamtsicht eines m-dim. Merkmalsraumes (m>2) werden mehrere Scatterplots kombiniert: K Eine Scatterplotmatrix besteht aus m 2 Matrixelementen K Jede Zeile enthält die Wertekombinationen einer Variablen mit allen anderen Variablen. Anstelle der Kombination mit sich selbst stehen in der Nebendiagonale die Bezeichnugen und Skalierung der entsprechenden Variablen K Information in Spiegelementen (an der Nebendiagonale) sind (bis auf vertauschte Achsen) redundant. K Korrelationen zwischen zwei Merkmalen gut erkennbar 17
18 Grandtours [Asimov 85, Buja et. al. 86] K Wie Scatterplots, nur werden die Elemente zeitlich nacheinander sequentiell präsentiert. K Veränderungen von Datenwerten sind besonders gut erkennbar K Werte lassen sich kaum ablesen 18
19 Prosection Views Spence et.al. 95 K Ausgangspunkt: m-dimensionaler Merkmalsraum K Jeder Datensatz markiert einen Datenpunkt in diesem Raum K Berechnen von bivariaten Teilsichten, die Punkte des Merkmalraums mit bestimmten Wertebereichseigenschaften darstellen K Unvollständige Darstellung K Zusammenfassung der Teilsichten in einer Dreiecksmatrix vergleichbar zur Scattermatrix, aber jede Kombination nur einmal 19
20 Prosection Views Beispiel V1 V3 V1 V2 V2 a) b) V3 K Merkmale V 1, V 2, V 3 K Wähle Wertebereich von V 3 (Selektion) K K Berechne Teilsicht auf Ebene (V 1, V 2 ) (Projektion) Stelle in Dreiecksform dar. K (Fenster in der Projektionsebene zeigt Selektionsbedingungen für V 1, V 2 ) 20
21 Hyperslices van Wijk 93 2 m m K es werden 2 2D-Schnitte durch einen m- dimensionalen Merkmalsraum gelegt K nur Selektion (keine Projektion! K Schnitte schneiden sich in einem Focal Point oder Current Point K Darstellung erfolgt oft in einer m 2 Matrix (wie bei der Scatterplot-Matrix) K in den Elementen der Nebendiagonalen wird oft die Werteverteilung der zugehörigen Variablen gezeigt. 21
22 Hyperslices Auswahl des Current Point im 3D- Merkmalsraum 22
23 Beispiel Hyperslices Beispiel 4D Merkmalsraum Hyperslice-Matrix hat m 2 Elemente Schnitte zeigen eine farbkodierte Darstellung der bivariaten Funktion f ( X i, X j ) mit ( i, j ) { 1,..., m}, i j Punktwolken Elemente der Nebendiagonale zeigen in der Zeile i die Funktion f ( X i ) mit i { 1,..., m} Histogramme 23
24 Bewegung des Current Point X5 X4 X3 X2 X1 X1 X2 X3 X4 X5 Eine Hyperslice Matrix kann zur interaktiven Bewegung des Current Points dienen, z.b. mit der Maus Beispiel: Bewegung in Element (2,4) in Pfeilrichtung: übrigen Pfeile zeigen resultierende Veränderung 24
25 Zusammenfassung Panelmatrizen Vollständigkeit Dimensionalität vollständig unvollständig 2 D Scatterplot- Matrizen (S) Scatterplot- Grandtour (D) Prosection Views (S) Hyperslices (S) 3 D (S/D) (S/D) 25
26 Streckenzüge Prinzip: Punkte des Merkmalsraumes werden auf Streckenzüge abgebildet: Für jede Variable wird eine Achse konstruiert und entsprechend des Wertebereichs skaliert. Die Ausprägungen aller Merkmale eines Datensatzes werden durch Strecken miteinander verbunden Sternförmige Koordinaten Parallele Koordinaten Parahistogramme Erweiterte Parallele Koordinaten 3D Parallele Koordinaten 26
27 Sternförmige Koordinaten Kundenorientierung Qualität Strategie Führungsanspruch Wachstumspot überlebensnotwendig Kultur Planung/ Steuerung K Die Merkmalsachsen sind sternförmig angeordnet K Kiviatgraph zeigt Stärken und Schwächen eines Unternehmens K Drei Wertebereiche sind markiert Innovation Infrastruktur Überlebensnotwendig Soll Ist Prozeßbeherrschung Wachstumspotential Führungsanspruch 27
28 Parallele Koordinaten Inselberg 90 K Koordinatenachsen werden parallel angeordnet K Wie bei Sternförmigen Koordinaten: verlustfreie und eindeutige Anordnung K Identische Datensätze werden auf den gleichen Streckenzug abgebildet: Anzahl ist nicht erkennbar 28
29 Parahistogramme nach Ong und Lee K Um die Nachteile der Parallelen Koordinaten auszugleichen K Idee: Histogramme werden in Parallele- Koordinaten-Darstellung integriert K Anstelle einer Achse wird ein Merkmal durch eine Histogrammdarstellung repräsentiert: gibt Aufschluss über die Häufigkeitsverteilung: Bei quantitativen Merkmalen empfiehlt sich eine Klasseneinteilung 29
30 Parahistogramme Beispiel 30
31 Erweiterte Parallele Koordinaten nach Wegenkittl, Löffelmann, Gröller (Extruded Parallel Coordinates) K Zunächst werden Parallele Koordinaten in der Ebene erzeugt K Diese Achsen werden dann entlang einer Trajektorie im Raum bewegt Diese Trajektorie definiert eine räumliche Achse, auf die z.b. die verschiedenen Datensätze abgebildet werden können. 31
32 Erweiterte Parallele Koordinaten Beispiel x t4 x t3 x t2 x t1 x t4 x t3 x t2 x t1 x t0 x 1 x 2 x 3 x 4 x 1 x 2 x 3 x 4 x t0 32
33 3D Parallele Koordinaten Anstelle einzelner Achsen werden Ebenen aufgespannt, die durch zwei Merkmalsachsen definiert sind 33
34 3D Parallele Koordinaten Beispiel 34
35 Zusammenfassung Streckenzüge Vollständigkeit Dimensionalität vollständig unvollständig 2 D 3 D Paralle Koordinaten(S) Sternförmige Koordinaten (S) Parahistogramme (S) Erweiterte Parallele Koordinaten (S) 3D Paralle Koordinaten (S) 35
36 Zusammenfassung Streckenzüge pro Verlustfreie und eindeutige Abbildung des Merkmalsraumes in die Ebene / den 3D Raum pro Eine Beschriftung der Achsen erlaubt das Ablesen einzelner Werte pro Korrelationen zwischen benachbarten Achsen lassen sich gut erkennen contraunübersichtlich bei vielen Merkmalen und sehr vielen Datensätzen: mit Farbkodierungen können ggf. bestimmte Streckenzüge hervorgehoben werden Interaktive Projektion, Selektion, Veränderung der Achsenskalierung, Vertauschung der Achsen erhöhen den Nutzen 36
37 Zusammenfassung Ikonenbasierte Techniken siehe letzte Vorlesung Abbildung aud Glyphen Vollständigkeit Dimensionalität 2 D vollständig Stick Figures (S) Farbikonen (S) Chenoff-Gesichter (S) Kreispalette (S) Shape Coding (S) unvollständig 3 D Data Jacks (S) Moving Icons (D) 37
38 Pixelbasierte Techniken K Ein Datenwert einer Datenmenge wird auf genau ein Pixel der Darstellungsfläche abgebildet K Einfache Techniken ordnen die Datenwerte zeilen- oder spaltenweise an K Raumfüllende Kurventechniken ordnen die Datenwerte z.b. entlang einer 2D Peano- Hilbert-Kurve an 38
39 Pixelbasierte Techniken Beispiel 39
40 Pixelbasierte Techniken Rekursive Pattern Technik K In einem ersten Schritt werden Datenwerte zu Gruppen zusammengefasst K Für jede weitere Rekursionsstufe werden jetzt Gruppen pro Zeile w i und Spalte h i festgelegt: Eine Gruppe auf der Rekursionstiefe i besteht aus w i *h i Gruppen der Rekursionsstufe (i-1) K Das Pixelbild einer Gruppe nennen wir Pattern 40
41 Rekursive Pattern Technik Beispiel Rekursionsprinzip und Anordnung der Pattern müssen dem Betrachter klar sein! 41
42 Rekursive Pattern Technik Beispiel Entwicklung von 4 Aktienwerte über mehrere Jahre 42
43 Zusammenfassung Pixelbasierte Techniken pro minimaler Platzbedarf pro Datenwert pro Bilder vermitteln intuitiv einen Überblick über Häufigkeiten und Verteilung contra Identifikation oder Vergleich von Werten schwierig (ein Pixel ist zu klein) 43
44 Zusammenfassung Pixelbasierte Techniken Vollständigkeit Dimensionalität 2 D vollständig Einfache Technken (S) Raumfüllende Kurven-Techniken (S) Pecursive-Pattern Technik (S) unvollständig 3 D 44
45 Hierarchische Techniken Ziel: sowohl Übersicht und Trends repräsentieren als auch Detailaussagen ermöglichen Zwei Varianten: Hierarchisierung des Präsentationsraumes: Ebene oder Raum in Teilräume zerlegen K Dimensional Stacking K Worlds-within-Worlds Hierarchisierung des Merkmalsraumes K Cone Trees 45
46 Dimensional Stacking nach LeBlanc 90 K Gegeben ist ein m-dimensionaler Merkmalsraum (m gerade) mit den Variablen V 1 bis V m K Die Mächtigkeit der Wertebereiche sei durch die entsprechenden Kardinalzahlen K 1 bis K m gegeben: Qualitative Merkmale: Anzahl der Ausprägungen Quantitativen Merkmale: Anzahl der Klassen K Vorgehen: Zwei beliebige aber verschiedene Variablen V i, V k spannen ein K i * K k Gitter auf, das den Präsentationsraum unterteilt. K Dieser Schritt wird rekursiv innerhalb eines Gitterelementes mit weiteren Variablenpaaren wiederholt. 46
47 Dimensional Stacking Beispiel Gegeben: Ein 6-dimensionaler Merkmalsraum mit V 1 bis V 6 und K 1 =4, K 2 =2, K 3 =2, K 4 =3, K 5 =3, K 6 =2. V1 V4 V2 V3 a) Auswahl des 1. Paares (V 1, V 3) V5 b) Auswahl des 2. Paares (V 4, V 5) V6 c) Auswahl des 3. Paares (V 2, V 6) d) Abschließende Unterteilung: Die grau gezeichnete Gitterzelle widerspiegelt die Wertekombination (4, 2, 2, 3, 2, 2) für die Variablen V 1 bis V 6. 47
48 Dimensional Stacking Beispiel Anzahl der Werte ist farbkodiert. 48
49 K Ziel: interaktive Exploration Worlds-within-Worlds nach Feiner 92 K 3-dimensionale Koordinatensysteme werden ineinander verschachtelt K Drei Koordinatenachsen (= ein Merkmal) bilden ein äußeres Koordinatensystem K Ein interaktiv selektierter Punkt spannt ein weiteres Koordinatensystem auf 49
50 Worlds-within-Worlds Prinzip V2 V5 K Unvollständige Darstellung V6 V4 V1 K Besonders effektiv bei stereoskopischer Ausgabe V3 K Finden geeigneter Variablenkombination en hat großen Einfluß 50
51 Partionierung im Merkmalsraum K Es werden Abhängigkeiten explizit definiert bzw. sind bereits gegeben. Diese sollen bewahrt werden. K Beispiel: Folgende Hierarchie: Beobachtungsfälle Datensätze pro Beobachtungsfall Variablenwerte pro Datensatz 51
52 Cone Trees nach Robertson 91 K Zusammenhänge werden über Kegel repräsentiert: Kegelspitze repräsentiert Vaterknoten Kindknoten sind an der unteren Mantelfläche angeordnet An jedem Kindknoten kann ein Vaterknoten der folgenden Stufe positioniert werden 52
53 ... Bi Bi-1... Cone Trees Prinzip Eignen sich besonders zur Analyse von Abhängigkeiten Informationsvisualisierung... Dj+1 Dj Dj VK+1 VK VK
54 Zusammenfassung Hierarchische Techniken Vollständigkeit Dimensionalität vollständig unvollständig 2 D Dimensional Stacking (S) 3 D Cone Trees (S) Worlds-within- Worlds (S) 54
55 Vergleich und Zusammenfassung Prinzipielle Stärken und Schwächen Identifikation Erkennen von Zusammenhängen Basiskonzepte Darstel -bare Datenmenge einze l-ner Wert e aller Werte einer Variablen von Dat ens ätzen Korrel a- tionen Clust er Häufig -keiten von Beobachtungsfällen Vergleiche Verteilungen Ø + Ø + Panelmatrizen Streckenzüge Ikonenbasierte Techniken Pixelbasiert e Techniken hierarchische Techniken Ø Ø Ø Ø + Ø + + (- ) 1 Ø + Ø Ø Ø Ø (-) 1 + Ø Ø Ø Ø (+) 2 (+) 2 Ø Ø (+) 3 Ø Ø (+) 2 ( ) 4 55
56 Anmerkungen 1 bei Textur-Pattern, 2 für Cone Trees bei entsprechender Hierarchisierung des Merkmalsraumes, 3 für Dimensional Stacking und 4 für Worlds-within-Worlds. 56
57 Glossar K Glossar der Begriffe 57
58 Weitere Informationen 58
59 Ausblick Nächste Schritte K K K K K Linking and Brushing Mehrdimensionale raumbezogene Daten Zeitabhängige Daten Abstrakte Dimensionen Volumenrendering Nächstes Kapitel 59
Visualisierung. Multiparameterdaten in Raum und Zeit Prof. Dr.-Ing. Detlef Krömker. Goethe-Universität, Frankfurt Graphische Datenverarbeitung
Multiparameterdaten in Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Rückblick K Terminologie: Multiparameterdaten, multivariate Daten K sverfahren Panel-Matrizen
MehrVisualisierung, WS07/08 9. November Visualisierung. Fortgeschrittene Visualisierungstechniken
Visualisierung Fortgeschrittene Visualisierungstechniken Detlef Krömker Uni Frankfurt, Graphische Datenverarbeitung Wolfgang Müller PH Weingarten Mediendidaktik und Visualisierung 9. November 2007 Visualisierung
MehrVisualisierung, WS07/08 9. November Visualisierung
Visualisierung Fortgeschrittene Visualisierungstechniken Teil 2 Detlef Krömker Uni Frankfurt, Graphische Datenverarbeitung Wolfgang Müller PH Weingarten Mediendidaktik und Visualisierung 9. November 2007
MehrVisualisierung, WS 09/10
Visualisierung Informationsvisualisierung 29.01.2010 1 Übersicht Wiederholung Fortgeschrittene Visualisierungstechniken Geometrische Verfahren Ikonen-basierte Verfahren Pixel-basierte Verfahren Hierarchische
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrInformations- visualisierung
Informations- visualisierung Thema: 8. Spezifische Verfahren - Scatterplot-Matrizen & Parallele Koordinaten Dozent: Prof. Dr. Gerik Scheuermann scheuermann@informatik.uni-leipzig.de Sprechstunde: nach
MehrMathematik I. Vorlesung 14. Rang von Matrizen
Prof Dr H Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 14 Rang von Matrizen Definition 141 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von den Spalten
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrInformationsvisualisierung
Informationsvisualisierung Thema: 3. Darstellung von mehrdimensionalen Daten Dozent: Dr. Dirk Zeckzer zeckzer@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
MehrKapitel 1. Koordinaten im Raum. 1.1 Schrägbilder - Kavalier-Perspektive Koordinaten
Kapitel Koordinaten im Raum Schrägbilder - Kavalier-Perspektive Koordinaten Im Raum benötigt man drei Angaben, um die Lage eines Punktes zu beschreiben So beschreiben Geographen durch N5 0"E07 38 7"H5m
MehrVisualisierung. Rückblick
Auswahlfaktoren und graphische Semiotik Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Prof. Dr.-Ing. Detlef Krömker Graphische Semiotik 2 Rückblick Allgemeine
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
Mehr(7) Normal Mapping. Vorlesung Computergraphik II S. Müller. Dank an Stefan Rilling U N I V E R S I T Ä T KOBLENZ LANDAU
(7) Normal Mapping Vorlesung Computergraphik II S. Müller Dank an Stefan Rilling Einleitung Die Welt ist voller Details Viele Details treten in Form von Oberflächendetails auf S. Müller - 3 - Darstellung
Mehr5. Gitter, Gradienten, Interpolation Gitter. (Rezk-Salama, o.j.)
5. Gitter, Gradienten, Interpolation 5.1. Gitter (Rezk-Salama, o.j.) Gitterklassifikation: (Bartz 2005) (Rezk-Salama, o.j.) (Bartz 2005) (Rezk-Salama, o.j.) Allgemeine Gitterstrukturen: (Rezk-Salama, o.j.)
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
MehrParahistogramme innerhalb eines dreidimensionalen Interaktionsraumes
Parahistogramme innerhalb eines dreidimensionalen Interaktionsraumes Albert Pritzkau, Dirk Bartz Universität Leipzig, ICCAS/VCM albert.pritzkau@medizin.uni-leipzig.de Kurzfassung. Im Kontext der Genexpressionsanalyse
Mehrgroße Vielfalt von Daten für die Visualisierung möglich
4. Charakterisierung von Datensätzen und Darstellungsformen 4.1 Charakterisierung von Datensätzen große Vielfalt von Daten für die Visualisierung möglich Überblick Typisierungen von Daten: hierin nicht
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
Mehrunabhängigen Variablen Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren.
Funktionsbegriff 2.1 2 Funktionen mit einer unabhängigen Variablen 2.1 Funktionsbegriff Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren. In den Wirtschaftswissenschaften
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
MehrLineares Gleichungssystem - Vertiefung
Lineares Gleichungssystem - Vertiefung Die Lösung Linearer Gleichungssysteme ist das "Gauß'sche Eliminationsverfahren" gut geeignet - schon erklärt unter Z02. Alternativ kann mit einem Matrixformalismus
Mehr12. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demirel M. Fetzer, B. Krinn M. Wied. Gruppenübung zur Vorlesung Höhere Mathematik Wintersemester / Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshinweise zu den Hausaufgaben: Aufgabe H 4. Hauptachsentransformation
MehrTriangulierungen von Punktmengen und Polyedern
Triangulierungen von Punktmengen und Polyedern Vorlesung im Sommersemester 2000 Technische Universität Berlin Jörg Rambau 17.05.2000 Sekundärpolytop und 6 bistellare Operationen In diesem Kapitel werden
Mehra 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α
Mathematik 1 - Übungsblatt 7 Lösungshinweise Tipp: Verwenden Sie zur Kontrolle Scilab, wo immer es möglich ist. Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 11 1. Juni 2010 Rechenregeln für Determinanten Satz 62. (Determinanten von Dreiecksmatrizen) Es sei A eine obere oder untere n n-dreiecksmatrix.
MehrSeminar Visual Analytics and Visual Data Mining
Seminar Visual Analytics and Visual Data Mining Dozenten:, AG Visual Computing Steffen Oeltze, AG Visualisierung Organisatorisches Seminar für Diplom und Bachelor-Studenten (max. 18) (leider nicht für
MehrLineare Funktionen. Aufgabe 1. Sei f R 2 R definiert durch. x 1 + 3x Beweisen Sie ausführlich, dass f linear ist.
Lineare Funktionen Aufgabe. Sei f R R definiert durch x f = x x + 3x. Beweisen Sie ausführlich, dass f linear ist. Aufgabe. Die Funktionen (nicht erschrecken sind definiert durch + ( (R n R m (R n R m
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrVisualisierung. Rückblick. Scientific Visualization vs. Informationsvisualisierung. Allgemeine Ziele und Anforderungen Prof. Dr.-Ing.
Allgemeine Ziele und Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Rückblick K als Anwendung der CG K Meilensteine der Entwicklung K Terminologie Scientific Visualization
MehrVisualisierung zeitlicher Verläufe auf geografischen Karten
geografischen Karten Tominski, Schulze-Wollgast, Schumann Institut für Computergraphik Universität Rostock GeoVis 2003 Hannover, den 27.02.2003 Gliederung Einführung Konzepte zur Zeitdarstellung auf Karten
Mehr3 Vektoren im Koordinatensystem
Stiftsschule Engelberg PAM Schuljahr 7/8 Vektoren im Koordinatensystem. Vektoren in Dimensionen Wir verwenden ein orthonormiertes System: Ursprung (Nullpunkt O x- und y-achse stehen senkrecht (orthogonal
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
MehrC A R L V O N O S S I E T Z K Y. Transformationen. Johannes Diemke. Übung im Modul OpenGL mit Java Wintersemester 2010/2011
C A R L V O N O S S I E T Z K Y Transformationen Johannes Diemke Übung im Modul OpenGL mit Java Wintersemester 2010/2011 Motivation Transformationen Sind Grundlage vieler Verfahren der Computergrafik Model-
MehrTransformation - 3. Für "übliche" Anwendungen in der Geometrie ist es sinnvoll, bei Transformationen eine gleiche
Transformation - 3 Wiederholung und spezielle Angaben im Zusammenhang mit Kreis-Berechnungen 1. Problemstellung Im Zusammenhang mit der Berechnung von Schnittflächen kann es sinnvoll sein, die Berechnung
MehrHans Delfs. Übungen zu Mathematik III für Medieninformatik
Hans Delfs Übungen zu Mathematik III für Medieninformatik 1 RÄUMLICHE DARSTELLUNGEN VON OBJEKTEN 1 1 Räumliche Darstellungen von Objekten Der Einheitswürfel ist der achsenparallele Würfel in A 3, der von
MehrPerformance Analysis of Computer Systems
Zentrum für Informationsdienste und Hochleistungsrechnen (ZIH) Performance Analysis of Computer Systems Performance Visualization and Analysis Holger Brunst (holger.brunst@tu-dresden.de) Bert Wesarg (bert.wesarg@tu-dresden.de)
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 5 Punkte Ebenen im Raum Dualismus im Raum Die unendlich ferne Ebene Parametrische Darstellung (Span) Die Gerade im Raum -
MehrTechnische Universität München Zentrum Mathematik
Technische Universität München Zentrum Mathematik Michael Strobel Geometriekalküle WS 217/18 http://www-m1.ma.tum.de/geometriekalkuelews1718 Lösungen zu Aufgabenblatt 7 (29. Februar 217) Aufgabe 1. Abstand
MehrVektoren - Die Basis
Vektoren - Die Basis Motivation (Als Vereinfachung - der Schreibarbeit - wählen wir meistens Vektoren in R 2.) Eigentlich ist ja Alles klar! Für einen Vektor a gilt a = ( a x a y )! Am Ende werden wir
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Martin Hutzenthaler & Dirk Metzler http://evol.bio.lmu.de/_statgen 6. Juli 2010 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrTransformationen im 3D-Raum
Thomas Jung Repräsentation von 3D-Oberflächen Aufbau von Szenen Transformationen im 3D-Raum Projektionstranformationen Anwendung in OpenGL Geometrietransformationen bilden die Basis für die Computergrafik
Mehr-dimensionale Darstellungen
1.9 2 1 2 -dimensionale Darstellungen Auf einer Fläche F (2 dimensional) wird eine Operation ausgeführt Zum Beispiel wir eine Verschiebung um den Vektor t durchgeführt. Gemeint ist der Körper, der überstrichen
MehrWinter 2011/ Projekt kd- Trees. achsenparallelen Farbwürfel angeordnet. Die beiden schwarz- weiß- Ecken verbindet eine Graulinie.
Praktikum Algorithmik Prof. Dr. Heiner Klocke Winter 2011/2012 12.11.2011 1. Erläuterung des Umfeldes Projekt kd- Trees Bei der Bildanalyse sollen Farbpunkte eines Bildes klassifiziert werden. Die Farbe
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrEinführung in die Methoden der Empirischen Sozialforschung. Teil: Forschungslogik V
Ringvorlesung: Einführung in die Methoden der Empirischen Sozialforschung Teil: Forschungslogik V Gliederung des Teils Forschungslogik 1. Forschung: Leitgedanken, Teilaufgaben und Gesamtablauf 2. Grundlagen:
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrKapitel 3. Minkowski-Raum. 3.1 Raumzeitlicher Abstand
Kapitel 3 Minkowski-Raum Die Galilei-Transformation lässt zeitliche Abstände und Längen unverändert. Als Länge wird dabei der räumliche Abstand zwischen zwei gleichzeitigen Ereignissen verstanden. Solche
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrAllgemeine Kräftesysteme
3 Allgemeine Kräftesysteme Allgemeine Kräftesysteme Allgemeine Kräftesysteme Was ist neu? Zwei Kräfte, die nicht an einem zentralen Punkt angreifen Ist das System im Gleichgewicht? A ja B ja, horizontal
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
MehrDatenbanken. Teil 2: Informationen. Kapitel 2: Einführung. Zusammenfassung der Grundbegriffe. Übersicht über wichtige Grundbegriffe:
Datenbanken Einführung Seite 1 von 17 Datenbanken Teil 2: Informationen Kapitel 2: Einführung Zusammenfassung der Übersicht über wichtige : 1. Merkmal,, 2., 3., 4., nname 5. Beziehungstabelle, zusammengesetzter
Mehr1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................
MehrMathematische Grundlagen
Mathematische Grundlagen Oliver Deussen Mathematische Grundlagen 1 Affine Räume um Zeichenebene bzw. Raum zu beschreiben, muß vorher ein Koordinatensystem festgelegt werden durch geometrische Fragestellungen
MehrExcel 2013. Grundkurs kompakt. Sabine Spieß, Peter Wies 1. Ausgabe, Juni 2013 K-EX2013-G
Excel 2013 Sabine Spieß, Peter Wies 1. Ausgabe, Juni 2013 Grundkurs kompakt K-EX2013-G Welche Elemente besitzt ein Diagramm? Einheiten der y-achse Diagrammtitel Datenreihe Legende Kategorien der x-achse
MehrProjektion. Ebene geometrische Projektionen
Projektion - 1 - Ebene geometrische Projektionen Die ebenen geometrischen Projektionen sind dadurch charakterisiert, daß mit Projektionsstrahlen konstanter Richtung, d.h. entlang von Geraden, auf Ebenen
MehrInformations- visualisierung
Informations- visualisierung Thema: 3. Mehrdimensionale Daten Dozent: Dr. Dirk Zeckzer zeckzer@informatik.uni-leipzig.de Sprechstunde: nach Vereinbarung Umfang: 2 Prüfungsfach: Modul Fortgeschrittene Computergraphik
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
Mehr4 Lineare Abbildungen
17. November 2008 34 4 Lineare Abbildungen 4.1 Lineare Abbildung: Eine Funktion f : R n R m heißt lineare Abbildung von R n nach R m, wenn für alle x 1, x 2 und alle α R gilt f(αx 1 ) = αf(x 1 ) f(x 1
MehrVektoren - Lineare Abhängigkeit
Vektoren - Lineare Abhängigkeit Linearkombination Eine Linearkombination ist ein Ausdruck r a + r a +... Dabei nennt man die (reellen) Zahlen r i auch Koeffizienten. Lineare Abhängigkeit Wenn ein Vektor
MehrBivariate explorative Datenanalyse in R
Bivariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-09 In der LV Statistik 1 haben wir auch den Zusammenhang von 2 Variablen untersucht. Hier werden die dazugehörenden R-Befehle
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrDynamische Funktionen mit GeoGebra
Markus HOHENWARTER, Salzburg Dynamische Funktionen mit GeoGebra GeoGebra ist ein Softwaresystem für den Unterricht, das dynamische Geometrie, Algebra und Analysis verbindet (http://www.geogebra.at). Insbesondere
MehrVorlesung Mathematik 2 für Informatik
Vorlesung Mathematik für Informatik Inhalt: Lineare Algebra Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare Abbildungen Eigenwerte und Eigenvektoren Literatur
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrAnleitung zum Applet
Anleitung zum Applet Vertrauensbereich für den Mittelwert bearbeitet von: WS 2004/2005 E/TI-7 betreut von: Prof. Dr. Wilhelm Kleppmann Inhaltsverzeichnis 1 Vorwort...3 2 Graphische Benutzeroberfläche...4
MehrSingular Value Decomposition
Singular Value Decomposition (Singulärwertzerlegung) Seminar Robust Design Vitali Müller 2 Inhalt Was ist die SVD? Interpretationen Anwendungsmöglichkeiten Berechnung 3 Datenmatrix Experiment mit n Objekten
MehrWaben-Sudoku. Günter Aumann und Klaus Spitzmüller. Sudoku ist in. Oder ist es schon wieder langweilig? Es gibt Alternativen.
Waben-Sudoku Günter Aumann und Klaus Spitzmüller Sudoku ist in. Oder ist es schon wieder langweilig? Es gibt Alternativen. Eine Vorüberlegung Reguläre Vierecke und Sechsecke zeichnen sich vor allen anderen
MehrNachklausur (Modulprüfung) zum Lehrerweiterbildungskurs 6 Lineare Algebra/Analytische Geometrie I WiSe 2016/17
Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Nachklausur (Modulprüfung) zum Lehrerweiterbildungskurs 6 Lineare Algebra/Analytische Geometrie I WiSe 2016/17 Bearbeiten
Mehrtäglich einmal Scilab!
Mathematik 1 - Übungsblatt 7 täglich einmal Scilab! Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind skalare Größen (=einfache Zahlen im Gegensatz zu vektoriellen
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 8 Funktionen von mehreren Variablen 81 Einführung Prof Dr Erich Walter Farkas Mathematik I+II, 81 Einführung 1 / 18 1 Definition
MehrMathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1. 1 Grundlagen 2. 2 Der Graph einer Funktion 4. 3 Umkehrbarkeit 5
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Der Graph einer Funktion
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
Mehr1 Möglichkeit zur Darstellung von Daten
1 Möglichkeit zur Darstellung von Daten 1.1 Diagramme 1.1.1 Datenreihen in Zeilen oder Spalten Die erste Wahl bei der Erstellung eines Diagramms besteht daraus, ob die Datenreihen auf den Daten aus den
MehrSegmentierung von Punktwolken anhand von geometrischen und radiometrischen Informationen
von Punktwolken anhand von geometrischen und radiometrischen Informationen Mathias BURGER, Daniel WUJANZ, Frank NEITZEL Technische Universität Berlin 16. Oldenburger 3D Tage 02. Februar 2017 In diesem
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
MehrAufgabe 1: Koordinatensysteme
Übungen zu Struktur aus Bewegung Arbeitsgruppe Aktives Sehen Sommersemester 3 Prof. Dr-Ing. D. Paulus / S. Bouattour / M. Eisemann Beispiellösung für Übungsblatt Aufgabe : Koordinatensysteme Skizzieren
Mehr3.1 Motivation. - Mit (mehreren) Koordinatentransformationen wird das Objektsystem in das Gerätesystem transformiert.
3.1 Motivation Wichtige Grundlage der Bildwiedergabe auf dem Bildschirm oder anderen Ausgabegeräten sind Koordinatensysteme und Koordinatentransformationen im IR 2 und IR 3. Im allgemeinen unterscheidet
MehrWas ist eine Funktion?
Lerndomino zum Thema Funktionsbegriff Kopiereen Sie die Seite (damit Sie einen Kontrollbogen haben), schneiden Sie aus der Kopie die "Dominosteine" zeilenweise aus, mischen Sie die "Dominosteine" und verteilen
MehrLineare Algebra. Inhalt. Hauptbestandteil der Vorlesung Mathematik 2 Literatur: Teschl/Teschl, Band 1, Kap. 9-14
Lineare Algebra Hauptbestandteil der Vorlesung Mathematik Literatur: Teschl/Teschl, Band, Kap. 9-4 Inhalt Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare
MehrKapitel 2. Häufigkeitsverteilungen
6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrEinführung in die Methoden der Empirischen Sozialforschung. Teil: Forschungslogik VI
Ringvorlesung: Einführung in die Methoden der Empirischen Sozialforschung Teil: Forschungslogik VI Gliederung des Teils Forschungslogik 1. Einführendes: Organisatorisches, Grundgedanken und Geschichte
MehrLineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Kurze Zusammenfassung (Stand: 3 Juli 2) Prof Dr V Stahl Copyright 28 by Volker Stahl All rights reserved V Stahl Lineare Algebra und Computer Grafik Zusammenfassung
MehrStrukturmechanische Schwingungen mit der Finiten Elemente Methode
Strukturmechanische Schwingungen mit der Finiten Elemente Methode Unterlagen für die Durchführung des Praktikumsversuches 1. Schritt: Datenfiles mit Definition der Gitterelemente einlesen Datenfiles: Rechteck_4.asc
MehrParallele FFT-Algorithmen
Parallele FFT-Algorithmen Jörg Haeger 11. Juli 1996 1 Die diskrete Fourier-Transformation (DFT) 2 2 Permutationen und Graphen 2 2.1 Permutationen.............................. 2 2.2 Graphen..................................
MehrTransformation - Homogene Koordinaten. y + b )
Transformation - Homogene Koordinaten In der "üblichen" Behandlung werden für die Verschiebung (Translation) und die Drehung (Rotation) verschiedene Rechenvorschriften benutzt - einmal Addition von Vektoren
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
Mehr