Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
|
|
- Katarina Straub
- vor 7 Jahren
- Abrufe
Transkript
1 Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Simulation Data Analysis 25. September / 22
2 Analyse von Crashtest-Simulationsdaten mittels Spectral Embedding und Histogramm-Abständen Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
3 Einführung Automobildaten Automobildaten Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
4 Einführung Automobildaten Automobildaten Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
5 Einführung Automobildaten Automobildaten Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
6 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Dimensionsreduktion (DR) Gegeben Datenmenge Y = {y 1,..., y m } R n Gesucht Abbildung f : Y R s mit s n, die geometrische Informationen erhält: In Datenraum ähnliche Punkte sollen auch im Einbettungsraum ähnlich sein. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
7 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Dimensionsreduktion (DR) Gegeben Datenmenge Y = {y 1,..., y m } R n Gesucht Abbildung f : Y R s mit s n, die geometrische Informationen erhält: In Datenraum ähnliche Punkte sollen auch im Einbettungsraum ähnlich sein. Problem Wie definiert man Ähnlichkeit? Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
8 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Dimensionsreduktion (DR) Gegeben Datenmenge Y = {y 1,..., y m } R n Gesucht Abbildung f : Y R s mit s n, die geometrische Informationen erhält: In Datenraum ähnliche Punkte sollen auch im Einbettungsraum ähnlich sein. Problem Wie definiert man Ähnlichkeit? Gauß-Kern k ε (x, y) := exp ( ) d(x, y)2 ε mit d(x, y) Abstandsfunktion. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
9 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Spectral Embedding Diffusion Maps [Coifman and Lafon, 2006] Random Walk über Y mit Übergangsmatrix P R m m Übergangswahrscheinlichkeiten proportional zu k ε (x, y) {λ i } i, {ψ i } i Eigenwerte und Eigenvektoren von P, ψ i R m Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
10 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Spectral Embedding Diffusion Maps [Coifman and Lafon, 2006] Random Walk über Y mit Übergangsmatrix P R m m Übergangswahrscheinlichkeiten proportional zu k ε (x, y) {λ i } i, {ψ i } i Eigenwerte und Eigenvektoren von P, ψ i R m Diffusionsabstand m D(x, y) 2 = λ 2 l (ψ l (x) ψ l (y)) 2 l=2 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
11 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Spectral Embedding Diffusion Maps [Coifman and Lafon, 2006] Random Walk über Y mit Übergangsmatrix P R m m Übergangswahrscheinlichkeiten proportional zu k ε (x, y) {λ i } i, {ψ i } i Eigenwerte und Eigenvektoren von P, ψ i R m Diffusionsabstand s+1 D(x, y) 2 = λ 2 l (ψ l (x) ψ l (y)) 2 +E(s) l=2 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
12 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Spectral Embedding Diffusion Maps [Coifman and Lafon, 2006] Random Walk über Y mit Übergangsmatrix P R m m Übergangswahrscheinlichkeiten proportional zu k ε (x, y) {λ i } i, {ψ i } i Eigenwerte und Eigenvektoren von P, ψ i R m Diffusionsabstand s+1 D(x, y) 2 = λ 2 l (ψ l (x) ψ l (y)) 2 +E(s) l=2 Diffusionsabbildung Ψ : Y R s, x (λ 2 ψ 2 (x), λ 3 ψ 3 (x),..., λ s+1 ψ s+1 (x)) T Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
13 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Spectral Embedding Diffusion Maps [Coifman and Lafon, 2006] Random Walk über Y mit Übergangsmatrix P R m m Übergangswahrscheinlichkeiten proportional zu k ε (x, y) {λ i } i, {ψ i } i Eigenwerte und Eigenvektoren von P, ψ i R m Diffusionsabstand s+1 D(x, y) 2 = λ 2 l (ψ l (x) ψ l (y)) 2 +E(s) l=2 Diffusionsabbildung Ψ : Y R s, x (λ 2 ψ 2 (x), λ 3 ψ 3 (x),..., λ s+1 ψ s+1 (x)) T = Ψ(x) Ψ(y) = D(x, y) + Ẽ(s) Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
14 Mathematische Grundlagen Dimensionsreduktion mit Diffusion Maps Konkretes Problem Problem Unsere Datenpunkte liegen in unterschiedlichen Räumen R n i, bedingt durch leicht unterschiedliche Gitter bei der zugrundeliegenden Simulation. Frage Kann man einen sinnvollen Abstand für Diffusion Maps wählen, für den die ursprünglichen Datenpunkte unterschiedliche Dimension haben können? Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
15 Mathematische Grundlagen Histogramme und Histogrammabstände Histogramme und Histogrammabstände Lösung Darstellung der Datenpunkte als Histogramme bezüglich der absoluten Verschiebung neuer Parameter: n bins Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
16 Mathematische Grundlagen Histogramme und Histogrammabstände Verwendete Histogrammabstände Bin-to-Bin: χ 2 -Abstand χ 2 (H, K) = 1 2 i I (h(i) k(i)) 2 h(i) + k(i) Cross-Bin: Earth Mover s Distance (EMD) [Rubner et al., 2000] Anschauung: Histogramme H und K als Erdhaufen und Erdlöcher mit zugeordnetem Grundabstand, modelliert als Transportkosten c ij für Transport einer Masseeinheit von Bin i in Histogramm H nach Bin j in Histogramm K. Lösung des Transportproblems liefert EMD als minimale Kosten. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
17 Algorithmus Methode 1 Datenextraktion: Auslesen der 3m Verschiebungsvektoren in x, y und z-richtung aus den Simulationsdaten und Berechnen der absoluten Verschiebungen Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
18 Algorithmus Methode 1 Datenextraktion: Auslesen der 3m Verschiebungsvektoren in x, y und z-richtung aus den Simulationsdaten und Berechnen der absoluten Verschiebungen 2 Vorbehandlung (Preprocessing): Festlegen von globalen Klassen und Erstellen der m Histogramme Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
19 Algorithmus Methode 1 Datenextraktion: Auslesen der 3m Verschiebungsvektoren in x, y und z-richtung aus den Simulationsdaten und Berechnen der absoluten Verschiebungen 2 Vorbehandlung (Preprocessing): Festlegen von globalen Klassen und Erstellen der m Histogramme 3 Erstellen eines Kerns unter Verwendung eines passend gewählten Histogrammabstands Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
20 Algorithmus Methode 1 Datenextraktion: Auslesen der 3m Verschiebungsvektoren in x, y und z-richtung aus den Simulationsdaten und Berechnen der absoluten Verschiebungen 2 Vorbehandlung (Preprocessing): Festlegen von globalen Klassen und Erstellen der m Histogramme 3 Erstellen eines Kerns unter Verwendung eines passend gewählten Histogrammabstands 4 Dimensionsreduktion: Anwenden von Spectral Embedding Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
21 Algorithmus Methode 1 Datenextraktion: Auslesen der 3m Verschiebungsvektoren in x, y und z-richtung aus den Simulationsdaten und Berechnen der absoluten Verschiebungen 2 Vorbehandlung (Preprocessing): Festlegen von globalen Klassen und Erstellen der m Histogramme 3 Erstellen eines Kerns unter Verwendung eines passend gewählten Histogrammabstands 4 Dimensionsreduktion: Anwenden von Spectral Embedding 5 Aufbereiten und Deuten der Daten: Visualisierung der Einbettung in R 3 oder R 2 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
22 Ergebnisse Einbettungen Datensatz TRUCK-Beam TRUCK Modell eines Chevrolet C2500 Pick-Ups bei frontalem Aufprall, insgesamt m = 132 Simulationsdurchläufe (unter Variation von 9 Parametern) mit jeweils n = FE-Knoten. TRUCK-Beam Extrahierter Längsträger aus dem TRUCK-Modell, jeweils n = 1714 FE-Knoten. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
23 Ergebnisse Einbettungen TRUCK-Beam: Bifurkation Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
24 Ergebnisse Einbettungen Ergebnisqualität Anspruch Bifurkationsmodi klar getrennt In Visualisierung ähnliche Ergebnisse in Einbettung nahe beieinander gruppiert Ausreißer erkennbar Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
25 Ergebnisse Einbettungen Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
26 Ergebnisse Parameterstudien Wahl von ε Mehrere Faustregeln [Luxburg, 2007]: Durchschnittlicher Abstand zu log(m) + 1-nächstem Nachbarn Längste Kante eines minimalen Spannbaums Durchschnittlicher Abstand zu nächstem Nachbarn ε := γ m x Y min { d(x, y) d(x, y) 0 } y Y Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
27 Ergebnisse Parameterstudien γ = 1 Abbildung : n bins = 12, γ = 32 Abbildung : n bins = 12, γ = 1 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
28 Ergebnisse Parameterstudien γ = 1 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
29 Ergebnisse Parameterstudien Anzahl der Klassen n bins Sturges-Regel [Sturges, 1926] n bins = log 2 (m) + 1 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
30 Ergebnisse Parameterstudien Variation von n bins Abbildung : n bins = 12, γ = 32 Abbildung : n bins = 5, γ = 32 Abbildung : n bins = 20, γ = 32 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
31 Ergebnisse Parameterstudien Laufzeiten abhänging von n bins Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
32 Ergebnisse Parameterstudien Unterschiedliche Abstandsfunktionen Abbildung : EMD, n bins = 12, γ = 32 Abbildung : χ 2, n bins = 12, γ = 32 Abbildung : L 2 -Abstand, γ = 32 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
33 Ergebnisse Zusammenfassung Zusammenfassung Verfahren für getestete Datensätze sehr erfolgreich Wahl der Klassenanzahl n bins mit Sturgesregel passend Keine objektiven, allgemeinen Regeln für Wahl von ε entdeckt Histogrammabstände scheinen passender als euklidischer Abstand (Dimensionsreduktion im Preprocessing) χ 2 -Abstand liefert gute Ergebnisse, einfacher und schneller als EMD Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
34 Quellen Quellen Coifman, R. R. and Lafon, S. (2006). Diffusion maps. Applied and Computational Harmonic Analysis, 21(1):5 30. Luxburg, U. (2007). A tutorial on spectral clustering. Statistics and Computing, 17(4): Rubner, Y., Tomasi, C., and Guibas, L. J. (2000). The earth mover s distance as a metric for image retrieval. International Journal of Computer Vision, 40: Sturges, H. A. (1926). The choice of a class interval. American Statistical Association, 21: Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
35 Vielen Dank Vielen Dank für die Aufmerksamkeit! Ich freue mich über Fragen. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
36 Anhang Anhang: PKW-Seite-Datensatz Seitenteil eines Mittelklasse-PKWs bei lateralem Aufprall Variable Geometrie: unterschiedliche Bauteile (40 44 Stück) m = 143 Simulationsläufe, jeweils n i FE-Knoten Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
37 Anhang Anhang: PKW-Seite-Datensatz: EMD und χ 2 Abbildung : PKW-Seite mit Diffusion Maps und EMD, n bins = 18, γ = 32. Abbildung : PKW-Seite mit Diffusion Maps und χ 2, n bins = 18, γ = 32 Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
38 Anhang Anhang: Euklidischer Abstand Abbildung : Diffusion Maps mit EMD, n bins = 10, γ = 32. Abbildung : Diffusion Maps mit L 2, γ = 64. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
39 Anhang Anhang: χ 2 -Abstand Abbildung : Diffusion Maps mit EMD, n bins = 10, γ = 32. Abbildung : Diffusion Maps mit χ 2, n bins = 10, γ = 32. Luisa Schwartz (Uni Bonn/Fraunhofer SCAI) Analyse von Simulationsdaten 25. September / 22
Diffusion Maps und ihre Anwendung bei der Analyse von Automobildaten
Diffusion Maps und ihre Anwendung bei der Analyse von Automobildaten Anna-Luisa Schwartz Geboren am 22. Oktober 1987 in Aachen 30. August 2013 Bachelorarbeit Mathematik Betreuer: Prof. Dr. Jochen Garcke
MehrAhnlichkeitsbestimmung von Bildern
Seminar: Content Based Image Retrieval Lehrstuhl fur Mustererkennung und Bildverarbeitung 10. Januar 2005 Ubersicht Einfuhrung Problemstellung: Vergleiche Merkmale verschiedener Bilder und bewerte deren
MehrDatenanalysemethoden zur Auswertung von Simulationsergebnissen im Crash und deren Abgleich mit dem Experiment
Datenanalysemethoden zur Auswertung von Simulationsergebnissen im Crash und deren Abgleich mit dem Experiment Prof. Dr. Jochen Garcke (Universität Bonn und Fraunhofer SCAI) M.Sc. Rodrigo Iza-Teran (Fraunhofer
MehrEffiziente und interaktive Auswertung großer Mengen von CAE Modellvarianten
Effiziente und interaktive Auswertung großer Mengen von CAE Modellvarianten Prof. Dr. Jochen Garcke, Universität Bonn, Fraunhofer SCAI Rodrigo Iza Teran, Fraunhofer SCAI Abteilung Numerische datenbasierte
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 25 Überblick Überblick Metropolis-Algorithmus
MehrStrukturelle SVM zum Graph-labelling
23. Juni 2009 1 Was wir gerne hätten...... und der Weg dorthin Erinnerung: strukturelle SVM 2 Junction Tree Algorithmus Loopy Belief Propagation Gibbs Sampling 3 Umfang Qualität der Algorithmen Schlussfolgerungen
MehrWirtschaftsmathematik - Übungen SS 2019
Wirtschaftsmathematik - Übungen SS 9 Blatt : Lineare Algebra. Gegeben ist eine eine 3 3 Matrix C = (c ij ) mit und eine Matrix B = ( a) Schreiben Sie die Matrix C an! j i für i < j c ij = () i j für i
MehrUnüberwachte Nächste Nachbarn
Unüberwachte Nächste Nachbarn Ein effizientes Verfahren zur Dimensionsreduktion Oliver Kramer Department für Informatik Carl von Ossietzky Universität Oldenburg 4. Mai 2012 (Oliver Kramer, Abteilung CI)
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehrverschiedenen Recheneinheiten, die miteinander kommunizieren können
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 293 Lastbalancierung Motivation Ein paralleles System besteht aus verschiedenen Recheneinheiten, die miteinander kommunizieren können Warum parallel
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Winter 2016 Typ B
R. Käppeli T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Prüfung Winter 2016 Typ B Name a a Note Vorname Leginummer Datum 03.02.2017 1 2 3
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 3: Lineares Modell, Klassifikation, PCA Randolf Altmeyer January 9, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrExtraktion der Tabellen aus XML-Dokumenten und Erkennung deren Semantik. Exposé zur Bachelorarbeit
Extraktion der Tabellen aus XML-Dokumenten und Erkennung deren Semantik Exposé zur Bachelorarbeit eingereicht von Irina Glushanok 23.04.2015 1 Einführung Um eine bequeme Suche nach passender Literatur
MehrTopological Fisheye Views for Visualizing Large Graphs
Topological Fisheye Views for Visualizing Large Graphs Emden R. Gansner, Yehuda Koren, Stephen C. North Stefan Altmayer 11. Dezember 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrEigenwerte und Netzwerkanalyse. Page Rank
A Google versucht die Bedeutung von Webseiten mithilfe des sogenannten zu ermitteln. Der einer Seite basiert ausschließlich auf der Verweisstruktur des Webs. Der Inhalt einer Seite hat dagegen keinen direkten
MehrLineare Algebra und Datenwissenschaften in Ingenieur- und Informatikstudiengängen
Lineare Algebra und Datenwissenschaften in Ingenieur- und Informatikstudiengängen Heiko Knospe Technische Hochschule Köln heiko.knospe@th-koeln.de 6. September 26 / 2 Einleitung Das Management und die
MehrSeminar: Data Mining. Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen. Ein Vortrag von Mathias Rohde. 11.
Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen 11. Juni 2009 Gliederung 1 Problemstellung 2 Vektorprodukt Approximationen Samplesammlung 3 Schritte Lokalität und Nachrichtenkomplexität
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2015
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS L I N E A R E A L G E B R A F Ü R T P H, U E (3.64). Haupttest (MO, 8..6) / Gruppe (mit Lösung ) Ein einfacher Taschenrechner ist
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrAnwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash
Anwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash D. Weigert, Prof. F. Duddeck (TU München); S. Brack, Dr. H. Schluder (AUDI AG) DYNAmore GmbH,
MehrRelative Lokalisierung in Sensornetzen
Relative Lokalisierung in Sensornetzen Raphael Schmid Seminar Lokalisierung bei Prof. F. Mattern, SS06 Betreuung: Christian Frank Inhalt des Vortrages Einführung und Motivation Übersicht über relative
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrProbeklausur Lineare Algebra 1 Achten Sie auf vollständige, saubere und schlüssige Argumentation! 100 Punkte sind 100%. Inhaltsverzeichnis
Prof. Dr. Wolfgang Arendt Manuel Bernhard Wintersemester 5/6 Probeklausur Lineare Algebra Achten Sie auf vollständige, saubere und schlüssige Argumentation! Punkte sind %. Inhaltsverzeichnis Aufgabe Aufgabe
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
Mehr{ id, falls sgn(σ) = 1, τ, falls sgn(σ) = 1,
Aufgabe I1 (4 Punkte) Es seien (G, ) und (H, ) Gruppen a) Wann heißt eine Abbildung Φ : G H ein Gruppenhomomorphismus? b) Es seien Φ, Ψ : G H zwei Gruppenhomomorphismen Zeigen Sie, dass eine Untergruppe
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrWiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE
Wiederholungsblatt Elementargeometrie im SS 01 bei Prof. Dr. S. Goette LÖSUNGSSKIZZE Die Lösungen unten enthalten teilweise keine vollständigen Rechnungen. Es sind aber alle wichtigen Zwischenergebnisse
Mehrk-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering
Rückblick k-means als Verfahren zur Clusteranalyse basierend auf Repräsentanten bestimmt ein flaches Clustering Hierarchisches Clustering bestimmt eine Folge von Clusterings, die als Dendrogramm darstellbar
MehrKonzentrische U-Bahn-Linienpläne
Bachelor-Kolloquium Konzentrische U-Bahn-Linienpläne Magnus Lechner 19.03.2014 Betreuer: Prof. Dr. Alexander Wolff Dipl.-Inf. Martin Fink Motivation Warum sind U-Bahn-Linienpläne von Interesse? Motivation
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
Mehra ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
MehrPrivacy-Maße k-anonymity, l-diversity, t-closeness
Fakultät Informatik Proseminar Datenschutz in der Anwendungsentwicklung Privacy-Maße k-anonymity, l-diversity, t-closeness Dresden, 02.05.2013 D 01 Einführung: Beispiel Geburtstag Geschlecht PLZ Krankheit
MehrNetzwerkstatistiken. Informatik-Seminar Netzwerkanalyse : Kapitel 11 - Netzwerkstatistiken. Jean Botev (SS 2005)
Netzwerkstatistiken 1 Übersicht - Motivation - Gradbasierte Statistiken - Abstandsbasierte Statistiken - Anzahl kürzester Pfade - Verzerrung - Clustering-Koeffizient und Transitivität - Netzwerkstatistik-Typen
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
MehrMap Matching. Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf.
Map Matching Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf. Ergebnis mit minimaler Fréchet-Distanz Annahme: Fahrer wählen bevorzugt kürzeste Wege im Straßennetz.
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Mehr+ x 2 y 2 = f( x 1 ) + f( x 2 ), z 1 + z 2. z 1. a jj + n bjj = SpurA + SpurB ; j=1
Höhere Mathematik für technische Studiengänge Vorbereitungsaufgaben für die Übungen Lineare Abbildungen, Eigenwerte Lösungen Lösungshinweise: a nicht linear, denn zb fα α, αy +, α + αz T α, αy +, α + z
Mehr16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
MehrZufallszahlen in Testbetten und Simulationen
Zufall Wofür brauchen wir Zufallszahlen? Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen, die wir nicht genau beschreiben wollen Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen,
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrOptimaler Transport. Marzena Franek. Skiseminar Februar Institut für Numerische und Angewandte Mathematik
Institut für Numerische und Angewandte Mathematik Skiseminar Februar 2009 1 Das Problem von Monge 1 Das Problem von Monge 2 1 Das Problem von Monge 2 3 1 Das Problem von Monge 2 3 4 1 Das Problem von Monge
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
MehrKapitel ML:XII. XII. Other Unsupervised Learning. Nearest Neighbor Strategies. Self Organizing Maps Neural Gas. Association Analysis Rule Mining
Kapitel ML:XII XII. Other Unsupervised Learning Nearest Neighbor Strategies Self Organizing Maps Neural Gas Association Analysis Rule Mining Reinforcement Learning ML:XII-1 Unsupervised Others LETTMANN
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
MehrÜbungen zur Vorlesung. Einführung in Dynamische Systeme. Musterlösungen zu Aufgabenblatt 8
Prof. Roland Gunesch Sommersemester 2010 Übungen zur Vorlesung Einführung in Dynamische Systeme Musterlösungen zu Aufgabenblatt 8 Aufgabe 1: Sei (X, d) ein kompakter metrischer Raum. Die Hausdorff-Metrik
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
Mehr9. November ZHK in dynamischen Graphen Zentralitäten. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67
9. November 2011 ZHK in dynamischen Graphen Zentralitäten H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67 ZHK in dynamischen Graphen Ungerichteter schlichter dynamischer Graph Dynamisch:
MehrInverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y f(x). Eine Funktion f 1 : W
MehrAnalysis. Lineare Algebra
Analysis Ableitung Ableitungsregeln totale und partielle Ableitung Extremwertbestimmung Integrale partielle Integration Substitution der Variablen Koordinatentransformationen Differentialgleichungen Lineare
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
Mehr8 Eigenwerttheorie I 8. EIGENWERTTHEORIE I 139. Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet:
8. EIGENWERTTHEORIE I 139 8 Eigenwerttheorie I Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet: K[x] = Abb[N, K] = {P ; P = a n x n + a n 1 x n 1 + + a 0 ; a
MehrProbeprüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Frühling 018 Probeprüfung Lineare Algebra I/II für D-MAVT Die Prüfung dauert 10 Minuten. Sie dient der Selbstevaluation. Die Musterlösungen folgen. Die Multiple Choice
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrInverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y = f(x). Eine Funktion f 1 :
Mehr1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
MehrWiederholungsklausur zur Analysis I
Wiederholungsklausur zur Analysis I Prof. Dr. C. Löh/M. Blank 5. Oktober 2011 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen Sie, ob Sie alle Seiten erhalten
MehrLösungsvorschlag zur LA-Klausur vom
I. (4 Punkte) Lösungsvorschlag zur LA-Klausur vom 7.03.008 Es sei M eine Menge mit zwei Verknüpfungen und. Weiter gebe es ein Element e M, das sowohl für als auch für neutrales Element ist. Schließlich
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrKLAUSUR ZUR MATHEMATIK FÜR PHYSIKER MODUL MATHB
KLAUSUR ZUR ATHEATIK FÜR PHYSIKER ODUL ATHB In jeder Aufgabe können Punkte erreicht werden Es zählen die 9 bestbewerteten Aufgaben Die Klausur ist mit 45 Punkten bestanden Die Bearbeitungszeit beträgt
MehrDisMod-Repetitorium Tag 3
DisMod-Repetitorium Tag 3 Markov-Ketten 21. März 2018 1 Markov-Ketten Was ist eine Markov-Kette? Was gehört alles dazu? Darstellung als Graph und als Matrix Stationäre Verteilung und Grenzverteilung Ergodizität
Mehr3D Shape Matching Using Skeleton Graphs
3D Shape Matching Using Skeleton Graphs Angela Brennecke & Tobias Isenberg OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG Institut für Simulation und Graphik Fakultät für Informatik Otto-von-Guericke-Universität
MehrGliederung: 1) Einleitung 2) Oberflächenvergleich 3) Objekterkennung
Using Spin Images for Efficient Object Recogition in Cluttered 3D Scenes (Effiziente Objekterkennung von ungeordneten 3D Szenen mithilfe von Spin Images) Gliederung: 1) Einleitung 2) Oberflächenvergleich
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 17. Vorlesung Nächstes Paar Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Problem: Gegeben: Menge P von n Punkten in der Ebene, jeder Punkt
MehrKontrollfragen und Aufgaben zur 3. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 3. Konsultation Termin: Ort: Determinante
MehrEinführung FEM 1D - Beispiel
p. 1/28 Einführung FEM 1D - Beispiel /home/lehre/vl-mhs-1/folien/vorlesung/4_fem_intro/deckblatt.tex Seite 1 von 28 p. 2/28 Inhaltsverzeichnis 1D Beispiel - Finite Elemente Methode 1. 1D Aufbau Geometrie
MehrErich Schubert, Arthur Zimek KDD Übung
Hausaufgabe Distanzfunktionen Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-04-25 KDD Übung Distanzfunktionen Reflexiv: Distanz zu sich selbst ist 0 x = y d(x, y) = 0 Symmetrisch:
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
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
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
MehrSparse Hauptkomponentenanalyse
Sparse Referent: Thomas Klein-Heßling LMU München 20. Januar 2017 1 / 36 1 Einführung 2 3 4 5 2 / 36 Einführung Ziel: vorhandene Datenmenge verstehen Daten komprimieren Bei der Sparse (SPCA) handelt es
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrSPEKTRALE GRAPHENTHEORIE
SPEKTRALE GRAPHENTHEORIE 179 Graphen, Matrizen, Spektren! Graph als Matrix:! Adjazenzmatrix! Inzidenzmatrix! Laplacematrix!...! Spektrum: Menge der Eigenwerte! Motivation: Sagt das Spektrum etwas über
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
MehrMathematik I Prüfung Frühlingssemester 2014
Mathematik I Prüfung Frühlingssemester 2014 Prof. Dr. Enrico De Giorgi 23. Juni 2014 Mathematik II: Prüfung Frühlingssemester 2014 1 Teil I: Offene Fragen (50 Punkte) Allgemeine Anweisungen für offene
MehrSeminar über Neuronale Netze und Maschinelles Lernen WS 06/07
Universität Regensburg Naturwissenschaftliche Informatik Seminar über Neuronale Netze und Maschinelles Lernen WS 06/07 Cluster-Algorithmen II: Neural Gas Vortragender: Matthias Klein Gliederung Motivation:
MehrProseminar über multimediale Lineare Algebra und Analytische Geometrie Wintersemester 2008/2009
Proseminar über multimediale Lineare Algebra und Analytische Geometrie Wintersemester 008/009 Aufgabe 6: Projektion einer Kreisbahn im R in die (x,y)-ebene Seminarleitung: Dr. M. Kaplan Ausarbeitung: Günther
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 10
D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz Serie 10 Abgabedatum: 23.5/24.5, in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG G 46, luc.grosheintz@sam.math.ethz.ch Webpage:
MehrLatent Semantic Indexing: Einführung und Experiment
Latent Semantic Indexing: Einführung und Experiment Jonathan Geiger, Felix Hieber HS: Information Retrieval Dr. Haenelt 12.01.2009 WS 08/09 Motivation Grundsätzlich stecken zwei Ideen hinter, eine praktischer
MehrTutorial Laserscanning: Automatisierung der Modellierung
Tutorial Laserscanning: Automatisierung der Modellierung Dr.-Ing. Fredie Kern Univ.-Prof. Dr.-Ing. habil. Wolfgang Niemeier Dipl.-Ing. Martin Zumstrull 1 Inhaltsverzeichnis 1. Was kann modelliert werden
Mehr1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1
1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1
Mehr4 Orthogonale Endormorphismen
4 Orthogonale Endormorphismen Frage: Bei welchen Abbildungen R R bzw. R 3 R 3 bleibt der Abstand zwischen zwei Punkten erhalten? Für α R setzen wir cosα sin α D(α) = und S(α) := sin α cosα ( cos α sin
MehrGitterfeldtheoretische Behandlung des harmonischen Oszillators in der Pfadintegralformulierung in Euklidischer Raum-Zeit
Gitterfeldtheoretische Behandlung des harmonischen Oszillators in der Pfadintegralformulierung in Euklidischer Raum-Zeit Präsentation zur Bachelorarbeit September 2014 Einleitung Modelle in der Physik
Mehr