Kap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
|
|
- Gerhard Adler
- vor 6 Jahren
- Abrufe
Transkript
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, Universität Freiburg DBV-I
2 Wavelets - Grundsätzliches (Wellchen, kleine Welle) Wavelets sind wellenförmige, beschränkte Funktionen, welche außerhalb eines Intervalls verschwinden. Daraus kann eine Basis in L (R) aufgebaut werden. Aus einem Mutterwavelet ψ(t) wird eine ganze Familie von Wavelets durch Skalierung s und Verschiebung u abgeleitet: ψ () t u su, t s ψ = s Wavelets ψ L (R) erfüllen die sogenannte Zulässigkeitsbedingung: ψω ( ) 0 < cψ : = π dω < R ω Daraus ergibt sich die notwendige Bedingung, dass Wavelets mittelwertfrei sind: + ψ () tdt= 0 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I
3 Mexican-Hat-Wavelet ψ () t t d t / t / ( ) ψ () t = γ e = γ( t ) e dt mit: γ = /4 π 3 Zweite Ableitung des Gauss-Filters H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 3
4 Frequenz-Analyse Wavelet-Analyse Globale Basisfunktionen. Auflösung nur bzgl. Frequenz. en Geeignet zur Analyse stationärer ti Signale. Multiskalenauflösung bzgl. Ort und Frequenz. Geeignet zur Analyse von instationären Signalen. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 4
5 Die kontinuierliche Wavelettransformation Hintransformation (Funktion von Translation u und Skalierung s): ) Rücktransformation: f u s = f us, = f t s dt s t u W (, ), ψ () ψ ( ) + + ds f() t = f( u, s) ψ su, () t du C W s ψ 0 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 5
6 Eigenschaften der kontinuierlichen Wavelettransformation Die kontinuierliche Wavelet-Transformation ist hoch redundant und damit auch sehr aufwendig. Dies zeigt sich in der Tatsache, dass eine eindimensionale Funktion f(t) durch eine zweidimensionale Funktion Wf(u,s) dargestellt wird. Die Funktionenfamilie ψ s,u (t) ist bei kontinuierlicher Parametrisierung lediglich ein Erzeugendensystem und keine Basis in L (R). Ein Erzeugendensystem eines Vektorraums V ist eine Teilmenge B mit der Eigenschaft, dass jeder Vektor von V sich als Linearkombination aus B darstellen lässt (die Elemente von B spannen den Raum auf). H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 6
7 Diskrete Wavelet-Basen Eine Entwicklung nach Wavelet-Basen ist eine Möglichkeit der Zerlegung in Bezug auf den Ort und die Frequenz. Wavelet-Basen werden rekursiv abgeleitet. Sie sind damit selbstähnlich und erlauben eine Multiskalen-Analyse (MSA). Damit ist die Wavelet-Transformation im Gegensatz zur Fourier-Transformation (Basisfunktionen erstrecken sich global auf den gesamten Definitionsbereich) insbesondere zur Analyse instationärer Signale und Bilder geeignet. Für leistungsfähige Anwendungen von Wavelets ist eine niedrige Redundanz essentiell. Aus diesem Grunde sind Waveletfamilien, die eine orthogonale Basis bilden, von hohem Interesse. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 7
8 Die diskrete Wavelettransformation (DWT) Bei der diskreten Wavelettransformation wird die Redundanz und damit auch der Aufwand der kontinuierlichchen WT dadurch verringert, dass man sich auf eine Teilmenge der Wavelets durch eine diskrete Menge von Translationen und Skalierungen (Zweierpotenz-Schritte) reduziert (dyadische Wavelets). Man erhält eine orthogonale Basis, ausgehend von einem Mutterwavelet ψ 00 0,0 (t) : j t k j/ j j ψ jk, () t = ψ0,0 ψ0,0(t- k) j j = j k = 0,,,, H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 8
9 Haar-Wavelets H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 9
10 Haar-Wavelets φ () t 0,0 ψ = () 00 0,0 t ψ () t ψ (),0 t = ψ ( t) ψ () t =, ψ (t ) 0 t Das orthonormale und vollständige System der Haar-Wavelets φ0,0 (Skalierungsfunktion/Vater-Wavelet) + für 0 t < ψ ( t) = ψ 0,0( t) = Mutter-Wavelet für t < j/ j j ψ jk, () t = ψ (t- k) j k = 0,,,, H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 0
11 Haar-Wavelet-Transformation { ψ φ}, spannen den Raum [0, ) auf. Somit ergibt sich für jede jk, L T Funktion f( t) L [0, T) : Synthese f () t = ( wjk, ψ jk, ()) t + c0φ () t j k Analyse T l jk, =< ψ jk, >= ψ 0 jk, w f(), t () t f() t () t dt c 0 =< f(), t φ() t >= f () t φ () t dt T 0 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I
12 Alternativer ti Zugang zu den Haar-Wavelets Ableitung von dem System der Blockimpulse H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I
13 Orthonormale Blockimpulse b () t 4, b () t 4 4, 0 t orthonormal nicht vollständig b () t 4,3 b () t 4,4 i i k für k t k bki, ( t) = < < i =,,, k 0 sonst H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 3
14 Erweitertes System von Blockimpulsen l durch Mutiskalen-Vervollständigung Das System der Blockimpulse kann durch f () t 0,0 t Skalierung und Translation vervollständigt 0 werden. Bei der Erweiterung müssen die f () t, linear abhängigen Terme (gestrichelt) f t eliminiert werden., () f () t nicht orthonormal, vollständig f () t, für = < t < f () t i i,3 k k fki, ( t) 0 sonst f () t,4 i =,,, k = 0 0,,,, k H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 4
15 Haar-Wavelets durch Gram-Schmidt- Orthonormalisierung der erweiterten Blockimpulse φ () t 0,0 () 00 0,0 t ψ = ψ () t ψ (),0 t ψ ( t) 0 orthonormal und = vollständig t Das erweiterte System der linear unabhängigen Blockimpulse geht durch Gram-Schmidt-Orthonormalisierung auf die orthonormalen Haar-Wavelets über. Sie sind: ψ () t = + für 0 t <, ψ () t = ψ 0,0() t = für t < ψ (t ) j/ j j ψ jk, () t = ψ (t- k) j k = 0,,,, φ 0,0 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 5
16 Sh Schnelle Wavelet-Transformation ltt ti FWT Die DWT-Matrix ist i.a. nicht dünn besetzt. Somit haben wir die selbe Komplexitätsproblematik zu lösen, wie bei der diskreten Fouriertransformation. Wir lösen es ebenfalls durch Faktorisierung der DWT in ein Produkt von ld N dünn besetzter Matrizen unter Ausnutzung der Selbstähnlichkeit der Wavelets. Daraus resultiert ein Algorithmus von nur linearer Komplexität O(N). Dies ist die von Mallat and Daubechies definierte schnelle DWT => FWT. Die schnelle Wavelet-Transformation (engl. Fast Wavelet Transform, FWT) kann auch als ein Algorithmus definiert werden, der mit Hilfe der Theorie der Multiskalenanalyse die diskrete Wavelet-Transformation implementiert. Dabei wird das Bilden des inneren Produkts des Signals mit jedem Wavelet durch das sukzessive Zerteilen des Signals in Frequenzbänder ersetzt. Dadurch wird die Komplexität der Wavelet- Transformation von O(N log N) (vgl. schnelle Fourier-Transformation) auf O(N) reduziert. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 6
17 Sh Schnelle Haar-Wavelet-Transformation ti x x x x x x x x ½ ½ Die Berechnugskomplexität ist linear! x x 0 x x x x x x HWT8 = a c (a-b)c b n N + N / + N /4+ + = N = ( N ) = O( N) i mit: N = n i= 0 a b c (a+b)c H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 7
18 Faktorisierung der Haar-Wavelet- Transformation HWT = HWT HWT HWT (3) () () = HWT HWT (3) = HWT () = HWT () = H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 8
19 Wit Weitere Wavelet lt-bi Beispiele il Daubechies 6 Daubechies 8 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 9
20 Shannon Wavelets The Shannon s aperture function is: Shannon ψ jk, ( x ) = sinc ( x) sinc ( x). Theorem: Shannon ψ j,k ( x) { ψ Shannon j,k ( x ) : j, k Z } is an orthonormal lbasis of fl (R). H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 0
21 Filterklasse Skalierungs- Funktion φ Wavelets ψ Beschreibung Haar Einfachste Filterklasse, Mittelwert- t und Differenzfilter CloseToCoiflet Coiflet Frühe Waveletklasse, entwickelt von R.Coifman Daubechies nicht symmetrisch, streng orthogonal, strenger "compact support", selbstähnlich Johnston- Barnard Biorthogonal-Spline symmetrisch, werden aus Binomialkoeffizienten berechnet H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I
22 Zweidimensionale i Wavelets mit separierbarem Kern Zweidimensionale Waveletbasen können durch das kartesische Produkt eindimensionaler Waveletbasen erzeugt werden: ψ ( t, t ) = ψ ( t ) ψ ( t ) jk, j k H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 3
23 JPEG 000 Nachfolgestandard von JPEG Bessere Bildqualität, insbes. bei mittleren und hh hohen Kompressionsraten Wavelets (DWT) anstatt DCT (Die Wavelet-Transformation wird auf das ganze Bild angewendet und nicht nur auf Teilbilder der Größe 8 8, damit Wegfall der Block-Effekte) H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 4
24 Original JPEG 0,5 Bit/pixel MSE: 74 JPEG000 0,5 Bit/pixel MSE: 37,4 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 5
25 Original JPEG 0,3 Bit/pixel MSE: 50 JPEG000 0,3 Bit/pixel MSE: 73 H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 6
Lokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
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
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
MehrHauptkomponentenanalyse. Principal Component Analysis (PCA)
Hauptkomponentenanalyse Principal Component Analysis (PCA) Principal Component Analysis (PCA) Welche Ziele verfolgt man bei der Verwendung einer PCA? Repräsentation multidimensionaler Daten mit einer geringeren
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
MehrBildverarbeitung Herbstsemester. Wavelet-Transformation
Bildverarbeitung Herbstsemester Herbstsemester Wavelet-Transformation Inhalt Probleme der Fourier-Analysis Übergang zur Wavelet-Transformation Kontinuierliche Wavelet-Transformation (CWT) Diskrete Wavelet-Transformation
MehrÜbung 6: Fast Fourier Transformation
Computational Physics 1, Seminar 6, Fast Fourier Transformation 1 Übung 6: Fast Fourier Transformation Aufgabe 1 Fourierfilterung von Bildern: Erstellen Sie ein Programm, welches ein Bild einliest, dieses
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
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
MehrSkalarprodukt und Orthogonalität
Skalarprodukt und Orthogonalität Skalarprodukt und Orthogonalität in R n Wir erinnern an das euklidische Skalarprodukt im R 2 : Wir erinnern an das euklidische Skalarprodukt im R 2 : < a, b >:= α 1 β 1
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrEinführung in die Mathematik für Informatiker
Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 21.11.2016 6. Vorlesung aufgespannter Untervektorraum Span(T ), Linearkombinationen von Vektoren Lineare Unabhängigkeit
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
MehrLösungsblatt 2 Signalverarbeitung und Klassifikation
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 06 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt Signalverarbeitung und Klassifikation Aufgabe : Faltung
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
MehrBasen von Schnitt und Summe berechnen
Basen von Schnitt und Summe berechnen 1 / 8 Voraussetzung Es seien U 1, U 2 Untervektorräume von K n. Wir wollen Basen des Schnittes U 1 U 2 und der Summe bestimmen. U 1 + U 2 2 / 8 Bezeichnung Der Einfachheit
MehrInhaltsverzeichnis 1 Einführung 2 2 Grundlagen Fourier Transformation Wavelet Transformation
Universität Koblenz Landau Fachbereich Informatik Wavelets Michael Höreth Matrikelnummer 9720044 Seminar Computergraphik betreut von Prof. Dr.-Ing. H. Giesen Wintersemester 2000/2001 Vortrag vom 11.4.2001
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrA. Anhang Daubechies-Wavelets General characteristics: Compactly supported wavelets with extremal phase and highest number of vanishing moments for a
A. Anhang A.1. Eigenschaften von Wavelets und Wavelet-Familien Die folgenden tabellarischen Zusammenstellungen der wichtigsten Eigenschaften der in dieser Arbeit verwendeten Wavelet-Typen und Wavelet-Familien
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrJPEG, MPEG & Co. Alex Titze Angewandte Informatik FHTW-Berlin
Referat KIM Alex Titze Angewandte Informatik FHTW-Berlin 76900504811 Einleitung JPEG Geschichte & Überblick Komprimierungsablauf Farbformat DCT (Diskrete Cosinus Transformation) Quantisierung Koeffizientenkodierung
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der 1. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Zeitdiskretes Signal Quantisiertes Signal Digitales Signal Kontinuierliches System Abtastsystem
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
Mehr2. Aufgabe Vereinfachen Sie die folgenden Ausdrücke so, dass möglichst wenige Multiplikationen ausgeführt werden müssen!
Studiengang: PT/LOT/PVHT Semester: WS 9/ lgebra Serie: 2 Thema: Matrizen, Determinanten. ufgabe Gegeben sind die Matrizen = µ 2 3 2 µ 3 2 4, B = 2 Berechnen Sie: a) 2 + 3B b) B 2 c) B T d) B T e) T B f)
MehrFourier- und Laplace- Transformation
Übungsaufgaben zur Vorlesung Mathematik für Ingenieure Fourier- und Lalace- Transformation Teil : Lalace-Transformation Prof. Dr.-Ing. Norbert Hötner (nach einer Vorlage von Prof. Dr.-Ing. Torsten Benkner)
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrKomplexe Zahlen (Seite 1)
(Seite 1) (i) Motivation: + 5 = 3 hat in N keine Lösung Erweiterung zu Z = 2 3 = 2 hat in Z keine Lösung Erweiterung zu Q = 2 / 3 ² = 2 hat in Q keine Lösung Erweiterung zu R = ± 2 ² + 1 = 0 hat in R keine
MehrBilddatenkompression
Tilo Strutz Bilddatenkompression Grundlagen, Codierung, MPEG, JPEG Mit 134 Abbildungen und 55 Tabellen Herausgegeben von Otto Mildenberger vieweg VII 1 Einführung 1 2 Grundlagen der Datenkompression 5
MehrLineare Abhängigkeit und Unabhängigkeit. 1-E Ma 1 Lubov Vassilevskaya
Lineare Abhängigkeit und Unabhängigkeit -E Ma Lubov Vassilevskaya Eindimensionaler Raum Abb. -: Zwei nicht gleiche Vektoren auf der gleichen Gerade Jeden Vektor, der auf einer Geraden liegt, kann man durch
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik SS 13 G. Bärwolff, C. Mehl, G. Penn-Karras
Technische Universität Berlin Fakultät II Institut für Mathematik SS 3 G. Bärwolff, C. Mehl, G. Penn-Karras 9..3 Oktober Klausur Analysis II für Ingenieure Rechenteil. Aufgabe Punkte i) Wir berechnen zunächst
MehrGrafikformate: JPG - PNG
Grafikformate: JPG - PNG JPG JPG ist die Kurzform von JPEG (Joint Photographic Experts Group) Das Dateiformat nennt sich eigentlich JFIF (JPEG File Interchange Format) Spezifikation Bezeichnungen JPEG
Mehr19.3 Oberflächenintegrale
19.3 Oberflächenintegrale Definition: Sei D R 2 ein Gebiet und p : D R 3 eine C 1 -Abbildung x = p(u) mit x R 3 und u = (u 1, u 2 ) T D R 2 Sind für alle u D die beiden Vektoren und u 1 linear unabhängig,
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
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
MehrKap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v
Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht
MehrMathematik-Verknüpfung von 2D und 3D Punktwolken
Mathematik-Verknüpfung von 2D und 3D Punktwolken Dissertation zur Erlangung des akademischen Grades Doktor der Naturwissenschaften am Fachbereich Mathematik und Informatik, Physik, Geographie der Justus-Liebig-Universität
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrNachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 2 Zeitkontinuierliche
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrKapitel 5 Untermannigfaltigkeiten. 5.1 Glatte Flächen in R 3
Kapitel 5 Untermannigfaltigkeiten 5.1 Glatte Flächen in R 3 Bisher haben wir unter einem glatten Weg im R n stets eine differenzierbare Abbildung γ:i R n, definiert auf einem Intervall I R, verstanden.
MehrEinführung in die Mathematik für Informatiker
Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 12.12.2016 9. Vorlesung Eigenschaften linearer Abbildungen Beschreibung linearer Abbildungen durch Matrizen... Eigenschaften
Mehr5.10. Mehrdimensionale Extrema und Sattelpunkte
5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrDynamische Lasten. 1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Allgemeine zeitabhängige Lasten 2.2 Periodische Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrLineare Abbildungen. Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls. d.h.
Lineare Abbildungen Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls (1) u, v V : f( u + v) = f( u) + f( v). (2) v V α K : f(α v) = αf( v).
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrUnterräume; Basis und Dimension; Skalarprodukt, Norm und Vektorprodukt im R 3
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 2006/07 en Blatt 9 18.12.2006 Unterräume; Basis und Dimension; Skalarprodukt,
MehrKurze Geschichte der linearen Algebra
Kurze Geschichte der linearen Algebra Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 20 Entwicklung Die Historische Entwicklung
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
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
MehrAlgorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern
Algorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern Gerold Jäger Institut für Experimentelle Mathematik Ellernstraße 29 45326 Essen 20. Juli 2001 1 Einführung
MehrFunktionen lassen sich durch verschiedene Eigenschaften charakterisieren. Man nennt die Untersuchung von Funktionen auch Kurvendiskussion.
Tutorium Mathe 1 MT I Funktionen: Funktionen lassen sich durch verschiedene Eigenschaften charakterisieren Man nennt die Untersuchung von Funktionen auch Kurvendiskussion 1 Definitionsbereich/Wertebereich
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
Mehr4.4 Orthogonalisierungsverfahren und die QR-Zerlegung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrSiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:
/5 Fourier-Analyse (periodischer Signale) Grundlagen Ein periodisches, kontinuierliches Signal x(t) der Periodendauer kann als Fourier-Reihe beschrieben werden: wie folgt ( ) = c k x t + e j k 2πf t k=
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Kompression Zusammenfassung http://www.nanocosmos.de/lietz/mtv 2009 1 Motivation: Video-Kompression Unkomprimierte Datenmengen sind zu groß! TV: 20 MB/s = 72 GB/h (720x576x2x25)
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrJPEG-Standbildcodierung
JPEG-Standbildcodierung Dipl.-Ing. Guido Heising Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K. Barthel, G. Blättermann 1 Gliederung der Vorlesung Einführung JPEG (1992)
MehrAnalysis II für Ingenieure Übersicht: Integration. 1 Kurvenintegral über ein Skalarfeld
Analysis II für Ingenieure Übersicht: Integration 1 Kurvenintegral über ein Skalarfeld 1.1 erechnung c f ds = b a f ( c(t) ) c(t) dt 1. Kurve c parametrisieren: c : [a, b] R n, t c(t). 2. c(t) und dann
MehrVorlesung Berechnung elektrischer Energienetze (BEE)
Vorlesung Berechnung elektrischer Energienetze (BEE) 1. Das Drehstromsystem 2. Berechnung von Energieübertragungsnetzen und -systemen 3. Der 3-polige Kurzschluss 4. Unsymmetrische Fehler in Netzen 5. Hochspannungstechnik
MehrÜbung Elementarmathematik im WS 2012/13. Lösung zum Klausurvorbereitung IV
Technische Universität Chemnitz Fakultät für Mathematik Dr. Uwe Streit Jan Blechschmidt Aufgabenkomplex 7 - Vektoren Übung Elementarmathematik im WS 202/3 Lösung zum Klausurvorbereitung IV. (5 Punkte -
MehrRandwertbedingungen und Ghost Cells
Randwertbedingungen und Ghost Cells Olaf Kern Universität Trier 16.Dezember 2010 Olaf Kern (Universität Trier) Seminar Numerik 1/23 16.Dezember 2010 1 / 23 Inhaltsverzeichnis 1 Einführung 2 Periodische
MehrDer Ton macht die Musik
Der Ton macht die Musik Analyse von Tonsignalen mittels Fourier-Transformationen Teilnehmer: Tobias Berchner Holger Hesse Yasir Kaynar Dieu Thuy Linh Tran Viet Son Pham Jonas Pohl Henry Salfner Heinrich-Hertz-Oberschule,
MehrInformation und Codierung
Richard W. Hamming Information und Codierung Technische Universität Darmstadt FACHBEREICH INFORMATIK BIBLIOTHEK Invantar-Nr.: Sachgebiete:. Standort: VCH Inhalt Vorwort zur 1. Auflage der Originalausgabe
Mehr