Numerik und Rechnen. Inhaltsverzeichnis. Seminar Programmierung von Grafikkarten
|
|
- Holger Möller
- vor 6 Jahren
- Abrufe
Transkript
1 Numerik und Rechnen Seminar Programmierung von Grafikkarten Martin Heide & Dominik Holler Betreuer: Björn Knafla, Prof. Dr. Claudia Leopold Inhaltsverzeichnis 1 Einführung Rechnen auf der GPU mit einer Bibliothek Darstellung der Daten Operationen auf den Daten Beispiel Fazit Projekt GPGPU Raumklimabeurteilung Verwendung der High Level Sprache Sh für das numerische Rechnen Rechnen mit Sh Fazit... 6
2 1 Einführung Moderne GPUs eignen sich aufgrund ihrer engen Spezialisierung auf Verarbeitung massiv paralleler Datenströme sehr gut nicht nur für 3D Berechnungen, sondern auch für nicht grafische Rechenaufgaben mit gleich bleibenden Datenströmen. Sollen die Ergebnisse der Berechnung visualisiert werden, kommt hinzu, dass sie schon in der Grafikkarte sind; dadurch ist die Visualisierung sehr effizient. Die GPU kann auf verschiedenen Abstraktionsebenen programmiert werden. Eine wenig abstrakter Ansatz ist es, in das Applikationsprogramm Shader einzubetten, um Probleme hoher arithmetischer Intensität auf der GPU zu berechnen. Die Applikation lässt sich vereinfachen, indem GPGPU in einer Bibliothek gekapselt wird. Zum Beispiel ist es mit der Bibliothek Havok FX 1 möglich, physikalische Effekte von der GPU berechnen zu lassen. Im Bereich der Computer Vision (computerunterstütztes Sehen) klingt die Bibliothek OpenVIDIA 2 viel versprechend, weil sie aufwendige Algorithmen, die zum Beispiel zur Objekterkennung auf Videobildern nötig sind, auf die GPU verlagert. An der TU-München wurde eine Bibliothek entwickelt, die Berechnungen der Linearen Algebra auf die GPU verlagert. Diese Bibliothek wird im ersten Teil der Arbeit vorgestellt. Einen ganz anderen Ansatz geht das Stream-Processing Paradigma. Mit Programmiersprachen wie Sh sich Metaprogramme erstellen, die erst zur Laufzeit das auszuführende Programm generieren. 2 Rechnen auf der GPU mit einer Bibliothek Hier wird am Beispiel der Bibliothek für Lineare Algebra von Jens Krüger gezeigt, wie Matrizen und Vektoren auf einer GPU gespeichert und verarbeitet werden können. Anschließend werden die vorgestellten Konzepte benutzt, um ein Beispielproblem zu lösen. Der gesamte Abschnitt orientiert sich am Kapitel A GPU Framework for Solving Systems of Linear Equations von Jens Krüger und Rüdiger Westermann im Buch GPU Gems 2 von Addison-Wesley und Nvidia. 2.1 Darstellung der Daten Skalare (Fließkommazahlen) werden als 1 1 Textur dargestellt, weil der Texturspeicher effizient an die GPU angebunden ist, und weil diese Darstellung zu den folgenden Datentypen passt. Vektoren werden als Texturen, und nicht als Vertices gespeichert, weil die GPU Texel schneller als Vertices verarbeitet, weil der Texturspeicher schneller angebunden ist, und weil in den Texturspeicher auch geschrieben werden kann. Da Grafikhardware für die Verarbeitung zweidimensionaler Texturen optimiert ist, sind zweidimensionale Texturen zur Repräsentation von Vektoren am besten geeignet, siehe Schritt 1 in Abbildung 1. In jedem Pixel der Textur lassen sich 4 Fließkommazahlen speichern, siehe Schritt 2 in Abbildung 1. Auf diese Art lassen sich auch hardwareseitige Größenbeschränkungen eindimensionaler Texturen umgehen. Voll, diagonal und zufällig besetzte Matrizen werden verschiedene Art gespeichert. Volle Matrizen werden in ihre Spaltenvektoren zerlegt gespeichert. Sind nur die Diagonalen einer Matrix besetzt, ist es ausreichend nur diese Diagonalenvektoren als Spaltenvektoren zu speichern, siehe Matrix M in Abbildung
3 1. Ein Pixel 2. Abbildung 1: Darstellung von eindimensionalen Vektoren auf der GPU 2.2 Operationen auf den Daten Die hier vorgestellten Operationen berechnen aus Texturen, die, wie oben erklärt, Matrizen und Vektoren repräsentieren, neue Texturen, die das Ergebnis einer Rechenoperation repräsentieren. Elementweise Operationen, wie die Addition oder die elementweise Multiplikation von Vektoren, berechnen aus einem Pixelpaar der beiden Eingabetexturen ein Pixel der Ausgabetextur. Die Berechnung wird vom Fragmentshader durchgeführt. Die Summe über alle Elemente eines einer Matrix n n kann in log n Rendering-Durchgängen gefunden werden. In jedem Rendering-Druchgang wird die Eingabematrix auf eine Textur der viertelsten Größe reduziert. Dabei addiert das Fragment-Programm je vier Pixel der Eingabematrix zu einem Pixel der Ausgabematrix. Eine diagonal-besetzte Matrix M wird mit einem Vektor v multipliziert, indem die Diagonalen- Vektoren elementweise mit bestimmten Elementen des Vektors v multipliziert werden, siehe Abbildung 2. Der Vektor der Elemente, mit ein Diagonalen-Vektor multipliziert werden soll, ergibt sich aus dem Vektor v durch verschieben der Indices um den Abstand des Diagonalen-Vektors zur Hauptdiagonale der Matrix. In Abbildung 2 wird die Hauptdiagonale (Rot, Gelb, Mangenta, Orange) mit v elementweise Multipliziert. Die zweite besetzte Diagnonale in M (Hellgrün, Blau) wird nur mit den beiden letzten Elementen von v elementweise Multipliziert. Der Ergebnissvektor der Matrix-Vektor-Multiplikation ergibt sich aus der Summe Ergebnisse der elementweisen Vektor-Multiplikationen. M v x x x Abbildung 2: Multiplikation einer diagonal besetzten Matrix mit einem Vektor 3
4 Abbildung 3: Einfluß eines Elementes in einem 3 3 Gitter 2.3 Beispiel Die Autoren Kürger und Westermann zeigen [KrüWest05], wie sich eine Welle an der Wasseroberfläche auf der GPU simulieren lässt. Dazu wird ein Gitter, siehe Abbildung 3, über die simulierte Wasserfläche gelegt. Die roten Pfeile in Abbildung 3 beschreiben den Einfluß der Höhe y der Welle an den benachbarten Punkten des Gitterneztes auf den mittleren Punkt, die blauen Pfeile beschreiben den Einfluss der Welle des mittleren Punktes auf seine Nachbarn. Mathematisch lässt sich die Auslenkung y der Welle in der x z -Ebene in Abhängigkeit der Geschwindigkeit c der Welle mit der partiellen Differentialgleichung in Formel 1 beschrieben. 2 y c2 2 y 2 y t 2 x 2 z 2 Formel 1: Beschreibung der Welle Formel 2: Explizite Darstellung der Welle Aus der Diskretisierung von Formel 1 ergibt sich durch Umformungen Formel 2. Formel 2 beschreibt die Welle in einer für Computer geeigneter Schreibweise aus Matrizen und Vektoren. Die Matrix M beschreibt den Einfluss der Welle an jedem Punkt im Gitter auf jeden Punkt im Gitter. Der Vektor t y beschreibt die Welle zum Zeitpunkt t an jedem Punkt im Gitter. Diese Berechnung lässt sich mit der Bibliothek der TU-München in eine Zeile C-Quelltext kapseln: M->MatrixVectorOp(CL_SUB, y_now, y_last, y_next); Zur Berechnung wird eine Matrix-Vektor-Multiplikation für die fünf besetzten Diagonalen der Matrix M durchgeführt. Vom Ergebnis-Vektor der Multiplikation wird anschließend y t 1 elementweise abgezogen. Beide Rechenschritte werden auf die oben beschriebene Weise durchgeführt. 2.4 Fazit Berechnungen der Linearen Algebra lassen sich auf der GPU durchführen. Auf der Grafikkarte werden Matrizen und Vektoren von Texturen repräsentiert. Berechnungen werden vom Fragmentshader durchgeführt. Bibliotheken, wie die hier vorgestellte Bibliothek der TU-München, können die Details der Implementierung kapseln. 3 Projekt GPGPU Raumklimabeurteilung y t 1 M y t y t 1 Die Motivation für den zweiten Teil diese Ausarbeitung resultiert aus dem Studienprojekt GPGPU Raumklimabeurteilung, bei dem es um eine thermische Behaglichkeitssimulation von Wohn- und Arbeitsräumen geht. 4
5 Das ursprüngliche Simulationsprogramm entstand am Ingenieurbüro Prof. Hauser und wurde von Dipl.-Ing. Christoph Kempkes in Fortran entwickelt. Ziel des Projektes ist es, die Simulation auf einer High-End GPU zu rechnen, mit dem Ziel der Performance-Steigerung zugunsten höherer Genauigkeit. Unter Behaglichkeit wird hier das thermische Temperaturempfinden eines Menschen verstanden in der Art: Mir ist kalt, mir ist zu warm oder es ist gerade angenehm. Die Grundidee des Simulationsalgorithmus ist in der Abb. 1 schematisch dargestellt. Das Ergebnis ist als blau-rote Ebene dargestellt. Diese symbolisiert die Verteilung der PMV-Werte, die das thermische Empfinden einer Person angeben (PMV nach DIN EN ISO 7730). Der Ermittlung der PMV- Werte liegen die Strahlungstemperaturen zugrunde (DIN EN 1946 Teil 2). Die Ebene ist in Zellen aufgeteilt, für die je ein Strahlungstemperatur-Wert zu ermitteln ist. Dazu müssen ebenfalls die Bauelemente (Wände, Decke, Fußboden) in Zellen zerlegt werden, in denen je Oberflächentemperatur, Entfernung und Winkel zur jeder Zelle der PMV-Ebene kodiert sind. Die Simulation liefert um so genauere Ergebnisse, je feiner die Gitterauflösung ist. Abbildung 3: PMV- Verteilung in einer Ebene 4 Verwendung der High Level Sprache Sh für das numerische Rechnen Für die Simulation der thermischen Behaglichkeit wird die High-Level Sprache Sh, das an der University of Waterloo Kanada entwickelt wird, verwendet. Der Vorteil der High-Level Sprachen gegenüber der Low-Level Methode und den Bibliotheken liegt in der höheren Abstraktionsebene und Einfachheit. So muss der Programmierer kein OpenGL oder DirectX Spezialist mehr sein, d. h. er muss das Stream-Processing Paradigma nicht mit Texturen und Shadern umsetzen. Ein weiterer Vorteil ist die bessere Plattformunabhängigkeit. Diese Vorzüge und die Möglichkeit, ein Shader zu programmieren, machen Sh zum geeigneten Kandidaten als bevorzugte Sprache für das Projekt. 5
6 4.1 Rechnen mit Sh Dieser Kapitel erklärt nicht Sh, sondern Beschreibt das Verfahren der Matrixreduktion mit Sh. Es wird vorausgesetzt, dass der Leser mit dem Vortrag von Jens Breitbart Streamprocessing und Hich-Level GPGPU-Sprachen vom vertraut ist. Weil ein Bauelement (typischerweise eine Wand) in der Simulation auf eine Matrix abgebildet wird (vgl. Kapitel 3), ist die wesentliche Anwendung der GPU im Projekt das Aufaddieren der Zellen einer großen Matrix (die Reduktion der Matrix). Sie kann dazu zeilenweise in Streams aufgeteilt werden. Diese können nun in die GPU geladen und dort verarbeitet werden. Allerdings ist der Programmierer an dieser Stelle mit einer Einschränkung der Streamparadigmas konfrontiert. Die Aufaddierten Matrix-Zeilen ergeben einen Vektor, dessen Elemente wieder aufaddiert werden müssen, doch ist dies ohne die Neuordnung der Streams nicht möglich, denn die GPU lässt keinen Umtausch der Streamelemente zu (Abb. 2). Der Ausgabe-Stream muss nun in die CPU geladen und dort neu sortiert werden. Dieser Prozess führt zu einer Steigerung der Busauslastung, die die GPU Performance erheblich schmälert. Eine Lösung wäre, die zu verarbeitenden Matrizen bezüglich der Rechenvorgänge zu sortieren. D. h. erst werden die Zeilen jeder Matrix zusammenaddiert, dann werden die Ergebnisse in die CPU geladen und zu einer neuen Matrix zusammengefasst, nun wir die Matrix wieder in die GPU geladen und die Zeilen addiert. So bekommen wir die Reduktionen jeder Matrix mit nur zwei Buszugriffen. Streams Streams Matri x Vektor GPU CPU GPU CPU Skalar Abbildung 4: Matrixreduktion 5 Fazit Das Streamingparadigma erlaubt durch die höhere Abstraktion einfachere Herangehensweise an ein numerisches Problem. Jedoch gibt es momentan einige Einschränkungen. Z. B. können die Streams nicht in der GPU neu geordnet werden, ferner gibt es keine Datenstruktur in der Art eines Arrays, die wahlfreien Zugriffe für jeden Streamelement zulässt, ohne dass sich der Programmierer mit Texturen beschäftigen muss. 6
7 Die High-Level Sprachen bergen einige Nachteile. So lassen die gegenwärtigen GPU Architekturen keine Neuordnung der definierten Streams zu. Diese können nur auf der CPU-Ebene neu geordnet werden, was zu einer höheren Busauslastung und somit Latenz führt, denn die Daten müssen in den Arbeitsspeicher des Rechner transferiert werden. Daher ist es wichtig, zusätzlich zu dem Streamkonzept, die Möglichkeit zu haben, GPU-Direktiven im demselben Programm einzubetten. So können Features entwickelt werden, die das Streamparadigma nicht zulässt. Z. B. wahlfreies Lesen einer Textur, um jedem Streamelement dieselben Werte verfügbar zu machen. Für die Entwicklung des Simulationsprogramms im Rahmen des Projekts GPGPU Raumklimabeurteilung ist die Wahl trotz bekannter Einschränkungen auf Sh gefallen. Der Grund dafür ist, die einfache Handhabung der Streams und die Möglichkeit GPU-Programme so zu gestalten, dass ein wahlfreies Lesen doch noch möglich ist. Ferner ist Sh die zur Zeit einzige verfügbare GPU Programmiersprache, die weiterentwickelt wird. 6 Zusammenfassung Es hat sich gezeigt, dass sich Berechnungen auf der GPU in einer High-Level-Sprache wie Sh oder mit Bibliotheken, wie die der TU-München, sich mit Einschränkungen programmieren lassen. Bibliotheken haben sich als sehr auf ein Problem spezialisiert herausgestellt, während die High- Level-Sprache Sh durch das Stream-Programming-Paradigma eingeschränkt wird. 7
8 Literaturverzeichnis [KrüWest05] KRÜGER, Jens; WESTERMANN, Rüdiger: A GPU Framework for Solving Systems of Liniear Equations in GPU Gems 2 Addison-Weslesy, 2005 ISBN Seiten [DIN7730] DIN EN ISO 7730: Analytische Bestimmung und Interpretation der thermischen Behaglichkeit durch Berechnung des PMV- und PPD-Indexes und der lokalen thermischen Behaglichkeit. [DIN1946] DIN EN ISO 1946, Raumlufttechnik Gesundheitstechnische Anforderungen. 8
RST-Labor WS06/07 GPGPU. General Purpose Computation On Graphics Processing Units. (Grafikkarten-Programmierung) Von: Marc Blunck
RST-Labor WS06/07 GPGPU General Purpose Computation On Graphics Processing Units (Grafikkarten-Programmierung) Von: Marc Blunck Ablauf Einführung GPGPU Die GPU GPU Architektur Die Programmierung Programme
MehrGeneral Purpose Computation on GPUs
General Purpose Computation on GPUs Matthias Schneider, Robert Grimm Universität Erlangen-Nürnberg {matthias.schneider, robert.grimm}@informatik.stud.uni-erlangen.de M. Schneider, R. Grimm 1 Übersicht
MehrMatrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie
Regina Gellrich Carsten Gellrich Matrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie Mit zahlreichen Abbildungen, Aufgaben mit Lösungen und durchgerechneten Beispielen
MehrGrafikkarten-Architektur
> Grafikkarten-Architektur Parallele Strukturen in der GPU Name: Sebastian Albers E-Mail: s.albers@wwu.de 2 > Inhalt > CPU und GPU im Vergleich > Rendering-Pipeline > Shader > GPGPU > Nvidia Tesla-Architektur
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
MehrDiplomarbeit. Neue Möglichkeiten durch programmierbare Shader. Unter der Leitung von: Prof. Dr.-Ing. Detlef Krömker
Diplomarbeit 5HDO7LPH6SHFLDO (IIHFWV Neue Möglichkeiten durch programmierbare Shader Unter der Leitung von: Prof. Dr.-Ing. Detlef Krömker Betreut von: Paul Grimm, Ralf Dörner Beginn: 01.04.02 Abgabe: 30.09.02
MehrAnwendungen der Linearen Algebra
Anwendungen der Linearen Algebra mit MATLAB Bearbeitet von Günter M. Gramlich 1. Auflage 4. Buch. 179 S. Hardcover ISBN 978 3 446 22655 5 Format (B x L): 14,5 x 21 cm Gewicht: 265 g Weitere Fachgebiete
MehrLineare Algebra. Grundlagen der Vektorrechnung. fsg Verlag
Rolf Stahlberger Alexander Golfmann Lineare Algebra Grundlagen der Vektorrechnung fsg Verlag Impressum Herausgeber: FSG Verlag Alexander Golfmann Augustenstr. 58 80333 München info@fsg-verlag.de www.fsg-verlag.de
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
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
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
MehrFachgebiet Programmiermethodik Prof. Dr. Claudia Leopold. Seminar Programmierung von Grafikkarten. GPGPU Basiskonzepte. von.
Fachgebiet Programmiermethodik Prof. Dr. Claudia Leopold Seminar Programmierung von Grafikkarten GPGPU Basiskonzepte von Marc Kirchhoff Inhaltsverzeichnis 1 Einleitung 2 2 Streams, Kernels und Prozessoren
Mehr2.2 Kollineare und koplanare Vektoren
. Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,
MehrGrundlagen der Vektorrechnung
Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrÜbungspaket 23 Mehrdimensionale Arrays
Übungspaket 23 Mehrdimensionale Arrays Übungsziele: Skript: Deklaration und Verwendung mehrdimensionaler Arrays Kapitel: 49 Semester: Wintersemester 2016/17 Betreuer: Kevin, Matthias, Thomas und Ralf Synopsis:
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
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
MehrTutorium: Diskrete Mathematik. Matrizen
Tutorium: Diskrete Mathematik Matrizen Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de Definition I Eine Matrix ist eine rechteckige Anordnung (Tabelle) von Elementen, mit denen man in bestimmter
MehrHandreichungen für den Unterricht mit grafikfähigen Taschenrechnern ohne CAS (GTR)
Hessisches Kultusministerium Landesabitur 08 Handreichungen für den Unterricht mit grafikfähigen Taschenrechnern ohne CAS (GTR). Methodisch-didaktische Bemerkungen zum Unterricht mit GTR Der Unterricht
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/48
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
MehrModellierung und Simulation optischer Strahlführungen. Diplomarbeit Timon Bätz
Modellierung und Simulation optischer Strahlführungen Diplomarbeit Timon Bätz Übersicht Ziele Physikalische Hintergründe Architektur und Implementierung Ergebnisse Ausblick Demo 2 Ziele Entwicklung eines
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
MehrMatrizen. Jörn Loviscach. Versionsstand: 12. April 2010, 19:00 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung.
Matrizen Jörn Loviscach Versionsstand: 12. April 2010, 19:00 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. 1 Matrix Ein rechteckige Anordnung von mathematischen Objekten
MehrVektoren. Jörn Loviscach. Versionsstand: 11. April 2009, 23:42
Vektoren Jörn Loviscach Versionsstand:. April 29, 23:42 Rechnen mit Pfeilen Bei den komplexen Zahlen haben wir das Rechnen mit Pfeilen schon kennen gelernt. Addition und Subtraktion klappen in drei wie
MehrMathematische Probleme lösen mit Maple
Mathematische Probleme lösen mit Maple Ein Kurzeinstieg Bearbeitet von Thomas Westermann überarbeitet 2008. Buch. XII, 169 S. ISBN 978 3 540 77720 5 Format (B x L): 15,5 x 23,5 cm Weitere Fachgebiete >
MehrGliederung. Was ist CUDA? CPU GPU/GPGPU CUDA Anwendungsbereiche Wirtschaftlichkeit Beispielvideo
Gliederung Was ist CUDA? CPU GPU/GPGPU CUDA Anwendungsbereiche Wirtschaftlichkeit Beispielvideo Was ist CUDA? Nvidia CUDA ist eine von NvidiaGPGPU-Technologie, die es Programmierern erlaubt, Programmteile
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
Mehr7. Sortieren Lernziele. 7. Sortieren
7. Sortieren Lernziele 7. Sortieren Lernziele: Die wichtigsten Sortierverfahren kennen und einsetzen können, Aufwand und weitere Eigenschaften der Sortierverfahren kennen, das Problemlösungsparadigma Teile-und-herrsche
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrCompute Unified Device Architecture CUDA
Compute Unified Device Architecture 06. Februar 2012 1 / 13 Gliederung 2 / 13 : Compute Unified Device Architecture entwickelt von Nvidia Corporation spezifiziert Software- und Hardwareeigenschaften Ziel:
MehrKrümmungsapproximation auf 3D-Modellen
Krümmungsapproximation auf 3D-Modellen Mathematische Grundlagen und Approximation Christian Cyrus Matrikelnummer 157707 Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg Diese Ausarbeitung
MehrLineare Algebra: Theorie und Anwendungen
Lineare Algebra: Theorie und Anwendungen Sommersemester 2012 Bernhard Burgeth Universität des Saarlandes c 2010 2012, Bernhard Burgeth 1 VEKTOREN IN DER EBENE UND IM RAUM 2 1 Vektoren in der Ebene und
MehrÜbungspaket 23 Mehrdimensionale Arrays
Übungspaket 23 Mehrdimensionale Arrays Übungsziele: Skript: Deklaration und Verwendung mehrdimensionaler Arrays Kapitel: 49 Semester: Wintersemester 2016/17 Betreuer: Kevin, Matthias, Thomas und Ralf Synopsis:
MehrAufgaben. zu Inhalten der 5. Klasse
Aufgaben zu Inhalten der 5. Klasse Universität Klagenfurt, Institut für Didaktik der Mathematik (AECC-M) September 2010 Zahlbereiche Es gibt Gleichungen, die (1) in Z, nicht aber in N, (2) in Q, nicht
MehrThema: Hardware-Shader
Seminar Grafikprogrammierung Thema: Hardware-Shader Christian Bauer 03.07.08 Überblick Entwicklung Die Shader im Detail Programmierung GPGPU Zusammenfassung & Ausblick 1/19 Entwicklung (1) Früher: Berechnung
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
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
Mehr4) Lösen linearer Gleichungssysteme mit zwei oder drei Unbekannten
1) Wechsel der Darstellung Taschenrechner CASIO fx-991 ES Denn es ist eines ausgezeichneten Mannes nicht würdig, wertvolle Stunden wie ein Sklave im Keller der einfachen Berechnungen zu verbringen. Gottfried
MehrMathematica kompakt. Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß. Oldenbourg Verlag München
Mathematica kompakt Einführung-Funktionsumfang-Praxisbeispiele von Dipl.-Math.Christian H.Weiß Oldenbourg Verlag München Inhaltsverzeichnis Vorwort Tabellenverzeichnis VII XVII 1 Einleitung 1 1 Grundlagen
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
MehrPhysX Evaluation. Softwarepraktikum Computergraphik. Daniel Brock, Robert Kreuzer, Simon Kufner. 5. Juli 2010
PhysX Evaluation Softwarepraktikum Computergraphik Daniel Brock, Robert Kreuzer, Simon Kufner 5. Juli 2010 Daniel Brock, Robert Kreuzer, Simon Kufner () PhysX Evaluation 5. Juli 2010 1 / 17 1 Aufgabenstellung
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
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
MehrKV Logik als Arbeitssprache. Christoph Hörtenhuemer LVA-Nummer: LVA-Leiterin: Wolfgang Windsteiger. Agnes Schoßleitner
KV Logik als Arbeitssprache LVA-Nummer: 326.014 LVA-Leiterin: Wolfgang Windsteiger Abgabedatum: 02. 06. 2004 Christoph Hörtenhuemer 0355958 Agnes Schoßleitner 0355468 Inhaltsverzeichnis Kurzbeschreibung...
MehrEntwicklung algorithmischer Skelette für CUDA am Beispiel von Affintiy Propagation
Entwicklung algorithmischer Skelette für CUDA am Beispiel von Affintiy Propagation Christoph Winter Fakultät für Informatik und Mathematik Ostbayerische Technische Hochschule Regensburg 93049 Regensburg
MehrOptimierung eines neuen Logarithmic-Search-Verfahrens zum Image Mosaicing unter Einsatz des CUDA-Frameworks
Fachhochschule Köln, Campus Gummersbach Optimierung eines neuen Logarithmic-Search-Verfahrens zum Image Mosaicing unter Einsatz des CUDA-Frameworks 03.06.2009 Eugen Sewergin, B. Sc. Erstprüfer: Prof. Dr.
MehrEinführung 17. Teil I Zu den Grundlagen der linearen Algebra 21. Kapitel 1 Schnelleinstieg in die lineare Algebra 23
Inhaltsverzeichnis Einführung 17 Zu diesem Buch 17 Konventionen in diesem Buch 17 Törichte Annahmen über den Leser 17 Wie dieses Buch aufgebaut ist 18 Teil I: Zu den Grundlagen der linearen Algebra 18
MehrVektoren. Kapitel 3. 3.1 Skalare, Vektoren, Tensoren. 3.2 Vektoren
Kapitel 3 Vektoren 31 Skalare, Vektoren, Tensoren Viele physikalische Größen lassen sich bei bekannter Maßeinheit durch Angabe ihres Betrages als reelle Zahl vollständig angeben Solche Größen nennt man
Mehr1.) Matrix einer linearen Abbildung
1.) Matrix einer linearen Abbildung Aufgaben: 7 restart; with(linearalgebra): Definitionen MATH: Seien und Vektorräume über dem Körper mit Basen und. Wir wollen eine bequeme Art finden, eine lineare Abbildung
MehrMathematik für Ingenieure mit Maple
Thomas Westermann Mathematik für Ingenieure mit Maple Bandl: Differential- und Integralrechnung für Funktionen einer Variablen, Vektor- und Matrizenrechnung, Komplexe Zahlen, Funktionenreihen 4., neu bearbeitete
MehrLineare Algebra mit dem Statistikprogramm R
SEITE 1 Lineare Algebra mit dem Statistikprogramm R 1. Verwendung von Variablen Variablen werden in R definiert, indem man einem Variablennamen einen Wert zuweist. Bei Variablennamen wird zwischen Groß
MehrArchitektur moderner GPUs. W. Sczygiol - M. Lötsch
Architektur moderner GPUs W. Sczygiol - M. Lötsch Überblick Chipentwicklung Aktuelle Designs Nvidia: NV40 (ATI: R420) Vertex-Shader Pixel-Shader Shader-Programmierung ROP - Antialiasing Ausblick Referenzen
MehrMATLAB Eine Einführung
MATLAB Eine Einführung Samuel Ferraz-Leite Institut für Analysis und Scientific Computing Technische Universität Wien 1 MATLAB-Buch Christoph Überhuber Stefan Katzenbeisser Dirk Praetorius MATLAB 7 Eine
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
MehrOne of the few resources increasing faster than the speed of computer hardware is the amount of data to be processed. Bin Hu
Bin Hu Algorithmen und Datenstrukturen 2 Arbeitsbereich fr Algorithmen und Datenstrukturen Institut fr Computergraphik und Algorithmen Technische Universität Wien One of the few resources increasing faster
MehrVektoren. 2.1 Darstellung. Kapitel Subtraktion und Addition
Kapitel 2 Vektoren In diesem Kapitel werden wir im wesentlichen die verschiedenen Formen der Darstellung von Vektoren in MatLab sowie Verknüpfungen zwischen Vektoren betrachten. In letzterem Punkt ist
MehrWertebereich und Genauigkeit der Zahlendarstellung
Wertebereich und Genauigkeit der Zahlendarstellung Sowohl F als auch C kennen bei ganzen und Floating Point-Zahlen Datentypen verschiedener Genauigkeit. Bei ganzen Zahlen, die stets exakt dargestellt werden
MehrPraxiseinheit: Realisierung einer hardwarebeschleunigten Disparitätenberechnung zur automatischen Auswertung von Stereobildern
Praxiseinheit: Realisierung einer hardwarebeschleunigten Disparitätenberechnung zur automatischen Auswertung von Stereobildern Institut für Betriebssysteme und Rechnerverbund TU Braunschweig 25.10., 26.10.
MehrLineare Algebra 1. . a n1 a n2 a n3 a nm
Lineare Algebra 1 Lineare Algebra Hilfreiche Konzepte zur Vereinfachung der Darstellung und Berechnung stellt die lineare Algebra bereit. Auch wenn sie nur an wenigen Stellen des Buches verwendet wurden,
Mehr3.6 Einführung in die Vektorrechnung
3.6 Einführung in die Vektorrechnung Inhaltsverzeichnis Definition des Vektors 2 2 Skalare Multiplikation und Kehrvektor 4 3 Addition und Subtraktion von Vektoren 5 3. Addition von zwei Vektoren..................................
MehrAnalytische Geometrie, Vektorund Matrixrechnung
Kapitel 1 Analytische Geometrie, Vektorund Matrixrechnung 11 Koordinatensysteme Eine Gerade, eine Ebene oder den Anschauungsraum beschreibt man durch Koordinatensysteme 111 Was sind Koordinatensysteme?
MehrAlgorithmen und Datenstrukturen (für ET/IT) Wiederholung: Ziele der Vorlesung. Wintersemester 2012/13. Dr. Tobias Lasser
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Wiederholung: Ziele der Vorlesung Wissen: Algorithmische
MehrMATLAB 5 für Ingenieure
Adrian Biran Moshe Breiner MATLAB 5 für Ingenieure Systematische und praktische Einführung 3., überarbeitete und erweiterte Auflage TT ADDISON-WESLEY An imprint of Pearson Education München Boston San
Mehrcomputer graphics & visualization
Entwicklung und Implementierung echtzeitfähiger Verfahren zur Darstellung von reflektierenden Objekten auf GPUs echtzeitfähiger Verfahren zur Darstellung von reflektierenden Objekten auf GPUs Motivation
MehrSoftwaretechnik (Allgemeine Informatik) Überblick
Softwaretechnik (Allgemeine Informatik) Überblick 1 Einführung und Überblick 2 Abstraktion 3 Objektorientiertes Vorgehensmodell 4 Methoden der Anforderungs- und Problembereichsanalyse 5 UML-Diagramme 6
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrEinführung in die Matrixalgebra
Einführung in die Matrixalgebra Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Bachelor S. Garbade (SRH Heidelberg) Matrixalgebra Bachelor
MehrVektoralgebra: Grundbegriffe
Vektoralgebra: Grundbegriffe 1-E1 1-E2 Inhalt Skalar: Definition, Beispiele. Richtung. Vektoren als gerichtete Größen. Physikalische Vektorgrößen, Beispiele. 1-E3 Skalare Ein Skalar ist eine mathematische
MehrLEHRPLAN FÜR DAS ERGÄNZUNGSFACH ANWENDUNGEN DER MATHEMATIK
LEHRPLAN FÜR DAS ERGÄNZUNGSFACH ANWENDUNGEN DER MATHEMATIK A. Stundendotation Klasse 1. 2. 3. 4. Wochenstunden 4 (1) Beitrag des Faches zur gymnasialen Bildung Der Unterricht im Ergänzungsfach Anwendungen
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
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
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
MehrTheorie 1 1 / 2 Grundbegriffe
Theorie 1 1 / 2 Grundbegriffe Was ist ein Vektor? Wie lassen sich Vektoren darstellen? Theorie 1 2 / 2 Grundbegriffe Antwort : Ein Vektor ist die Menge aller gleichlangen, gleichgerichteten und gleichorientierten
MehrArbeitsblatt 1 Einführung in die Vektorrechnung
Arbeitsblatt Einführung in die Vektorrechnung Allgemein Vektoren sind physikalische Größen und durch ihre Richtung und ihren Betrag festgelegt. Geometrisch wird ein Vektor durch einen Pfeil dargestellt,
MehrParallele und verteilte Programmierung
Thomas Rauber Gudula Rünger Parallele und verteilte Programmierung Mit 165 Abbildungen und 17 Tabellen Jp Springer Inhaltsverzeichnis 1. Einleitung 1 Teil I. Architektur 2. Architektur von Parallelrechnern
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Dr. Tom Kamphans 1. Vorlesung 12.10.2016 1 Organisatorisches Vorlesung: Mittwochs 14:00 15:30, Raum F 201 Übung: Mittwochs 15:45 19:00, Raum F 225 Übung: alle zwei Wochen
MehrMatrizenoperationen mit FORTRAN
Kapitel 2 Matrizenoperationen mit FORTRAN 21 Grundlagen Bei vielen Anwendungen müssen große zusammenhängende Datenmengen gespeichert und verarbeitet werden Deshalb ist es sinnvoll, diese Daten nicht als
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrMatrizen und Drehungen
Matrizen und Drehungen 20. Noember 2003 Diese Ausführungen sind im wesentlichen dem Skript zur Vorlesung Einführung in die Theoretische Physik I und II on PD Dr. Horst Fichtner entnommen. Dieses entstand
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
Mehr0 Einführung. Computergrafik. Computergrafik. Abteilung für Bild- und Signalverarbeitung
F1 Inhaltsverzeichnis 1 Hardwaregrundlagen 2 Transformationen und Projektionen 3 Repräsentation und Modellierung von Objekten 4 Rasterung 5 Visibilität und Verdeckung 6 Rendering 7 Abbildungsverfahren
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrDEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
Mehr3 Kurzeinführung in Matlab
3 Kurzeinführung in Matlab Matlab ist ein sehr leistungsfähiges interaktives Programmpaket für numerische Berechnungen. Nutzen Sie dies parallel zu den Vorlesungen. Sie können damit persönlich erfahren,
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrLineare Algebra Zusammenfassung
Lineare Algebra Zusammenfassung Gruppen, Körper, Vektorräume Gruppen Def.: Eine Gruppe (G, )besteht aus einer nicht-leeren Menge G und einer Verknüpfung zwischen Elementen dieser Gruppe. Folgende Eigenschaften
MehrAnalytische Geometrie mit dem Voyage 1
Analytische Geometrie mit dem Voyage. Vektoren Vektoren lassen sich definieren in eckigen Klammern. Setzt man ein Semikolon zwischen die einzelnen Komponenten, so ergibt sich ein Spaltenvektor. Ein Spaltenvektor
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
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
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
Mehr