Übersicht der Vorlesung
|
|
- Lilli Hummel
- vor 6 Jahren
- Abrufe
Transkript
1 Überscht der Vorlesun. nführun. Bldverarbetun 3. Morpholosche Operatonen 4. Bldsementerun 5. Merkmale von Obekten 6. Klassfkaton 7. Dredmensonale Bldnterpretaton 8. Beweunsanalyse aus Bldfolen 9. PCA Hauptkomponentenanalyse.ICA Independent Component Analyss Unabhänketsanalyse
2 Bldverarbetun
3 . Bldverarbetun. nführun. Punktoperatonen.3 Lokale Operatonen.4 Globale Operatonen
4 . nführun
5 Bldvorverarbetun nabebld Transformaton Ausabebld ne Aufaben der Bldverarbetun snd: Bldverbesserun Korrektur von Bldfehlern Kantendetekton Sementerun des Bldes Fnden homoener Bereche erste Bldanalyse
6 Bldmatrx G K I K J W R reelle Zahlen Grauwerte I J Anzahl der Bldzelen Anzahl der Bldspalten
7 Bemerkun -te Spalte wrd we üblch lnks aneordnet De -te Zele kann unten oder oben stehen und wrd n der Bldverarbetun e nach Kontext verscheden anewendet.
8 Grauwerte W Grauwerte G mn mn{ w} W w G max max{ w} w W Bespel: W [55]
9 Bldfole G k k K I K J k W R k K K Anzahl der Blder Bldfolen werden u. a. be der Beweunsanalyse benött
10 Hstoramm G H w { : w} W N : H w - Anzahl der Grauwerte mt w
11 Hstoramm
12 Hstoramm
13 3 unterschedlche Blder mt dentschen Hstoramm
14 Kumulatves Hstoramm w W w w N W w H w H ' : ' ' : max mn und der natürlchen Zahlen zwschen Mene G G W < + max mn mn mn G w G w H w H G w G H w H J I G H max
15 Kumulatves Hstoramm
16 Operatonen n der Bldverarbetun G G A A nabebld nabebldfole Ausabebld
17 Arten von Operatonen Punktoperatonen lokale Operatonen lobale Operatonen
18 Punktoperatonen n Bldpunkt des Ausabebldes st nur ene Funkton enes enzelnen Bldpunktes des nabebldes. f A oft st und
19 Lokale Operatonen n Bldpunkt des Ausabebldes st ene Funkton der Bldpunkte n ener lokalen Umebun U um den entsprechenden Punkt des nabebldes. De lokale Umebun wrd mest symmetrsch zum betrachteten Punkt oft quadratsch ewählt : A f [{ ' ' : ' ' U}]
20 Umebun U Rechteck A f [{ l m}] l L L L unerade natürlche Zahlen m M M L
21 quadratsche Umebun L M Umebun U:
22 Globale Operaton n Bldpunkt des Ausabebldes st ene Funkton aller Punkte des nabebldes: f [{ }] A
23 . Punktoperatonen
24 Punktoperatonen - Überblck Kontrast und Hellket Dehnun der Grauskala Hstorammebnun Schwellwertbldun Bnarserun Wetere Bespele für Punktoperatonen
25 Kontrast und Hellket A K + H H...Hellket K...Kontrast K > : der Kontrast wrd erhöht < K < : der Kontrast wrd ernedrt K -: Inverteren durch Addton von H wrd das anze Bld heller oder dunkler Hellket erhöhen
26 Dehnun der Grauskala mn mn{ } max max{ } A A A Transformatonslechun: A A A A mn + max mn
27 Dehnun der Grauskala
28 Dehnun der Grauskala
29 Hstorammebnun zu dehnender Berech kann auch automatsch aus den nabebld berechnet werden Benutzun des kumulatven Hstoramms A Gmax mn I J H G mn [ H H G ]
30 Schwellwertbldun Bnarserun her wrd das nabebld mt Hlfe von en oder mehreren Schwellwerten n en Bnärbld transformert > T T A < > T T T T A für de Schwellwerte können lokale Mnma des Hstoramms ewählt werden T Obekt Hnterrund
31 Schwellwertbldun
32 Wetere Bespele für Punktoperatonen Farbtransformatonen Hnterrundsubtrakton Maskerun Geometrsche Transformatonen c b a B G R A + + H A B A Konstanten - q p q p A + + Verschebun: allemen: f f A
33 .3 Lokale Operatonen
34 Lokale Operatonen - Überblck Lneare Faltun Lneare Faltun und Tefpassflter Lneare Faltun mt der Gaußvertelun Lneare Faltun und Kanten Separerbarket der lnearen Faltun Gradent und Kanten Ranfoleoperatonen Auffnden von ckpunkten
35 .3. Lneare Faltun
36 Faltunskern Faltunsmatrx M L h M L h h M L h M L h m l h H L L L L L L L L L L unerade natürlche Zahlen L M - L L l L M M m L
37 Lneare Faltun F F G H G Ausabebld nabebld Faltunskern L L l M M m F m l m l h J I L L
38 Bemerkunen De lneare Faltun berechnet de Werte F des Ausabebldes aus den Werten ener rechtecken Umebun des Punktes des nabebldes G. De enschaften der Faltunsoperaton werden durch den Faltunskern H hl m bestmmt. L und M snd wesentlch klener als de Zelen und Spaltenläne des Bldes De Werte -l bzw. -m können außerhalb des nabebldes leen ne exakte mathematsche Defnton der Faltun st nur für dskrete zwedmensonale Funktonen mölch deren Defntonsberech de esamte Mene Z der anzen Zahlen st sehe.4.
39 .3. Lneare Faltun und Tefpassflter
40 Lneare Faltun und Tefpassflter Tefpassflter denen zur Glättun der Grauwerte Bldstörunen z.b. Rauschen können besett werden scharfe Kanten oder dünne Lnen werden mtelättet Bld wrkt unschärfer tefe Ortsfrequenzen werden verstärkt hohe Ortsfrequenzen werden unterdrückt
41 Tefpassflter
42 Mttelwertoperaton L M 3 9 M H H 9 l m F m l
43 Mttelwertoperaton
44 Bnomaloperaton Werte der Faltunsmatrx wchten Benutzun der Bnomalkoeffzenten k k H B 6 4 Dese traen wr n de erste und letzte Zele bzw. Spalte en. De Werte der lemente m Innern der Matrx snd dann das Produkt der Zahlen am lnken und oberen Rand.
45 Bnomaloperaton H B 34 4 k k
46 .3.3 Lneare Faltun mt der Gaußoperaton
47 Gaußsche Normalvertelun det μ μ π Σ Σ x x T e x G r r r y x x r vektor Mttelwert - μ Kovaranzmatrx - Σ
48 Gaußsche Normalvertelun - Spezalfall μ Σ σ σ y x e y x G x G + σ σ π r
49 Gaußoperaton ne eenete Dskretserun führt zu folenden enfachen Faltunsmatrzen: H G H G
50 .3.4 Lneare Faltun und Kanten
51 Lneare Faltun und Kanten nennt man auch Hochpassflter Bldbereche wo benachbarte Bldpunkte verschedene Grauwerte aufwesen werden betont Kanten werden hervorehoben
52 Übertraun der ersten partellen Abletunen auf dskrete Funktonen x y x s y x x s x y x s x Δ + Δ Δ lm y y x s y y x s y y x s x Δ + Δ Δ lm
53 enfache Faltunskerne H Z H S + l m Z A m l m l h + l m S A m l m l h horzontale Kanten vertkale Kanten
54 wetere Faltunskerne H Z H S l m Z A m l m l h l m S A m l m l h horzontale Kanten vertkale Kanten
55 Bespel H Z horzontale Kanten H S vertkale Kanten
56 symmetrsche Dfferenzen S H Z S H S + m S z l A m l m l h + m S S l A m l m l h
57 Sobeloperaton Dfferenzbldun ewels zur übernächsten Zele Spalte klene Störunen benachbarter Zelen Spalten ehen ncht n das rebns en H SZ H SS
58 Sobeloperaton H SZ H SS
59 Fltern v. K. n ener Vorzusrchtun Ostwest Rchtun horzontal: H OW Nordost-Rchtun: H NO Nordsüd Rchtun vertkal: H NS Südost Rchtun: H SO
60 Fltern v. K. n ener Vorzusrchtun H OW horzontal H NS H NO vertkal
61 Laplace Operaton H L 4 Fnden von Kanten st her rchtunsunabhän kann mt Hlfe der zweten partellen Abletunen nterpretert werden
62 Laplace Operator y y x s x y x s s + Δ stet: dskret: ] [ Δ 4 H L
63 Laplace Operaton Modfkatonen snd: 8 H L 4 H L Dese Operatoren fnden Kanten n beleber Rchtun
64 Roberts - Operaton Faltunskerne: R H H R + A + + A fltern Kanten n den beden daonalen Rchtunen ncht symmetrsch bezülch des Bezuspunktes Bezuspunkt:
65 .3.5 Separerbarket der lnearen Faltun
66 Separerbarket der lnearen Faltun Hnterenanderausführun mt enfacheren Faltunskernen 9 H G H G H H G H H 3 H 3 H Dann lt:
67 Separerbarket der lnearen Faltun weteres Bespel st de Bnomaloperaton 4 6 B H G H G H H G H H B B B B B 4 B H 4 B H Dann lt:
68 .3.6 Gradent und Kanten
69 Gradent T y s x s s rad + y s x s s rad - stete Funkton y x s
70 Prnzp wr betrachten Faltunskerne de Kanten n aufenander senkrecht stehenden Rchtunen fltern Sobeloperatonen Robertsoperatonen dadurch approxmeren wr de beden partellen Abletunen
71 Gradentsobel M M m Z L L l m l m l h M M m S L L l m l m l h A + rchtunsunabhäne Operaton für Kanten de allerdns ncht lnear st H SZ H SS L M 3
72 lokale Strukturmatrx G H G Z S Z Z G H G S S S S S H Z S H S a G A Z b G B S c G G C S Z b c c a m lokale Strukturmatrx m Punkt
73 enwerte der lokalen Strukturmatrx b a + λ λ Grauwertänderun an der Stelle b a x envektor Gradent a G A Z b G B S
74 .3.7 Ranfoleoperatonen
75 Ranfoleoperatonen Bldwerte der N Bldpunkte des nabebldes werden n ener voreebenen lokalen Umebun U zu enem Bldpunkt n aufsteender Rehenfole sortert mn L N N max
76 Mnmaloperaton A mn mn U { } entfernt Sptzen hoher Grauwerte ohne en unscharfes Gesamtbld zu erzeuen aber verrößert de Flecken nedrer Grauwerte
77 Maxmaloperaton A max max U { } entfernt klene Flecken sehr nedrer Grauwerte aber er verrößert de Sptzen hoher Grauwerte
78 Medanoperaton A N anzzahler Tel ntfernt punktförme Geblde hohe bzw. sehr nedre Grauwerte ohne en unscharfes Bld zu erzeuen hat eenüber dem Tefpassflter folende Vor- und Nachtele: + m Ausabebld entstehen kene neuen Grauwerte + Kanten bleben schärfer erhalten - dünne Lnen können anz verschwnden
79 Ranfoleoperatonen Mn Medan Max
80 .3.8 Auffnden von ckpunkten
81 Harrs Operator a A H A G b B H B G c C H C G lokale Strukturmatrx Gaußoperaton b c c a m
82 enwerte spur m spur m λ ± det m 4 spur m a + b Falls bede enwerte be rößer als Null snd deutet des auf enen ckpunkt an der Stelle hn
83 Harrs Detektor davon ausehend betrachtet der Harrs Detektor de Funkton Q det m α spur m Falls Q > T let en Kanddat für enen ckpunkt vor T 5 Für α kann man.5 wählen
Übersicht der Vorlesung
Überscht der Vorlesung. Enführung. Blderarbetung. orphologsche Operatonen 4. Bldsegmenterung 5. erkmale on Objekten 6. Klassfkaton 7. Dredmensonale Bldnterpretaton 8. Bewegungsanalyse aus Bldfolgen 9.
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrIGDT: Image Processing Advanced Übungsteil 2
IGDT: Imae Processn Advanced Übunstel 2 Raner Schubert Insttut für Bomednsche Bldanalse Vsualserun Ist de alorthmsche Nachbldun dessen was en Maler be der Ereuun enes realstschen Bldes tut! Grundlaen Beleuchtun
MehrUnter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen
Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrMultilineare Algebra. Anwendungen des Tensors
Multlneare Alebra Anwendunen des Tensors.06.007 Maranne Sommer, Greor Specer, Rued Stahel, Tna Vontobel. Bascs zu Tensoren 0. Basstransformaton Ene Basstransformaton be enem Tensor nullter Stufe, also
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrDer starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade
Der starre Körper Domnk Fauser 1 Grundlagen 1.1 Denton Als enen starren Körper bezechnet man en System von Massepunkten m, deren Abstände zuenander konstant snd: r j = r r j. Mest betrachtet man ene sehr
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrRunge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme
Runge-Kutta-Teore: Adjungerte Verfaren, A-Stabltät, Stefe Systeme Andre Neubert bat@un-paderborn.de Semnar Numerk für Informatker, SS2004: Runge-Kutta-Teore Sete Glederung : - Adjungerte Verfaren / Symmetrsce
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehr4 Digitale Filter und Bildoperationen
Dgtale Flter und Bldoperatonen 51 4 Dgtale Flter und Bldoperatonen Blder welche durch ene Kamera augenommen wurden snd otmals ncht drekt ür ene nacholgende Bldanalyse geegnet. Gründe daür snd bespelswese
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
Mehr4 Die geometrische Darstellung der komplexen
4 De geometrsche Darstellung der komplexen Zahlen Mt komplexen Zahlen kann man rechnen we mt gewöhnlchen Zahlen. Man kann mt hnen alle quadratschen Glechungen lösen. Aber das st be wetem ncht alles: Komplexe
MehrSS 2017 Torsten Schreiber
SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines
6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.
MehrLösungen zu Übungsblatt 1 Höhere Mathematik 1 WS 10/11 Prof. Dr.B.Grabowski. Zu Aufgabe 1. Zu Aufgabe 2
Lösunen zu Übunsblatt 1 Höhere Matheatk 1 WS 10/11 Prof. Dr.B.rabowsk Zu Aufabe 1 Zu Aufabe 2 1 Lösunen zu Übunsblatt 1 Höhere Matheatk 1 WS 10/11 Prof. Dr.B.rabowsk 2 Zu Aufabe 3 Se de Mene aller Studerenden
Mehr5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
Mehr3 Elastizitätstheorie
3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Mehr6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)
6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrBA_T3Compact_IPO_v1.0 (Draft_B)_050719
BA_T3Compact_IPO_v1.0 (Draft_B)_050719 Inhalt Inhalt...2 Machen Se sch mt Ihrem Telefon vertraut Wchtge Hnwese... 3 Ihr T3 Compact auf enen Blck... 6 T3 IP Telefon n Betreb nehmen (I5)... 7 Grundregeln
MehrBA_T3Classic_IPO_v1.0 (Draft_B)_050719
BA_T3Classc_IPO_v1.0 (Draft_B)_050719 Inhalt Inhalt...2 Machen Se sch mt Ihrem Telefon vertraut Wchtge Hnwese... 3 Ihr T3 Classc auf enen Blck... 6 T3 IP Telefon n Betreb nehmen (I5)... 7 Grundregeln für
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrPhysik A VL11 ( )
Physk A VL11 (0.11.01) Dynamk der Rotatonsbewegung I Kresbewegung und Kräfte Drehmoment und räghetsmoment Kresbewegung und Kräfte en Massepunkt (Schwerpunkt) führt nur ene ranslatonsbewegung aus ausgedehnte
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrVerteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert.
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 Kenngrössen der Statstk Für de Auswertung von Datenrehen werden verschedene Kenngrössen
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
Mehrtutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung
Software Oberkategore Unterkategore Kompetenzstufe Voraussetzung Kompetenzerwerb / Zele: InDesgn CS4 Layoutgestaltung Erste Schrtte - Anlegen enes Dokumentes I a (Enfache Nutzung) kene N o 1a Umgang mt
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrEinführung in die Finanzmathematik
1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg
MehrLorenzattraktor:
3 3 3 ) ( c b a 7... Lorenattraktor: D glecngssstem as Modell ür Bescrebng der Ltrklaton n der Erdatmospäre. We be der logstscen Parabel esteren we Attraktoren, wscen denen de Lösngskrve caotsc wecselt.
MehrPotenzen einer komplexen Zahl
Potenzen ener komplexen Zahl 1-E1 1-E Abraham cc de Movre Abraham de Movre (17 175) französscher Mathematker Abraham de Movre der als Emgrant n London lebte glt als ener der Ponere der Wahrschenlchketsrechnung.
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrDynamik starrer Körper
Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
MehrGitterbasierte Kryptosysteme (Ajtai-Dwork, Regev) Sebastian Pape
Gtterbaserte Kryptosysteme (Ajta-Dwork, Regev) Sebastan Pape Überblck Motvaton Gtter SVP, usvp, Gtterbassredukton Kryptosysteme Ajta-Dwork Regev (2003), Regev (2005) Zusammenfassung Gtterbaserte Kryptosysteme
MehrKapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
Mehr