Funktionsapproximation
|
|
- Frieda Fischer
- vor 5 Jahren
- Abrufe
Transkript
1 VL Algorithmisches Lernen, Teil 3b Jianwei Zhang, Dept. of Informatics Vogt-Kölln-Str. 30, D Hamburg 01/07/2009 Zhang 1
2 Terminübersicht: Part 3 17/06/2009 Dimensionsproblem, PCA 18/06/2009 Support-Vektor Maschinen 24/06/2009 Support-Vektor Maschinen (4st.) 25/06/2009 Übung 01/07/2009, Fuzzy-Logik (4st.) 02/07/2009 Übung (Prof. Dr. Menzel) 08/07/2009 Verstärkungslernen (1) 09/07/2009 Verstärkungslernen (2) 15/07/2009 Verstärkungslernen (3) 16/07/2009 Anwendungen in der Robotik Zhang 2
3 Approximation Annährung einer kontinuierlichen Relation zwischen x und y (Kurven, Fläche, Hyperfläche ) durch ein anderes Rechenmodell; gegeben sei eine begrenzte Zahl von Beispielen D = {x i, y i } l i=1. Zhang 3
4 Approximation vs. Interpolation Ein Sonderfall der Approximation ist die Interpolation: hierbei durchläuft das Modell exakt alle Daten. Wenn sehr viele Meßdaten vorliegen oder die Daten verrauscht sind, verwendet man Approximation. Zhang 4
5 Approximation ohne Overfitting Zhang 5
6 Interpolation mit Polynomen Einige Interpolationsverfahren mit Polynomen: Lagrange-Polynome, Newton-Polynome, Bernstein-Polynome, Basis-Splines. Zhang 6
7 Lagrangesche Interpolation Um durch l + 1 Punkte (x i, y i ) (i = 0, 1,..., l) ein Polynom vom Grade l hindurchzulegen, kann man nach LAGRANGE den folgenden Ansatz benutzen: l p l (x) = y i L i (x) Die LAGRANGEschen Grundpolynome werden wie folgt definiert: i=0 L i (x) = (x x 0)(x x 1 ) (x x i 1 )(x x i+1 ) (x x l ) (x i x 0 )(x i x 1 ) (x i x i 1 )(x i x i+1 ) (x i x l ) { 1 wenn x = xi = 0 wenn x x i Zhang 7
8 Newtonsche Interpolation Ein Newtonsches Polynom vom Grade l wird wie folgt konstruiert: p l (x) = a 0 +a 1 (x x 0 )+a 2 (x x 0 )(x x 1 )+ +a l (x x 0 )(x x 1 ) (x x l 1 ) Dieser Ansatz ermöglicht die einfache Berechnung der Koeffizienten. Für n = 2 erhält man das folgende Gleichungssystem: p 2 (x 0 ) = a 0 = y 0 p 2 (x 1 ) = a 0 + a 1 (x 1 x 0 ) = y 1 p 2 (x 2 ) = a 0 + a 1 (x 2 x 0 ) + a 2 (x 2 x 0 )(x 2 x 1 ) = y 2 Zhang 8
9 Interpolation mit Bernstein-Polynomen - I Interpolation von zwei Punkten mit Bernstein-Polynomen: y = x 0 B 0,1 (t) + x 1 B 1,1 (t) = x 0 (1 t) + x 1 t Zhang 9
10 Interpolation mit Bernstein-Polynomen - II Interpolation von drei Punkten mit Bernstein-Polynomen: y = x 0 B 0,2 (t) + x 1 B 1,2 (t) + x 2 B 2,2 (t) = x 0 (1 t) 2 + x 1 2t(1 t) + x 2 t 2 Zhang 10
11 Interpolation mit Bernstein-Polynomen - III Interpolation von vier Punkten mit Bernstein-Polynomen: y = x 0 B 0,3 (t) + x 1 B 1,3 (t) + x 2 B 2,3 (t)x 3 B 3,3 (t) = x 0 (1 t) 3 + x 1 3t(1 t) 2 + x 2 3t 2 (1 t) + x 3 t 3 Zhang 11
12 Interpolation mit Bernstein-Polynomen - IV Die Bernstein-Polynome der Ordnung k + 1 werden wie folgt definiert: ( ) k B i,k (t) = (1 t) k i t i, i = 0, 1,..., k i Interpolation mit Bernstein-Polynomen B i,k : y = x 0 B 0,k (t) + x 1 B 1,k (t) + + x k B k,k (t) Zhang 12
13 B-Splines Als normalisierte B-Splines N i,k der Ordnung k (vom Grad k 1) werden folgende Funktionen bezeichnet: Für k = 1, { 1 : für ti t < t N i,k (t) = i+1 0 : sonst sowie für k > 1, eine rekursive Darstellung: mit i = 0,..., m. N i,k (t) = t t i N i,k 1 (t)+ t i+k 1 t i t i+k t N i+1,k 1 (t) t i+k t i+1 Zhang 13
14 B-Spline-Kurve und -Basisfunktionen Eine B-Spline-Kurve der Ordnung k ist ein stückweise aus B-Splines (Basisfunktion) zusammengesetztes Polynom vom Grad (k 1), das an den Segmentübergängen im allgemeinen C k 2 stetig differenzierbar ist. Dabei seien B-Splines Stückweise Polynome, denen die folgenden geordneten Parameterwerte zugrundeliegen: wobei t = (t 0, t 1, t 2,..., t m, t m+1,..., t m+k ), m: wird von der Anzahl der zu interpolierenden Punkte bestimmt k: die festgelegte Ordnung der B-Spline-Kurve Zhang 14
15 Beispiele von B-Splines B-Splines der Ordnung 1, 2, 3 und 4: N j, 1 N j, 2 t N j, 3 t t t t j j+1 j+2 j+3 j+4 t N j, 4 t t t Innerhalb eines Parameterintervals gibt es k sich überlappende B-Splines. Zhang 15
16 Ein Beispiel der kubischen B-Splines Zhang 16
17 B-Splines der Ordnung k - I Das rekursive Definitionsverfahren einer B-Spline-Basisfunktion N i,k (t): Zhang 17
18 B-Splines der Ordnung k - II Aktuelle Segemente der B-Spline-Basisfunktionen der Ordnungen 2, 3 und 4 für t i t < t i+1 : Zhang 18
19 Uniforme B-Splines der Ordnung 1 bis 4 k=1 k=2 k=3 k=4 Zhang 19
20 Nichtuniforme B-Splines Ordnung 3: Zhang 20
21 Eigenschaften der B-Splines Partition of unity: k i=0 N i,k(t) = 1. Positivity: N i,k (t) 0. Local support: N i,k (t) = 0 for t / [t i, t i+k ]. C k 2 continuity: If the knots {t i } are pairwise different from each other, then N i,k (t) C k 2, i.e. N i,k (t) is (k 2) times continuously differentiable. Zhang 21
22 Gewinnung einer B-Spline-Kurve Eine B-Spline-Kurve kann dadurch konstruiert werden, daß eine Menge von vorgegebenen Größen mit diesen B-Splines gemischt werden: r(t) = m v j N j,k (t) wobei v j Kontrollpunkte (de Boor-Punkte) genannt werden. j=0 Sei ein Parameter t gegeben, ist r(t) ein Punkt dieser B-Spline-Kurve. Wenn t von t k 1 bis zu t m+1 variiert, so stellt r(t) eine C k 2 stetig differenzierbare Kurve dar. Zhang 22
23 Berechnung von Kontrollpunkten aus Datenpunkten Die Punkte v j sind nur bei k = 2 identisch mit den Datenpunkten zur Interpolation, sonst nicht. Ein Kontrollpunktzug bildet eine konvexe Hülle für die Interpolationskurve. Zwei Verfahren zur Berechnung von Kontrollpunkten aus Datenpunkten: Zhang 23
24 Berechnung von Kontrollpunkten aus Datenpunkten 1 Durch die Lösung des folgenden Gleichungssytems (Böhm84): q j (t) = m v j N j,k (t) j=0 wobei q j die Datenpunkte für die Interpolation sind, j = 0,, m. 2 Durch Lernen basierend auf dem Gradient-Abstieg (Zhang98). Zhang 24
25 Lattice - I Zhang 25
26 Lattice - II Zhang 26
27 Tensor-Produkt 2D-NURBS Zhang 27
28 Problematik in der realen Welt Modellierung: Lernen aus Beispielen, selbstoptimierende Gestaltung, Vorhersagen,... Regelung: Perzeption-Aktion-Zyklus, Zustandsregelung, Identifikation dynamischer Systeme,... als Benchmark zur Wahl eines Modells Zhang 28
29 - 1D Beispiel Eine Testfunktion f (x) = 8sin(10x 2 + 5x + 1) mit 1 < x < 1 und die richtig verteilten B-Splines: Zhang 29
30 Lattice The B-spline model a two-dimensional illustration. Zhang 30
31 Lattice (cont.) Jedes n-dimensionale Viereck (n > 1) wird von dem j th multivariaten B-spline N j k (x) bedeckt. Nj k (x) ist über den Tensorprodukt n univariate B-splines: n N j k (x) = N j i j,k j (x j ) (1) j=1 Zhang 31
32 Lattice (cont.) (a) Tensor product of two, order 2 univariate B-splines. (b) Tensor product of one order 3 and one order 2 univariate B- splines. (c) Tensor product of two univariate B-splines of order 3. Bivariate B-splines formed by taking the tensor product of two univariate B-splines. Zhang 32
33 Allgemeine Anforderungen an einen Approximator Universalität: Approximation von beliebigen Funktionen Generalisierung: gute Approximation ohne Overfitting Adaptivität: selbsteinstellend anhand von neuen Daten Parallelität: Rechnen nach biologischen Vorbildern Interpretierbarkeit: mindestens als Grey-box anstatt Black-box Zhang 33
34 Bedeutung der Interpretierbarkeit eines Modells Richard P. Feynman: the way we have to describe nature is generally incomprehensible to us. Albert Einstein: it should be possible to explain the laws of physics to a barmaid. Zhang 34
35 Bedeutung der Interpretierbarkeit eines Modells (cont.) Wichtige Gründe für symbolische Interpretierbarkeit eines Approximators: Linguistische Modellierung bietet ein Mittel zur Fertigkeitsübertragung von einem Experten auf einen Computer oder Roboter. Automatisches Lernen eines transparenten Modells erleichtert die Analyse, Validierung und Überwachung bei der Entwicklung eines Modells bzw. eines Reglers. Transparente Modelle besitzen vielfältige Anwendungsmöglichkeiten in Decision-Support Systems. Zhang 35
36 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. Z.B.: µ B (x) = ( x ) 2 Zhang 36
37 B-Spline ANFIS Bei einem B-Spline ANFIS mit n Eingängen x 1, x 2,..., x n, werden Regeln der folgenden Form benutzt: {Regel(i 1, i 2,..., i n ): IF (x 1 IS N 1 i 1,k 1 ) AND (x 2 IS N 2 i 2,k 2 ) AND... AND (x n IS N n i n,k n ) THEN y IS Y i1 i 2...i n }, wobei x j : Eingangsgröße j (j = 1,..., n), k j : Ordnung der B-Spline-Basisfunktion für x j, N j i j,k j : mit dem i-ten linguistischen Term für x j assoziierte B-Spline-Funktion, i j = 0,..., m j, Partitionierung von Eingang j, Y i1i 2...i n : Kontrollpunkte der Regel(i 1, i 2,..., i n ). der AND -Operator: Produkt Zhang 37
38 B-Spline ANFIS (cont.) Dann ist der Ausgang y eines MISO Regelungssystems: m 1 m n n y =... (Y i1,...,i n N j i j,k j (x j )) i 1 =1 i n=1 Das ist ein allgemeines B-Spline-Modell, das die Hyperfläche NUBS (nonuniform B-spline) darstellt. j=1 Zhang 38
39 Architektur des B-Spline ANFIS Zhang 39
40 ZF-Formulierung - Tensorprodukt Tensor-Produkt 2D-Splines: Zhang 40
41 Die Aktivierung der ZF über den Eingang Zhang 41
42 B-Spline ANFIS: ein Besipiel Ein Beispiel mit zwei Eingangsvariablen (x und y) und einem Ausgang z. Die Parameter der DANN-Teile sind Z 1, Z 2, Z 3, Z 4. Zhang 42
43 B-Spline ANFIS: ein Besipiel (cont.) Die linguistischen Terme der Eingänge (WENN-Teile): Zhang 43
44 B-Spline ANFIS: ein Besipiel (cont.) Die Parameter der DANN-Teile: Zhang 44
45 Ein Beispiel-Regelbasis Die Beispiel-Regelbasis besteht aus vier Regeln: Regel 1) IF x is X 1 and y is Y 1 THEN z is Z 1 2) IF x is X 1 and y is Y 2 THEN z is Z 2 3) IF x is X 2 and y is Y 1 THEN z is Z 2 4) IF x is X 2 and y is Y 2 THEN z is Z 4 Zhang 45
46 Illustrierung der Fuzzy-Inferenz Zhang 46
47 Illustrierung der Fuzzy-Inferenz (2) Zhang 47
48 Illustrierung der Fuzzy-Inferenz (3) Zhang 48
49 Illustrierung der Fuzzy-Inferenz (4) Zhang 49
50 Illustrierung der Fuzzy-Inferenz (cont.) Zhang 50
51 Algorithmem zum überwachten Lernen - I Angenommen sei {(X, y d )} eine Menge von Trainingsdaten, wobei X = (x 1, x 2,..., x n ) : der Vektor der Eingangsdaten, y d : der gewünschte Ausgang für X. Der LSE ist: E = 1 2 (y r y d ) 2, (2) wobei y r der aktuelle reale Ausgangswert während des Tranings ist. Die zu findenen Parameter sind Y i1,i 2,...,i n, die den Fehler in (2) minimiert, d.h. E = 1 2 (y r y d ) 2 MIN. (3) Zhang 51
52 Algorithmen zum überwachten Lernen - II Jeder Kontrollpunkt Y i1,...,i n kann über das folgende Gradientabstiegsverfahren verbessert werden: wobei 0 < ɛ 1. Y i1,...,i n = E ɛ Y i1,...,i n (4) n = ɛ(y r y d ) N j i j,k j (x j ) (5) j=1 Zhang 52
53 Algorithmen zum überwachten Lernen - III Das Gradientabstiegsverfahren gewährleistet, dass der Lernalgorithmus zum globalen Minimum der LSE-Funktion konvergiert, weil die 2. partielle Ableitung bezüglich zu Y i1,i 2,...,i n konstant ist: 2 E 2 Y i1,...,i n = ( n N j i j,k j (x j )) 2 0. (6) j=1 Dies bedeutet dass die LSE-Funktion (2) konvex im Raum Y i1,i 2,...,i n ist und deshalb nur einen (globalen) Minimum besitzt. Zhang 53
54 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. z.b.: µ B (x) = ( x ) 2 Zhang 54
55 ZF-Funktionen (a) (b) ( c ) (d) (e) (f) (g) (h) Zhang 55
56 Einführung in die Fuzzy-Mengen ungenaue natürsprachliche Abstufungen von Begriffen wie groß, schön, stark... menschliche Denk- und Verhaltensmodelle mit der einstufigen Logik: Autofahren: Wenn-Dann -Regeln Autoparken: genau auf den Millimeter? Zhang 56
57 Einführung in die Fuzzy-Mengen Verwendung unscharfer Sprache statt numerischer Beschreibung: bremse 2.52 m vor der Kurve nur in Maschinesystemen bremse kurz vor der Kurve in natürlicher Sprache Zhang 57
58 Begriffserklärung Fuzzy: indistintive, vague, unclear. Fuzzy-Mengen / Fuzzy-Logik als Mechanismus für ungenaue natursprachliche Abstufungen von Begriffen wie groß, schön, stark... Verwendung unscharfer Sprache statt numerischer Beschreibung. Abstraktion von unnötigen/zu komplexen Details. Modellierung menschlicher Denk- und Verhaltensprozesse mit der einstufigen Logik. Zhang 58
59 Charakteristische Funktion vs. Zugehörigkeitsfunktion Für Fuzzy-Mengen A verwendet man eine verallgemeinerte charakteristische Funktion µ A, die jedem Element x X eine reelle Zahl aus [0, 1] zuordnet den Grad, zu dem das Element x zur beschriebenen unscharfen Menge A gehört: µ A : X [0, 1] µ A wird als Zugehörigkeitsfunktion (ZF) bezeichnet. A = {(x, µ A (x) x X } Zhang 59
60 Zugehörigkeitsfunktion Charakteristik der kontinuierlichen ZF: Positiv definierte, konvexe Funktionen (einige wichtige Kernfunktionen). Subjektive Perzeption keine probalistische Funktionen Zhang 60
61 ZF-Formulierung - I ( ( x a Triangulare: trimf (x; a, b, c) = max min b a, c x ) ), 0 c b Trapezoidale: trapmf (x; a, b, c, d) = max ( ( x a min b a, 1, d x ) ), 0 d c Zhang 61
62 ZF-Formulierung - II Gaussian: gaussmf (x; c, σ) = e 1 2( x c σ ) 2 B-Splines: bsplinemf (x, x i, x i+1,, x i+k ) Zhang 62
63 Linguistische Variable Eine numerische Variable nimmt numerische Werte an: Das Alter = 25 Eine linguistische Variable nimmt linguistische Werte (Terme) an: Das Alter ist jung Ein linguistischer Wert ist eine Fuzzy-Menge. Zhang 63
64 Fuzzy-Partition Fuzzy-Partitionen über die linguistischen Werte Jung, Mittleres Alter und Alt : Zhang 64
65 Fuzzy-Logik: Ableitungsmechanismen Eine Fuzzy-Regel wird folgendermaßen formuliert: IF A THEN B mit Fuzzy-Mengen A, B über den Universen X, Y. Einer der wichtigsten Ableitungsmechanismen ist der verallgemeinerte Modus-Ponens (GMP): Implikation: IF x is A THEN y is B Prämisse: x is A Konklusion: y is B Zhang 65
66 Fuzzy-Systeme zur Grundidee: Beschreibung des gewünschten Reglerverhaltens mit Hilfe umgangssprachlicher, qualitativer Regeln. Quantifizierung linguistischer Werte durch Fuzzy-Mengen. Regel Auswertung durch Verfahren der Fuzzy-Logik bzw. der Interpolation. Zhang 66
67 Fuzzy-Systeme zur Fuzzy-Regeln: IF (eine Menge Konditionen werden erfüllt) THEN (eine Menge Konsequenzen können bestimmt werden) In den Prämissen (Antecedenten) vom IF-Teil: linguistische Variablen aus der Domäne der Prozeßzustände; In den Konklusionen (Konsequenten) vom THEN-Teil: linguistische Variablen aus der Regelungsdomäne. Zhang 67
68 Adaptive Netzwerke Architektur: Feedforward Netzwerke mit verschiedenen Knoten-Funktionen Zhang 68
69 Rule Extraction Die Fuzzy-Patchs (Kosko): Zhang 69
70 Rule Extraction Ein Fuzzy-Regel-Patch: Zhang 70
71 Additive Systeme Ein additiver Fuzzy-Controller addiert die THEN -Teile der gefeuerten Regeln. Fuzzy-Approximations-Satz: Ein additiver Fuzzy-Controller kann eine beliebige stetige Funktion f : X Y approximieren wenn X kompakt ist. Zhang 71
72 Optimale Fuzzy-Regel-Patchs Optimale Fuzzy-Regel-Patchs decken die Extrema einer Funktion: Zhang 72
73 Optimale Fuzzy-Regel-Patchs Projektion der Ellipsoide auf die Ein- und Ausgangsachse: Zhang 73
74 Optimale Fuzzy-Regel-Patchs Die Größe eines Ellipsoids hängt von den Trainingsdaten ab. Zhang 74
75 Optimale Fuzzy-Regel-Patchs Visualisierung des Eingangs-Ausgangs-Raumes: Zhang 75
76 Optimale Fuzzy-Regel-Patchs Ein Beispiel der Interpolation: Zhang 76
77 Optimale Fuzzy-Regel-Patchs Datencluster entlang der Funktion: Zhang 77
78 Optimale Fuzzy-Regel-Patchs Zhang 78
79 Optimale Fuzzy-Regel-Patchs Approximation mit Fuzzy Mengen an den Projektionen der Extremapunkte: Zhang 79
80 Approximation einer zweidimensionalen Funktion z =f (x, y) =3(1 x) 2 e x2 (y+1) 2 10( x 5 x3 y 5 )e x2 y e (x+1)2 y 2 Zhang 80
81 Approximation einer zweidimensionalen Funktion Ableitungen der Funktion: dz dx = 6(1 2 (y+1) 2 x)e x 6(1 x) 2 xe x 2 (y+1) 2 10( 1 5 3x 2 ) e x 2 y ( 1 5 x x 3 y 5 )xe x 2 y ( 2x 2)e (x+1)2 y 2 dz dy =3(1 x)2 ( 2y 2)e x 2 (y+1) y 4 e x 2 y ( 1 5 x x 3 y 5 )ye x 2 y ye (x+1)2 y 2 Zhang 81
82 Approximation einer zweidimensionalen Funktion d dz dx dx 2 =36xe x (y+1) 2 18x 2 e x 2 (y+1) 2 24x 3 e x 2 (y+1) x 4 e x 2 (y+1) xe x 2 y 2 148x 3 e x 2 y 2 20y 5 e x 2 y x 5 e x 2 y x 2 e x 2 y 2 y e (x+1)2 y e (x+1)2 y 2 x e (x+1)2 y 2 x Zhang 82
83 Approximation einer zweidimensionalen Funktion d( dz dy ) = 6(1 x) 2 e x 2 y(+1) 2 + 3(1 x) 2 ( 2y 2) 2 e x 2 (y+1) 2 dy + 200y 3 e x 2 y 2 200y 5 e x 2 y ( 1 5 x x 3 y 5 )e x 2 y 2 40( 1 5 x x 3 y 5 )y 2 e x 2 y e (x+1)2 y y 2 e (x+1)2 y 2 Zhang 83
84 Vereinte Betrachtung aus der statistischen Lerntheorie - I {(x i, y i )} l i=1 seien die Daten oder Beispiele. Gesucht wird eine Funktion f, die die folgende Darstellung minimiert: l H[f ] = 1 l i=1 V (y i, f (x i )) + λ f 2 K wobei V (, ) eine Verlustfunktion und f 2 K eine Norm im Hilbert-Raum H ist, welche von einer positiv definierten Kernfunktion K bestimmt wird, und λ der Regularisierungsparameter ist. Die Probleme in der Modellierung, Datenregression und Musterklassifikation beruhen jeweils auf einer Art von V (, ). Zhang 84
85 Vereinte Betrachtung aus der statistischen Lerntheorie - II 1. V (y i, f (x i )) = (y i f (x i )) 2 (y i R 1, V : Quadratische Fehlerfunktion) Regularization Networks, RN 2. V (y i, f (x i )) = y i f (x i ) ɛ (y i R 1, ɛ : eine ɛ-unempfindliche Norm) Support Vector Machines Regression, SVMR 3. V (y i, f (x i )) = 1 y i f (x i ) + (y i { 1, 1}, x + = x für x 0, sonst x + = 0) Support Vector Machines Classification, SVMC Zhang 85
86 Vereinigte Betrachtung aus der statistischen Lerntheorie - II 1. V (y i, f (x i )) = (y i f (x i )) 2 (y i : eine reelle Zahl, V : Quadratische Fehlerfunktion) Regularization Networks, RN 2. V (y i, f (x i )) = y i f (x i ) ɛ (y i : eine reelle Zahl, ɛ : eine ɛ-unempfindliche Norm) Support Vector Machines Regression, SVMR 3. V (y i, f (x i )) = 1 y i f (x i ) + (y i : -1 oder 1, x + = x für x 0, sonst x + = 0) Support Vector Machines Classification, SVMC Für Modellierungs- und Regelungsaufgaben ist die 1. Definition am wichtigsten. Zhang 86
87 Universelle Funktionsapproximierung - I Ein Regularisierungsnetzwerk kann alle glatten Funktionen beliebig gut approximieren. Die allgemeine Lösung dieses Problems ist: f (x) = wobei c i die Koeffizienten sind. l c i K(x; x i ) i=1 Zhang 87
88 Universelle Funktionsapproximierung - II Proposition der Approximation: Für irgendeine kontinuierliche Funktion Y, die auf einer kompakten Untermenge R n definiert wird und K die Kernfunktionen sind, gibt es eine Funktion y (x) = l i=1 c ik(x; x i ), so dass für alle x und irgendein ɛ gilt: Y (x) y (x) < ɛ Zhang 88
89 Universelle Funktionsapproximatoren Verwendung verschiedener Kernfunktionen führt zu unterschiedlichen Modellen: K(x x i ) = exp( x x i 2 ) K(x x i ) = ( x x i 2 + c 2 ) 1 2 K(x x i ) = tanh(x x i θ) K(x x i ) = (1 + x x i ) d K(x x i ) = B 2n+1 (x x i ) K(x x i ) = sin(d )(x x i) sin (x x i ) 2 Gaussian RBF Inverse Multiquadratische Funktionen Multilagen Perzeptron Polynom vom Grad d B-Splines Trigonometrisches Polynom Zhang 89
90 Probleme 1. Fluch der Dimensionalität durch exponentielle Abhängigkeit des Speicherbedarfs von der Dimension des Eingaberaumes. 2. Aliasing bei der Merkmals-Extrahierung. 3. Nicht vorhandene Soll-Daten (y). 4. Nicht vorhandene Eingangsfaktoren. Zhang 90
91 Lernen aus DJ-Daten Dow-Jones-Index: eine modellierbare Funktion? Zhang 91
92 Beispiel: Bilderbeobachtung in lokalen Szenarien Eine Sequenz von Grauwertbildern über ein Objekt wird durch die Bewegung entlang einer festen Lage erzeugt: Zhang 92
93 Beispiel: Extrahierung von Eigenvektoren Die ersten 6 Eigenvektoren: Zhang 93
94 Beispiel: Eigenvektoren und Eigenwerte Zhang 94
95 Kombination von Dimensionsreduzierung mit einem B-Spline-Model Eigenvektoren können durch Linguistische Terme partitioniert werden. Solche eine Kombination von PCA und B-Spline-Modell kann als ein Neuro-Fuzzy-Modell betrachtet werden. Zhang 95
96 Das Neuro-Fuzzy-Model Zhang 96
97 Die Trainierungs- und Anwendungsphasen Zhang 97
Symbolumwandlung der Kernfunktionen
91 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. z.b.: µ B (x) = 1 1 + ( x 50 10 ) 2 92 ZF-Funktionen 1 1 0-5 0 5 (a) 1 0-5 0
MehrB-Spline-Kurve und -Basisfunktionen
48 B-Spline-Kurve und -Basisfunktionen Eine B-Spline-Kurve der Ordnung k ist ein stückweise aus B-Splines (Basisfunktion) zusammengesetztes Polynom vom Grad (k 1), das an den Segmentübergängen im allgemeinen
MehrGliederung. Interpolation vs. Approximation. Gliederung (cont.)
- Trajektoriengenerierung Gliederung Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 5. Juni 2012 Allgemeine
MehrNeuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)
29 Neuronale Netze Gehirn: ca. 10 11 Neuronen stark vernetzt Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor) Mustererkennung in 0.1s 100 Schritte Regel 30 Was ist ein künstl. neuronales Netz? Ein
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/2011ss/vorlesung/gdsr Jianwei Zhang Universität
Mehr0.1 Modellierung von Kurven und Flächen mittels B-Splines
Vorlesung vom 28.04.06 Skript erstellt von Antonia Wittmers und Maria Gensel 0.1 Modellierung von Kurven und Flächen mittels B-Splines Das Wort Spline, übersetzt mit längliches, dünnes Stück Holz oder
MehrTeil 2: Kurven und Flächen. Kurven und Flächen. Kurven. Parametrische Objekte. Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
MehrTeil 2: Kurven und Flächen
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrGliederung. Gliederung (cont.) Gliederung (cont.)
- Gliederung Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 11. Mai 2010 Allgemeine Informationen Einführung
MehrKapitel 7. Interpolation und Approximation II. Inhalt: 7.1 Spline-Interpolation 7.2 Trigonometrische Interpolation 7.3 Tschebyscheff-Approximation
Kapitel 7. Interpolation und Approximation II Inhalt: 7.1 Spline-Interpolation 7.2 Trigonometrische Interpolation 7.3 Tschebyscheff-Approximation Numerische Mathematik I 275 Interpolation als lineares
MehrRL und Funktionsapproximation
RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrVisuell geführtes Greifen mittels selbstbewertendem Lernen
Visuell geführtes Greifen mittels selbstbewertendem Lernen Griff ist optimal bzgl. lokaler Kriterien: Die Finger des Greifers können das Objekt am Greifpunkt umschließen Keine Reibung tritt zwischen Fingern
MehrApproximationsverfahren für die Kurvendarstellung
Approximationsverfahren für die Kurvendarstellung (a) Bézier-Kurven spezielle Form polynomialer Kurven spezifiziert durch n+1 Kontrollpunkte P 0, P 1,..., P n Kurve läuft nicht durch alle Kontrollpunkte,
MehrEnrico G. De Giorgi. Mathematik. 2. Auflage Lehrstuhl für Mathematik Universität St.Gallen. Diese Version: August 2014.
Enrico G. De Giorgi Mathematik 2. Auflage 2014 Lehrstuhl für Mathematik Universität St.Gallen Diese Version: August 2014. c 2014, Enrico De Giorgi, Universität St.Gallen, alle Rechte vorbehalten. Die Vervielfältigung
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/212ss/vorlesung/gdsr Jianwei Zhang Universität
Mehr9 Differentialrechnung für Funktionen in n Variablen
$Id: diff.tex,v.7 29/7/2 3:4:3 hk Exp $ $Id: ntaylor.tex,v.2 29/7/2 3:26:42 hk Exp $ 9 Differentialrechnung für Funktionen in n Variablen 9.6 Lagrange Multiplikatoren Die Berechnung von Maxima und Minima
MehrGrundlagen der Signalverarbeitung und Robotik
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/213ss/vorlesung/gdsr Jianwei Zhang, Bernd Schütz
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
MehrH.J. Oberle Analysis II SoSe Interpolation
HJ Oberle Analysis II SoSe 2012 7 Interpolation 71 Allgemeine Problemstellung Interpolation ist die Kunst, zwischen den Zeilen einer Tabelle zu lesen (Rutishauser) Von f : R R seien Funktionswerte (x j,
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrGliederung Grundlagen der Signalverarbeitung und Robotik. Einführung in die Fuzzy-Regelung. Agenda
64-544 Grundlagen der Signalverarbeitung und Robotik 64-544 Grundlagen der Signalverarbeitung und Robotik http://tams.informatik.uni-hamburg.de/ lectures/22ss/vorlesung/gdsr Jianwei Zhang Gliederung. Einführung
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 20 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 6 Übungsblatt:
MehrNichtlineare Klassifikatoren
Nichtlineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 11 1 M. O. Franz 12.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
MehrApproximationstheorie und Approximationspraxis
Approximationstheorie und Approximationspraxis Martin Wagner Bergische Universität Wuppertal Fachbereich C - Mathematik und Naturwissenschaften AG Optmierung und Approximation 3. Februar 2010 1 / 20 Motivation
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
MehrAngewandte Mathematik am Rechner 1
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 Kapitel 5 Grundlagen Analysis Kontinuierliche Mengen Vollständige Mengen Folgen Iterative Berechnungen Grenzwert:
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrFuzzy Logik und negative Zahlen
Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
Mehr1. Anhang: Spline-Funktionen
C:\D\DOKU\NUM KURS\SPLINE.TEX C:\UG\.AI 20. Juli 1998 Vorbemerkung: Wenn der Satz stimmt, daß jede Formel eines Textes die Leserzahl halbiert, dann brauche ich bei grob geschätzt 40 Formeln etwa 2 40 =
Mehrgekrümmte Flächen / Freiformflächen (analog zur Kurvendarstellung)
7. Modelle für Flächen gekrümmte Flächen / Freiformflächen (analog zur Kurvendarstellung) man unterscheidet 2 Typen: finite Interpolationen / Approximationen: endliche Zahl von Stützstellen / Kontrollpunkten
MehrDarstellung von Kurven und Flächen
Darstellung von Kurven und Flächen Technische Universität Dresden Fakultät Informatik Institut für Software- und Multimediatechnik Dozent: Dr. Mascolous Referent: Gliederung / Einleitung 1 / 25 1. Kurven
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr9. Parametrische Kurven und Flächen
9. Parametrische Kurven und Flächen Polylinien bzw. Polygone sind stückweise lineare Approximationen für Kurven bzw. Flächen Nachteile: hohe Zahl von Eckpunkten für genaue Repräsentation erforderlich interaktive
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrKAPITEL 9 Splinefunktionen
KAPITEL 9 Splinefunktionen 9.1 Splineräume und Approximationsgüte Bei der Behandlung von Splines ist es bequemer, statt mit dem Grad von Polynomen, mit der Ordnung k := Grad + 1 zu arbeiten. Für eine Knotenmenge
MehrQUASI-SPLINE-INTERPOLATION BEZÜGLICH GLEICHMÄSSIGER UNTERTEILUNGEN
QUASI-SPLINE-INTERPOLATION BEZÜGLICH GLEICHMÄSSIGER UNTERTEILUNGEN IRYNA FEUERSTEIN Es wir ein Verfahren zur Konstruktion einer quasiinterpolierenden Funktion auf gleichmäßig verteilten Konten vorgestellt.
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
Mehr5. Gitter, Gradienten, Interpolation Gitter. (Rezk-Salama, o.j.)
5. Gitter, Gradienten, Interpolation 5.1. Gitter (Rezk-Salama, o.j.) Gitterklassifikation: (Bartz 2005) (Rezk-Salama, o.j.) (Bartz 2005) (Rezk-Salama, o.j.) Allgemeine Gitterstrukturen: (Rezk-Salama, o.j.)
MehrOberflächenrepräsentationen Kontinuierliche Kurven Bezier-Kurven. Freiformflächen. Diskret
Oberflächenrepräsentationen Kontinuierliche Kurven Bezier-Kurven Thomas Jung Freiformflächen NURBS Die Modellierung von Objekten erfordert die geeignete Repräsentation der Oberfläche Je nach Anforderung
MehrAutomatisches Entwicklungsverfahren für intelligente B-Spline Fuzzy-Regler
Automatisches Entwicklungsverfahren für intelligente B-Spline Fuzzy-Regler J. Zhang, I. Renners und A. Knoll AG Technische Informatik, Technische Fakultät Universität Bielefeld, D-335 Bielefeld Tel.: ++49
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
MehrComputergraphik I. Freiformkurven. aus: Farin Curven und Flächen im CAGD. Oliver Deussen Freiformkurven 1
Freiformkurven aus: Farin Curven und Flächen im CAGD Oliver Deussen Freiformkurven 1 Definition für gebogene Kurven und Flächen Anwendungen: CAD: Automobil-, Flugzeug-, Schiffsbau Computergraphik: Objektmodellierung
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrÜbungen mit dem Applet Interpolationspolynome
Interpolationspolynome 1 Übungen mit dem Applet Interpolationspolynome 1 Ziele des Applets... 2 2 Übungen mit dem Applet... 2 2.1 Punkte... 3 2.2 y=sin(x)... 3 2.3 y=exp(x)... 4 2.4 y=x 4 x 3 +2x 2 +x...
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
MehrPolynome im Einsatz: Bézier-Kurven im CAD
Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
Mehr(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =
1. (a) i. Wann besitzt A R n n eine eindeutige LR-Zerlegung mit R invertierbar? ii. Definieren Sie die Konditionszahl κ(a) einer Matrix A bzgl. einer Norm.! iii. Welche Eigenschaften benötigt eine Matrix
MehrÜbungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrApproximation durch Polynome
durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrKlausur Mathematik II
Technische Universität Dresden. Juli 8 Institut für Numerische Mathematik Prof. Dr. G. Matthies, Dr. M. Herrich Klausur Mathematik II Modul Dierentialgleichungen und Dierentialrechnung für Funktionen mehrerer
MehrKlassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
MehrAnalysis I. 14. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I 4. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching June 6, 207 Erinnerung Die Reihe a k konvergiert falls, lim S n = lim n n n a k =: a k existiert. Satz (Majoranten/Minorantenkriterium)
MehrBestimmen Sie die Lösung des Anfangswertproblems. y (x) 4y (x) 5y(x) = 6e x. y(0) = y (0) = 0.
Aufgabe Bestimmen Sie die Lösung des Anfangswertproblems y (x) 4y (x) 5y(x) = 6e x y(0) = y (0) = 0. Zunächst bestimmen wir die Lösung der homogenen DGL. Das charakteristische Polynom der DGL ist λ 2 4λ
MehrGrundlagen der Mathematik 2 Nachklausur
Andreas Gathmann und Yue Ren Sommersemester 6 Grundlagen der Mathematik Nachklausur Bearbeitungszeit: 8 Minuten Aufgabe (6 Punkte): Es sei f : R R, (x,y) xye (x+y). (a) Bestimme alle lokalen Maxima und
MehrEinführung in die Gitterfreien Methoden
Einführung in die Gitterfreien Methoden Domenik Beres October 22, 2013 Domenik Beres Einführung in die Gitterfreien Methoden October 22, 2013 1 / 40 Inhaltsverzeichnis 1 Was versteht man unter Datenapproximation?
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
MehrHTL Kapfenberg SPLINE Interpolation Seite 1 von 7.
HTL Kapfenberg SPLINE Interpolation Seite von 7 Roland Pichler roland.pichler@htl-kapfenberg.ac.at SPLINE Interpolation Mathematische / Fachliche Inhalte in Stichworten: Polynome, Gleichungssysteme, Differenzialrechnung
MehrIntegraldarstellung des Restgliedes; Lagrangesche Restgliedformel;
Kapitel Der Satz von Taylor. Taylor-Formel und Taylor-Reihe (Taylor-Polynom; Restglied; Integraldarstellung des Restgliedes; Lagrangesche Restgliedformel; die Klasse C ; reell analytische Funktionen) In
MehrInterpolation. Heinrich Voss. TUHH Heinrich Voss Kapitel / 49.
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 2 2010 1 / 49 Interpolationsproblem Gegeben seien eine Funktion Φ (x; a 1,...,
MehrKAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
MehrGMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
MehrDifferenzierbarkeit im R n. Analysis III October 30, / 94
Differenzierbarkeit im R n Analysis III October 30, 2018 36 / 94 Partielle Ableitungen Buch Kap. 5.5 Definition 5.23: (partielle Differenzierbarkeit) Sei die Funktion f : D R, D R n, wobei D eine offene
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrComputergrafik Inhalt Achtung! Kapitel ist relevant für CG-2!
Coputergrafik Inhalt Achtung! Kapitel ist relevant für CG-2! 1 2 3 4 5 6 7 8 Historie, Überblick, Beispiele Begriffe und Grundlagen Objekttransforationen Objektrepräsentation und -Modellierung Sichttransforationen
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrInterpolation und Approximation von Funktionen
Kapitel 6 Interpolation und Approximation von Funktionen Bei ökonomischen Anwendungen tritt oft das Problem auf, dass eine analytisch nicht verwendbare (oder auch unbekannte) Funktion f durch eine numerisch
Mehr5 Fuzzy Unscharfe Mengen
5 Fuzzy Unscharfe Mengen Fuzzy Unscharfe Mengen Motivation Einfaches Modell eines Fuzzy Reglers Unscharfe Mengen Interpretation linguistischer Werte Operationen auf unscharfen Mengen Fuzzy Relationen Fuzzy
MehrKlausurlösung Einführung in Numerische Methoden und FEM Universität Siegen, Department Maschinenbau,
Universität Siegen, Department Maschinenbau, 7.7. Aufgabe y 3 l 3 3 F l l x Das dargestellte Fachwerk soll statisch mit Hilfe der FEM untersucht werden. Die Knoten und Elemente sind in der Abbildung nummeriert.
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
Mehr4x 1 + 2x 2 + 3x 3 = 1, x 2 + ax 3 = 1, ax 2 + x 3 = a 1. 0 a 1 1 Wir führen nun den Gauÿalgorithmus durch:
Aufgabe 8 Punkte Bestimmen Sie die Lösungsmenge in R in Abhängigkeit von a R des folgenden linearen Gleichungssystems: 4x + x + 3x 3 =, x + ax 3 =, ax + x 3 =. Lösung. Wir schreiben das lineare Gleichungssystem
MehrOptimal-trennende Hyperebenen und die Support Vector Machine. Volker Tresp
Optimal-trennende Hyperebenen und die Support Vector Machine Volker Tresp 1 (Vapnik s) Optimal-trennende Hyperebenen (Optimal Separating Hyperplanes) Wir betrachten wieder einen linearen Klassifikator
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 07 / 08 Institut für Informatik Univ-Prof Dr Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 3 Übungsblatt:
MehrHomogene Systeme in höheren Dimensionen
56 4 Systeme von Differenzialgleichungen gefunden, so sind deren ilder, ' = T, Lösungen in den y-koordinaten. llerdings ist das uffinden einer geeigneten Transformation T gleichbedeutend mit der estimmung
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrGitterfreie Methoden. Florian Hewener. 29. Oktober 2013
Gitterfreie Methoden 1D 2D Florian Hewener 29. Oktober 2013 Gliederung 1 Interpolationsprobleme Problemstellung Haar-Räume 2 Mehrdimensionale Polynominterpolation 3 Splines Kubische Splines und natürliche
MehrInterpolation, numerische Integration
Interpolation, numerische Integration 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 8. Mai 2014 Gliederung 1 Interpolation polynomial Spline 2 Numerische
MehrKurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrMusterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
Mehr2 a 6. a 4 a Wir führen nun den Gauÿalgorithmus durch: 2 a a 2 4a 2 4a a a 2 2a 0 2 a
Aufgabe 8 Punkte). Bestimmen Sie die Lösungsmenge in R in Abhängigkeit von a R) des folgenden linearen Gleichungssystem: x + ax + 6x = 4, ax + 4x + ax =, x + 4x =. Lösung. Wir schreiben das lineare Gleichungssystem
Mehr