Probabilistisches Tracking mit dem Condensation Algorithmus
|
|
- Marta Ziegler
- vor 8 Jahren
- Abrufe
Transkript
1 Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake (Universität Oxford, Großbritannien) International Journal of Computer Vision 29(1),5-28 (1998) 3. Juli 2002
2 Agenda 1. Einführung 2. Stochastische Grundlagen 3. Videobeispiele 4. Ablauf des Algorithmus 5. Vergleich Condensation Algorithmus / Kalman Filter 6. Zusammenfassung Probabilistisches Tracking mit dem Condensation Algorithmus Folie 2
3 1. Einführung
4 Motivation Ziele Visuelle Verfolgung (visual tracking) eines Objektes in einer Videosequenz Effiziente Analyse In Echtzeit bzw. Möglichst nah an Echtzeit Hohe Fehlertoleranz Probabilistisches Tracking mit dem Condensation Algorithmus Folie 4
5 Mögliche Schwierigkeiten Objektveränderungen Position und Lage Beschaffenheit und Form Teilweise Überdeckung Temporäres Verschwinden des Objektes Umgebungsveränderungen Oft wechselnder Hintergrund Umgebung ist dem Objekt sehr ähnlich Beleuchtungsveränderungen innerhalb der Videosequenz Probabilistisches Tracking mit dem Condensation Algorithmus Folie 5
6 Lösungsansatz: Condensation-Algorithmus Conditional Density Propagation (for visual tracking) Nach Michael Isard und Andrew Blake (1998) Sehr erfolgreiches Verfahren in der Bildverarbeitung Hohe Geschwindigkeit (arbeitet in Echtzeit) Extrem robust Probabilistischer Ansatz: Aus der Vergangenheit lernen Erkenntnisse aus letzten Videobildern mit Daten des aktuellen Videobildes vergleichen Probabilistisches Tracking mit dem Condensation Algorithmus Folie 6
7 Vorstellbare medizinische Anwendung Aufnahme der Herzfunktion durch Ultraschall Echtzeit Videosequenz Starkes Rauschen => schwierige Analyse Condensation-Algorithmus zum Verfolgen und Hervorheben des zu untersuchenden Herzens Probabilistisches Tracking mit dem Condensation Algorithmus Folie 7
8 2. Stochastische Grundlagen
9 Stochastische Grundlagen Grundlegende Eigenschaften von Wahrscheinlichkeiten von Ereignissen a,b 0 P( a) 1 P ( a k ) = 1 k P( a) = 1 P( a) Zufallsvariable Repräsentiert Ereignisse Eintrittswahrscheinlichkeit soll berechnet werden a-priori Wahrscheinlichkeit Unbedingte Wahrscheinlichkeit eines Ereignisses a: P(a) Beispiel: P(Sechser beim Würfeln) = 1/6 a-posteriori Wahrscheinlichkeit Bedingte W keit eines Ereignisses A unter Beobachtung von b: P(a b) Beispiel: P(Sechser beim Würfeln Gerade Augenzahl) = 1/3 Probabilistisches Tracking mit dem Condensation Algorithmus Folie 9
10 Bayes Gesetz P( x y) = P( x y) P( y) = P( y x) P( x) P( y) x : Hypothese, Schlußfolgerung (es ist sonnig) y : Daten, Ursache (es sind 25 C) P(y) : W keit, daß an einem beliebigen Tag 25 C sind. P(x) : W keit, daß es sonnig ist. P(x y) : W keit, daß 25 C, also sonnig zutrifft. P(y x) : W keit, daß es an einem sonnigen Tag 25 C sind. P(x y) = P(y x) P(x) P(y x) P(x) = P(x y) P(y) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 10
11 Bayes Gesetz - Anwendung x = y = vermutete Position des Objektes Bildinformation Schwierige Bestimmung: P(x y) Direkte Bestimmung der Objektposition im Bild Einfachere Bestimmung: P(y x) Entspricht die Bildinformation der vermuteten Position? P(x y) = P(y x) P(x) / P(y) = k P(y x) P(x) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 11
12 3. Videobeispiele
13 Video: Hand- und Fingerbewegungen Umrandung des Objektes mit splines 1. Hand vor einfachem, weißem Hintergrund. 2. Hand vor komplexem Hintergrund. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 13
14 Video: Blatt im Wind Zuverlässige Objektverfolgung vor einem dem Objekt sehr ähnlichem Hintergrund. auch bei zeitweisem / teilweisen Verschwinden des Objektes. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 14
15 Video: Zeichnende Hand Rote Umrandung: Langsame Zeichenbewegung. Grüne Umrandung: Schnelle Skizzierbewegung. Blaue Umrandung: Pause - die Hand zeichnet nicht. Probabilistisches Tracking mit dem Condensation Algorithmus Folie 15
16 4. Ablauf des Algorithmus
17 Abbildung: Verfahrensschritte gewichtete Samples P(x t-1 ) Sampling P(x t ) Rauschen hinzufügen P(x t ) Beobachtungsdichte P(y t x t ) Gewichten P(x t y t ) Probabilistisches Tracking mit dem Condensation Algorithmus Folie 17
18 Abbildung: Wahrscheinlichste Objektposition Probabilistisches Tracking mit dem Condensation Algorithmus Folie 18
19 Schematischer Ablauf 0: Samples erzeugen Sample: Hypothese, wo sich das Objekt befindet 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersag e 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 19
20 Schritt 0: Samples erzeugen Zufallsmenge x 0 ( ) von Samples im Bild verteilen Verteilung der Samples Gleichverteilung Mit geeigneter P(x) Samples in einer vermuteten Region eng streuen 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 20
21 Schritt 1: Samples gewichten P(x) mit P(y x) gewichten Distanz zwischen Hypothese und Bildinformation bestimmen d(x Sample,y Bild )? P(y x) 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 4. Vortrag: Erscheinungsbasierte 3D Objekterkennung (Andrea Wenning) 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 21
22 Schritt 2.1: Vorhersage Sampleverteilung entspricht gegebener Wahrscheinlichkeitsverteilung P(x) aus dem vorhergehenden Schritt ( resampling ) Ziel: Objektverfolgung, daher: Probabilistische Erfassung der Bewegung Modell P(x t+1 x t ) P(x t+1 )? P(x t+1 x t ) P(x t ) 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 22
23 Schritt 2.2: Glätten Nachteil des resampling : Sehr wahrscheinliche Samples tauchen sehr oft in der neuen Samplemenge auf Glättung durch normalverteiltes Rauschen 0: Samples erzeugen 1: Samples gewichten 2: Nächster Zustand: 2.1: Vorhersage 2.2: Glätten Probabilistisches Tracking mit dem Condensation Algorithmus Folie 23
24 5. Vergleich: Condensation Algorithmus / Kalman Filter
25 Kurz vorgestellt: Der Kalman Filter Löst das allgemeine Problem den Zustand eines zeitbedingten Prozess mit linearen stochastischen Differenzgleichungen zu bestimmen. Annahme einer Gaußverteilung Zwei Schritte Voraussage: Time Update Voraussage des Zustands Voraussage der Kovarianzmatrix Anpassung: Measurement Update Probabilistisches Tracking mit dem Condensation Algorithmus Folie 25
26 Kalman-Filter versus Condensation Ein Schätzwert Menge an Samples Normalverteilung Geschlossene Lösung Beliebige Verteilung Annäherung durch Samples Matrixinversion Einfache Berechnung Probabilistisches Tracking mit dem Condensation Algorithmus Folie 26
27 Videobeispiel: Tanzendes Kind Extrem unruhige Tanzbewegungen Hochgradig unruhiger Hintergrund Condensation Algorithmus mit 100 Samples / Schritt Probabilistisches Tracking mit dem Condensation Algorithmus Folie 27
28 Vergleich der Verfahren (Videobeispiel) Links: Condensation Algorithmus Erfolgreiches Verfolgen der Tänzerin bei nur 100 Samples / Bild Rechts: Kalman Filter Anfänglich erfolgreich Bald gestört durch Hintergrund und Geschwindigkeit der Bewegungen Probabilistisches Tracking mit dem Condensation Algorithmus Folie 28
29 6. Zusammenfassung
30 Zusammenfassung (1) Condensation = Conditional Density Propagation (for visual tracking) Stochastik Zufallsvariable a-priori / a-posteriori Wahrscheinlichkeiten Bayes-Gesetz Samples = Hypothesen Kalman Filter Probabilistisches Tracking mit dem Condensation Algorithmus Folie 30
31 Zusammenfassung (2) Ziel des Condensation Algorithmus Identifizierung eines Objekts in einer Videosequenz Probabilistischer Ansatz Grundlage: Bayes Theorem Repräsentation der Wahrscheinlichkeitsverteilung an Samplestellen Vergleich mit aktuellen Bilddaten Fortwährende Anpassung der Wahrscheinlichkeitsverteilung Kompromiss Viele Samples => Hohe Genauigkeit = Hoher Aufwand an Rechenzeit Wenige Samples = Geringere Genauigkeit = Real Time Probabilistisches Tracking mit dem Condensation Algorithmus Folie 31
Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrR. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007
R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 SG15/25D NAME: Lösungen 1. In einer Packung sind Glühbirnen, davon sind zwei
MehrSchleswig-Holstein 2011. Kernfach Mathematik
Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrTechnische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 3914 jutta.arrenberg@th-koeln.
Übungen zur Vorlesung Wirtschaftsstatistik Zufallsvariablen Aufgabe 4.1 Ein Unternehmen fertigt einen Teil der Produktion in seinem Werk in München und den anderen Teil in seinem Werk in Köln. Auf Grund
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrSeminar Seminarname SS 2003
Universität Karlsruhe (TH) Institut für Rechnerentwurf und Fehlertoleranz (IRF) Lehrstuhl Prof. Dr.-Ing. Dillmann Seminar Seminarname SS 2003 Beitragstitel Eva Muster Kaiserstraße 1 76133 Karlsruhe eva@muster.de
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrDie Arbeitsweise von Flash
Die Arbeitsweise von Flash Daten importieren Wenn man auf das Datei-Menü in Flash klickt kann man einfach eine Datei aus Photoshop oder anderen Grafik-Programmen einfügen. Dazu klickt man auf den Befehl
MehrBiochemisches Grundpraktikum. Elektrophoretische Trennung von Proteinen
Biochemisches Grundpraktikum Versuch Nummer G-05 05: Elektrophoretische Trennung von Proteinen Gliederung: I. SDS-Polyacrylamid-Gelelektrophorese... 2 a) Versuchsziele, Aufgaben... 2 b) Versuchsdurchführung...
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrBildauswertung in UAV
Bildauswertung in UAV Prof. Dr. Nailja Luth Prof. N. Luth Emden 2014-1 OTH Ost-Bayerische Technische Hochschule Amberg-Weiden Prof. N. Luth Emden 2014-2 Prof. Dr.-Ing. N. Luth: Vorlesung Bildverarbeitung
MehrSCHRITT 1: Öffnen des Bildes und Auswahl der Option»Drucken«im Menü»Datei«...2. SCHRITT 2: Angeben des Papierformat im Dialog»Drucklayout«...
Drucken - Druckformat Frage Wie passt man Bilder beim Drucken an bestimmte Papierformate an? Antwort Das Drucken von Bildern ist mit der Druckfunktion von Capture NX sehr einfach. Hier erklären wir, wie
MehrReal-Time 3D Model Acquisition
Seminarvortrag Real-Time 3D Model Acquisition Alexander Barth Nach Folien von Szymon Rusinkiewicz, Olaf Hall-Holt und Marc Levoy Einführung 3D-Scannen 2 Einführung Ziele Hohe Präzision Hohe Geschwindigkeit
Mehr3.1 Das kognitive Modell 45 3.2 Annahmen 47 3.3 Der Zusammenhang zwischen Verhalten und automatischen Gedanken 51
http://www.beltz.de/de/nc/verlagsgruppe-beltz/gesamtprogramm.html?isbn=978-3-621-27955-0 Inhaltsverzeichnis Vorwort 12 1 Einführung in die Kognitive Verhaltenstherapie 15 1.1 Was ist Kognitive Verhaltenstherapie?
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrRisikosimulation zur Optimierung der Finanzierungsplanung von Projekten
Risikosimulation zur Optimierung der Finanzierungsplanung von Projekten Dresden, 18.06.2012 Agenda Motivation Notwendigkeit einer Risikosimulation Grundlagen der Monte-Carlo-Simulation Konzept einer 4-Stufen-Risikosimulation
MehrNaturgefahrenbeurteilungein integrativer Ansatz
: Naturgefahrenbeurteilungein integrativer Ansatz Ideen für ein modernes Risikomanagementkonzept Dr. Karl Kleemayr : Aktuelle Erkenntnisse FLOOD RISK ERKENNTNISSE 004 Grenzen des Schutzes und der Verantwortung
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrANWENDUNG DES WIENER STADTWERKE-LOGOS
ANWENDUNG DES WIENER STADTWERKE-LOGOS Dem Wiener Stadtwerke-Konzern ist es ein Anliegen, die Logos in optimaler Form darzustellen. Daher sind die Logos vorzugsweise in den Farbvarianten zu verwenden. Reduzierte
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Abi-Retter-Strategien: Texterörterung. Das komplette Material finden Sie hier:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Das komplette Material finden Sie hier: Download bei School-Scout.de Thema: TMD: 47047 Kurzvorstellung des Materials: Teil der Abi-Retter-Strategie-Serie:
MehrJan Parthey, Christin Seifert. 22. Mai 2003
Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.
MehrDer Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m
Der Einbau im Auto Sichtbereich Sichtbereich Kameras Einbau im Rückspiegel Erfassung von anderen Fahrzeugen (Pkw,Lkw) Zweiradfahrern Fußgängern und Kindern Reichweite: bis 30 m Digitale Bildverarbeitung
MehrVorlesung Buchführung / Bilanzierung
Vorlesung Buchführung / Bilanzierung Unit 2.4.: Bewertung der Rückstellungen und Verbindlichkeiten Ansatz Ausweis -Bewertung 1 Begriff und Arten der Rückstellungen Verpflichtungen des Unternehmens Grund
MehrTerrain-Rendering mit Geometry Clipmaps
Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Terrain-Rendering mit Seminar Computergrak 2010 Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Worum geht's? Algorithmus
Mehr4.3 Bevölkerungsprozessstatistik: Raten und Tafeln
Dynamik der Bevölkerungsstruktur ergibt sich aus Zugängen (Geburt, Zuwanderung) Abgängen (Tod, Abwanderung) Bewegungen zwischen Sektoren (ledig verheiratet, erwerbstätig nicht erwerbstätig, verschiedene
MehrGeometrische Brownsche Bewegung und Brownsche Brücke
Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrMit dem Tool Stundenverwaltung von Hanno Kniebel erhalten Sie die Möglichkeit zur effizienten Verwaltung von Montagezeiten Ihrer Mitarbeiter.
Stundenverwaltung Mit dem Tool Stundenverwaltung von Hanno Kniebel erhalten Sie die Möglichkeit zur effizienten Verwaltung von Montagezeiten Ihrer Mitarbeiter. Dieses Programm zeichnet sich aus durch einfachste
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrMechanismus Design Auktionen
Mechanismus Design Auktionen Universität Hohenheim Alexander Staus Mechanismus Design Universität Hohenheim 1/25 Welche Auktionen kennen Sie? traditionelle Auktionshäuser ebay Immobilien Fahrräder Blumen
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrFotios Filis. Monte-Carlo-Simulation
Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrPrüfungsausschuss. Fachkraft im Fahrbetrieb. Konstellation & Struktur Prüfungsausschuss. Harald Enderlein
Prüfungsausschuss Konstellation & Struktur Prüfungsausschuss Harald Enderlein 1 Der Prüfungsausschuss Errichtung Für die Abnahme von Zwischen- und Abschlussprüfungen errichtet die zuständige IHK Prüfungsausschüsse
MehrLichtbrechung an Linsen
Sammellinsen Lichtbrechung an Linsen Fällt ein paralleles Lichtbündel auf eine Sammellinse, so werden die Lichtstrahlen so gebrochen, dass sie durch einen Brennpunkt der Linse verlaufen. Der Abstand zwischen
MehrGussnummern-Lesesystem
Gussnummern-Lesesystem Die Einzigartigkeit des visolution-systems liegt in der Verwendung von 3D- Bildverarbeitung. Bei dem Erstellen von Nummern auf Gussteilen kann die Qualität der Gussnummern sowohl
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrTulpenzwiebel-Aufgabe Abiturprüfung GK Bayern 2000
Tulpenzwiebel-Aufgabe Abiturprüfung GK Bayern 2000 Ein Fachmarkt besteht nur aus einer Bau- und einer Gartenabteilung; in letzterer werden unter anderem Tulpenzwiebeln von rot blühenden, gelb blühenden
MehrEva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
MehrIn diesem Bereich wird beschrieben, wie Sie eine Datensicherung der Software Jack Plus durchführen können.
Datensicherung Jack Inhalt Allgemeines Warum muss eine Datensicherung durchgeführt werden Wohin werden Daten gesichert Was soll von Jack alles gesichert werden Vorbereitungen zur Datensicherung Datensicherung
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehrsondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit liegen, an Bedeutung verlieren. Die Mannschaften haben sich verändert. Spieler
MehrRate (bzw. Preis), mit der zwei Währungen gegeneinander getauscht werden Mögliche Darstellung (z.b. bei und $)
Wechselkurse MB Wechselkurse Nominaler Wechselkurs Rate (bzw. Preis), mit der zwei Währungen gegeneinander getauscht werden Mögliche Darstellung (z.b. bei und $) Wie viel bekommt man für $1 Wie viel $
MehrGrafische Gestaltung von Websites. Seminar 2009
Grafische Gestaltung von Websites Seminar 2009 Visuelle Kommunikation ist die Übermittlung von Information in einer Weise, die über das Auge direkt oder indirekt wahrgenommen wird. Gestaltungslösung ist
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012
Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 http://www.ies.uni-karlsruhe.de Zeitlich adaptives Objekttracking in der Aufklärung und Überwachung Flugdrohne / visuell optischer
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrWinWerk. Prozess 6a Rabatt gemäss Vorjahresverbrauch. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
WinWerk Prozess 6a Rabatt gemäss Vorjahresverbrauch 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052-740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Ablauf der Rabattverarbeitung...
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrSpezialplanung - Individuelle Wünsche werden in der Planung berücksichtigt. (Design- Ansprüche, Energieberechnungen oder Mehrfachvarianten).
Die Leistungen des DesignPlan Eine Planung besteht immer aus mindestens einer und einer. Die stellen wir ausschliesslich dem Fachhandwerk zur Verfügung. Dieser trägt die Verantwortung zur fachlich korrekten
MehrGrundlagen der Monte Carlo Simulation
Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrNichtlineare Beobachter: Kollisions- und Fehlerdetektion. Regelungstechnische Methoden in der Robotik
Nichtlineare Beobachter: ollisions- und Fehlerdetetion Motivation Sichere, zuverlässige physische Mensch-Roboter Interation Erhöhung der Reglerperformanz z.b. Bahngenauigeit oder Nachgiebigeit durch Reibungsompensation
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
MehrDiana Lange. GENERATIVE GESTALTUNG Arten des Zufalls
Diana Lange GENERATIVE GESTALTUNG Arten des Zufalls RANDOM int index = 0; while (index < 200) { float x = random(0, width); float y = random(0, height); float d = random(40, 100); ellipse(x, y, d, d);
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrHauptprüfung Fachhochschulreife 2015. Baden-Württemberg
Baden-Württemberg: Fachhochschulreie 2015 www.mathe-augaben.com Hauptprüung Fachhochschulreie 2015 Baden-Württemberg Augabe 1 Analysis Hilsmittel: graikähiger Taschenrechner Beruskolleg Alexander Schwarz
MehrANSPRECHPARTNER. Film Mathematik statt Rechnen (Quelle: Hochschule Merseburg) Prof. Dr. Axel Kilian Fachbereich Informatik und Kommunikationssysteme
ANSPRECHPARTNER Prof. Dr. Axel Kilian Fachbereich Informatik und Kommunikationssysteme Hochschule Merseburg axel.kilian@hs-merseburg.de Film Mathematik statt Rechnen (Quelle: Hochschule Merseburg) HOCHSCHULE
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrSWOT-Analyse. Der BABOK V2.0 (Business Analysis Body Of Knowledge) definiert die SWOT-Analyse wie folgt:
SWOT-Analyse Die SWOT-Analyse stammt ursprünglich aus dem militärischen Bereich und wurde in den 1960er-Jahren von der Harvard Business School zur Anwendung in Unternehmen vorgeschlagen. Die SWOT-Analyse
MehrGS-Buchhalter/GS-Office 2015 Saldovorträge in folgenden Wirtschaftsjahren erfassen
GS-Buchhalter/GS-Office 2015 Saldovorträge in folgenden Wirtschaftsjahren erfassen Impressum Business Software GmbH Primoschgasse 3 9020 Klagenfurt Copyright 2014 Business Software GmbH Die Inhalte und
MehrIn diesem Bereich wird beschrieben, wie Sie eine Datensicherung der Software Jack Plus durchführen können.
Datensicherung Jack Inhalt Allgemeines Warum muss eine Datensicherung durchgeführt werden Wohin werden Daten gesichert Was soll von Jack alles gesichert werden Vorbereitungen zur Datensicherung Datensicherung
MehrWarum kann ein Flugzeug fliegen?
4. Dezember 2003 Warum kann ein Flugzeug fliegen? Wer oder was kann fliegen? Warum können Hexen und Harry Potter fliegen? Joanne K. Rowling / Carlsen Verlag GmbH Weil sie zaubern können! Wer oder was kann
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrGEVITAS Farben-Reaktionstest
GEVITAS Farben-Reaktionstest GEVITAS Farben-Reaktionstest Inhalt 1. Allgemeines... 1 2. Funktionsweise der Tests... 2 3. Die Ruhetaste und die Auslösetaste... 2 4. Starten der App Hauptmenü... 3 5. Auswahl
MehrEsgibt viele Softwarelösungen für die Dienstplanung Esgibt aber nur einen Dienstplan wie diesen!
EDV-Dienstplan Esgibt viele für die Dienstplanung Esgibt aber nur einen Dienstplan wie diesen! 1 Zeitersparniss durch Generator Automatische Planung mit Optimierer Optimierer Dienstplanung reduziert sich
MehrBürgerhilfe Florstadt
Welche Menschen kommen? Erfahrungen mit der Aufnahme vor Ort vorgestellt von Anneliese Eckhardt, BHF Florstadt Flüchtlinge sind eine heterogene Gruppe Was heißt das für Sie? Jeder Einzelne ist ein Individuum,
MehrGrundlagen des Maschinellen Lernens Kap. 4: Lernmodelle Teil II
1. Motivation 2. Lernmodelle Teil I 2.1. Lernen im Limes 2.2. Fallstudie: Lernen von Patternsprachen 3. Lernverfahren in anderen Domänen 3.1. Automatensynthese 3.2. Entscheidungsbäume 3.3. Entscheidungsbäume
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrEinladung Workshop-Reihe. Projekt BEE-Mobil. Berufliche Bildung im Handwerk in den Zukunftsmärkten E-Mobilität und Erneuerbare Energien
Einladung Workshop-Reihe Projekt BEE-Mobil Berufliche Bildung im Handwerk in den Zukunftsmärkten E-Mobilität und Erneuerbare Energien 23. April 2012: Zukünftige Energieversorgung und Zukunft der Mobilität
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens 1 Organisatorisches Freitag, 05. Mai 2006: keine Vorlesung! aber Praktikum von 08.00 11.30 Uhr (Gruppen E, F, G, H; Vortestat für Prototyp)
MehrKapitel 3: Etwas Informationstheorie
Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens
MehrAktualisierung des Internet-Browsers
Marketingtipp Aktualisierung des Internet-Browsers Landesverband Bauernhof- und Landurlaub Bayern e.v. Was ist ein Internet-Browser? Der Internet-Browser ist das Programm, das Sie benutzen um im Internet
MehrInsiderwissen 2013. Hintergrund
Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrSeminaranmeldung in der Fortbildung
Seminaranmeldung in der Fortbildung ACHTUNG: Seminare werden in PH-Online als Lehrveranstaltungen bezeichnet! Dieser Begriff wird im folgenden Abschnitt daher oft anstelle von Seminar verwendet. In PH-Online
MehrBedienungsanleitung Albumdesigner. Neues Projekt: Bestehendes Projekt öffnen:
Bedienungsanleitung Albumdesigner Hier wählen Sie aus ob Sie mit einem neuen Album beginnen - Neues Projekt erstellen oder Sie arbeiten an einem bestehenden weiter - Bestehendes Projekt öffnen. Neues Projekt:
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
MehrMining High-Speed Data Streams
Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:
MehrMATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009
EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer
Mehr