Hidden Markov Model ein Beispiel
|
|
- Insa Kohler
- vor 6 Jahren
- Abrufe
Transkript
1 Hidden Markov Model ein Beispiel Gegeben: Folge von Beobachtungen O = o 1,..., o n = nass, nass, trocken, nass, trocken Menge möglicher Systemzustände: Z = {Sonne, Regen} Beobachtungswahrscheinlichkeiten: Pr(nass Sonne) = 0.1 Pr(trocken Sonne) = 0.9 Pr(nass Regen) = 0.95 Pr(trocken Regen) = 0.05 Übergangswahrscheinlichkeiten: Pr(Regen zuvor Regen) = 0.7 Pr(Sonne zuvor Regen) = 0.3 Pr(Regen zuvor Sonne) = 0.2 Pr(Sonne zuvor Sonne) = 0.8 A-Priori-Wahrscheinlichkeiten: Pr(Regen) = 0.3, Pr(Sonne) = 0.7 Gesucht: Folge S = s 1,..., s n von Zuständen, so dass Pr(S O) maximal ist.
2 Hidden Markov Model ein Beispiel Sonne Sonne Sonne Sonne Sonne s t Regen Regen Regen Regen Regen o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
3 Hidden Markov Model ein Beispiel s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
4 Hidden Markov Model ein Beispiel topologische Ordnung: s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
5 Hidden Markov Model ein Beispiel Pr(o 1 Sonne) Pr(Sonne war Sonne zuvor) s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
6 Hidden Markov Model ein Beispiel Pr(nass Sonne) Pr(Sonne war Sonne zuvor) s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
7 Hidden Markov Model ein Beispiel s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
8 Hidden Markov Model ein Beispiel s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
9 Hidden Markov Model ein Beispiel Pr(trocken Sonne) s Pr(trocken Regen) o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken 7 9 t
10 Hidden Markov Model ein Beispiel s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
11 Hidden Markov Model ein Beispiel Pr(Sonne) s Pr(Regen) o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken t
12 Hidden Markov Model ein Beispiel s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
13 Hidden Markov Model ein Beispiel log 2 s t o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken
14 Hidden Markov Model ein Beispiel s t
15 Hidden Markov Model ein Beispiel s t 1.737
16 Hidden Markov Model ein Beispiel s t 1.737
17 Hidden Markov Model ein Beispiel s t
18 Hidden Markov Model ein Beispiel s t
19 Hidden Markov Model ein Beispiel s t
20 Hidden Markov Model ein Beispiel s t
21 Hidden Markov Model ein Beispiel s t
22 Hidden Markov Model ein Beispiel s t
23 Hidden Markov Model ein Beispiel s t
24 Hidden Markov Model ein Beispiel s t
25 Hidden Markov Model ein Beispiel s t
26 Hidden Markov Model ein Beispiel s t O = o 1, o 2, o 3, o 4, o 5 = nass, nass, trocken, nass, trocken S = Regen, Regen, Sonne, Sonne, Sonne
27 Algorithmus LongestPath(directed acyclic graph G = (V, A)) Bring V in topologische Ordnung v 1,..., v n v 1.d = 0 v 1.π = nil for j = 2 to n do v j.d = v j.π = nil for v i v j A do if v i.d + w(v i v j ) > v j.d then v j.d = v i.d + w(v i v j ) v j.π = v i u.d: Länge des längsten Wegs von v 1 nach u u.π: Vorgänger von u im längsten Weg von v 1 nach u w(uv): Gewicht von Kante uv
28 Algorithmus LongestPath(directed acyclic graph G = (V, A)) Bring V in topologische Ordnung v 1,..., v n v 1.d = 0 v 1.π = nil for j = 2 to n do v j.d = v j.π = nil for v i v j A do if v i.d + w(v i v j ) > v j.d then v j.d = v i.d + w(v i v j ) v j.π = v i u.d: Länge des längsten Wegs von v 1 nach u u.π: Vorgänger von u im längsten Weg von v 1 nach u w(uv): Gewicht von Kante uv Laufzeit: O( V + A )
29 Algorithmus LongestPath(directed acyclic graph G = (V, A)) Bring V in topologische Ordnung v 1,..., v n v 1.d = 0 v 1.π = nil for j = 2 to n do v j.d = v j.π = nil for v i v j A do if v i.d + w(v i v j ) > v j.d then v j.d = v i.d + w(v i v j ) v j.π = v i u.d: Länge des längsten Wegs von v 1 nach u u.π: Vorgänger von u im längsten Weg von v 1 nach u w(uv): Gewicht von Kante uv Laufzeit: O( V + A ) Laufzeit Dijkstra: O( V log V + A )
30 Jan-Henrik Haunert and Benedikt Budig An Algorithm for Map Matching given Incomplete Road Data In Proc. ACM GIS 12
31
32
33
34 Classical Map Matching
35 Classical Map Matching
36 Our Algorithm
37 Our Algorithm
38 Newson & Krumm (2008) p 3 p 2 p 1
39 Newson & Krumm (2008) p 3 c 2 3 c 3 3 c 1 3 c 3 1 c 2 1 p 1 c 1 2 c 3 2 c 2 2 p 2 c 1 1
40 Newson & Krumm (2008) c 2 3 p 3 c 1 1 c 1 2 c 1 3 c 3 3 c 1 3 c 3 2 s c 2 1 c 2 2 c 2 3 t c 3 1 c 2 1 p 1 c 1 2 c 2 2 p 2 C 1 C 2 C 3 c1 3 c2 3 c3 3 c 1 1
41 Newson & Krumm (2008) c 2 3 p 3 c 1 1 c 1 2 c 1 3 c 3 3 c 1 3 c 3 2 s c 2 1 c 2 2 c 2 3 t c 3 1 c 2 1 p 1 c 1 2 c 2 2 p 2 C 1 C 2 C 3 c1 3 c2 3 c3 3 c 1 1
42 Newson & Krumm (2008) c 2 3 p 3 c 1 1 c 1 2 c 1 3 c 3 3 c 1 3 c 3 2 s c 2 1 c 2 2 c 2 3 t c 3 1 c 2 1 p 1 c 1 2 c 2 2 p 2 C 1 C 2 C 3 c1 3 c2 3 c3 3 c 1 1
43 Off-Road Candidates c 2 3 c 0 3 c 0 1 c 0 2 c 0 3 c 1 3 c 1 2 s c 1 1 c 1 2 c 1 3 t c 2 1 c 0 2 C 1 C 2 C 3 c 0 1 c 2 2 c 2 1 c 2 2 c 2 3 c 1 1
44 Probabilistic Reasoning Pr(S O) = f (O S) Pr(S)/f (O)
45 Probabilistic Reasoning Pr(S O) = f (O S) Pr(S)/f (O)
46 Probabilistic Reasoning Pr(S O) = f (O S) Pr(S)/f (O) f (O S) = f (o 1 s 1 )... f (o n s n )
47 Probabilistic Reasoning Pr(S O) = f (O S) Pr(S)/f (O) Pr(S) = Pr(s 1 ) Pr(s 2 s 1 was before)... Pr(s n s n 1 was before)
48 Probabilistic Reasoning f (p 1 c 0 1 ) Pr(c0 2 c0 1 was before) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
49 Probabilistic Reasoning f (p 1 c 0 1 ) Pr(c0 2 c0 1 was before) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) max-weight s-t-path = state sequence S that maximizes Pr (S O) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
50 Probabilistic Reasoning f (p 1 c 0 1 ) Pr(c0 2 c0 1 was before) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
51 Probabilistic Reasoning f (d 23 c 0 2 c0 3 ) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
52 Probabilistic Reasoning f (d 23 c 0 2 c0 3 ) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
53 Probabilistic Reasoning Pr (c v j c u i was before) = 1 ϕk i if u 0, v = 0 +1 ϕ ϕk i if u 0, v ψk i if u = 0, v = 0 +1 ψ ψk i if u = 0, v 0 +1.
54 Probabilistic Reasoning f (d 23 c 0 2 c0 3 ) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
55 Probabilistic Reasoning f (p i ci u ) = 1 2πσ 2 e d 2 E (cu i,p i ) 2σ 2
56 Probabilistic Reasoning f (d 23 c 0 2 c0 3 ) f (p 2 c 0 2 ) Pr(c0 3 c0 2 was before) c 0 1 c 0 2 c 0 3 Pr(c 0 1 ) f (c 0 3 p 3) s c 1 1 c 1 2 c 1 3 t C 1 C 2 C 3 c 2 1 c 2 2 c 2 3
57 Probabilistic Reasoning f (d ij c u i c v j ) = 1 dij dg(c 2β e β u i,cv j )
58 Probabilistic Reasoning f (d ij c u i c v j ) = 1 dij dg(c 2β e β u i,cv j ) c 2 3 c 0 3 c 1 3 c 1 2 c 0 2 c 2 1 c 2 2 c 0 1 c 1 1
59 Probabilistic Reasoning f (d ij c u i c v j ) = 1 dij dg(c 2β e β u i,cv j ) c 2 3 c 0 3 c 1 3 c 1 2 c 0 1 c 0 2 c 2 1 c 2 2 d G (c 2 1, c 0 2 ) c 1 1
60 Probabilistic Reasoning f (d ij c u i c v j ) = 1 dij dg(c 2β e β u i,cv j ) c 2 3 d G (c 0 2, c 2 3 ) c 1 3 c 0 3 c 1 2 c 0 2 c 2 1 c 2 2 c 0 1 c 1 1
61 Experiments Track1 Track4 N Track3 Track m
62 Experiments Track1 Track2 Track3 Track4 number of GPS points length in m number of off-road sections in solution total lengths of off-road sections in m
63 Experiments description symbol value radius for selection of candidate points r 40 m standard deviation of GPS coordinates σ 25 m cost of an off-road edge of one unit w 1.5 parameter for probability density of distance measurements β 20.0 parameter for transition probabilities from off-road ψ 1.5 candidates parameter for transition probabilities from on-road candidates ϕ 10.0
64 Experiments 100 m
65 Experiments 100 m
66 Experiments 100 m
67 Experiments 100 m
68 Experiments 100 m ϕ = 6.8 ψ = 1.02
69 Experiments 100 m ϕ = 10 ψ = 1.5
70 Experiments 100 m ϕ = 1000 ψ = 150
71 Experiments 100 m
72 Experiments ϕ = 10 ψ = 1.5
73 Experiments ϕ = 10 ψ = 10
74 Experiments Tests performed on Windows PC (3 GB of RAM, 3.00 GHz Intel dual-core CPU) all points 10% of points Track1 Track2 Track3 Track4 number of points time to solution 14.5 s 51.1 s 7.7 s 47.2 s number of points time to solution 0.8 s 1.4 s 0.4 s 2.5 s
75 Future Work automatic parameter training on-line map generalization
Map Matching. Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf.
Map Matching Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf. Ergebnis mit minimaler Fréchet-Distanz Annahme: Fahrer wählen bevorzugt kürzeste Wege im Straßennetz.
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 3. Vorlesung: 23. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar
MehrHidden Markov Model. Gegeben: Beobachtungen O = o 1,..., o n, je eine pro Zeitpunkt
Hidden Markov Model Hidden Markov Model Gegeben: Beobachungen O = o,..., o n, je eine pro Zeipunk mögliche Syemzuände Z für jeden Syemzuand z Z und jede Beobachung o die Wahrcheinlichkei Pr(o z) oder die
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 8. Vorlesung: 10. Dezember 2012 Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar eingebetteter Graph G = V, E Die
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 3. Vorlesung: 29. April 205 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar
MehrKapitel 6: Dynamic Shortest Path
Kapitel 6: Dynamic Shortest Path 6.4 Experimentelle Analyse VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 18. VO 12. Juni 2007 Literatur für diese VO C.
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 19 (27.6.2018) Dynamische Programmierung III Algorithmen und Komplexität Dynamische Programmierung DP Rekursion + Memoization Memoize:
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 018/19 1. Vorlesung Minimale Spannbäume Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Motivation ) Kantengewichte w : E R >0 ) w(e ) := e E w(e)
MehrBipartites Matching. Gegeben: Ein bipartiter, ungerichteter Graph (V 1, V 2, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität.
Netzwerkalgorithmen Bipartites Matching (Folie 90, Seite 80 im Skript) Gegeben: Ein bipartiter, ungerichteter Graph (V, V, E). Gesucht: Ein Matching (Paarung) maximaler Kardinalität. Ein Matching ist eine
MehrAS Path-Prepending in the Internet And Its Impact on Routing Decisions
(SEP) Its Impact on Routing Decisions Zhi Qi ytqz@mytum.de Advisor: Wolfgang Mühlbauer Lehrstuhl für Netzwerkarchitekturen Background Motivation BGP -> core routing protocol BGP relies on policy routing
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 22. Vorlesung Tiefensuche und Topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Vorlesungsumfrage Nutzen Sie die Vorlesungsbefragung
Mehr2. Das single-source-shortest-path-problem
. Das single-source-shortest-path-problem Zunächst nehmen wir an, dass d 0 ist. Alle kürzesten Pfade von a nach b sind o.b.d.a. einfache Pfade.. Dijkstra s Algorithmus Gegeben: G = (V, A), (A = V V ),
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2016/17 19. Vorlesung Kürzeste Wege & Dijkstras Algorithmus Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Wozu kürzeste Wege? 2 3-8 Modellierung
MehrKap. 6.6: Kürzeste Wege
Kap. 6.6: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1./. VO DAP SS 009./9. Juli 009 1 Nachtest für Ausnahmefälle Di 1. Juli 009, 16:00 Uhr,
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrKap. 6.6: Kürzeste Wege
0.0.00 Nachtest für Ausnahmefälle Kap..: Kürzeste Wege Professor Dr. Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund./. VO DAP SS 00./. Juli 00 Di. Juli 00, :00 Uhr, OH, R.
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Kürzeste Pfade in Graphen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 016.6.01 Einleitung Diese Lerneinheit beschäftigt
MehrDer Viterbi-Algorithmus im Part-of-Speech Tagging
Der Viterbi-Algorithmus im Part-of-Speech Tagging Kursfolien Karin Haenelt 1 Themen Zweck des Viterbi-Algorithmus Hidden Markov Model Formale Spezifikation Beispiel Arc Emission Model State Emission Model
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 18 (25.6.2018) Dynamische Programmierung II Algorithmen und Komplexität Fibonacci Zahlen Definition der Fibonacci Zahlen F 0, F 1, F 2,
MehrAlgorithmen I. Tutorium 1-8. Sitzung. Dennis Felsing
Algorithmen I Tutorium 1-8. Sitzung Dennis Felsing dennis.felsing@student.kit.edu www.stud.uni-karlsruhe.de/~ubcqr/algo 2011-06-06 Überblick 1 Allgemeines Adjazenzliste Adjazenzmatrix Adjazenzfeld Aufgaben
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2015/16 20. Vorlesung Tiefensuche und topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 2. Test 43 112 = 72 % Test 1: 125/175
MehrProjektgruppe. Text Labeling mit Sequenzmodellen
Projektgruppe Enes Yigitbas Text Labeling mit Sequenzmodellen 4. Juni 2010 Motivation Möglichkeit der effizienten Verarbeitung von riesigen Datenmengen In vielen Bereichen erwünschte automatisierte Aufgabe:
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2016/17 19. Vorlesung Kürzeste Wege & Dijkstras Algorithmus Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Ergebnisse des 1. Kurztests 14 12 10
MehrRouting in WSN Exercise
Routing in WSN Exercise Thomas Basmer telefon: 0335 5625 334 fax: 0335 5625 671 e-mail: basmer [ at ] ihp-microelectronics.com web: Outline Routing in general Distance Vector Routing Link State Routing
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Strukturelle Modelle Conditional Random Fields Katharina Morik LS 8 Informatik Technische Universität Dortmund 17.12. 2013 1 von 27 Gliederung 1 Einführung 2 HMM 3 CRF Strukturen
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrAlgorithmen und Datenstrukturen
1 Algorithmen und Datenstrukturen Wintersemester 2017/18 20. Vorlesung Tiefensuche und topologische Sortierung Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Themen für den 3. Kurztest (Do, 25.01.18)
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/37
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/37 Modellierungsaufgabe Es gibt drei Tauben und zwei Löcher. Jede Taube soll in
MehrAlgorithms and Data Structures WS03/04
Final Exam Algorithms and Data Structures WS03/04 Name: Matr. Nr.: Time: 120 min Aufgabe 1 2 3 4 5 Maximalpunktzahl 9 12 10 8 21 erreichte Punktzahl Σ: von 60 Problem 1: (Acyclic Subgraphs, 5+4 points)
MehrKap. 6.5: Minimale Spannbäume ff
Kap. 6.: Minimale Spannbäume ff Professor Dr. Karsten Klein Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 20. VO 2. TEIL DAP2 SS 2009 2. Juli 2009 SS08 1 Überblick 6.:
MehrHidden Markov Models
Hidden Markov Models Kursfolien Karin Haenelt 09.05002 1 Letzte Änderung 18.07002 Hidden Markov Models Besondere Form eines probabilistischen endlichen Automaten Weit verbreitet in der statistischen Sprachverarbeitung
MehrKürzeste und Schnellste Wege
Kürzeste und Schnellste Wege Wie funktionieren Navis? André Nusser (Folien inspiriert von Kurt Mehlhorn) Struktur Straßennetzwerke Naiver Algorithmus Dijkstras Algorithmus Transitknoten Nachbemerkungen
MehrDisMod-Repetitorium Tag 3
DisMod-Repetitorium Tag 3 Markov-Ketten 21. März 2018 1 Markov-Ketten Was ist eine Markov-Kette? Was gehört alles dazu? Darstellung als Graph und als Matrix Stationäre Verteilung und Grenzverteilung Ergodizität
MehrLaufzeit. Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode.
Effiziente Algorithmen Flußprobleme 81 Laufzeit Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V 1, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{ V 1, V 2 }.
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Spracherkennung und Hidden Markov Modelle Dozentin: Wiebke Petersen WS 2004/2005 Wiebke Petersen Einführung in die Computerlinguistik WS 04/05 Spracherkennung Merkmalsextraktion
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrStochastic Processes SS 2010 Prof. Anton Wakolbinger. Klausur am 16. Juli 2010
Stochastic Processes SS 2010 Prof. Anton Wakolbinger Klausur am 16. Juli 2010 Vor- und Nachname: Matrikelnummer: Studiengang: Tutor(in): In der Klausur können 100 Punkte erreicht werden. Die Gesamtpunktezahl
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 10 FS 16
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 11. Mai
MehrStatistische Verfahren:
Statistische Verfahren: Hidden-Markov-Modelle für Multiples Alignment Stochastic Context-Free Grammars (SCFGs) für RNA-Multiples Alignment Übersicht 1 1. Hidden-Markov-Models (HMM) für Multiples Alignment
MehrFolien aus der Vorlesung Optimierung I SS2013
Folien aus der Vorlesung Optimierung I SS2013 Dr. Jens Maßberg Institut für Optimierung und Operations Research, Universität Ulm July 10, 2013 Datenstrukturen für Graphen und Digraphen Graph Scanning Algorithmus
MehrOpen queueing network model of a computer system: completed jobs
E Queueing Networks E Queueing Networks Open queueing network model of a computer system: Stream of new jobs Disk CPU Printer Stream of completed jobs Magnetic Tape E.164 E Queueing Networks "Central-Server-Model
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
MehrLabor Demand. Anastasiya Shamshur
Labor Demand Anastasiya Shamshur 16.03.2011 Outline Labor Supply Labor Demand always DERIVED: demand for labor is derived from the demand for a rm's output, not the rm's desire fore hire employees. Equilibrium
MehrAlgorithmen und Datenstrukturen, FS17 Prof Dr Christian Tschudin
Departement Mathematik und Informatik Algorithmen und Datenstrukturen, FS17 Prof Dr Christian Tschudin 20. April 2017 Graphenalgorithmen III Robert Floyd Algorithmen und Datenstrukturen, FS17 20. April
MehrPilot Project Biogas-powered Micro-gas-turbine
1/18 Pilot Project Biogas-powered Micro-gas-turbine Supported by the Hessischen Ministerium für Wirtschaft, Verkehr und Landesentwicklung Speaker Details 2/18 Jan Müller Works at Institute of Solar Energy
MehrDie Klasse NP und die polynomielle Reduktion. Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1 / 26 Optimierungsprobleme und ihre Entscheidungsvariante Beim Rucksackproblem
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
MehrCALCULATING KPI QUANTITY-INDEPENDENT ROUTE TIME
CALCULATING KPI QUANTITY-INDEPENDENT ROUTE TIME Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann die Fläche nicht eingefärbt
MehrKürzeste (billigste) Wege
Kürzeste (billigste) Wege 1. Kürzeste (billigste) Wege Gerichteter Graph G = (V, E) Kostenfunktion c : E R 1 2 1 3 3 2 4 4 2 6 6 5 3 2 Entfernung zwischen zwei Knoten Kosten eines Wegs P = v 0, v 1,...,
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 45 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Distanzen zwischen allen Knotenpaaren (APD)! Viele Anwendungen:! Navis! Netzwerkrouting!...
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
Mehr8 Allgemeine Modelle & Robuste Regression
8.1 Allgemeines Lineares Regressions-Modell 182 8 Allgemeine Modelle & Robuste Regression 8.1 Allgemeines Lineares Regressions-Modell a Modell. Y i F µ i, γ, g µ i = η i = x T i β b Weibull-Verteilung.
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen 6. Juni 2017 Guido Brückner INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Reguläre Ausdrücke und reguläre Grammatiken Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 20 Regular expressions (1) Let Σ be an alphabet. The
MehrFunktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo?
Briefmarkensammeln (Folie 413, Seite 80 im Skript) Funktioniert der Greedy-Algorithmus auch für Briefmarken aus Manchukuo? Welche Briefmarken für einen 20 fen Brief? Der Greedy-Algorithmus führt nicht
MehrAlgorithmen I. Tutorium Sitzung. Dennis Felsing
Algorithmen I Tutorium 1-12. Sitzung Dennis Felsing dennis.felsing@student.kit.edu www.stud.uni-karlsruhe.de/~ubcqr/algo 2011-07-04 Überblick 1 Dynamische Programmierung Idee Längste gemeinsame Teilfolge
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrAlgorithmen für Routenplanung 2. Sitzung, Sommersemester 2012 Thomas Pajor 23. April 2012
Algorithmen für Routenplanung 2. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
Mehrp = (v 0, v 1,..., v k )
1 Routenlaner Hamburg 300 km 200 km Berlin 450 km Köln 200 km 400 km Frankfurt 50 km 200 km 150 km Mannheim Saarbrücken 100 km 250 km Stuttgart 200 km Dresden 300 km Nürnberg 200 km München Berechne den
MehrAlgorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen WS 08/09 Friedhelm Meyer auf der Heide Vorlesung 6, 28.10.08 Friedhelm Meyer auf der Heide 1 Organisatorisches Prüfungsanmeldung bis 30.10.
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrKürzeste-Wege-Algorithmen und Datenstrukturen
Kürzeste-Wege-Algorithmen und Datenstrukturen Institut für Informatik Universität zu Köln SS 2009 Teil 1 Inhaltsverzeichnis 1 Kürzeste Wege 2 1.1 Voraussetzungen................................ 2 1.2
MehrExkurs: Graphtraversierung
Sanders: Informatik III November 28, 2006 1 Exkurs: Graphtraversierung Begriffe Graphrepräsentation Erreichbarkeit mittels Tiefensuche Kreise Suchen Sanders: Informatik III November 28, 2006 2 Gerichtete
MehrElectronic Safety Systems
Electronic Safety Systems Hardware Concepts, Models, and Calculations Bearbeitet von Josef Börcsök Neuerscheinung 2004. Taschenbuch. XVII, 565 S. Paperback ISBN 978 3 7785 2944 7 Format (B x L): 17 x 24
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 21 (15.7.2016) String Matching (Textsuche) Approximate String Matching Algorithmen und Komplexität Textsuche / String Matching Gegeben:
MehrAlgorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs
Algorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische
MehrAlgorithmen I. Tutorium Sitzung. Dennis Felsing
Algorithmen I Tutorium 1-10. Sitzung Dennis Felsing dennis.felsing@student.kit.edu www.stud.uni-karlsruhe.de/~ubcqr/algo 2011-06-20 Klausur Klausuranmeldung jetzt im Studienportal möglich! Klausur am 19.07.
MehrGraphalgorithmen Netzwerkalgorithmen. Laufzeit
Netzwerkalgorithmen Laufzeit (Folie 390, Seite 78 im Skript) Finden eines Matchings maximaler Kardinalität dauert nur O( E min{ V, V 2 }) mit der Ford Fulkerson Methode. Der Fluß ist höchstens f = min{
MehrRobert E. Tarjan. Matthias Bender
Robert E. Tarjan Die Suche nach guter Struktur Matthias Bender (mabe0053@studcs.uni-sb.de) Seminar Geschichte der Informatik Lehrstuhl Prof. Dr. Jörg Siekmann Universität des Saarlandes Robert E. Tarjan
MehrSichtbarkeitsgraphen. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.07.2011 Bewegungslanung für Roboter Ideen?? Problem: Gegeben
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 07..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrGrundkurs Routing im Internet mit Übungen
Grundkurs Routing im Internet mit Übungen Falko Dressler, Ursula Hilgers {Dressler,Hilgers}@rrze.uni-erlangen.de Regionales Rechenzentrum der FAU Tag 3 OSPF Link-state Protokolle Grundlagen von OSPF Konfiguration
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrAlgorithmen und Datenstrukturen 2. Stefan Florian Palkovits, BSc Juni 2016
Algorithmen und Datenstrukturen 2 Übung 1 Stefan Florian Palkovits, BSc 0926364 e0926364@student.tuwien.ac.at 12. Juni 2016 Aufgabe 1: Es existiert eine Reduktion von Problem A auf Problem B in O(n 3 +
MehrGraphenalgorithmen I. Geschickt Programmieren für den ICPC- Wettbewerb. Felix Weissenberger
Graphenalgorithmen I Geschickt Programmieren für den ICPC- Wettbewerb Felix Weissenberger Inhalt Grundlagen zu Graphen Begriffe Darstellung von Graphen Graphenalgorithmen Breitensuche Tiefensuche Topologisches
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester Lösungsblatt 3 Maschinelles Lernen und Klassifikation
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 3 Maschinelles Lernen und Klassifikation Aufgabe : Zufallsexperiment
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 10.07.2012 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 1 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
MehrPraktikum 4: Delegation
: Delegation 1. Lernziele Die folgenden, in der Vorlesung behandelten Themen sollen vertieft und angewendet werden: Vererbung, abstrakte Klassen, Polymorphie, Delegation sowie das Zeichnen von UML-Klassendiagrammen.
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrData Structures and Algorithm Design
- University of Applied Sciences - Data Structures and Algorithm Design - CSCI 340 - Friedhelm Seutter Institut für Angewandte Informatik Contents 1 Analyzing Algorithms and Problems 2 Data Abstraction
MehrUntersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem Routing
Untersuchung von Beschleunigungsverfahren für den Dijkstra-Algorithmus im Zusammenhang mit multimodalem David Georg Reichelt davidgeorg_reichelt@yahoo.de 22. September 2012 25.09.2012 David Georg Reichelt,
MehrDr. Johannes Bauer Institut für Soziologie, LMU München. Directed Acyclic Graphs (DAG)
Dr. Institut für Soziologie, LMU München Directed Acyclic Graphs (DAG) Wie ist der Zusammenhang von und Z blockiert den Pfad Mediator 50% = 1 50% = 0 Z Z if =0: 20% if =1: 80% Gegenwsk if Z=0: 20% if Z=1:
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am..03 Randomisierte Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 08.07.2014 1 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr