Kompositionen von Baumreihen-Transformationen
|
|
- Gerhardt Bader
- vor 8 Jahren
- Abrufe
Transkript
1 Kompositionen von Baumreihen-Transformationen Andreas Maletti 1 Lehrstuhl: Grundlagen der Programmierung Institut für Theoretische Informatik Technische Universität Dresden 4. November Finanziell unterstützt durch die Deutsche Forschungsgemeinschaft (DFG, GK 334)
2 Grundlegende Begriffe Begriffe Baumreihe: Abbildung Baum Gewicht Baumreihen-Transformation: Abbildung Baumreihe Baumreihe Beispiel t 1 1, t 2 1, 0 repräsentiert Menge {t 1, t 2 } t 1 2, t 2 1, 0 repräsentiert Multi-Menge {t 1, t 1, t 2 } t 1 a, t 2 b,... (n t) (n + 1) γ(t) wobei 1 t 1 = σ(α, α) und t 2 = γ(β) (σ zweistellig, γ einstellig, α, β nullstellig) 2 Gewichte: {0, 1} (0: kein Element; 1: Element)
3 Grundlegende Begriffe Begriffe Baumreihe: Abbildung Baum Gewicht Baumreihen-Transformation: Abbildung Baumreihe Baumreihe Beispiel t 1 1, t 2 1, 0 repräsentiert Menge {t 1, t 2 } t 1 2, t 2 1, 0 repräsentiert Multi-Menge {t 1, t 1, t 2 } t 1 a, t 2 b,... (n t) (n + 1) γ(t) wobei 1 t 1 = σ(α, α) und t 2 = γ(β) (σ zweistellig, γ einstellig, α, β nullstellig) 2 Gewichte: N (Anzahl der Vorkommen)
4 Grundlegende Begriffe Begriffe Baumreihe: Abbildung Baum Gewicht Baumreihen-Transformation: Abbildung Baumreihe Baumreihe Beispiel t 1 1, t 2 1, 0 repräsentiert Menge {t 1, t 2 } t 1 2, t 2 1, 0 repräsentiert Multi-Menge {t 1, t 1, t 2 } t 1 a, t 2 b,... (n t) (n + 1) γ(t) wobei 1 t 1 = σ(α, α) und t 2 = γ(β) (σ zweistellig, γ einstellig, α, β nullstellig) 2 Gewichte: A
5 Grundlegende Begriffe Begriffe Baumreihe: Abbildung Baum Gewicht Baumreihen-Transformation: Abbildung Baumreihe Baumreihe Beispiel t 1 1, t 2 1, 0 repräsentiert Menge {t 1, t 2 } t 1 2, t 2 1, 0 repräsentiert Multi-Menge {t 1, t 1, t 2 } t 1 a, t 2 b,... (n t) (n + 1) γ(t) wobei 1 t beliebiger Baum (γ einstellig) 2 Gewichte: N (Anzahl der Vorkommen)
6 Grundlegende Begriffe Begriffe Baumreihe: Abbildung Baum Gewicht Baumreihen-Transformation: Abbildung Baumreihe Baumreihe Beispiel t 1 1, t 2 1, 0 repräsentiert Menge {t 1, t 2 } t 1 2, t 2 1, 0 repräsentiert Multi-Menge {t 1, t 1, t 2 } t 1 a, t 2 b,... (n t) (n + 1) γ(t) Baumreihen-Übersetzer Endliche Spezifikation von Baumreihen-Transformationen
7 Motivation Baumreihen-Übersetzer sind Verallgemeinerung von: Baum-Übersetzern Anwendungen: Syntax-gesteuerte Semantik Funktionale Programmierung XML-Abfragen gewichteten Automaten Anwendungen: (Baum-) Mustererkennung Bildkomprimierung Sprache-zu-Text -Übersetzung
8 Motivation Baumreihen-Übersetzer sind Verallgemeinerung von: Baum-Übersetzern Anwendungen: Syntax-gesteuerte Semantik Funktionale Programmierung XML-Abfragen gewichteten Automaten Anwendungen: (Baum-) Mustererkennung Bildkomprimierung Sprache-zu-Text -Übersetzung
9 Überblick über verwandte Modelle Tree Series Transducer τ : T Σ A T Weighted Tree Automaton L A T Σ Weighted Transducer τ : Σ A Tree Trans τ : T Σ B Weighted Automaton L A Σ Tree Automaton L B T Σ Generaliz Sequential M τ : Σ B Automaton
10 Bäume Σ Rangalphabet; Σ k Σ Symbole mit Rang k; X = { x i i N + } Definitionen T Σ (X) Menge der X-indizierten Σ-Bäume; T Σ = T Σ ( ) t T Σ (X) ist linear (bzw. nicht-löschend) in Y X, wenn jedes y Y höchstens (bzw. mindestens) einmal in t vorkommt t[t 1,..., t k ] Baum-Substitution der t i für x i in t Beispiele Σ = {σ (2), γ (1), α (0), β (0) } und Y = {x 1, x 2 } σ σ γ x 1 α β σ ( σ(α, β), γ(x 1 ) ) γ σ x 1 x 2 γ ( σ(x 1, x 2 ) )
11 Bäume Σ Rangalphabet; Σ k Σ Symbole mit Rang k; X = { x i i N + } Definitionen T Σ (X) Menge der X-indizierten Σ-Bäume; T Σ = T Σ ( ) t T Σ (X) ist linear (bzw. nicht-löschend) in Y X, wenn jedes y Y höchstens (bzw. mindestens) einmal in t vorkommt t[t 1,..., t k ] Baum-Substitution der t i für x i in t Beispiele Σ = {σ (2), γ (1), α (0), β (0) } und Y = {x 1, x 2 } σ σ γ x 1 α β σ ( σ(α, β), γ(x 1 ) ) γ σ x 1 x 2 γ ( σ(x 1, x 2 ) )
12 Bäume Σ Rangalphabet; Σ k Σ Symbole mit Rang k; X = { x i i N + } Definitionen T Σ (X) Menge der X-indizierten Σ-Bäume; T Σ = T Σ ( ) t T Σ (X) ist linear (bzw. nicht-löschend) in Y X, wenn jedes y Y höchstens (bzw. mindestens) einmal in t vorkommt t[t 1,..., t k ] Baum-Substitution der t i für x i in t Beispiele Σ = {σ (2), γ (1), α (0), β (0) } und Y = {x 1, x 2 } σ σ γ x 1 α β σ ( σ(α, β), γ(x 1 ) ) γ σ x 1 x 2 γ ( σ(x 1, x 2 ) )
13 Halbringe Definition Ein Halbring ist eine algebraische Struktur A = (A,, ) wobei: (A, ) ein kommutativer Monoid mit neutralem Element 0; (A, ) ein Monoid mit neutralem Element 1; 0 absorbierend bzgl. ; und distributiv über (beidseitig). Beispiele Halbring der natürlichen Zahlen N = (N { }, +, ) boolesche Halbring B = ({0, 1},, ) tropische Halbring T = (N { }, min, +) jeder Ring, Körper, etc.
14 Halbringe Definition Ein Halbring ist eine algebraische Struktur A = (A,, ) wobei: (A, ) ein kommutativer Monoid mit neutralem Element 0; (A, ) ein Monoid mit neutralem Element 1; 0 absorbierend bzgl. ; und distributiv über (beidseitig). Beispiele Halbring der natürlichen Zahlen N = (N { }, +, ) boolesche Halbring B = ({0, 1},, ) tropische Halbring T = (N { }, min, +) jeder Ring, Körper, etc.
15 Eigenschaften von Halbringen Definition Halbring A ist kommutativ, wenn kommutativ ist; multiplikativ idempotent, falls a a = a, vollständig, falls eine Abbildung I : AI A existiert, so dass 1 i {m,n} a i = a m a n; 2 i I a i = ) j J ( i I a i mit I = j j J I j Partition von I; und ( 3 i I a ) ( i j J b ) j = i I,j J (a i b j ). Beispiele Halbring Kommutativ M. idempotent Vollständig N ja nein ja B ja ja ja T ja nein ja
16 Eigenschaften von Halbringen Definition Halbring A ist kommutativ, wenn kommutativ ist; multiplikativ idempotent, falls a a = a, vollständig, falls eine Abbildung I : AI A existiert, so dass 1 i {m,n} a i = a m a n; 2 i I a i = ) j J ( i I a i mit I = j j J I j Partition von I; und ( 3 i I a ) ( i j J b ) j = i I,j J (a i b j ). Beispiele Halbring Kommutativ M. idempotent Vollständig N ja nein ja B ja ja ja T ja nein ja
17 Eigenschaften von Halbringen Definition Halbring A ist kommutativ, wenn kommutativ ist; multiplikativ idempotent, falls a a = a, vollständig, falls eine Abbildung I : AI A existiert, so dass 1 i {m,n} a i = a m a n; 2 i I a i = ) j J ( i I a i mit I = j j J I j Partition von I; und ( 3 i I a ) ( i j J b ) j = i I,j J (a i b j ). Beispiele Halbring Kommutativ M. idempotent Vollständig N ja nein ja B ja ja ja T ja nein ja
18 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
19 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
20 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
21 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
22 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
23 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
24 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
25 Baumreihe A = (A,, ) Halbring, Σ Rangalphabet Definition Abbildung ϕ : T Σ (X) A heißt Baumreihe Klasse aller Baumreihen A T Σ (X) Koeffizient von t T Σ (X) in ϕ (also ϕ(t)) bezeichnet durch (ϕ, t) punktweise Summe (ϕ 1 ϕ 2, t) = (ϕ 1, t) (ϕ 2, t) Träger von ϕ ist supp(ϕ) = { t T Σ (X) (ϕ, t) 0 } ϕ ist linear (bzw. nicht-löschend) in Y X, falls supp(ϕ) eine Menge von linearen (bzw. nicht-löschenden) Bäumen ist ϕ mit supp(ϕ) = bezeichnet durch 0 Beispiel ϕ = 1 α + 1 β + 3 σ(α, α) σ(β, β) + 5 σ(α, σ(α, α)) +... = t T Σ size(t) t
26 Baumreihen-Substitution A = (A,, ) vollständiger Halbring, ϕ, ψ 1,..., ψ k A T Σ (X) Definition Reine Substitution von (ψ 1,..., ψ k ) in ϕ: ϕ (ψ 1,..., ψ k ) = t supp(ϕ), ( i [k]): t i supp(ψ i ) (ϕ, t) (ψ 1, t 1 ) (ψ k, t k ) t[t 1,..., t k ] Beispiel 5 σ(x 1, x 1 ) (2 α 3 β) = (5 2) σ(α, α) (5 3) σ(β, β) Graphisch: 5 σ x 1 x 1 (2 α + 3 β) = 10 σ α α + 15
27 Baumreihen-Substitution A = (A,, ) vollständiger Halbring, ϕ, ψ 1,..., ψ k A T Σ (X) Definition Reine Substitution von (ψ 1,..., ψ k ) in ϕ: ϕ (ψ 1,..., ψ k ) = t supp(ϕ), ( i [k]): t i supp(ψ i ) (ϕ, t) (ψ 1, t 1 ) (ψ k, t k ) t[t 1,..., t k ] Beispiel 5 σ(x 1, x 1 ) (2 α 3 β) = (5 2) σ(α, α) (5 3) σ(β, β) Graphisch: 5 σ x 1 x 1 (2 α + 3 β) = 10 σ α α + 15
28 Baumreihen-Übersetzer Definition: Baumreihen-Übersetzer ist M = (Q, Σ,, A, F, µ) mit: Q: nicht-leere, endliche Menge von Zuständen; Σ und : Eingabe- und Ausgabealphabet; A = (A,, ): vollständiger Halbring; F A T (X 1 ) Q : Vektor von linearen, nicht-löschenden Baumreihen (Endausgabe); und Baumrepräsentation µ = ( µ k ) k N mit µ k : Σ k A T (X k ) Q Qk. Beispiel γ 1 /2 γ 1 (x 1 ) 1 x 1 γ 2 /1 α α/1 α β/3 β
29 Baumreihen-Übersetzer Definition: Baumreihen-Übersetzer ist M = (Q, Σ,, A, F, µ) mit: Q: nicht-leere, endliche Menge von Zuständen; Σ und : Eingabe- und Ausgabealphabet; A = (A,, ): vollständiger Halbring; F A T (X 1 ) Q : Vektor von linearen, nicht-löschenden Baumreihen (Endausgabe); und Baumrepräsentation µ = ( µ k ) k N mit µ k : Σ k A T (X k ) Q Qk. Beispiel γ 1 /2 γ 1 (x 1 ) 1 x 1 γ 2 /1 α α/1 α β/3 β
30 Beispiel-Übersetzer σ/... steht für σ/1 σ(x 1, x 1 ) σ/1 δ(x 1, x 1 ) 1 x 1 σ/... 1 x 1 σ/... 1 x 1 α σ/... σ/... β α/1 α σ/... σ/... σ/... β/1 β σ/1 δ(x 1, x 1 )
31 Semantik eines Baumreihen-Übersetzers Definitionen 1 Abbildung r : pos(t) Q Lauf von M auf Eingabebaum t T Σ 2 Run(t) Menge aller Läufe auf t Auswertung eines Laufes eval r : pos(t) A T definiert durch eval r(p) = µ k (lab t (p)) r(p),r(p 1)...r(p k) ( eval r(p 1),..., eval ) r(p k) mit k N und lab t (p) Σ k. Semantik Baumreihen-Transformation berechnet von M ist M : A T Σ A T mit M (ϕ) = ( ) (ϕ, t) F r(ε) (eval r(ε)) t T Σ r Run(t)
32 Semantik eines Baumreihen-Übersetzers Definitionen 1 Abbildung r : pos(t) Q Lauf von M auf Eingabebaum t T Σ 2 Run(t) Menge aller Läufe auf t Auswertung eines Laufes eval r : pos(t) A T definiert durch eval r(p) = µ k (lab t (p)) r(p),r(p 1)...r(p k) ( eval r(p 1),..., eval ) r(p k) mit k N und lab t (p) Σ k. Semantik Baumreihen-Transformation berechnet von M ist M : A T Σ A T mit M (ϕ) = ( ) (ϕ, t) F r(ε) (eval r(ε)) t T Σ r Run(t)
33 Semantik eines Baumreihen-Übersetzers Definitionen 1 Abbildung r : pos(t) Q Lauf von M auf Eingabebaum t T Σ 2 Run(t) Menge aller Läufe auf t Auswertung eines Laufes eval r : pos(t) A T definiert durch eval r(p) = µ k (lab t (p)) r(p),r(p 1)...r(p k) ( eval r(p 1),..., eval ) r(p k) mit k N und lab t (p) Σ k. Semantik Baumreihen-Transformation berechnet von M ist M : A T Σ A T mit M (ϕ) = ( ) (ϕ, t) F r(ε) (eval r(ε)) t T Σ r Run(t)
34 Semantik eines Baumreihen-Übersetzers Definitionen 1 Abbildung r : pos(t) Q Lauf von M auf Eingabebaum t T Σ 2 Run(t) Menge aller Läufe auf t Auswertung eines Laufes eval r : pos(t) A T definiert durch eval r(p) = µ k (lab t (p)) r(p),r(p 1)...r(p k) ( eval r(p 1),..., eval ) r(p k) mit k N und lab t (p) Σ k. Semantik Baumreihen-Transformation berechnet von M ist M : A T Σ A T mit M (ϕ) = ( ) (ϕ, t) F r(ε) (eval r(ε)) t T Σ r Run(t)
35 Semantik Beispiel Beispiel M = (Q, Σ,, N, F, µ) mit Q = {, }; Σ = {σ (2), α (0) } und = {γ (1), α (0) }; F = 0 und F = 1 x 1 ; und Baum-Repräsentation µ 0 (α) = 1 α µ 0 (α) = 1 α µ 2 (σ), = 1 α µ 2 (σ), = 1 γ(x 1 ) µ 2 (σ), = 1 γ(x 2 )
36 Semantik Beispiel Beispiel M = (Q, Σ,, N, F, µ) mit... und Baum-Repräsentation µ 0 (α) = 1 α µ 0 (α) = 1 α µ 2 (σ), = 1 α µ 2 (σ), = 1 γ(x 1 ) µ 2 (σ), = 1 γ(x 2 ) Input tree t σ α α σ σ σ σ Run r on t
37 Semantik Beispiel (Forts.) Beispiel... und Baum-Repräsentation µ 0 (α) = 1 α µ 0 (α) = 1 α µ 2 (σ), = 1 α µ 2 (σ), = 1 γ(x 1 ) µ 2 (σ), = 1 γ(x 2 ) eval r on t Output tree α γ 3 (α) γ 2 (α) γ γ α α γ(α) α γ
38 Semantik Beispiel (Forts.) α eval r on t γ 3 (α) γ 2 (α) Output tree γ γ α α γ(α) α γ α α α α α Semantik M (1 t) = 2 γ 2 (α) + 4 γ 3 (α)
39 Komposition Anwendung 1 Modulare Spezifikation mehrerer Phasen der Übersetzung 2 Verständliche Einzelspezifikationen 3 Einfache Validation der Einzelspezifikation 4 Automatische Komposition (zur Effizienzsteigerung)
40 Komposition Anwendung 1 Modulare Spezifikation mehrerer Phasen der Übersetzung 2 Verständliche Einzelspezifikationen 3 Einfache Validation der Einzelspezifikation 4 Automatische Komposition (zur Effizienzsteigerung) On subtree: t a = M b u = M v Deletion: a a = M b = M t t u u v
41 Komposition (Forts.) On subtree: t a b = M ;M v Deletion: t t a a b b = M ;M v v Problem Löschung durch M 1
42 Komposition (Forts.) On subtree: t a b = M ;M v Deletion: t t a a b b = M ;M v v Problem Löschung durch M 1
43 Haupttheorem A kommutativer und vollständiger Halbring Kompositionen für Baumübersetzer 1 l-bot(b) ; BOT(B) = BOT(B) 2 BOT(B) ; d-bot(b) = BOT(B) Haupttheorem 1 l-bot(a) ; BOT(A) = BOT(A) 2 BOT(A) ; db-bot(a) = BOT(A) 3 BOT(A) ; d-bot(a) = BOT(A), falls A multiplikativ idempotent ist Ausblick Ergebnisse auch für Wurzel-zu-Blatt -Übersetzer möglich
44 Haupttheorem A kommutativer und vollständiger Halbring Kompositionen für Baumübersetzer 1 l-bot(b) ; BOT(B) = BOT(B) 2 BOT(B) ; d-bot(b) = BOT(B) Haupttheorem 1 l-bot(a) ; BOT(A) = BOT(A) 2 BOT(A) ; db-bot(a) = BOT(A) 3 BOT(A) ; d-bot(a) = BOT(A), falls A multiplikativ idempotent ist Ausblick Ergebnisse auch für Wurzel-zu-Blatt -Übersetzer möglich
45 Haupttheorem A kommutativer und vollständiger Halbring Kompositionen für Baumübersetzer 1 l-bot(b) ; BOT(B) = BOT(B) 2 BOT(B) ; d-bot(b) = BOT(B) Haupttheorem 1 l-bot(a) ; BOT(A) = BOT(A) 2 BOT(A) ; db-bot(a) = BOT(A) 3 BOT(A) ; d-bot(a) = BOT(A), falls A multiplikativ idempotent ist Ausblick Ergebnisse auch für Wurzel-zu-Blatt -Übersetzer möglich
46 Haupttheorem A kommutativer und vollständiger Halbring Kompositionen für Baumübersetzer 1 l-bot(b) ; BOT(B) = BOT(B) 2 BOT(B) ; d-bot(b) = BOT(B) Haupttheorem 1 l-bot(a) ; BOT(A) = BOT(A) 2 BOT(A) ; db-bot(a) = BOT(A) 3 BOT(A) ; d-bot(a) = BOT(A), falls A multiplikativ idempotent ist Ausblick Ergebnisse auch für Wurzel-zu-Blatt -Übersetzer möglich
47 Haupttheorem A kommutativer und vollständiger Halbring Kompositionen für Baumübersetzer 1 l-bot(b) ; BOT(B) = BOT(B) 2 BOT(B) ; d-bot(b) = BOT(B) Haupttheorem 1 l-bot(a) ; BOT(A) = BOT(A) 2 BOT(A) ; db-bot(a) = BOT(A) 3 BOT(A) ; d-bot(a) = BOT(A), falls A multiplikativ idempotent ist Ausblick Ergebnisse auch für Wurzel-zu-Blatt -Übersetzer möglich
48 Literatur [Borchardt 04] [Engelfriet et al 02] [Fülöp et al 03] [Kuich 99] B. Borchardt: Code Selection by Tree Series Transducers. CIAA 04, LNCS 3317, Springer J. Engelfriet, Z. Fülöp, and H. Vogler: Bottom-up and Topdown Tree Series Transformations. J. Automata, Languages, and Combinatorics 7:11 70, 2002 Z. Fülöp and H. Vogler: Tree Series Transformations that Respect Copying. Theory of Computing Systems 36: , 2003 W. Kuich: Tree Transducers and Formal Tree Series. Acta Cybernetica 14: , 1999
WS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrSemantik von Formeln und Sequenzen
Semantik von Formeln und Sequenzen 33 Grundidee der Verwendung von Logik im Software Entwurf Syntax: Menge von Formeln = Axiome Ax K ist beweisbar Formel ϕ beschreiben Korrektkeit Vollständigkeit beschreibt
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 4 26..25 INSTITUT FÜR THEORETISCHE INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrTheoretische Informatik
Theoretische Informatik für die Studiengänge Ingenieur-Informatik berufsbegleitendes Studium Lehramt Informatik (Sekundar- und Berufsschule) http://theo.cs.uni-magdeburg.de/lehre04s/ Lehrbeauftragter:
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrWas bisher geschah: Formale Sprachen
Was isher geschah: Formale Sprachen Alphaet, Wort, Sprache Operationen und Relationen auf Wörtern und Sprachen reguläre Ausdrücke: Syntax, Semantik, Äquivalenz Wortersetzungssysteme Wortersetzungsregeln
MehrZusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrEine Logikschaltung zur Addition zweier Zahlen
Eine Logikschaltung zur Addition zweier Zahlen Grundlegender Ansatz für die Umsetzung arithmetischer Operationen als elektronische Schaltung ist die Darstellung von Zahlen im Binärsystem. Eine Logikschaltung
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 27 29..24 FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Definition
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrVorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz
Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen)
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 11: Abstrakte Reduktionssysteme schulz@eprover.org Reduktionssysteme Definition: Reduktionssystem Ein Reduktionssystem ist ein Tupel (A, ) Dabei gilt: A
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrWiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen
Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter
MehrLernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.
6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente
MehrKapitel III Ringe und Körper
Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem
MehrMächtigkeit von WHILE-Programmen
Mächtigkeit von WHILE-Programmen Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 26. November 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
Mehr17.1.2014 Einführung in die Programmierung Laborübung bei Korcan Y. Kirkici. 12.Übung 13.1. bis 17.1.2014
17.1.2014 Einführung in die Programmierung Laborübung bei Korcan Y. Kirkici 12.Übung 13.1. bis 17.1.2014 1 BEFRAGUNG http://1.bp.blogspot.com/- waaowrew9gc/tuhgqro4u_i/aaaaaaaaaey/3xhl 4Va2SOQ/s1600/crying%2Bmeme.png
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrTheoretische Informatik I
Theoretische Informatik I Einheit 2.4 Grammatiken 1. Arbeitsweise 2. Klassifizierung 3. Beziehung zu Automaten Beschreibungsformen für Sprachen Mathematische Mengennotation Prädikate beschreiben Eigenschaften
MehrErfüllbarkeit und Allgemeingültigkeit
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 3.3 Aussagenlogik Erfüllbarkeit 44 Erfüllbarkeit und Allgemeingültigkeit Def.: eine Formel ϕ heißt erfüllbar, wennesein I gibt, so dass I = ϕ
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrGrundlagen Theoretischer Informatik I SoSe 2011 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de
Grundlagen Theoretischer Informatik I SoSe 2011 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Grundlagen Theoretischer Informatik I Gesamtübersicht Organisatorisches; Einführung Logik
MehrTheorie der Informatik
Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 Einführung Beispiel: Aussagenlogische Formeln Aus dem Logikteil: Definition (Syntax
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrPart-Of-Speech-Tagging mit Viterbi Algorithmus
Part-Of-Speech-Tagging mit Viterbi Algorithmus HS Endliche Automaten Inna Nickel, Julia Konstantinova 19.07.2010 1 / 21 Gliederung 1 Motivation 2 Theoretische Grundlagen Hidden Markov Model Viterbi Algorithmus
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrFormale Sprachen und Grammatiken
Formale Sprachen und Grammatiken Jede Sprache besitzt die Aspekte Semantik (Bedeutung) und Syntax (formaler Aufbau). Die zulässige und korrekte Form der Wörter und Sätze einer Sprache wird durch die Syntax
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrEinführung in Petri-Netze. Modellierung von Abläufen und Prozessen (1) Abhängigkeitsgraphen: Motivation. Petri-Netze
Einführung in Petri-Netze Modellierung von Abläufen und Prozessen () Motivation Abhängigkeitsgraphen: A B 6 C 5 D Petri-Netze Markierungen Invarianten Credits: L. Priese, H. Wimmel: Petri-Netze, Theoretische
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrLogik-Programme. Eine Tatsachenklausel ist eine einelementige positive Klausel, d.h. sie hat
Logik-Programme Definition: Eine Tatsachenklausel ist eine einelementige positive Klausel, d.h. sie hat die Form {P }. Eine Prozedurklausel ist eine Klausel der Form {P, Q 1, Q 2,..., Q k } mit k 1. P
MehrInformatik II Bäume. Beispiele. G. Zachmann Clausthal University, Germany zach@in.tu-clausthal.de. Stammbaum. Stammbaum. Stammbaum
lausthal Beispiele Stammbaum Informatik II. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann Informatik - SS 06 Stammbaum Stammbaum / Parse tree, Rekursionsbaum Parse tree, Rekursionsbaum
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.
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
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
MehrDeterministische Turing-Maschinen (DTM) F3 03/04 p.46/395
Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Turing-Machine Wir suchen ein Modell zur formalen Definition der Berechenbarkeit von Funktionen und deren Zeit- und Platzbedarf. Verschiedene Modelle
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrLösungen zu Kapitel 7
Lösungen zu Kapitel 7 Lösung zu Aufgabe 1: Nach Definition 7.1 ist eine Verknüpfung auf der Menge H durch eine Abbildung : H H H definiert. Gilt H = {a 1,..., a m }, so wird eine Verknüpfung auch vollständig
MehrProgrammieren Formulierung eines Algorithmus in einer Programmiersprache
Zum Titel der Vorlesung: Programmieren Formulierung eines in einer Programmiersprache Beschreibung einer Vorgehensweise, wie man zu jedem aus einer Klasse gleichartiger Probleme eine Lösung findet Beispiel:
Mehr1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1
Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)
MehrGF(2 2 ) Beispiel eines Erweiterungskörpers (1)
GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrProjektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:
Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel.
Kontextfreie Kontextfreie Motivation Formale rundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen Bisher hatten wir Automaten, die Wörter akzeptieren Frank Heitmann heitmann@informatik.uni-hamburg.de
MehrEinrichtung eines E-Mail-Kontos bei Mac OS X Mail Stand: 03/2011
Einrichtung eines E-Mail-Kontos bei Mac OS X Mail Stand: 03/2011 1. Starten Sie Mail per Klick auf das Symbol im Dock. 2. Sie sehen die Ausgangsansicht von Mac OS X Mail. 3. Klicken Sie in der Fensterleiste
MehrÖffnen Sie über "Extra/Makro/Projekt Manager" den VBA Projekt Manager
Eigene Programme in MicroStation V8i erstellen Teil III: Elemente suchen und modifizieren mit VBA An dieser Stelle wollen wir Ihnen in einer kleinen Serie die verschiedenen Möglichkeiten der MicroStation
MehrDHBW Karlsruhe, Vorlesung Programmieren, Klassen (2)
DHBW Karlsruhe, Vorlesung Programmieren, Klassen (2) Aufgabe 3 Bankkonto Schreiben Sie eine Klasse, die ein Bankkonto realisiert. Attribute für das Bankkonto sind der Name und Vorname des Kontoinhabers,
MehrDefinition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.
Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
MehrDokumentation Data Dictionary (SIP)
Eidgenössisches Departement des Innern EDI Schweizerisches Bundesarchiv BAR Ressort Innovation und Erhaltung Dienst Digitale Archivierung (DDA) Dokumentation Data Dictionary (SIP) Datum: September 2009
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrWas bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen aussagenlogischer Regeln: Wissensbasis (Kontextwissen): Formelmenge,
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrFelix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009
Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
MehrEinführung in die Kodierungstheorie
Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrTimed Automata (Zeitbeschriftete Automaten) [R. Alur: Timed Automata]
Timed Automata (Zeitbeschriftete Automaten) [R. Alur: Timed Automata] Formalismus zur Behandlung von Dense Time unterstützt durch Verifikationstools, z.b. UPPAAL Transitionssysteme (Automaten) mit Zeitbeschriftungen
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Woche 10 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Satz Sei G = (V, Σ, R, S) eine kontextfreie
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
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
MehrVWL für Ingenieure. Programm Termin 6. Kernpunkte. Programm Termin 6. Programm Termin 6. Kernpunkte. Karl Betz. Das Produktionspreismodell
Programm Termin 6 Karl Betz VWL für Ingenieure Termin 6: Pp-Modell Das Produktionspreismodell Beschreibung der Technik Übersetzen in Kosten und Erlöse Eigenschaften und Verallgemeinerung Faktorpreisgrenze
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrReproduzierbarkeit der Bachelor-Thesis
der Bachelor-Thesis Anonymisierungsverfahren: Randverteilungen und ihr statistisches Analysepotential Seminar Institut für Statistik Ludwig-Maxmilians-Universität in München Betreuung: Manuel J. A. Eugster
Mehr4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:
4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie
MehrKryptographie mit elliptischen Kurven
Kryptographie mit elliptischen Kurven Gabor Wiese Universität Regensburg Kryptographie mit elliptischen Kurven p. 1 Problemstellung Kryptographie mit elliptischen Kurven p. 2 Problemstellung Caesar Kryptographie
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrFormale Methoden in der Informatik Wiederholung klassische Logik Konkrete Datentypen (algebraische Strukturen) Abstrakte Datentypen
Was bisher geschah Formale Methoden in der Informatik Wiederholung klassische Logik Konkrete Datentypen (algebraische Strukturen) Abstrakte Datentypen Syntax: Signatur Semantik: Axiome (FOL-Formeln, meist
MehrBeschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
MehrInstallation des Add-Ins für Lineare Algebra in Microsoft Excel
Installation des Add-Ins für Lineare Algebra in Microsoft Excel Matrix 2.2 by The Foxes Team http://digilander.libero.it/foxes/ Download der Matrix 2.2 Im Browser die Seite http://digilander.libero.it/foxes/download.htm
Mehr