MND Projekt 2. Zur Veranschaulichung werden die einzelnen Phis graphisch dargestellt.
|
|
- Axel Hermann
- vor 6 Jahren
- Abrufe
Transkript
1 AUFGABENSTELLUNG MND Projekt 2 Das Ziel dieses Projekts war es ein Anfangswertproblem mit Hilfe des klassischen Runge-Kutta Verfahrens und dem Levenberg-Marquardt-Verfahren zu lösen. AUFGABE 1 In der Ersten Aufgabe muss ein Differentialgleichungssystem 1. Ordnung hergeleitet werden und Phi mit dem klassischen Runge-Kutta verfahren berechnet werden. Als Endwert der Zeit wird 4s angenommen mit 41 Teilschritten. % f phi, x), Modell, x(1)=d, x(2)=k % phi = [phi; d/dt-phi; phid; d/dt-phid; phik; d/dt-phik] f [phi(2); -x(1)*phi(2)-x(2)*sin(phi(1));... phi(4); -phi(2)-x(1)*phi(4)-x(2)*cos(phi(1))*phi(3);... phi(6); -x(1)*phi(6)-sin(phi(1))-x(2)*cos(phi(1))*phi(5)]; phi0 = [alpha, dphi, phid, dphid, phik, dphik]'; T = 4; dt = T/n; r1 = f(t, phi(:,)); r2 = f(t+0.5*dt, phi(:,)+0.5*dt*r1); r3 = f(t+0.5*dt, phi(:,)+0.5*dt*r2); r4 = f(t+dt, phi(:,)+dt*r3); phi = [phi, phi(:,) + dt/6*(r1+2*r2+2*r3+r4)]; Zur Veranschaulichung werden die einzelnen Phis graphisch dargestellt. AUFGABE 2 In der zweiten Aufgabe werden die gegebenen Messdaten geladen und damit der Fehler berechnet. Gleichzeitig wird der Gradient von F bezüglich d und k berechnet. % Files laden load('measurementwithoutnoise.mat') load('measurementwithnoise.mat') % Variabeln zuweisen tm = measurementwithnoise(:,1); ST
2 WN = measurementwithnoise(:,2); WoN = measurementwithoutnoise(:,2); % Summierte Fehlerquadrate F(phi) und Gradient F(phi) F_WoN(k,:) = phi(1,k) - WoN(k); % Summierte Fehlerquadrate F_WN(k,:) = phi(1,k) - WN(k); df(k,:) = [phi(3,k), phi(5,k)]; % Gradient theta = 0.5*F_WoN'*F_WoN; % Summe der Fehlerquadrate dtheta = df'*f_won; % Gradient von theta Es wird der Fehler von den Messdaten mit und ohne Rauschen dargestellt. Der Fehler ist bei dieser Methode sehr gross. Deshalb muss man das mit dem Levenberg-Marquardt- Verfahren verfeinern. AUFGABE 3 In dieser Aufgabe benutzt man das Levenberg-Marquardt-Verfahren für das nichtlineare Ausgleichsproblem. Dafür wird in jeder Iteration die DGL für F(phi, x) mit Runge-Kutta und der Fehler berechnet. Zusätzlich muss auch die DGL und der Fehler für ein F(phi, x_neu) berechnet werden, da in dieser Aufgabe nicht in die Funktion F eingesetzt werden kann. % Berechung DGL mit xn f [phi(2); -xn(1)*phi(2)-xn(2)*sin(phi(1));... phi(4); -phi(2)-xn(1)*phi(4)-xn(2)*cos(phi(1))*phi(3);... phi(6); -xn(1)*phi(6)-sin(phi(1))-xn(2)*cos(phi(1))*phi(5)]; r1 = f(t, phi(:,)); r2 = f(t+0.5*dt, phi(:,)+0.5*dt*r1); r3 = f(t+0.5*dt, phi(:,)+0.5*dt*r2); r4 = f(t+dt, phi(:,)+dt*r3); phi = [phi, phi(:,) + dt/6*(r1+2*r2+2*r3+r4)]; % Abweichung xn Fn(k,:) = phi(1,k_korr) - WoN(k); % Summierte Fehlerquadrate ST
3 Beim Levenberg-Marquardt-Verfahren wird bei jeder Iteration entschieden ob das Rho grösser oder kleiner, als ein Vorgegebener Wert Beta ist und dementsprech das Mü angepasst. Dieses hat dann wieder Einfluss auf das lineare Ausgleichsproblem in der nächsten Iteration. rho = (norm(f)^2-norm(fn)^2)/(norm(f)^2-norm(f+df*s)^2); if(rho < beta0) if(mu < mumax) mu = mu*2; % mu wird vergrössert, Lösung wird nicht verwet else if rho > beta1 if (mu > mumin) mu = mu/2; % verkleinere mu x = xn; % akzeptiere die Lösung Um das ganze besser zu veranschaulichen werden einige Diagramme und Daten ausgegeben: Toleranz: Iterationen: 27 d: l: Somit wären für d und für l die optimalen Startwerte. Auf dem linken Diagramm erkennt man den Vergleich der Messung zu den Phis und der Absolute Fehler. Auf dem rechten wird die Toleranz, der Fehler, das Mü sowie das d, k, und l in Relation zu der Anzahl Iterationen angezeigt. ST
4 ANHANG: MATLAB CODE %% MND Projekt 2 % Nichtlineare Ausgleichsrechnung % Darius Eckhardt clc, clear, clf, close disp 'MND Projekt 2' %% Initialisierung disp 'Initialisierung' n = 41; % Anzahl Schritte g = 9.81; % Gravitationskonstante l = 1; % Länge % Anfangswertproblem %% Aufgabe 1 % DGL berechnen disp 'Aufgabe 1' % Parameter d = 1; k = g/l; alpha = 3.14; dphi = 0; phid = 0; dphid = 0; phik = 0; dphik = 0; x0 = [d; k]; x = x0; % f phi, x), Modell, x(1)=d, x(2)=k % phi = [phi; d/dt-phi; phid; d/dt-phid; phik; d/dt-phik] f [phi(2); -x(1)*phi(2)-x(2)*sin(phi(1));... phi(4); -phi(2)-x(1)*phi(4)-x(2)*cos(phi(1))*phi(3);... phi(6); -x(1)*phi(6)-sin(phi(1))-x(2)*cos(phi(1))*phi(5)]; phi0 = [alpha, dphi, phid, dphid, phik, dphik]'; T = 4; dt = T/n; r1 = f(t, phi(:,)); r2 = f(t+0.5*dt, phi(:,)+0.5*dt*r1); r3 = f(t+0.5*dt, phi(:,)+0.5*dt*r2); r4 = f(t+dt, phi(:,)+dt*r3); phi = [phi, phi(:,) + dt/6*(r1+2*r2+2*r3+r4)]; % Plot figure('name','phasiagramm','units','normalized','position',[ ]) subplot(311) plot(phi(1,:), phi(2,:),'b') title({'phasiagramm';'';'phi'}) subplot(312) plot(phi(3,:), phi(4,:),'r') title('phi_d') subplot(313) plot(phi(5,:), phi(6,:),'g') title('phi_k') %% Aufgabe 2 disp 'Aufgabe 2' ST
5 % Files laden load('measurementwithoutnoise.mat') load('measurementwithnoise.mat') % Variabeln zuweisen tm = measurementwithnoise(:,1); WN = measurementwithnoise(:,2); WoN = measurementwithoutnoise(:,2); % Summierte Fehlerquadrate F(phi) und Gradient F(phi) F_WoN(k,:) = phi(1,k) - WoN(k); % Summierte Fehlerquadrate F_WN(k,:) = phi(1,k) - WN(k); df(k,:) = [phi(3,k), phi(5,k)]; % Gradient theta = 0.5*F_WoN'*F_WoN; % Summe der Fehlerquadrate dtheta = df'*f_won; % Gradient von theta % Plot figure('name','abweichung','units','normalized','position',[ ]) plot(tm,f_won,'r--',tm,f_wn,'b-') leg({'ohne Rauschen','Mit Rauschen'},'location','SE') title('abweichung') %% Aufgabe 3 disp 'Aufgabe 3' % Initialisierung für Levenberg-Marquardt x=x0; tol=1e-12; tols=1e-18; iter=0; maxiter=100; ok=true; mu=1; mumax=1e3; mumin=0; beta0=0.2; beta1=0.8; resl=[]; Si=[]; mus = [mu]; rhos = []; thetas = []; param = [x0]; n = 2; % neues dt berechnen dt = (tm(2)-tm(1))/10; while ok && (iter < maxiter) % Berechnung DGL f [phi(2); -x(1)*phi(2)-x(2)*sin(phi(1));... phi(4); -phi(2)-x(1)*phi(4)-x(2)*cos(phi(1))*phi(3);... phi(6); -x(1)*phi(6)-sin(phi(1))-x(2)*cos(phi(1))*phi(5)]; r1 = f(t, phi(:,)); r2 = f(t+0.5*dt, phi(:,)+0.5*dt*r1); r3 = f(t+0.5*dt, phi(:,)+0.5*dt*r2); r4 = f(t+dt, phi(:,)+dt*r3); phi = [phi, phi(:,) + dt/6*(r1+2*r2+2*r3+r4)]; % Berechung der Summierten Fehlerquadrate F(k,:) = phi(1,k_korr) - WoN(k); % Summierte Fehlerquadrate ST
6 df(k,:) = [phi(3,k_korr), phi(5,k_korr)]; % Gradient theta = 0.5*F'*F; dtheta = df'*f; % Summe der Fehlerquadrate % Gradient theta % Berechung des linearen Ausgleichsproblems Fi = [F; zeros(n,1)]; dfi = [df; mu*eye(n)]; [q,r] = qr(dfi); s = backward(r(1:n,:),-q(:,1:n)'*fi); % Korrektur fuer die naechste Iteration xn = x+s; % Berechung DGL mit xn f [phi(2); -xn(1)*phi(2)-xn(2)*sin(phi(1));... phi(4); -phi(2)-xn(1)*phi(4)-xn(2)*cos(phi(1))*phi(3);... phi(6); -xn(1)*phi(6)-sin(phi(1))-xn(2)*cos(phi(1))*phi(5)]; r1 = f(t, phi(:,)); r2 = f(t+0.5*dt, phi(:,)+0.5*dt*r1); r3 = f(t+0.5*dt, phi(:,)+0.5*dt*r2); r4 = f(t+dt, phi(:,)+dt*r3); phi = [phi, phi(:,) + dt/6*(r1+2*r2+2*r3+r4)]; % Abweichung xn Fn(k,:) = phi(1,k_korr) - WoN(k); % Summierte Fehlerquadrate % Levenberg-Marquardt-Verfahren rho = (norm(f)^2 - norm(fn)^2)/(norm(f)^2 - norm(f+df*s)^2); if (rho < beta0) && (mu < mumax) mu = mu*2; % vergroessere mu und akzeptiere den Schritt nicht. else if (rho > beta1) && (mu > mumin) mu = mu / 2; % verkleinere mu x = xn; % akzeptiere die Loesung % Residuum ist durch die Norm des Gradienten von phi gegeben % dphi = 0 notwige Bedingung fuer Minimum resl = [resl, norm(dtheta,'inf')]; Si = [Si, norm(s,'inf')]; if resl() < tol Si() < tols ok=false; mus = [mus, mu]; rhos = [rhos, rho]; thetas = [thetas, theta]; param = [param, x]; iter = iter+1; if iter == maxiter disp('maximale Anzahl Iterationen erreicht') xl=x; %% Aufgabe 4 disp 'Aufgabe 4' disp '' ST
7 fprintf('toleranz:\t\t%f\n',resl()) fprintf('iterationen:\t%f\n',iter) fprintf('d:\t\t\t\t%f\n',x(1)) fprintf('l:\t\t\t\t%f\n',g/x(2)) % Plots % Zeitverhalten figure('name','zeitverhalten','units','normalized','position',[ ]) tp = dt*(0:length(phi)-1); subplot(3, 2, 1:4) plot(tm,won,'bo',tp,phi(1,:),'r',tp,phi(3,:),'-.k',tp,phi(5,:),'-.c'), grid ylim([-2,3.5]), xlim([0,4]) title({'zeitverhalten',''}), xlabel('zeit [s]'), ylabel('winkel [rad]') leg('messung','phi','phi_d','phi_k') subplot(3, 2, 5:6) plot(tm,abs(f),'r--') ylim([0,inf]), xlim([0,4]), ylabel('fehler'), grid on % Parameterverhalten im Levenberg-Marquardt Verfahren count = 0:iter; figure('name','parameterverhalten','units','normalized','position',[ ]) subplot(2,3,1) % Tol semilogy(count(1:-1),resl), grid title('tol'),ylabel('norm(gradient)'),xlim([0, iter]) subplot(2,3,2) % Fehler semilogy(count(1:-1),thetas), grid title('fehler'),ylabel('potential'),xlim([0, iter]) subplot(2,3,3) % mu semilogy(count,mus), grid title('mu'), xlim([0, iter]) subplot(2,3,4) % d plot(count, param(1,:),'b'), grid minor, grid title('d'), xlabel('iterationen'), xlim([0, iter]) subplot(2,3,5) % k plot(count, param(2,:),'c'), grid minor, grid title('k'), xlabel('iterationen'), xlim([0, iter]) subplot(2,3,6) % l plot(count, g./param(2,:),'g'), grid minor, grid title('l = g/k'), xlabel('iterationen'), xlim([0, iter]) ST
2. Anfangswertprobleme 2. Ordnung
Zu einem Anfangswertproblem 2. Ordnung gehören folgende Daten: Eine Differenzialgleichung 2. Ordnung: ẍ t f [ x t, ẋ t,t ] Die Anfangsbedingungen: x 0 x 0, ẋ 0 ẋ 0 Das zu untersuchende Zeitintervall: t
MehrKAPITEL 6. Nichtlineare Ausgleichsrechnung
KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,
MehrDiplom VP Numerik 21. März 2005
Diplom VP Numerik. März 5 Aufgabe Gegeben sei das lineare Gleichungssystem Ax = b mit A = 3 3 4 8 und b = 4 5.5 6. ( Punkte) a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung. Geben Sie
MehrIngenieurinformatik II Numerik für Ingenieure Teil 2
Hochschule München, FK 03 MB SS 013 Name Vorname Matrikelnummer Sem.Gr. Hörsaal Platz Ingenieurinformatik II Numerik für Ingenieure Teil Bearbeitungszeit : 60 Minuten Aufgabensteller : Dr. Reichl Hilfsmittel
MehrVergleich mehrerer Solver beim Pendel großer Amplitude
Prof. Dr. R. Kessler, C:\ro\Si5\Matlab\DGLn\Solver_Vergleich_Pendel.doc, S. 1/1 Homepage: http://www.home.hs-karlsruhe.de/~kero1/ Vergleich mehrerer Solver beim Pendel großer Amplitude Download: http://www.home.hs-karlsruhe.de/%7ekero1/solververgleich/solvpend.zip
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
MehrParameterschätzung an einem Anfangswertproblem aus der Physiologie
Parameterschätzung an einem Anfangswertproblem aus der Physiologie Erkki Silde und Horatio Cuesdeanu 13. Juli 2010 Erkki Silde und Horatio Cuesdeanu () Parameterschätzung 13. Juli 2010 1 / 7 Gegeben sei
MehrAnfangswertprobleme: Grundlagen
Anfangswertprobleme: Grundlagen In diesem Skript werden die Grundlagen erklärt, wie man mit Matlab Anfangswertprobleme analysieren kann. Contents Beispiel: Entladung eines Kondensators Beispiel mit expliziter
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
MehrDie Involutfunktion Inhalt
Die Involutfunktion Inhalt Inhalt...1 Grundlagen... Basic-Programm...3 Programm-Ablaufplan Involut rekursiv...3 Programm Involut rekursiv...4 Programme für CASIO fx-7400g PLUS...5 Involutfunktion...5 Involut
MehrÜbungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester
MehrWoche 20/12 13/01 4. Iterative Lösung linearer Gleichungssysteme 1 / 5
Woche 20/12 13/01 4. Iterative Lösung linearer Gleichungssysteme 1 / 5 Lernziele In diesem Praktikum sollen Sie üben und lernen: Umgang mit der Matlab-Umgebung Schreiben einfacher Skrite und Funktionen
Mehrm-files sind Folgen von MATLAB-Anweisungen oder Daten-Files.
MATLAB m-files m-files sind Folgen von MATLAB- oder Daten-Files. Erstellen von m-files Über File New M-file wird ein Texteditor geöffnet. Dort wird das m-file als ASCII-File erzeugt und unter name.m im
Mehr*110001+0000000000002000 84..16+0000000010084108 85..16+0000000019427002 86..16+0000000000976228 *110002+000000AP00000001 21.322+0000000014403384 22.322+0000000011127425 31.326+0000000000089850 58...6+00000000000.0000
Mehrmit Dämpfung : mit :sin(α)=tan(α)=x/l m g x=0bzw : l oder x r m v l bzw : v= g l
Pendel in linearer Näherung Wir linearisieren die Rückstellkraft, da nur dann die DGL analytisch lösbar ist. Nachdem das Programm für die lineare DGL korrekte Ergbnisse liefert, könnte man die nichtlineare
MehrMATLAB Ferienkurs WS 2010/2011
MATLAB Ferienkurs WS 2010/2011 Teil 4 von 6 Andreas Klimke, Matthias Wohlmuth Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik Basier auf Kursunterlagen von Boris
MehrEinführung in die Programmierung (MA8003)
Theorie 2.2: Schleifen, Vektorisierung, bedingte Ausführung Dr. Lorenz John Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik M2 05.10.2016 Numerische Mathematik M2
MehrNumerische Analysis - Matlab-Blatt 5
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Sommersemester 05 Numerische Analysis - Matlab-Blatt 5 Lösung (Besprechung
MehrDemo falsche Anwendung der Fourier-Reihen: Die System-Antwort ist NICHT die (mit Transferfunktion bewertete) Fourierreihe des Eingangs
Prof. Dr. R. Kessler, FH-Karlsruhe, C:\ro\Si5\homepage\welcome\ZusstellAufstell\Fourier_falsch_1.doc, S. 1/1 Prof. Dr. R. Kessler, FH Karlsruhe homepage: http://www.home.hs-karlsruhe.de/~kero1 Demo falsche
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
MehrAktiver Tiefpass 6. Ordnung, Frequenzbereich u. Zeitbereich
Prof. Dr. R. Kessler, HS-Karlsruhe, C:\Si5\HOMEPAGE\akttiefpass\AktiverTiefpass 6_2.doc, S. /7 Homepage: http://www.home.hs-karlsruhe.de/~kero/ Aktiver Tiefpass 6. Ordnung, Frequenzbereich u. Zeitbereich
MehrDie MATLAB-Funktionen (Beschreibung : Siehe MATLAB-Hilfen)
Fachbereich Grundlagenwissenschaften Prof. Dr. H. Dathe Numerische Mathematik/Optimierung Eine Einführung in Theorie und Verfahren Die MATLAB-Funktionen (Beschreibung : Siehe MATLAB-Hilfen) linprog Lineare
MehrMATLAB Einführung. Numerische Methoden für ITET und MATL Dr. S. May, D. Devaud. ETH Zürich, Seminar for Applied Mathematics
Numerische Methoden für ITET und MATL 2016 ETH Zürich, Seminar for Applied Mathematics Dr. S. May, D. Devaud Frame 2 MATLAB Auf ETH Computer vorinstalliert Auf Heim PC: von www.ides.ethz.ch herunterladen
MehrDas Eulerverfahren zum numerischen Lösen von DGLen
Das Eulerverfahren zum numerischen Lösen von DGLen Thomas Wassong FB17 Mathematik Universität Kassel 06.05.2008 Numerische Verfahren zur Berechnung von Differentialgleichungen Das Eulerverfahren: Programmierung
MehrMusterlösung: 23. Oktober 2014, 16:42
Audiotechnik II Digitale Audiotechnik:. Übung Prof. Dr. Stefan Weinzierl 3..4 Musterlösung: 3. Oktober 4, 6:4 Amplitudenstatistik analoger Signale a) Ein Signal (t) hat die durch die Abbildung gegebene
Mehr6. Folgen und Grenzwerte
6. Folgen und Grenzwerte 6.1 Ermittlung von Grenzwerten Der Grenzwert einer Zahlenfolge a n berechnet man in Maple mit dem Befehl 6.1 limit(a(n), n=infinity); > a:=n-> 1+1/2ˆn: > Limit (a(n), n = infinity)
MehrÜbung 7: Methode der kleinsten Quadrate
ZHAW, DSV2, 2007, Rumc, 1/8 Übung 7: Methode der kleinsten Quadrate Aufgabe 1: Lineare Annäherung im Skalarprodukt-Raum. Finden Sie für den Vektor y = [2 2 2] T eine Linearkombination y e der Vektoren
MehrEinführung in MATLAB Blockkurs DLR:
Einführung in MATLAB Blockkurs DLR: 19.4-22.4.2004 Tag 2, 2.Teil Programmieren mit MATLAB II 20.4.2004 Dr. Gerd Rapin grapin@math.uni-goettingen.de Gerd Rapin Einführung in MATLAB p.1/25 Programmieren
Mehr4. Anhang 4.1 Wertetabellen zum 2. Algorithmus //Suche alle k, welche quadratische Reste mod 64 sind print "Quadratische Reste mod 64:"; for k:=0 to 31 do print (k^2 mod 64); end for; k 0 1 2 3 4 5 6 7
MehrNerreter, Grundlagen der Elektrotechnik Carl Hanser Verlag München. 9 Nichtsinusförmige Größen
Nerreter, Grundlagen der Elektrotechnik Carl Hanser Verlag München 9 Nichtsinusförmige Größen Aufgabe 9.9 Die Klemmenspannung u(t) der zweipoligen Schaltung hat die Grundfrequenz f 1 = 100 Hz und wird
MehrNUMERISCHE MATHEMATIK I
D-MATH ETH Zürich, 22. August 2011 Prof. Ch. Schwab NUMERISCHE MATHEMATIK I 1. Interpolation und Quadratur (25 P.) a) Sei [a, b] R 1 mit a < b ein beschränktes Intervall, und f C 2 ([a, b]). Zeigen Sie,
MehrFachhochschule Südwestfalen Wir geben Impulse. Kontrollstrukturen und Schleifen in Octave
Fachhochschule Südwestfalen Wir geben Impulse Kontrollstrukturen und Schleifen in Octave Einführung Inhalt m-files Script-Files Function-Files Ein- Ausgabe von Variablen oder Ergebnissen For-Schleife While-Schleife
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Optimierung mit Matlab 1 Optimierungsaufgaben Die allgemeine Aufgabenstellung der Optimierung besteht darin,
MehrFunktionen in Matlab. Lehrstuhl für Angewandte Mathematik Sommersemester und 29. Mai 2008
Funktionen in Matlab Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2008 15. und 29. Mai 2008 Funktionen in Matlab Wir kennen schon diverse
Mehr6 Nichtlineare Ausgleichsrechnung
6 Nichtlineare Ausgleichsrechnung 6.1 Problemstellung Wie im Abschnitt 4.1 betrachten wir wieder die Aufgabe, aus gegebenen Daten (Messungen) b i, i =1,...,m, m>n, auf eine von gewissen unbekannten Parametern
MehrSimulation. Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens. Das Euler-Verfahren
Simulation Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens Dynamische Prozesse: Prozesse, bei denen sich das zeitliche und örtliche
MehrTest-Driven Design: Ein einfaches Beispiel
Test-Driven Design: Ein einfaches Beispiel Martin Wirsing in Zusammenarbeit mit Matthias Hölzl, Piotr Kosiuczenko, Dirk Pattinson 05/03 2 Ziele Veranschaulichung der Technik des Test-Driven Design am Beispiel
MehrDifferentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
MehrBremsweg von PKW und Geländewagen
BspNr: E0012 Ziele Interpretation der Koeffizienten einer quadratischen Funktion Veranschaulichung des Begriffes mit Hilfe physikalischer Anwendungen Analoge Aufgabenstellungen Übungsbeispiele Lehrplanbezug
MehrTest-Driven Design: Ein einfaches Beispiel
Test-Driven Design: Ein einfaches Beispiel Martin Wirsing in Zusammenarbeit mit Moritz Hammer und Axel Rauschmayer SS 06 2 Ziele Veranschaulichung der Technik des Test-Driven Design am Beispiel eines Programms
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2009/10 Campus Duisburg U. Herkenrath/H. Hoch, Fachbereich Mathematik Klausur Mathematik 2 09. Febr. 2010, 16:00 18:00 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
Mehr1 Amplitudenstatistik analoger Signale
Audiotechnik II Digitale Audiotechnik:. Tutorium Prof. Dr. Stefan Weinzierl 3..2 Musterlösung: 28. Oktober 23, 22:25 Amplitudenstatistik analoger Signale a) Ein Signal x(t) hat die durch Abb. gegebene
MehrBilllard mit 3 Kugeln im Rechteck-Kasten. Simulink-Simulation, mit Animation
Prof. Dr. R. Kessler,FH-Karlsruhe, Sensorsystemtechnik, BillardKugeln.doc, S. /9 Homepage: http://www.home.hs-karlsruhe.de/~kero000 Billlard mit Kugeln im Rechteck-Kasten. Simulink-Simulation, mit Animation
MehrProgrammieren in MATLAB Mehr als nur ein Taschenrechner
Computational Physics 1, Seminar 02 Seite 1 Programmieren in MATLAB Mehr als nur ein Taschenrechner 1) Definition eigener Funktionen Anlegen eines neuen m-files im m-file-editor mit folgem Beispielinhalt:
MehrNumerische Verfahren
Numerische Verfahren Numerische Methoden von gewöhnlichen Differentialgleichungen (AWP) Prof. Dr.-Ing. K. Warendorf, Prof. Dr.-Ing. P. Wolfsteiner Hochschule für Angewandte Wissenschaften München (FH)
MehrGaußsche Ausgleichsrechnung
Kapitel 6 Gaußsche Ausgleichsrechnung 6. Gaußsche Methode der kleinsten Fehlerquadrate Die Gaußsche Methode der kleinsten Fehlerquadrate wurde 89 von C.F. Gauß in dem Aufsatz Theorie der Bewegung der Himmelkörper
MehrNumerische Verfahren Übungen und Lösungen, Blatt 1
Technische Universität Hamburg-Harburg Institut für Numerische Simulation, E-0 Dr. Jens-Peter M. Zemke Sommersemester 2008 Numerische Verfahren Übungen und Lösungen, Blatt Aufgabe : (Thema: relativer und
MehrNICHTRESTRINGIERTE OPTIMIERUNG
3 NICHTRESTRINGIERTE OPTIMIERUNG Die Aufgabe, mit der wir uns im Folgen beschäftigen werden, ist die Lösung von Minimierungsproblemen der Form minimiere f(x) in R n, (3.1) wobei f : R n R eine gegebene
MehrNumerische Lineare Algebra - Matlab-Blatt 2
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Wintersemester 014/015 Numerische Lineare Algebra - Matlab-Blatt Lösung (Besprechung
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
MehrInformationsverarbeitung im Bauwesen
V14 1 / 30 Informationsverarbeitung im Bauwesen Markus Uhlmann Institut für Hydromechanik WS 2009/2010 Bemerkung: Verweise auf zusätzliche Information zum Download erscheinen in dieser Farbe V14 2 / 30
MehrDGLn v = dx/dt m*dv/dt = - D*x - rv*v - rgl*sign(v) - rt * v * abs(v) + af* sin(2*pi*f*t)
C:\ro\HOMEPAGE\welcome\fedmass\FedMassSchwing.doc, S,6 http://www.home.hs-karlsruhe.de/~kero/ Download: http://www.home.hs-karlsruhe.de/~kero/fedmass/fedmass.zip Feder-Masse-System, berechnet mit Simulink,
MehrKlausurlösung Einführung in Numerische Methoden und FEM Universität Siegen, Department Maschinenbau,
Universität Siegen, Department Maschinenbau, 7.7. Aufgabe y 3 l 3 3 F l l x Das dargestellte Fachwerk soll statisch mit Hilfe der FEM untersucht werden. Die Knoten und Elemente sind in der Abbildung nummeriert.
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2015/16 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 5/6 Dr. V. Gradinaru..6 Prüfungsdauer: 8 Minuten Maximal erreichbare Punktzahl: 6. Der van-der-pol Oszillator ( Punkte) Der van-der-pol Oszillator kann
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 2015/16 Prof. Dr. Michael Hinze Dr. Hanna Peywand Kiani Analysis I für Studiere der Ingenieurwissenschaften Blatt 6 Aufgabe 1) Bitte lösen Sie die angegebenen
MehrNICHTLINEARE AUSGLEICHSPROBLEME
1 NICHTLINEARE AUSGLEICHSPROBLEME In Numerik I haben wir uns bereits mit linearen Ausgleichsproblemen befasst. Wir erinnern uns daran, dass diese Probleme von der Form Ax d 2 2 min mit A R m n,d R m,m>n
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrNullstellen von algebraischen Gleichungen
Kapitel 2 Nullstellen von algebraischen Gleichungen 2.1 Vorbemerkungen Suche Lösung der Gleichung f(x) = 0 (2.1) Dies ist die Standardform für eine Dimension. - typisch nichtlineare Gleichung, sonst elementar
MehrÜberbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrMathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2
Mathematik für Biologen und Chemiker Prof. Scheltho - Übungen Mathe 2 Fortsetzung der komlexen Zahlen : 9. Radizieren und Potenzen a) Berechnen Sie (1+i) 20 und geben Sie das Resultat als Polarkoordinaten
MehrKurvenanpassung mit dem SOLVER
1 Iterative Verfahren (SOLVER) Bei einem iterativen Verfahren wird eine Lösung durch schrittweise Annäherung gefunden. Der Vorteil liegt in der Verwendung einfacher Rechenoperationen und darin, dass der
MehrExplizite Runge-Kutta-Verfahren
Explizite Runge-Kutta-Verfahren Proseminar Numerische Mathematik Leitung: Professor Dr. W. Hofmann Dominik Enseleit 06.07.2005 1 1 Einleitung Nachdem wir schon einige numerische Verfahren zur Lösung gewöhnlicher
MehrBerechnung der Madelung Konstante und des kritischen Radius von zweidimensionalen Kristallstrukturen
Berechnung der Madelung Konstante und des kritischen Radius von zweidimensionalen Kristallstrukturen Manuel Pfeifenberger, 0831365 Studentenprojekt Festkörperphysik WS 2010/11 1 Projektbeschreibung 1 Madelung
MehrVerarbeitung von Messdaten
HTL Steyr Verarbeitung von Messdaten Seite von 8 Bernhard Nietrost, HTL Steyr Verarbeitung von Messdaten Mathematische / Fachliche Inhalte in Stichworten: Regression, Polynominterpolation, Extremwertberechnung,
MehrMathematische Grundlagen der dynamischen Simulation
Mathematische Grundlagen der dynamischen Simulation Dynamische Systeme sind Systeme, die sich verändern. Es geht dabei um eine zeitliche Entwicklung und wie immer in der Informatik betrachten wir dabei
MehrNumerische Lineare Algebra - Matlab-Blatt 1
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Wintersemester 2014/2015 Numerische Lineare Algebra - Matlab-Blatt 1 Lösung
MehrModellbildung und Simulation SS2011 Lineare Iterationsverfahren
restart; with(plots): with(linearalgebra): Modellbildung und Simulation SS2 Lineare Iterationsverfahren Hilfsfunktionen: Bilder malen bild malt einen Vektor als stueckweise lineare Funktion ueber dem Einheitsintervall.
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrInformationen zur Realisierung der virtuellen ph-messung
Informationen zur Realisierung der virtuellen ph-messung von Yvonne Unger 1) Allgemeines zur Realisierung der virtuellen Messung 2) Elektrodenauswahl 3) Steuerung über Navigationsleiste 4) Kalibrierung
MehrTutorial: Numerisch Differenzieren
(basierend auf dem Skript Numerik für Ingenieure von R. Axthelm) Aufgabenstellung: Von ihrem GPS-Gerät bekommen sie alle 12 Sekunden ihre aktuelle Position zugeschickt. Daraus können sie das unten dargestellte
MehrBeispiel aus der Schwingungslehre: Sinus-Erregung mit veränderlicher Frequenz ( Sweep )
Prof. Dr. R. Kessler, FH-Karlsruhe, Sensorsystemstechnik, SweepFedMas.doc, S. / homepage: http://www.home.hs-karlsruhe.de/~kero/ Beispiel aus der Schwingungslehre: Sinus-Erregung mit veränderlicher Frequenz
MehrMan kann zeigen (durch Einsetzen: s. Aufgabenblatt, Aufgabe 3a): Die Lösungsgesamtheit von (**) ist also in diesem Fall
4. Lösung einer Differentialgleichung. Ordnung mit konstanten Koeffizienten a) Homogene Differentialgleichungen y'' + a y' + b y = 0 (**) Ansatz: y = e µx, also y' = µ e µx und y'' = µ e µx eingesetzt
Mehr2.3.1 Explizite Runge-Kutta-Verfahren
Somit ist y(t + h) = y + hf(t, y ) + h (f t (t, y ) + f y (t, y )f(t, y )) + O(h 3 ) Setzen wir Φ(t, y, h) := f(t, y) + h (f t(t, y) + f y (t, y)f(t, y)), so erhalten wir ein Verfahren mit der Konsistenzordnung
MehrÜbungen zum MATLAB Kurs Teil
Übungen zum MATLAB Kurs Teil 1 29.09.04 Indizierung Erzeugen Sie eine 5 x 5 Matrix A mit der Funktion rand Überlegen und testen Sie die Ergebnisse der folgende Ausdrücke: A([3 5],:) A(2,:) A([3,5]) A(:)
MehrInhaltsverzeichnis. Kapitel 1: Rechnen mit Zahlen. Kapitel 2: Umformen von Ausdrücken. Kapitel 3: Gleichungen, Ungleichungen, Gleichungssysteme
Kapitel 1: Rechnen mit Zahlen 1.1 Rechnen mit reellen Zahlen 1.2 Berechnen von Summen und Produkten 1.3 Primfaktorzerlegung 1.4 Größter gemeinsamer Teiler 1.5 Kleinstes gemeinsames Vielfaches 1.6 n-te
MehrAufgabenstellung: Explizite gewöhnliche Differentialgleichung 1. Ordnung mit Anfangsbedingung Gesucht ist eine Funktion y = y(x).
I Neunte Übungseinheit Inhalt der neunten Übungseinheit: Gewöhnliche Differentialgleichungen erster Ordnung I. Gewöhnliche Differentialgleichungen erster Ordnung Aufgabenstellung: Explizite gewöhnliche
Mehram Funktionsgenerator
FACHBEREICH PHYSIK Elektronik Praktikum Frequenzsweep sweep.tex KB 20061127 am Funktionsgenerator Mit dem Sweep-Modus ermöglicht der Funktionsgenerator eine schnelle Übersicht über das Frequenzverhalten
MehrProgrammieren lernen mit Groovy Rekursion Rekursion und Iteration
Programmieren lernen mit Groovy Rekursion Seite 1 Rekursion Rekursion Ursprung lat. recurrere ~ zurücklaufen rekursive Definition Definition mit Bezug auf sich selbst Beispiel Fakultätsfunktion n! 0! =
MehrNumerische Methoden 4. Übungsblatt
Karlsruher Institut für Technologie (KIT) SS 0 Institut für Analysis Prof. Dr. Michael Plum Dipl.-Math.techn. Rainer Mandel Numerische Methoden 4. Übungsblatt Aufgabe 9: QR-Verfahren (Bearbeitung bis Do,.05.)
MehrMotivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit
Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.
MehrKomplexe Übertragungsfunktion mit FFT berechnet (Tephys und Matlab)
Prof. Dr. R. Kessler, FH-Karlsruhe, C:\ro\Si5\f4ueb\F4UEB\XFERer_Tphys_Matlab_2.doc, Seite 1/1 Komplexe Übertragungsfunktion mit FFT berechnet (Tephys und Matlab) Tiefpass 5.Ordnung 2 CLC Pi-Glieder, hat
MehrBandpass: Eingang Rechteck, Zeitbereich des Ausgangs ua mit inverser FFT und mit DGLn berechnet
Prof. Dr. R. Kessler, HS-Karlsruhe, C:\ro\Si5\didakt\Fourier\invDFT\Bandpass Zeitber_u_ inversdft.doc, S. /7 Homepage: http://www.home.hs-karlsruhe.de/~kero/ Bandpass: Eingang Rechteck, Zeitbereich des
MehrEinführung in die digitale Signalverarbeitung
Einführung in die digitale Signalverarbeitung Prof. Dr. Stefan Weinzierl 1. Aufgabenblatt 1. Eigenschaften diskreter Systeme a. Erläutern Sie die Begriffe Linearität Zeitinvarianz Speicherfreiheit Kausalität
MehrWiMa-Praktikum 1. Woche 8
WiMa-Praktikum 1 Universität Ulm, Sommersemester 2017 Woche 8 Lernziele In diesem Praktikum sollen Sie üben und lernen: Besonderheiten der For-Schleife in Matlab Wiederholung des Umgangs mit Matrizen und
MehrBerechnungen von Wurzeln
Berechnungen von Wurzeln Malte Schmidt Proseminar: Implementierung mathematischer Algorithmen 19.12.2013 Inhaltsverzeichnis I 1 Geschichte der Wurzelrechnung Griechische Gedankenspiele Babylonische Wurzelgedanken
MehrA 1 A 2 A 3 A 4 A 5 A 6 A 7
Institut für Geometrie und Praktische Mathematik Numerisches Rechnen für Informatiker WS 7/8 Prof. Dr. H. Esser J. Grande, Dr. M. Larin Klausur Numerisches Rechnen für Informatiker Hilfsmittel: keine (außer
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
MehrWir untersuchen die Bewegungsleichung des mathematischen (gedämpften) Fadenpendels in einer Dimension. = 0, ϕ (0)
3.1 Beispiel: mathematisches Pendel Wir untersuchen die Bewegungsleichung des mathematischen (gedämpften) Fadenpendels in einer Dimension ϕ+α ϕ+ω 2 0 sinϕ = 0, Ω2 0 = g/l (1) Das äquivalente System 1.
MehrLösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik II für biw/ciw/mach/mage/vt
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. F. Hettlich Dr. S. Schmitt Dipl.-Math. J. Kusch Karlsruhe, den 09.06.20 Lösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik
MehrInhaltsverzeichnis. 1 Einleitung... 1
Inhaltsverzeichnis 1 Einleitung................................................. 1 2 Fehleranalyse: Kondition, Rundungsfehler, Stabilität...... 11 2.1 Kondition eines Problems................................
Mehr= {} +{} = {} Widerstand Kondensator Induktivität
Bode-Diagramme Selten misst man ein vorhandenes Zweipolnetzwerk aus, um mit den Daten Amplituden- und Phasengang zu zeichnen. Das kommt meistens nur vor wenn Filter abgeglichen werden müssen oder man die
Mehr