B-Spline-Kurve und -Basisfunktionen
|
|
- Hetty Bretz
- vor 6 Jahren
- Abrufe
Transkript
1 48 B-Spline-Kurve und -Basisfunktionen Eine B-Spline-Kurve der Ordnung k ist ein stückweise aus B-Splines (Basisfunktion) zusammengesetztes Polynom vom Grad (k 1), das an den Segmentübergängen im allgemeinen C k 2 stetig differenzierbar ist. Dabei seien B-Splines Stückweise Polynome, denen die folgenden geordneten Parameterwerte zugrundeliegen: wobei t = (t 0, t 1, t 2,..., t m, t m+1,..., t m+k ), m: wird von der Anzahl der zu interpolierenden Punkte bestimmt k: die festgelegte Ordnung der B-Spline-Kurve
2 Beispiele von B-Splines B-Splines der Ordnung 1, 2, 3 und 4: Innerhalb eines Parameterintervals gibt es k sich überlappende B-Splines. 49
3 Ein Beispiel der kubischen B-Splines 50
4 51 B-Splines der Ordnung k - I Das rekursive Definitionsverfahren einer B-Spline-Basisfunktion N i,k (t):
5 52 B-Splines der Ordnung k - II Aktuelle Segemente der B-Spline-Basisfunktionen der Ordnungen 2, 3 und 4 für t i t < t i+1 :
6 53 Uniforme B-Splines der Ordnung 1 bis 4 k=1 k=2 k=3 k=4
7 54 Nichtuniforme B-Splines Ordnung 3:
8 55 Eigenschaften der B-Splines Partition of unity: k i=0 N i,k(t) = 1. Positivity: N i,k (t) 0. Local support: N i,k (t) = 0 for t / [t i, t i+k ]. C k 2 continuity: If the knots {t i } are pairwise different from each other, then N i,k (t) C k 2, i.e. N i,k (t) is (k 2) times continuously differentiable.
9 56 Gewinnung einer B-Spline-Kurve Eine B-Spline-Kurve kann dadurch konstruiert werden, daß eine Menge von vorgegebenen Größen mit diesen B-Splines gemischt werden: m r(t) = v j N j,k (t) j=0 wobei v j Kontrollpunkte (de Boor-Punkte) genannt werden. Sei ein Parameter t gegeben, ist r(t) ein Punkt dieser B-Spline-Kurve. Wenn t von t k 1 bis zu t m+1 variiert, so stellt r(t) eine C k 2 stetig differenzierbare Kurve dar.
10 57 Berechnung von Kontrollpunkten aus Datenpunkten Die Punkte v j sind nur bei k = 2 identisch mit den Datenpunkten zur Interpolation, sonst nicht. Ein Kontrollpunktzug bildet eine konvexe Hülle für die Interpolationskurve. Zwei Verfahren zur Berechnung von Kontrollpunkten aus Datenpunkten:
11 58 1 Durch die Lösung des folgenden Gleichungssytems (Böhm84): q j (t) = m j=0 v j N j,k (t) wobei q j die Datenpunkte für die Interpolation sind, j = 0,, m. 2 Durch Lernen basierend auf dem Gradient-Abstieg (Zhang98).
12 Lattice - I 59
13 Lattice - II 60
14 Tensor-Produkt 2D-NURBS 61
15 62 Problematik in der realen Welt Modellierung: Lernen aus Beispielen, selbstoptimierende Gestaltung, Vorhersagen,... Regelung: Perzeption-Aktion-Zyklus, Zustandsregelung, Identifikation dynamischer Systeme,... Funktionsapproximation als Benchmark zur Wahl eines Modells
16 63 Funktionsapproximation - 1D Beispiel Eine Testfunktion f(x) = 8sin(10x 2 + 5x + 1) mit 1 < x < 1 und die richtig verteilten B-Splines:
17 Lattice Abbildung 1: The B-spline model a two-dimensional illustration. 64
18 65 Jedes n-dimensionale Viereck (n > 1) wird von dem j th multivariaten B-spline N j k (x) bedeckt. N j k (x) ist über den Tensorprodukt n univariate B-splines: N j k (x) = n j=1 N j i j,k j (x j ) (1)
19 66 (a) Tensor product of two, order 2 univariate B-splines. (b) Tensor product of one order 3 and one order 2 univariate B- splines. (c) Tensor product of two univariate B-splines of order 3. Abbildung 2: Bivariate B-splines formed by taking the tensor product of two univariate B-splines.
20 67 Allgemeine Anforderungen an einen Approximator Universalität: Approximation von beliebigen Funktionen Generalisierung: gute Approximation ohne Overfitting Adaptivität: selbsteinstellend anhand von neuen Daten Parallelität: Rechnen nach biologischen Vorbildern Interpretierbarkeit: mindestens als Grey-box anstatt Black-box
21 68 Bedeutung der Interpretierbarkeit eines Modells Richard P. Feynman: the way we have to describe nature is generally incomprehensible to us. Albert Einstein: it should be possible to explain the laws of physics to a barmaid.
22 69 Wichtige Gründe für symbolische Interpretierbarkeit eines Approximators: Linguistische Modellierung bietet ein Mittel zur Fertigkeitsübertragung von einem Experten auf einen Computer oder Roboter. Automatisches Lernen eines transparenten Modells erleichtert die Analyse, Validierung und Überwachung bei der Entwicklung eines Modells bzw. eines Reglers. Transparente Modelle besitzen vielfältige Anwendungsmöglichkeiten in Decision-Support Systems.
23 70 Symbolumwandlung der Kernfunktionen Positiv definierte, konvexe Kernfunktionen können als Fuzzy-Mengen betrachtet werden. Z.B.: µ B (x) = ( x ) 2
24 B-Spline ANFIS Bei einem B-Spline ANFIS mit n Eingängen x 1, x 2,..., x n, werden Regeln der folgenden Form benutzt: {Regel(i 1, i 2,..., i n ): IF (x 1 IS N 1 i 1,k 1 ) AND (x 2 IS N 2 i 2,k 2 ) AND... AND (x n IS N n i n,k n ) THEN y IS Y i1 i 2...i n }, wobei x j : Eingangsgröße j (j = 1,..., n), k j : Ordnung der B-Spline-Basisfunktion für x j, 71
25 72 N j i j,k j : mit dem i-ten linguistischen Term für x j assoziierte B-Spline-Funktion, i j = 0,..., m j, Partitionierung von Eingang j, Y i1 i 2...i n : Kontrollpunkte der Regel(i 1, i 2,..., i n ). der AND -Operator: Produkt
26 73 Dann ist der Ausgang y eines MISO Regelungssystems: y = m 1... m n (Y i1,...,i n n N j i j,k j (x j )) i 1 =1 i n =1 j=1 Das ist ein allgemeines B-Spline-Modell, das die Hyperfläche NUBS (nonuniform B-spline) darstellt.
27 Architektur des B-Spline ANFIS 74
28 75 ZF-Formulierung - Tensorprodukt Tensor-Produkt 2D-Splines:
29 Die Aktivierung der ZF über den Eingang 76
30 77 B-Spline ANFIS: ein Besipiel Ein Beispiel mit zwei Eingangsvariablen (x und y) und einem Ausgang z. Die Parameter der DANN-Teile sind Z 1, Z 2, Z 3, Z 4.
31 Die linguistischen Terme der Eingänge (WENN-Teile): 78
32 Die Parameter der DANN-Teile: 79
33 80 Ein Beispiel-Regelbasis Die Beispiel-Regelbasis besteht aus vier Regeln: Regel 1) IF x is X 1 and y is Y 1 THEN z is Z 1 2) IF x is X 1 and y is Y 2 THEN z is Z 2 3) IF x is X 2 and y is Y 1 THEN z is Z 3 4) IF x is X 2 and y is Y 2 THEN z is Z 4
34 Illustrierung der Fuzzy-Inferenz 81
35 82
36 83
37 84
38 85
39 86
40 87 Algorithm zum überwachten Lernen - I Angenommen sei {(X, y d )} eine Menge von Trainingsdaten, wobei X = (x 1, x 2,..., x n ) : der Vektor der Eingangsdaten, y d : der gewünschte Ausgang für X. Der LSE ist: E = 1 2 (y r y d ) 2, (2)
41 88 wobei y r der aktuelle reale Ausgangswert während des Tranings ist. Die zu findenen Parameter sind Y i1,i 2,...,i n, die den Fehler in (2) minimiert, d.h. E = 1 2 (y r y d ) 2 MIN. (3)
42 Algorithm zum überwachten Lernen - II Jeder Controlpunkt Y i1,...,i n kann über das folgende Gradientabstiegsverfahren verbessert werden: Y i1,...,i n E = ɛ Y i1,...,i n (4) n = ɛ(y r y d ) N j i j,k j (x j ) (5) j=1 wobei 0 < ɛ 1. 89
43 90 Das Gradientabstiegsverfahren gewährleistet, dass der Lernalgorithmus zum globalen Minimum der LSE-Funktion konvergiert, weil die 2. partielle Ableitung bezüglich zu Y i1,i 2,...,i n konstant ist: 2 E 2 Y i1,...,i n = ( n j=1 N j i j,k j (x j )) 2 0. (6) Dies bedeutet dass die LSE-Funktion (2) konvex im Raum Y i1,i 2,...,i n ist und deshalb nur einen (globalen) Minimum besitzt.
44 91 Funktionsapproximation - Demonstrationen sin(x 2 ) sin(x 2 y) Stop 1d-demo Stop 2d-demo
Sie braucht weniger Speicherplatz als das Polygon und
Kapitel 7 Kurven Die bisher besprochenen 2D-Objekte haben bis auf den Kreis den Nachteil, daß sie im weitesten Sinne eckig sind. Wenn ein Objekt mit runder Form verlangt wird, z.b. ein Herz, ein Schiffsrumpf,
MehrInterpolation und Approximation
Interpolation und Approximation Fakultät Grundlagen Mai 2006 Fakultät Grundlagen Interpolation und Approximation Übersicht 1 Problemstellung Polynominterpolation 2 Kubische Fakultät Grundlagen Interpolation
MehrGeometrie und Bedeutung: Kap 5
: Kap 5 21. November 2011 Übersicht Der Begriff des Vektors Ähnlichkeits Distanzfunktionen für Vektoren Skalarprodukt Eukidische Distanz im R n What are vectors I Domininic: Maryl: Dollar Po Euro Yen 6
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrDarstellung von Kurven und Flächen
Darstellung von Kurven und Flächen Proseminar Computergraphik, 10. Juni 2008 Christoph Dähne Seite 1 Inhalt Polygonnetze 3 Knotenliste 3 Kantenliste 3 Parametrisierte kubische Kurven 4 Definition 4 Stetigkeit
MehrSpline Morphing. Softwarepraktikum im IWR. Carl Friedrich Bolz. Carl Friedrich Bolz
Spline Morphing Softwarepraktikum im IWR Einführung Motivation: Splines sind die Grundlage von jeglicher Vektorgrafik, 3D-Grafik, CAD/CAM,... Splines werden häufig zur Beschreibung von Schrift verwendet,
Mehr2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!
Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist
MehrDie Taylorreihe einer Funktion
Kapitel 6 Die Taylorreihe einer Funktion Dieser Abschnitt beschäftigt sich mit Taylorreihen, Taylorpolynomen und der Restgliedabschätzung für Taylorpolynome. Die Taylorreihe einer reellen Funktion ist
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrSymbio system requirements. Version 5.1
Symbio system requirements Version 5.1 From: January 2016 2016 Ploetz + Zeller GmbH Symbio system requirements 2 Content 1 Symbio Web... 3 1.1 Overview... 3 1.1.1 Single server installation... 3 1.1.2
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Mehrp^db=`oj===pìééçêíáåñçêã~íáçå=
p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
MehrFluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds
3rd JUQUEEN Porting and Tuning Workshop Jülich, 2-4 February 2015 Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds Tobias Schruff, Roy M. Frings,
Mehr4.4 Taylorentwicklung
4.4. TAYLORENTWICKLUNG 83 4.4 Taylorentwicklung. Definitionen f sei eine reellwertige m + -mal stetig differenzierbare Funktion der n Variablen x bis x n auf einem Gebiet M R n. Die Verbindungsgerade der
MehrDer Wetterbericht für Deutschland. Read the weather reports and draw the correct weather symbols for each town.
Der Wetterbericht für Deutschland Read the weather reports and draw the correct weather symbols for each town. Es ist sehr heiß in Berlin und es donnert und blitzt in Frankfurt. Es ist ziemlich neblig
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrJahr 2 nach Snowden. Was haben wir gelernt? Prof. Thorsten Holz Lehrstuhl für Systemsicherheit, Ruhr-Universität Bochum
Jahr 2 nach Snowden Was haben wir gelernt? Prof. Thorsten Holz Lehrstuhl für Systemsicherheit, Ruhr-Universität Bochum Telegraphen-Verbindungen (1891) Slide # 2 Black Chamber Slide # 3 Enthüllungen (Sommer
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 39. Brettspiele: Alpha-Beta-Suche und Ausblick Malte Helmert Universität Basel 23. Mai 2014 Brettspiele: Überblick Kapitelüberblick: 38. Einführung und Minimax-Suche
MehrB I N G O DIE SCHULE. Bingo card: Classroom Items. 2007 abcteach.com
Bingo call sheet: Classroom Items Das Klassenzimmer die Tafel die Kreide die Uhr die Landkarte das Buch das Heft der Kugelschreiber die Füllfeder der Stuhl der Bleistift das Papier der Schreibtisch der
MehrMathematik für Bauingenieure
Mathematik für Bauingenieure von Kerstin Rjasanowa 1. Auflage Mathematik für Bauingenieure Rjasanowa schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Hanser München 2006 Verlag C.H.
MehrIterative Methods for Improving Mesh Parameterizations
Iterative Methods for Improving Mesh Parameterizations Autoren: Shen Dong & Michael Garland, SMI 07 Nicola Sheldrick Seminar Computergrafik April 6, 2010 Nicola Sheldrick (Seminar Computergrafik)Iterative
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrAnsichten über krumme Kurven oder der Einsatz der Spline-Interpolation in einer CNC-Steuerung
CNC Power Engineering - Always on the move Ansichten über krumme Kurven oder der Einsatz der Spline-Interpolation in einer CNC-Steuerung Amazing ideas and freaky challenges in software development Klaus,
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrApproximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approximationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen.
MehrKybernetik Intelligent Agents- Action Selection
Kybernetik Intelligent Agents- Action Selection Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 26. 06. 2012 Intelligent Agents Intelligent Agents Environment
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2011 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dr Slobodan Ilic Numerisches Programmieren, Übungen 6 Übungsblatt: Stückweise Interpolation
MehrVisualisierung von Fräsfehlern auf Basis von CAD-Daten
Visualisierung von Fräsfehlern auf Basis von CAD-Daten Dissertation zur Erlangung des akademischen Grades Doktor der Naturwissenschaften (Dr. rer. nat.) am Fachbereich Mathematik der Justus-Liebig-Universität
MehrAnhang B. Regression
Anhang B Regression Dieser Anhang rekapituliert die in der Analysis und Statistik wohlbekannte Methode der kleinsten Quadrate, auch Regression genannt, zur Bestimmung von Ausgleichsgeraden Regressionsgeraden
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Aufgaben zur nicht-linearen Optimierung Teil II Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Aufgabe 5 Bestimmen
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
MehrCopyright by Hildegard Heilmann IAG 13.03.2004. Diese Unterlagen stelle ich den SchülerInnen des V. Bachilleratos des IAG zur Verfügung.
MTEquationSection;Flächenintegrale mit Derive Diese Unterlagen stelle ich den SchülerInnen des V. Bachilleratos des IAG zur Verfügung. Einige Anleitungen zum Arbeiten mit Derive: Befehle: VECTOR, ITERATES,
MehrPrediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.
Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrDiscontinuous-Galerkin-Verfahren
Discontinuous-Galerkin-Verfahren Dr. Gregor Gassner Institut für Aerodynamik und Gasdynamik der Universität Stuttgart. Stuttgart, 2013 Variationsformulierung 1 Ziel dieser Vorlesung ist es, das DG Verfahren
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrFundamente der Computational Intelligence
Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
Mehr2 und d > 1 Punkt im Kreis
Beispiel 4 (Die Bestimmung der Kreisumfangszahl π) 1 Die Bedeutung der Zahl π, die jeder gebildete Zeitungsleser, so auch Ökonomen, Historiker und Politikwissenschaftler, aus der Oberschule kennt, ist
MehrUntersuchung der Zusammenhänge zwischen der gebauten Struktur einer Stadt und der
Ein agentenbasiertes t Simulationsmodell ll zur Untersuchung der Zusammenhänge zwischen der gebauten Struktur einer Stadt und der sozialen Organisation ihrer Bevölkerung Reinhard König, Informatik in der
Mehr2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n
2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n f ist in dem Fall ein Weg in R n. Das Bild f(t) des Weges wird als Kurve
MehrWAS IST DER KOMPARATIV: = The comparative
DER KOMPATATIV VON ADJEKTIVEN UND ADVERBEN WAS IST DER KOMPARATIV: = The comparative Der Komparativ vergleicht zwei Sachen (durch ein Adjektiv oder ein Adverb) The comparative is exactly what it sounds
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
MehrLehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena
Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap
MehrCameraserver mini. commissioning. Ihre Vision ist unsere Aufgabe
Cameraserver mini commissioning Page 1 Cameraserver - commissioning Contents 1. Plug IN... 3 2. Turn ON... 3 3. Network configuration... 4 4. Client-Installation... 6 4.1 Desktop Client... 6 4.2 Silverlight
MehrLernen von Entscheidungsbäumen. Volker Tresp Summer 2014
Lernen von Entscheidungsbäumen Volker Tresp Summer 2014 1 Anforderungen an Methoden zum Datamining Schnelle Verarbeitung großer Datenmengen Leichter Umgang mit hochdimensionalen Daten Das Lernergebnis
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
MehrDer Adapter Z250I / Z270I lässt sich auf folgenden Betriebssystemen installieren:
Installationshinweise Z250I / Z270I Adapter IR USB Installation hints Z250I / Z270I Adapter IR USB 06/07 (Laden Sie den Treiber vom WEB, entpacken Sie ihn in ein leeres Verzeichnis und geben Sie dieses
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
MehrFuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b
Fuzzy-Inferenz Fuzzy-Inferenz Klassische Logik. Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a height is tall {0, 1} b weight is heavy {0,
MehrThere are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
MehrTaylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
MehrISO 15504 Reference Model
Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define metrics Pre-review Review yes Release
MehrCABLE TESTER. Manual DN-14003
CABLE TESTER Manual DN-14003 Note: Please read and learn safety instructions before use or maintain the equipment This cable tester can t test any electrified product. 9V reduplicated battery is used in
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Lösungshinweise zum Klausurvorbereitungsblatt (3
MehrÜbungen aus den numerischen Methoden der Astronomie SS 2011
Übungen aus den numerischen Methoden der Astronomie SS 2011 1. Fermat Teil I : Berechnen Sie die Fläche eines rechtwinkeligen Dreiecks mit Hilfe des pythagoräischen Lehrsatzes. Die beiden Katheten sollen
MehrTeil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung
Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,
Mehr4. Bayes Spiele. S i = Strategiemenge für Spieler i, S = S 1... S n. T i = Typmenge für Spieler i, T = T 1... T n
4. Bayes Spiele Definition eines Bayes Spiels G B (n, S 1,..., S n, T 1,..., T n, p, u 1,..., u n ) n Spieler 1,..., n S i Strategiemenge für Spieler i, S S 1... S n T i Typmenge für Spieler i, T T 1...
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,
MehrInhaltsverzeichnis. 1 Definition: Interpolationsproblem 2 1.1 Problemstellung... 2 1.2 Eigenschaften... 2 1.3 Varianten... 2
Dieser Artikel behandelt einige Interpolationsverfahren. Numerische Verfahren kann man nur mit der dazugehörigen Theorie verstehen und anwenden. Daher sind hier auch Theorie-Anteile und Beweise enthalten.
Mehr1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrMy Reading-Log. Eine Hilfe beim Lesen von englischen Ganzschriften in der Schule. Hinweise zur technischen Umsetzung:
Eine Hilfe beim Lesen von englischen Ganzschriften in der Schule Hinweise zur technischen Umsetzung: Die Tagebuch-Seiten werden in der vorgebenen Reihenfolge beidseitig auf A4 Papier gedruckt. Das vierte
MehrAnalysis II WS 11/12 Serie 9 Musterlösung
Analysis II WS / Serie 9 Musterlösung Aufgabe Bestimmen Sie die kritischen Punkte und die lokalen Extrema der folgenden Funktionen f : R R: a fx, y = x + y xy b fx, y = cos x cos y Entscheiden Sie bei
MehrÜ b u n g s b l a t t 11
Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrEinkommensaufbau mit FFI:
For English Explanation, go to page 4. Einkommensaufbau mit FFI: 1) Binäre Cycle: Eine Position ist wie ein Business-Center. Ihr Business-Center hat zwei Teams. Jedes mal, wenn eines der Teams 300 Punkte
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrZZ0040 - Systembeschreibung
ZZ000 - ystembeschreibung 1 2 water in ode/enter et Lit/min P2 P1 trömungswächter Typ U000 KWT ZZ000 water out 1 2 Filter trömungswächter Wasserstop- Ventil Drucksensor Rückschlagventil Ausfiltern von
MehrKünstliche Neuronale Netze (KNN)
Künstliche Neuronale Netze (KNN) Die von Neuronalen Netzen ausgehende Faszination besteht darin, dass sie in der Lage sind, in einigen Fällen Probleme von hoher Kompleität mit einfachen Mitteln zu lösen.
MehrGrundlagen der 3D-Modellierung
April 28, 2009 Inhaltsverzeichnis 1 Einführung 2 Direkte Darstellungsschemata 3 Indirekte Darstellungsschemata 4 Parametrische Kurven und Freiformflächen 5 Abschluss Motivation Vom physikalischen Körper
MehrGRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem
GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht
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
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr. Erich Walter
MehrGewöhnliche Differentialgleichungen (ODEs) I
Gewöhnliche Differentialgleichungen (ODEs) I Autor: Harald Höller letzte Änderung: 17.03.10 Lizenz: Creative Commons Lizenz by-nc-sa 3.0 at Differentialgleichungen lösen und plotten in Mathematica Grundlegendes
MehrHow to deal with complaints writing business letters and e-mails. Von Prof. Dr. Inez De Florio-Hansen, Kassel. Voransicht
III Business communication: writing 5 How to deal with complaints 1 von 32 How to deal with complaints writing business letters and e-mails Von Prof. Dr. Inez De Florio-Hansen, Kassel Beschwerden und Reklamationen
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrMitglied der Leibniz-Gemeinschaft
Methods of research into dictionary use: online questionnaires Annette Klosa (Institut für Deutsche Sprache, Mannheim) 5. Arbeitstreffen Netzwerk Internetlexikografie, Leiden, 25./26. März 2013 Content
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrUSB Treiber updaten unter Windows 7/Vista
USB Treiber updaten unter Windows 7/Vista Hinweis: Für den Downloader ist momentan keine 64 Bit Version erhältlich. Der Downloader ist nur kompatibel mit 32 Bit Versionen von Windows 7/Vista. Für den Einsatz
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
MehrManuel Billekens. Modul A des Unternehmerführerscheins. mit gutem Erfolg bestanden
Die Wirtschaftskammer Österreich bestätigt, dass Manuel Billekens am 12.6.2014 die Prüfung Modul A des Unternehmerführerscheins mit gutem Erfolg bestanden hat. Prof. Dr. Michael Landertshammer Leiter der
Mehr