|
|
- Joakim Andresen
- 4 år siden
- Visninger:
Transkript
1 DEIM Forum 2017 C8-2 k s @u.tsukuba.ac.jp, tou@dblab.is.tsukuba.ac.jp, chx@cc.tsukuba.ac.jp, furuse@cs.tsukuba.ac.jp aggregate nearest neighbor, ANN Q P Q.ANN ANN k AkNN L 1 AkNN AkNN 1. ANN, AkNN,, (Aggregate Nearest Neighbor ANN) P Q Q () ANN ANN ANN ANN 1 ANN k AkNN L 1 AkNN AkNN ANN AkNN ANN ANN k 1 ANN AkNN ANN k. k Q AkNN 2. D p 1 = (x 1,, x D) p 2 = (y 1,, y D) p 1p 2.. p 1 p 2 p 1p 2 1. p 1p 2 = D x i y i 2 (1) i=1, sum max, min f, p Q = q 1, q 2,, q n}
2 adist (p, Q) 2. adist (p, Q) = f ( pq 1, pq 2,, pq n ) = f ( pq i )(2) 1< = i< = n 1 ( k : AkNN ) P = p 1, p 2,, p N } Q = q 1, q 2,, q n} k, P Q k k (AkNN). 3. (aggregate nearest neighbor, ANN), [1] sum, [2] max min. f = sum, ANN Q. f = max,. f = min,. [1] [2], MQM(multiple query method),spm(single point method), MBM(minimal bounding method) ANN., P R-tree. mindist(n j, M) n(= Q ). f = max f = min, amindist(n j, M) = mindist(n j, M) ( 3). amindist(n j, M) > = best dist n mindist(nj, M) > = best dist (f = sum) mindist(n j, M) > = best dist (f = max or min) (3) 2: p j M amindist(p j, M) best dist, p j,. ANN f = sum, amindist(p j, M) p j M mindist(p j, M) n(= Q ). f = max f = min, amindist(p j, M) = mindist(p j, M) ( 4). amindist(p j, M) > = best dist n mindist(nj, M) > = best dist (f = sum) mindist(p j, M) > = best dist (f = max or min) (4) 3: N j, M amindist(n j, M) best dist, Q amindist(n j, Q) best dist, N j. amindist(n j, Q) q i Q N j mindist(n j, q i)., amindist(n j, Q) = f (mindist(n j, q i)). ( 5). 1< = i< = n 1 2 R-tree amindist(n j, Q) > = best dist f (mindist(n j, q i)) > = best dist (5) 1< = i< = n R-tree B-tree, 1 2 R-tree. R-tree (MBR). R-tree,,, O(N). MBM MBM MBM(minimal bounding method) SPM. SPM,, ANN Q ANN. MBM q m, Q Q M. MBM 3. 1: N j Q M amindist(n j, M) best dist, N j best NN,. f = sum, amindist(n j, M) N j M 2 MBM ( f = sum) [1] [2] MQM,SPM,MBM, MBM MBM MBM Q 3 SPM. Q R-tree R-tree ANN [5], [6], [9], [7], [8], [10], [11]. [5] vp-ann Projection-Based Pruning. [6]
3 ANN [7], [9] Q P [8], [10] ANN 3. 3 AkNN AkNN [12], [13] [12] f = max L 1 AkNN [13] P AkNN AkNN 4. MQM,SPM,MBM ANN AkNN AkNN ANN k ANN best dist best NN MBM best dist AkNN AkNN MBM MBM MBM Q R-tree AkNN k Q AkNN 5. ANN AkNN k best dist best maxdist 4: N best p k Q N j amindist(q, N j) best maxdist N j best maxdist amindist(n j, Q) > = best maxdist n mindist(nj, Q) > = best maxdist (f = sum) (6) mindist(n j, Q) > = best maxdist (f = max or min) 6. MBM Q Q MBR M 1 2 Q 6.1 Q G p j G p j Q 6.1 (G Q ) adist(p j, G) = n adist(p j, G) = n Gq i + n q ip j = n q ip j q ip j < n = q ip j = adist(p j, Q) [9] Q G 1 : G N j amindist(g, N j) best dist N j best NN amindist(n j, G) > = best dist n mindist(nj, G) > = best dist (f = sum) mindist(n j, G) > = best dist (f = max or min) (7) 2 : G p j amindist(g, p j) best dist p j best NN amindist(p j, G) > = best dist n mindist(pj, G) > = best dist (f = sum) mindist(p j, G) > = best dist (f = max or min) (8) Q G N j Q G N j Q G 6.2 dist(q i, N j) < = dist(q i, G) + dist(g, N j) amindist(q, N j) < = amindist(q, G) + adist(g, N j)
4 6.2 best maxdist = amaxdist(g, N j)+adist(q, G) 4 best maxdist Q : N best p k G N j amindist(g, N j) best maxdist N j N best AkNN amindist(n j, G) > = best maxdist n mindist(nj, G) > = best maxdist (f = sum) (9) mindist(n j, G) > = best maxdist (f = max or min) Q amindist (f = max) 7.1 () Q Q p q f 7.1 Q c q i p q i q x q i p q x pq i < = pq x q x q c1, q c2 pq x < = pq c1, pq x < = pq c2 pq i < = pq x < = pq c ANN max Q c Q c = Q x Q x Q MBR MBR Q x 2 2 Q x 2 MBR Q x Q x Q x 7. 2 (f = sum) 1,2 Q i Q div G i n i 1 : N j Q G i div amindist(gi, Nj) best dist N j best NN amindist(n j, G i) > = best dist n i mindist(n j, G i) > = best dist (f = sum) (10) 3 2 : p j Q G amindist(g, p j) best dist p j best NN amindist(p j, G i) > = best dist n i mindist(p j, G i) > = best dist (f = sum) (11) 7.2 ANN max Q Qc ANN(Q) = ANN(Q c) Q Q c p q f ANN max adist(q, p) = adist(q c, p),ann(q) = ANN(Q c) ANN f = sum Algorithm1 f = sum f = max O(div n)o(n) k O(n N)
5 (f = max n nx ) f = sum,f = max O(div n + n N)O(n + nx N) MBM O(n N) f = sum div << N f = max n k MBM Algorithm 1 (f=sum) (root: R-tree root, Q: query set) 1: /* Q i Q */ 2: /* G i Q i */ 3: /* H amindist(n j, Q) */ 4: Node root; best maxdist ; best dist[k] ; best NN[k] null 5: while Node = null && amindist(node, Q) < best dist[k 1] do 6: if Node.isIndex then 7: /* Node R-tree */ 8: for N j Node do 9: if amindist(n j, G i ) < best dist[k 1] then 10: if amaxdist(n j, G i ) < best maxdist then 11: if amindist(n j, Qc) < best dist[k 1] then 12: H.push(N j ) 13: best maxdist amaxdist(n j, G i] )+adist(g i, Q) /* best maxdist */ 14: end if 15: end if 16: end if 17: end for 18: else if Node.isLeaf then 19: /* Node R-tree */ 20: for p j Node do 21: if amindist(p j, G i ) < best dist[k 1] then 22: if adist(p j, Qc) < best dist[k 1] then 23: best NN[k 1] p j ; best dist[k 1] adist(p j, Q) /* ANN */ 24: end if 25: end if 26: end for 27: end if 28: Node H.pop() 29: end while 30: return (best NN) , MBM AkNN MBM..,R-tree spatialindexsrc OS: OS X Yosemite CPU: 2.6 GHz Intel Core i5 : 8 GiB 1600 MHz DDR3 : C , 2, (0,1). 13,(0,1). x max x min X. y max y min Y. x = (x x min)/(x max x min) (12) y = (y y min)/(y max y min) (13) Q n A(Q) Dkf = sum div, n = Q 16, 32, 64, 128, 256, 512 A(Q) 0.01, 0.09, 0.16, 0.25, 0.49, 1 D 2, 4, 8, 16 k 1, 5, 10, 15, 20 div 1, 5, 10, 15, 20, 25, 100,. 1http://download.osgeo.org/libspatialindex/spatialindex-src tar.gz 2populated places,
6 [a]f = sum (div=20) 4 vary k (n = 128, A(Q) = 1.0, dim = 2) [a]f = sum (div=2) 6 vary n (A(Q) = 1.0, dim = (2or8), k = 20, div = 20) [a]f = sum (div=2) 7 vary area (n = 128, dim = (2or8), k = 20, div = 20) k MBM f = max MBM k 5 vary div (n = 128, A(Q) = 1.0, dim = 2, k = 20) 5 div div = 20 div = 25 div = 20 6 dim = 2 dim = 8 Q n MBM sum n MBM sum max dim = 2 n MBM dim = 8 7 dim = 2 dim = 8 A(Q) sum dim = 2 A(Q) MBM Q dim = 8 max dim = 2 A(Q) dim = 8
7 [a]f = sum (div=2) 8 vary dim (n = 128, A(Q) = (0.25or1.0), k = 20) [a]vary n (A(Q)=1.0, dim=2, k=20, div=20) 9 [b]vary area (n=128, dim=2, k=20, div=20) 8 A(Q) = 0.25 A(Q) = 1.0 dim sum max MBM max A(Q) n n sum A(Q) summax 9. ANN AkNN AkNN R-tree sum max [1] D. Papadias, Y. Tao, K. Mouratidis and C. Kit Hui. Group Nearest Neighbor Queries. In: ICDE, pp (2004) [2] D. Papadias, Y. Tao, K. Mouratidis and C. Kit Hui. Aggregate Nearest Neighbor Queries in Spatial Databases. ACM Trans. Database Syst. 30(2), (2005) [3] H. Chen, R. Shi, K. Furuse and N. Ohbo. Finding RkNN Straightforwardly with Large secondary Storage. In: INGS, pp.77-82(2008) [4] Y. Luo, J. Liu, C. Lian and H. Chen. Finding RkNN by Compressed Straightforward Index. In: ISKE, pp (2008) [5] Y. Luo, H. Chen, K. Furuse and N. Ohbo. Efficient Methods in Finding Aggregate Nearest Neighbor by Projection-Based Filtering. In: ICCSA, pp (2007) [6]. On efficient approximate aggregate nearest neighbor search..,(2012) [7] H. Li, H. Lu, B. Huang and Z. Huang. Two Ellipse-based Pruning Methods for Group Nearest Neighbor Queries. In: GIS, pp (2005) [8] M.Yiu, N. Mamoulis and D. Papadias. Aggregate Nearest Neighbor Queries in Road Networks. IEEEE Trans. Knowl. Data Eng. pp (2005) [9] S. Namnandorj, H. Chen, K. Furuse and N. Ohbo. Efficient Bounds in Finding Aggregate Nearest Neighbors. In: DEXA, pp (2008) [10] L. Zhu, Y. Jing, W. Sun and P. Liu. Voronoi-Based Aggregate Nearest Neighbor Query Processing in Road Networks In: GIS, pp (2010) [11] F. Li, B. Yao and P. Kumar. Group Enclosing Queries. In: TKDE, pp, (2011) [12] Haitao Wang. Aggregate-MAX Top-k Nearest Neighbor Searching in the L1 Plane. Int. J. Comput. Geometry Appl. 25(1): 57- (2015) [13] Maytham Safar. Group K -Nearest Neighbors queries in spatial network databases. Journal of Geographical Systems 10(4): (2008) [14] Camila Ferreira Costa, Javam C. Machado, Mario A. Nascimento, Jos Antnio Fernandes de Macdo. Aggregate k- nearest neighbors queries in time-dependent road networks. MobiGIS 2015: 3-12
Trust region methods: global/local convergence, approximate January methods 24, / 15
Trust region methods: global/local convergence, approximate methods January 24, 2014 Trust region methods: global/local convergence, approximate January methods 24, 2014 1 / 15 Trust-region idea Model
DetaljerObject [] element. array. int [] tall
Datastrukturer Object [] int [] tall array element 0 1 2 3 4 5 0 1 2 3 4 5 6 7 8 40 55 63 17 22 68 89 97 89 graf lenkeliste graf Object data Node neste Node neste Node neste Node neste Node Node neste
DetaljerLevel-Rebuilt B-Trees
Gerth Stølting Brodal BRICS University of Aarhus Pankaj K. Agarwal Lars Arge Jeffrey S. Vitter Center for Geometric Computing Duke University August 1998 1 B-Trees Bayer, McCreight 1972 Level 2 Level 1
DetaljerLevel Set methods. Sandra Allaart-Bruin. Level Set methods p.1/24
Level Set methods Sandra Allaart-Bruin sbruin@win.tue.nl Level Set methods p.1/24 Overview Introduction Level Set methods p.2/24 Overview Introduction Boundary Value Formulation Level Set methods p.2/24
DetaljerDatabases 1. Extended Relational Algebra
Databases 1 Extended Relational Algebra Relational Algebra What is an Algebra? Mathematical system consisting of: Operands --- variables or values from which new values can be constructed. Operators ---
DetaljerTrær. En datastruktur (og abstrakt datatype ADT)
Trær Trær En datastruktur (og abstrakt datatype ADT) Trær En datastruktur (og abstrakt datatype ADT) En graf som 8lfredss8ller bestemte krav Object [] int [] tall array element 0 1 2 3 4 5 0 1 2 3 4 5
DetaljerTrianguleringer og anvendelser
INF-MAT5370 Trianguleringer og anvendelser Fra seilflysimulatoren Silent Wings Bakgrunn for kurset: Kurset ble til til mens vi vi (foreleserne) arbeidet med oppdrag for industrien på SINTEF. Samtlige deler
DetaljerBinære trær: Noen algoritmer og anvendelser
Binære trær: Noen algoritmer og anvendelser Algoritmer / anvendelser: Søking i usortert binært tre Telling av antall noder og nivåer i treet Traversering av binære trær Binære uttrykkstrær Kunstig intelligens(?):
DetaljerLøsningsforslag 2017 eksamen
Løsningsforslag 2017 eksamen Oppgave 1: O-notasjon (maks 8 poeng) 1. (i) O(n) gir 2 poeng, O(100n) gir 1 poeng (ii) O(n^2) gir 1 poeng (iii) O(n log n) gir 2 poeng 2. (i) er mest effektiv i henhold til
DetaljerHARP-Hybrid Ad Hoc Routing Protocol
HARP-Hybrid Ad Hoc Routing Protocol Navid NIKAEIN Christian BONNET Neda NIKAEIN Eurecom Institute Sophia-Antipolis France http://www.eurecom.fr/~nikaeinn 2001 Navid Nikaein Outline ❶ Introduction ❷ Routing
DetaljerQi-Wu-Zhang model. 2D Chern insulator. León Martin. 19. November 2015
Qi-Wu-Zhang model 2D Chern insulator León Martin 19. November 2015 Motivation Repeat: Rice-Mele-model Bulk behavior Edge states Layering 2D Chern insulators Robustness of edge states Motivation topological
DetaljerAndrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen
Andrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen The Process Goal Definition Data Collection Data Preprocessing EDA Choice of Variables Choice of Method(s) Performance Evaluation
DetaljerHeuristiske søkemetoder I
Heuristiske søkemetoder I Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Hva slags søkemetoder snakker vi om? Kombinatoriske strukturer. Sett. Lister. Grafer. Søkealgoritmer
DetaljerOppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.
TDT445 Øving 4 Oppgave a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. Nøkkel: Supernøkkel: Funksjonell avhengighet: Data i en database som kan unikt identifisere (et sett
DetaljerTungregning (HPC) Eirik Thorsnes
Tungregning (HPC) Eirik Thorsnes System Engineer Parallab, BCCS Oversikt Hvorfor trenger vi tungregning / HPC? Historie Hvordan løses HPC arkitektur Utfordringer for HPC Ny maskin Cray XT4 HPC innkjøp
Detaljer1. Explain the language model, what are the weaknesses and strengths of this model?
Øving 2 Task 1 Language Model 1. Explain the language model, what are the weaknesses and strengths of this model? En language model er en model som brukes til å forenkle spørringer etter ord i dokumenter.
DetaljerStatisk semantisk analyse - Kap. 6 Foiler ved Birger Møller-Pedersen (Forelest 10/3 og 12/ av Stein Krogdahl)
Statisk semantisk analyse - Kap. 6 Foiler ved Birger Møller-Pedersen (Forelest 10/3 og 12/3-2015 av Stein Krogdahl) Oversikt over kapittelet Generelt om statisk semantisk analyse Attributt-grammatikker
DetaljerEstimating Peer Similarity using. Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University
Estimating Peer Similarity using Distance of Shared Files Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University Problem Setting Peer-to-Peer (p2p) networks are used by millions for sharing content
DetaljerXML enabled database. support for XML in Microsoft SQL Server 2000 & Martin Malý
XML enabled database support for XML in Microsoft SQL Server 2000 & 2005 Martin Malý martin@php-compiler.net Agenda Three ways of approach Microsoft SQL 2000 Storing XML as text SQLXML FOR XML command
DetaljerDynamic vp-tree indexing for n-nearest neighbor search given pair-wise distances
The VLDB Journal (2000) 9: 154 173 The VLDB Journal c Springer-Verlag 2000 Dynamic vp-tree indeing for n-nearest neighbor search given pair-wise distances Ada Wai-chee Fu, Polly Mei-shuen Chan, Yin-Ling
DetaljerIN2010: Algoritmer og Datastrukturer Series 2
Universitetet i Oslo Institutt for Informatikk S.M. Storleer, S. Kittilsen IN2010: Algoritmer og Datastrukturer Series 2 Tema: Grafteori 1 Publisert: 02. 09. 2019 Utvalgte løsningsforslag Oppgave 1 (Fra
DetaljerBærbare PC Priser og info Se Brosjyre
Bærbare PC Priser og info Se Brosjyre Lenovo G50-45 15.6" HD Radeon R2, AMD E2-6110,4GB RAM, 500GB, Windows 8.1 Kr. 2999,- inkl. Mva 80E30081MT AMD E2-6110 1.5 GHz Antall kjerner Firekjerne Hurtigbuffer
DetaljerFørst litt praktisk info. Sorteringsmetoder. Nordisk mesterskap i programmering (NCPC) Agenda
Først litt praktisk info Sorteringsmetoder Gruppeøvinger har startet http://selje.idi.ntnu.no:1234/tdt4120/gru ppeoving.php De som ikke har fått gruppe må velge en av de 4 gruppende og sende mail til algdat@idi.ntnu.no
DetaljerSecond Order ODE's (2P) Young Won Lim 7/1/14
Second Order ODE's (2P) Copyright (c) 2011-2014 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or
DetaljerNITH PG4200 Algoritmer og datastrukturer Løsningsforslag Eksamen 4.juni 2013
NITH PG4200 Algoritmer og datastrukturer Løsningsforslag Eksamen 4.juni 20 ette løsningsforslaget er til tider mer detaljert enn det man vil forvente av en eksamensbesvarelse. et er altså ikke et eksempel
DetaljerFlerveis søketrær og B-trær
Flerveis søketrær og B-trær Flerveis (multi-way, n-ært) søketre Generalisering av binært søketre Binært søketre: Hver node har maksimalt 2 barn og 1 nøkkelverdi. Barna ligger sortert på verdi i forhold
DetaljerINF2220: Forelesning 2. Balanserte søketrær Rød-svarte trær (kapittel12.2) B-trær (kapittel 4.7)
INF2220: Forelesning 2 Balanserte søketrær Rød-svarte trær (kapittel12.2) B-trær (kapittel 4.7) REPETISJON: BINÆRE SØKETRÆR 2 Binære søketrær 8 4 12 2 7 9 15 6 11 13 16 For enhver node i et binært søketre
DetaljerØving 1 - Gjennomgang
INF5390 Kunstig intelligens Øving 1 - Gjennomgang Roar Fjellheim INF5390 Øving 1 - Gjennomgang 1 Øving 1.1 Intelligent Agents (INF5390-AI-02) Skriv pseudo-kode for agentprogrammene for a. GOAL-BASED-AGENT
DetaljerINF2220: Forelesning 2
INF2220: Forelesning 2 Balanserte søketrær Rød-svarte trær (kapittel12.2) B-trær (kapittel 4.7) REPETISJON: BINÆRE SØKETRÆR 2 Binære søketrær 8 4 12 2 7 9 15 6 11 13 16 For enhver node i et binært søketre
DetaljerDisjoint Sets. Chapter 21. CPTR 430 Algorithms Disjoint Sets 1
Disjoint Sets Chapter 21 CPTR 430 Algorithms Disjoint Sets 1 S2 Disjoint Sets A disjoint-set data structure maintains a collection S 1 S k of disjoint dynamic sets Each set has a designated representative
DetaljerOppgave 1 LØSNINGSFORSLAG. Eksamen i INF desember Betrakt følgende vektede, urettede graf:
INF100 Algoritmer og datastrukturer INF100 Algoritmer og datastrukturer Oppgave 1 LØSNINGSFORSLAG Betrakt følgende vektede, urettede graf: V 1 V Eksamen i INF100 1. desember 004 V V 4 V 4 V V Ragnar Normann
DetaljerForelesning ISA: IJVM Kap 4.2
TDT4160 Datamaskiner Grunnkurs Forelesning 27.10 ISA: IJVM Kap 4.2 Dagens tema Repetisjon: ISA vs. mikroarkitektur ISA: IJVM (4.2) Lagring av lokale variable Minnemodell Instruksjonssett Metodekall Kompilering
Detaljer2.1.1 RGB RGB (Red Green Blue) ก 3
ก ก 1 2 1 ก ก ก 2 ก.. 112 E-mail:ThasamW@gsb.o.th, wwettayapasit@yahoo.com ก ก ก กก ก ก ก 3 ก กก ก ก 96 ก ก 99.84% ก ก 99.94% ก กก ก ; ก ; ; ก 1. ก ก ก ก ก ก ก ก ก ก ก [1] [2] ก [3] ก ก [1] ก กก [2] [5]
DetaljerTrådløsnett med Windows XP. Wireless network with Windows XP
Trådløsnett med Windows XP Wireless network with Windows XP Mai 2013 Hvordan koble til trådløsnettet eduroam med Windows XP Service Pack 3? How to connect to the wireless network eduroam with Windows XP
DetaljerSatellite Stereo Imagery. Synthetic Aperture Radar. Johnson et al., Geosphere (2014)
Satellite Stereo Imagery Synthetic Aperture Radar Johnson et al., Geosphere (2014) Non-regular sampling Missing data due to lack of correlation, shadows, water, Potentially 3D as opposed to purely 2D (i.e.
DetaljerSøk i tilstandsrom. Backtracking (Kap. 10) Branch-and-bound (Kap. 10) Iterativ fordypning. Dijkstras korteste sti-algoritme A*-søk (Kap.
Søk i tilstandsrom Backtracking (Kap. 10) DFS i tilstandsrommet. Trenger lite lagerplass. Branch-and-bound (Kap. 10) BFS Trenger mye plass: må lagre alle noder som er «sett» men ikke studert. Kan også
DetaljerINF-MAT 5380 - Geir Hasle - Leksjon 3 2
Leksjon 3 !"#$ Eksempler på DOP Alternative representasjoner Definisjon nabolag, -operator Lokalsøk Definisjon lokalt optimum Eksakt nabolag Prosedyre for lokalsøk Traversering av nabolagsgraf Kommentarer,
DetaljerInnhold. 2 Kompilatorer. 3 Datamaskiner og tallsystemer. 4 Oppsummering. 1 Skjerm (monitor) 2 Hovedkort (motherboard) 3 Prosessor (CPU)
2 Innhold 1 Datamaskiner Prosessoren Primærminnet (RAM) Sekundærminne, cache og lagerhierarki Datamaskiner Matlab Parallell Jørn Amundsen Institutt for Datateknikk og Informasjonsvitenskap 2010-08-31 2
DetaljerOppgave 1. Løsningsforslag til eksamensoppgave. ITF20006 Algoritmer og datastrukturer Postorden traversering:
Løsningsforslag til eksamensoppgave ITF20006 Algoritmer og datastrukturer 22.05.2007 Oppgave 1 A. Postorden traversering: 1-16-11-2-35-61-81-47-30 B. velformet = sann ; Stack s = new Stack(); while(
DetaljerHvordan kvalitetssikre åpne tidsskrift?
Hvordan kvalitetssikre åpne tidsskrift? Innlegg ved Halvdagsseminar om åpen tilgang til vitenskapelige artikler I forbindelse med den internasjonale Open Access-uken, Universitetsbiblioteket i Bergen 26.
DetaljerSyntax/semantics - I INF 3110/ /29/2005 1
Syntax/semantics - I Program program execution Compiling/interpretation Syntax Classes of langauges Regular langauges Context-free langauges Scanning/Parsing Meta models INF 3/4-25 8/29/25 Program
DetaljerImproving Customer Relationships
Plain Language Association International s 11 th conference Improving Customer Relationships September 21-23, 2017 University of Graz, Austria hosted by Klarsprache.at Copyright of this presentation belongs
DetaljerGradient Clock Synchronization in Wireless Sensor Networks. Philipp Sommer Roger Wattenhofer
Gradient Clock Synchronization in Wireless Sensor Networks Philipp Sommer Roger Wattenhofer Time in Sensor Networks Synchronized clocks are essential for many applications: Time-stamping sensed data/events
DetaljerPRIORITETSKØ. Aksjehandel. Datastruktur for aksjehandel. Nøkler og Totalorden-relasjonen
PRIORITETSKØ Applikasjon: aksjehandel ADT (eng: Priority Queue - PQ) Implementering av PQ med sekvenser Sortering vha PQ Mer om sortering Aksjehandel Vi ser på en aksje som kjøpes og selges på børsen.
DetaljerClustering in 2D - Insert algorithm
Clustering in 2D - Insert algorithm Jan Luke»s xlukesj@fel.cvut.cz Department of Computer Science and Engineering, Faculty of Electrical Engineering Czech Technical University Prague / Czech Republic Abstract
DetaljerHeuristiske søkemetoder II
Heuristiske søkemetoder II Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 4. september 23 Plan Hva er en heuristisk søkealgoritme? Hvorfor heuristiske søkealgoritmer framfor tilbakenøsting?
DetaljerDynamic Programming Longest Common Subsequence. Class 27
Dynamic Programming Longest Common Subsequence Class 27 Protein a protein is a complex molecule composed of long single-strand chains of amino acid molecules there are 20 amino acids that make up proteins
DetaljerSøk. Nøkkelinformasjon. Sammendrag og figur. Klasser. IPC-klasse. Søker. Finn patenter, varemerker og design i Norge
Søk Finn patenter, varemerker og design i Norge Nøkkelinformasjon Databasen er sist oppdatert 2017.06.24 12:03:00 Tittel Status Hovedstatus Detaljstatus Patentnummer Europeisk (EP) publiserings nummer
DetaljerStefan Blumentrath, Nina Eide
Stefan Blumentrath, Nina Eide GIS-analysen skal bidra til å utnytte (og utvide) kunnskapen om fjellreven vi har per i dag å videreutvikle en målrettet og helhetlig vernestrategi, basert på kriterier som:
DetaljerGir vi de resterende 2 oppgavene til én prosess vil alle sitte å vente på de to potensielt tidskrevende prosessene.
Figure over viser 5 arbeidsoppgaver som hver tar 0 miutter å utføre av e arbeider. (E oppgave ka ku utføres av é arbeider.) Hver pil i figure betyr at oppgave som blir pekt på ikke ka starte før oppgave
DetaljerModel Description. Portfolio Performance
Model Description Market timing results from 2000 to 2019 are based on our Market Allocation Algorithm holding the top two (2) ranked assets each month. Risk control is added to keep asset(s) in cash if
DetaljerDEL 1 Setup BIOS Stian A. Johansen Terje Bratlie Espen Torås
DEL 1 Setup BIOS Stian A. Johansen Terje Bratlie Espen Torås 1: Hva slags CPU? - intel pentium CPU 3.20GHz Tekniske egenskaper? CPU SPEED: 3.2 GHz Busspeed: 800 MHz Prosessor ID: 0F64 L2 cache size: 4
DetaljerThe Union shall contribute to the development of quality education by encouraging cooperation between Member States and, if necessary, by supporting
The Union shall contribute to the development of quality education by encouraging cooperation between Member States and, if necessary, by supporting and supplementing their action, while fully respecting
DetaljerMAT1030 Diskret matematikk
Oppgave 1.1 MAT1030 Diskret matematikk Plenumsregning 2: Ukeoppgaver fra kapittel 1 & 2 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 24. januar 2008 Modifiser algoritmen fra 1.2.1 slik at
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Plenumsregning 2: Ukeoppgaver fra kapittel 1 & 2 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 24. januar 2008 Oppgave 1.1 Modifiser algoritmen fra 1.2.1 slik at
Detaljer3/1/2011. I dag. Recursive descent parser. Problem for RD-parser: Top Down Space. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 TABELLPARSING Jan Tore Lønning & Stephan Oepen 1. mars 2011 2 I dag Oppsummering fra sist: Recursive-descent og Shift-reduce parser Svakheter med disse Tabellparsing: Dynamisk
DetaljerHvordan en prosessor arbeider, del 1
Hvordan en prosessor arbeider, del 1 Læringsmål Kompilator, interpret og maskinkode CPU, registre Enkle instruksjoner: de fire regnearter Mer informasjon om temaet Internett Lokalnett (LAN) Mitt program
DetaljerTilkobling og Triggere
Tilkobling og Triggere Lars Vidar Magnusson October 12, 2011 Lars Vidar Magnusson () Forelesning i DAS 11.10.2011 October 12, 2011 1 / 25 Tilkobling med PHP PHP bruker databasespesifike moduler til å koble
DetaljerSRP s 4th Nordic Awards Methodology 2018
SRP s 4th Nordic Awards Methodology 2018 Stockholm 13 September 2018 Awards Methodology 2018 The methodology outlines the criteria by which SRP judges the activity of Manufacturers, Providers and Service
DetaljerInformation search for the research protocol in IIC/IID
Information search for the research protocol in IIC/IID 1 Medical Library, 2013 Library services for students working with the research protocol and thesis (hovedoppgaven) Open library courses: http://www.ntnu.no/ub/fagside/medisin/medbiblkurs
DetaljerGeWare: A data warehouse for gene expression analysis
GeWare: A data warehouse for gene expression analysis T. Kirsten, H.-H. Do, E. Rahm WG 1, IZBI, University of Leipzig www.izbi.de, dbs.uni-leipzig.de Outline Motivation GeWare Architecture Annotation Integration
DetaljerTrådløsnett med Windows Vista. Wireless network with Windows Vista
Trådløsnett med Windows Vista Wireless network with Windows Vista Mai 2013 Hvordan koble til trådløst nettverk eduroam med Windows Vista? How to connect to the wireless networkeduroam with Windows Vista?
DetaljerServere. Katalog 2014. 21 60 30 90 Åpningstid: 09:00-17:00 alle hverdager. www.nextron.no E-mail: salg@nextron.no
Katalog 2014 Lagringssystemer Opptil 288TB i ett kabinett SAN, NAS og DAS løsninger Automatisk failover mellom redundante systemer Servere 1U til 5U 1 til 8 prosessorer Single, Microcloud, Twin eller Blade
DetaljerKondisjonstest. Algoritmer og datastrukturer. Python-oppgaver. Onsdag 6. oktober Her er noen repetisjonsoppgaver i Python.
Algoritmer og datastrukturer Kondisjonstest Python-oppgaver Onsdag 6. oktober 2004 Her er noen repetisjonsoppgaver i Python. Som alltid er den beste måten å lære å programmere på å sette seg ned og programmere
DetaljerForbruk & Finansiering
Sida 1 Forbruk & Finansiering Analyser og kommentarer fra Forbrukerøkonom Randi Marjamaa basert på en undersøkelse gjennomført av TEMO/MMI for Nordea RESULTATER FRA NORGE OG NORDEN Nordea 2006-02-28 Sida
DetaljerFast similarity join for multi-dimensional data
Information Systems 32 (27) 16 177 www.elsevier.com/locate/infosys $, $$ Fast similarity for multi-dimensional data Dmitri V. Kalashnikov a,, Sunil Prabhakar b a Department of Computer Science, University
DetaljerHØGSKOLEN I BERGEN Avdeling for ingeniørutdanning
HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning EKSAMEN I KLASSE LVD525 Videregående algoritmer : 3DA og 3DB DATO :. april 2005 ANTALL OPPGAVER : 4 ANTALL SIDER : 4 VEDLEGG : side HJELPEMIDLER : ingen
DetaljerINF2820 Datalingvistikk V Gang Jan Tore Lønning
INF2820 Datalingvistikk V2015 6. Gang - 23.2 Jan Tore Lønning PARSING DEL 1 2 I dag Høyre- og venstreavledninger Recursive-descent parser (top-down) Begynne Shift-reduce parser (bottom-up) 25. februar
Detaljer7) Radix-sortering sekvensielt kode og effekten av cache
) Radix-sortering sekvensielt kode og effekten av cache Dels er denne gjennomgangen av vanlig Radix-sortering viktig for å forstå en senere parallell versjon. Dels viser den effekten vi akkurat så tilfeldig
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 5 Leksjon 4 - Oversikt Tabusøk INF-MAT 5380 - Geir Hasle - Leksjon 5 2 Tabusøk - Sammendrag Inspirert fra matematisk optimering
DetaljerEKSAMEN. Dato: 18. mai 2017 Eksamenstid: 09:00 13:00
EKSAMEN Emnekode: ITF20006 Emne: Algoritmer og datastrukturer Dato: 18. mai 2017 Eksamenstid: 09:00 13:00 Hjelpemidler: Alle trykte og skrevne Kalkulator Faglærer: Jan Høiberg Om eksamensoppgavene: Oppgavesettet
DetaljerNKKN typeforslag versjon 2.0.1. Definisjon av grunntypene
NKKN typeforslag versjon 2.0.1 For å lette innsamling av typedata er det laget en importrutine i NKKN som muliggjør automatisering. Foreløpig kan en kun sende forslag via email, en webservice er planlagt
DetaljerOn Capacity Planning for Minimum Vulnerability
On Capacity Planning for Minimum Vulnerability Alireza Bigdeli Ali Tizghadam Alberto Leon-Garcia University of Toronto DRCN - October 2011 Kakow - Poland 1 Outline Introduction Network Criticality and
DetaljerOffshore Logistikkonferansen 2016 Færre folk - smartere løsninger? Fra et forsynings- og logistikk perspektiv
Offshore Logistikkonferansen 2016 Færre folk - smartere løsninger? Fra et forsynings- og logistikk perspektiv Leif Arne Strømmen, SVP Projects, Oil & Gas and Marine Logistics, Kuehne+Nagel (AG & Co) KG
DetaljerAnatomien til en kompilator - I
Anatomien til en kompilator - I 5/22/2006 1 Framgangsmåte for automatisk å lage en scanner Beskriv de forskjellige token-klassene som regulære uttrykk Eller litt mer fleksibelt, som regulære definisjoner
DetaljerData Sheet for Joysticks
2 axes (special versions with 3 Axes upon request) Spring return to center position or friction hold Customer-specific handles and sensors upon request Angle-dependent Actuation of Microswitches The 830
DetaljerAlgoritmer og datastrukturer Kapittel 9 - Delkapittel 9.1
Delkapittel 9.1 Generelt om balanserte trær Side 1 av 13 Algoritmer og datastrukturer Kapittel 9 - Delkapittel 9.1 9.1 Generelt om balanserte trær 9.1.1 Hva er et balansert tre? Begrepene balansert og
DetaljerKORTESTE STI. Vektede Grafer. Korteste Sti. Dijkstra s Algoritme. Vektet Urettet Graf
Vektet Urettet Graf KORTESTE STI Finn: fra en Enkel Kilde til Alle Noder. (Engelsk: Single Source Shortest Path - SSSP) Vektede Grafer vekter på kanter representerer f.eks. avstand, kostnad, båndbredde...
DetaljerLøsningsforslag til eksamen 24. november 2015
Operativsystemer med Linux Løsningsforslag til eksamen 24. november 2015 Oppgave 1 a) Et OS deler tiden inn i små deler, typisk et hundredels sekund, og fordeler slike korte timeslices til alle prossene
DetaljerSøking i strenger. Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen Suffiks-søking Boyer-Moore-algoritmen Hash-basert Karp-Rabin-algoritmen
Søking i strenger Vanlige søkealgoritmer (on-line-søk) Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen Suffiks-søking Boyer-Moore-algoritmen Hash-basert Karp-Rabin-algoritmen Indeksering av
DetaljerITS Workshop HiÅ: Smart Samferdsel
ITS Workshop HiÅ: 11.02.2015 Smart Samferdsel Harald Yndestad 2000-> Maritime simulatorer Animasjon, 3D landskap, simulere 3D objekt 2007: Agentbasert Simulering Kartet som planarena Fra objektorientert
Detaljer!"!#$ INF-MAT Geir Hasle - Leksjon 2 2
Leksjon 2 !"!#$ Kursinformasjon Motivasjon Operasjonsanalyse Kunstig intelligens Optimeringsproblemer (diskrete) Matematisk program COP Definisjon DOP Anvendelser Kompleksitetsteori Eksakte metoder, approksimasjonsmetoder
Detaljer2/24/2012. Context-Free Grammars. I dag. Avledning. Eksempel: grammar1 PARSING. Jan Tore Lønning
INF2820 Datalingvistikk V2012 Jan Tore Lønning KONTEKSTFRIE GRAMMATIKKER OG PARSING 24. februar 2012 2 Context-Free Grammars Det mest sentrale verktøyet i datalingvistikk 24. februar 2012 3 2/24/2012 Speech
DetaljerKjenn din PC Marie Bjørn 2014
Kjenn din PC Marie Bjørn 2014 1.Hva slags prosessor har maskinen. Intel (R) Core (TM) i7-4500u CPU @ 1.80Ghz 2.40 GHz 2.Hvor mye minne har den. RAM: 8,00 GB (7,89 GB brukbar) 3.Prøv om du kan finne en
DetaljerGraphs similar to strongly regular graphs
Joint work with Martin Ma aj 5th June 2014 Degree/diameter problem Denition The degree/diameter problem is the problem of nding the largest possible graph with given diameter d and given maximum degree
DetaljerIN 211 Programmeringsspråk. Dokumentasjon. Hvorfor skrive dokumentasjon? For hvem? «Lesbar programmering» Ark 1 av 11
Dokumentasjon Hvorfor skrive dokumentasjon? For hvem? «Lesbar programmering» Ark 1 av 11 Forelesning 8.11.1999 Dokumentasjon Med hvert skikkelig program bør det komme følgende dokumentasjon: innføring
DetaljerLære å tenke effektiv bruk av både CPU og minne når vi utvikler programvare. TOD 063: Datastrukturer og algoritmer, Kap.2
Kap.2: Analyse av algoritmer Mål med kapittelet Lære å se på effektivitet i forbindelse med programvareutvikling Lære grunnleggende konsept for analyse av algoritmer Lære de grunnleggende konsept rundt
DetaljerMoving Objects. We need to move our objects in 3D space.
Transformations Moving Objects We need to move our objects in 3D space. Moving Objects We need to move our objects in 3D space. An object/model (box, car, building, character,... ) is defined in one position
DetaljerWWW.CERT.DK. Introduction to DK- CERT Vulnerability Database
Introduction to DK- CERT Vulnerability Database By Peter Rickers and Mikael Stamm 1 Fundamental Idea Securing of networks, in-house and externally Savings for the costumers Making admission to the correct
DetaljerMAT Oblig 1. Halvard Sutterud. 22. september 2016
MAT1110 - Oblig 1 Halvard Sutterud 22. september 2016 Sammendrag I dette prosjektet skal vi se på anvendelsen av lineær algebra til å generere rangeringer av nettsider i et web basert på antall hyperlinker
DetaljerHP Prisliste. Det er plass til 45 cartridge i chassis. Leveres komplett med alle 45 cartridge.
HP Moonshot 1500 45 low power cartridge i et 4.3U kabinett r Web hosting Spesifikasjoner Generelt HP Moonshot 1500 er et 4.3U høy chassis. Inkluderer felles kjøling, strømforsyning og managmenet for 45
DetaljerCall function of two parameters
Call function of two parameters APPLYUSER USER x fµ 1 x 2 eµ x 1 x 2 distinct e 1 0 0 v 1 1 1 e 2 1 1 v 2 2 2 2 e x 1 v 1 x 2 v 2 v APPLY f e 1 e 2 0 v 2 0 µ Evaluating function application The math demands
DetaljerNeural Network. Sensors Sorter
CSC 302 1.5 Neural Networks Simple Neural Nets for Pattern Recognition 1 Apple-Banana Sorter Neural Network Sensors Sorter Apples Bananas 2 Prototype Vectors Measurement vector p = [shape, texture, weight]
DetaljerPrøveeksamen 2017 Oppgave3(a)Oppgave 3a) Skriv en funksjon hastighet(fart) som skal returnere en tekst-streng basert på heltallsverdien (verdi av type int) i parameteren fart. Parameteren fart er ment
DetaljerINF2820 Datalingvistikk V2012
INF2820 Datalingvistikk V2012 Jan Tore Lønning KONTEKSTFRIE GRAMMATIKKER OG PARSING 24. februar 2012 2 1 I dag Kontekstfrie grammatikker, avledninger og trær (delvis repetisjon) Parsing: ovenifra og ned
DetaljerPlenumsregning 1. Kapittel 1. Roger Antonsen januar Velkommen til plenumsregning for MAT1030. Repetisjon: Algoritmer og pseudokode
Plenumsregning 1 Kapittel 1 Roger Antonsen - 17. januar 2008 Velkommen til plenumsregning for MAT1030 Torsdager 10:15 12:00 Gjennomgang av ukeoppgaver Gjennomgang av eksempler fra boka Litt repetisjon
DetaljerKjenn din PC(windows7)
Kjenn din PC(windows7) Asus N53S 1. Hva slags prosessor har maskinen? - Min Bærbare pc har en Intel(R)Core(TM) i7-2630qm CPU @ 2.00GHz 2.00GHz 2. Hvor mye minne har den? - den har 4.00GB RAM 3. Hva er
DetaljerINF 3/ oktober : Avslutte Branch and Bound 23.6: Trær og strategier for spill med to spillere
INF 3/4130 18. oktober 2007 Dagens forelesning: Kapittel 23 i hovedboka 23.5: Avslutte Branch and Bound 23.6: Trær og strategier for spill med to spillere Oblig 2 har ligget ute en stund. Frist 26 oktober.
DetaljerTuringmaskiner.
Turingmaskiner http://www.youtube.com/watch?v=e3kelemwfhy http://www.youtube.com/watch?v=cyw2ewoo6c4 Søking i strenger Vanlige søkealgoritmer (on-line-søk) Prefiks-søking Naiv algoritme Knuth-Morris-Pratt-algoritmen
Detaljer