Idag. Hvis bildet f(x,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene.

Save this PDF as:
 WORD  PNG  TXT  JPG

Størrelse: px
Begynne med side:

Download "Idag. Hvis bildet f(x,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene."

Transkript

1 Slide Slide Idag Cosinus transform Cosinus transform Sinus transform Hvis bildet f(,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene. Hartley transform Vi kan konstruere symmetri i bildet (like symmetri eller odde symmetri). Hadamard transform Haar transform Karhunen-Loeve transform (egenvektortransform, PCA) Cosinus- og sinus-transformene tilsvarer ikke cosinus- og sinus-delen av Fourier. Slide 3 Like symmetri f(, y), 0, y 0 f(, y), < 0, y 0 f s (, y) = f(, y), 0, y < 0 f(, y), < 0, y < 0 f s (, y) er symmetrisk om =, y = Ingen skarpe kanter F s (u, v) = f(, y) cos( πu (+ )) cos(πv (y+ )) =0 y=0 F s (u, v) kan også uttrykkes direkte fra FT til f(, y). Definisjon av cosinus transform, like symmetri C(u, v) = C(u)C(v) )) =0 y=0 der C(0) = og C(w) = ellers. Slide 4 f(, y) cos( πu (+ )) cos(πv (y+ Definisjon av invers cosinus transform, like symm. f(, y) = g(, y) der g(, y) er lik: u=0 v=0 )) C(u)C(v)C(u, v) cos( πu (+ )) cos(πv (y+

2 Slide 5 Slide 6 Odde symmetri f(, y), 0, y 0 f(, y), < 0, y 0 f s (, y) = f(, y), 0, y < 0 f(, y), < 0, y < 0 Fordeler DCT Reelle verdier FT til f s (, y) er: F s (u, v) = f s (, y)e πi (u+vy) = + y= + = 4 fs (, y) = =0 y=0 fs (, y) cos( πu πvy ) cos( ) 4 f(, y), = 0, y = 0 f(, y), = 0, y 0 f(, y), 0, y = 0 f(, y), 0, y 0 slipper mye av kantproblemene vi hadde i FT Rimelig rask algoritme FDCT O( log ) DCT kan beregnes vha FFT God energi-kompaktering for korrelert data DCT benyttes ofte i kompresjons sammenheng. Sinus transform Slide 7 forts. Sinus transform Slide 8 Rask algoritme introdusert av Jain som en erstatning for Karhunen-Loeve transform. Kan beregne Sinus transform vha. transform Fourier D basisfunksjoner A(u, ) = + D Sinus transform S(u, v) = + + )(u + )π sin[( ] + g(, y) y Flytter bildet opp ett piksel i og y retning. ullutvider bildet til (+)*(+). Utfører vanlig FFT på det utvidete bildet. g(, y) = f(, y) sin[ ( + )(u + )π (y + )(v + )π ] sin[ ] + + Den inverse transformen er identisk med forlengs transformen.

3 Slide 9 Slide 0 Fordeler DST Hartley transform Reelle koeffisienter. DST kan beregnes vha FFT Bracewell har introdusert en diskret reell transform som en erstatning for FT. Kalles Hartley fordi Hartley introduserte metoden for kontinuerlige signaler. Rask algoritme O( log ) God energi-kompaktering Forlengs transform H(u, v) = f(, y)cas( π (u + vy)) y DST er mindre i bruk enn DCT og FFT. Baklengs transform f(, y) = H(u, v)cas( π (u + vy)) u v der cas(θ) = cos(θ) + sin(θ) Slide Slide Relationship between Hartley and Fourier D: H(u) = f()cas( π u) Split H(u) into odd and even parts: Even (symmetric): E(u) = Odd (antisymmetric): O(u) = H(u) + H( u) H(u) H( u) (= H(u) E(u)) H(u) = E(u) + O(u) H(u) + H( u) E(u) = = f()cas( π u) + = sin( π u)] = O(u) = f()cas( π u) f()[cos( π u)+sin(π u)+cos(π u) f()cos( π u) (cosinus transform) H(u) H( u) = sin( π u) Fourier transform: F (u) = f()(cos( π u) isin(π u))) = E(u) io(u) = Re(F (u)) + iim(f(u)) which means that Re(F (u)) = E(u) and Im(F (u)) = O(u)

4 Slide 3 Spectrum: F (u) = Re(F (u)) + Im(F (u)) = E(u) + O(u) = H (u) + H ( u) Im(F (u)) Phase: arctan{ Re(f(u)) } = arctan{ O(u) E(u) } Egenskaper Hartley transform cas er en ortogonal funksjon. reell aritmetikk Hartley transf. gir ekvivalente egenskaper som Fourier. Eks. Gj.sn. : f(, y) = F (0, 0) = HT (0, 0) Effekt : P (f(, y)) = R F (u, v)+i F (u, v) = H (u, v) + H ( u, v) Konv. : f (, y) f (, y) = F (u, v) F (u, v) = [H (u, v) H (u, v) H ( u, v) H ( u, v) +H (u, v) H ( u, v)+h ( u, v) H (u, v)] Valg mellom Hartley og Fourier er som regel basert på effektivitet. Effektivitet avhenger av maskin type. Slide 4 Slide 5 Hadamard Transform (HT) Hadamard matrise Hadamard transform er basert på Hadamard matrisen, H H er en kvadratisk matrise som består av + og - Radene og kolonnene i H er ortogonale En normalisert H tilfredsstiller HH T = I H = [ ] H 4 = Hvis vi har en matrise H med str.( ) der = n, kan vi konstruere: H = [ H H H H ]

5 Slide 6 Slide 7 Sekvens-egenskap til en matrise Forts. Hadamard transform Harmuth har foreslått en frekvens tolkning av H matrisen. Sekvens Sekvensen til en rad i matrisen, er antall fortegnsskift langs raden dividert med. Sekvens-egenskap En -matrise har sekvens-egenskap når radene er sortert slik at økende radnummer gir økt sekvens (antall fortegns-skift øker fra 0 til ). Vi kan se på radene i matrisen som rektangulœre bølger. Hadamard matrisen dekomponerer en funksjon vha. et sett av rektangulære basis-funksjoner. For symmetriske Hadamard matriser av orden = n, kan den to dimensjonale Hadamard transform skrives som: H(u, v) = f(, y)( ) p(,y,u,v) y n p(, y, u, v) = (u i i + v i y i ) i=0 der i, y i, u i, v i er bit tilstanden av binær representasjonen av hhv., y, u og v. Eks. u=3 gir binær tallet 0 Den inverse transform-kjernen er identisk med den forlengse transform-kjernen. Ordnet Hadamard transform Slide 8 Egenskaper til Hadamard transform Slide 9 Hvis Hadamard-matrisen er ordnet (tilfredsstiller sekvens-egenskapen), kan transformen skrives som: H(u, v) = f(, y)( ) q(,y,u,v) y n q(, y, u, v) = [g i (u) i + g i (v)y i ] i=0 g 0 (u) = u n g (u) = u n + u n g (u) = u n + u n 3 g n (u) = u + u 0 H er reell, symmetrisk og ortogonal (identisk forlengs og invers transform) Enkle basis-funksjoner Rask algoritme O( log ), raskere enn FFT. Ingen enkel forståelse av det transformerte bildet (Sekvens øker som en funksjon av u og v). Dekomposisjon av bildet, basert på funksjoner som er + og i steden for de mer komplekse sinus og cosinus funksjonene som benyttes i FT.

6 Slide 0 Slide Haar transform Forts. Haar transform Haar transform utledes fra Haar matrisen. Hr(u, v) = f(, y)hr(, y; u, v) y Hr(, y; u, v) = h u ()h v (y) der h u () og h v (y) er Haar funksjoner. u og v kan deles inn i heltallene p og q ved: u = p + q der q { 0,, p = 0 q p, p 0 Haar funksjonen er gitt ved: h 0 () = h 0,0 () = h u () = h p,q () = p/, p/, q p < q / p q / p < q p 0, ellers [0, ] Rad k i Haar matrisen Hr dannes fra h k () for = 0/, /, /,..., /. Eks. for = u (p, q) h u (0) h u (/) 0 0, 0 0, p kan sees på som en frekvens-indeks og q som posisjons-indeks i bildet. Hr = Forts. Haar transform Slide Egenskaper ved Haar transform Slide 3 Basis-funksjonene måler gråtone differansen mellom to nabopiksler eller mellom to nabo områder. Haar transform gir et transformert bilde der en type differensial-energi er konsentrert i lokal regioner (trekker ut kanter). Haar transform kan sees på som en samplingsprosess der rader i Hr matrisen sampler input bildet med finere og finere oppløsning. Hr er reell og ortogonal Enkle basis-funksjoner Raskeste av de nevnte unitære transformene O( ) Gir retning og frekvens informasjon Gir lokal og global informasjon Har dårlig energi kompaktering for bilder Bruksmuligheter lite utforsket. Blab har sett på Haar transform som tekstur operator Andre mulige bruksområder er koding og kantdeteksjon

7 Slide 4 Slide 5 Kap. 8.5 Karhunen-Loeve transform Forts. Karhunen-Loeve transform (Hotelling, egenvektor-transform eller PCA) Basert på statistiske egenskaper ved vektor representasjoner. K-L transformerer et bilde til et sett med ukorrelert koeffisienter. K-L minimaliserer rms-feilen. Anta en populasjon av tilfeldige vektorer med gjennomsnitt m og kovarians matrise C Finn et sett med n ortonormale egenvektorer e i (C e i = λ i e i ) med tilhørende egenverdier λ i (det(λi C ) = 0) Sorter egenvektorene etter synkende egenverdi (λ i λ i+ ) Ordnede egenvektorer danner matrisen A Fordi C er reell og symmetrisk, kan vi alltid finne et sett av n ortonormale e i forts. Karhunen-Loeve transform To versjoner av K-L. y = A, = A T y y = A( m ), = A T y + m Egenskap til kovarians matrisen til y C y = AC A T C y = λ 0 λ λ 3 0 λ 4 Slide 6 Eksempler på K-L transform Eample - Feature selection Slide 7 Consider a hyperspectral satellite image with a high number of spectral bands. The different band of the image represent energy measured in different parts of the electromagnetic spectrum. The different bands are often correlated. Problem: We want to etract the spectral band with containing most information. DVS. ull korrelasjon mellom y-koeffisientene og størst varians i første element.

8 Slide 8 Slide 9 Kompresjon av et flerbånds bilde vha K-L Foreta K-L transform, y = A( m ) Behold de båndene som korresponderer til høye egenverdier. Foreta invers K-L transform, ˆ = A T K y + m ms feilen mellom og ˆ er gitt ved Markov prosess I en p te ordens Markov prosess påvirker p tidligere tilstander nåværende tilstand.. ordens Markov prosess kan vi skrive p(f(n) f(n )) DVS det er kun tilstanden rett før som påvirker tilstanden nå. n K n e MS = λ i λ i = λ i i= i= i=k+ Dvs. ms feilen er lik summen av de egenverdiene som ikke taes med, og vi har garantert tatt med de største egenverdiene og utelatt de minste. K-L er derfor optimal mhp. å minimalisere rms feilen. Spesial tilfelle av K-L Slide 30 Egenskaper til K-L Slide 3 Hvis C er separabel blir K-L separabel. Hvis C er separabel og bildet kan sees på som en. ordens Markov prosess, kan basisfunksjonene uttrykkes eksplisitt. Reelle verdier Dekorrelerende egenskap Optimal energikompaktering mhp rms feil Ingen rask algoritme Regnekrevende Det transformerte bildet er invariant for rotasjon

9 Slide 3 Choosing the transform DFT DCT DST Hadamard: Haar: Slant: K-L: Use for frequency analysis and filtering. Recommended for coding when the data have to pass through the Fourier domain. Best choice for compression. Very good (close to KL) for correlated data. For fast K-L for special processes. Useful for coding only for small block sizes (44). Simple implementation. ot frequently used. Perhaps suited for feature etraction. Emphasizes high spatial frequencies (local differences in grey level). Poor compression. ot frequently used. Best among the nonsinusoidal fast transform for coding. ot frequently used. Coding: optimum in the ms sense. Difficult to implement, DCT preferable. Good for feature selection of multivariate data. Often used in statistical data analysis.

Introduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4

Introduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Introduksjon INF 2310 13. april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Fourier: Vi kan uttrykke ethvert bilde som en vektet sum av sinus- og cosinus-signaler med ulik frekvens og orientering

Detaljer

Fourier-Transformasjoner IV

Fourier-Transformasjoner IV Fourier-Transformasjoner IV Lars Vidar Magnusson March 1, 2017 Delkapittel 4.6 Some Properties of the 2-D Discrete Fourier Transform Forholdet Mellom Spatial- og Frekvens-Intervallene Et digitalt bilde

Detaljer

INF mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4

INF mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4 INF 2310 22. mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4 I dag: Sinus-funksjoner i 1D og 2D 2D diskret Fouriertransform (DFT) Mandag 27. mars: Supplementsforelesning holdt av

Detaljer

Basisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( )

Basisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( ) INF 30 0. april 00 Fouriertransform del II Kjapp repetisjon Bruk av vinduer Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Eksempel: 3 5 4 5 3 4 3 6 Repetisjon Basis-bilder Sort er 0, hvit

Detaljer

sin(2 ui/n) starter på 0 og repeteres u ganger per N samples. cos(2 ui/n) starter på 1 og repeteres u ganger per N samples

sin(2 ui/n) starter på 0 og repeteres u ganger per N samples. cos(2 ui/n) starter på 1 og repeteres u ganger per N samples 0700 Foreløbig versjon! INF 0 mars 07 Fourier I -- En litt annen vinkling på stoffet i kapittel I dag: Sinus-funksjoner i D og D D diskret Fouriertransform (DFT) Introduksjon I/II Et gråtonebilde Typisk

Detaljer

Bildetransformer Lars Aurdal

Bildetransformer Lars Aurdal Bildetransformer Lars Aurdal FORSVARETS FORSKNINGSINSTITUTT Lars Aurdal. Forsvarets forskningsinstitutt (FFI), Kjeller. 5 ansatte. Ca. 3 forskere og ingeniører. Tverrfaglig institutt med vekt på arbeide

Detaljer

16 Ortogonal diagonalisering

16 Ortogonal diagonalisering Ortogonal diagonalisering Ortogonale matriser Definisjon (Def 7) En n n matrise A kalles ortogonal dersom den er invertibel og A A T Denne betingelsen er ekvivalent til at der I n er n n identitesmatrisen

Detaljer

Dagens mål. Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 INF Digital bildebehandling

Dagens mål. Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 INF Digital bildebehandling Dagens mål Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 IF2310 - Digital bildebehandling Ole Marius Hoel Rindal, slides av Andreas Kleppe Dagens mål Forstå

Detaljer

MIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon.

MIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon. Stavanger, 25. januar 2012 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon. Vi skal i dette miniprosjektet se litt på bruk av

Detaljer

Dagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang

Dagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang Dagens temaer Time 5: z-transformasjon og frekvens transformasjon Andreas Austeng@ifi.uio.no, NF3470 fi/uio September 2009 Fra forrige gang Kausalitet, stabilitet og inverse systemer Z 1 { }: nvers z-transformasjon

Detaljer

TMA Matlab Oppgavesett 2

TMA Matlab Oppgavesett 2 TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å

Detaljer

f(t) F( ) f(t) F( ) f(t) F( )

f(t) F( ) f(t) F( ) f(t) F( ) NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG4045 Geofysisk Signalanalyse Lsningsforslag ving 3 a) ' xy (t) = x()y(t + )d : La oss, for

Detaljer

Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på

Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på Kap. 7 Innledning Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på Symmetriske matriser. Disse matrisene har uvanlig pene egenskaper mht. diagonalisering. Kvadratiske

Detaljer

Kap. 6 Ortogonalitet og minste kvadraters problemer

Kap. 6 Ortogonalitet og minste kvadraters problemer Kap. 6 Ortogonalitet og minste kvadraters problemer vanlig indreprodukt (prikkprod.) i IR n, egenskaper. ortogonalitet i IR n Pythagoras teorem: u og v i IR n er ortogonale hvis og bare hvis u + v 2 =

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Oppgavesettett er på : 6 sider

Detaljer

Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.

Dagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data. Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering

Detaljer

Uke 6: Analyse i frekvensdomenet

Uke 6: Analyse i frekvensdomenet Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og

Detaljer

INF5820 Natural Language Processing - NLP. H2009 Jan Tore Lønning

INF5820 Natural Language Processing - NLP. H2009 Jan Tore Lønning INF5820 Natural Language Processing - NLP H2009 jtl@ifi.uio.no HMM Tagging INF5830 Lecture 3 Sep. 7 2009 Today More simple statistics, J&M sec 4.2: Product rule, Chain rule Notation, Stochastic variable

Detaljer

Uke 10: Diskret Fourier Transform, II

Uke 10: Diskret Fourier Transform, II Uke 10: Diskret Fourier Transform, II Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 011 /38 Dagens temaer Spektral glatting pga endelig lengde data Bruk av DFT en

Detaljer

Konvolusjon og filtrering og frevensanalyse av signaler

Konvolusjon og filtrering og frevensanalyse av signaler Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 2 Konvolusjon og filtrering og frevensanalyse av signaler Sarpsborg 21.01.2005 20.01.05

Detaljer

INF mars 2017 Diskret Fouriertransform del II

INF mars 2017 Diskret Fouriertransform del II INF230 29. mars 207 Diskret Fouriertransform del II Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Bruk av vinduer 207.03.29 INF230 / 40 Repetisjon Basis-bilder Sort er 0,

Detaljer

MAT-INF 2360: Obligatorisk oppgave 1

MAT-INF 2360: Obligatorisk oppgave 1 6. februar, MAT-INF 36: Obligatorisk oppgave Oppgave I denne oppgaven skal vi sammenligne effektiviteten av FFT-algoritmen med en mer rett frem algoritme for DFT. Deloppgave a Lag en funksjon y=dftimpl(x)

Detaljer

Utkast med løsningshint inkludert UNIVERSITETET I OSLO

Utkast med løsningshint inkludert UNIVERSITETET I OSLO Utkast med løsningshint inkludert UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00

Detaljer

6.4 Gram-Schmidt prosessen

6.4 Gram-Schmidt prosessen 6.4 Gram-Schmidt prosessen La W {0} være et endeligdimensjonalt underrom av R n. (Senere skal vi mer generelt betrakte indreprodukt rom; se seksjon 6.7). Vi skal se hvordan vi kan starte med en vanlig

Detaljer

Basisbilder - cosinus v Bildene

Basisbilder - cosinus v Bildene Repetisjon Basis-bilder 737 Midlertidig versjon! INF 3 9 mars 7 Diskret Fouriertransform del II Ortogonal basis for alle 4x4 gråtonebilder Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet

Detaljer

For J kvantiseringsnivåer er mean square feilen:

For J kvantiseringsnivåer er mean square feilen: Slide 1 Slide 2 Kap. 6 Bilde kvantisering Kap. 6.1 Skalar kvantisering Desisons og rekonstruksonsnivåer velges ved å minimalisere et gitt kvantiseringsfeilmål mellom f og ˆf. Kvantisering: Prosessen som

Detaljer

A taxonomy of texture models

A taxonomy of texture models INF 5300 - Lecture 22.3.2004 Texture based on filtering Based on: M. Tuceryan and A. Jain, Texture analysis, in Handbook of Pattern Recognition and Computer Vision, C. Chen, L. Pau, W. Wang (editors) T.

Detaljer

NORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER

NORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER NORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER SIE 3080 STOKASTISKE OG ADAPTIVE SYSTEMER Oddvar Hallingstad 0. februar 00 Vi skal her utlede noen nyttige formler for arbeidet med kovariansmatriser

Detaljer

Fourier-Transformasjoner

Fourier-Transformasjoner Fourier-Transformasjoner Lars Vidar Magnusson February 21, 2017 Delkapittel 4.1 Background Delkapittel 4.2 Preliminary Concepts Fourier Fourier var en fransk matematiker/fysiker som levde på 1700/1800-tallet.

Detaljer

Analyse og metodikk i Calculus 1

Analyse og metodikk i Calculus 1 Analyse og metodikk i Calculus 1 Fredrik Göthner og Raymi Eldby Norges teknisk-naturvitenskapelige universitet 3. desember 01 1 Innhold Forord 3 1 Vurdering av grafer og funksjoner 4 1.1 Hva er en funksjon?.........................

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : XXX sider

Detaljer

INF Kap og i DIP

INF Kap og i DIP INF 30 7.0.009 Kap..4.4 og.6.5 i DIP Anne Solberg Geometriske operasjoner Affine transformer Interpolasjon Samregistrering av bilder Geometriske operasjoner Endrer på pikslenes posisjoner o steg:. Finn

Detaljer

Filter-egenskaper INF Fritz Albregtsen

Filter-egenskaper INF Fritz Albregtsen Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]

Detaljer

MAT1030 Forelesning 13

MAT1030 Forelesning 13 MAT1030 Forelesning 13 Funksjoner Roger Antonsen - 4. mars 2009 (Sist oppdatert: 2009-03-06 18:57) Kapittel 6: Funksjoner Opphenting Forrige forelesning snakket vi veldig grundig om relasjoner Vi snakket

Detaljer

Introduksjon/motivasjon I. FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Introduksjon/motivasjon II. Bakgrunn: Frekvens

Introduksjon/motivasjon I. FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Introduksjon/motivasjon II. Bakgrunn: Frekvens Introduksjon/motivasjon I INF2310 Digital bildebehandling FORELESNING 8 FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe I dag: Grunnlaget Grunnlaget og intuisjonen i Fourier-analyse

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF-Digital bildebehandling Eksamensdag: Tirsdag. mars 5 Tid for eksamen: 5:-9: Løsningsforslaget er på: sider Vedlegg: Ingen

Detaljer

= 3 11 = = 6 4 = 1.

= 3 11 = = 6 4 = 1. MAT3000/4000 Eksamen V3 Løsningsforslag Oppgave [0 poeng] Sjekk at 3 er en kvadratisk rest i Z/(3) og finn løsningene av likningen x = 3 i Z/(3) (uten å lage en tabell for x ) Du får lov til å bruke at

Detaljer

Kapittel 6: Funksjoner

Kapittel 6: Funksjoner MAT1030 Diskret Matematikk Forelesning 13: Funksjoner Dag Normann Matematisk Institutt, Universitetet i Oslo Kapittel 6: Funksjoner 2. mars 2010 (Sist oppdatert: 2010-03-02 14:14) MAT1030 Diskret Matematikk

Detaljer

5.6 Diskrete dynamiske systemer

5.6 Diskrete dynamiske systemer 5.6 Diskrete dynamiske systemer Egenverdier/egenvektorer er viktige for å analysere systemer av typen x k+1 = A x k, k 0, der A er en kvadratisk diagonaliserbar matrise. Tenker her at x k angir systemets

Detaljer

Kap. 7 Symmetriske matriser og kvadratiske former

Kap. 7 Symmetriske matriser og kvadratiske former Kap. 7 Symmetriske matriser og kvadratiske former Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på symmetriske matriser som har uvanlig pene egenskaper mht. diagonalisering.

Detaljer

Uke 5: Analyse i z- og frekvensdomenet

Uke 5: Analyse i z- og frekvensdomenet Uke 5: Analyse i z- og frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/32 Dagens temaer Fra forrige gang Kausalitet, stabilitet og inverse systemer

Detaljer

7.4 Singulærverdi dekomposisjonen

7.4 Singulærverdi dekomposisjonen 7.4 Singulærverdi dekomposisjonen Singulærverdi dekomposisjon til en matrise A er en av de viktigste faktoriseringene av A (dvs. A skrives som et produkt av matriser). Den inneholder nyttig informasjon

Detaljer

15 Hovedprinsippet for vektorrom med et indre produkt

15 Hovedprinsippet for vektorrom med et indre produkt Hovedprinsippet for vektorrom med et indre produkt La oss minne Hovedprinsippet (Seksjon 8.): Alle (endelig dimensjonale dvs. de som har en endelig basis) vektorrom kan beskrives som R n der n dim V. Alle

Detaljer

Egenverdier for 2 2 matriser

Egenverdier for 2 2 matriser Egenverdier for matriser (Bearbeidet versjon av tidligere notat på nett-sidene til MA101 - Lineær algebra og geometri Versjon oppdatert med referanser til 10utg av læreboken) Egenvektorer og egenverdier

Detaljer

R: 0, , = 6000 D : 0, , = 4000 La v n = angi fordelingen etter n år (dvs. a b n stemmer for R og

R: 0, , = 6000 D : 0, , = 4000 La v n = angi fordelingen etter n år (dvs. a b n stemmer for R og EGENVERDIER FOR MATRISER a Motiverende eksempel En by i USA har 0000 innbyggere som stemmer ved valget hvert år. I dag stemmer 8000 for R og 000 for D. Hvert år går 30% fra R til D og 0% fra D til R. Hva

Detaljer

Kapittel 6: Funksjoner

Kapittel 6: Funksjoner MAT1030 Diskret Matematikk Forelesning 13: Funksjoner Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 6: Funksjoner 4. mars 2009 (Sist oppdatert: 2009-03-06 18:57) MAT1030 Diskret

Detaljer

Matriser TI -86 F1 F2 F3 F4 F5 M1 M2 M3 M4 M5

Matriser TI -86 F1 F2 F3 F4 F5 M1 M2 M3 M4 M5 13 Matriser Lage matriser... 204 Vise matriseelementer, rader og delmatriser... 207 Redigere matrisedimensjon og -elementer... 208 Slette en matrise... 209 Bruke en matrise i et uttrykk... 210 TI -86 M1

Detaljer

'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7)

'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7) TE6146 ignalbehandling 'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7),QWURGXNVMRQ,, Har tidligere sett på Fourier- og Z-transformene for diskrete følger. For følger av endelig varighet, er det mulig å utvikle

Detaljer

Forelesningsplan M 117

Forelesningsplan M 117 Forelesningsplan M 117 Innledning Kan du gi et eksempel på et fenomen eller en prosess som er lineær? Har du eksempel på ikke-lineære fenomen? Hva er henholdsvis en ordinær (ODL) og en partiell differensialligning

Detaljer

Histogrammetoder. Lars Aurdal Norsk regnesentral. Histogrammetoder p.1/91

Histogrammetoder. Lars Aurdal Norsk regnesentral. Histogrammetoder p.1/91 Histogrammetoder Lars Aurdal Norsk regnesentral aurdal@nr.no Histogrammetoder p.1/91 Oversikt 1 Litt praktisk informasjon. Grånivåtransformasjoner. Grunnleggende transformasjoner. Negativer. Log-transformasjoner.

Detaljer

Utfordringer knyttet til statistisk analyse av komposittdata

Utfordringer knyttet til statistisk analyse av komposittdata ISSN 1893-1170 (online utgave) ISSN 1893-1057 (trykt utgave) www.norskbergforening.no/mineralproduksjon Notat Utfordringer knyttet til statistisk analyse av komposittdata Steinar Løve Ellefmo 1,* 1 Institutt

Detaljer

Neste to forelesninger. Bildefiler - bildeformater De aller fleste bildeformater 3/18/2009. Digitale bilder med spesielt fokus på medisinske bilder

Neste to forelesninger. Bildefiler - bildeformater De aller fleste bildeformater 3/18/2009. Digitale bilder med spesielt fokus på medisinske bilder 3/8/29 Digitale bilder med spesielt fokus på medisinske bilder Karsten Eilertsen Radiumhospitalet Neste to forelesninger Torsdag 29/: Enkel innføring i digitale bilder Eksempler på noen enkle metoder for

Detaljer

MAT1030 Forelesning 13

MAT1030 Forelesning 13 MAT1030 Forelesning 13 Funksjoner Dag Normann - 2. mars 2010 (Sist oppdatert: 2010-03-02 14:15) Kapittel 6: Funksjoner Forrige uke Forrige forelesning snakket vi om relasjoner. Vi snakket om ekvivalensrelasjoner

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Løsningsforslaget

Detaljer

Fourier-Transformasjoner II

Fourier-Transformasjoner II Fourier-Transformasjoner II Lars Vidar Magnusson February 27, 2017 Resten av Delkapittel 4.2 Preliminary Concepts Delkapittel 4.3 Sampling and the Fourier Transform of Sampled Functions Delkapittel 4.4

Detaljer

Løsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I

Løsningsforslag, Ukeoppgaver 9 INF2310, våren kompresjon og koding del I Løsningsforslag, Ukeoppgaver 9 INF23, våren 2 6. Vi har gitt følgende bilde: kompresjon og koding del I 2 2 2 3 3 3 2 3 3 3 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen

Detaljer

Uke 9: Diskret Fourier Transform, I

Uke 9: Diskret Fourier Transform, I Uke 9: Diskret Fourier Transform, I Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/23 Dagens temaer Sampling og periodisitet DFT DFT og DTFT 3/23 Tema Sampling

Detaljer

Generell informasjon om faget er tilgjengelig fra It s learning.

Generell informasjon om faget er tilgjengelig fra It s learning. Stavanger, 6. august 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 5.1 Implementering av IIR filter....................

Detaljer

Matematikk 15 V-2008

Matematikk 15 V-2008 Matematikk 5 V-008 Løsningsforslag til øving 9 OPPGVE Husk at N = {alle naturlige tall} = {0,,,,... }, Z = {alle heltall} = {...,,, 0,,,,... }, R = {alle reelle tall} og = {alle komplekse tall} = { z :

Detaljer

Løsningsforslag eksamen STE 6038 Geometrisk modellering 9/8 1995

Løsningsforslag eksamen STE 6038 Geometrisk modellering 9/8 1995 Løsningsforslag eksamen STE 638 Geometrisk modellering 9/8 995. a) Vi skal bestemme hvilke av avbildningene/transformasjonene som er homeomorfier. f 4 6 Determinanten til matrisen er lik, dvs at den har

Detaljer

Obligatorisk oppgave 2

Obligatorisk oppgave 2 INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Obligatorisk oppgave 2 INF2310, vår 2017 Dette oppgavesettet er på 9 sider, og består av 2 bildebehandlingsoppgaver. Besvarelsen av denne og forrige obligatoriske

Detaljer

LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k),

LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k), NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR TELETEKNIKK Signalbehandling LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE200 Informasjons- og signalteori, 29. juli 2002 Oppgave I Gitt

Detaljer

3UDNWLVN DQYHQGHOVH DY ')7

3UDNWLVN DQYHQGHOVH DY ')7 TE6146 ignalbehandling 3UDNWLVN DQYHQGHOVH DY ')7,QWURGXNVMRQ Kjenner DFT og FFT for effektiv numerisk beregning av DFT. Finnes ferdige funksjoner for FFT- algoritmer implementert i C/C og andre programmeringsspråk.

Detaljer

INF 2310 Digital bildebehandling

INF 2310 Digital bildebehandling INF 230 Digital bildebehandling Forelesning 3 Geometriske operasjoner Fritz Albregtsen 05.02.203 INF230 Temaer i dag Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering

Detaljer

Minste kvadraters løsning, Symmetriske matriser

Minste kvadraters løsning, Symmetriske matriser Minste kvadraters løsning, Symmetriske matriser NTNU, Institutt for matematiske fag 19. november 2013 Inkonsistent ligningsystem Anta at Ax = b er et inkonsistent ligningsystem, da er b ikke i Col(A).

Detaljer

Kap. 6 Ortogonalitet og minste kvadrater

Kap. 6 Ortogonalitet og minste kvadrater Kap. 6 Ortogonalitet og minste kvadrater IR n er mer enn bare et vektorrom: den har et naturlig indreprodukt, nemlig prikkproduktet av vektorer. Dette indreproduktet gjør det mulig å tenke geometrisk og

Detaljer

INF februar 2017 Ukens temaer (Kap og i DIP)

INF februar 2017 Ukens temaer (Kap og i DIP) 1. februar 2017 Ukens temaer (Kap 2.4.4 og 2.6.5 i DIP) Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder 1 / 30 Geometriske operasjoner Endrer

Detaljer

Løsningsforslag til underveiseksamen i MAT 1100

Løsningsforslag til underveiseksamen i MAT 1100 Løsningsforslag til underveiseksamen i MAT 00 Dato: Tirsdag /0, 00 Tid: Kl. 9.00-.00 Vedlegg: Formelsamling Tillatte hjelpemidler: Ingen Oppgavesettet er på sider Eksamen består av 0 spørsmål. De 0 første

Detaljer

EKSAMEN I FAG TTT4110 Informasjons- og signalteori. Norsk tekst på oddetalls-sider. (English text on even numbered pages.)

EKSAMEN I FAG TTT4110 Informasjons- og signalteori. Norsk tekst på oddetalls-sider. (English text on even numbered pages.) Side/Page 1 av/of 8 + 3 sider vedlegg + enclosure, 3 pages NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Signalbehandling Faglig kontakt under eksamen: Navn:

Detaljer

TFY4170 Fysikk 2 Justin Wells

TFY4170 Fysikk 2 Justin Wells TFY4170 Fysikk 2 Justin Wells Forelesning 5: Wave Physics Interference, Diffraction, Young s double slit, many slits. Mansfield & O Sullivan: 12.6, 12.7, 19.4,19.5 Waves! Wave phenomena! Wave equation

Detaljer

Korteste vei problemet (seksjon 15.3)

Korteste vei problemet (seksjon 15.3) Korteste vei problemet (seksjon 15.3) Skal studere et grunnleggende kombinatorisk problem, men først: En (rettet) vandring i en rettet graf D = (V, E) er en følge P = (v 0, e 1, v 1, e 2,..., e k, v k

Detaljer

Universitet i Bergen. Eksamen i emnet MAT121 - Lineær algebra

Universitet i Bergen. Eksamen i emnet MAT121 - Lineær algebra Universitet i Bergen Det matematisk-naturvitenskapelige fakultet Bokmål Eksamen i emnet MAT - Lineær algebra Onsdag 5 september, 0, kl. 09.00-4.00 Tillatte hjelpemidler. kalkulator, i samsvar med fakultetets

Detaljer

Dagens plan: INF Algoritmer og datastrukturer. Eksempel. Binære Relasjoner

Dagens plan: INF Algoritmer og datastrukturer. Eksempel. Binære Relasjoner Dagens plan: INF2220 - Algoritmer og datastrukturer HØSTEN 2009 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 10: Disjunkte Mengder Definisjon av binær relasjon Definisjon av ekvivalens

Detaljer

INF Algoritmer og datastrukturer

INF Algoritmer og datastrukturer INF2220 - Algoritmer og datastrukturer HØSTEN 2009 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 10: Disjunkte Mengder Bjarne Holen (Ifi, UiO) INF2220 H2009, forelesning 10 1 / 27

Detaljer

Øving 5 Diagonalisering

Øving 5 Diagonalisering Øving 5 Diagonalisering En matrise A er diagonaliserbar dersom den er similær med en diagonalmatrise, dvs. det eksisterer en invertibel matrise P og diagonal matrise D slik at P.D.P -1. I øving 4 lærte

Detaljer

FILTERDESIGN Ukeoppgavene skal leveres som selvstendige arbeider. Det forventes at alle har satt seg inn i instituttets krav til innleverte oppgaver: Norsk versjon: http://www.ifi.uio.no/studinf/skjemaer/erklaring.pdf

Detaljer

4.9 Anvendelser: Markovkjeder

4.9 Anvendelser: Markovkjeder 4.9 Anvendelser: Markovkjeder Markov kjeder er en spesiell type diskret dynamisk system. Stokastisk modell: grunnleggende i sannsynlighetsregning. Vinner av Abelprisen 2007, S. Varadhan, jobber i dette

Detaljer

Kap. 5 Egenverdier og egenvektorer

Kap. 5 Egenverdier og egenvektorer Kap. 5 Egenverdier og egenvektorer Egenverdier, egenvektorer og diagonaliserbarhet er sentrale begreper for kvadratiske matriser. Mye er kjent fra tidligere, skal repetere dette og gå videre. Sammenhengen

Detaljer

Løsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding

Løsning av øvingsoppgaver, INF2310, 2005, kompresjon og koding Løsning av øvingsoppgaver, INF230, 2005,. Vi har gitt følgende bilde: kompresjon og koding 0 2 2 2 3 3 3 2 3 3 3 0 2 2 2 3 3 2 2 2 3 2 3 4 4 2 2 3 2 2 3 4 4 2 2 2 3 3 3 4 3 4 a. Finn Huffman-kodingen av

Detaljer

TTT4110 Informasjons- og signalteori Løsningsforslag eksamen 9. august 2004

TTT4110 Informasjons- og signalteori Løsningsforslag eksamen 9. august 2004 Norges teknisknaturvitenskapelige universitet Institutt for elektronikk og telekommunikasjon TTT40 Informasjons- og signalteori Løsningsforslag eksamen 9. august 004 Oppgave (a) Et lineært tidinvariant

Detaljer

Løsningsforslag Eksamen M100 Våren 2002

Løsningsforslag Eksamen M100 Våren 2002 Løsningsforslag Eksamen M00 Våren 00 Oppgave Evaluerer grensen cos( ) 0 ( sin( ) ) 0 6 0 6 5 0 sin( ) 0 sin( ) = Har brukt l Hôpitals regel (derivert teller og nevner hver for seg) i første og tredje overgang.

Detaljer

7.1 forts. Schur triangularisering og spektralteoremet

7.1 forts. Schur triangularisering og spektralteoremet 7.1 forts. Schur triangularisering og spektralteoremet Vi skal vise to svært sentrale resultat i lineær algebra. Spektralteoremet (Teorem 3 i Lay): dette sier bl.a. at reelle symmetriske matriser er ortogonalt

Detaljer

Oppgave 3c Konvolusjonsteoremet: f Λ g, F G og f g, F Λ G F rste del sier at konvolusjon i det romlige domenet (f Λ g) er det samme som pixelvis multi

Oppgave 3c Konvolusjonsteoremet: f Λ g, F G og f g, F Λ G F rste del sier at konvolusjon i det romlige domenet (f Λ g) er det samme som pixelvis multi Oppgave 3a 1 P N 1 N x=0 P N 1 y=0 f (x; y) e j2ß(ux+vy)=n Oppgave 3b 2D diskret konvolusjon for x =0to M for y =0to N h(x; y) =0 for m =0to M for n =0to N h(x; y)+ = f (m; n) Λ g(x m; y n) h(x; y) =h(x;

Detaljer

Heuristiske søkemetoder III

Heuristiske søkemetoder III Heuristiske søkemetoder III Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Eksempel: Bildebehandling, segmentering: Hva er segmentering? Klassisk metode, terskling.

Detaljer

En innføring i Fouriertransformasjon

En innføring i Fouriertransformasjon En innføring i Fouriertransformasjon Matematiske metoder 2 Kristian Wråli, Sivert Ringstad, Mathias Hedberg 0 Innholdsfortegnelse Kapittel Side 0 Innholdsfortegnelse 1 1 Innledning 2 2 Teori 2 2.0 Introduksjon

Detaljer

MÅLING OG VURDERING AV TEKSTUR I VEGOVERFLATER OG KOPLING TIL STØY

MÅLING OG VURDERING AV TEKSTUR I VEGOVERFLATER OG KOPLING TIL STØY MÅLING OG VURDERING AV TEKSTUR I VEGOVERFLATER OG KOPLING TIL STØY Av Svein Å. Storeheier Miljøvennlige vegdekker, 2006-09-14 1 TEXTURE what can be measured The road surface is scanned by a laser system,

Detaljer

En relasjon på en mengde A er en delmengde R A A = A 2. Vi har satt navn på visse egenskaper relasjoner som oppstår i anvendelser ofte kan ha.

En relasjon på en mengde A er en delmengde R A A = A 2. Vi har satt navn på visse egenskaper relasjoner som oppstår i anvendelser ofte kan ha. Forelesning 12 Relasjoner, Dag Normann - 20. februar 2008 Oppsummering En relasjon på en mengde A er en delmengde R A A = A 2. Vi har satt navn på visse egenskaper relasjoner som oppstår i anvendelser

Detaljer

Uke 6: Analyse i frekvensdomenet

Uke 6: Analyse i frekvensdomenet Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/39 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og

Detaljer

STE 6219 Digital signalbehandling Løsningsforslag

STE 6219 Digital signalbehandling Løsningsforslag HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT Side 1 av 3 STE 6219 Digital signalbehandling Løsningsforslag Tid: Fredag 20.04.2007, kl: 09:00-12:00 Tillatte hjelpemidler:

Detaljer

Par-copula konstruksjoner: Et fleksibelt verktøy for å modellere multivariat avhengighet

Par-copula konstruksjoner: Et fleksibelt verktøy for å modellere multivariat avhengighet Par-copula konstruksjoner: Et fleksibelt verktøy for å modellere multivariat avhengighet Foredrag for Norsk ASTIN-gruppe (NAG) Lysaker, 14. November, 2010 Kjersti Aas Norsk Regnesentral Innhold Innledning

Detaljer

Lineær algebra-oppsummering

Lineær algebra-oppsummering Kapittel 9 Lineær algebra-oppsummering Matriser 1 Matriser er et rektangulært sett av elementer ordnet i rekker og kolonner: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij m n a m1 a n2 a mn 2 Kvadratisk matrise:

Detaljer

Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling

Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).

Detaljer

TMA4329 Intro til vitensk. beregn. V2017

TMA4329 Intro til vitensk. beregn. V2017 Norges teknisk naturvitenskapelige universitet Institutt for Matematiske Fag TMA439 Intro til vitensk. beregn. V17 ving 4 [S]T. Sauer, Numerical Analysis, Second International Edition, Pearson, 14 Teorioppgaver

Detaljer

Forelesning 4 STK3100

Forelesning 4 STK3100 ! * 2 2 2 Bevis : Anta Forelesning 4 STK3 september 27 S O Samuelsen Plan for annen forelesning: Likelihood-egenskaper 2 Konsistens for ML 3 Tilnærmet fordeling for ML 4 Likelihoodbaserte tester 5 Multivariat

Detaljer

Sensitivitet og kondisjonering

Sensitivitet og kondisjonering Sensitivitet og kondisjonering Gitt en lineær likningssystem Ax = b vi skal studere effekten av perturbasjoner av input data: 1/19 på output data: Man kan A, b x perturbere bare b perturbere b og A samtidig.

Detaljer

Newtons interpolasjon og dividerte differanser

Newtons interpolasjon og dividerte differanser Newtons interpolasjon og dividerte differanser Gitt (x i, y i ), for i = 0, 1,..., n, Newtons basis funksjoner er definert som 1/16 j 1 π j (x) = (x x 0 )(x x 1 ) (x x j 1 ) = (x x k ) for j = 1,..., n

Detaljer

Disjunkte mengder ADT

Disjunkte mengder ADT Binære relasjoner A A = {(x, y) x, y A}: mengden av ordnede par over A. Disjunkte mengder ADT Weiss kap. 8.1 8.5 Løser ekvivalensproblemet Lett og rask implementasjon Vanskelig tidsforbrukanalyse Ark 1

Detaljer

Kapittel 3. Basisbånd demodulering/deteksjon. Avsnitt 3.1-3.2

Kapittel 3. Basisbånd demodulering/deteksjon. Avsnitt 3.1-3.2 Kapittel 3 Basisbånd demodulering/deteksjon Avsnitt 3.1-3.2 Basisbånd demodulering & deteksjon Basisbånd: Ingen bærebølgefrekvens Også en modell med ideell oppkonvertering av frekvens i senderen, og ideell

Detaljer

MAT3000/ Våren 2013 Obligatorisk oppgavesett nr. 2 Løsningsskisse

MAT3000/ Våren 2013 Obligatorisk oppgavesett nr. 2 Løsningsskisse MAT3000/4000 - Våren 2013 Obligatorisk oppgavesett nr. 2 Løsningsskisse Oppgave 1 Din offentlig nøkkel er N = 377 og a = 269, mens lederen av klubben har valgt N = 1829 og a = 7. Passordet som du har mottatt

Detaljer

En (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x).

En (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x). Funksjoner En (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x). Mengden D kalles definisjonsmengden (eng.: domain) til f. Merknad Dersom

Detaljer