Igenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program
|
|
- Karl Olofsson
- för 8 år sedan
- Visningar:
Transkript
1 Igenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program Jerker Björkqvist September Introduktion I detta arbete undersökts hur klassificering av bilddata kan göras med ett Kohonen-nätverk. Tidigare har liknande arbete gjorts med Hopfield-nätverk, där problemet dock var att datan måste presenteras i binär form. Kohonennätverkets kan å andra sidan behandla mer generell data (flyttal). Detta gör det möjligt att behandla bilder med gråtoner (och i princip även färger), samt även behandla transformationer av bilder, där man istället för en spatiella informationen kartlägger t.ex. frekvensinnehållet i bilden. I samband med jobbet utvecklades ett program wnnet för att följa med hur ett Kohonen-nätverk beter sig vid träningen. 2 Kohonen nätverk I ett Kohonen nätverk strävar man att karakterisera indatan med hjälp av färre dimensioner än den har från början, ofta i två dimensioner. Detta kallas ofta även för Self-Organizing Map (SOM), eller självorganiserad karta. Noderna i detta nätverk har en närhet till varandra som definieras av deras placering i kartan. Till varje nod i associeras en viktvektor w i med samma dimension som inputvektorn x. Avståndet mellan två noder ioch j har ett definierat värde, om t.ex. noderna är placerade i två dimensioner, varvid positionen kan ges som (x i,y i ) ges av den euklidiska normen d = (x i x j ) 2 +(y i y j ) 2 (1) Idén med ett Kohonennätverk är nu att noder som ligger nära varandra också skall ha viktmatriser som påminner om varandra. Genom att undersöka vilken 1
2 nod som ligger bäst motsvarar en given input, kan vi klassificera en input. Den nod i som ligger närmast ges av i =argmin i x w i (2) Innan nätverket kananvändas förklassificering bör det tränas. Detta görs genom följande steg: 1. Sätt viktvektorns w i element w ij slumpmässigt för alla noder i 2. Presentera en inputvektor x och avgör vilken nod i som ligger närmast genom att använda uttryck 2 3. Uppdatera nodernas vikter enligt w ij (t +1)=α(t)e d/ρ(t) (x j (t) w ij (t)) (3) 4. Om ej max iterationer uppnåtts, gå till 2) Funktionen α(t) beskriver hur uppdateringen av noder avtar med tiden, eftersom man vill att inlärningen småningom avtar. Likaså önskar man att den grannskap som berörs av av uppdateringarna avtar både med avstånd till noden i samt tiden. Tidsberoende för det senare beskrivs med funktionen ρ(t). 3 Klassificering av bilder m.h.a. Kohonen nätverk Emedan ett Kohonen-nätverk förmår klassificera inputdata testar vi här huruvida en klassificering av bilder fungerar. Härvid måste bilden representeras av en vektor. Enklast gör vi detta genom att representera en tvådimensionell bild som en datavektor genom att låta ett värde mellan 0 och 1 representera gråheten i varje pixel, då vi radvis går igenom bilden. T.ex. den svartvita bilden representerande ett T blir således x = { 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0}. 2
3 4 Test med svartvita bilder Ett nätverk bestånden av 10x10 noder användes för klassificeringen av svartvita bilder av storleken 64x64 pixel. Först tränades nätverket enligt träningsbilder i figur 1. Figur 1: Bilder för träning Träningen genomfördes med α(t) = 1/t samt ρ(t) = 10/t. Varje bild vektor fick i tur och ordning fungera som insignal, denna procedur upprepades för t =1,...,100. Antalet träningar var aningen litet, men p.g.a. av vektorns storlek (4096 element) så var den relativt tidskrävande redan för 100 iterationer. Efter att nätverket tränats, gjordes följande försök: en av bilderna genomgick en scrambling, vilket innebar att elementen i vektorn med sannolikheten β = 0, 0.1, övergick till från värde 1 till 0 respektive 0 till 1. En sådan serie ses i figur 2. I figur 3 ses den klassificering som nätet gör. Eftersom startbilden i detta fall motsvarar bild 4, borde d 4 vara minst. Vi ser att till scrambling upp till 0.3 verkar klassificering fungera relativt bra. Figur 2: Startfigurer med olika scramblingsannolikheter 0.1, 0.3, 0.5, 0.7, 0.9 En motsvarande serie ses i figur 4. I figur 5 ses klassificeringen som nätet gör. Nu är startbilden bild nummer 2, vi ser att klassificeringen stämmer väl upp till och med β =0.3. I figur 6 visas 6 bilder som är modifierade. De bilder som är uppebara är de som är uppochner samt de bilder där en del av bilden saknas. Bild nr 2 från väster är modifierad så att bilden är flyttat till höger ett antal pixel. Motsvarande resultat ses i figur 6. Nu ser vi att uppochnervända och flyttade bilder verkar visa dålig klassificering. Däremot är klassificeringen av ofullständiga bilder nöjaktig (ena fallet blev det rätt, andra fallet grannnoden ). 3
4 Figur 3: Klassificering av scramblade bilder, bilder som använts flr träning på sidorna Figur 4: Startfigurer med olika scramblingsannolikheter 0.1, 0.3, 0.5, 0.7, Test med gråskalade bilder De gråskalade bilderna representerades så att varje pixel fick ett värde mellan 0 och 1 där detta värde representerade gråheten. Nätverket tränades bilder enligt figur 8. Bilderna modifierades på olika sätt enligt figur 11. Igen är de uppochnervända bilderna uppenbara, medan bild nr 2 är flyttat i sidled, vilket inte ses direkt från figuren. Resultatet för motsvarande klassificering ses i figur??. Igen ser vi att de ofullständiga bilderna ger bra klassificering (2 av 3 rätt), medan uppochnervända och flyttade bilder ger betydligt sämre klassificering. 4
5 Figur 5: Klassificering av scramblade bilder, bilder som använts flr träning på sidorna Figur 6: Modifierade startbilder 6 Program för visualisering av Kohonen nätverk Ett Kohonen-nätverk klassificerar som tidigare nämnt vektorer. För att visualisera detta byggdes ett dataprogram som klassificerar gråskalade bilder och visar resultaten. Vi använder som inputvektor x en tvådimensionell matris där varje element motsvaras av gråheten hos motsvarande pixel i bilden. Vi har motsvarande viktvektorer w i för varje nod i idenm nstora nodkartan. Vi kan nu konstatera att i vilket skede som helst av träningen kan dessa vikmatrisen åskådliggöras av motsvarande bilder. Då vi visualiserar detta får vi ett rutfält av bilder där varje bild representerar viktvektorn i motsvarande nod. Detta visas i figur??. Genom att för varje träningsiteration rita upp bilder, kan vi mycket väl följa med hur Kohonen-nätverket beter sig då det tränas. 5
6 Figur 7: Klassificering av modifierade bilder, bilder som använts flr träning på sidorna Figur 8: Gråskalade bilder för träning Figur 9: Modifierade startbilder 6.1 Användning av programmet Programmet fungerar både i Win32 och Linux-omgivning. Programmet är grafiskt och typisk användning sker genom följande steg. 1. Programmet startas med kommandot wnnet. Programmet öppnas med en tom skärm, (fig 12). 6
7 Figur 10: Klassificering av modifierade bilder, bilder som använts flr träning på sidorna Figur 11: Rutfält med bilder 2. Genom File- Load från menyn öppnar man en fildialog. I denne väljs de bilder man vill träna med. Bilderna skall vara av typ BMP. Man väljer valfritt antal bilder. Alla bilder skalas, oberoende av ursprungsstorlek till gråskalade bitkartor av storleken 64x64 pixels. 3. Träningen startas genom Train- Start. Dialogen Network parameters visas. I denna väljer man nätverkets storlek, träningsparametrar samt antalet iterationer. Genom att trycka på Ok startas träningen. 7
8 4. Under träningen visas hur ur viktvektorerna utvecklas. 5. Då träningen är färdig kan man välja en bild genom Evaluate- Evaluate bitmap... för att se vilket nod som bäst motsvarar den valda bilden. Figur 12: Huvudfönster för programmet 6.2 Träningsparametrar Genom dialogen 13 väljer man parametrar för träningen. Vid varje iteration uppdateras viktvektorerna genom uttrycket Figur 13: Dialogbox för parameterinställning w ij (t +1)=α(t)e d/ρ(t) (x j (t) w ij (t)) (4) där α(t) = a/t samt ρ(t) = b/t. Vi får således w ij (t +1)=a/te dt/b (x j (t) w ij (t)) (5) 8
9 Vi har med andra ord parametrarna a samt b. Vihardessutommöjligheten att genom att specificera a =0såfår vi istället α(t) =1,varvidvifår den förenklade uppdateringen w ij (t +1)=e dt/b (x j (t) w ij (t)) (6) Vi har dessutom möjlighet att träna med hjälp av transformerad data ( Use transformation ), enligt metoderna i Test med bildserie I följande exempel används 9 bilder som träningsvektorer. Träningen genomförs i 100 iterationer med parametrarna a =10samtb= 50. Det valda nätverket har storleken 7 7 noder. Resultatet av träningen efter 8, 33, 60 samt 100 iterationer visas i figur 14. Figur 14: Viktmatriser efter 8,33,60 samt 100 iterationer 9
10 6.4 Nerladdning av programmet Programmet finns att nerladda på addressen jbjorkqv/wnnet. 7 Igenkänning av flyttade bilder I det tidigare avsnittet noterades att bilder som flyttats eller speglats var svåra att känna igen för nätverket. Intiuitivt kunde orsaken vara att eftersom bilden flyttas, kommer den vektor som beskriver bilden också att förskjutas så att det kan vara mycket svårt att efter detta klassificera vektorn. Ett sätt att undvika detta kunde vara att beskriva bilddatan med annan än spatiell information. Ett sätt är att med en vektor bestämma frekvensinnehållet i en bild, vilket inte nämnvärt borde ändra ävenom bilden flyttas. Frekvensinnehållet i en datavektor kan analyseras med den diskreta cosinustransformen, definierad enligt 7.1 Fourieranalys Fourieranalys spelar en stor roll vid signalbehandling, både analog och digital. Fundamentalt säger fouriranalysen att en godtycklig signal kan ses som sammansatta sinusvågor. Vi låter x(t) vara en periodisk funktion med perioden T 0, såatt x(t+t 0 )=x(t) (7) Då kan x(t) uttryckas som en summa av sinus- och cosinusfunktioner enligt x(t) = a ( ) 2πkt a k cos + k=1 T 0 ( ) 2πkt b k cos k=1 T 0 (8) Vanligen ges cosinus- och sinusfunktionerna med hjälp av exponentialfunktionen, e jθ =cosθ+jsin θ (9) Vi kan då skriva x(t) = c k e jkω0t (10) k= 10
11 där frekvensen ω 0 ges av ω 0 = 2π T 0. Vi är nu intresserade av att hitta de (komplexvärda) koefficienterna c k.utan härledning här ges dessa enligt c k = 1 T0 x(t)e jkω0t dt (11) T 0 0 Om signalen är icke-periodisk,dvs T 0,sågår grundfrekvensen ω 0 0. Detta leder till att vi istället för en funktion som definierar spektraldensiteten X(ω) = vilket kallas Fouriertransformen av x(t). x(t)e jωt dt (12) 7.2 Diskret cosinustransform Då vi har en diskret funktion x(n) kan vi använda den diskreta Fouriertransformen, där koefficienterna c k ges av X k = N 1 n=0 x n )e j2πkn N (13) där N är längden på insignalsvektorn x. Vi ser att eftersom vi endast hade diskreta värden på insignalen x n,såintegralenövergått i en summation. Vi kan igen konstatera att koefficienterna i X k är komplexvärda. Detta betyder att beräkningarna är relativt arbetsdryga. Därför används ofta en annan transformation, den diskreta cosinustransformationen DCT, som är definierad enligt där N 1 c k = ν(k) x(n)cos n=0 ( πk(n +1/2) N ), k =1,...N (14) ν(k) = { 1 N, om k =0 2 N, om k 0 (15) 11
12 7.3 DCT i 2 dimensioner Hittills har vi behandlat räckor i en dimension. Bilder representeras i två dimensioner, och härvid måste transformationen förändras. Nu ges c u,v = ν(u)ν(v) N 1 N 1 m=0 n=0 [ πu(m +1/2) x m,n cos N ] cos [ ] πv(n +1/2) N (16) Ipraktikenär alltså 2d DCT en endimensionell DCT som appliceras på data två gånger, först i x-led sedan i y-led. Detta leder till att komplexiteten vid beräkningarna är stor för stora bilder. För att kunna utföra beräkningar i matrisform kan den 2d DCT också skrivas C=A T XA (17) där [ ] (m+1/2)nπ a m,n = ν(n)cos N (18) Figur 15: Ursprungsbilden till vänster 70x70 punkter, motsvarande koefficientmatris efter DCT till höger Vi kan nämna att för t.ex. JPEG bildkompression delas bilden upp i underblock av storleken 8x8 pixel (eller 16x16 pixel) före DCT och vidare behandling. 12
Signaler några grundbegrepp
Kapitel 2 Signaler några grundbegrepp I detta avsnitt skall vi behandla några grundbegrepp vid analysen av signaler. För att illustrera de problemställningar som kan uppstå skall vi först betrakta ett
Läs merTeori... SME118 - Mätteknik & Signalbehandling SME118. Johan Carlson 2. Teori... Dagens meny
Tidigare har vi gått igenom Fourierserierepresentation av periodiska signaler och Fouriertransform av icke-periodiska signaler. Fourierserierepresentationen av x(t) ges av: där a k = 1 T + T a k e jkω
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 30 januari 2015 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs merSamtidig visning av alla storheter på 3-fas elnät
Samtidig visning av alla storheter på 3-fas elnät Med nätanalysatorerna från Qualistar+ serien visas samtliga parametrar på tre-fas elnätet på en färgskärm. idsbaserad visning Qualistar+ visar insignalerna
Läs merTEM Projekt Transformmetoder
TEM Projekt Transformmetoder Utförs av: Mikael Bodin 19940414 4314 William Sjöström 19940404 6956 Sammanfattning I denna laboration undersöks hur Fouriertransformering kan användas vid behandling och analysering
Läs merProjekt 3: Diskret fouriertransform
Projekt 3: Diskret fouriertransform Diskreta fouriertransformer har stor praktisk användning inom en mängd olika områden, från analys av mätdata till behandling av digital information som ljud och bildfiler.
Läs merProjekt 2 (P2) Problembeskrivning och uppdragsspecifikation
Projekt 2 (P2) Problembeskrivning och uppdragsspecifikation Projekt 2 Möjligheter/Problem med 2-dimensionella mätdata Uppstart: Se planen (kursens hemsida) Etapp 1 Mätdata i 2 dimensioner behöver utredas/signalbehandlas
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-08-22 kl. 4-8 Lokaler: G36 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 6.00. tel 0702/33 79 48 Hjälpmedel: Räknedosa, OH-film, medskickad
Läs merNumerisk lösning till den tidsberoende Schrödingerekvationen.
Numerisk lösning till den tidsberoende Schrödingerekvationen. Det är enbart i de enklaste fallen t ex när potentialen är sträckvis konstant som vi kan lösa Schrödingerekvationen analytiskt. I andra fall
Läs merHemuppgift 1, SF1861 Optimeringslära, VT 2017
Hemuppgift 1, SF1861 Optimeringslära, VT 2017 Examinator: Krister Svanberg, tel: 790 7137, krille@math.kth.se. Labassistent: David Ek, daviek@kth.se, Lämnas i Matematiks svarta postlåda (SF) för inlämningsuppgifter,
Läs mer1.1 MATLABs kommandon för matriser
MATLABs kommandon för matriser Det finns en mängd kommandon för att hantera vektorer, matriser och linjära ekvationssystem Vi ger här en kort sammanfattning av dessa kommandon För en mera detaljerad diskussion
Läs merDT1120 Spektrala transformer för Media Tentamen
DT Spektrala transformer för Media Tentamen 77 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: 3:9 p, 4: 3 p, 5: 7 p Tillåtna hjälpmedel: räknare,
Läs mer2320 a. Svar: C = 25. Svar: C = 90
2320 a Utgå ifrån y = sin x Om vi subtraherar 25 från vinkeln x, så kommer den att "senareläggas" med 25 och således förskjuts grafen åt höger y = sin(x 25 ) Svar: C = 25 b Utgå ifrån y = sin x Om vi adderar
Läs merTAMS79: Föreläsning 10 Markovkedjor
TAMS79: Föreläsning 0 Markovkedjor Johan Thim december 08 0. Markovkedjor Vi ska nu betrakta en speciell tidsdiskret diskret stokastisk process, nämligen Markovkedjan. Vi börjar med en definition Definition.
Läs merLaboration: Grunderna i MATLAB
Laboration: Grunderna i MATLAB 25 augusti 2005 Grunderna i MATLAB Vad är MATLAB? MATLAB är ett interaktivt program för vetenskapliga beräkningar. Som användare ger du enkla kommandon och MATLAB levererar
Läs merResttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19
Resttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19 Tillåtna hjälpmedel: Valfri miniräknare (utan möjlighet till trådlös kommunkation). Valfri litteratur, inkl. kursböcker, formelsamlingar.
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB Redovisning Lös först uppgifterna i Matlab. Då du har en
Läs mer1 Minkostnadsflödesproblem i nätverk
Krister Svanberg, april 2012 1 Minkostnadsflödesproblem i nätverk Ett nätverk består av en given mängd noder numrerade från 1 till m (där m är antalet noder) samt en given mängd riktade bågar mellan vissa
Läs merLaboration i Fourieroptik
Laboration i Fourieroptik David Winge Uppdaterad 4 januari 2016 1 Introduktion I detta experiment ska vi titta på en verklig avbildning av Fouriertransformen. Detta ska ske med hjälp av en bild som projiceras
Läs merFrekvensplanet och Bode-diagram. Frekvensanalys
Frekvensplanet och Bode-diagram Frekvensanalys Signaler Allt inom elektronik går ut på att manipulera signaler genom signalbehandling (Signal Processing). Analog signalbehandling Kretsteori: Nod-analys,
Läs merVektorer, matriser, nätverk - några elementa
Vektorer, matriser, nätverk - några elementa Innehåll: Vektorer Radvektorer och kolumnvektorer Operationer med vektorer Input- och outputvektorer i neurala nätverk Utvikning om kompetitiva nät Matriser
Läs merHemuppgift 1, SF1861 Optimeringslära för T
Hemuppgift 1, SF1861 Optimeringslära för T Examinator: Per Enqvist, tel: 790 6298, penqvist@math.kth.se. Assistenter: Amol Sasane, sasane@math.kth.se, Mikael Fallgren, werty@kth.se. Lämnas in till någon
Läs merFlerdimensionella signaler och system
Luleå tekniska universitet Avd för signalbehandling Magnus Sandell (reviderad av Frank Sjöberg) Flerdimensionell signalbehandling SMS033 Laboration 1 Flerdimensionella signaler och system Syfte: Den här
Läs merSignalanalys med snabb Fouriertransform
Laboration i Fourieranalys, MVE030 Signalanalys med snabb Fouriertransform Den här laborationen har två syften: dels att visa lite på hur den snabba Fouriertransformen fungerar, och lite om vad man bör
Läs mere 3 e 2 e 1 Kapitel 3 Vektorer i planet och i rummet precis ett sätt skrivas v = x 1 e 1 + x 2 e 2
Kapitel 3 Vektorer i planet och i rummet B e 3 e 2 A e 1 C Figur 3.16 Vi har ritat de riktade sträckor som representerar e 1, e 2, e 3 och v och som har utgångspunkten A. Vidare har vi skuggat planet Π
Läs merMatriser och vektorer i Matlab
CTH/GU LABORATION 2 TMV157-2014/2015 Matematiska vetenskaper Matriser och vektorer i Matlab 1 Inledning Först skall vi se lite på matriser, vilket är den grundläggande datatypen i Matlab, sedan skall vi
Läs merTentamen i Beräkningsvetenskap I/KF, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Teknisk databehandling Tentamen i Beräkningsvetenskap I/KF, 5. hp, 215-3-17 Skrivtid: 14 17 (OBS! Tre timmars skrivtid!) Hjälpmedel: Bifogat
Läs merTentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl
Tentamen i TMA 982 Linjära System och Transformer VV-salar, 27 aug 2013, kl 8.30-12.30 Examinatorer: Lars Hammarstrand och Thomas Wernstål Tentamen består av två delar (Del I och Del II) på sammanlagt
Läs merLINJÄR ALGEBRA II LEKTION 6
LINJÄR ALGEBRA II LEKTION 6 JOHAN ASPLUND INNEHÅLL 1 Inre produktrum 1 2 Cauchy-Schwarz olikhet 3 3 Ortogonala projektioner och Gram-Schmidts process 3 4 Uppgifter 4 61:13(a) 4 61:23(a) 4 61:29 5 62:7
Läs merObligatoriska uppgifter i MATLAB
Obligatoriska uppgifter i MATLAB Introduktion Följande uppgifter är en obligatorisk del av kursen och lösningarna ska redovisas för labhandledare. Om ni inte använt MATLAB tidigare är det starkt rekommenderat
Läs merLaplace, Fourier och resten varför alla dessa transformer?
Laplace, Fourier och resten varför alla dessa transformer? 1 Bakgrund till transformer i kontinuerlig tid Idé 1: Representera in- och utsignaler till LTI-system i samma basfunktion Förenklad analys! Idé
Läs merDIGITAL KOMMUNIKATION
EN KOR SAMMANFANING AV EORIN INOM DIGIAL KOMMUNIKAION Linjär kod En binär linjär kod kännetecknas av att summan av två kodord också är ett kodord. Ett specialfall är summan av ett kodord med sig själv
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merFöreläsning 7. Felrättande koder
Föreläsning 7 Felrättande koder Antag att vi vill skicka ett meddelande som består av bokstäver a,b,c,d. Vi kan koda a,b,c,d. Antag att det finns en viss sannolikhet att en bit i ett meddelande som skickas
Läs meri(t) C i(t) = dq(t) dt = C dy(t) dt y(t) + (4)
2 Andra lektionen 2. Impulssvar 2.. En liten krets Beräkna impulssvaret för kretsen i figur genom att beräkna hur y(t) beror av x(t). R x(t) i(t) C y(t) Figur : Första ordningens lågpassfilter. Utsignalen
Läs merLinjära ekvationssystem
Föreläsning 3 Linjära ekvationssystem Gausselimination Vanlig gausselimination för det linjära ekvationssystemet Ax = b utgår från den utökade matrisen [A b] och applicerar elementära radoperationer på
Läs mer2. Lös ekvationen z i = 2 z + 1 och ge i det komplexa talplanet en illustration av lösningsmängden.
MÄLARDALENS HÖGSKOLA Akademin för utbildning, kultur och kommunikation Avdelningen för tillämpad matematik Examinator: Lars-Göran Larsson TENTAMEN I MATEMATIK MAA3 Grundläggande vektoralgebra, TEN6 alt.
Läs merIndex. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26
TAIU07 Föreläsning 2 Index. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26 Matriselement och Index För att manipulera
Läs merFöreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA5 Institutionen för teknik och naturvetenskap Linköpings universitet
Läs mer3 Man kan derivera i Matlab genom att approximera derivator med differenskvoter. Funktionen cosinus deriveras för x-värdena på följande sätt.
Kontrolluppgifter 1 Gör en funktion som anropas med där är den siffra i som står på plats 10 k Funktionen skall fungera även för negativa Glöm inte dokumentationen! Kontrollera genom att skriva!"#$ &%
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs mer5B1146 med Matlab. Laborationsr. Laborationsgrupp: Sebastian Johnson Erik Lundberg, Ann-Sofi Åhn ( endst tal1-3
1 Revision 4 2006-12-16 2. SIDFÖRTECKNING 5B1146 med Matlab Laborationsr Laborationsgrupp: Sebastian Johnson, Ann-Sofi Åhn ( endst tal1-3 Titel Sida 1. Uppgift 1.8.1....3 2. Uppgift 1.8.2....6 3. Uppgift
Läs merOmtentamen i DV & TDV
Umeå Universitet Institutionen för Datavetenskap Gunilla Wikström (e-post wikstrom) Omtentamen i Teknisk-Vetenskapliga Beräkningar för DV & TDV Tentamensdatum: 2005-06-07 Skrivtid: 9-15 Hjälpmedel: inga
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Vektorer i planet och i rummet III Innehåll
Läs merMatriser och linjära ekvationssystem
Linjär algebra, AT3 211/212 Matematiska vetenskaper Matriser och linjära ekvationssystem Matriser En matris är som ni redan vet ett rektangulärt talschema: a 11 a 1n A = a m1 a mn Matrisen ovan har m rader
Läs merAtt beräkna:: Avstånd
Att beräkna:: Avstånd Mikael Forsberg :: 27 november 205 Innehåll Punkter, linjer och plan, en sammanställning 2. Punkter i två och tre dimensioner....................... 2.2 Räta linjer i två och tre
Läs merLinjära ekvationssystem
Linjära ekvationssystem Gausselimination Vanlig gausselimination för det linjära ekvationssystemet Ax = b utgår från den utökade matrisen [A b] och applicerar elementära radoperationer på denna för att
Läs merBildbehandling i frekvensdomänen
Uppsala Tekniska Högskola Signaler och system Handledare: Mathias Johansson Uppsala 2002-11-27 Bildbehandling i frekvensdomänen Erika Lundberg 800417-1602 Johan Peterson 790807-1611 Terese Persson 800613-0267
Läs merFaltningsreverb i realtidsimplementering
Faltningsreverb i realtidsimplementering SMS45 Lp1 26 DSP-system i praktiken Jörgen Anderton - jorand-3@student.ltu.se Henrik Wikner - henwik-1@student.ltu.se Introduktion Digitala reverb kan delas upp
Läs merLaboration i Fourieranalys, TMA132 Signalanalys med snabb Fouriertransform
Laboration i Fourieranalys, TMA132 Signalanalys med snabb Fouriertransform Den laborationen har syften: dels att visa lite hur den snabba Fouriertransformen fungerar, och lite om vad man den an dels att
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Datorlektion 2. Villkor och Repetition 1 Logiska uttryck Uppgift 1.1 Låt a=3 och b=6 Vad blir resultatet av testerna ab? Uppgift 1.2 Låt a, b,
Läs mer1 De fyra fundamentala underrummen till en matris
Krister Svanberg, mars 2012 1 De fyra fundamentala underrummen till en matris 1.1 Definition av underrum En given delmängd M av IR n säges vara ett underrum i IR n om följande gäller: För varje v 1 M,
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 6 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merUlrik Söderström 20 Jan Signaler & Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 20 Jan 2009 Signaler & Signalanalys Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs merUlrik Söderström 19 Jan Signalanalys
Ulrik Söderström ulrik.soderstrom@tfe.umu.se 9 Jan 200 Signaler & Signalanalys l Sinusspänning Sinus och cosinus samma form men fasförskjutna Fasförskjutning tidsfördröjning Sinus och cosinus är väldigt
Läs merDT1130 Spektrala transformer Tentamen
DT3 Spektrala transformer Tentamen 5 Tentamen består av fem uppgifter där varje uppgift maximalt ger p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs mer4.4. Mera om grafiken i MATLAB
4.4. Mera om grafiken i MATLAB Larry Smarr, ledare för NCSA (National Center for Supercomputing Applications i University of Illinois, brukar i sina föredrag betona betydelsen av visualisering inom den
Läs merLösningar till linjära problem med MATLAB
5B1146 - Geometri och algebra Mikrolelektronik, TH ista ösningar till linjära problem med MATAB Av: oel Nilsson, alikzus@home.se atrik osonen, pkosonen@kth.se 26-12-4 roblem 1 Man ska bestämma ett tredjegradspolynom:
Läs merSF1635, Signaler och system I
SF65, Signaler och system I Tentamen tisdagen 4--4, kl 8 Hjälpmedel: BETA Mathematics Handbook. Formelsamling i Signalbehandling rosa), Formelsamling för Kursen SF65 ljusgrön). Obs : Obs : Obs : Obs 4:
Läs merMätningar med avancerade metoder
Svante Granqvist 2008-11-12 13:41 Laboration i DT2420/DT242V Högtalarkonstruktion Mätningar på högtalare med avancerade metoder Med datorerna och signalprocessningens intåg har det utvecklats nya effektivare
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Hjälpmedel: MATLAB
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Hjälpmedel: MATLAB Redovisning Lös först uppgifterna i Matlab. Då du har en
Läs mer8. Euklidiska rum 94 8 EUKLIDISKA RUM
94 8 EUKLIDISKA RUM 8. Euklidiska rum Definition 8.. En skalärprodukt på vektorrummet V är en funktion som till varje par av element u och v i V ordnar ett reellt tal u v eller u v med följande egenskaper:.
Läs merLaboration 4: Digitala bilder
Objektorienterad programmering, Z : Digitala bilder Syfte I denna laboration skall vi återigen behandla transformering av data, denna gång avseende digitala bilder. Syftet med laborationen är att få förståelse
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Laboration 3. Linjär algebra Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion 2 En Komet Kometer rör sig enligt ellipsformade
Läs merDT1130 Spektrala transformer Tentamen
DT Spektrala transformer Tentamen 72 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: E: 9 p, D:.5 p, C: 4 p, B: 6 p, A: 8 p Tillåtna hjälpmedel:
Läs merMoment Viktiga exempel Övningsuppgifter
Moment Viktiga exempel Övningsuppgifter Inga Inga Inga Linjära ekvationssystem Vi har redan tidigare i kursen stött på linjära ekvationssystem. Nu är stunden kommen till en mera systematisk genomgång.
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://w3.msi.vxu.se/users/pa/vektorgeometri/gymnasiet.html Institutionen för datavetenskap, fysik och matematik Linnéuniversitetet Vektorer i planet
Läs mer1 Kvadratisk optimering under linjära likhetsbivillkor
Krister Svanberg, april 0 Kvadratisk optimering under linjära likhetsbivillkor I detta kapitel behandlas följande kvadratiska optimeringsproblem under linjära likhetsbivillkor: xt Hx + c T x + c 0 då Ax
Läs merTillämpad Fysik Och Elektronik 1
FREKVENSSPEKTRUM (FORTS) TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 ICKE-PERIODISKA FUNKTIONER Icke- periodiska funktioner kan betraktas som periodiska, med oändlig periodtid P. TILLÄMPAD FYSIK
Läs mer5 Linjär algebra. 5.1 Addition av matriser 5 LINJÄR ALGEBRA
5 LINJÄR ALGEBRA 5 Linjär algebra En kul gren av matematiken som inte fått speciellt mycket utrymme i gymnasiet men som har många tillämpningsområden inom t.ex. fysik, logistik, ekonomi, samhällsplanering
Läs merFöreläsning 13 Innehåll
Föreläsning 13 Innehåll Exempel på problem där materialet i kursen används Hitta k största bland n element Histogramproblemet Schemaläggning PFK (Föreläsning 13) VT 2013 1 / 15 Hitta k största bland n
Läs merFaktorisering med hjälp av kvantberäkningar. Lars Engebretsen
Faktorisering med hjälp av kvantberäkningar Lars Engebretsen 00-1-03 Lars Engebretsen 00-1-03 Bakgrund Vanliga datorer styrs av klassiska fysikens lagar. Vanliga datorer kan simuleras av turingmaskiner
Läs merMatriser och linjära ekvationssystem
Linjär algebra, I1 2011/2012 Matematiska vetenskaper Matriser och linjära ekvationssystem Matriser En matris är som ni vet ett rektangulärt talschema: a 11 a 1n A = a m1 a mn Matrisen ovan har m rader
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 2. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 2 Marco Kuhlmann Institutionen för datavetenskap Förra gången: Gradientsökning tangentens lutning i punkt θ steglängdsfaktor Översikt Introduktion
Läs merGrundritning Torpargrund
Grundritning Torpargrund Ritningsnummer Grundritning... 2 Startfil för Grundritning... 3 Inställning för Grundritning... 4 Rita rektangulär torpargrund baserad på två punkter... 6 Fri Yttermur/Hjärtmur...
Läs merLinjära ekvationssystem i Matlab
CTH/GU LABORATION 2 MVE11-212/213 Matematiska vetenskaper Linjära ekvationssystem i Matlab 1 Inledning Först skall vi se lite på matriser, vilket är den grundläggande datatypen i Matlab, sedan skall vi
Läs merSjälvkoll: Ser du att de två uttrycken är ekvivalenta?
ANTECKNINGAR TILL RÄKNEÖVNING 1 & - LINJÄR ALGEBRA För att verkligen kunna förstå och tillämpa kvantmekaniken så måste vi veta något om den matematik som ligger till grund för formuleringen av vågfunktionen
Läs merGrundritning Platta på mark
Grundritning Platta på mark Inställning för grund i vån. 1 av projektet... 2 Ritningsnummer Grundritning... 4 Startfil för Grundritning... 4 Inställning för Grundritning... 5 Grundritning för golvvärme
Läs merLinjär algebra med tillämpningar, lab 1
Linjär algebra med tillämpningar, lab 1 Innehåll Per Jönsson Fakulteten för Teknik och Samhälle, 2013 Uppgifterna i denna laboration täcker kapitel 1-3 i läroboken. Läs igenom motsvarande kapitel. Sitt
Läs merExempel :: Spegling i godtycklig linje.
c Mikael Forsberg oktober 009 Exempel :: Spegling i godtycklig linje. abstract:: I detta dokument så är vårt uppdrag att beräkna matrisen för spegling i en godtycklig linje y = kx som går genom origo.
Läs merGoogles sidrankning - linjär algebra värt en förmögenhet
Googles sidrankning - linjär algebra värt en förmögenhet Outline 1 Sökmotorer 2 Grafteori Linjär algebra 3 Målet Utifrån användarens sökord lista de mest relevanta webbsidorna. Dessutom i en ordning som
Läs merSpektrala Transformer
Spektrala Transformer Kurssammanfattning Fyra kärnkoncept Sampling Faltning Poler och nollställen Fouriertransform Koncept #1: Sampling En korrekt samplad signal kan rekonstrueras exakt, dvs ingen information
Läs merUppgift 1 ( Betyg 3 uppgift )
2008-03-25.kl.14-19 Uppgift 1 ( Betyg 3 uppgift ) Du skall skriva ett program (en funktion), my_plot_figure, som läser in ett antal sekvenser av koordinater från tangentbordet och ritar ut dessa till en
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 15-18, 30/11-12/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp ES, gyl, Q, W 0-0-9 Sammanfattning av föreläsningarna 5-8, 30/ - / 0. Z-transformen ska avslutas och sedan blir det tentaförberedelser.
Läs merInställningar i vån.1 av projektet för grund
Grundritning Platta på mark Inställning för grund i vån. 1 av projektet... 2 Väggsammanslagning... 3 Ritningsnummer Grundritning... 4 Startfil för Grundritning... 5 Inställning för Grundritning... 6 Grundritning
Läs merMatriser. En m n-matris A har följande form. Vi skriver också A = (a ij ) m n. m n kallas för A:s storlek. 0 1, 0 0. Exempel 1
Matriser En m n-matris A har följande form a 11... a 1n A =.., a ij R. a m1... a mn Vi skriver också A = (a ij ) m n. m n kallas för A:s storlek. Exempel 1 1 0 0 1, 0 0 ( 1 3 ) 2, ( 7 1 2 3 2, 1 3, 2 1
Läs mer2 = 3 = 1. ekvationssystem är beskriven som de vektorer X = 2 0 1 2. 1 1 0 2
. Tisdagen 35 Igår visade vi att lösningsmängden W R 5 till ekvationssystemet 3x + x 2 + 3x 3 + 2x 4 x 5 = (..) 2x 2 + x 3 + 4x 4 + 2x 5 = 3x 3x 2 + x 3 6x 4 5x 5 = har bas u och u 2 och u 3 där 5 2 6
Läs merOmtentamen i DV & TDV
Umeå Universitet Institutionen för Datavetenskap Gunilla Wikström (e-post wikstrom) Omtentamen i Teknisk-Vetenskapliga Beräkningar för DV & TDV Tentamensdatum: 2006-06-05 Skrivtid: 9-15 Hjälpmedel: inga
Läs merAC-kretsar. Växelströmsteori. Lund University / Faculty / Department / Unit / Document / Date
AC-kretsar Växelströmsteori Signaler Konstant signal: Likström och likspänning (DC) Transienta strömmar/spänningar Växelström och växelspänning (AC) Växelström/spänning Växelström alternating current (AC)
Läs merSpektrala Transformer
Spektrala Transformer Fouriertransformer Fourier Gif mig en wågform och jag skola skrifva den som en summa af sinuswågor! Jean-Baptiste Fourier 768-830 Fouriertransformen Transformerar kontinuerliga signaler
Läs merEXEMPEL 1: ARTVARIATION FÖRELÄSNING 1. EEG frekvensanalys EXEMPEL 2: EEG
FÖRELÄSNING EXEMPEL : ARTVARIATION Kurs- och transform-översikt. Kursintroduktion med typiska signalbehandlingsproblem och kapitelöversikt. Rep av transformer 3. Rep av aliaseffekten Givet: data med antal
Läs merSF1545 Laboration 1 (2015): Optimalt sparande
Avsikten med denna laboration är att: SF1545 Laboration 1 (215: Optimalt sparande - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen, - lösa
Läs mer5.7. Ortogonaliseringsmetoder
5.7. Ortogonaliseringsmetoder Om man har problem med systemets kondition (vilket ofta är fallet), lönar det sig att undvika normalekvationerna vid lösning av minsta kvadratproblemet. En härtill lämplig
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Datorlektion 3. Repetitionssatser och Programmering 1 Introduktion Denna övning syftar till att träna programmering med repetitionssatser och villkorssatser. Undvik
Läs merBayesianska numeriska metoder II
Bayesianska numeriska metoder II T. Olofsson Gibb's sampling Vi har sett att en viktig teknik vid Bayesiansk inferens är s.k marginalisering vilket, för kontinuerliga variabler, innebär att vi integrerar
Läs merLARS ULVELAND HOPFIELDNÄTVERK FÖR IGENKÄNNING AV DEGRADERADE BILDER OCH HANDSKRIVNA TECKEN
LARS ULVELAD HOPFIELDÄTVERK FÖR IGEKÄIG AV DEGRADERADE BILDER OCH HADSKRIVA TECKE E PROJEKTRAPPORT FÖR PROJEKTKURSE I BILDAALYS HT 02 Teori för Hopfieldnätverk Hopfieldmodellen är en typ av neuronnät,
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs mer14. Minsta kvadratmetoden
58 MINSTA KVADRATMETODEN. Minsta kvadratmetoden Eempel.. Det är inte så svårt att komma åt en trasig lampa på golvet för att byta den. Det är bara att gå fram till den. Hur är det om lampan hänger i taket?
Läs merLaboration 1 - Simplexmetoden och Modellformulering
Linköpings universitet Optimeringslära grundkurs för Y Matematiska institutionen Laboration 1 Optimeringslära 30 januari 2013 Laboration 1 - Simplexmetoden och Modellformulering Den första delen av laborationen
Läs mer