Rozpoznávání zájmových bodů na snímku
|
|
- Roman Matějka
- před 5 lety
- Počet zobrazení:
Transkript
1 Proceedings of International Scientific Conference of FME Session 4: Automation Control and Applied Informatics Paper Rozpoznávání zájmových odů na snímku LIČEV, Lačezar 1 1 Ing., CSc, Katedra informatiky, Fakulta elektrotechniky a informatiky, VŠB-TU v Ostravě, tř. 17.listopadu 15, Ostrava-Porua, URL Lacezar.Licev@vs.cz, Astrakt: V příspěvku jsou popsané metody, které yly vyvinuté na Katedře informatiky FEI VŠB TUO. Řešení rozpoznávání zájmových odů na snímku u fotogrammetrických úloh s využitím výpočetní techniky vytváří nový prostor pro rozvoj tohoto odvětví. Vyvinuté metody vytvářejí komfortní prostředí při měření různých ojektů na fotografii pomoci osoního počítače. Klíčová slova: segmentace, prahování, matematická morfologie, eroze, Back Propagation, Kohonenovo učení 1 Rozpoznávání zájmových odů na snímku Rozpoznávání zájmových odů na snímku slouží k nalezení a pak následně k určení hodnoty souřadnic X i,y i. Výsledkem je datový souor těchto hodnot. Na určování polohy jednotlivých odů existuje celá řada algoritmů a metod. Celou tuto prolematiku jsem rozdělil do dvou části. V první části se věnuji prolematice zpracování grafické informace a ve druhé části prolematice nalezení hledaných zájmových odů. 1.1 Segmentace orazu Segmentace orazu je nejdůležitějším a také nejsložitějším krokem v celém postupu vedoucím k analýze osahu zpracovávaných orazových dat. Snahou je rozčlenit oraz do částí, které mají úzkou souvislost s předměty či olastmi reálného světa zachyceného na oraze. Výsledkem mají ýt orazy reálných ojektů, které jsou zachyceny v oraze. Po provedení segmentace nastává další fáze, a to indexování olastí. Indexování je důležité pro odlišení ojektů od see a pro zjištění jejich počtu. Podronější popis je uveden v literatuře (Sojka E., 000) Prahování Prahování je jedna z nejstarších a nejjednodušších metod segmentace orazu a patří také k jedné z nejrychlejších. Ve většině případů vystupují ojekty z pozadí, čímž je myšleno, že jasové (arevné) hodnoty pixelů ojektů jsou odlišné od pozadí. Na tomto předpokladu je založena metoda prahování. Jejím principem je najít vhodný práh (hodnota jasu) t, který y oddělil ojekty od pozadí. Výsledkem tohoto procesu je oraz v inárním tvaru, ve kterém mají hodnotu 1 ty pixely, které patří ojektům a hodnotu 0 ty, které patří pozadí.
2 Stanovení prahu metodou nejmenší chyy Hodnotu prahu je většinou těžké vhodně stanovit. Proto yly odvozeny některé metody, které se touto prolematikou zaývají. Stanovení prahu metodou nejmenší chyy je založeno na využití minimalizace pravděpodonosti chyného zařazení pixelů (tzn. že pixel ojektu ude chyně vyhodnocen jako pixel pozadí a naopak). Protože se jedná o statistickou metodu, musíme nejdříve uvést následující předpoklady: pz ( z µ ) 1 = exp (1.1) σ π σ kde pz - normální rozložení hustoty pravděpodonosti jasových úrovní pixelů ojektu µ - střední hodnota σ qz kde qz ν - směrodatná odchylka ( z ν) 1 = exp (1.) τ π τ - normální rozložení hustoty pravděpodonosti jasových úrovní pixelů pozadí - střední hodnota τ - směrodatná odchylka Uvedené předpoklady zavádějí normální rozložení hustoty pravděpodonosti jasových úrovní pixelů ojektů a pozadí. Zde se dopouštíme jisté nepřesnosti, protože hodnoty jasů pixelů jsou nespojité a pouze na určitém rozsahu, který vyplývá ze zavedené implementace (ve většině případů 0-55). θ a podíl odů pozadí 1 θ. Navíc předpokládejme, že pro střední hodnoty platí µ < ν. Hledanou hodnotu prahu označíme t. Dále předpokládejme, že podíl odů ojektů na oraze je θ ( 0 1 ) ude tedy ( ) Or. č. 1.1 Normální rozložení hustot pravděpodonosti pro ojekty a pozadí s naznačeným prahem t, a pravděpodonostmi 1-P(t) a Q(t).
3 Zavedeme další pojmy: P t je pravděpodonost, že od ojektu ude vyhodnocen správně jako od ojektu = Pt t pzdz (1.3) Pravděpodonost jevu, že od ojektu ude vyhodnocen chyně jako od pozadí, je 1 Pt a Q t je pravděpodonost, že od pozadí ude vyhodnocen chyně jako od ojektu = Qt t qzdz (1.4) Pravděpodonost jevu, že od pozadí ude vyhodnocen správně jako od pozadí, je 1 Qt. Celková pravděpodonost chyné detekce je ε. ( 1 ) ( 1 ) ( ) ε = θ Pt + θ Qt (1.5) Snahou je dosáhnout co nejlepších výsledků segmentace, a proto musíme zajistit, ay chya ε yla co možná nejmenší. Tato situace nastane v extrému, kterému odpovídá místo, kde je první derivace nulová. ε θ Pt ( θ) Qt = + 1 t t t = 0 (1.6) Po úpravě dostaneme vztah ( 1 θ) = θ qt pt (1.7) Dalším dosazením (1.1) a (1.) do (1.7) získáme po dalších úpravách a logaritmování ( 1 θ) ( t ν) ( t µ ) ln lnτ = lnθ lnσ τ σ dalšími úpravami se dostáváme ke vztahu t ( ) t( ) τ σ + σ ν τ µ + τ µ σ ν + τ σ ( 1 θ) (1.8) σ ln = 0 (1.9) θτ Vyřešením této kvadratické rovnice určíme hledanou hodnotu prahu t. Ay rovnice měla řešení musíme splnit následující podmínky. σ 0 θ 0 a (1.10) τ 0 θ 1 Řešením rovnice (1.10) získáme hledanou hodnotu prahu metodou nejmenší chyy. Metoda popsaná v této kapitole má však jednu velkou nevýhodu, a to, že musíme před začátkem výpočtu znát velmi mnoho informací o zpracovávaném oraze. Z tohoto důvodu uvedu vylepšení této metody (snížení počtu hodnot, které musíme znát). Iterační proces u metody nejmenší chyy Vylepšení proti předchozí metodě spočívá v tom, že tato metoda nepředpokládá znalost poměrného zastoupení odů ojektů v oraze θ - tato hodnota se určí iteračním
4 procesem. Musíme však znát hodnoty středních hodnot a směrodatných odchylek jasů pro ojekty a pozadí. Iterační proces pracuje stejně kvalitně jako metoda určení prahu pomocí nejmenší chyy. Prahování proměnným prahem V případech, kdy je oraz sice kontrastní, avšak v různých svých částech má nerovnoměrnou úroveň jasu (např. vlivem nerovnoměrného osvětlení), nelze najít jedinou hodnotu prahu tak, ay vyhovovala pro všechny části orazu. V takovém případě lze použít úspěšně metodu prahování s proměnným prahem. Princip metody prahování proměnným prahem spočívá v rozdělení zdrojového orazu na několik částí. V každé z těchto nově vzniklých částí se vypočte práh pouze pro danou olast. Práh se vypočte jako průměr maximální a minimální hodnoty jasu v olasti. Může ovšem také nastat situace pro některé olasti, že rozdíl maximální a minimální hodnoty jasu ude malý. V takovéto olasti y určení prahu neylo přesné (v olasti jsou pouze pixely pozadí neo pixely ojektu). V takovém případě se hodnota prahu stanovuje jako průměr prahů z okolních olastí. 1. Zpracování inárních orazů Binárním orazem nazýváme takový oraz, v němž orazová funkce v každém odě (pixelu) naývá jedné ze dvou možných hodnot. Binární orazy jsou z pravidla výsledkem metod provádějících segmentace orazu (v pixelech náležících ojektů např. orazová funkce naývá hodnotu 1, pixlech pozadí naývá hodnotu 0). Před tím, než jsou inární orazy analyzovány, lze je zpracovat některým ze speciálních postupů Matematická morfologie Teorie matematické morfologie (Dougherty 9, Sojka 000) je dosti osáhlá. Základními operacemi matematické morfologie jsou eroze a dilatace. Tyto operace jsou definovány následujícími vztahy: E = B S = {x,y S x,y B} (1.11) D = B S = {x,y S x,y B } (1.1) Erozí inárního orazu (vztah 1.11) B za použití masky S vznikne oraz E, který je opět inární. Jednotlivé ody inárního orazu nesou hodnotu 0 neo 1. V odě o souřadnicích (x,y) je v oraze E hodnota 1, jestliže je v oraze B hodnota 1 alespoň na těch místech, je hodnota 1 v masce S x,y. Jinak je v oraze E v odě o souřadnicích (x,y) hodnota 0. Ve vztahu jsou orazy formálně reprezentovány jako množiny jedná se o množiny pixelů nesoucích hodnotu 1. Analogicky y ylo možné interpretovat také vztah 1.1. Grafická interpretace dilataci a erozi je následující: Or. č. 1. Dilatace a eroze
5 1.. Ztenčování Cílem ztenčování je reprezentovat ojekty jako lineární útvary. Ztenčování může ýt realizováno pomocí opakované eroze (tj. opakovaným odstraňováním krajních pixelů zojektu). Postup provádění každého erozního kroku je přitom modifikován tak, ay nedošlo k porušení souvislosti ojektu. 1.3 Metody rozpoznávání ojektu s využití neuronových sítí V souladu se současným trendem aplikovat neuronové sítě jsem se rozhodl i já využít neuronovou síť jako rozpoznávací mechanismus pro modul rozpoznávání zájmových odů Třívrstvá síť s učením Back Propagation Do vrstvy vstupních uzlů se zavádí jednotlivé složky vektoru příznaků, a proto je vstupních uzlů tolik, kolik je příznaků. Z výstupní vrstvy se odeírá identifikátor třídy. I když jsou možné i jiné způsoy, často se používá kódování 1 z n. V tomto případě je pak počet neuronů ve výstupní vrstvě roven počtu rozpoznávaných tříd. Počet neuronů ve střední skryté vrstvě (případně vrstvách) se zpravidla volí na základě zkušenosti Kompetitivní síť a Kohonenovo učení Kompetitivní sít je tvořena dvěmi vrstvami neuronů, kde spodní reprezentuje vstupní jednotky, které jsou propojeny se všemi neurony vrstvy výstupní, ve které jsou opět všechny neurony vzájemně propojeny. Každý neuron výstupní vrstvy je napojen sám na see tzv. seeexcitující vazou a inhiičními vazami k ostatním neuronům. Tento způso propojení vede k posilování excitace neuronu, který yl na začátku excitován nejvíce. Nakonec je tento neuron vyexcitován na maximum a ostatní jsou úplně potlačeny (tento jev se nazývá laterální, postranní inhiice). Každý neuron pak reprezentuje nějaký ojekt neo třídu ojektů ze vstupního prostoru Rozpoznávání ojektu Aychom mohli ojekty rozpoznávat, musíme je nejdříve popsat. Způsoy popisu je možno rozdělit na několik metod. Potom mluvíme o syntaktické a příznakové analýze orazu. Syntaktická analýza orazu používá k popisu ojektu posloupností primitiv a jejich hierarchickou strukturou. Vytvořený popis se předkládá analyzátoru, který slouží k samotnému rozpoznávání. Analyzátor používá k rozpoznávání gramatiky. Gramatika musí ýt známa již před započetím rozpoznávání. Příznaková analýza orazu předpokládá, že máme k dispozici popis rozpoznávaného T x, x,..., x n. Tyto vektory pak orazu neo jeho části ve formě vektorupříznaků x= ( 1 ) předkládáme k dalšímu zpracování, např. klasifikátoru neo neuronové síti. Proměnné x i jsou příznakové proměnné a jejich hodnoty pak nazýváme příznaky. Každý příznakový vektor reprezentuje od v n-rozměrném prostoru X n, který je nazván příznakový prostor. Příznakový prostor je definován jako kartézký součin oorů hodnot všech uvažovaných příznakových proměnných. Tj. příznakový prostor X n je tvořen všemi možnými vektory T x=( x1, x,..., x n ). V případě, že jsou všechny použité příznakové proměnné spojité, může ýt prostor X n Euklidovský. Protože každý oraz a ojekty v něm osažené mají jiné vlastnosti, velmi záleží na vhodné volě množiny příznaků. Málokdy (skoro nikdy) je vhodné zvolit je všechny. V následujících části popíšu vyrané příznaky.
6 Příznaky, které lze použit pří rozpoznávání, mohou ýt např. plochu, momentové atriuty, ovod, Eulerovo číslo, nekompaktnost, projekce výšky, šířky, výstřednost, podlouhlost apod. Ve své práci jsem se rozhodl pro implementaci atriutu založené na Fourierově transformaci průěhu křivosti hranice ojektu, který je velmi kvalitní příznak pro rozpoznávání. Výpočet Fourierovy transformace průěhu křivosti: Základem pro výpočet právě popisovaných atriutů je určení křivosti hranice ojektu. Z diferenciální geometrie víme, že křivost jednoznačně určuje křivku (až na polohu). Tzv. přirozená rovnice křivky je: 1 k= 1 k s, kde 1 ks je průěh první křivosti (předpokládáme práci pouze s rovinnými křivkami). Výpočet atriutu založeného na Fourierově transformaci průěhu křivosti hranice se dá popsat následujícími kroky: 1. nalezení hranice ojektu. proložení křivek (případně úseček) hranicí ojektu 3. určení křivosti hranice ojektu 4. Fourierova transformace křivosti hranice ojektu Výsledkem tohoto procesu je vektor osahující všechny segmenty proložené hranice. Tento vektor dále slouží jako základ pro výpočet Fourierovy transformace. Jasové atriuty: Výsledkem segmentace orazu jsou extrahované olasti. Právě k popisu těchto olastí slouží atriuty. Jasové atriuty mají tu zvláštnost, že i když jsou tyto olasti známy, jejich hodnoty jasů ukrývají jisté informace, které lze i dále využít. V následujících částech popíši jednotlivé jasové atriuty, které jsem v práci implementoval. - Střední hodnota jasu Tento atriut udává střední hodnotu jasu na ploše ojektu. Jsou dány dva ojekty stejného tvaru, velikosti ale každý z nich má jinou úroveň jasu. Oa dva tyto ojekty jsou detekovány metodou segmentace jako testované olasti. Střední hodnota jasu však tento prolém řeší. Jednoznačně odliší tyto ojekty od see. µ ( ) = p (1.13) - Směrodatná odchylka jasu Následující vztah popisuje výpočet atriutu směrodatné odchylky jasu. Hodnota atriutu udává rozptyl hodnot jasu na ploše ojektu. Využití tohoto atriutu uvedu opět na příkladu. Máme dva testované ojekty, které mají stejnou střední hodnotu jasu, ale u jednoho z nich jas kolísá a u druhého dosahuje skoro konstantní hodnoty. Použitím tohoto atriutu je rozlišení těchto olastí jasné a snadné. ( ) ( ) σ = µ p (1.14) Dále jsem implementoval jasové atriuty, které jsou statistickými momenty vyšších řádů (šikmost) a dále atriuty počítající energii a entropii. Definici uvedených atriutů je uvedena v následujících vztazích.
7 - Šikmost jasu s = 1 = 3 σ ( ) - Energie jasu ( µ ) 3 p (1.15) E = ( ) [ p ] - Entropie jasu T = ( ) p log ( p ) (1.16) (1.17) 1.4 Rozpoznávání zájmových odů Postup při rozpoznávání zájmových odů můžeme rozdělit na: Rozpoznávání zájmových odů přímo ze světelné stopy Rozpoznávání zájmových odů pomocí neuronové sítě Rozpoznávání zájmových odů přímo ze světelné stopy Tento postup je vhodný v případě, kdy nelze měřený ojekt dostatečně doře separovat a proto je nutné postupovat opačně, tzn. určit zájmové ody neo ody definující měřený ojekt a potom z nich nadefinovat měřený ojekt. K tomuto účelu je postupováno tak, že v místech, kde se ude nacházet předpokládaný zájmový od určíme tzv. zájmovou olast ve tvaru odélníku pomocí standardních prostředků (použití myši, zvětšení snímku) aneo použijeme polohu zájmového odu z předchozího snímku. Zájmovou olast určujeme přidáním neo odečtením určitého počtu pixelů po souřadnici x, y. Takto nadefinovaná zájmová olast osahuje světelnou stopu, která představuje množinu potenciálních zájmových odů. Dále je zpracován oraz zájmové olasti. K tomu jsou použity prostředky popsané v předchozích kapitolách, tzn. výpočet prahu a prahování olasti, zpracování inárného orazu - erose světelné stopy. Takto zpracovaná světelná stopa osahuje ody, které mají nejvyšší jas. Novým zájmovým odem se stane ten hraniční od ze světelné stopy, který je nejližší k výchozímu odu, z něhož yla vytvořena zájmová olast, od o souřadnici X 0,Y 0. Vizualizace procesu rozpoznávání je uvedena v 1.4 při zpracování důlních snímků. Budeme-li ale měřit ojekty, které tvoří souvislou olast, např. na rentgenových snímcích, postup je odoný ale s tím rozdílem, že světelná stopa, která vzniká, tvoří souvislé pole Stanovení zájmových odů pomocí neuronové sítě Tento způso rozpoznání lze s úspěchem použít v případě, že měřený ojekt lze dostatečně doře separovat. Samotné stanovení zájmových odů je provedeno tak, že nejdříve je ojekt na snímku rozpoznán a potom jsou zpětně z hraničních odů stanoveny jednotlivé zájmové ody rozpoznaného ojektu. I zde musíme nejdřív provést zpracování orazu. K tomu účelu použijeme prostředky popsané v předchozích kapitolách, tzn. výpočet prahu a prahování orazu, zpracování inárného orazu - erose světelné stopy. Tento postup patří do příznakového rozpoznávání. Vstupní vrstva neuronové sítě je tvořena příznaky popisující rozpoznaný ojekt, viz kap Výstupní vrstvu tvoří neurony definující jednotlivé rozpoznané ojekty.
8 1.5 Visualizace procesu určení zájmových odů Určení zájmové olasti, viz or.č Analyzovaná olast Or. č Určení zájmového odu po prahování a eroze zájmové olasti, viz or X ZB,Y ZB X 0,Y 0 Or. č Novým zájmovým odem o souřadnici X ZB,Y ZB se stává ten od, který je nejližší k výchozímu odu X 0,Y 0, viz or. č. 1.4.
9 Použitá literatura Ličev L. a Holuša T Nové řešení důlní fotogrammetrie na PC, /1998, URGP Praha. Ličev L New approaches to mining photogrammetry using PC, 5 nacionalna konferencija Varna 98, MGU Sofia. Ličev L. a Holuša T Fotogrammetrické měření důlních jam, Konference GIS'99 VŠB TUO, HGF. Ličev L..: Fotogrammetrie na PC, 4/1999, Acta montanistica slovaca, Košice. Sojka E Digitální zpracování orazu, skripta VŠB - TUO, FEI. Šmidrkal J Fotogrammetrie I,II,III - Teoretické základy, ČVUT Praha. 3 Závěr Rozpoznávání zájmových odů na snímku je činnost velmi důležitá, neoť na ni záleží efektivnost a rychlost zpracování fotografické informace. V předloženém příspěvku yly popsané metody a způsoy jak rozpoznávat zájmové ody neo měření ojekt a následně stanovení jejich souřadnic. Výše uvedené metody a algoritmy yly experimentálně ověřeny a dosažené výsledky potvrdily jejích správnost. V současné doě pracuji na vývoji samostatného modulu na rozpoznávání zájmových odů, který se pak stane součástí fotogrammetrického systému FOTOM 000 na Katedře informatiky FEI VŠB TU v Ostravě. Vývoj fotogrammetrického systému FOTOM přispívá k vyřešení konkrétních požadavků kladených na jednosnímkové fotogrammetrii jako ucelený systém na kvalitativnì vyšší úrovni, než jsou stávající technické a softwarové prostředky.
Rozpoznávání zájmových bodů a objektů na snímcích.
Rozpoznávání zájmových bodů a objektů na snímcích. Lačezar Ličev 1 Anotace Recognition of points of concern leads to detection and consequent specification of values of coordinates Xi and Yi. Result is
VíceSystém FOTOM 2008 a vizualizace procesu měření
Systém FOTOM 2008 a vizualizace procesu měření Lačezar Ličev 1 Anotace The paper acquaints us with the area of scientific photogrammetry, especially with mining and digital photogrammetry. By making us
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Více4. Matematická kartografie
4. Země má nepravidelný tvar, který je dán půsoením mnoha sil, zejména gravitační a odstředivé (vzhledem k rotaci Země). Odstředivá síla způsouje, že tvar Země je zploštělý, tj. zemský rovník je dále od
Více5 ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI SPOJITÉ NÁHODNÉ VELIČINY
5 ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI SPOJITÉ NÁHODNÉ VELIČINY 5. Rovnoměrné rozdělení R(a,) - má náhodná veličina X, která má stejnou možnost naýt kterékoliv hodnoty z intervalu < a, >; a, R Definice
Více( ) 7.3.16 Další metrické úlohy II. Předpoklady: 7315. Př. 1: Najdi přímku rovnoběžnou s osou I a III kvadrantu vzdálenou od bodu A[ 1;2 ] 2 2.
76 Další metriké úlohy II Předpoklady: 7 Př : Najdi přímku rovnoěžnou s osou I a III kvadrantu vzdálenou od odu A[ ; ] Osou I a III kvadrantu je přímka y = x přímky s ní rovnoěžné mají rovnii x y + = 0
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceKOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.
1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl:
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceMatematická morfologie
/ 35 Matematická morfologie Karel Horák Rozvrh přednášky:. Úvod. 2. Dilatace. 3. Eroze. 4. Uzavření. 5. Otevření. 6. Skelet. 7. Tref či miň. 8. Ztenčování. 9. Zesilování..Golayova abeceda. 2 / 35 Matematická
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
Vícealgoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V
Hledání lokálního maxima funkce algoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V Č R Abstrakt : Lokální maximum diferencovatelné funkce je hledáno postupnou změnou argumentu. V
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceVIZUALIZACE PROCESU MĚŘENÍ SYSTÉMEM FOTOM 2007
VIZUALIZACE PROCESU MĚŘENÍ SYSTÉMEM FOTOM 2007 Lačezar Ličev 1 Anotace Příspěvek se zabývá vývojem modulů fotogrammetrického systému FOTOM, který je už několik let vyvíjen na katedře informatiky na FEI
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VícePopis objektů. Karel Horák. Rozvrh přednášky:
1 / 41 Popis objektů Karel Horák Rozvrh přednášky: 1. Úvod.. Příznakový vektor. 3. Příznakový prostor. 4. Členění příznaků. 5. Identifikace oblastí. 6. Radiometrické deskriptory. 7. Fotometrické deskriptory.
VíceVyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
Vícei=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice
I. Funkce dvou a více reálných proměnných 1. Úvod Značení: V textu budeme používat označení: N pro množinu všech přirozených čísel; R pro množinu všech reálných čísel; R n pro množinu všech uspořádaných
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceKOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceDiferenciál funkce dvou proměnných. Má-li funkce f = f(x, y) spojité parciální derivace v bodě a, pak lineární formu (funkci)
2. Diferenciál funkce, tečná rovina. Diferenciál funkce dvou proměnných. Má-li funkce f = f(x, y) spojité parciální derivace v bodě a, pak lineární formu (funkci) df(a, h) = x (a)h + (a)h 2, h = (h, h
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceRozvoj tepla v betonových konstrukcích
Úvod do problematiky K novinkám v požární odolnosti nosných konstrukcí Praha, 11. září 2012 Ing. Radek Štefan prof. Ing. Jaroslav Procházka, CSc. Znalost rozložení teploty v betonové konstrukci nebo její
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceOperace s obrazem II
Operace s obrazem II Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova Matematická morfologie Segmentace obrazu Klasifikace objektů
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceUkázka možností interpolace dat v softwaru Matlab
Ukázka možností interpolace dat v softwaru Matla Ing. Stanislav Olivík Anotace: V následujícím tetu ude čtenář seznámen s několika základními funkcemi softwaru Matla, pomocí nichž může interpolovat data
VíceÚLOHY S POLYGONEM. Polygon řetězec úseček, poslední bod je totožný s prvním. 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU
ÚLOHY S POLYGONEM Polygon řetězec úseček, poslední bod je totožný s prvním 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU 3 úsečky (segmenty) v horní části 2 úsečky ve spodní části
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VíceKVADRATICKÉ FUNKCE. + bx + c, největší hodnotu pro x = a platí,
KVADRATICKÉ FUNKCE Definice Kvadratická funkce je každá funkce na množině R (tj. o definičním ooru R), daná ve tvaru y = ax + x + c, kde a je reálné číslo různé od nuly,, c, jsou liovolná reálná čísla.
Více5.3. Implicitní funkce a její derivace
Výklad Podívejme se na následující problém. Uvažujme množinu M bodů [x,y] R 2, které splňují rovnici F(x, y) = 0, M = {[x,y] D F F(x,y) = 0}, kde z = F(x,y) je nějaká funkce dvou proměnných. Je-li F(x,y)
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
VíceRovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w
Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VícePŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU
PŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU 6.1 Křivkový integrál 1. druhu Definice 1. Množina R n se nazývá prostá regulární křivka v R n právě tehdy, když existuje vzájemně jednoznačné zobrazení
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceFOTOM a System for Photogrammetrical Image Analysis FOTOM systém pro fotogrammetrickou analýzu obrazu
XXX. ASR '2005 Seminar, Instruments and Control, Ostrava, April 29, 2005 295 FOTOM a System for Photogrammetrical Image Analysis FOTOM systém pro fotogrammetrickou analýzu obrazu LIČEV, Lačezar 1 & PAJUREK,
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VícePŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII
PŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII V úvodu analytické geometrie jsme vysvětlili, že její hlavní snahou je popsat geometrické útvary (body, vektory, přímky, kružnice,...) pomocí čísel nebo proměnných.
VíceBudeme hledat řešení y(x) okrajové úlohy pro diferenciální rovnici druhého řádu v samoadjungovaném tvaru na intervalu a, b : 2 ) y i p i+ 1
ODR - okrajová úloha Teorie (velmi stručný výběr z přednášek) Okrajová úloha 2. řádu Budeme hledat řešení y(x) okrajové úlohy pro diferenciální rovnici druhého řádu v samoadjungovaném tvaru na intervalu
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceCvičení 7 (Matematická teorie pružnosti)
VŠB Technická univerzita Ostrava Fakulta strojní Katedra pružnosti a pevnosti (339) Pružnost a pevnost v energetice (Návo do cvičení) Cvičení 7 (Matematická teorie pružnosti) Autor: Jaroslav Rojíček Verze:
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceZpracování digitalizovaného obrazu (ZDO) - Segmentace II
Zpracování digitalizovaného obrazu (ZDO) - Segmentace II Další metody segmentace Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceŘešení 1b Máme najít body, v nichž má funkce (, ) vázané extrémy, případně vázané lokální extrémy s podmínkou (, )=0, je-li: (, )= +,
Příklad 1 Najděte body, v nichž má funkce (,) vázané extrémy, případně vázané lokální extrémy s podmínkou (,)=0, je-li: a) (,)= + 1, (,)=+ 1 lok.max.v 1 2,3 2 b) (,)=+, (,)= 1 +1 1 c) (,)=, (,)=+ 1 lok.max.v
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
Vícee-mail: RadkaZahradnikova@seznam.cz 1. července 2010
Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení
VíceObyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých
Obyčejné diferenciální rovnice Obyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých se vyskytují derivace neznámé funkce jedné reálné proměnné. Příklad. Bud dána funkce f : R R.
VíceMatematická analýza III.
1. - limita, spojitost Miroslav Hušek, Lucie Loukotová UJEP 2010 Úvod Co bychom měli znát limity posloupností v R základní vlastnosti funkcí jedné proměnné (definiční obor, monotónnost, omezenost,... )
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceFunkce dvou a více proměnných
Funkce dvou a více proměnných. Motivace V praxi nevstačíme s funkcemi jedné proměnné, většina veličin závisí více než na jedné okolnosti, např.: obsah obdélníka: S( ) kinetická energie: Ek = = x mv ekonomika:
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceZobrazování těles. problematika geometrického modelování. základní typy modelů. datové reprezentace modelů základní metody geometrického modelování
problematika geometrického modelování manifold, Eulerova rovnost základní typy modelů hranový model stěnový model objemový model datové reprezentace modelů základní metody geometrického modelování těleso
VíceRovnice přímky v prostoru
Rovnice přímky v prostoru Každá přímka v prostoru je jednoznačně zadána dvěma body. K vyjádření všech bodů přímky lze použít parametrické rovnice. Parametrická rovnice přímky p Pokud A, B jsou dva různé
VíceExtrémy funkce dvou proměnných
Extrémy funkce dvou proměnných 1. Stanovte rozměry pravoúhlé vodní nádrže o objemu 32 m 3 tak, aby dno a stěny měly nejmenší povrch. Označme rozměry pravoúhlé nádrže x, y, z (viz obr.). ak objem této nádrže
VíceŘízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT
Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost
VíceZavedeme-li souřadnicový systém {0, x, y, z}, pak můžeme křivku definovat pomocí vektorové funkce.
KŘIVKY Křivka = dráha pohybujícího se bodu = = množina nekonečného počtu bodů, které závisí na parametru (čase). Proto můžeme křivku také nazvat jednoparametrickou množinou bodů. Zavedeme-li souřadnicový
VíceJana Dannhoferová Ústav informatiky, PEF MZLU
Počítačová grafika Křivky Jana Dannhoferová (jana.dannhoferova@mendelu.cz) Ústav informatiky, PEF MZLU Základní vlastnosti křivek křivka soustava parametrů nějaké rovnice, která je posléze generativně
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceRobustnost regulátorů PI a PID
Proceedings of International Scientific Conference of FME Session 4: Automation Control and Applied Informatics Paper 45 Robustnost regulátorů PI a PID VÍTEČKOVÁ, Miluše Doc. Ing., CSc., katedra ATŘ, FS
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceOBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě
OBRAZOVÁ ANALÝZA Speciální technika a měření v oděvní výrobě Prostředky pro snímání obrazu Speciální technika a měření v oděvní výrobě 2 Princip zpracování obrazu matice polovodičových součástek, buňky
VíceTestování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceOHYB (Napjatost) M A M + qc a + b + c ) M A = 2M qc a + b + c )
3.3 Řešené příklady Příklad 1: Pro nosník na obrázku vyšetřete a zakreslete reakce, T (x) a M(x). Dále určete M max a proveďte dimenzování pro zadaný průřez. Dáno: a = 0.5 m, b = 0.3 m, c = 0.4 m, d =
VíceNumerické řešení diferenciálních rovnic
Numerické řešení diferenciálních rovnic Omezení: obyčejné (nikoli parciální) diferenciální rovnice, Cauchyho počáteční úloha, pouze jedna diferenciální rovnice 1. řádu 1/1 Numerické řešení diferenciálních
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceObecný Hookeův zákon a rovinná napjatost
Obecný Hookeův zákon a rovinná napjatost Základní rovnice popisující napěťově-deformační chování materiálu při jednoosém namáhání jsou Hookeův zákon a Poissonův zákon. σ = E ε odtud lze vyjádřit také poměrnou
Více1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH
1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH V minulém semestru jsme studovali vlastnosti unkcí jedné nezávislé proměnné. K popisu mnoha reálných situací obvkle s jednou proměnnou nevstačíme. FUNKCE DVOU
Více1. Házíme hrací kostkou. Určete pravděpodobností těchto jevů: a) A při jednom hodu padne šestka;
I Elementární pravděpodonost 1 Házíme hrací kostkou Určete pravděpodoností těchto jevů: a) A při jednom hodu padne šestka; Řešení: P A) = 1 = 01; Je celkem šest možností {1,,, 4,, } a jedna {} je příznivá
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více5. Statika poloha střediska sil
5. Statika poloha střediska sil 5.1 Rovnoběžné sily a jejich střed Uvažujeme soustavu vzájemně rovnoběžných sil v prostoru s pevnými působišti. Každá síla má působiště dané polohovým vektorem. Všechny
Více