BAKALÁŘSKÁ PRÁCE. Martina Klejchová Rychlá Fourierova transformace
|
|
- Vilém Staněk
- před 5 lety
- Počet zobrazení:
Transkript
1 Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Martina Klejchová Rychlá Fourierova transformace Katedra numerické matematiky Vedoucí bakalářské práce: Doc. RNDr. Najzar Karel, CSc. Studijní program: Matematika, Obecná matematika 2008
2 Na tomto místě bych chtěla poděkovat Doc. RNDr. Karlu Najzarovi, CSc. za zapůjčení veškeré potřebné literatury a za ochotu při vedení mé práce. Prohlašuji, že jsem svou bakalářskou práci napsala samostatně a výhradně s použitím citovaných pramenů. Souhlasím se zapůjčováním práce a jejím zveřejňováním. V Praze dne Martina Klejchová
3 Obsah 1 Úvod 5 2 Diskrétní Fourierova transformace Definice diskrétní Fourierovy transformace Vyjádření diskrétní Fourierovy transformace pomocí vybraných posloupností Rychlá Fourierova transformace pro N = 2 m Danielsonovo-Lanczosovo lemma Algoritmus rychlé Fourierovy transformace metodou vybraných vstupních posloupností Znázornění algoritmu pomocí signálových grafů Složitost výpočtu Modifikace algoritmu Algoritmus rychlé Fourierovy transformace metodou vybraných obrazových posloupností Rychlá Fourierova transformace s obecným základem Rychlá Fourierova transformace pro N = r 1 r 2...r m Rychlá Fourierova transformace pro N prvočíselné Testování algoritmu na zadaných datech 22 Literatura 25 3
4 Název práce: Rychlá Fourierova transformace Autor: Martina Klejchová Katedra: Katedra numerické matematiky Vedoucí bakalářské práce: Doc. RNDr. Najzar Karel, CSc. vedoucího: Abstrakt: Diskrétní Fourierova transformace je nejrozšířenějším prostředkem pro numerický výpočet Fourierovy transformace a pro numerickou harmonickou analýzu. Obsahem této práce je podrobný popis asi nejznámějšího algoritmu pro její výpočet - algoritmu rychlé Fourierovy transformace (FFT). Je tu popsáno odvození algoritmu jak pro speciální případ posloupnosti dat s počtem členů 2 m, tak pro obecné posloupnosti vstupních dat. Algoritmus i některé jeho modifikace jsou zde též znázorněny pomocí signálových grafů. Práce pojednává také o výpočetní složitosti rychlé Fourierovy transformace v porovnání s přímým výpočtem diskrétní Fourierovy transformace. V závěru obsahuje konkrétní výsledky použití algoritmu na zadaných datech. Klíčová slova: rychlá Fourierova transformace, diskrétní Fourierova transformace, Danielsonovo- Lanczosovo lemma Title: Fast Fourier Transform Author: Martina Klejchová Department: Department of Numerical Mathematics Supervisor: Doc. RNDr. Najzar Karel, CSc. Supervisor s address: Karel.Najzar@mff.cuni.cz Abstract: Discrete Fourier transform is the most common tool for numeric calculation of Fourier transform and numeric harmonic analysis. This work contains detailed description of probably the most popular algorithm for its calculation - algorithm of Fast Fourier Transform (FFT). It describes the derivation of the algorithm for special case of data sequence with 2 m terms as well as for general input data sequence. The algorithm and some of its modifications are here depicted with the help of signal graphs. The work also deals with computing complexity of Fast Fourier Transform comparing to direct calculation of discrete Fourier transform. At the end of this work, there are concrete results of applying the algorithm on given data. Keywords: Fast Fourier Transform, Discret Fourier Transform, Danielson- Lanczos lemma 4
5 Kapitola 1 Úvod Rychlá Fourierova transformace je jedním z nejznámějších a také nejčastěji používaných algoritmů pro výpočet diskrétní Fourierovy transformace. Můžeme se s ní setkat všude, kde se používá diskrétní Fourierova transformace. Pro velké množství dat totiž nelze ani na současných počítačích diskrétní Fourierovu transformaci tak, jak je definována, spočítat v přijatelném čase. Využití nějakého efektivního postupu je tedy nutností. Diskrétní Fourierova transformace se uplatňuje v mnoha oborech - v elektrotechnice, při zpracování signálů, v akustice, geofyzice, seismologii, optice, při zpracování obrazů, spektrální analýze apod. Nalézáme ji především tam, kde nahrazuje spojitou Fourierovu transformaci, ale také například při matematickém a statistickém zpracovaní naměřených dat. O významu rychlé Fourierovy transformace tedy nemůže být pochyb. Algoritmus rychlé Fourierovy transformace byl poprvé publikován v roce 1965 J. W. Cooleyem a J. W. Tukeyem pod názvem Fast Fourier Transform (FFT). Po roce 1965 byl předmětem intenzivního zájmu a vznikaly různé modifikace. Pro běžné použití k výpočtům na počítačích jsou tyto modifikace víceméně ekvivalentní. V následující kapitole zavedu pojem diskrétní Fourierovy transformace a zmíním se o některých jejích vlastnostech důležitých pro popis rychlé Fourierovy transformace. Dále již přijde na řadu popis a odvození samotného algoritmu a také jeho znázornění pomocí signálových grafů, vše nejprve pro speciální případ posloupnosti dat délky N = 2 m, poté i pro obecnější posloupnost. Zmíním se také o počtu operací potřebných pro výpočet. Na závěr uvedu výsledky testování algoritmu na konkrétních datech. 5
6 Kapitola 2 Diskrétní Fourierova transformace 2.1 Definice diskrétní Fourierovy transformace Pod názvem diskrétní Fourierova transformace budeme rozumět jak přímou, tak i inverzní (zpětnou) Fourierovu transformaci. Definice přímé diskrétní Fourierovy transformace Mějme posloupnost N konečných komplexních čísel x j, j = 0, 1,..., N 1. Potom její přímá Fourierova transformace je definována jako posloupnost N komplexních hodnot X k daných vzorcem X k = N 1 j=0 x j e ijk2π/n, k = 0, 1,...N 1. (2.1) Posloupnost X k nazývame též obrazem posloupnosti x j. Definice inverzní diskrétní Fourierovy transformace Je-li X k, k = 0, 1,..., N 1, posloupnost N komplexních čísel, její zpětná Fourierova je dána posloupností x j, kde x j = 1 N N 1 k=0 X k e ijk2π/n, pro j = 0, 1,..., N 1. (2.2) Je-li posloupnost X k obrazem posloupnosti x j, potom jejím dosazením do vztahu (2.2) získáme původní posloupnost x j. Vztah (2.2) je tedy inverzní k vzorci (2.1) a oba vztahy vyjadřují jednoznačné přiřazení jedné posloupnosti k druhé. Z definic také vyplývá, že přímá diskrétní Fourierova transformace a inverzní diskrétní Fourierova transformace definují periodické posloupnosti x j = x j+µn, µ = 0, ±1, ±2,..., X k = X k+νn, ν = 0, ±1, ±2,... 6
7 To platí, neboť x j+µn = 1 N N 1 k=0 X k e i(j+µn)k2π/n = 1 N N 1 k=0 X k e ijk2π/n e iµnk2π/n = analogicky i pro X k. = 1 N N 1 k=0 X k e ijk2π/n = x j, V dalších kapitolách budeme používat pro zjednodušení zápis x i ˆ=X k pro vyjádření vzájemně jednoznačného přiřazení posloupností x i a X k pomocí diskrétní Fourierovy transformace. Dále potom budeme někdy pro větší přehlednost značit e i2π/n = W N. Algoritmus rychlé Fourierovy transformace budeme odvozovat pouze pro přímou diskrétní Fourierovu transformaci. Pro inverzní transformaci totiz stačí dosadit do algoritmu místo hodnot x j posloupnost 1 X N k a místo W N číslo komplexně sdružené, tedy WN = e 2π/N. 2.2 Vyjádření diskrétní Fourierovy transformace pomocí vybraných posloupností Mějmě posloupnost x j, j = 0, 1,..., N 1, a její diskrétní Fourierovu transformaci popsanou vzorcem X k = N 1 j=0 x j e ijk2π/n, k = 0, 1,...N 1. Pokud N lze napsat jako součin celých čísel p, M (tedy N = pm), můžeme diskrétní Fourierovu transformaci vyjádřit také pomocí diskrétní Fourierovy transformace vybraných posloupností vytvořených následujícím způsobem: Z posloupnosti x j vezmeme každý p-tý člen počínaje m-tým členem. Tak vznikne celkem p vybraných posloupností délky M = N/p. Diskrétní Fourierovu transformaci celé posloupnosti můžeme potom tedy napsat, pro k = 0, 1,..., N 1, ve tvaru X k = p 1 M 1 m=0 ν=0 x m+νp e ik(m+νp)2π/n = p 1 M 1 m=0 ν=0 7 x νp+m e ikν2π/m e ikm2π/n. (2.3)
8 Dále pokud vyjádříme index k ve tvaru k = µm + n, µ = 0, 1,..., p 1, n = 0, 1,..., M 1, dostaneme následující vzorec: X µm+n = p 1 m=0 [e imn2π/n ( M 1 ν=0 x νp+m e iνn2π/m )] e iµm2π/p. (2.4) Tato dvě vyjádření jsou důležitá pro pozdější odvození algoritmu rychlé Fourierovy transformace. Představují totiž základ pro snížení počtu početních úkonů. 8
9 Kapitola 3 Rychlá Fourierova transformace pro N = 2 m 3.1 Danielsonovo-Lanczosovo lemma Lemma: Mějme posloupnost x j ˆ=X k o N členech, kde N je sudé. Rozdělíme ji na posloupnost lichých členů a na posloupnost sudých členů, obě o N/2 členech. Potom posloupnost X k lze popsat následujícím vztahem: X k = N 1 j=0 x j e ijk2π/n = (N/2) 1 ν=0 Označíme obraz posloupnosti sudých členů (N/2) 1 ν=0 a obraz posloupnosti lichých členů (N/2) 1 ν=0 (N/2) 1 x 2ν e iνk2π/(n/2) + e ik2π/n ν=0 x 2ν+1 e iνk2π/(n/2), (3.1) k = 0, 1,..., N 1. x 2ν e iνk2π/(n/2) = X 0 k, k = 0, 1,..., N/2 1, (3.2) x 2ν+1 e iνk2π/(n/2) = X 1 k, k = 0, 1,...N/2 1. (3.3) Pak obraz původní posloupnosti můžeme zapsat ve tvaru X k = X 0 k + e ik2π/n X 1 k = X 0 k + W k NX 1 k, k = 0, 1,..., N 1. (3.4) Důkaz: Jde vlastně o speciální případ vzorce (2.3) pro p = 2. 9
10 Pokud si navíc uvědomíme, že posloupnosti hodnot X 0 k a X 1 k, k = 0, 1,..., N/2 1, jsou periodické s periodou N/2, a tudíž X 0 k = X 0 k+n/2, k = 0, 1,..., N/2 1, X 1 k = X 1 k+n/2, k = 0, 1,..., N/2 1, pro hodnoty obrazu původní posloupnosti platí následující dva vztahy: k = 0, 1,..., N/2 1. X k = X 0 k + W k NX 1 k, (3.5) X k+n/2 = X 0 k + W k+n/2 N X 1 k = X 0 k W k NX 1 k, (3.6) 3.2 Algoritmus rychlé Fourierovy transformace metodou vybraných vstupních posloupností Tato varianta algoritmu vytvořená J.W.Cooleyem a J. W. Tukeyem bývá též nazývána "algoritmem decimování v čase" neboli algoritmem DIT. Základem tohoto algoritmu je rekurentní vzorec (3.4) získaný z Danielsonova- Lanczosova lemmatu. Tento vzorec nám původní vztah (2.1) pro výpočet diskrétní Fourierovy transformace posloupnosti x j, j = 0, 1,..., N 1, rozdělí na součet diskrétních Fourierových transformací dvou podposloupností o polovičním počtu složek - posloupnosti sudých členů {Xk}, 0 popsané vzorcem (3.2) a posloupnosti lichých členů {Xk}, 1 dané pomocí (3.3). Posloupnost {X k } tedy můžeme vypočítat tak, že nejprve stanovíme posloupnosti {Xk} 0 a {Xk} 1, a potom pomocí vzorců (3.5) a (3.6) spočteme hodnoty X k, k = 0, 1,...N 1. Nic nám ovšem nebrání obě posloupnosti, {Xk} 0 i {Xk}, 0 každou zvlášť, znovu rozložit na podposloupnost sudých a podposloupnost lichých členů, a poté na ně opět aplikovat Danielsonovo- Lanczosovo lemma a vzorce (3.5) a (3.6). Při použití značení zavedeného v lemmatu, máme nyní čtyři posloupnosti (Xk 00, Xk 01, Xk 10, Xk 11 ) délky N/4 získané Fourierovou transformací členů posloupnosti {x j }. Pomocí nich můžeme vypočítat všechny prvky X k. Předchozí postup provádíme rekurzívně tak dlouho, dokud nemáme celou posloupnost X k, k = 0, 1,..., N 1, díky opakovanému užití vzorců (3.5) a (3.6) vyjádřenou jako lineární kombinaci N Fourierových transformací délky 1 vzniklých z některého prvku x j, j = 0, 1,..., N 1, původní posloupnosti. Tyto Fourierovy transformace označíme X k, X k,..., X k, kde horních indexů je právě m (neboť N = 2 m ). Zjistit, které j odpovídá konkrétní posloupnosti indexů 0 a 1, můžeme tak, že posloupnost 0 a 1 čteme odzadu. Výsledkem je potom dvojkový zápis čísla j. 10
11 Jelikož N = 2 m, algoritmus má celkem m kroků. Některé operace s prvky se díky periodičnosti Fourierovy transformace během algoritmu opakují, proto pokud správně využijeme všechny mezivýsledky, výrazně snížíme počet potřebných komplexních sčítání i násobení. To bude dobře vidět v další kapitole, až si znázorníme algoritmus pomocí signálových grafů. 3.3 Znázornění algoritmu pomocí signálových grafů Během algoritmu se stále opakuje výpočet podle vzorců (3.5) a (3.6). Ten můžeme graficky znázornit pomocí tzv. motýlků, které odpovídají znázornění výpočtu diskrétní Fourierovy transformace pro N = 2. Obr.1: Motýlek (převzato z [1] str. 116). Nalevo ještě před zjednodušením, obsahuje dvě komplexní násobení, dvě komplexní sčítání. Napravo výhodnější varianta je zde pouze jedno komplexní násobení (násobení číslem -1 nepočítáme, jde jen o úpravu znaménka) a dvě komplexní sčítání. V jednom motýlku se provádí jedno komplexní sčítání, jedno komplexní odčítání a jedno komplexní násobení. Nyní si ukážeme jednotlivé kroky algoritmu znázorněné pomocí signálových grafů pro konkrétní případ N = 8: 11
12 Obr. 2: První krok výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním ze vstupní posloupnosti (převzato z [1] str. 116). Obr. 3: Druhý krok výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním ze vstupní posloupnosti (převzato z [1] str. 117). 12
13 Obr. 4: Celkový postup výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním ze vstupní posloupnosti - algoritmus rychlé Fourierovy transformace s neproměnným pořadím a s bitově invertovanou vstupní posloupností (převzato z [1] str. 118). 3.4 Složitost výpočtu Abychom zjistili počet komplexních operací, které musíme provést v průběhu algoritmu rychlé Fourierovy transformace, vyjdeme ze signálových grafů. Místo N = 8 budeme nyní uvažovat obecné N = 2 m. Počet sloupců v grafu bude v tomto případě roven číslu m, tedy log 2 N, a v každém sloupci je N/2 motýlků. Z obrázku 1 vidíme, že v každém motýlku se provádí jedno komplexní násobení a dvě komplexní sčítání (přesněji tedy jedno komplexní sčítání a jedno komplexní odčítání). Celkem nás tedy algoritmus rychlé Fourierovy transformace "stojí" N 2 log 2N komplexních násobení a Nlog 2 N komplexních sčítání. Pokud bychom chtěli vypočítat hodnoty X k, k = 0, 1,..., N 1, prostým dosazením do definičního vzorce diskrétní Fourierovy transformace X k = N 1 j=0 x j e ijk2π/n, k = 0, 1,...N 1, 13
14 museli bychom provést N 2 komplexních násobení a N 2 komplexních sčítání. Řádově tedy dojde k výrazné úspoře, místo původních O (N 2 ) operací se při Fourierově transformaci dostaneme na pouhých O (Nlog 2 N). Pro velká N, která při praktických výpočtech rozhodně nejsou výjimkou, se tento rozdíl projeví opravdu viditelně. 3.5 Modifikace algoritmu Výsledkem algoritmu popsaného v předchozích kapitolách jsou všechny hodnoty X k, k = 0, 1,..., N 1, získané v přirozeném pořadí. Vstupní posloupnost ovšem má v tomto případě bitově invertované pořadí indexů. Algoritmus však můžeme v případě potřeby snadno modifikovat tak, že vstupní posloupnost do něj dosazujeme v původním pořadí indexů a v bitově invertovaném pořadí jsou výstupní hodnoty X k (obr. 5). Případně lze graf upravit i tak, že v původním pořadí jsou obě posloupnosti, vstupní i výstupní (obr. 6). Další variantou je algoritmus s neproměnnou strukturou(tzn. všechny sloupce mají stejnou strukturu) s bitově invertovanou vstupní posloupností (obr. 7). Máme tedy celkem tři různé modifikace původního algoritmu, které si nyní znázorníme pro N = 8 pomocí signálových grafů. Obr. 5: Algoritmus rychlé Fourierovy transformace s neproměnným pořadím a s bitově invertovanou výstupní posloupností (převzato z [1] str. 119). 14
15 Obr. 6: Algoritmus rychlé Fourierovy transformace s proměnnou strukturou a přirozeným pořadím ve vstupní i obrazové posloupnosti (převzato z [1] str. 120). Obr. 7: Algoritmus rychlé Fourierovy transformace s neproměnnou strukturou a s bitově invertovanou vstupní posloupností (převzato z [1] str. 120). 15
16 3.6 Algoritmus rychlé Fourierovy transformace metodou vybraných obrazových posloupností Tuto variantu algoritmu můžeme v literatuře nalézt též pod názvem metoda decimování ve frekvencích nebo metoda DIF. Jde vpodstatě o jakési "obrácení" algoritmu decimování v čase. Tentokrát nejprve samostatně vyjádříme sudé a liché členy z obrazové posloupnosti X k, k = 0, 1,..., N 1: K tomu vvyužijeme vzorec (2.4). Máme tedy pro sudé členy výraz X 2µ = N/2 1 + j=0 N 1 j=0 pro liché členy pak X 2µ+1 = N 1 j=0 x j e ij2µ2π/n = x j+n/2 e ijµ2π/(n/2) = x j e ij(2µ+1)2π/n = N 1 j=0 N/2 1 j=0 N/2 1 j=0 x j e ijµ2π/(n/2) = N/2 1 j=0 x j e ijµ2π/(n/2) + ( xj e ijµ2π/(n/2) + x j+n/2 e ijµ2π/(n/2)), [ xj e ijµ2π/(n/2) x j+n/2 e ijµ2π/(n/2)] e ij2π/n, kde µ = 0, 1,..., N/2 1. Členy X 2µ tedy nyní máme vyjádřené ve tvaru diskrétní Fourierovy transformace posloupnosti { } x j + x j+n/2 a členy X2µ+1 počítáme jako diskrétní Fourierovu transformaci posloupnosti {( x j x j+n/2 ) e ij2π/n }, j = 0, 1,..., N 1. Z těchto dvou nově vzniklých Fourierových transformací opět zvlášť vyjádříme sudé a liché členy, tak jako jsme to provedli pro původní obrazovou posloupnost {X k }. Postupujeme analogicky, dokud nemáme posloupnost rozloženou na N transformací délky 1. Počet potřebných operací se nám sníží stejně jako v předchozích případech použitím motýlků: 16
17 Celý postup si znázorníme pro N = 8: Obr. 9: První krok výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním z obrazové posloupnosti (převzato z [1] str. 121). 17
18 Obr. 10: Druhý krok výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním z obrazové posloupnosti (převzato z [1] str. 122). Obr. 11: Celkový postup výpočtu diskrétní Fourierovy transformace pro N = 8 vybíráním z obrazové posloupnosti - algoritmus rychlé Fourierovy transformace s neproměnným pořadím a s bitově invertovanou výstupní posloupností (převzato z [1] str. 123). 18
19 Je vidět, že k tomu, abychom z grafu popisujícího metodu vybraných obrazových posloupností získali graf algoritmu založeného na vybraných vstupních posloupnostech, stačí pouze zaměnit směry všech šipek. Koeficienty u W N zůstávají stejné. Je tedy jasné, že co se týče počtu operací, jsou oba algoritmy stejně náročné. I u metody vybraných obrazových posloupností můžeme vytvořit další tři modifikace základního algoritmu, které odpovídají grafům na obrázcích 5, 6 a 7, pokud v nich změníme směry šipek a čteme je zprava doleva. 19
20 Kapitola 4 Rychlá Fourierova transformace s obecným základem 4.1 Rychlá Fourierova transformace pro N = r 1 r 2...r m Algoritmus rychlé Fourierovy transformace pro N = 2 M popsaný v předchozí kapitole lze snadno zobecnit pro N = r M, kde r 2 je celé číslo. Posloupnost {x j } rozdělíme na r vybraných podposloupností { } x m j, m = 0, 1,...r 1, délky r M 1 tak, že vždy bereme každý r-tý člen počínaje m-tým. Pro tyto posloupnosti použijeme opět vyjádření pomocí vztahu (2.4), tentokrát ovšem místo p = 2 dosazujeme p = r. Dále se postupuje analogicky jako pro případ p = 2, tedy rekurzivně rozkládáme vzniklé podposloupnosti vždy znovu na r dalších podposloupností, dokud neobdržíme podposloupnosti délky právě jedna, které odpovídají Fourierovým transformacím délky jedna členů původní posloupnosti {x j }. I v tomto případě využijeme periodičnosti diskrétní Fourierovy transformace - některé mezivýsledky budeme moci využít vícekrát, aniž bychom je vícekrát museli počítat, čímž snížíme počet potřebných operací (v grafu bychom toto znázornili pomocí motýlků). Podobně, opět s využitím vztahu (2.4), bychom mohli postupovat i pro obecné N = r 1 r 2...r m. Pro větší názornost zde uvedu znázornění algoritmu pro konkrétní případ N = 3.2 = 6 (obr. 12). Vzorec, který v tomto případě dostaneme z (2.4), je v následujícím tvaru: ( 1 2 ) X 3µ+n = e imn2π/6 x 2ν+m e inν2π/3 e imµ2π/2. m=0 ν=0 20
21 Obr. 12: Postup výpočtu diskrétní Fourierovy transformace pro N = 6, p = 2, M = 3 (převzato z [1] str. 127). 4.2 Rychlá Fourierova transformace pro N prvočíselné Pokud N je prvočíslo, nemůžeme algoritmy popsané výše použít. V tom případě je jednou z možností rozšířít původní posloupnost nulovými členy tak, aby počet členů takto vzniklé posloupnosti byl roven 2 m pro nějaké celé číslo m. Potom můžeme použít algoritmus rychlé Fourierovy transformace pro N = 2 m. 21
22 Kapitola 5 Testování algoritmu na zadaných datech Efektivitu algoritmu rychlé Fourierovy transformace jsem ověřila na konkrétním příkladě. Jako testovací vstupní data jsem použila posloupnost danou vzorcem x j = sin πj2, j = 0, 1,..., N (viz [2], str.9, cvičení 1.2.3). Za N jsem postupně volila hodnoty 2 m pro m = 3,..., 9. Diskrétní Fourierovu transformaci jsem potom pro každé N vypočítala nejprve pomocí algoritmu rychlé Fourierovy transformace metodou vybraných vstupních posloupností s neproměnným pořadím a s bitově invertovanou vstupní posloupností, který je popsán v kapitole 3.2, potom i přímým dosazením do vzorce (2.1), kterým je diskrétní Fourierova transformace definována. Pro hodnoty N vyšší než 512 byl již výpočet diskrétní Fourierovy transformace dosazením do definičního vzorce příliš časově náročný, proto jsem pro N = 1024 a N = 2048 použila už jen rychlou Fourierovu transformaci. Doby výpočtů v sekundách jsou pro jednotlivá N pro oba algoritmy uvedeny v následující tabulce: 22
23 Jak je vidět z údajů uvedených v tabulce, výhodnost rychlé Fourierovy transformace se pro velké hodnoty N projevuje opravdu výrazně. Pro N = 128 je rychlá Fourierova transformace rychlejší téměř stokrát, pro N = 512 dokonce skoro tisíckrát. Rozdílu si však můžeme všimnout již u N = 32. Oba algoritmy jsem vytvořila v programu Mathematica 6. Zde jsou jejich realizace. Nejprve program pro výpočet diskrétní Fourierovy transformace dosazením do (2.1): (*delka vstupni posloupnosti*) n=128; (*vektor vstupni posloupnosti*) A=Array[Sin[(p*(#) 2 )/256]&,n,0]; W= - *2*p/n; Wk=Array[0,n]; X=Array[0,n]; For[k=0,k<n,k++,X[[k+1]]=0;] (*predpocitane hodnoty (W^k): *) For[k=0,k<n,k++,Wk[[k+1]]=W k ;] (*DFT vypocitana podle definicniho vzorce:*) For[k=0,k<n,k++, For[i=0,i<n,i++, X[[k+1]]=X[[k+1]]+A[[i+1]]*Wk[[Mod[k*i,n] +1]]; ] ] (*zobrazi hodnoty obrazove posloupnosti:*) Print[N[X]]; Na následující straně se potom nachází realizace algoritmu rychlé Fourierovy transformace metodou vybraných vstupních posloupností s neproměnným pořadím a s bitově invertovanou vstupní posloupností: 23
24 (*delka vstupni posloupnosti*) n=128; (*vektor vstupni posloupnosti*) A=Array[Sin[(p*(#)2)/256]&,n,0]; log=log[2,n]; W= - *2*p/n; X=Array[0,n]; (*bitova inverze:cleny vstupni posloupnosti se ulozi do pole X v poradi potrebnem pro algoritmus FFT, predstavuji vlastne jiz DFT delky 1 *) For[i=0,i<n,i++, k=mod[i,2]; t=integerpart[i/2]; For[j=1,j<log,j++, k=mod[t,2]+k*2; t=integerpart[t/2] ]; X[[k+1]]=A[[i+1]]; ]; (*predpocitani hodnot W^i,i=0,...,N/2-1, jsou ulozeny do pole A:*) For[i=0,i<n/2,i++,A[[i+1]]=Wi;] (*vlastni algoritmus FFT: d...aktualni delka posloupnosti, ze kterych v danem kroku vybirame liche a sude cleny pocetposl...pocet posloupnosti v danem kroku *) d=1; For[i=0,i<log,i++, d=d*2; pocetposl=n/d; For[k=1,k<(n+1),k=k+d, For[j=0,j<d/2,j++, (*MOTYLEK:*) X[[k+j+d/2]]=X[[k+j+d/2]]*A[[j*pocetposl+1]]; pom=x[[k+j+d/2]]+x[[k+j]]; X[[k+j+d/2]]=X[[k+j]]-X[[k+j+d/2]]; X[[k+j]]=pom; ]; ] ] Print[N[X]]; (* zobrazi obrazovou posloupnost*) 24
25 Literatura [1] Čížek V.: Diskrétní Fourierova transformace a její použití, SNTL, Praha, [2] Najzar K.: Základy teorie waveletů, Karolinum, Praha, [3] Segeth K.: Numerický software I, Karolinum, Praha,
KTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceFOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth
FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VícePřednáška 3: Limita a spojitost
3 / 1 / 17, 1:38 Přednáška 3: Limita a spojitost Limita funkce Nejdříve je potřeba upřesnit pojmy, které přesněji popisují (topologickou) strukturu množiny reálných čísel, a to zejména pojem okolí 31 Definice
VíceMatematika (KMI/PMATE)
Úvod do matematické analýzy Funkce a její vlastnosti Funkce a její vlastnosti Veličina Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Funkce a její
VíceMatematika I (KMI/PMATE)
Přednáška první aneb Úvod do matematické analýzy Funkce a její vlastnosti Úvod do matematické analýzy Osnova přednášky pojem funkce definice funkce graf funkce definiční obor funkce obor hodnot funkce
VíceMatice přechodu. Pozorování 2. Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např.
Matice přechodu Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např. u příkladu 7 (v ) dostaneme: Nyní bychom mohli postupovat jako u matice homomorfismu
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceBAKALÁŘSKÁ PRÁCE. Podmíněné hustoty
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Vladimír Krásný Podmíněné hustoty Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: RNDr. Jan Seidler,
Více0.1 Funkce a její vlastnosti
0.1 Funkce a její vlastnosti Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost (m) čas (t) výše úrokové sazby v bance (i) cena
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
VíceŘetězové zlomky. již čtenář obeznámen. Důraz bude kladen na implementační stránku, protože ta je ve
Faktorizace čísel pomocí řetězových zlomků Tento text se zabývá algoritmem CFRAC (continued fractions algorithm) pro rozkládání velkých čísel (typicky součinů dvou velkých prvočísel). Nebudeme se zde zabývat
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Pojem funkce Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost
Více7. Funkce jedné reálné proměnné, základní pojmy
, základní pojmy POJEM FUNKCE JEDNÉ PROMĚNNÉ Reálná funkce f jedné reálné proměnné je funkce (zobrazení) f: X Y, kde X, Y R. Jde o zvláštní případ obecného pojmu funkce definovaného v přednášce. Poznámka:
VíceAPROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL
APROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL Jiří Kulička 1 Anotace: Článek se zabývá odvozením, algoritmizací a popisem konstrukce
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
VíceFiltrace snímků ve frekvenční oblasti. Rychlá fourierova transformace
Filtrace snímků ve frekvenční oblasti Rychlá fourierova transformace semestrální práce z předmětu KIV/ZVI zpracoval: Jan Bařtipán A03043 bartipan@students.zcu.cz Obsah Úvod....3 Diskrétní Fourierova transformace
VíceRacionální čísla. teorie řešené úlohy cvičení tipy k maturitě výsledky. Víš, že. Naučíš se
teorie řešené úlohy cvičení tipy k maturitě výsledky Víš, že racionální v matematice znamená poměrový nebo podílový, zatímco v běžné řeči ho užíváme spíše ve významu rozumový? zlomky používali již staří
VíceVYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,
VíceCVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17
CVIČNÝ TEST 15 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Je dána čtvercová mřížka, v níž každý čtverec má délku
Více31ZZS 9. PŘEDNÁŠKA 24. listopadu 2014
3ZZS 9. PŘEDNÁŠKA 24. listopadu 24 SPEKTRÁLNÍ ANALÝZA Fourierovy řady Diskrétní Fourierovy řady Fourierova transformace Diskrétní Fourierova transformace Spektrální analýza Zobrazení signálu ve frekvenční
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VícePRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE
PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
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
VíceLimita funkce. FIT ČVUT v Praze. (FIT) Limita funkce 3.týden 1 / 39
Limita funkce FIT ČVUT v Praze 3.týden (FIT) Limita funkce 3.týden 1 / 39 Definice funkce. Zobrazení (f, D f ), jehož definiční obor D f i obor hodnot H f je podmnožinou množiny reálných čísel, se nazývá
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
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).
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
VíceMATURITNÍ TÉMATA Z MATEMATIKY
MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické
VícePeriodicita v časové řadě, její popis a identifikace, exponenciální vyrovnáván
Periodicita v časové řadě, její popis a identifikace, exponenciální vyrovnávání Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Periodicita v časových
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.
VíceVolba zobrazení (Direct Current, Scaling) - FFT 1D, FFT 2D
Volba zobrazení (Direct Current, Scaling) - FFT 1D, FFT 2D Jiří Stančík Fakulta chemická, Vysoké učení technické v Brně Purkyňova 118, 61200 Brno e-mail: HTUxcstancik@fch.vutbr.czUTH Úkolem této práce
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
Vícesin(x) x lim. pomocí mocninné řady pro funkci sin(x) se středem x 0 = 0. Víme, že ( ) k=0 e x2 dx.
Použití mocniných řad Nejprve si ukážeme dvě jednoduchá použití Taylorových řad. Příklad Spočtěte následující limitu: ( ) sin(x) lim. x x ( ) Najdeme lim sin(x) x x pomocí mocninné řady pro funkci sin(x)
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
Více12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ
56 12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ Těžiště I. impulsová věta - věta o pohybu těžiště II. impulsová věta Zákony zachování v izolované soustavě hmotných bodů Náhrada pohybu skutečných objektů pohybem
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
VícePříklad 1. Řešení 1a. Řešení 1b ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 5
Příklad 1 Najděte totální diferenciál d (h) pro h=(h,h ) v příslušných bodech pro následující funkce: a) (,)= cos, =1; b) (,)=ln( + ), =2; 0 c) (,)=arctg(), =1; 0 1 d) (,)= +, =1; 1 Řešení 1a Máme nalézt
VíceANALÝZA LIDSKÉHO HLASU
ANALÝZA LIDSKÉHO HLASU Pomůcky mikrofon MCA-BTA, LabQuest, program LoggerPro (nebo LoggerLite), tabulkový editor Excel, program Mathematica Postup Z každodenní zkušenosti víme, že každý lidský hlas je
VícePříklad 1. Řešení 1a Máme vyšetřit lichost či sudost funkce ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 3
Příklad 1 Zjistěte, zda jsou dané funkce sudé nebo liché, případně ani sudé ani liché: a) =ln b) = c) = d) =4 +1 e) =sin cos f) =sin3+ cos+ Poznámka Všechny tyto úlohy řešíme tak, že argument funkce nahradíme
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VíceDerivace funkce Otázky
funkce je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako směrnici tečny grafu
VíceManagement rekreace a sportu. 10. Derivace
Derivace Derivace Před mnoha lety se matematici snažily o obecné vyřešení úlohy, jak sestrojit tečnu k dané křivce a také yzici zápolili s problémem určení rychlosti nerovnoměrného pohybu K zásadnímu obratu
VíceZimní semestr akademického roku 2014/ prosince 2014
Cvičení k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikované matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičení Zimní semestr akademického roku 2014/2015 2. prosince 2014 Předmluva
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VícePomocný text. Polynomy
Pomocný text Polynomy Tato série bude o polynomech a to zejména o polynomech jedné proměnné (pokud nebude uvedeno explicitně, že jde o polynom více proměnných). Formálně je někdy polynom jedné proměnné
VíceMetody výpočtu limit funkcí a posloupností
Metody výpočtu limit funkcí a posloupností Martina Šimůnková, 6. listopadu 205 Učební tet k předmětu Matematická analýza pro studenty FP TUL Značení a terminologie R značí množinu reálných čísel, rozšířenou
VíceDerivace funkce DERIVACE A SPOJITOST DERIVACE A KONSTRUKCE FUNKCÍ. Aritmetické operace
Derivace funkce Derivace je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
Více9. cvičení z Matematické analýzy 2
9. cvičení z Matematické analýzy 7. listopadu -. prosince 7 9. Určete Fourierovu řadu periodického rozšíření funkce ft = t na, a její součet. Definice: Necht f je -periodická funkce, která je integrabilní
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
Více" Furierova transformace"
UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM FAKULTA ŽIVOTNÍHO PROSTŘEDÍ " Furierova transformace" Seminární práce z předmětu Dálkový průzkum Země Marcela Bartošová, Veronika Bláhová OŽP, 3.ročník
VíceUniverzita Karlova v Praze procesy II. Zuzana. funkce
Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 11.-12.3. 2010 1 Outline Lemma 1: 1. Nechť µ, ν jsou konečné míry na borelovských
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. března 2014, 12:42 1 2 0.1 Násobení matic Definice 1. Buďte m, n, p N, A
VíceNMAF 051, ZS Zkoušková písemná práce 16. ledna 2009
Jednotlivé kroky při výpočtech stručně, ale co nejpřesněji odůvodněte. Pokud používáte nějaké tvrzení, nezapomeňte ověřit splnění předpokladů. Jméno a příjmení: Skupina: Příklad 3 5 Celkem bodů Bodů 8
VíceHisab al-džebr val-muqabala ( Věda o redukci a vzájemném rušení ) Muhammada ibn Músá al-chvárizmího (790? - 850?, Chiva, Bagdád),
1 LINEÁRNÍ ALGEBRA 1 Lineární algebra Slovo ALGEBRA pochází z arabského al-jabr, což znamená nahrazení. Toto slovo se objevilo v názvu knihy islámského matematika Hisab al-džebr val-muqabala ( Věda o redukci
VíceSouth Bohemia Mathematical Letters Volume 23, (2015), No. 1, DĚLENÍ KRUHU NA OBLASTI ÚVOD
South Bohemia Mathematical Letters Volume 23, (2015), No. 1, 113-122. DĚLENÍ KRUHU NA OBLASTI MAREK VEJSADA ABSTRAKT. V textu se zabývám řešením následujícího problému: Zvolíme na kružnici určitý počet
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VícePosloupnosti a jejich limity
KMA/MAT Přednáška č. 7, Posloupnosti a jejich ity 5. listopadu 203 Motivační příklady Prozkoumejme, zatím laicky, následující posloupnosti: Posloupnost, 4, 9,..., n 2,... : Hodnoty rostou nade všechny
VíceDefinice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují
Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
VíceDerivace funkcí více proměnných
Derivace funkcí více proměnných Pro studenty FP TUL Martina Šimůnková 16. května 019 1. Derivace podle vektoru jako funkce vektoru. Pro pevně zvolenou funkci f : R d R n a bod a R d budeme zkoumat zobrazení,
VíceNejčastějšími funkcemi, s kterými se setkáváme v matematice i v jejích aplikacích, jsou
4 Cíle Nejčastějšími funkcemi, s kterými se setkáváme v matematice i v jejích aplikacích, jsou funkce, jejichž ita v bodě 0 je rovna funkční hodnotě v tomto bodě Seznámíme se s vlastnostmi takových funkcí
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceDeterminanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu.
Determinanty Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Determinanty Definice determinantu Sarrusovo a křížové pravidlo Laplaceův rozvoj Vlastnosti determinantu Výpočet determinantů 2 Inverzní
VíceMonotonie a lokální extrémy. Konvexnost, konkávnost a inflexní body. 266 I. Diferenciální počet funkcí jedné proměnné
66 I. Diferenciální počet funkcí jedné proměnné I. 5. Vyšetřování průběhu funkce Monotonie a lokální etrémy Důsledek. Nechť má funkce f) konečnou derivaci na intervalu I. Je-li f ) > 0 pro každé I, pak
VíceGymnázium Jiřího Ortena, Kutná Hora
Předmět: Cvičení z matematiky Náplň: Systematizace a prohloubení učiva matematiky Třída: 4. ročník Počet hodin: 2 Pomůcky: Učebna s dataprojektorem, PC, grafický program, tabulkový procesor Číselné obory
VíceNěkolik aplikací. Kapitola 12
Kapitola 12 Několik aplikací Diskrétní a rychlá Fourierova transformace Diskrétní Fourierova transformace spočívá ve změně reprezentace polynomu s koeficienty v nějakém tělese T Obvyklá reprezentace polynomu
VíceMĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
VíceKapitola 1: Reálné funkce 1/13
Kapitola 1: Reálné funkce 1/13 Číselné množiny N, N 0, Z, Q, I, R, C Definice: Kartézský součin M N množin M a N je množina všech uspořádaných dvojic, ve kterých je první složka prvkem množiny M a druhá
VíceCVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4.
CVIČENÍ POZNÁMKY. CVIČENÍ. Vazby mezi systémy. Bloková schémata.vazby mezi systémy a) paralelní vazba b) sériová vazba c) zpětná (antiparalelní) vazba. Vnější popis složitých systémů a) metoda postupného
Více1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
VíceSOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojm: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocnin neznámé, tj. a n n + a n 1 n 1 +... + a 2 2 + a 1 + a 0 = 0, kde n je přirozené číslo.
VícePolynomy. Mgr. Veronika Švandová a Mgr. Zdeněk Kříž, Ph. D. 1.1 Teorie Zavedení polynomů Operace s polynomy...
Polynomy Obsah Mgr. Veronika Švandová a Mgr. Zdeněk Kříž, Ph. D. 1 Základní vlastnosti polynomů 2 1.1 Teorie........................................... 2 1.1.1 Zavedení polynomů................................
VíceSoustavy se spínanými kapacitory - SC. 1. Základní princip:
Obvody S - popis 1 Soustavy se spínanými kapacitory - S 1. Základní princip: Simulace rezistoru přepínaným kapacitorem viz známý obrázek! (a rovnice) Modifikace základního spínaného obvodu: Obr. 2.1: Zapojení
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceRelativní Eulerova funkce
MUNDUS SYMBOLICUS 25 (2017) Relativní Eulerova funkce J. Nečas Abstract. The article deals with the sequence of ratios between values of the Euler function of the natural number n and that number n. Klíčová
Víceoznačme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,
Komplexní čísla Množinu všech uspořádaných dvojic (x, y) reálných čísel x, y nazýváme množinou komplexních čísel C, jestliže pro každé dvě takové dvojice (x, y ), (x 2, y 2 ) je definována rovnost, sčítání
VíceDerivace funkce. prof. RNDr. Čestmír Burdík DrCs. prof. Ing. Edita Pelantová CSc. Katedra matematiky BI-ZMA ZS 2009/2010
Derivace funkce prof. RNDr. Čestmír Burdík DrCs. prof. Ing. Edita Pelantová CSc. Katedra matematiky České vysoké učení technické v Praze c Čestmír Burdík, Edita Pelantová 2009 Základy matematické analýzy
VíceFunkce základní pojmy a vlastnosti
Funkce základní pojm a vlastnosti Základ všší matematik LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplín společného
VíceTeorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy
Teorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy Lukáš Havrlant Univerzita Palackého 10. ledna 2014 Primární zdroj Jiří Adámek: Foundations of Coding. Strany 137 160. Na webu ke stažení, heslo:
VíceGymnázium Jiřího Ortena, Kutná Hora
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Cvičení z matematiky algebra (CZMa) Systematizace a prohloubení učiva matematiky: Číselné obory, Algebraické výrazy, Rovnice, Funkce, Posloupnosti, Diferenciální
VíceMgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel
Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014 1. Obor reálných čísel - obor přirozených, celých, racionálních a reálných čísel - vlastnosti operací (sčítání, odčítání, násobení, dělení) -
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
Více[1] Determinant. det A = 0 pro singulární matici, det A 0 pro regulární matici
[1] Determinant je číslo jistým způsobem charakterizující čtvercovou matici det A = 0 pro singulární matici, det A 0 pro regulární matici používá se při řešení lineárních soustav... a v mnoha dalších aplikacích
Více2 Reálné funkce jedné reálné proměnné
2 Reálné funkce jedné reálné proměnné S funkcemi se setkáváme na každém kroku, ve všech přírodních vědách, ale i v každodenním životě. Každá situace, kd jsou nějaký jev nebo veličina jednoznačně určen
VíceVZOROVÝ TEST PRO 1. ROČNÍK (1. A, 3. C)
VZOROVÝ TEST PRO. ROČNÍK (. A, 3. C) Zjednodušte daný příklad. (a 2 3 b 3 4) 2 (a 2 b 3 8) 3 max. 3 body 2 Ve které z následujících možností je uveden správný postup usměrnění daného zlomku a správný výsledek?
VíceCVIČNÝ TEST 5. OBSAH I. Cvičný test 2. Mgr. Václav Zemek. II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19
CVIČNÝ TEST 5 Mgr. Václav Zemek OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19 I. CVIČNÝ TEST 1 Zjednodušte výraz (2x 5) 2 (2x 5) (2x + 5) + 20x. 2 Určete nejmenší trojciferné
Více1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:
Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
Více