Lineární algebra rekonstrukce obrazu
|
|
- Františka Zemanová
- před 7 lety
- Počet zobrazení:
Transkript
1 Lineární algebra rekonstrukce obrazu Prezentace práce pro matematický seminář 0 Mdx Theuer 20. října Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
2 Obsah Matematická reprezentace obrazu 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
3 Obsah Matematická reprezentace obrazu Popis lineárního modelu rozostření 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
4 Obsah Matematická reprezentace obrazu Popis lineárního modelu rozostření Odvození a realizace vybraných metod 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
5 Obsah Matematická reprezentace obrazu Popis lineárního modelu rozostření Odvození a realizace vybraných metod Testování na příkladech 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
6 Obsah Matematická reprezentace obrazu Popis lineárního modelu rozostření Odvození a realizace vybraných metod Testování na příkladech Současná práce 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
7 Matematická reprezentace obrazu 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
8 Matematická reprezentace obrazu f (x, y) = f (1, 1) f (1, 2) f (1, n) f (2, 1) f (2, 2) f (2, n) f (m, 1) f (m, 2) f (m, n) X = x 1,1 x 1,2 x 1,n x 2,1 x 2,2 x 2,n x m,1 x m,2 x m,n 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
9 Matematická reprezentace obrazu f (x, y) = f (1, 1) f (1, 2) f (1, n) f (2, 1) f (2, 2) f (2, n) f (m, 1) f (m, 2) f (m, n) X = x 1,1 x 1,2 x 1,n x 2,1 x 2,2 x 2,n x m,1 x m,2 x m,n x = vec( X). 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
10 Lineární model rozostření Předpokládáme existenci přesného obrazu x 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
11 Lineární model rozostření Předpokládáme existenci přesného obrazu x Vlivem různých podmínek dochází k rozostření a vzniku neostrého obrazu b 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
12 Lineární model rozostření Předpokládáme existenci přesného obrazu x Vlivem různých podmínek dochází k rozostření a vzniku neostrého obrazu b Proces rozostření modelujeme jako násobení maticí A A x = b 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
13 Lineární model rozostření Předpokládáme existenci přesného obrazu x Vlivem různých podmínek dochází k rozostření a vzniku neostrého obrazu b Proces rozostření modelujeme jako násobení maticí A A x = b A x + n = b 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
14 Kvazi-Newtonovy metody 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
15 Kvazi-Newtonovy metody Řešíme systém A T A x = A T b, 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
16 Kvazi-Newtonovy metody Řešíme systém A T A x = A T b, jehož řešení odpovídá minimalizaci minf ( x) = 1 2 xt A T A x x T A b, 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
17 Kvazi-Newtonovy metody Řešíme systém A T A x = A T b, jehož řešení odpovídá minimalizaci minf ( x) = 1 2 xt A T A x x T A b, což vede k předpisu x k+1 = x k α k M k g k = x k + α k M k r k 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
18 Metody bez omezení Landweberova metoda α (0, 2ρ(A T A) 1 ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
19 Metody bez omezení Landweberova metoda α (0, 2ρ(A T A) 1 ) Residual Norm Steepest Descent - RNSD α k = min α>0 f ( x k α g k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
20 Metody bez omezení Landweberova metoda α (0, 2ρ(A T A) 1 ) Residual Norm Steepest Descent - RNSD α k = min α>0 f ( x k α g k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
21 Metody s omezením Minimalizační úloha min f ( x), x Ω B kde Ω B = { x R n : x 0}, f ( x) = 1 2 xt A T A x x T A b. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
22 Metody s omezením Minimalizační úloha min f ( x), x Ω B kde Ω B = { x R n : x 0}, f ( x) = 1 2 xt A T A x x T A b. Projekce Nechť je Ω B je neprázdná konvexní podmnožina euklidovského prostoru R n a x prvkem tohoto prostoru. Projekce P ΩB ( x) do Ω B je dána [P ΩB ( x)] i = max{0, x i }, i = 1, 2,..., n 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
23 Metody s omezením FSGP Fixed Steplength Gradient Projection - FSGP α (0, 2ρ(A T A) 1 ) x k+1 = P ΩB ( x k α g k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
24 Metody s omezením FSGP Fixed Steplength Gradient Projection - FSGP α (0, 2ρ(A T A) 1 ) x k+1 = P ΩB ( x k α g k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
25 Metody s omezením RNSDP Residual Norm Steepest Descent with Projection - RNSDP 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
26 Metody s omezením RNSDP Residual Norm Steepest Descent with Projection - RNSDP α BO - ideální délka kroku bez omezení, která je stejná jako v případě RNSD α BO = min α>0 f ( x k α BO g k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
27 Metody s omezením RNSDP Residual Norm Steepest Descent with Projection - RNSDP α BO - ideální délka kroku bez omezení, která je stejná jako v případě RNSD α BO = min α>0 f ( x k α BO g k ) α O - délka omezeného kroku α O = min { x i i / A}, g>0 g i je taková délka kroku ve směru g, který by vedl právě na hranici. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
28 Metody s omezením RNSDP Residual Norm Steepest Descent with Projection - RNSDP α BO - ideální délka kroku bez omezení, která je stejná jako v případě RNSD α BO = min α>0 f ( x k α BO g k ) α O - délka omezeného kroku α O = min { x i i / A}, g>0 g i je taková délka kroku ve směru g, který by vedl právě na hranici. α FS - pevná délka kroku α FS (0, 2ρ(A T A) 1 ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
29 Metody s omezením RNSDP 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
30 Metody s omezením MRNSD Modified Residual norm Steepest Descent - MRNSD x = e z 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
31 Metody s omezením MRNSD Modified Residual norm Steepest Descent - MRNSD x = e z minf ( x) = 1 2 ez A T Ae z e z A b 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
32 Metody s omezením MRNSD Modified Residual norm Steepest Descent - MRNSD x = e z minf ( x) = 1 2 ez A T Ae z e z A b pro kterou platí: f (z) = x f ( x) Iterační předpis: x k+1 = x k α x k f ( x) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
33 Metody s omezením Konvergence 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
34 Testování na příkladech Testovací data 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
35 Testování na příkladech Výsledky Obrázek: RNSDP a MRNSD 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
36 Současná práce MPRGP - náhled Modified Proportioning with Reduced Gradient Projections - MPRGP Je dáno ( x 0 Ω, α FS 0, A T A 1, Γ > 0, 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
37 Současná práce MPRGP - náhled Modified Proportioning with Reduced Gradient Projections - MPRGP Je dáno ( x 0 Ω, α FS 0, A T A 1, Γ > 0, pro k 0 a známé x k generujeme x k+1 podle následujících pravidel: Pokud je ν ( x k) = 0: x k+1 = x k. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
38 Současná práce MPRGP - náhled Modified Proportioning with Reduced Gradient Projections - MPRGP Je dáno ( x 0 Ω, α FS 0, A T A 1, Γ > 0, pro k 0 a známé x k generujeme x k+1 podle následujících pravidel: Pokud je ν ( x k) = 0: x k+1 = x k. Pokud je x k strictly proportional a ν ( x k) 0, zkusíme generovat x k+1 jako conjugate gradient step. Pokud x k+1 Ω, přijmeme jej, jinak generujeme x k+1 pomocí expansion step. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
39 Současná práce MPRGP - náhled Modified Proportioning with Reduced Gradient Projections - MPRGP Je dáno ( x 0 Ω, α FS 0, A T A 1, Γ > 0, pro k 0 a známé x k generujeme x k+1 podle následujících pravidel: Pokud je ν ( x k) = 0: x k+1 = x k. Pokud je x k strictly proportional a ν ( x k) 0, zkusíme generovat x k+1 jako conjugate gradient step. Pokud x k+1 Ω, přijmeme jej, jinak generujeme x k+1 pomocí expansion step. Pokud x k není strictly proportional, provedeme proportioning, čímž získáme x k+1. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
40 Současná práce MPRGP MPRGP - Conjugate Gradient Step V každé iteraci testujeme podmínku ( β x k) 2 ( Γ ϕ x k) T ( ϕ x k) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
41 Současná práce MPRGP MPRGP - Conjugate Gradient Step V každé iteraci testujeme podmínku ( β x k) 2 ( Γ ϕ x k) T ( ϕ x k) pokud je splněna, zkusíme conjugate gradient step x k+1 = x k α CG p k, kde p k je směr sdružených gradientů, který je generován postupně. Generování začíná z p s = ϕ( x s ) kdykoli je x s získán z expansion step nebo proportioning step. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
42 Současná práce MPRGP MPRGP - Conjugate Gradient Step V každé iteraci testujeme podmínku ( β x k) 2 ( Γ ϕ x k) T ( ϕ x k) pokud je splněna, zkusíme conjugate gradient step x k+1 = x k α CG p k, kde p k je směr sdružených gradientů, který je generován postupně. Generování začíná z p s = ϕ( x s ) kdykoli je x s získán z expansion step nebo proportioning step. Pokud je x k+1 přípustné, přijmeme jej, jinak provedeme expansion step. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
43 Současná práce MPRGP MPRGP - Expansion Step Expansion step je krok s pevnou délkou a projekcí: x k+1 = P Ω ( x k α FS ϕ( x k )) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
44 Současná práce MPRGP MPRGP - Expansion Step Expansion step je krok s pevnou délkou a projekcí: x k+1 = P Ω ( x k α FS ϕ( x k )) Tento krok může rozšířit aktivní množinu. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
45 Současná práce MPRGP MPRGP - Expansion Step Expansion step je krok s pevnou délkou a projekcí: x k+1 = P Ω ( x k α FS ϕ( x k )) Tento krok může rozšířit aktivní množinu. MPRGP - Proportioning Step Proportioning step je krok restartování sdružených gradientů: x k+1 = x α CG β( x k ) 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
46 Současná práce MPRGP MPRGP - Expansion Step Expansion step je krok s pevnou délkou a projekcí: x k+1 = P Ω ( x k α FS ϕ( x k )) Tento krok může rozšířit aktivní množinu. MPRGP - Proportioning Step Proportioning step je krok restartování sdružených gradientů: x k+1 = x α CG β( x k ) Tento krok naopak odebírá indexy z aktivní množiny. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
47 Současná práce Aktuální stav 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
48 Současná práce Aktuální stav Jednotlivé algoritmy jsem přepsal s využitím knihovny RestoreTools, kterou vyvíjí James Nagy a jeho tým. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
49 Současná práce Aktuální stav Jednotlivé algoritmy jsem přepsal s využitím knihovny RestoreTools, kterou vyvíjí James Nagy a jeho tým. Implementoval jsem MPRGP pro nesymetrické matice obrazu. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
50 Současná práce Aktuální stav Jednotlivé algoritmy jsem přepsal s využitím knihovny RestoreTools, kterou vyvíjí James Nagy a jeho tým. Implementoval jsem MPRGP pro nesymetrické matice obrazu. Nepodařilo se mi dosáhnout výrazného zlepšení předchozích algoritmů. 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
51 Závěr Otázky? 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
52 Závěr Otázky? Děkuji za pozornost 0 Mdx Theuer () Lineární algebra rekonstrukce obrazu 20. října / 19
Faster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
VíceZákladní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
Více3. Přednáška: Line search
Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum
Vícestránkách přednášejícího.
Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce
Vícel, l 2, l 3, l 4, ω 21 = konst. Proved te kinematické řešení zadaného čtyřkloubového mechanismu, tj. analyticky
Kinematické řešení čtyřkloubového mechanismu Dáno: Cíl: l, l, l 3, l, ω 1 konst Proved te kinematické řešení zadaného čtyřkloubového mechanismu, tj analyticky určete úhlovou rychlost ω 1 a úhlové zrychlení
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
VíceMetoda sdružených gradientů
Metoda sdružených gradientů 1 Poznámka A-skalární součin, A-norma (energetická norma) Standardní euklidovský skalární součin vektorů n x, y = y T x = y i x i. i=1 A R n n je symetrická, pozitivně definitní,
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
Více7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.
7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceK oddílu VI.1 obecné slabé topologie Příklad 1. Necht X = C([0, 1]) s topologií bodové konvergence na [0, 1]. Popište všechny
FUNKCIONÁLNÍ ANALÝZA 1 PŘÍKLADY PRO POROZUMĚNÍ LÁTCE ZS 2016/2017 PŘÍKLADY KE KAPITOLE VI K oddílu VI.1 obecné slabé topologie Příklad 1. Necht X = C([0, 1]) s topologií bodové konvergence na [0, 1]. Popište
VícePrincip řešení soustavy rovnic
Princip řešení soustavy rovnic Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Formulace úlohy Metody řešení
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.
VíceDRN: Kořeny funkce numericky
DRN: Kořeny funkce numericky Kořenem funkce f rozumíme libovolné číslo r splňující f(r) = 0. Fakt. Nechť f je funkce na intervalu a, b. Jestliže f(a) f(b) < 0 (tj. f(a) a f(b) mají opačná znaménka) a f
VíceOPTIMALIZACE. (přehled metod)
OPTIMALIZACE (přehled metod) Typy optimalizačních úloh Optimalizace bez omezení Nederivační metody Derivační metody Optimalizace s omezeními Lineární programování Nelineární programování Globální optimalizace
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
VíceFormální jazyky a gramatiky Teorie programovacích jazyků
Formální jazyky a gramatiky Teorie programovacích jazyků doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Připomenutí základních pojmů ABECEDA jazyk je libovolná podmnožina
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,
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceSOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojmy: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocniny neznámé x, tj. a n x n + a n 1 x n 1 +... + a x + a 1 x + a 0 = 0, kde n je přirozené
VíceLineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
VíceBáze konečněrozměrných vektorových prostorů, lineární zobrazení vektorových prostorů
Báze konečněrozměrných vektorových prostorů, lineární zobrazení vektorových prostorů Buď (V, +, ) vektorový prostor nad tělesem (T, +, ) Připomeňme, že konečná posloupnost u 1, u 2,, u n vektorů z V je
VíceIterační metody řešení soustav lineárních rovnic. 27. prosince 2011
Iterační metody řešení soustav lineárních rovnic Michal Čihák 27. prosince 2011 Přímé metody řešení soustav lineárních rovnic V přednáškách z lineární algebry jste se seznámili s několika metodami řešení
VíceKVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
VíceKapitola 5. SLAR - gradientní metody
23.3.2o7 Kapitola 5. SLAR - gradientní metody Metody na řešení SLAR přímé (GEM, metoda LU-rozkladu) iterační (Jacobiova m., Gauss-Seidelova m., metoda SOR) gradientní X X Motivace Uvažujme kvadratickou
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
VíceOperační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP.
Operační výzkum Řešení maticových her převodem na úlohu LP. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
Více2. kapitola: Euklidovské prostory
2. kapitola: Euklidovské prostory 2.1 Definice. Euklidovským n-rozměrným prostorem rozumíme neprázdnou množinu E n spolu s vektorovým prostorem V n a přiřazením, které každému bodu a z E n a každému vektoru
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
Více4EK213 Lineární modely. 5. Dualita v úlohách LP
4EK213 Lineární modely 5. Dualita v úlohách LP 5. Dualita v úlohách LP Obecné vyjádření simplexové tabulky Formulace duálního problému Formulace symetrického duálního problému Formulace nesymetrického
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
VíceMetoda konjugovaných gradientů
0 Metoda onjugovaných gradientů Ludě Kučera MFF UK 11. ledna 2017 V tomto textu je popsáno, ja metodou onjugovaných gradientů řešit soustavu lineárních rovnic Ax = b, de b je daný vetor a A je symetricá
VíceMatice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
VíceAplikace metody BDDC
Aplikace metody BDDC v problémech pružnosti P. Burda, M. Čertíková, E. Neumanová, J. Šístek A. Damašek, J. Novotný FS ČVUT, ÚT AVČR 14.9.2006 / SAMO 06 (FS ČVUT, ÚT AVČR) 14.9.2006 / SAMO 06 1 / 46 Osnova
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VícePravděpodobnostní algoritmy
Pravděpodobnostní algoritmy 17. a 18. přednáška z kryptografie Alena Gollová 1/31 Obsah 1 Diskrétní rozdělení náhodné veličiny Algoritmus Generate and Test 2 Alena Gollová 2/31 Diskrétní rozdělení náhodné
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceOkruh Lineární rovnice v Z m Těleso Gaussova eliminace (GEM) Okruh Z m. Jiří Velebil: X01DML 19. listopadu 2007: Okruh Z m 1/20
Okruh Z m Jiří Velebil: X01DML 19. listopadu 2007: Okruh Z m 1/20 Minule: 1 Slepování prvků Z modulo m: množina Z m. 2 Operace na Z m : m (sčítání), m (násobení). 3 Speciální prvky: [0] m a [1] m. 4 Vlastnosti
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
VíceJaroslav Tuma. 8. února 2010
Semestrální práce z předmětu KMA/MM Odstraňování šumu z obrazu Jaroslav Tuma 8. února 2010 1 1 Zpracování obrazu Zpracování obrazu je disciplína zabývající se zpracováním obrazových dat různého původu.
VíceAlgoritmus pro hledání vlastních čísel kvaternionových matic
Úvod Algoritmus pro hledání vlastních čísel kvaternionových matic Bc. Martin Veselý Fakulta jaderná a fyzikálně inženýrská Katedra softwarového inženýrství v ekonomii Skupina aplikované matematiky a stochastiky
VícePROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
VíceDetekce kartografického zobrazení z množiny
Detekce kartografického zobrazení z množiny bodů Tomáš Bayer Katedra aplikované geoinformatiky Albertov 6, Praha 2 bayertom@natur.cuni.cz Abstrakt. Detekce kartografického zobrazení z množiny bodů o známých
Víceě ě ú ě ě ě ě ě ň ě ň ů ě ů Ý ě ě ů ň ě Í ě ň ě ě Ž ě ň ě ě ú ů ú ě ě ě ú ě ě ě ě ě ě ů ě ů ě ě ú ů ě ě ě Ž ů ě ě ú Ž Ž Ú ě ě ě ě Ž Ž ě ť Ž Í ě Ž ě Ž Ž ů ěž ů ěž ě Í Ú ů ě ů ě Ž Ž Ž ě ě ě ů ě ě ě ě ě ů
Víceř ú ú Š Í Á É ř ř ř é é ř ř š é ř ř š ř é ž é ž š é š é é ř ů ž ž ř é ř ů é é ž é ř é é ř é ú é é ž é é š ň é ř š é š é Ť é ř ů ž ž ď ř é é é ž ř é Š ů é ř é ř é Š ú ř Í ž ž ř ř Í é š ž é ř Ť š ř ř ř š
Víceň ý ě ý ý ý ě ň ý ě ý Ú ú ň ň ý ě ý ó ž ý ň ě ě ě ú ú Ř ň ň ý ě ý ě ě ž ý ž ě ý ě ý ě ě ů ě Ů Č Í Ě Á Á Í ě ě ě ě Ž Ů ú ě ě ě Ú ě ů ě ý ě ě ú ň ý ě Ů ž ů ž ě ý ý ý ý ě Č Č ě Č ě ů ý ě ý ý ž ě ě ž ů ž ě
Víceň Š ý ě ý Ě Á ý ý ě ň Š ý ě ý ú ň ň ý ě ý ó ě ž ý ň ě ě Š ú Š ú Š ň Á ň Š ň ý ě ý Š ž ý ě ý ů ě ě ž ý ě Š ě ě ě Ů Č Í Ě Á Á Í ě ě ě ě Ž Ů ú ě ě ě Ú ó ě ů ě ý Š ě ě ú ň ý ě Ů ž ů ž ě ý ý ý ě Č Č ě Š Č ě
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
Více4. Přednáška: Kvazi-Newtonovské metody:
4 Přednáša: Kvazi-Newtonovsé metody: Metody s proměnnou metriou, modifiace Newtonovy metody Efetivní pro menší úlohy s hustou Hessovou maticí Newtonova metoda (opaování): f aproximujeme loálně vadraticou
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
VíceÚvod do teorie her. 6. Koaliční hry
Úvod do teorie her 6. Koaliční hry Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2018 ÚTIA AV ČR Různé formy her Známé formy her jsou: rozvinutá, strategická, koaliční. Pro danou množinu hráčů N = {1,...,
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
Více4EK213 Lineární modely. 10. Celočíselné programování
4EK213 Lineární modely 10. Celočíselné programování 10.1 Matematický model úlohy ILP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceOdchylka ekliptiky od roviny Galaxie
Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy, Plasy 2 Gymnázium Botičská, Praha 3 Gymnázium Nad Štolou, Praha Týden Vědy, 2010 Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy,
VíceZpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
VíceMatice. Je dána matice A R m,n, pak máme zobrazení A : R n R m.
Matice lineárních zobrazení [1] Připomenutí Zobrazení A : L 1 L 2 je lineární, když A( x + y ) = A( x ) + A( y ), A(α x ) = α A( x ). Což je ekvivalentní s principem superpozice: A(α 1 x 1 + + α n x n
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...............................
Více1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
Více2 ab. ), (ii) (1, 2, 3), (iii) ( 3α+8,α+12,6α 16
Řešení úloh... Hroch dostane 80 mg prvního a 80 mg druhého přípravku.. V hospodě je 0 čtyřmístných šestimístných a osmimístné stoly.. i) pro ab právě jedno řešení: x = 5b ab y = a+5 ab pro a = 5 ab = nekonečně
VíceMETRICKÉ A NORMOVANÉ PROSTORY
PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
VíceÚvod do teorie her
Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu
VíceNumerické metody lineární algebry
Numerické metody lineární algebry 1 Úvod 11 Úlohy lineární algebry 1 Řešení soustav lineárních rovnic A x = b Řešení soustavy s regulární čtvercovou maticí A řádu n n pro 1 nebo více pravých stran Výpočet
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceM5170: Matematické programování
M5170: Matematické programování Petr Zemánek (Masarykova Univerzita, Brno) Kapitola 3: Numerické metody řešení úloh matematického programování I (verze: 28. ledna 2019) Obecný úvod Nyní se již konečně
Více!!! #!! # % & ()!+ %& #( ) +,,!,!!./0./01 2 34 % 00 (1!#! #! #23 + )!!,,5,!+ 4)!005!! 6 )! %,76!,8, )! 44 %!! #! #236!!1 1 5 6 5+!!1 ( 9 9!5 6 + /+ # % 7 8 % : 4; 2,/! = %
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceLineární algebra : Změna báze
Lineární algebra : Změna báze (13. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 8. dubna 2014, 10:47 1 2 13.1 Matice přechodu Definice 1. Nechť X = (x 1,..., x n ) a Y = (y 1,...,
VíceMetody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením
Metody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením J. Machalová, P. Ženčák, R. Kučera Katedra matematické analýzy a aplikací matematiky PřF UP Olomouc Katedra matematiky a deskriptivní
VíceCo jsme udělali: Au = f, u D(A)
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceVyučující: Jan Chleboun, místnost B-305, linka 3866 Konzultace: čtvrtek 13:00-14:40 nebo dle dohody
Předmět: MA04 Vyučující: Jan Chleboun, místnost B-305, linka 3866 (jan.chleboun@cvut.cz) Konzultace: čtvrtek 13:00-14:40 nebo dle dohody Sledovat informace na webových stránkách vyučujícího (o zkoušce,
VíceMETODY OPTIMALIZACE ZDENĚK DOSTÁL, PETR BEREMLIJSKI
METODY OPTIMALIZACE ZDENĚK DOSTÁL, PETR BEREMLIJSKI Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na kterém se společně podílela Vysoká
Více2 Vektorové normy. Základy numerické matematiky - NMNM201. Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro
Cvičení 1 Základy numerické matematiky - NMNM201 1 Základní pojmy opakování Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro libovolný skalár α C následující podmínky:
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceCvičení 5 - Inverzní matice
Cvičení 5 - Inverzní matice Pojem Inverzní matice Buď A R n n. A je inverzní maticí k A, pokud platí, AA = A A = I n. Matice A, pokud existuje, je jednoznačná. A stačí nám jen jedna rovnost, aby platilo,
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceStavební fakulta Katedra mechaniky. Jaroslav Kruis, Petr Štemberk
České vysoké učení technické v Praze Stavební fakulta Katedra mechaniky Fuzzy množiny, fuzzy čísla a jejich aplikace v inženýrství Jaroslav Kruis, Petr Štemberk Obsah Nejistoty Teorie pravděpodobnosti
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceNumerické řešení soustav lineárních rovnic
Numerické řešení soustav lineárních rovnic irko Navara Centrum strojového vnímání, katedra kybernetiky elektrotechnická fakulta ČVUT, Praha http://cmpfelkcvutcz/~navara 30 11 2016 Úloha: Hledáme řešení
VíceÚvod do kvantového počítání
2. přednáška Katedra počítačů, Fakulta elektrotechnická České vysoké učení technické v Praze 17. března 2005 Opakování Část I Přehled z minulé hodiny Opakování Alternativní výpočetní modely Kvantové počítače
VíceKarel Lemr. web: Karel Lemr Fotonové páry 1 / 26
Kvantové zpracování informace s fotonovými páry Karel Lemr Společná laboratoř optiky UP Olomouc a FzÚ AVČR web: http://jointlab.upol.cz/lemr email: lemr@jointlab.upol.cz Karel Lemr Fotonové páry 1 / 26
VíceOOFEM: Implementace plasticitního materiálového modelu Cam-Clay. Ondřej Faltus, ZS 2016/17 Vyučující: Ing. Martin Horák, PhD.
OOFEM: Implementace plasticitního materiálového modelu Cam-Clay Ondřej Faltus, ZS 2016/17 Vyučující: Ing. Martin Horák, PhD. Teorie plasticity Pružnoplastické chování Princip: materiál se chová elasticky
Víceopt [ ] Vyjádření subvektory (báz. a nebáz.) B,N Index bázových a nebázových proměnných β, ν Množina indexů veličin B,N
1 2-LP-Lineární programování Lineární funkce i omezovací podmínky opt t X c R c R b b b R...vektor limitů (kapacitních), a i i R b A...matice strukturálních koeficientů, > b! R hod = b, 0,..vektorproměnných,...vektor
VícePrincip gradientních optimalizačních metod
Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní
VíceZadání semestrální práce z předmětu Mechanika 2
Zadání semestrální práce z předmětu Mechanika 2 Jméno: VITALI DZIAMIDAU Číslo zadání: 7 U zobrazeného mechanismu definujte rozměry, hmotnosti a silové účinky a postupně proveďte: 1. kinematickou analýzu
VíceOPTIMALIZAČNÍ ALGORITMY V KONTAKTNÍCH ÚLOHÁCH
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství doc. RNDr. Radek Kučera, Ph.D. OPTIMALIZAČNÍ ALGORITMY V KONTAKTNÍCH ÚLOHÁCH OPTIMIZATION ALGORITHMS IN CONTACT PROBLEMS TEZE PŘEDNÁŠKY K PROFESORSKÉMU
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceOtázku, kterými body prochází větev implicitní funkce řeší následující věta.
1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.
VíceParalelní algoritmy v lineární algebře. Násobení matic
Paralelní algoritmy v lineární algebře Násobení matic Násobení matic mějme matice A, B, C R n,n počítáme součin C = AB mějme p procesu a necht p je mocnina dvou matice rozdělíme blokově na p p bloků pak
VíceKapitola 11: Vektory a matice:
Kapitola 11: Vektory a matice: Prostor R n R n = {(x 1,, x n ) x i R, i = 1,, n}, n N x = (x 1,, x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i = 1,, n : x i = y i
Více7.3. Diferenciální rovnice II. řádu
Diferenciální rovnice 7 Diferenciální rovnice II řádu Ve stručném přehledu se budeme zabývat výhradně řešením lineárních diferenciálních rovnic II řádu s konstantními koeficienty Obecný tvar: ay + ay +
VíceNumerické integrace některých nediferencovatelných funkcí
Numerické integrace některých nediferencovatelných funkcí Ústav matematiky a biomatematiky Přírodovědecká fakulta Jihočeské univerzity v Českých Budějovicích 2. prosince 2014 Školitel: doc. Dr. rer. nat.
Více